Académique Documents
Professionnel Documents
Culture Documents
Universidad de Oriente
Ncleo de Monagas
Programa de Ingeniera de Sistemas
OPTIMIZACIN DE OPERACIONES
Profesor:
CONTENIDO PROGRAMTICO
CAPITULO 1
INTRODUCCIN A LA INVESTIGACIN DE
OPERACIONES
El tomador de decisiones
El problema
Las alternativas
La funcin de utilidad por el tomador de decisiones
Decisin ptima
Una decisin puede ser evaluada solamente teniendo en cuenta el criterio de decisin. Esto
implica que no existen decisiones buenas o malas en un sentido absoluto. En este sentido, una
decisin ptima, relativa a cierto criterio de decisin, es aquella que produce el mejor valor de la
funcin de utilidad correspondiente al criterio de decisin.
Optimizacin es un trmino que se usa indistintamente para indicar la maximizacin o la
minimizacin de una funcin. Por ejemplo, la optimizacin de una funcin de costos, consiste en
minimizar dicha funcin. La optimizacin de una funcin de ganancias consiste en maximizar la
funcin de ganancias.
Dado un problema, la determinacin de la decisin ptima es equivalente a la determinacin de la
alternativa o conjunto de alternativas que optimizan a cierta funcin de utilidad pre-especificada. Es
decir que podra ocurrir que dos o ms alternativas son igualmente deseables para optimizar cierta
funcin de utilidad.
Realizado: Octubre 2010 (Rev: Abril 2013)
1.2. MODELOS
Es la representacin de una realidad compleja en trminos simples, el cual nos permite
representar las caractersticas esenciales del sistema observado.
1.2.1. Clasificacin de los Modelos segn su representacin
1. Modelos Descriptivos: Son aquellos que estn expresados en lenguaje convencional
(espaol, ingles o cualquier otro idioma). Usando este tipo de modelos la seleccin de
alternativas se hace en base a la intuicin y el sentido comn.
2. Modelos Icnicos o Fsicos: Son aquellos que lucen como el sistema fsico correspondiente.
Por el ejemplo el globo terrestre utilizado en demostraciones acadmicas, es un modelo fsico o
icnico de la tierra. La maqueta de un edificio, constituye otro ejemplo de modelo icnico. Los
modelos icnicos pueden ser aumentados, reducidos o estar en la misma escala respecto al
sistema fsico.
3. Modelos Simblicos: Son aquellos que estn expresados en una forma concisa a travs de
smbolos matemticos. Los modelos simblicos pueden ser representados en forma analtica o
en forma grfica va un conjunto de funciones en la forma de ecuaciones o inecuaciones.
Tambin pueden ser representados mediante un algoritmo compuesto por un conjunto de pasos
inter-relacionados, como es el caso de los diagramas de flujo.
4. Modelos Tipo Procedimiento: Son aquellos cuya expresin bsica no est formada por
relaciones funcionales explcitas, sino por un conjunto de pasos que indican el procedimiento a
seguir en la solucin de un problema. La seleccin de alternativas en este tipo de modelos se
hace a travs de tcnicas de simulacin. En esencia un modelo tipo procedimiento es un
modelo de simulacin. Los modelos simblicos y los modelos tipo procedimiento tienen cierta
interseccin; es decir algunos aspectos comunes en ambos como se indica en la figura
1.2.2. Clasificacin de los Modelos segn su Estructura
1. Modelos Determinsticos: Son aquellos que no incluyen propiedades relacionadas con
fenmenos aleatorios (probabilsticas).
2. Modelos Estocsticos: Son aquellos que incluyen variables o relaciones funcionales que
dependen de fenmenos aleatorios.
3. Modelos Lineales: Son aquellos que incluyen solamente funciones lineales. Por ejemplo si un
modelo contiene expresiones de la forma Y = a1x1 + a2x2 , entonces es un modelo lineal.
4. Modelos No-Lineales: Son aquellos que incluyen solamente funciones no lineales. Por ejemplo
si un modelo contiene expresiones de la forma Z1 = g (x1,x2)= x12+ x1x2 + x23 entonces es un
modelo no lineal.
5. Modelo Esttico: Es aquel que representa a un sistema de manera que las variables y las
relaciones funcionales no sufren alteraciones debido a cambios en el tiempo.
Realizado: Octubre 2010 (Rev: Abril 2013)
6. Modelo Dinmico: Es aquel que representa a un sistema de manera que el tiempo juega un rol
importante.
1.3. PROCESOS EN LA SOLUCIN DE UN PROBLEMA MEDIANTE INVESTIGACIN
OPERATIVA
No existe una regla nica en todos los casos, que indique como se procede, para resolver un
problema mediante la investigacin operativa. Sin embargo, de una manera aproximada se plantean
los siguientes pasos:
1. Definicin del Sistema del Mundo Real: Consiste en la concepcin del problema, lo cual es
originado por el decidor o sugerido por el anlisis.
2. Definicin del Sistema a ser Modelado: Esto consiste en abstraer del sistema real, la parte
relevante al estudio. Se trata de definir un sistema Abstracto que represente la realidad o una
aproximacin de la misma
3. Definicin del Problema: En esta parte se define el objetivo deseado. El decidor establece los
criterios de decisin y las restricciones fsicas, operativas, poltica, etc.
4. Formulacin del modelo: Implica traducir la definicin del problema a relaciones matemticas. Si
el modelo que resulte se ajusta a uno de los modelos matemticos normales como puede ser la
programacin lineal, se puede llegar a una solucin empleando los algoritmos disponibles.
5. Solucin del Modelo: Supone el uso de algoritmos bien definidos de optimizacin. Un aspecto
importante de la fase de solucin del modelo es el anlisis de sensibilidad. Tiene que ver con la
obtencin de informacin adicional sobre el comportamiento de la solucin ptima cuando el
modelo sufre ciertos cambios de parmetros.
6. Validacin del Modelo: Aqu se comprueba si el modelo propuesto hace lo que se quiere que
haga, esto es. el modelo planteado representa la realidad?
CAPTULO 2
MODELADO DE PROBLEMAS
6
2.1. PROGRAMACIN LINEAL
PL es una tcnica de optimizacin que consiste en la maximizacin o minimizacin de una funcin
lineal, llamada funcin objetivo, sujeto a restricciones tambin lineales.
El criterio de optimizacin es por lo general un objetivo econmico, por ejemplo maximizar un
beneficio o minimizar un costo y por esta razn recibe el nombre de funcin econmica o funcin
objetivo.
