Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
PROGRESO
Modelos de optimización de recursos
TEMA: CARPETA DE EVIDENCIAS
Es esta, tal vez la mejor forma de tomar una decisión, no obstante, nos
compromete a seguir un proceso de toma de decisiones racional.
¿Cómo debemos actuar al tomar una decisión? ¿Qué debemos hacer para tomar la
mejor decisión? Hacernos estas preguntas nos ha ocurrido en cualquier situación.
A través de los tiempos muchos intelectuales las discurrieron ya que en si forman
parte fundamental de la búsqueda de la verdad. En esa época muchos fueron los
debates al respecto, el resultado de este extenso debate fue un enfoque general
conocido como el método científico. Además, se han desarrollado varios modelos
matemáticos para problemas específicos.
El método científico
• Definir el problema. Este primer paso es crítico porque establece las fronteras
para todo lo que sigue. Debe definirse en magnitud, tiempo y grado de
importancia.
• Recolección de datos. La razón para este paso es sencilla, pues se estará
más capacitado para resolver problemas si se tiene suficiente información
sobre el mismo. Deberá reunirse información pasada, hechos pertinentes,
así como soluciones previas a problemas semejantes.
MODELO ICÓNICO:
Es una representación física de algunos objetos, ya sea en forma idealizada
(bosquejos) o a escala distinta.
Ejemplo:
•Planos y mapas (dos dimensiones).
•Maquetas y prototipos (4 dimensiones).
Ejemplo:
MODELO ANALÓGICO:
Puede representar situaciones dinámicas o cíclicas, son más usuales y pueden
representar las características y propiedades del acontecimiento que se estudia.
Ejemplo:
•Curvas de demanda.
•Curvas de distribución de frecuencia en las estadísticas y diagramas de flujo.
MODELO SIMBÓLICO O MATEMÁTICO:
Son representaciones de la realidad en forma de cifras, símbolos matemáticos y
funciones, para representar variables de decisión y relaciones que nos permiten
describir y analizar el comportamiento del sistema.
Tipos de modelos Matemáticos:
1. Cuantitativos y cualitativos
2. Estándares y hechos a la medida
3. Probabilísticas y determinísticos
4. Descriptivos y de optimización
5. Estáticos y dinámicos
6. De simulación y no simulación
Modelos Cuantitativos y Cualitativos:
La mayor parte de los problemas de un negocio u organización comienzan con un
análisis y definición de un modelo cualitativo y se avanza gradualmente hasta
obtener un modelo cuantitativo. La investigación de operaciones se ocupa de la
sistematización de los modelos cualitativos y de su desarrollo hasta el punto en que
pueden cuantificarse.
Cuando es posible construir unos modelos matemáticos insertando símbolos para
representar relaciones entre constantes y variables estamos ante un modelo
cuantitativo. Una ecuación es un modelo de este tipo. Las formulas, las matrices,
los diagramas o series de valores que se obtienen mediante procesos matemáticos.
Modelos Estándar:
Se llaman modelos estándar a los que solo hay que insertar o sustituir diferentes
valores con el fin de obtener un valor a una respuesta de un sistema y son aplicables
al mismo tipo de problemas en negocios afines.
Ejemplo:
•El cálculo de costos o gastos.
•El cálculo de las ganancias, etc.
Modelos hechos a la medida:
Se llaman modelos hechos a la medida cuando se crean modelos para resolver un
caso de problema en específico que se ajusta únicamente a este problema.
Modelos Probabilístico y determinístico:
Los los modelos que se basan en las probabilidades y estadísticas y que se ocupan
de incertidumbres futuras se llaman probabilísticas y los modelos que no tienen
consideraciones probabilísticas se llaman determinísticos; el PERT, los inventarios,
la programación lineal, enfocan su atención en aquellas circunstancias que son
críticas y en los que las cantidades son determinadas y exactas.
Modelo Descriptivo y de Optimización:
Cuando un modelo constituye sencillamente una descripción matemática de una
condición real del sistema se llama descriptivo. Algunos de estos modelos se
emplean para mostrar geográficamente una situación y ayudan al observador a
evaluar resultados por secciones una sobre otra.
Modelo Estático y Dinámico:
Los modelos estáticos se ocupan de determinar una respuesta para una serie
especial de condiciones fijas que probablemente no cambiaran significativamente a
corto plazo es decir, la solución está basada en una condición estática.
Modelos Simulados y No Simulados:
Con el uso de la computadora es fácil preparar un modelo simulado paso por paso
donde se puede reproducir el funcionamiento de sistemas o problemas de gran
escala. En un modelo de simulación los datos de entrada pueden ser reales o
generados en forma aleatoria.
Unidad 2
2. programación lineal
La investigación de operaciones utiliza una metodología sencilla para acercarse a
la solución de problemas que requieren de optimización. Tal metodología puede
expresarse como sigue:
• Identicación del problema que requiere de la investigación de
operaciones y recopilación de información.
