IO-Modelo de Transporte y Asignacion

Tema 6
El problema de transporte y el
problema de asignacion
En este tema se presentan algoritmos para resolver dos problemas lineales parti-
culares: el problema de transporte y el problema de asignacion.
6.1 El problema de transporte

El problema de transporte es una de las primeras aplicaciones importantes de
la programacion lineal. Se puede representar con un modelo lineal y utilizar el
metodo simplex para resolverlo. Sin embargo, dada la estructura especial de este
modelo lineal, se puede construir un metodo mas eficaz para su resolucion. En
este tema nos ocuparemos del estudio de este metodo.
El problema de transporte trata de enviar unidades de un producto desde m
orgenes, O1 , . . . , Om , a n destinos, D1 , . . . , Dn , en las siguientes condiciones.
Cada origen Oi , i = 1, . . . , m, dispone de una oferta ai .
Cada destino Dj , j = 1, . . . , n, realiza una demanda bj .
cij , i = 1, . . . , m, j = 1, . . . , n, es el coste de enviar una unidad desde el

origen Oi al destino Dj .
El problema es determinar el numero de unidades xij que se deben enviar
desde cada origen Oi hasta cada destino Dj para realizar el transporte a coste
mnimo, teniendo en cuenta que hay que satisfacer las restricciones de oferta y
demanda.
167
168 Tema 6. El problema de transporte y el problema de asignacion
La formulacion lineal de este problema es la siguiente:
m X
X n
min z = cij xij
i=1 j=1
sujeto a
n
X
xij ai , i = 1, . . . , m
j=1
Xm
xij bj , j = 1, . . . , n
i=1
xij 0, i = 1, . . . , m, j = 1, . . . , n
Las primeras m restricciones estan asociadas a las ofertas de los orgenes, que
no se deben sobrepasar. Las n siguientes restricciones aseguran que se deben
satisfacer las demandas de los destinos. Las variables no pueden tomar valores
negativos, ya que representan cantidades de producto que se transportan.
La forma estandar del problema de transporte es la siguiente:
m X
X n
min z = cij xij
i=1 j=1
sujeto a
n
X
xij = ai , i = 1, . . . , m
j=1
Xm
xij = bj , j = 1, . . . , n
i=1
xij 0, i = 1, . . . , m, j = 1, . . . , n
Ejemplo. Supongamos que una empresa productora de barras de pan tiene

dos almacenes A1 y A2 desde los cuales debe enviar pan a tres panaderas P1 , P2
y P3 . Las ofertas, las demandas y los costes de envo se dan en el siguiente grafo.
OpenCourseWare, UPV/EHU
6.1. El problema de transporte 169
P1 1500
8
2000 A1 6
10
P2 2000
10 4
2500 A2
9
P3 1000
Para plantear un modelo lineal que represente el problema definimos

xij : cantidad de barras de pan que se envan desde cada origen Ai , i = 1, 2, a
cada destino Pj , j = 1, 2, 3.
El modelo lineal para este problema es el siguiente:
min z = 8x11 +6x12 +10x13 +10x21 +4x22 +9x23
sujeto a
x11 +x12 +x13 = 2000

x21 +x22 +x23 = 2500
x11 +x21 = 1500
x12 +x22 = 2000
x13 +x23 = 1000
x11 , x12 , x13 , x21 , x22 , x23 0

En este caso las restricciones se pueden escribir con igualdad porque la suma
de ofertas es igual a la suma de demandas.
Para observar la estructura de la matriz A escribimos el modelo de la siguiente
forma:
Investigacion Operativa. Programacion Lineal


x11

x12

x13

min z = (8, 6, 10, 10, 4, 9)
x21

x22

x23
sujeto a

x11
1 1 1 0 0 0 2000
x12

0 0 0 1 1 1 2500

x13

=
1 0 0 1 0 0 1500

x21

0 1 0 0 1 0 2000

x22

0 0 1 0 0 1 1000
x23
xij 0, i = 1, 2, j = 1, 2, 3
En este ejemplo hay 2 orgenes, m = 2, y 3 destinos, n = 3. La matriz A
tiene 2 + 3 filas y 2 3 columnas. Se puede comprobar que el rango de la matriz
es 4.
Por otra parte, todos los vectores columna tienen solamente 2 componentes
iguales a 1 y las demas son 0. Si denotamos los vectores columna de la matriz A
con dos subndices, es decir, a11 , a12 , a13 , a21 , a22 , a23 , podemos observar en que
posiciones aparece un 1 y en que posiciones aparece un 0. Por ejemplo, el vector
a11 tiene un 1 en la primera posicion y otro 1 en la posicion m + 1; el vector
a21 tiene un 1 en las posiciones 2 y en la m + 1; el vector a23 tiene un 1 en las
posiciones 2 y m + 3. En general, podemos decir que un vector aij de la matriz
A tiene un 1 en las posiciones i y m + j. 2
En general, la matriz A y su estructura dependen del numero de origenes y
destinos. Cualquier problema de transporte de m orgenes y n destinos tiene la
misma matriz A. Esta matriz tiene m + n filas y m n columnas. El rango de
6.2. Forma matricial 171
A es m + n 1, es decir, las bases estan formadas por m + n 1 vectores. Los

vectores columna de la matriz A tienen solamente 2 componentes con valor 1 y
el resto son 0. Para un vector aij de la matriz A los unos estan en las posiciones
i y m + j. Por tanto, los datos importantes de un problema de transporte son el
numero de orgenes, el numero de destinos, las ofertas, las demandas y los costes
de transporte. Esta informacion es la que se recoge en la que llamaremos forma
matricial para el problema de transporte.
6.2 Forma matricial

Una manera de representar el problema de transporte es la llamada forma matricial
que es mas adecuada para este problema. La forma matricial tambien llamada
tabla de costes aparece en la Figura 6.1. En la tabla aparecen las ofertas, las
demandas y los costes de transporte.
D1 D2 Dn Oferta
O1 c11 c12 c1n a1

O2 c21 c22 c2n a2
.. .. .. .. .. ..
. . . . . .
Om cm1 cm2 cmn am
Demanda b1 b2 bn
Figura 6.1: Forma matricial para el problema del transporte o tabla del costes
Ejemplo. La forma matricial para el ejemplo de la pagina 168 es la siguiente:
P1 P2 P3 Oferta
A1 8 6 10 2000
A2 10 4 9 2500
Demanda 1500 2000 1000

2

6.3 Ejemplos practicos

Ejemplo 1. Una empresa debe planificar la produccion de un artculo para los 4
trimestres del proximo ano. Puede estimar la demanda en las siguientes unidades:
200, 150, 200 y 100 en cada uno de los trimestres. La capacidad de produccion
esta limitada a 150 unidades en cada trimestre. Las demandas de un trimestre no
se pueden satisfacer en trimestres posteriores. El coste unitario de produccion es
de 2 unidades, pero en el caso de que haya almacenamiento se incrementa en 0.5
unidades en cada periodo por cada unidad almacenada.
Consideramos que tanto los orgenes como los destinos son los 4 trimestres.
Definimos xij , i = 1, . . . , 4, j = 1, . . . , 4, como el numero de unidades que
deben producirse en el trimestre i para satisfacer la demanda del trimestre j.
Oferta de los origenes: 150, 150, 150, 150.
Demanda de los destinos: 200, 150, 200, 100.
El coste de produccion cij = 2 si i = j, i, j = 1, . . . , 4.
El coste cij = coste de produccion + coste de almacenamiento si i < j.