El modelo de PL toma la siguiente forma:
Max o Min Z= c1x1 + c2x2 + E. + cnxn
(2.1)
Sujeto a:
(2.2)
...
am1 x1 + am 2 x2 + ... + amn xn = bm
Y las restricciones de no negatividad
x j 0, j = 1, 2,3,..., n
(2.3)
En las ecuaciones anteriores, aij, bi y cj son valores que se asumen conocidos; y el problema
consiste en hallar los valores de las Xj, que optimicen la funcin (2.1) sujeta a las restricciones (2.2) y
(2.3). las variables Xj se llaman variables de decisin.
En PL, y en general en la teora de programacin matemtica, el trmino optimizar se usa para
indicar la maximizacin o la minimizacin de una funcin segn sea conveniente. Los requerimientos,
capacidades, ganancias, etc., son funciones que se deben maximizar; en cambio los costos, las
prdidas, los accidentes, etc., son funciones que se deben minimizar.
Un modelo de PL consta de tres elementos: Una funcin objetivo (2.1), unas restricciones (2.2) y
restricciones de no negatividad (2.3)
Utilizando la notacin matricial, un programa lineal puede expresarse en forma compactada, como
se indica a continuacin:
Max o Min Z = CX
Sujeto a:
Ax = b
x0
Donde:
Realizado: Octubre 2010 (Rev: Abril 2013)
c1
c
2
c = .
.
cn
x1
x
2
x = .
.
xn
a11...a12 .........a1n
a ...a .........a
2n
21 22
A= .
am1...am 2 .........amn
b1
b
2
b = .
.
bn
Producto
1
2
HH disponible/semana
Tiempo de Manufacturacin/horas
Dpto. A
Dpto. B
Dpto. C
2
1
4
2
2
2
160
120
280
El problema consiste en decidir que cantidad de cada producto debe manufacturarse con el objeto de
hacer el mejor empleo de los medios limitados de produccin, sabiendo que la ganancia por cada
unidad del producto 1 es $ 1 y del producto 2 es $1.5
Solucin
Consideremos las variables de decisin
X1 = Nmeros de unidades del producto 1
X2 = Nmeros de unidades del producto 1
El objetivo es maximizar el beneficio Z obtenido por la venta de cada producto. Esto es:
Max Z = X1 + 1.5X2
Sujeto a:
- Tiempo de manufactura en el departamento A
2X1 + 2X2 160
- Tiempo de manufactura en el departamento B
X1 + 2X2 120
Realizado: Octubre 2010 (Rev: Abril 2013)
8
- Tiempo de manufactura en el departamento C
4X1 + 2X2 280
- Y la no negatividad
X1,X2 0
Por tanto el programa lineal es
Max Z = X1 + 1.5X2
s.a
2X1 + 2X2 160
X1 + 2X2 120
4X1 + 2X2 280
X1,X2 0
Ejemplo 2.2.- Problema de la dieta: En un centro de nutricin se desea obtener la dieta de coste
mnimo con unos determinados requisitos vitamnicos para un grupo de nios que van a asistir a
campamentos de verano. El especialista estima que la dieta debe contener entre 26 y 32 unidades de
vitamina A, al menos 25 unidades de vitamina B y 30 de C, y a lo sumo, 14 de vitamina D. La tabla
nos da el nmero de unidades de las distintas vitaminas por unidad de alimento consumido para seis
alimentos elegidos, denominados 1, 2, 3, 4, 5,6, as como su coste por unidad.
Alimentos
1
2
3
4
5
6
A
1
1
0
3
2
1
Vitaminas
B
C
1
0
2
1
1
2
1
0
1
2
0
2
D
1
0
0
1
0
1
Coste por
unidad
10
14
12
18
20
16
Se desea construir un modelo de programacin lineal para conocer la cantidad de cada alimento que
hay que preparar y que satisfaga los requisitos propuestos con coste mnimo.
Solucin
Definimos las variables de decisin Xi, que representan la cantidad de alimento i = 1,E.,6, que se
utiliza para la dieta. Las restricciones son consecuencia de los requisitos vitamnicos exigidos a la
dieta, que son:
X1 + X2 + 3X4 + 2X5 + X6 26
X1 + X2 + 3X4 + 2X5 + X6 32
X1 + 2X2 + X3 + X4 + X5 25
X2 + 2X3+ 2X5 + 2X6 30
X1 + X4 + X6 14
(Vitamina A)
(Vitamina A)
(Vitamina B)
(Vitamina C)
(Vitamina D)
9
Con Xi 0 para i = 1,E..,6.
La funcin objetivo, de la forma de minimizacin, representa el coste total de la dieta, que es:
Z = 10X1 + 14X2 + 12X3 + 18X4 + 20X5 + 16X6
Por tanto, el programa lineal es:
Min
Z = 10X1 + 14X2 + 12X3 + 18X4 + 20X5 + 16X6
s.a
X1 + X2 + 3X4 + 2X5 + X6 26
X1 + X2 + 3X4 + 2X5 + X6 32
X1 + 2X2 + X3 + X4 + X5 25
X2 + 2X3+ 2X5 + 2X6 30
X1 + X4 + X6 14
X1,X2,X3,X4,X5 ,X6 0
Ejemplo 2.3.- Problema de Refinacin: Una compaa de petrleo produce en su refinera gasleo
(G), gasolina sin plomo (P) y gasolina sper (S), a partir de dos tipos de crudos, C1 y C2. Las
refineras estn dotadas de dos tipos de tecnologas. La tecnologa nueva Tn utiliza en cada sesin
de destilacin 7 unidades de C1 y 12 de C2, para producir 8 unidades de G, 6 de P y 5 de S. Con la
tecnologa antigua Ta, se obtiene en cada destilacin 10 unidades de G, 7 de P y 4 de S, con gasto
de 10 unidades de C1 y 8 de C2.
Estudios de demanda permiten estimar que para el prximo mes se deben producir al menos 900
unidades de G, 300 de P y entre 800 y 1700 de S. la disponibilidad de crudo C1 es de 1400 unidades
y de C2 de 2000 unidades. Los beneficios por unidad producida son:
Gasolina
Beneficio/u
G
4
P
6
S
7
La compaa desea conocer cmo utilizar ambos procesos de destilacin, que se pueden realizar
total o parcialmente, y los crudos disponibles para que el beneficio sea el mximo.
Solucin
Comenzamos fijando las variables de decisin. Observemos que las actividades en que est
interesada la compaa son el nmero de destilaciones con cada tecnologa. Por tanto, definimos las
variables de decisin.
