PROBLEMA DE ASIGNACION

En general, el mtodo Simplex para problemas de transporte es poco eficiente para resolver
problemas de asignacin, especialmente en problemas de gran tamao. Por ello, para
resolver problemas de asignacin (minimizacin) se emplea normalmente el Mtodo
Hngaro o. La principal ventaja es que el mtodo hngaro es considerablemente ms
simple que el mtodo Simplex del problema de transporte. Para aplicar el mtodo se deben
seguir los siguientes pasos:
Paso 1 Determine el menor elemento en cada fila de la matriz de costos (m m). Construya
una nueva matriz restando a cada costo el costo menor de esa fila. A continuacin
determine el costo mnimo en cada columna de la matriz resultante. Construya una nueva
matriz (matriz de costos reducidos) restando a cada costo el menor costo de esa columna.
Paso 2 Trace el nmero o mnimo de lneas (horizontales o verticales) que son necesarias
para cubrir todos los ceros de la matriz reducida. Si se requieren m lneas, los ceros de la
matriz reducida indican la asignacin ptima. Si se requieren menos de m lneas, siga al
Paso 3.
Paso 3 Determine el menor costo de la matriz reducida que no est tarjado por las lneas
del Paso 2. Sea dicho costo k. Luego, reste a todos los coeficientes no tarjados el valor k y
sume a todos los coeficientes tarjados por dos lneas el valor k. Vuelva al Paso 1.
El mtodo Hngaro resuelve un problema de minimizacin a partir de una matriz de costos
cuadrada. Sin embargo, haciendo algunas modificaciones puede ser ms verstil:

Para resolver un problema de asignacin cuyo objetivo es maximizar la funcin

objetivo, multiplique la matriz de costos por 1 y resuelva el problema de
minimizacin.
Si el nmero de filas y columnas en la matriz de costos no son iguales, el problema
de asignacin no est balanceado. Similarmente al problema de transporte,
balancee la matriz agregando filas o columnas artificiales segn corresponda. Los
costos de las filas o columnas artificiales deben ser idnticos para todas las
combinaciones de forma de no generar preferencias.
Si se puede hacer una asignacin ms de una vez, repita la fila o columna segn
corresponda cuantas veces sea necesario. Balancee el problema.
Ejemplo 1 Una fbrica dispone de cuatro obreros para completar cuatro trabajos. Cada
obrero solo puede hacer uno de los trabajos. El tiempo que requiere cada obrero para
completar cada trabajo se entrega en el Cuadro 1.1.
La fbrica desea minimizar el tiempo total dedicado a los cuatro trabajos. Formule y resuelva
un modelo que determine la mejor asignacin de los obreros
En primer lugar debemos definir las variables de decisin necesarias para representar las
posibles alternativas de asignacin. Evidentemente, de acuerdo a la naturaleza del
problema conviene emplear variables binarias.
Sea: xij = asignacin de obrero i a trabajo j (1.1)
La variable binaria xij valdr 1 si se asigna al obrero i al trabajo j y 0 en caso contrario. Por
lo tanto, la formulacin del problema queda:

Min 4=1 =1

s.t
=4
= 1 ( = 1 4) ( )
=1

=4
= 1 ( = 1 4) ( )
=1

= {0,1} ( = 1 4); = 1 4) ( )

Donde representa el costo (tiempo) de la asignacin del obrero i al trabajo j. Las

restricciones de trabajos obligan a que todo trabajo deba ser asignado a un obrero. Las
restricciones de obreros imponen que slo puede ser asignado un trabajo a cada obrero.
A continuacin se resuelve el problema del ejemplo mediante el Mtodo Hngaro. En primer
lugar se busca el mnimo por filas en la matriz de costos.

Mnimo por fila

14 5 8 7 5
2 12 6 5 2
7 8 3 9 3
2 4 6 10 2

Luego se resta el valor determinado en cada fila y se busca el mnimo por columna:

9 0 3 2
0 10 4 3
4 5 0 6
0 2 4 8
Mnimo por columna 0 0 0 2

Se resta el menor costo por columna y se trazan el menor nmero de lneas que cubran
todos los ceros de la matriz de costos reducida:
 9 0 3 0
0 10 4 1
4 5 0 4
0 2 4 6

Luego, de los coeficientes no tarjados el menor es 1. Restamos a todos los no tarjados 1 y

sumamos 1 a los tarjados dos veces. Volvemos a trazar el nmero mnimo de lneas que
cubran todos los ceros.

10 0 3 0
0 9 3 0
5 5 0 4
0 1 3 5

Como el nmero de lneas trazadas es igual a la dimensin de la matriz se ha encontrado

el ptimo. Para interpretar la asignacin debemos buscar aquellas filas y columnas que
posean un nico cero. Por ejemplo, la fila y columna 3 posee un nico 0, luego x33 = 1.
Por otro lado, la segunda columna posee un nico cero en la primera fila, luego x12 = 1.