Por ejemplo c12 = 2.5, c13 = 3. De la misma forma se calculan el resto de
costes.
Si i > j asignamos a cij un valor M suficientemente grande para evitar que

xij sea basica.
La forma matricial cuyo objetivo es minimizar es la siguiente:
1 2 3 4 Oferta
1 2 2.5 3 3.5 150

2 M 2 2.5 3 150
3 M M 2 2.5 150
4 M M M 2 150
Demanda 200 150 200 100
6.3. Ejemplos practicos 173
Ejemplo 2. Una empresa produce un unico artculo en tres plantas, A1 , A2

y A3 . La capacidad de produccion mensual de la empresa esta limitada a 1500
unidades mensuales en cada una de las plantas. La empresa tiene cuatro clientes
mayoristas cuyas demandas mensuales son 1000, 1200, 1500 y 1000 unidades
respectivamente.
El beneficio unitario que le proporciona su producto, considerados los costes
de produccion y el precio de venta, es de 110 unidades. Los costes de envo a los
4 clientes mayoristas que la empresa tiene vienen dados por la siguiente tabla.
1 2 3 4
A1 30 10 25 20
A2 15 25 30 10
A3 20 30 15 20
El objetivo de la empresa es organizar la produccion en cada uno de los meses

para obtener el maximo beneficio.
Ofertas: 1500, 1500, 1500.
Demandas: 1000, 1200, 1500, 1000.
Los valores cij , i = 1, 2, 3, j = 1, 2, 3, 4 de la siguiente tabla son los
beneficios de producir una unidad en la planta Ai y enviarlo al cliente j
para su venta. Por ejemplo,
c11 = 110 30 = 80, c12 = 110 10 = 100, c33 = 110 15 = 95.
El resto de beneficios se calculan de forma similar.
La forma matricial para este problema cuyo objetivo es maximizar es la siguiente:
1 2 3 4 Oferta
A1 80 100 85 90 1500
A2 95 85 80 100 1500
A3 90 80 95 90 1500
Demanda 1000 1200 1500 1000

2

6.4 Teoremas y definiciones

Para adecuar el metodo simplex a la busqueda de una solucion optima para el
problema de transporte, veamos los teoremas que verifican las soluciones de un
problema de este tipo.
Teorema 6.4.1 Para que el problema de transporte tenga solucion es condicion
necesaria y suficiente que la oferta total sea igual a la demanda total.
Demostracion. De la forma estandar del problema se tiene que la oferta de
cada origen verifica la restriccion
n
X
xij = ai , i = 1, . . . , m.
j=1
Sumando las ofertas de todos los orgenes, la oferta total es

m X
X n m
X
xij = ai . (6.1)
i=1 j=1 i=1
Por otra parte, las demandas de los destinos verifican las restricciones
m
X
xij = bj , j = 1, . . . , n.
i=1
La demanda total es n X
m n
X X
xij = bj . (6.2)
j=1 i=1 j=1
Los miembros izquierdos de las formulas (6.1) y (6.2) son iguales. Por tanto,
dichas formulas se verifican si y solo si
m
X n
X
ai = bj .
i=1 j=1
2
En el teorema anterior se demuestra que para que un problema de transporte
tenga solucion la oferta total debe ser igual a la demanda total. Sin embargo,
esta condicion no se verifica en todos los problemas. En los casos en los que
dicha condicion no se verifica es necesario adecuar el problema y posteriormente
interpretar la solucion obtenida.
6.4. Teoremas y definiciones 175
Definicion 6.4.1 (Problema equilibrado.) Se dice que un problema de transporte

Xm n
X
es equilibrado si ai = bj .
i=1 j=1
El primer paso para obtener una solucion para el problema de transporte es

equilibrar el problema. Se pueden dar dos casos.
m
X n
X
Caso 1. La oferta total es menor que la demanda total: ai < bj .
i=1 j=1
En ese caso se crea un origen ficticio, Om+1 , con una oferta ficticia, am+1 ,
tal que
X n m
X
am+1 = bj ai ,
j=1 i=1
y costes de transporte
cm+1,j = 0, j = 1, . . . , n.
Dado que la oferta am+1 del origen ficticio Om+1 no es real, aquellos desti-
nos que en una solucion reciben unidades de producto desde el origen fic-
ticio no son satisfechos en la realidad. En algunos casos practicos pueden
asignarse valores distintos de cero a los costes cm+1,j , j = 1, . . . , n, para
expresar, por ejemplo, penalizacion por no satisfacer la demanda.
Ejemplo. Considerar el siguiente problema de transporte.
1 2 3 Oferta
1 2 4 3 10
2 6 1 4 20
Demanda 20 20 20
Oferta total = 10 + 20 = 30.

Demanda total = 20 + 20 + 20 = 60.

La oferta total es menor que la demanda total. Para equilibrar el problema

se crea un origen ficticio 3 cuya oferta es a3 = 60 30 = 30 y los costes
c31 = c32 = c33 = 0.
El problema de transporte equilibrado es el siguiente:
1 2 3 Oferta
1 2 4 3 10
2 6 1 4 20
3 0 0 0 30
Demanda 20 20 20
m
X n
X
Caso 2. La demanda total es menor que la oferta total: ai > bj .
i=1 j=1
En este caso se crea un destino ficticio Dn+1 con una demanda ficticia bn+1
tal que
m
X n
X
bn+1 = ai bj ,
i=1 j=1
y costes de transporte
ci,n+1 = 0, i = 1, . . . , m.
La demanda del destino ficticio es la diferencia entre la oferta total y la de-

manda total. El transporte de unidades desde cualquier origen al destino ficticio
tiene coste cero porque es un transporte que en la practica no se realiza. En al-
gunos casos se pueden tener costes distintos de cero que pueden indicar, por ejem-
plo, el coste de almacenamiento de aquellas unidades que no son transportadas.
6.4. Teoremas y definiciones 177
Ejemplo. Considerar el siguiente problema de transporte.
1 2 3 Oferta
1 3 2 1 50
2 6 4 4 50
Demanda 20 20 20
Oferta total = 50 + 50 = 100.
Demanda total = 20 + 20 + 20 = 60.
La oferta total es mayor que la demanda total. Para equilibrar el problema se

crea un destino ficticio 4 cuya demanda es b4 = 100 60 = 40 y los costes
c14 = c24 = 0.
El problema de transporte equilibrado es el siguiente:
1 2 3 4 Oferta
1 3 2 1 0 50
2 6 4 4 0 50
Demanda 20 20 20 40
2
Teorema 6.4.2 Un problema de transporte equilibrado siempre tiene una solucion
factible.
Demostracion. Supongamos que tenemos un modelo en forma estandar para
un problema de transporte equilibrado. Del Teorema 6.4.1 conclumos que el
problema tiene solucion. Demostraremos ahora que existe una solucion factible.
Sea m n
X X
T = ai = bj .
i=1 j=1
Se puede comprobar que

ai bj
xij = , i = 1, . . . , m, j = 1, . . . , n
T

es solucion, es decir, verifica las restricciones. Ademas, es factible, porque se

cumple que
xij 0, i = 1, . . . , m, j = 1, . . . , n.
2
Teorema 6.4.3 Todo problema de transporte equilibrado tiene una solucion factible
basica. Esta solucion tiene m + n 1 variables positivas como maximo.
El la siguiente seccion se dan dos metodos para obtener una solucion factible
basica para un problema de transporte: el Metodo de la esquina noroeste y el
Metodo de Vogel.
6.5 Solucion factible basica inicial

Para calcular una solucion para el problema del transporte, utilizaremos una tabla,
de las mismas dimensiones que la tabla de costes, a la que llamaremos tabla de
flujos (ver Figura 6.2). En esta tabla colocaremos los flujos de transporte, es decir,
las cantidades de producto transportadas desde cada origen hasta cada destino.
D1 D2 Dn Oferta
O1 x11 x12 x1n a1

O2 x21 x22 x2n a2
.. .. .. .. .. ..
. . . . . .
Om xm1 xm2 xmn am
Demanda b1 b2 bn
Figura 6.2: Tabla de flujos del problema de transporte
6.5.1 El metodo de la esquina noroeste

Dado un problema equilibrado, se obtiene una solucion factible basica inicial con
los siguientes pasos.
6.5. Solucion factible basica inicial 179
Paso 1. Elegir la esquina noroeste (i, j) de la tabla de flujos (inicialmente

i = 1, j = 1).
Paso 2. Asignar el mayor flujo posible de transporte, xij , en esa posicion.