X1 = nmero de destilaciones con Tn
X2 = nmero de destilaciones con Ta
Tenemos restricciones debidas a las limitaciones en la disponibilidad de ambos tipos de crudo. Para
C1
[(7 unds de C1 x X1 destilaciones) + (10 de C1 x X2)] [disponibilidad de C1]
10
Es decir,
7X1 + 10X2 1400
Anlogamente, para C2
12X1 + 8X2 2000
Adems sabemos que si se producen X1 destilaciones con Tn y X2 destilaciones con Ta los productos
obtenidos son
8X1 + 10X2
6X1 + 7X2
5X1 + 4X2
Unidades de G
Unidades de P
Unidades de S
(demanda de G)
(demanda de P)
(demanda de S)
(demanda de S)
11
Ejemplo 2.4.- Problema de fabricacin de productos: Un fabricante produce 3 modelos de cierto
producto, utiliza 2 tipos de materia prima de los cuales se dispone de 4.000 y 8.000 und. Los
requisitos de materia prima por und. de los 3 modelos son los que se muestran en la tabla anexa. El
tiempo de mano de obra para cada unidad del modelo 1 es 2 veces mayor que el del modelo 2 y 3
veces mayor que el del modelo 3. Toda la fuerza laboral de la fbrica producira el equivalente a
1.500 unds del modelo 1. La demanda mnima de los 3 modelos es 400, 400 y 300 respectivamente,
sin embargo las proporciones de unidades producidas deben ser igual a 3:2:5. La ganancia por
unidad de los 3 modelos es 30, 20 y 50 und. monetarias respectivamente. Formule un modelo de
programacin lineal para determinar el nmero de unidades de cada producto que se deben fabricar.
(3.5 Pts).
Unidades
Materia
Prima
A
II
III
Disponible
4.000
8.000
Solucin
Consideremos las variables de decisin
X1 = Nmeros de unidades producidas del modelo I
X2 = Nmeros de unidades producidas del modelo II
X3 = Nmeros de unidades producidas del modelo III
El objetivo es maximizar el beneficio Z obtenido por la venta de cada modelo. Esto es:
Max Z = 30X1 + 20X2 + 50X
Sujeto a:
- Fuerza laboral
X1 + 1/2X2 + 1/3X3 1500
- Debido a la demanda mnima
X1 400
X2 400
X3 300
- Debido a las proporciones
x1 3
=
x2 2
2X1 - 3X2 = 0
12
x1 3
=
x3 5
5X1 - 3X3 = 0
Proceso
I
II
Beneficio / und
Producto
A
B
2
3
3
4
4
10
Se dispone de 16 horas de operacin del proceso I y de 24 horas del proceso II. La produccin de B
da, adems, un subproducto C (sin coste adicional) que puede venderse a 3000 $/und. Sin embargo,
el sobrante de C debe destruirse con coste 2000 $/und. Se obtienen 2 unidades de C por cada unidad
de B producida. La demanda de C se estima en, a lo sumo, 5 unidades. Formular un programa lineal
que d el plan de produccin con mximo beneficio.
Solucin
Consideremos las variables de decisin
13
X1 = Produccin de A
X2 = Produccin de B
X3 = Cantidad de C Vendida
X4 = Cantidad de C destruida
Con esta definicin la suma X3 + X4 ser la produccin de C. Las restricciones se deben a:
-
1
(X3 + X4)
2
Limite de demanda de C
X3 5
3X1 + 4X2 24
14
Solucin
Tenemos cuatro variables de decisin
X1 = nmero de barriles de crudo de Arabia para gasolina Sper
X2 = nmero de barriles de crudo de Arabia para gasolina Plus
X3 = nmero de barriles de crudo de Venezuela para gasolina Sper
X4 = nmero de barriles de crudo de Venezuela para gasolina Plus
Las restricciones se tienen de los siguientes requisitos:
-
X2 + X4 400.000
Sper
Sper
Plus
Plus
Condiciones de no negatividad
X1, X2, X3, X4 0
La funcin objetivo es de minimizacin y refleja el coste total de la compra de crudo en dlares. Viene
dada por la expresin
Min
s.a
X1 + X3 600.000
X2 + X4 400.000
0.20 X1 + 0.50 X3 0.35 (X1 + X3)
0.20 X1 + 0.50 X3 0.60 (X1 + X3)
0.70 X2 + 0.35 X4 0.30 (X2 + X4)
0.20 X2 + 0.35 X4 0.55 (X2 + X4)
X1, X2, X3, X4 0
15
16
CAPTULO 3
METODO GRAFICO
17
II. SOLUCIN DE MODELOS DE PL (MTODO GRFICO)
18
CAPTULO 4
MTODO ALGEBRAICO
19
Ejemplo 3.1:
Max Z = 10X1 + 12X2
SA
3X1 + 6X2 60
2X1 + X2 16
X1 , X 2 0
Se procede a estandarizar la funcinE
Max Z = 10X1 + 12X2 + 0X3 + 0X4
SA
3X1 + 6X2 + X3 + 0X4 60
2X1 + X2 +0X3 + X4 16
X1 , X 2 X 3 , X 4 0
Z=CX
Sujeto a
r r
AX = P
r
X 0
r
C = (C1 , C2 , C3 , C4 )
r
C = (10,12, 0, 0)
X1
r X2
X =
X3
X4
r r r r
A = (a1 , a2 , a3 , a4 )
r 3
a1 =
2
r 6
a2 =
1
r 1
a3 =
0
r 0
a4 =
1
r 60
P=
16
Max
20
r
r r
XB
Z = CB , CNB . r
X NB
Sujeto a:
r
XB r
[ B, N ] . r = P
X NB
r r
X B , X NB 0
Max
r r
r r
Z = CB . X B + CNB . X NB
Sujeto a
r
r
r
BX B + NX NB = P
r r
X B , X NB 0
r
r
r
BX B + NX NB = P
r
r
r
BX B = P NX NB
r
r
r
X B = B 1 P B 1 NX NB
r
r
X B = B 1 P
1..0
r r
B = (a3 , a4 ) =
0..1
1..0
B 1 =
0..1
r
1..0 60
XB =
.
0..1 16
r
60
XB =
16
r r
60
Z = CB . X B = ( 0, 0 ) .
16
r
X3
XB =
X4
Z =0
21
Condicin de optimidad
Seleccionar la variable no bsica con mejor potencialidad de mejorar el valor objetivo.