10 0 3 0
0 9 3 0
5 5 0 4
0 1 3 5
Luego, el cero de la primera fila y cuarta columna puede ser descartado pues ya existe una
asignacin obligatoria en la primera fila. De esta forma, el nico cero restante en la cuarta
columna es el de la segunda fila, por lo tanto x24 = 1

10 0 3 0
0 9 3 0
5 5 0 4
0 1 3 5

A continuacin se puede descartar el cero de la segunda fila y la primera columna pues ya

existe una asignacin obligatoria en esa fila. Finalmente, en la primera columna y cuarta fila
slo queda un cero, luego x41 = 1.

10 0 3 0
0 9 3 0
5 5 0 4
0 1 3 5
Por lo tanto, se asigna el obrero 1 al trabajo 2, el 2 al 4, el 3 al 3 y el 4 al 1, incurriendo en
un tiempo total de 5 + 5 + 3 + 2 = 15 horas
2. PROBLEMA DE TRANSPORTE
Es un mtodo de programacin lineal para la asignacin de artculos de un conjunto de
origines a un conjunto de destinos de tal manera que se optimice la funcin objetivo. Esta
tcnica es particularmente usada en organizaciones que producen el mismo producto en
numerosas plantas y que enva sus productos a diferentes destinos (Centros de
distribucin, almacenes). Tambin se aplica en distribucin, anlisis de localizacin de
plantas y programacin de la produccin. Se han desarrollado diferentes enfoques para
resolver este problema de distribucin, tales como:
Para este tipo de problemas las variables de decisin son la cantidad de productos que se
envan del origen i al destino j, lo cual denotamos por xij. Los costos unitarios por transportar
un producto del i-simo origen al j-simo destino se denotan como cij. Entonces, la funcin
objetivo asociada al problema de transporte representa el costo total de transporte. La
funcin objetivo se obtiene de la suma de todos los productos del costo unitario por el
nmero de bienes enviados desde cada origen a cada destino, es decir:
La funcin objetivo se obtiene de la suma de todos los productos del costo unitario por el
nmero de bienes enviados desde cada origen a cada destino, es decir:

=
=1 =1

Sujeto a:

= = 1,2, , () .
=1

= = 1,2, , () .
=1

Para este modelo se supone que existe el equilibrio entre la oferta y la demanda, es decir,
que se cumple la igualdad:

=
=1 =1

Si no se cumple esta igualdad, se anexa un origen o destino artificial, segn sea el caso,
donde se producir o recibir, segn corresponda el exceso de productos, ya sea para la
oferta en el primer caso o para la demanda en el segundo. Tambin est presente en este
modelo la condicin de no negatividad, expresada como a continuacin se presenta:
= 1,2, ; = 1,2 ,
Este modelo tiene como objetivo minimizar el costo total de transportar los productos desde
cada origen a cada destino, satisfaciendo la demanda en todo momento. De manera
esquemtica, el problema de transporte se puede representar como en la figura.

Representacin esquemtica del problema de transporte

2.1 Procedimiento general del problema de transporte

Paso 1: Consiste en encontrar un plan de transporte inicial con m+n-1 celdas

asignadas, utilizando la esquina noroeste, costo mnimo o mtodo de aproximacin
de Vogel.
Paso 2: Prueba de optimalidad.
Paso 3: Traslado: cuando una solucin no es ptima, se debe encontrar un nuevo
plan a partir de las celdas vacas cuyo costo reducido sea el ms negativo

Un modelo de transporte general con orgenes y destinos tiene + ecuaciones de

restriccin, una por cada origen y cada destino. Sin embargo, como el modelo de transporte
siempre est balanceado (suma de la oferta 5 suma de la demanda) una de las ecuaciones
es redundante, por lo que el modelo se reduce a + 1 ecuaciones independientes y
+ 1 variables bsicas.

2.1.1 Determinacin de la solucin inicial

La estructura especial del problema de transporte permite asegurar una solucin bsica
inicial no artificial siguiendo uno de los tres mtodos:

1. Mtodo de la esquina noroeste

2. Mtodo del costo mnimo
3. Mtodo de aproximacin de Vogel
Mtodo de la esquina noroeste. El mtodo se inicia en la celda de la esquina noroeste (ruta)
de la tabla (variable 11 ).

Paso 1. Asigne lo ms posible a la celda seleccionada, y ajuste las cantidades asociadas

de oferta y demanda restando la cantidad asignada.
Paso 2. Tache la columna o fila con oferta o demanda cero para indicar que no se hagan
ms asignaciones en esa fila o columna. Si una fila y una columna dan cero al mismo
tiempo, tache slo una, y deje una oferta (demanda) cero en la fila (columna) no tachada.
Paso 3. Si se deja sin tachar exactamente una fila o columna, detngase. De lo contrario,
muvase a la celda a la derecha si acaba de tachar una columna, o abajo si acaba de tachar
una fila. Vaya al paso 1.