Es decir,
xij = min{ai , bj }.
Actualizar la oferta ai y la demanda bj .
Si el mnimo es ai , la oferta del origen Oi se actualiza a cero y se

prescinde de la fila i para asignaciones posteriores. Se actualiza la
demanda a bj ai .
Si el mnimo es bj , la demanda del destino Dj se actualiza a cero y se
prescinde de la columna j en las asignaciones siguientes. Se actualiza
la oferta a ai bj .
Si ai y bj tienen el mismo valor, se actualizan la oferta y la demanda
a cero al mismo tiempo. Se prescinde de la fila i y de la columna j en
asignaciones posteriores.
Paso 3. Se pueden dar dos casos:
Si queda solo una fila o solo una columna, se asignan todas las unidades
que estan sin asignar. Parar.
En otro caso, ir al Paso 1.
Ejemplo. Consideramos el problema equilibrado de la pagina 171
P1 P2 P3 Oferta
A1 8 6 10 2000
A2 10 4 9 2500
Demanda 1500 2000 1000
Oferta = 2000 + 2500 = 1500 + 2000 + 1000 = Demanda.

Primera iteracion.
Paso 1. Elegimos la esquina noroeste: fila 1 y columna 1.

P1 P2 P3 Oferta
A1 * 2000
A2 2500
Demanda 1500 2000 1000
Paso 2. En esa posicion asignar el maximo flujo de transporte
x11 = min {2000, 1500} = 1500.
Nueva oferta del origen A1 : 2000 x11 = 500.

Nueva demanda del destino P1 : 1500 x11 = 0.
La demanda del destino P1 ha quedado satisfecha. Sombreamos la columna
1 y no la tenemos en cuenta en calculos posteriores. La tabla de flujos de
transporte es
P1 P2 P3 Oferta
A1 2000
1500 500
A2 2500
Demanda 1500 2000 1000
Paso 3. Queda mas de una fila y de una columna sin sombrear en la tabla.
Ir al Paso 1.
Segunda iteracion.
Procedemos como en la iteracion anterior eligiendo la esquina noroeste de la
tabla, fila 1 y columna 2. Asignamos
x12 = min {500, 2000} = 500.
Se actualizan la oferta y la demanda: a1 = 500 x12 = 0 y b2 = 2000 500 =

1500.
Obtenemos la nueva tabla de flujos. La oferta del origen A1 se ha agotado,

sombreamos la fila 1 y no se toma en cuenta en calculos posteriores.
P1 P2 P3 Oferta
A1 2000
1500 500
500
A2 2500
2000
Demanda 1500 1500 1000
Ahora solo queda un origen; asignamos todas las unidades que estan sin asig-
nar: x22 = 1500 y x23 = 1000.
P1 P2 P3 Oferta
A1 1500 500 2000
A2 1500 1000 2500
Demanda 1500 2000 1000
Esta solucion inicial es factible y basica. La solucion tiene m + n 1 =

2 + 3 1 = 4 variables mayores que cero.
Solucion:
x11 = 1500, x12 = 500, x13 = 0, x21 = 0, x22 = 1500, x23 = 1000.
Coste de transporte:
z = (8 1500) + (6 500) + (4 1500) + (9 1000) = 30000.
2
El metodo de la esquina noroeste es un metodo sencillo para el calculo de
una solucion factible basica inicial para el problema de transporte. Este metodo
no toma en cuenta la tabla de costes para calcular una solucion. Una mejora del
metodo consiste en tomar en cuenta los costes al elegir las posiciones para asignar
los flujos.

6.5.2 Metodo de Vogel

El metodo de la esquina noroeste y el metodo de Vogel se diferencian unicamente
en el paso de seleccion de la variable a asignar. Para la seleccion de dicha variable
se calculan en la tabla de costes las diferencias por filas y por columnas que se
definen de la siguiente manera.
DFi = diferencia en valor absoluto de los 2 costes menores de la fila i.
DCj = diferencia en valor absoluto de los 2 costes menores de la columna

j.
Paso 1. Calcular las diferencias por fila y por columna en la tabla de costes.
Seleccionar la fila o columna de mayor diferencia y en ella la casilla (i, j)
de mnimo coste cij .
Paso 2. En la tabla de flujos, asignar a la variable xij el flujo maximo

posible en la posicion seleccionada
xij = min{ai , bj }.
Actualizar la oferta ai y la demanda bj .
Si el mnimo es ai , actualizar la oferta del origen Oi a cero y prescindir

de la fila i para asignaciones posteriores. Se actualiza la demanda a
bj ai .
Si el mnimo es bj , actualizar la demanda del destino Dj a cero y
prescindir de la columna j en asignaciones posteriores. Se actualiza la
oferta a ai bj .
Si ai y bj tienen el mismo valor, la oferta y la demanda se actualizan
a cero al mismo tiempo. Se prescinde de la fila i y de la columna j en
asignaciones posteriores.
Paso 3. Se pueden dar dos casos:
Si queda solo una fila o solo una columna, se asignan todas las unidades
que estan sin asignar. Parar.
En otro caso, ir al Paso 1.
Ejemplo. Calcular una solucion factible basica para el problema equilibrado

de la pagina 171 utilizando el metodo de Vogel.
Primera iteracion.
Paso 1. Calculamos las diferencias DFi y DCj en la tabla de costes.
Tabla de costes Tabla de flujos

P1 P2 P3 Ofer. DFi P1 P2 P3 Ofer.
A1 8 6 10 2000 2 A1 2000
A2 10 4 9 2500 5 A2 * 2500
Dem. 1500 2000 1000 Dem. 1500 2000 1000

DCj 2 2 1
Elegimos la lnea con mayor diferencia, en este caso la fila 2. El mnimo

coste en dicha fila es c22 = 4.
Paso 2. Asignar el maximo flujo
x22 = min{2000, 2500} = 2000.
Actualizar la oferta y la demanda. Sombreamos la columna 2 porque ha

quedado satisfecha y no hay que tenerla en cuenta en posteriores asigna-
ciones.
Tabla de costes Tabla de fujos

P1 P2 P3 Ofer. P1 P2 P3 Ofer.
A1 8 6 10 2000 A1 2000
A2 10 4 9 2500 A2 2000 500
Dem. 1500 2000 1000 Dem. 1500 0 1000
Paso 3. Quedan mas de una fila y de una columna en la tabla. Ir al Paso 1.

Segunda iteracion.
Se procede como en la iteracion anterior. Calculamos las diferencias por filas
y por columnas. Elegimos la mayor diferencia; en este caso hay empate en la
primera fila y en la primera columna. Elegimos cualquiera de ellas, por ejemplo
la fila 1 y en ella el mnimo coste, c11 = 8. Asignamos el maximo flujo
x11 = min{1500, 2000} = 1500.
Actualizamos las ofertas y las demandas. El destino 1 queda satisfecho y lo eli-

minamos para posteriores asignaciones.
P1 P2 P3 Ofer. DFi P1 P2 P3 Ofer.
A1 8 6 10 2000 2 A1 1500 500
A2 10 4 9 2500 1 A2 2000 500
Dem. 1500 2000 1000 Dem. 0 0 1000

DCj 2 1
Solo queda una columna y, por tanto, hay que asignar todas las cantidades que
todava no se han asignado y se tiene una solucion inicial para el problema.
Tabla de costes Tabla de Flujos
A1 8 6 10 2000 A1 1500 500 2000
A2 10 4 9 2500 A2 2000 500 2500
Dem. 1500 2000 1000 Dem. 1500 2000 1000
Solucion:
x11 = 1500, x12 = 0, x13 = 500, x21 = 0, x22 = 2000, x23 = 500.
z = (8 1500) + (10 500) + (4 2000) + (9 500) = 29500.
Esta solucion es mejor que la obtenida por el metodo de la esquina noroeste porque
tiene un coste menor. 2
6.6. Mejora de una solucion factible basica 185
6.6 Mejora de una solucion factible basica