Si el problema es de maximizar escoger la variable no bsica Xj con factor (Zj-Cj) < 0. (si existe ms
de una seleccione la ms negativa)
Si el problema es de minimizar escoger la variable no bsica Xj con factor (Zj-Cj) > 0. (si existe ms de
una seleccione la ms positiva)
Variables no bsicas: X1 y X2
r
Z j = CB .Y j
r
Y j = B 1.a j
Para J=1
Z1 C1 = ?
r
Z1 = CB .Y1
r 1..0 3 3
Y1 = B 1.a1 =
=
0..1 2 2
3
Z1 = ( 0,0 )
Z1 = 0
2
Z1 C1 = 0 10 = 10
Para J=2
Z 2 C2 = ?
r
Z 2 = CB .Y2
r 1..0 6 6
Y2 = B 1.a2 =
=
0..11 1
6
Z 2 = ( 0, 0 )
Z2 = 0
1
Z 2 C2 = 0 12 = 12
Como Z 2 C2 es la ms negativa entonces X2 es la variable que entra a XB
Realizado: Octubre 2010 (Rev: Abril 2013)
22
La variable saliente se determina por la condicin de factibilidad la cual selecciona una variable
bsica de tal modo que la nueva solucin satisfaga todas las restricciones.
Condicin de factibilidad
Criterio: Seleccionar la variable bsica XBi que posea el mnimo valor asociado en el cociente
X Bi
Yik
Variables bsicas: X3 y X4
r
X X 60
X B = B1 = 3 =
X B 2 X 4 16
r Y1k
Yk =
Y2 k
r
r 1..0 6
k=2
Y2 = B 1.a2 =
.
0..1 1
r 6
Y2 =
1
i=1
X B1 60
=
= 10
Y12
6
i=2
X B 2 16
=
= 16
Y22
1
Sale el mnimo valor asociado que es X3
r
X
XB = 2
X4
r
r
X B = B 1P
6..0
r r
B = ( a2 , a4 ) =
1..1
1 ..1....0 ..1/ 6....0
B 1 =
=
6 1....6 1/ 6....1
23
..1/ 6....0
B 1 =
1/ 6....1
r
..1/ 6....0 60 10
XB =
. =
1/ 6....1 16 6
r
X 2 10
XB = =
X4 6
r r
10
Z = CB . X B = (12, 0 ) = 120
6
Z = 120 Solucin de la primera iteracin.
Condicin de optimidad
Variables no bsicas: X1 y X3
Z1 C1 = ?
Z 3 C3 = ?
Para J=1
r
Z1 = CB .Y1
r ..1/ 6...0 3 1/ 2
Y1 = B 1.a1 =
=
1/ 6...1 2 3 / 2
1/ 2
Z1 = (12, 0 )
Z1 = 6
3 / 2
Z1 C1 = 6 10 = 4
Para J=3
Z 3 C3 = ?
r
Z3 = CB .Y3
24
1/ 6...1 0 1/ 6
..1/ 6
Z 3 = (12, 0 )
Z3 = 2
1/ 6
..1/ 6
Y3 =
1/ 6
Z 3 C3 = 2 0 = 2
Como Z1 C1 es la ms negativa entonces X1 es la variable que entra a XB
r
10
XB =
6
r 1/ 2
Y1 =
3 / 2
i=1
X B1 10
=
= 20
Y12 1/ 2
i=2
X B2
6
=
=4
Y22 3 / 2
Sale el mnimo valor asociado que es X3
r
X
XB = 2
X1
r
r
X B = B 1 P
6..3
r r
B = ( a2 , a1 ) =
1..2
T
1 ..2.. 1
1 ..2.. 3 ..2 / 9... 1/ 3
B =
=
=
9 3....6
9 1.....6 1/ 9......2 / 3
1
r
..2 / 9... 1/ 3 60 8
XB =
. =
1/ 9......2 / 3 16 4
Realizado: Octubre 2010 (Rev: Abril 2013)
25
r
X 8
XB = 2 =
X1 4
r r
8
Z = CB . X B = (12,10 ) = 136
4
Z = 136 Solucin de la segunda iteracin.
a11...a12
A=
a21...a22
A1 =
26
CAPTULO 5
MTODO SIMPLEX TABLOIDE
27
Ejemplo 5.1:
Max Z = 10X1 + 12X2
SA
3X1 + 6X2 60
2X1 + X2 16
X1 , X 2 0
Se procede a estandarizar la funcin agregndole variable de holguraE
Max Z = 10X1 + 12X2 + 0X3 + 0X4
SA
3X1 + 6X2 + X3 + 0X4 = 60
2X1 + X2 +0X3 + X4 = 16
X1 , X 2 X 3 , X 4 0
Luego se procede a vaciar la forma estndar del modelo a la siguiente tabla, conocindose esta
primera tabla como la solucin bsica inicial o iteracin uno (1) de la solucin.E
Iteracin
1
Z
1
X3
X4
X1
-10
3
2
X2
-12
6
1
X3
0
1
0
X4
0
0
1
Solucin
0
60
16
Esta tabla se lee de la siguiente manera: Las variables no bsicas (X1 y X2) tiene un valor inicial de
cero (0) y las variables bsicas (X3 y X4) tienen un valor de 60 y 16 respectivamente. Si estos valores
los sustituimos en la funcin Z = 10X1 + 12X2 se obtiene un valor de Z=0 tal como puede observarse
en la siguiente tabla, es decir, la solucin bsica inicial del problema es cero (0), a partir de la cual
mediante unas iteraciones se busca mejorar la solucin inicial.