Mtodo del costo mnimo. El mtodo del costo mnimo determina una mejor solucin inicial
al concentrarse en las rutas ms econmicas. Asigna lo ms posible a la celda con el costo
unitario mnimo (los empates se rompen arbitrariamente). Luego se tacha la fila o columna
satisfecha y se ajustan las cantidades de oferta y demanda como corresponda. Si una fila
o una columna se satisfacen al mismo tiempo, slo se tacha una, igual que en el mtodo
de la esquina noroeste. A continuacin, seleccione la celda no tachada con el costo unitario
mnimo y repita el proceso hasta que se deje sin tachar exactamente una fila o columna.

Mtodo de aproximacin de Vogel (MAV). Este mtodo es una versin mejorada del mtodo
del costo mnimo que, por lo general, pero no siempre, produce mejores soluciones
iniciales.

Paso 1. Para cada fila (columna) determine una medida de penalizacin restando el
elemento de costo unitario mnimo en la fila (columna) del siguiente elemento de costo
mnimo en la misma fila (columna).
Paso 2. Identifique la fila o columna con la penalizacin mxima, que rompa los empates
arbitrariamente. Asigne lo ms posible a la variable con el costo unitario mnimo en la fila o
columna seleccionada. Ajuste la oferta y la demanda, y tache la fila o columna satisfecha.
Si una fila y una columna se satisfacen al mismo tiempo, slo se tacha una de las dos, y a
la fila restante (columna) se le asigna una oferta (demanda) cero.
Paso 3.
(a) Si exactamente una fila o columna con oferta o demanda cero permanece sin tachar,
detngase.
(b) Si una fila (columna) con oferta (demanda) positiva permanece sin tachar, determine las
variables bsicas en la fila (columna) mediante el mtodo del costo mnimo. Detngase.
(c) Si todas las filas y columnas no tachadas tienen oferta y demanda cero (restantes),
determine las variables bsicas cero por el mtodo del costo mnimo. Detngase.
(d) De lo contrario, vaya al paso 1.

2.1.2 Prueba de Optimalidad

Esta prueba consiste en identificar la posibilidad de crear un nuevo plan de transporte
enviando una unidad de una celda vaca actualmente e incurrir en el menor costo total.

Calcular los costos reducidos para las celdas vacas. El costo reducido
representa la cantidad en la cual cambia el costo total al enviar una unidad por
 una celda vaca. Un valor positivo indica un incremento en el costo total; un valor
negativo indica una disminucin del costo y, por tanto, una mejora del plan.
Verificar los costos reducidos. El plan actual es ptimo nicamente cuando todos
los costos reducidos sean positivos.3
2.1.3 Solucin Optima
Una solucin ptima es aquella en la cual

Cada valor es entero no negativo

Los valores de cada fila se suman para verificar la equivalencia con la oferta
de cada origen
Los valores de los de cada columna se suman para verificar la equivalencia
con la demanda de cada origen3

.
Artculos de la base de datos de la Universidad del Atlntico relacionados con
la Investigacin de Operaciones.
Primer artculo:
Ttulo:
Size-exclusion chromatography (HPLC-SEC) technique optimization by simplex method to
estimate molecular weight distribution of agave fructans

Autores:
Lorena Moreno Vilet, Stphane Bostyn , Jose Luis Flores Montao , Rosa Mara Camacho Ruiz

Fecha de publicacin:
7 de junio de 2017
Abstract
Agave fructans are increasingly important in food industry and nutrition sciences as a
potential ingredient of functional food, thus practical analysis tools to characterize them are
needed. In view of the importance of the molecular weight on the functional properties of
agave fructans, this study has the purpose to optimize a method to determine their molecular
weight distribution by HPLC-SEC for industrial application. The optimization was carried out
using a simplex method. The optimum conditions obtained were at column temperature of
61.7 C using tri-distilled water without salt, adjusted pH of 5.4 and a flow rate of 0.36 mL/min.
The exclusion range is from 1 to 49 of polymerization degree (1807966 Da). This proposed
method represents an accurate and fast alternative to standard methods involving
multipledetection or hydrolysis of fructans. The industrial applications of this technique might
be for quality control, study of fractionation processes and determination of purity.
Link:
http://dbvirtual.uniatlantico.edu.co:2060/science/article/pii/S0308814617310026#bi005

Segundo artculo

Ttulo: A multi-period sourcesink mixed integer linear programming model for biochar-
based carbon sequestration systems

Autores: Raymond R.Tan

Fecha de publicacin: 17 agosto 2016
Abstract:
Biochar-based systems are a potentially effective means of large-scale carbon
sequestration. Such systems rely on carbonization of biomass into biochar, which can then
be added to soil for the dual purpose of sequestering carbon and improving fertility. When
properly deployed, these systems can potentially achieve negative emissions through the
net transfer of carbon from the atmosphere into the ground. In this work, an optimization
model is developed to determine the allocation of biochar streams of different quality levels
to various biochar sinks, which are farms whose tolerance to impurities present in biochar
are known a priori. The optimization model determines sourcesink allocation of biochar so
as to minimize total system carbon footprint, while ensuring that soil quality parameters for
each sink are not exceeded. An illustrative case study is solved to demonstrate the use of
the model.
Link:
http://dbvirtual.uniatlantico.edu.co:2060/science/article/pii/S2352550916300173