Dada una solucion factible basica, para mejorarla se utiliza la formulacion dual
asociada al problema de transporte.
Sea el problema del transporte equilibrado
m X
X n
min z = cij xij
i=1 j=1
sujeto a
n
X
xij = ai , i = 1, . . . , m
j=1
m
X
xij = bj , j = 1, . . . , n
i=1
xij 0, i = 1, . . . , m, j = 1, . . . , n
Si denotamos por u1 , . . . , um y v1 , . . . , vn las variables duales, el problema dual
asociado es
m
X n
X
max G = ai ui + bj vj
i=1 j=1
sujeto a
ui + vj cij , i = 1, . . . , m, j = 1, . . . , n
ui , vj : no restringidas, i = 1, . . . , m, j = 1, . . . , n
Ejemplo. Modelo dual asociado al problema de la pagina 169
max G = 2000u1 + 2500u2 + 1500v1 + 2000v2 + 1000v3
sujeto a

u1 +v1 8
u1 +v2 6
u1 +v3 10
u2 +v1 10
u2 +v2 4
u2 +v3 9
ui , vj : no restringidas
2
El algoritmo de transporte es una adaptacion del algoritmo simplex. En este
caso el objetivo es minimizar; obtenida una solucion factible basica inicial, calcu-
lamos otra para la que la funcion objetivo tome un valor mas pequeno. Hay que
realizar un cambio de base eligiendo una variable para entrar en la base y otra para
salir. Esta seleccion se realiza siguiendo los criterios del teorema de mejora.
6.6.1 Variable que entra en la base

En el modelo de transporte se denotan por xij , i = 1, . . . , m, j = 1, . . . , n, las
variables de decision, cij los costes de transporte y aij los vectores de la matriz A
del modelo.
Recordemos que para determinar si una solucion factible basica puede mejo-
rar hay que calcular los valores indicadores asociados a las variables no basicas.
Denotaremos por zij cij el valor indicador asociado a la variable xij .
zij cij = cTB B1 aij cij .
Teniendo en cuenta que cTB B1 es el vector de variables duales,
cTB B1 = (u1 , . . . , um , v1 , . . . , vn ).
Entonces,
zij cij = (u1 , . . . , um, v1 , . . . , vn )aij cij .
El vector aij solo tiene componentes con valor 1 en las posiciones i y m + j. El
resto de componentes son cero. Por tanto,
zij cij = ui + vj cij .
Para calcular los indicadores es necesario conocer los valores de las variables
duales. Estos valores se pueden calcular teniendo en cuenta que zij cij = 0 para
todas las variables xij que son basicas.
En la base hay m + n 1 variables; se tienen m + n 1 ecuaciones del tipo
ui + vj cij = 0 y m + n incognitas, u1 , . . . , um , v1 , . . . , vn . Este es un sistema
con un grado de libertad. Se puede puede calcular una solucion del sistema dando
un valor a una de las incognitas.
Una vez conocidos los valores de las variables duales se pueden calcular todos
los indicadores. Teniendo en cuenta que el objetivo es minimizar, se pueden dar
dos casos.
Si zij cij 0, i = 1, . . . , m, j = 1, . . . , n, entonces la solucion es optima.
Si existe zij cij > 0, la solucion puede ser mejorada. Para mejorarla, entra
en la base la variable asociada al mayor zij cij entre los positivos.
Ejemplo. Consideramos la solucion factible basica obtenida en la pagina 181

por el metodo de la esquina noroeste para el ejemplo.
A1 8 6 10 2000 A1 1500 500 2000
A2 10 4 9 2500 A2 1500 1000 2500
Dem. 1500 2000 1000 Dem. 1500 2000 1000
Las variables basicas son x11 , x12 , x22 y x23 . Para calcular las variables duales
u1 , u2 , v1 , v2 , v3 se tiene el siguiente sistema:
x11 es basica z11 c11 =0 u1 + v1 8 = 0
x12 es basica z12 c12 =0 u1 + v2 6 = 0
x22 es basica z22 c22 =0 u2 + v2 4 = 0
x23 es basica z23 c23 =0 u2 + v3 9 = 0
Tenemos un sistema de 4 ecuaciones y 5 incognitas, por lo que este sistema
tiene infinitas soluciones. Nos interesa cualquiera de las soluciones, y para ello,
damos un valor cualquiera a una incognita, y calcularemos el valor del resto. Por
ejemplo, si u1 = 0, se obtienen v1 = 8, v2 = 6, u2 = 2 y v3 = 11.
Calculamos los indicadores para todas las variables xij que no son basicas, en
este caso x13 y x21 .

z13 c13 = u1 + v3 c13 = 0 + 11 10 = 1 > 0.
z21 c21 = u2 + v1 c21 = 2 + 8 10 = 4 < 0.
El indicador z13 c13 = 1 > 0. Por tanto, se puede encontrar una solucion
mejor haciendo basica la variable x13 . 2
6.6.2 Variable que sale de la base

Para determinar la variable que sale de la base tenemos en cuenta los siguientes
resultados.
1. En el problema de transporte equilibrado las variables que pertenecen a la

base no forman un ciclo. En el ejemplo anterior x11 , x12 , x22 y x23 no for-
man un ciclo.
2. Se puede encontrar un unico ciclo formado por las variables que pertenecen
a la base y la variable que entra en la base.
Regla para encontrar el ciclo. Considerar la variable que entra en la base
como flujo positivo y eliminar filas y columnas que tengan un unico flujo
positivo. El proceso se realiza de la siguiente manera: empezar eliminando
filas, despues columnas, y repetir el proceso hasta que ya no se puedan
eliminar mas lneas. Las casillas que contienen flujo positivo y no han sido
eliminadas forman el ciclo unico.
Una vez identificado el ciclo asignaremos un flujo positivo a la variable que

entra en la base; pero alguna variable que forma parte del ciclo debe tomar el valor
cero y dejar la base. Para decidir que variable de las que forman parte del ciclo
debe abandonar la base es necesario observar la tendencia de los flujos del ciclo.
As, el vector de entrada esta asociado a un flujo que tiende a aumentar, ya que
pasa de ser cero a tener un valor positivo. Como las ofertas y demandas se tienen
que satisfacer, los flujos del ciclo que estan en la misma fila y columna tienen
que disminuir en la misma cantidad. De la misma manera, los flujos adyacentes a
estos en el ciclo tenderan a aumentar. Los flujos que tienden a disminuir bajaran
de valor hasta que uno de ellos tome el valor cero y la variable asociada a ese flujo
dejara la base. La cantidad asignada a la variable que entra en la base es el mnimo
de los flujos que tienden a disminuir, dicho flujo se hace cero y la variable sale de
la base.
Ejemplo. Continuamos con el ejemplo de la pagina 187.

Hemos visto que la variable x13 entra en la base y el ciclo unico entre esta
variable y las basicas es el formado por x13 , x12 , x22 , x23 . En la tabla aparecen
sombreadas las casillas asociadas a las variables del ciclo.
Sale Entra
P1 P2 P3 Oferta
A1 1500 500 2000
A2 1500 1000 2500
Demanda 1500 2000 1000
Los flujos que tienden a disminuir son x12 y x23 . Elegiremos el flujo mnimo entre
los que tienden a disminuir,
min{x12 = 500, x23 = 1000} = x12 .
Se modifican los flujos que forman el ciclo; los flujos que no forman parte del
ciclo no modifican su valor. As, se obtiene la siguiente solucion:
P1 P2 P3 Oferta
A1 1500 500 2000
A2 2000 500 2500
Demanda 1500 2000 1000
Solucion:
x11 = 1500, x12 = 0, x13 = 500, x21 = 0, x22 = 2000, x23 = 500.
z = (8 1500) + (10 500) + (4 2000) + (9 500) = 29500.
Esta solucion es mejor que la anterior (ver pagina 181). 2

6.7 Tabla de transporte

Hasta ahora hemos trabajado con dos tablas: la tabla de costes y tabla de flujos.
A la hora de mejorar la solucion hemos necesitado, ademas, calcular las variables
duales ui y vj y los indicadores zij cij . Por conveniencia, todos estos datos,
necesarios para el calculo de la solucion optima para el problema de transporte,
se pueden recoger en una unica tabla llamada Tabla de transporte que tiene la
siguiente estructura:
v1 v2 vn
z11 c11 c11 z12 c12 c12 z1n c1n c1n
u1 x11 x12 x1n a1
z21 c21 c21 z22 c22 c22 z2n c2n c2n
u2 x21 x22 x2n a2
. .. .
.. . ..
zm1 cm1 cm1 zm2 cm2 cm2 zmn cmn cmn

um xm1 xm2 xmn am
b1 b2 bn
Ejemplo. Continuando con el ejemplo, la tabla de transporte correspondiente

a los calculos de la pagina 187 es la siguiente:
Sale
v1 = 8 v2 = 6 v3 = 11
Entra
8 6 1 10
u1 = 0
1500 500 2000
4 10 4 9
u2 = 2 1500 1000 2500
1500 2000 1000
6.8. Algoritmo de transporte 191
6.8 Algoritmo de transporte