Iteracin
1
Z
1
X3
X4
X1
-10
3
2
X2
-12
6
1
X3
0
1
0
X4
0
0
1
Solucin
0
60
16
Al igual que en el mtodo algebraico se resuelve realizando unas iteraciones para buscar la solucin
ms ptima a travs de las condiciones de optimidad y de factibilidad
Para aplicar la condicin de optimidad se selecciona la columna de la variable no bsica con mejor
potencialidad de mejorar el valor objetivo. Esta columna se conoce como columna entrante. Si el
problema es de maximizar se debe seleccionar la variable no bsica ms negativa y si el problema es
de minimizar se selecciona la variable no bsica ms positiva
Variables no bsicas: X1 (-10) y X2 (-12), la variable que tiene mejor potencialidad es la variable X2
quedando la tabla de la siguiente manera:
Realizado: Octubre 2010 (Rev: Abril 2013)
28
Columna entrante
Iteracin
1
Z
1
X3
X4
X1
-10
3
2
X2
-12
6
1
X3
0
1
0
X4
0
0
1
Solucin
0
60
16
Para hallar la fila saliente se utiliza el criterio de factibilidad, donde se selecciona la variable bsica
(en este caso X3 o X4) que posea el mnimo valor asociado en el cociente entre el valor de la solucin
relacionada con la variable bsica entre el valor del elemento de la columna entrante
correspondiente donde el valor del elemento de la columna entrante debe ser mayor a cero para
poder tomarse en cuenta dicha fila como candidata a salir. Ver tabla siguiente:
Columna entrante
Iteracin
1
Z
1
X3
X4
X1
-10
3
2
X2
-12
6
1
X3
0
1
0
X4
0
0
1
Solucin
0
60
16
60/6 = 10
16/1 = 16
Puede observarse en la tabla anterior que la variable bsica con el menor cociente es X3 por lo cual
es la candidata a salir. Esta fila es conocida como ecuacin pivote y la intercepcin entre la columna
entrante y la ecuacin pivote se conoce como elemento pivote. Ver tabla siguiente:
Columna entrante
Iteracin
1
Z
1
X3
X4
X1
-10
3
2
X2
-12
6
1
X3
0
1
0
X4
0
0
1
Solucin
0
60
16
Ecuacin
pivote
Elemento
pivote
Posteriormente se realicen los clculos de las nuevas filas utilizando las siguientes formulas:
Nueva Ecuacin = Ecuacin anterior (elemento de la columna entrante x nueva ecuacin pivote)
Realizado: Octubre 2010 (Rev: Abril 2013)
29
60
3
6
1/2
1/6
10
X4 anterior
-(1)*Nva Ec. Pivote
X4 Nueva
2
-1/2
3/2
1
-1
0
0
-1/6
-1/6
1
0
1
16
-10
6
Zanterior
-(-10)*Nva Ec. Pivote
ZNueva
-10
6
-4
-12
12
0
0
2
2
0
0
0
0
120
120
/ elemento pivote
Iteracin
1
Iteracin
2
Z
1
X3
X4
1
X2
X4
X1
-10
3
2
-4
1/2
3/2
X2
-12
6
1
0
1
0
X3
0
1
0
2
1/6
-1/6
X4
0
0
1
0
0
1
Solucin
0
60
16
120
10
6
En la tabla anterior puede observarse que la solucin mejoro considerablemente, pasando de un valor
de cero (0) a ciento veinte (120). Aplicando el criterio de optimidad. A continuacin se presenta los
clculos correspondientes a la tercera iteracin:
-1/6
3/2
3/2
1
-1/9
2/3
X2 anterior
-(1/2)*Nva Ec. Pivote
X1 Nueva
1/2
-1/2
0
1
0
1
1/6
1/8
3
0
-1/3
-1/3
10
-2
8
/ elemento pivote
30
Zanterior
-(-4)*Nva Ec. Pivote
ZNueva
-4
4
0
0
0
0
2
-4/9
14/9
0
8/3
8/3
120
16
136
Iteracin
1
Iteracin
2
Iteracin
3
Z
1
X3
X4
1
X2
X4
1
X2
X1
X1
-10
3
2
-4
1/2
3/2
0
0
1
X2
-12
6
1
0
1
0
0
1
0
X3
0
1
0
2
1/6
-1/6
14/9
3
-1/9
X4
0
0
1
0
0
1
8/3
-1/3
2/3
Solucin
0
60
16
120
10
6
136
8
4
Puede observarse que en la tercera iteracin se obtiene la solucin optima con un valor de X2=8 y
X1=4, dando esto como resultado Z=136 unidades monetarias. Aplicando el criterio de optimidad se
puede observar que todos los valores de la fila correspondiente a Z son positivos, por lo cual no
puede seguir iterndose.
31
CAPTULO 6
MTODO PENALIZACIN
32
Ejemplo 6.1:
Min Z = 4X1 + X2
SA
3X1 + X2 = 3
4X1 + 3X2 6
X1 + 2X2 4
X1 , X 2 0
Se procede a estandarizar la funcin siguiendo los siguientes criterios:
1.
2.
3.
4.
Iteracin
1
Z
1
X3
X4
X1
-10
3
2
X2
-12
6
1
X3
0
1
0
X4
0
0
1
Solucin
0
60
16
33
Iteracin
1
Iteracin
2
Iteracin
3
Iteracin
4
Z
1
R1
R2
X4
Z
X1
R2
X4
Z
X1
X2
X4
Z
X1
X2
X3
X1
-4+7M
3
4
1
0
1
0
0
0
1
0
0
0
1
0
0
X2
-1+4M
1
3
2
1/3+5/3M
1/3
5/3
5/3
0
0
1
0
0
0
1
0
X3
-M
0
-1
0
-M
0
-1
0
1/5
1/5
-3/5
1
0
0
0
1
X4
0
0
0
1
0
0
0
1
0
0
0
1
-1/5
-1/5
3/5
1
R1
0
1
0
0
4/3-7/3M
1/3
-4/3
-1/3
8/5-M
3/5
-4/5
1
7/5-M
2/5
-1/5
1
R2
0
0
1
0
0
0
1
0
-1/5-M
-1/5
3/5
-1
-M
0
0
-1
Sol
9M
3
6
3
4+2M
1
2
3
18/5
3/5
6/5
1
17/5
2/5
9/5
1
3
3
1
1/3
1/3
R2 anterior
-(4)*Nva Ec. Pivote
R2 Nueva
4
-4
0
3
-4/3
5/3
-1
0
-1
0
0
0
0
-4/3
-4/3
1
0
1
6
-4
2
X4 anterior
-(1)*Nva Ec. Pivote
X4 Nueva
1
-1
0
2
-1/3
5/3
0
0
0
1
0
1
0
-1/3
-1/3
0
0
0
4
-1
3
/ elemento pivote
Ec. Pivote Nueva (X1)
Zanterior
-(4-7M)*Nva Ec.
-4+7M
4-7M
-1+4M
4/3-7/3M
-M
0
0
0
0
4/3-7/3M
0
0
9M
4- 7M
1/3+5/3M
-M
4/3-7/3M
4+2M
Pivote
ZNueva
34
0
5/3
0
5/3
-1
-4/3
-3/5
-4/5
3/5
6/5
X1 anterior
-(1/3)*Nva Ec. Pivote
X1 Nueva
1
0
1
1/3
-1/3
0
0
1/5
1/5
0
0
0
1/3
4/15
8/5
0
-1/5
-1/5
1
-2/5
3/5
X4 anterior
-(5/3)*Nva Ec. Pivote
X4 Nueva
0
0
0
5/3
-5/3
0
0
1
1
1
0
1
-1/3
4/3
1
0
-1
-1
3
-2
1
Zanterior
-(1/3-5/3M)*Nva
0
0
1/3+5/3M
-1/3-5/3M
-M
1/5+M
0
0
4/15+4/3M
0
-1/5-M
4+2M
-2/5-2M
1/5
8/5-M
-1/5-M
18/5
/ elemento pivote
Ec. Pivote Nueva (X2)
4/3-7/3M
Ec. Pivote
ZNueva
-1
/ elemento pivote
Ec. Pivote Nueva (X3)
0
1
0
-1
X1 anterior
-(1/5)*Nva Ec. Pivote
X1 Nueva
1
0
1
0
0
0
1/5
-1/5
0
0
-1/5
-1/5
8/5
-1/5
2/5
-1/5
1/5
0
3/5
-1/5
2/5
X2 anterior
-(3/5)*Nva Ec. Pivote
X2 Nueva
0
0
0
1
0
1
-3/5
3/5
0
0
3/5
3/5
-4/5
3/5
-1/5
3/5
-3/5
0
6/5
3/5
9/5
Zanterior
1/5
8/5-M
-1/5-M
18/5
Elaborado por: Prof. Cristhian Ronceros M.