A continuacion se resumen los pasos a seguir para hallar la solucion optima de un
problema de transporte cuando el objetivo es minimizar.
Paso 1. Equilibrar el problema.
Paso 2. Calcular una solucion factible basica inicial.
Paso 3. Calcular los valores u1, . . . , um , v1 , . . . , vn asociados a la base ac-

tual.
Paso 4. Calcular los valores zij cij = ui + vj cij para los vectores no
basicos.
Si para toda variable no basica zij cij < 0, la solucion actual es

optima unica. Parar.
Si para toda variable no basica zij cij 0 y existe un valor zij cij =
0, entonces hay soluciones optimas multiples. Elegir dicha variable
para entrar e ir al Paso 5.
Si existe zij cij > 0 entonces la solucion puede ser mejorada. Ele-
gir como variable de entrada la asociada al mayor indicador entre los
positivos. Ir al paso 5.
Paso 5. Detectar el ciclo que forman la variable que entra en la base y las
variables de la base actual. Calcular la nueva solucion. Ir al Paso 3.
6.9 Aplicacion del algoritmo de transporte

Calcular la solucion optima para el problema de transporte
1 2 3 4 Ofertas
1 5 9 - 4 28
2 6 10 3 - 32
3 4 2 5 7 60
Demandas 48 29 40 33

Las posiciones (1, 3) y (2, 4) indican transportes que no se pueden realizar.

Asignaremos en esas posiciones costes de transporte M muy grandes para evitar
que sean asignadas.
Primera iteracion.
Oferta = 28 + 32 + 60 = 120.
Demanda = 48 + 29 + 40 + 33 = 150.
Se crea un origen ficticio con una oferta de 30 unidades y costes de transporte

cero. Creamos la tabla de transporte para asignar flujos.
5 9 M 4
28
6 10 3 M
32
4 2 5 7
60
0 0 0 0
30
48 29 40 33
Paso 2. Calcular una solucion inicial utilizando el metodo de Vogel. Reali-

zamos la primera iteracion calculando las diferencias por fila y por columna. La
mayor diferencia corresponde a las columnas primera y cuarta. Seleccionamos
cualquiera de ellas, por ejemplo la primera y, en esa columna seleccionamos la
casilla de mnimo coste, posicion (4, 1). Asignamos el mnimo entre oferta y
demanda, 30 unidades. Actualizamos ofertas y demandas y eliminamos las lneas
satisfechas, en este caso la fila 4. Tenemos la siguiente tabla:
6.9. Aplicacion del algoritmo de transporte 193
DFi
5 9 M 4
28 1
6 10 3 M
32 3
4 2 5 7
60 2
0 0 0 0
30 0 0
18 29 40 33
DCj 4 2 3 4
En la segunda iteracion del metodo de Vogel calculamos de nuevo las diferen-

cias; la mayor corresponde a la segunda columna, y el mnimo coste a la posicion
(3, 2). Asignamos el mnimo entre oferta y demanda, 29 unidades. Actualizamos
ofertas y demandas y eliminamos la columna 2 por estar satisfecha. Tenemos la
siguiente tabla:
DFi
5 9 M 4
28 1
6 10 3 M
32 3
4 2 5 7
29 31 2
0 0 0 0
30 0
18 0 40 33
DCj 1 7 2 3
Repetimos el proceso. La mayor diferencia corresponde a la fila 2 en empate

con la columna 4, elegimos la fila 2. El mnimo coste corresponde a la posicion
(2, 3); asignamos 32 unidades. Actualizar oferta y demanda y eliminar la fila dos
por haber sido satisfecha. Tenemos la siguiente tabla:

DFi
5 9 M 4
28 1
6 10 3 M
32 0 3
4 2 5 7
29 31 1
0 0 0 0
30 0
18 0 8 33
DCj 1 2 3
Para la nueva tabla la maxima diferencia se encuentra en la columna 3. El

coste de transporte mnimo en la columna 3 es c33 =5. Asignamos a esa casilla el
maximo flujo de transporte posible, es decir 8. Actualizamos oferta y demanda, y
eliminamos la columna tres. Tenemos la siguiente tabla:
DFi
5 9 M 4
28 1
6 10 3 M
32 0
4 2 5 7
29 8 23 1
0 0 0 0
30 0
18 0 0 33
DCj 1 M 5 3
En la nueva tabla la mayor diferencia es 3. Hay empate, elegimos, por ejemplo,

la fila 3. El coste de transporte mnimo en dicha fila es c31 = 4. El mayor flujo de
transporte posible a asignar en esa posicion es 18. Actualizamos oferta y demanda,
y eliminamos la columna 1. Tenemos la siguiente tabla:
DFi
5 9 M 4
28 1
6 10 3 M
32 0
4 2 5 7
18 29 8 5 3
0 0 0 0
30 0
0 0 0 33
DCj 1 3
Ya no queda mas que una columna, asignamos todas las unidades que quedan
sin asignar y se obtiene la siguiente solucion factible basica:
5 9 M 4
28 28
6 10 3 M
32 32
4 2 5 7
18 29 8 5 60
0 0 0 0
30 30
48 29 40 33
Paso 3. Calcular las variables duales. Esto se puede hacer directamente en la

tabla. Damos a la variable u3 el valor cero y calculamos el resto.

v1 = 4 v2 = 2 v3 = 5 v4 = 7
5 9 M 4
u1 = 3 28 28
6 10 3 M
u2 = 2 32 32
4 2 5 7
u3 = 0 18 29 8 5 60
0 0 0 0
u4 = 4 30 30
48 29 40 33
Paso 4. Calcular los indicadores zij cij = ui + vj cij para las variables no
basicas. As, por ejemplo, z21 c21 = u2 + v1 c21 = 2 + 4 6 = 4. El resto
de indicadores se calcula de la misma forma.
v1 = 4 v2 = 2 v3 = 5 v4 = 7
4 5 10 9 2M M 4
u1 = 3 28 28
4 6 10 10 3 5M M
u2 = 2 32 32
4 2 5 7
u3 = 0 18 29 8 5 60
0 2 0 1 0 3 0 Entra
u4 = 4 30 30
48 29 40 33
Se observa en la tabla anterior que hay dos valores zij cij positivos en las
posiciones (4,3) y (4,4), y el mayor entre los positivos corresponde a la posicion
(4,4). Por lo tanto, esa sera la variable de entrada.
Paso 5. El ciclo esta formado por las variables x31 , x34 , x41 y x44 . En las ca-
sillas se senalan con flechas los flujos que aumentan y los que disminuyen. Entre
los que disminuyen el mas pequeno es 5, la variable x34 sale de la base. Calcular
la nueva tabla y volver al Paso 3.
v1 = 4 v2 = 2 v3 = 5 v4 = 7
4 5 10 9 2 M M 4 5 9 M 4
u1 = 3 28 28 28 28
4 6 10 10 3 5M M 6 10 3 M
u2 = 2 32 32 32 32
Sale
4 2 5 7 4 2 5 7
u3 = 0 18 29 8 5 60 23 29 8 60
Entra
0 2 0 1 0 3 0 0 0 0 0
u4 = 4 30 30 25 5 30
48 29 40 33 48 29 40 33
Segunda iteracion.
Se repite el proceso, calculando las variables duales, los indicadores y el ciclo.
Todos estos calculos se recogen en la tabla de la izquierda. Actualizamos los flujos
que forman el ciclo y tenemos la nueva solucion en la tabla de la derecha.
v1 = 4 v2 = 2 v3 = 5 v4 = 4
1 5 7 9 5 M M 4 5 9 M 4
u1 = 0 28 28 28 28
4 6 10 10 3 2M M 6 10 3 M
u2 = 2 32 32 32 32
4 2 5 3 7 Sale 4 2 5 7
u3 = 0 23 29 8 60 31 29 60
0 2 0 1 0 0 Entra 0 0 0 0
u4 = 4 25 5 30 17 8 5 30
48 29 40 33 48 29 40 33
Tercera iteracion.
Se vuelve a repetir el proceso y se llega a la solucion optima para el problema.
En esta tabla se observa que todos los valores zij cij son negativos, entonces la
solucion es optima unica.

v1 = 0 v2 = 2 v3 = 0 v4 = 0
1 5 7 9 4M M 4
u1 = 4 28 28
3 6 9 10 3 3M M
u2 = 3 32 32
4 2 1 5 3 7
u3 = 4 31 29 60
0 2 0 0 0
u4 = 0 17 8 5 30
48 29 40 33
Solucion optima: x14 = 28, x23 = 32, x31 = 31, x32 = 29, x41 = 17,
x43 = 8, x44 = 5. El destino 1 recibe 17 unidades ficticias, 8 unidades
el destino 3, y 5 el destino 4. Por tanto, sus demandas no han podido ser
satisfechas, ya que la oferta existente no es suficiente.
Coste de transporte mnimo:
z = (428)+(332)+(431)+(229)+(017)+(08)+(05) = 390.
6.9.1 Solucion degenerada

Para un problema de transporte equilibrado con m orgenes y n destinos una
solucion con menos de m + n 1 variables mayores que cero es degenerada.
La degeneracion se puede dar en los siguientes casos:
En el calculo de una solucion factible basica inicial: cuando se satisfacen si-
multaneamente origen y destino en un paso que no sea el ultimo del metodo
de Vogel o del metodo de la esquina noroeste.
En cualquier iteracion del algoritmo del transporte, cuando hay un empate

en el criterio de la variable que sale de la base.
Cuando una solucion es degenerada hay que distinguir entre los flujos nulos
que corresponden a variables basicas y aquellos que corresponden a variables no
basicas.
Ejemplo. Calcular una solucion factible basica para el problema de transporte
1 2 3 Oferta
1 3 2 1 15
2 1 2 3 10
3 2 3 1 14
Demanda 10 6 12
Equilibramos el problema y obtenemos una solucion factible basica inicial por

el metodo Vogel.
3 2 1 0
4 11 15
1 2 3 0
10 10
2 3 1 0
6 8 14
10 6 12 11
Observamos que el numero de variables positivas es 5. Teniendo en cuenta

que m + n 1 = 6, podemos decir que la solucion es degenerada. Tenemos
que elegir una variable basica mas pero asegurando que no se forma un ciclo.
En este caso una de las siguientes variables: x11 , x22 , x23 , x24 , x31 . No pueden
ser seleccionadas para ser basicas ni x12 ni x34 ya que con cualquiera de ellas se
forman ciclos. Si elegimos para ser basica x22 = 0 se tiene una solucion factible
basica degenerada.

3 2 1 0
4 11 15
1 2 3 0
10 0 10
2 3 1 0
6 8 14
10 6 12 11
Partiendo de esta solucion se puede continuar con la aplicacion del algoritmo.

2
Ejemplo. Supongamos que en alguna iteracion del proceso de solucion de un

problema de transporte se tiene la solucion factible basica y los indicadores de la
siguiente tabla:
v1 = 6 v2 = 4 v3 = 1 v4 = 4
6 4 3 4 4 8
u1 = 0 10 12 22
9 2 9 6 0 9
u2 = 5 10 8 18
3 6 4 11 4 7
u3 = 3 15 5 20
10 22 23 5
El indicador mas grande entre los positivos es z21 c21 = 9; x21 entra en la
base. El ciclo esta formado por x11 , x12 , x21 y x22 . Actualizamos los flujos y
vemos que x11 = 0 y x22 = 0. Sin embargo, las dos variables no pueden dejar la
base al mismo tiempo porque no tendramos un numero suficiente de variables en
la base. Mantenemos en la base cualquiera de las dos, por ejemplo x11 , y se tiene
la solucion degenerada de la tabla.
v1 = 6 v2 = 4 v3 = 1 v4 = 4
6 4 3 4 4 8 6 4 4 8
u1 = 0 10 12 22 0 22 22
Entra 9 2 9 6 0 9 2 10 6 9
u2 = 5 10 8 18 10 8 18
Sale 3 6 4 11 4 7 6 11 4 7
15 5 20 15 5 20
u3 = 3
10 22 23 5 10 22 23 5
Se continua con la aplicacion del algoritmo hasta obtener la solucion optima.

2
6.9.2 Soluciones optimas multiples
Una vez que se ha obtenido la solucion optima se pueden encontrar nuevas solu-
ciones optimas si hay algun indicador de un vector no basico que vale cero.
Ejemplo.
Calcular las soluciones optimas para el problema de transporte
1 2 3 4 5 Oferta
1 4 1 2 6 9 100
2 6 4 3 5 7 120
3 5 2 6 4 8 120
Demanda 40 50 70 90 90
Despues de realizar varias iteraciones del algoritmo de transporte se tiene la

siguiente solucion:

v1 = 4 v2 = 1 v3 = 2 v4 = 3 v5 = 6
4 1 2 3 6 3 9
u1 = 0 40 20 40 100
1 6 2 4 3 1 5 7
u2 = 1 30 90 120
0 5 2 3 6 4 1 8
u3 = 1 30 90 120
40 50 70 90 90
Se verifica zij cij 0 para todos los vectores que no estan en la base. Por lo
tanto, la solucion es optima. Ademas, dado que z31 c31 = 0, existen optimos
multiples. Para calcularlos, elegimos como variable de entrada x31 y como vari-
able de salida x32 . La nueva solucion optima es
4 1 2 6 9
10 50 40 100
6 4 3 5 7
30 90 120
5 2 6 4 8
30 90 120
40 50 70 90 90
Este proceso para calcular soluciones optimas multiples se puede repetir hasta que
una nueva solucion ya haya sido calculada anteriormente. 2
6.10. El problema de asignacion 203
6.10 El problema de asignacion

El problema de asignacion es un caso particular del problema de transporte. Se
trata de asignar un numero de orgenes (individuos, tareas etc.) a un mismo
numero de destinos (tareas, maquinas etc.) con el objetivo de optimizar una
funcion de coste. La asignacion debe hacerse con la condicion de que cada origen
tenga asignado un unico destino y cada destino este asignado a un unico origen.
La asignacion de un origen Oi a un destino Dj tiene un coste cij .
Las variables de decision se definen de la siguiente manera:

1 si el origen Oi es asignado al destino Dj
xij =
0 en caso contrario
Formalmente, si n orgenes deben ser asignados a n destinos, siendo cij el

coste de asignar cada origen Oi, i = 1, . . . , n a cada destino Dj , j = 1, . . . , n, el
modelo lineal en forma estandar es el siguiente:
n X
X n
min z = cij xij
i=1 j=1
sujeto a
n
X
xij = 1, i = 1, . . . , n
j=1
Xn
xij = 1, j = 1, . . . , n
i=1
xij = 0, 1, i, j = 1, . . . , n
Las primeras n restricciones indican que cada origen se debe asignar a un

unico destino; las n restricciones siguientes indican que cada destino tiene asig-
nado un unico origen.
Cuando el numero de orgenes no es igual al numero de destinos, la forma de
equilibrar el problema es anadir tantos orgenes o destinos como sean necesarios.
Por ser los orgenes o destinos anadidos ficticios, el coste de asignacion sera cero.
Para este problema la informacion esencial esta contenida en la tabla de costes
porque todas las ofertas y demandas son 1.