35
0
0
0
0
-1/5
0
-1/5
-1/5
-1/5
7/5-M
1/5
-M
-1/5
17/5
Como todos los elementos de la fila Z son ceros y positivos la solucin ptima ha sido hallada y es la
siguiente:
X1 = 2/5
X2 = 9/5
Z = 17/5
El mtodo M resuelve el PA del original, por lo que a partir de la solucin del primero se debe
deducir la del segundo.
Se puede obtener una solucin optima o bien una solucin ilimitada.
Si se ha encontrado una solucin optima al PA, deben contemplarse tres alternativas:
1. Cuando no hay variables artificiales en la base ptima: en esta situacin la solucin ptima
del PA tambin lo es para el PO.
2. Cuando hay VA en la BO con valor cero: dado que el escalar asociado al vector artificial es
cero, tal vector puede intercambiarse por cualquier vector real no bsico sin alterar la solucin
ptima. La solucin ptima de PA tambin lo es para PO.
Sin embargo la presencia de una VA a nivel cero en donde la base optima pudiera indicar la
presencia de una restriccin redundante analticamente para dilucidar esta posibilidad, deben
intercambiarse todas las VA bsicas por VR no bsicas con la nica reserva de que el coeficiente
de reemplazo sea diferente de cero.
Si todas las VA bsicas se logran reemplazar por VR, entonces, ninguna restriccin es
redundante y se ha obtenido una solucin optima degenerada para el PO. En caso contrario las
VA bsicas no desalojadas son redundante analticamente por lo que deben cancelarse de la
tabla optima.
3.
36
Ejemplo 6.2: Solucin ptima degenerada.
Min Z: 2X1+X2
S.A
X1+2X2 2
X2 2
3X1+X2 6
X1, X2 0
Planteando el PA se obtiene:
Min Z = 2X1 + X2 + MR1
S.A
X1+2X2+X3
=2
+X4
=2
X2
3X1+X2
-X5 +R1 = 6
X1, X2, X3, X4, X5, R1 0
Se procede a resolver, obtenindose las siguientes tablas:
Iteracin
X
Iteracin
X+1
Z
1
X3
X4
R1
Z
X1
R2
X4
X1
-2+3M
1
0
3
0
1
0
0
X2
-1+M
2
1
1
3-5M
2
1
-5
X3
0
1
0
0
2-3M
1
0
-3
X4
0
0
1
0
0
0
1
0
X5
-M
0
0
-1
-M
0
0
-1
R1
0
0
0
1
0
0
0
1
Sol
6M
2
2
6
4
2
0
0
Iteracin
X
Iteracin
X+1
Z
1
X1
X4
X2
Z
X1
R2
X4
X1
0
1
0
0
0
1
0
0
X2
0
0
0
1
-1
1/3
1
5/3
X3
1/5
-1/5
-3/5
3/5
0
0
0
1
X4
0
0
1
0
0
0
1
0
X5
-3/5
-2/5
-1/5
1/5
-2/3
-1/3
0
1/3
R1
3/5-M
2/5
1/5
-1/5
8/15-M
1/3
0
-1/3
Sol
4
2
2
0
4
2
2
0
37
La solucin es degenerada.
Iteracin
1
Iteracin
+R1
=2
+R2
=4
+R3 = 6
=2
X1, X2, X3, R1, R2, R30
Z
1
R1
R2
R3
X3
Z
X1
R2
R3
X3
X1
-2-6M
1
2
3
0
0
1
X2
-1-2M
2
-1
1
1
3+10M
2
X3
0
0
0
0
1
0
0
X4
0
1
0
0
0
2+6M
1
X5
0
0
1
0
0
0
0
R1
0
0
0
1
0
0
0
0
0
0
-5
-5
1
0
0
1
-2
-3
0
1
0
0
0
1
0
Sol
-12M
2
4
6
2
4
2
0
0
2
La solucin es ptima para el PA. As mismo todas las VA valen cero, entonces la solucin
optima del PA es tambin la solucin optima del PO.
Sin embargo las presencias de las VA R2 y R3 en la base a nivel cero indica la posibilidad de que
sean restricciones redundantes. Por tal motivo se intentara reemplazar por VR.
Primero intercambiaremos R2, las variables no bsicas de sustitucin diferente de cero en el
rengln de R2 son X2 y R1. Pero como R1 es VA, entonces la opcin sera X2
Realizado: Octubre 2010 (Rev: Abril 2013)
38
Iteracin
Z
1
X1
X2
R3
X3
X1
0
X2
0
X3
0
X4
4/5+2M
X5
3/5+2M
R1
0
1
0
0
0
0
1
0
0
0
0
0
1
1/5
2/5
-1
-2/5
2/5
-1/5
-1
1/5
0
0
1
0
Sol
4
2
0
0
2
En donde los nicos candidatos para sustituir R3 son R1 y R2, las cuales tambin son VA. La ecuacin
implicada por el rengln 3 es:
0X1 + 0X2 + 0X3 - X4 - X5 + X6 = 0
Es decir
X6 = 0 + X 4 + X 5
Diciendo as que en la base optima siempre se tendr una VA a nivel cero por lo cual la tercera
restriccin es redundante analticamente.
Si eliminamos la restriccin 3 de la tabla queda de la siguiente manera:
Iteracin
Z
1
X1
X2
X3
X1
0
X2
0
X3
0
X4
4/5+2M
X5
3/5+2M
R1
0
1
0
0
0
1
0
0
0
1
1/5
2/5
-2/5
2/5
-1/5
1/5
0
0
0
Sol
4
2
0
2
Z=4
X1=2
X2=0
X3=2
39
X1, X2 0
Planteando el PA se obtiene:
Min Z = 2X1 - 3X2 + 0X3 + 0X4 + MR1
SA
X1 + X 2 + X 3
= 2
2X1+4X2
- X4
+R1 = 12
X1, X2, X3, X4, R10
Iteracin
1
Iteracin
2
Z
1
X3
R1
Z
X2
R1
X1
2+2M
1
2
-1-2M
1
-2
X2
3+4M
1
4
0
1
0
X3
0
1
0
-3-4M
1
-4
X4
-M
0
-1
-M
0
-1
R1
0
0
1
0
0
1
Sol
12M
2
12
-6+4M
2
4
La actual es la solucin optima para el PA y dado R1 es una VA con valor positivo, el PO tiene
solucin inconsistente.