D1 D2 . . . Dn
O1 c11 c12 . . . c1n
O2 c21 c22 . . . c2n
.. .. .. . . .
. . . . ..
On cn1 cn2 . . . cnn
Figura 6.3: Tabla de costes para el problema de asignacion
6.10.1 Metodo Hungaro

El algoritmo de solucion del problema de asignacion se basa en los dos siguientes
teoremas.
Teorema 6.10.1 Si las variables xij , i = 1, . . . , n, j = 1, . . . , n son solucion

optima para un problema de asignacion con funcion objetivo
n X
X n
z= cij xij ,
j=1 i=1
entonces esos mismos valores son tambien solucion optima para un problema
cuya funcion objetivo es
Xn Xn

z = cij xij ,
j=1 i=1
siendo cij = cij ui vj , con ui y vj . constantes.
Demostracion.
n X
X n n X
X n
z = cij xij = (cij ui vj )xij =
j=1 i=1 j=1 i=1
n X
X n n X
X n n X
X n
= cij xij uixij vj xij =
j=1 i=1 j=1 i=1 j=1 i=1
n
X n
X n
X n
X
=z ui xij vj xij =
i=1 j=1 j=1 i=1
n
X n
X
=z ui vj = z k.
i=1 j=1
Las funciones z y z se diferencian en la constante k y, por tanto, alcanzan el

optimo en el mismo conjunto de valores de las variables. 2
Aplicando el resultado del Teorema 6.10.1, en la tabla de costes se pueden

hacer transformaciones sin que cambie la solucion optima. Concretamente las
siguientes transformaciones: restar en las filas y/o columnas una constante.
Teorema 6.10.2 Si cij 0, i, j = 1, . . . , n y el conjunto de valores de las vari-

ables es tal que
Xn X n
z= cij xij = 0,
j=1 i=1
entonces xij , i, j = 1, . . . , n, es solucion optima para el problema.
Demostracion. Si todos los costes cij , i, j = 1, . . . , n, son mayores o iguales

que cero, el valor de la funcion objetivo sera mayor o igual que cero. Por tanto, si
se tienen valores de las variables xij , i, j = 1, . . . , n que den a z el valor 0, ese es
el mnimo absoluto y, por tanto, la solucion optima para el problema. 2
El metodo de solucion se basa en transformar la tabla de costes con las ope-

raciones que permite el Teorema 6.10.1 para conseguir ceros. Si se consigue una
asignacion en la que la funcion objetivo tome el valor cero, teniendo en cuenta el
Teorema 6.10.2, esa asignacion ya es optima.
Como hemos visto, restar constantes en una fila y/o columna no cambia la
solucion optima del problema. El metodo Hungaro se basa en este hecho para
transformar la tabla de costes y conseguir un numero suficiente de ceros para
hacer la asignacion. El metodo Hungaro para resolver el problema de asignacion
se basa en el Teorema de Konig. Este teorema asegura que el numero de ceros
que se pueden asignar independientemente en filas y columnas es igual al mnimo
numero de filas y/o columnas que cubren todos los ceros.
Los pasos a seguir para minimizar la funcion objetivo son los del siguiente
algoritmo.

6.10.2 Algoritmo de asignacion

El objetivo es minimizar.
Paso 2. Obtener ceros por filas. Restar en cada fila el mnimo
ui = min{cij }.
j
Los nuevos elementos de la tabla son cij = cij ui i, j = 1, . . . , n.
Paso 3. Obtener ceros por columnas. Restar en cada columna el mnimo
vj = min{cij }.
i
Los nuevos elementos de la tabla son cij = cij vj i, j = 1, . . . , n.
Paso 4. Asignacion de casillas que tengan ceros. Elegir la fila o columna

con menor numero de ceros. Asignar uno y eliminar los ceros de la misma
fila y columna. Repetir la asignacion en filas y columnas continuando por
aquella que tenga el mnimo numero de ceros sin eliminar.
Si al terminar la asignacion en todas las filas hay un cero asignado, se

tiene la solucion optima. Parar.
Si hay alguna fila que no tenga cero asignado al finalizar el procedi-
miento de asignacion ir al Paso 5.
Paso 5. Elegir el mnimo numero de filas y/o columnas que cubren todos
los ceros. Este numero mnimo se consigue con el siguiente procedimiento.
(a) Marcar las filas que no tienen ceros asignados.

(b) Marcar las columnas que tienen ceros eliminados en las filas marcadas
en el paso anterior.
(c) Marcar las filas que tienen ceros asignados en las columnas marcadas
en el paso anterior.
Repetir (b) y (c) hasta que ya no se puedan marcar mas filas y/o columnas.
Las filas no marcadas y las columnas marcadas cubren todos los ceros.
Cubrir estas filas y columnas. Ir al Paso 6.
Paso 6. Crear nuevos ceros. Elegir el elemento mnimo que no esta cu-
bierto. Restarlo a todos los elementos de las filas no cubiertas y sumarlo a
los elementos de las columnas cubiertas. Ir al Paso 4.
Ejemplo. Supongamos que cuatro contratistas concursan para conseguir la
construccion de cuatro edificios, debiendo ser asignado cada edificio a un unico
contratista. El tiempo que cada contratista necesita para la construccion de cada
edificio viene dado en la siguiente tabla. Calcular la asignacion para que la suma
total del tiempo empledo en la construccion de los cuatro edificios sea mnima.
1 2 3 4
A 58 58 60 54
B 66 70 70 78
C 106 104 100 95
D 52 54 64 54
Paso 1. El problema es equilibrado.
Paso 2. Restamos en cada fila el mnimo, es decir, 54, 66, 95 y 52 para las
filas primera, segunda, tercera y cuarta, respectivamente.
1 2 3 4
A 4 4 6 0
B 0 4 4 12
C 11 9 5 0
D 0 2 12 2
Paso 3. Restamos en cada columna el mnimo; 0, 2, 4 y 0, respectivamente.
1 2 3 4
A 4 2 2 0
B 0 2 0 12
C 11 7 1 0
D 0 0 8 2

Paso 4. Asignar ceros.
La fila primera tiene solo un cero. Asignar (A, 4) y Eliminar (C, 4).
En la segunda fila hay 2 ceros para asignar, en la tercera no hay ceros,
en la cuarta hay 2 ceros.
1 2 3 4
A 4 2 2 0
B 0 2 0 12
C 11 7 1 60
D 0 0 8 2
Seguir en las columnas. En la primera hay dos ceros; en la segunda
hay un cero, asignar (D, 2) y eliminar (D, 1). En la columna 3 hay un
cero, asignar (B, 3) y eliminar (B, 1).
1 2 3 4
A 4 2 2 0
B 60 2 0 12
C 11 7 1 60
D 60 0 8 2
El numero total de ceros asignados es 3. No se tiene la asignacion optima y

hay que continuar en el siguiente paso para conseguir mas ceros.
Paso 5. Elegir el mnimo numero de filas y/o columnas que cubren todos
los ceros.
(a) Se marca la fila C porque no hay ceros asignados.

(b) En la fila marcada hay un cero en la cuarta columna. Marcamos la
columna.
(c) La cuarta columna tiene un cero asignado en la primera fila. Marcamos
la primera fila y repetimos el paso (b).
(b) En la primera fila no hay ceros sin asignar.
El proceso de marcar filas y columnas ha terminado. Cubrimos las filas no

marcadas y las columnas marcadas.
1 2 3 4
A 4 2 2 0 X
B 0 2 0 12
C 11 7 1 0 X
D 0 0 8 2
X
Las lineas cubiertas son tres y contienen todos los ceros. Pero no hemos
conseguido asignar cuatro ceros.
Paso 6. Crear nuevos ceros. El mnimo de los elementos no cubiertos es 1.

Restamos 1 a las filas no cubiertas y sumamos 1 a las columnas cubiertas.
Despues de hacer los calculos la tabla de costes es
1 2 3 4
A 3 1 1 0
B 0 2 0 13
C 10 6 0 0
D 0 0 8 3
Volver al Paso 4.
Paso 4. Asignar ceros.
1 2 3 4
A 3 1 1 0
B 0 2 6 0 13
C 10 6 0 60
D 60 0 8 3

Los ceros asignados son 4 y la solucion es optima.
Solucion optima:
A 4: el contratista 4 construira el edificio A.
B 1 : el contratista 1 construira el edificio B.
C 3 : el contratista 3 construira el edificio C.
D 2 : el contratista 2 construira el edificio D.
Coste optimo: cA4 + cB1 + cC3 + cD2 = 54 + 66 + 100 + 54 = 274.
6.10.3 Problema de maximizacion

El metodo Hungaro solamente se puede aplicar cuando el objetivo es minimizar.
Si el objetivo es maximizar, se puede transformar la funcion objetivo a
n X
X n
min(z) = cij xij .
i=1 j=1
Sin embargo, con esta transformacion de la funcion objetivo, los costes de asig-
nacion se han hecho negativos. El Teorema 6.10.2 exige que todos los costes
sean mayores o iguales que cero. Una manera de conseguir que no haya valores
negativos en la tabla es restando el mnimo.
max z min(z) min(z)

Dj Dj Dj
Oi
Oi cij cij ckl Oi cij
Restar
ckl = min{cij / cij < 0}.

cij = cij + ckl cij 0.
Ejemplo. Una empresa convoca unas pruebas de seleccion para cubrir las
vacantes que hay en 3 puestos de trabajo, A, B, y C. Realizadas las pruebas la
empresa asigna a las 5 personas que se han presentado una puntuacion entre 1 y
10. Las puntuaciones se recogen en la tabla. En la casilla (C, 4) no hay puntuacion
porque la persona 4 no esta capacitada para realizar el trabajo C.
1 2 3 4 5
A 2 4 10 3 6
B 7 7 5 6 4
C 8 6 7 9
Se trata de hacer la asignacion que maximice la adecuacion total de las tres

personas elegidas para los 3 puestos de trabajo. El objetivo, en este caso, es ma-
ximizar la suma de puntuaciones. Maximizar en la tabla anterior es equivalente a
minimizar si se cambia cij por cij .
1 2 3 4 5
A 2 4 10 3 6
B 7 7 5 6 4
C 8 6 7 9
Hay valores negativos en la tabla. Restando a todos los elementos de la tabla el

mnimo que es 10, se tiene la siguiente tabla:
1 2 3 4 5
A 8 6 0 7 4
B 3 3 5 4 6
C 2 4 3 1
Ahora el objetivo es minimizar y no hay negativos en la tabla. Por otra parte,

para evitar que el trabajador 4 resulte asignado al trabajo C ponemos en la casilla
(C, 4) un coste muy grande M. Ya se puede comenzar con los pasos del algoritmo.
2

6.10.4 Ejemplo de soluciones optimas multiples

Consideremos el ejemplo anterior con la tabla adecuada para aplicar el algoritmo
de asignacion.
1 2 3 4 5
A 8 6 0 7 4
B 3 3 5 4 6
C 2 4 3 M 1
Paso 1. El problema no es equilibrado. Para que el numero de orgenes

sea igual al numero de destinos hay que anadir 2 orgenes ficticios (2 puestos de
trabajo no reales), con costes cero dado que en la practica estas asignaciones no
se realizan.
1 2 3 4 5
A 8 6 0 7 4
B 3 3 5 4 6
C 2 4 3 M 1
D 0 0 0 0 0
E 0 0 0 0 0
Paso 2. Para obtener ceros por filas, se hacen operaciones en las filas 2 y 3
restando el mnimo en cada una.
1 2 3 4 5
A 8 6 0 7 4
B 0 0 2 1 3
C 1 3 2 M 0
D 0 0 0 0 0
E 0 0 0 0 0
Paso 3. Todas las columnas tienen ceros, por lo que la tabla no se modifica.
Paso 4. Asignacion de ceros.
1 2 3 4 5
A 8 6 0 7 4
B 0 60 2 1 3
C 1 3 2 M 0
D 60 0 60 60 60
E 60 60 60 0 60
El numero de ceros asignados es 5 y la solucion es optima.
Solucion: A 3, B 1, C 5, D 2 y E 4.
Los trabajadores 2 y 4 se quedan sin trabajo.
Coste: cA3 + cB1 + cC5 + cD2 + cE4 = 10 + 7 + 9 + 0 + 0 = 26.
Se puede observar que, al hacer la asignacion de ceros, en la segunda fila es
posible asignar la tarea B a la persona 1 (solucion anterior), o a la persona 2. Esa
segunda eleccion da la siguiente solucion optima:
1 2 3 4 5
A 8 6 0 7 4
B 60 0 2 1 3
C 1 3 2 M 0
D 0 60 60 60 60
E 60 60 60 0 60
Solucion: A 3, B 2, C 5, D 1, E 4.
En este caso, son las personas 1 y 4 las que se quedan sin trabajo.
Coste: cA3 + cB2 + cC5 + cD1 + cE4 = 10 + 7 + 9 + 0 + 0 = 26.
De la misma forma, en las filas correspondientes a las tareas D y E se pueden
hacer otras asignaciones que proporcionan nuevas asignaciones optimas. Pero es-
tas nuevas asignaciones no tienen influencia en la solucion final por corresponder
a trabajos ficticios introducidos para equilibrar el problema. 2


IO-Modelo de Transporte y Asignacion

Cargado por

Copyright:

Formatos disponibles

IO-Modelo de Transporte y Asignacion

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

IO-Modelo de Transporte y Asignacion

Cargado por

Copyright:

Formatos disponibles

Tema 6

6.1 El problema de transporte

Cada destino Dj , j = 1, . . . , n, realiza una demanda bj .

cij , i = 1, . . . , m, j = 1, . . . , n, es el coste de enviar una unidad desde el

La formulacion lineal de este problema es la siguiente:

La forma estandar del problema de transporte es la siguiente:

Ejemplo. Supongamos que una empresa productora de barras de pan tiene

Para plantear un modelo lineal que represente el problema definimos

El modelo lineal para este problema es el siguiente:

min z = 8x11 +6x12 +10x13 +10x21 +4x22 +9x23

x11 +x12 +x13 = 2000

x11 , x12 , x13 , x21 , x22 , x23 0

Investigacion Operativa. Programacion Lineal

A es m + n 1, es decir, las bases estan formadas por m + n 1 vectores. Los

6.2 Forma matricial

O1 c11 c12 c1n a1

Ejemplo. La forma matricial para el ejemplo de la pagina 168 es la siguiente:

Demanda 1500 2000 1000

Investigacion Operativa. Programacion Lineal

6.3 Ejemplos practicos

Oferta de los origenes: 150, 150, 150, 150.

Demanda de los destinos: 200, 150, 200, 100.

El coste de produccion cij = 2 si i = j, i, j = 1, . . . , 4.

El coste cij = coste de produccion + coste de almacenamiento si i < j.

Si i > j asignamos a cij un valor M suficientemente grande para evitar que

La forma matricial cuyo objetivo es minimizar es la siguiente:

1 2 2.5 3 3.5 150

Demanda 200 150 200 100

Ejemplo 2. Una empresa produce un unico artculo en tres plantas, A1 , A2

El objetivo de la empresa es organizar la produccion en cada uno de los meses

Demanda 1000 1200 1500 1000

Investigacion Operativa. Programacion Lineal

6.4 Teoremas y definiciones

Sumando las ofertas de todos los orgenes, la oferta total es

Definicion 6.4.1 (Problema equilibrado.) Se dice que un problema de transporte

El primer paso para obtener una solucion para el problema de transporte es

Ejemplo. Considerar el siguiente problema de transporte.

Oferta total = 10 + 20 = 30.

Investigacion Operativa. Programacion Lineal

La oferta total es menor que la demanda total. Para equilibrar el problema

El problema de transporte equilibrado es el siguiente:

La demanda del destino ficticio es la diferencia entre la oferta total y la de-

Ejemplo. Considerar el siguiente problema de transporte.

Oferta total = 50 + 50 = 100.

Demanda total = 20 + 20 + 20 = 60.

La oferta total es mayor que la demanda total. Para equilibrar el problema se

Se puede comprobar que

Investigacion Operativa. Programacion Lineal

es solucion, es decir, verifica las restricciones. Ademas, es factible, porque se

6.5 Solucion factible basica inicial

O1 x11 x12 x1n a1

Figura 6.2: Tabla de flujos del problema de transporte

6.5.1 El metodo de la esquina noroeste

Paso 1. Elegir la esquina noroeste (i, j) de la tabla de flujos (inicialmente

Paso 2. Asignar el mayor flujo posible de transporte, xij , en esa posicion.

Si el mnimo es ai , la oferta del origen Oi se actualiza a cero y se

Paso 3. Se pueden dar dos casos:

Ejemplo. Consideramos el problema equilibrado de la pagina 171

Demanda 1500 2000 1000