La VA R1 puede intercambiarse por las VR X1, X3 o X4 para as arribar a una solucin infactible
del PO.
Iteracin
3
Z
1
X2
X1
X1
0
0
1
X2
0
1
0
X3
-1
-1
2
X4
1/2
-1/2
1/2
R1
-1/2-M
1/2
-1/2
Sol
-8
4
-2
40
41
CAPTULO 7
MTODO DOS FASES
42
La idea general del mtodo de dos fases es muy simple y consiste en que el problema de PL
se resuelve en dos partes o fases. Primero, en el PA se trata de que todas las VA lleguen a nivel
cero, con lo cual seguramente se arribar a una SBFI del PO. Y segundo, a partir de la SBFI del PO,
si es que se obtuvo, se trata de encontrar la solucin ptima del PO. A la primera parte se le llama
Fase I y a la segunda Fase II.
FASE I: En esta primera fase se trata exclusivamente de expulsar a las VA fuera de la base del PA, lo
cual equivale a buscar una SBFI para el PO; en realidad, se est llevando a cabo formalmente el
paso 1 del mtodo simplex original. Para obligar a que las VA tomen valor cero, no se recurre, como
el mtodo M, a una penalizacin en el objetivo, sino al planteamiento de un nuevo objetivo Z0 el cual
consiste en la minimizacin de la suma de las variables artificiales.
FASE II: La segunda fase es la resolucin del PO a partir de la SBFI encontrada en la fase I, si es
que se encontr una. Esta fase equivale a los pasos 2 y 3 del mtodo simplex original. La funcin
objetivo al ser optimizada, es ahora X0 , por lo que la ltima tabla de la fase I es idntica a la primera
de la fase II, lo nico que debemos hacer es renovar el valor de Z. Dado que la fase II comienza con
una SBFI del PO, los resultados que se pueden obtener al final de la misma, son una solucin ptima
o ilimitada para el PO.
Interpretacin de resultados del mtodo de las dos fases:
1. Si Z=0 y no hay VA en la base: en este caso se ha encontrado una SBFI para el PO y debe
procederse a la fase dos.
2. Z=0 y hay VA en la base: el VA de la base debe ser cero antes de proceder a la fase dos
esas VA deben intercambiarse por VR no bsicas. Tomndose en cuanta que el coeficiente de
remplazo entre la VA de salida y la VR de entrada sea diferente de cero:
3. Z= +. Solucin inconsistente
Ejemplo:
Max Z = 3X1 + 5X2
SA
4X1 + X2 4
-X1 + 2X2 2
X2 3
X1, X2 0
43
44
CAPTULO 8
ANLISIS DE SENSIBILIDAD
45
En este captulo se analiza como variaciones en las constantes o datos originales de un
modelo de programacin lineal, afectan los resultados obtenidos en la soluci ptima. Esta tcnica
analiza la sensibilidad de la solucin ptima de un modelo a la incertidumbre de los datos, y se
conoce como analisis de sensibilidad. Su importancia radica en la posibilidad de generar nuevas
soluciones directamente de la solucin original con un numero limitado de simples operaciones, sin
necesidad de resolver el modelo de nuevo.
El anlisis de sensibilidad es una forma eficiente de tratar las modificaciones que, depus de
haber resuelto el modelo, surgen como consecuencia de errores o modificaciones en los datos
originales o por su informacin adicional disponible. Por otra parte, los datos del problema pueden ser
valores estimados de cantidades, precios, costos, etc., e interesa determinar las variaciones en la
solucin ptima resultantes de cambios en dichas estimaciones, as como dentro de que intervalos
pueden variar los parmetros sin afectar la solucin ptima del modelo.
Evidentemente que una tcnica para tratar las variaciones en los datos originales sera
recalcular el problema para cada posible combinacin de datos, pero este mtodo sera costo,
consumira demasiado tiempo, y en la mayora de los casos sera impracticable, debido al gran
nmero de posibles variaciones. El analisis de sensibilidad evita esas dificultades y sus clculos son
suficientemente simples como para hacerlos manualmente, sin necesidad de resolver el modelo cada
vez que existe un cambio en los parmetros.
1.- Cambios en los coeficientes de la funcin objetivo
Es evidente que cualquier cambio en un cj no afecta la solucin ptima en cuanto a su
posibilidad. Como las restricciones no han sido modificadas, la solucin ptima original sigue siendo
posible, lo que hay que determinar es si la solucin sigue siendo ptima.
Supongamos que el nuevo coeficiente de xj en la funcin objetivo es cj=cj+ (igual al coeficiente
original cj ms una cantidad que puede ser positiva o negativa).
Cambios en los coeficientes de la funcin objetivo
Cambios en los coeficientes de la funcin objetivo
Cambios en los coeficientes de la funcin objetivo
46
47
CAPTULO 9
EL PROBLEMA DUAL
48
Los modelos de programacin lineal tienen una importante caracterstica que se conoce como
dualidad. Cada modelo de programacin lineal se puede convertir, mediante transformaciones
apropiadas, en un modelo, que a pesar de ser estructuralmente diferente del primero, est
ntimamente relacionado con l, tanto en su forma como en su solucin. Este modelo obtenido a
travs de los cambios que veremos ms adelante, se conoce con el nombre de modelo o problema
dual. El modelo a partir del cual se obtiene el dual se conoce, por contraposicin, como modelo o
problema primal o primario.
Primeramente veremos la obtencin del dual a partir de un modelo primal en forma cannica:
49
6. Se trasponen las filas y columnas de la matriz de coeficientes (las aij) de las restricciones del
primal
Resumiendo el dual tendr tantas variables como restricciones tiene el primal (m), y tantas
restricciones como variables tiene el primal (n). los coeficientes de la variable xj en el primal pasan a
ser coeficientes de la restriccin j del dual; y los coeficientes de la restriccin i del primal pasan a ser
coeficientes de la variable yi en el dual. El coeficiente de la variable xj en la funcin objetivo del primal
pasa a ser el lado derecho de la restriccin j del dual, y el lado derecho de la restriccin i del primal
pasa a ser el coeficiente de la variable yi en la funcin objetivo del dual.
En el cuadro siguiente se especifican las caractersticas del modelo dual en relacin con las del
primal cualquiera que sea la forma de ste.
Primal
1
Dual
Max. ()
Min. ()
Funcin Objetivo
2
3
Min. ()
Trminos constantes (bi)
Coeficientes funcin obetivo (cj)
Matriz de coeficientes
5
6
7
8
9
10
a11 a12Ea1n
a21 a22Ea2n
E.
E.
am1 am2Eamn
n variables
m restricciones
Restriccin i desigualdad
Restriccin i igualdad
Variable Xj 0
Variable Xj no restringida en el signo
Max. ()
Coeficientes funcin objetivo
Trminos constantes
a11 a21Eam1
a12 a22Eam2
E.
E.
a1n a2nEamn
n restricciones
m variables
Yi 0
Yi irrestricta en signo
Restriccin j desigualdad
Restriccin j igualdad
Primal:
Max Z: 300X1+230X2
S.A
10X1 + 60X2 280
80X1 + 70X2 200
90X1 + 200X2 4000
X1, X2 0
50
Dual:
Min V: 280y1+200y2 + 4000y3
S.A
10y1 + 80y2 + 90y3 300
60y1 + 70y2 + 200y3 230
y1, y2, y3 0
Ejemplo 2: Plantear el problema dual de la forma simtrica, del siguiente modelo de programacin
lineal.
51
2y1 + y2 + 5y3 5y4 + y5 12
y1,y2,y3,y4,y5 0
Ejemplo 3: Plantear el problema dual de la forma general, del siguiente modelo de programacin
lineal.
52
CAPTULO 10
TRANSPORTE
53
1
A
B
C
D
Dem
Disp
40
60
45
25
50
30
30
Donde los elementos interiores representan costes, se desea determinar una solucin bsica factible
y su coste asociado con:
1. El MEN.
2. El mtodo de Vogel.
3. El mtodo del coste mnimo.
Solucin:
Como la disponibilidad total es de 150 y la demanda total de 130, el problema no es equilibrado. Para
equilibrarlo, introducimos un destino ficticio (Columna F) con demanda 150-130=20 y costes nulos en
las posiciones de su columna. Tenemos, entonces, la tabla:
54
1
A
B
C
D
Dem
Disp
40
60
30
45
25
50
30
20
a) El MEN comienza tomando la posicin de la tabla situada ms al noroeste, (A,1) y situando en ella
el mximo nmero posible de unidades, que ser el mnimo entre la disponibilidad del origen A y
la demanda del destino 1. En este caso XA1 = min (45,40) = 40. A continuacin, se reducen, en
ese valor asignado, la disponibilidad de A y la demanda de 1. Se obtine a s la tabla:
1
A
40
B
C
D
Dem
Disp
60
30
5
25
50
30
20
De la que se elimina la fila y/o columna que quede satisfecha. En este caso, la columna 1 pasa a
tener demanda 0, as que la eliminamos, teniendo ahora la tabla reducida y con bordes
(disponibilidades y demandas) revisados,
2
A
B
C
D
Dem
60
Disp
30
5
25
50
30
20
55
Repetimos el procedimiento con esta tabla. Ahora, la esquina noroeste corresponde a la (A,2). El
nmero de unidades que asignamos a esta posicin es XA2 = min(5,60) = 5. Una vez reducidas la
disponibilidad de A y la demanda de 2, se obtine:
2
A
B
C
D
Dem
Disp
55
30
0
25
50
30
20
2
B
25
C
D
Dem
Disp
30
30
0
50
30
20
1
A
40
B
C
D
Dem
Disp
25
30
20
10
60
30
20
45
25
50
30
20
56
Esta solucin es no degenrada, ya que el nmero de posiciones bsicas es 7 igual al nmero mximo
posible que es m+n-1=4+4-1=7, donde m=nmero de filas y n=nmero de columnas de la tabla de
transporte equilibrada, de posiciones bsicas que puede tener una solucin bsica factible. El coste
asociado a esta solucin es:
C = (40*8)+(5*9)+(25*7)+(30*5)+(20*7)+(10*5)+(20*0) = 880
b) El mtodo de Vogel comienza determinando las penalizaciones de fila (Pfi) y columna (PCj),
obtenidas como el valor absoluto de la diferencia entre los dos costes menores de cada fila y cada
columna, respectivamente. Situamos estos valores a la derecha y en la parte inferior de la tabla,
obteniendo la tabla ampliada.
1
A
B
C
D
Dem
PCj
40
2
60
2
30
1
Disp
Pfi
45
6*
25
50
30
20
0
A continuacin, consideramos la mayor penalizacin entre las filas y columnas, que es 6 (marcada
con un asterisco) y corresponde a la fila A. Elegimos la posicin de menor coste en esa fila, que es la
(A,F), y situamos en ella el mayor nmero posible de unidades dado por XAF = min (45,20) = 20.
Reduciendo la disponibilidad de la fila A y la demanda de la columna F en ese valor, tenemos la tabla:
1
A
B
C
D
Dem
60
30
20
Disp
0
25
25
50
30
57
Eliminamos la fila t/o columna que haya quedado satisfecha, que en este caso es la columna F, y
repetimos el proceso con la tabla reducida y sus bordes revisados. Las penalizaciones son ahora:
1
A
B
C
D
Dem
PCj
40
2
60
2*
Disp
Pfi
25
25
50
30
30
1
1
A
Disp
Dem
40
50
10
25
25
0
30
30
1
A
B
D
Dem
PCj
40
2
10
1
30
Disp
Pfi
25
25
30
2*
30
1
58
Tomamos con mayor penalizacin la correspondiente a la fila D, pues hay empates. En ella, la
posicin de menor coste es (D,3). Hacemos XD3 = min (30,30) = 30 y reducimos la disponibilidad de
D y la demanda de 3 en ese valor. Esto nos lleva a eliminar simultneamente la fila D y la columna 3,
indicacin de degeneracin en la solucin inicial. Continuando con el procedimiento llegamos a la
solucin bsica factible.
1
A
B
15
25
D
Dem
10
50
Disp
60
30
30
5
25
50
30
20
Que es degenerada, ya que tiene 6 posiciones bsicas, una menos que el mximo que es 7. El coste
asociado es
C = 15*8 + 10*9 + 20*0 + 25*5 +50*5 + 30*5 = 735
1
A
B
C
D
Dem
40
Disp
60
30
45
25
50
30
20
59
1
A
B
C
D
Dem
20
Disp
40
60
30
A
B
40
Disp
30
Dem
60
40
Dem
25
50
30
25
25
50
30
Disp
60
25
25
25
10
30
30
60
2
A
B
C
D
Dem
2
8
25
5
40
D
Dem
30
40
Disp
60
25
25
10
30
3
9
7
10
25
60
F
6
25
20
Disp
0
30
45
25
50
30
20