• Planteamiento del modelo matemático.
• Solución del problema matemático y ajustes al mismo.
• Implementación de la mejor solución.
Uno de los modelos más utilizado en la investigación de operaciones es el Modelo
de Programación Lineal (PL), el cual tiene la característica de que todas las
expresiones que lo componen son lineales. El modelo de programación lineal cuenta
con una función objetivo, la cual se pretende optimizar, y una serie de expresiones
matemáticas que representan las restricciones que deben satisfacerse para que la
solución obtenida sea óptima y factible.
El siguiente es un ejemplo de un modelo de programación lineal: 0 1 Max Z x x = 5
12 + s. a 0 1 x + 2 125 x ≤ 0 1 3 65 x + x ≤ CNN 0 1 x , x ≥ 0
x =6/2
x=3
Esto nos indica un segundo punto por donde pasará nuestra recta, el punto es 2 P
= (3,0). Los dos puntos recién obtenidos se grafican sobre ejes coordenados
y se unen mediante una línea recta, la cual representa la recta de la ecuación dada.
La línea recta que une los dos puntos puede prolongarse tanto como se requiera en
cualquier sentido.
Partiendo de la ecuación ordinaria y = mx + b , se da un valor arbitrario a una de las
dos variables y se despeja o resuelve la ecuación para la otra variable. Como en la
primera forma, en realidad se está realizando la misma operación; sin embargo, el
lector puede hacer uso de la que más fácil represente su manejo.
Gráfica de desigualdades Toda desigualdad de dos variables tiene asociada una
línea recta, la cual se obtiene graficando la restricción o desigualdad como una
igualdad.
2.2.2. Región factible
La región factible o región de soluciones factibles es una región del plano cartesiano
donde se satisfacen todas las restricciones de un modelo de programación lineal y,
por tanto, en ella se encuentran las probables soluciones del modelo. Existen
diferentes tipos de región factible e incluso problemas que no tienen región factible
debido a las condiciones que las restricciones imponen.
En un solo sistema coordenado se grafica el conjunto de restricciones
(rectas llamadas fronteras y regiones) cuya intersección será la región factible; es
importante señalar la región factible de cada modelo, por ejemplo, sombreando la
región, con una letra “R” o con el símbolo Ω, como algunos autores lo aconsejan.
2.2.3. Punto óptimo
Una vez que se ha obtenido la región factible –si ésta existe– de un
problema, es momento de localizar el punto óptimo en la gráfica generada
y para tal efecto es necesario graficar la recta asociada a la función
objetivo del modelo PL. Para graficar la función objetivo simplemente se
toma un par ordenado que pertenezca a la región factible y se sustituye en la
función Z, después se obtienen los puntos restantes de la recta por sustitución.
Cuando se tiene la gráfica de la función objetivo, la línea recta que se
obtuvo se desplaza de manera paralela a la recta original hasta alcanzar el último
punto de la región factible sin salirse de la misma, considerando lo siguiente:
i) Para maximizar se desplaza hacia la derecha y arriba de la región factible.
ii) ii) Para minimizar se desplaza hacia la izquierda y debajo de la región
factible.
Es importante recordar que los desplazamientos siempre se realizan de forma
paralela a la gráfica de la recta de la función objetivo. Una forma de realizar los
desplazamientos abarca los siguientes pasos:
1. Alinear una escuadra sobre la función objetivo.
2. Apoyar el otro lado recto de la escuadra sobre una regla o escuadra.
3. Desplazar la primera escuadra hacia la izquierda o derecha, según corresponda,
de la región factible hasta el último punto de la misma.
El punto localizado por este método se le conoce como punto óptimo del modelo y
representa los valores de las variables de decisión del problema, lo cual quiere decir
que con este punto podemos interpretar la solución de un modelo. Del ejemplo 8
recuperamos la región factible generada para graficar la función objetivo del
modelo PL sobre la región factible.
Una forma analítica de encontrar el punto óptimo de un modelo PL de dos variables
proviene de aplicar un teorema (el cual no se demuestra en este texto) que asegura
que la solución óptima de un problema (al maximizar o minimizar la función objetivo)
se encuentra en uno de los vértices de la región factible.
Con base en lo anterior, lo que debe hacerse es identificar los puntos de
todos los vértices de la región factible y evaluarlos en la función objetivo. Si el
propósito es maximizar, se selecciona el punto con resultado máximo en la función
objetivo; en caso de minimizar se escoge el punto cuyo valor en la función objetivo
sea mínimo.
Este método es más preciso por ser analítico, sin embargo, es indispensable
obtener la región factible y después estudiar el comportamiento de los vértices en
la función objetivo en lugar de los desplazamientos.
2.2.4. Análisis gráfico de sensibilidad
Debido a que los sistemas con los que se trabaja son dinámicos y no estáticos, es
necesario realizar un análisis de sensibilidad para conocer cómo se afecta la
solución a un modelo cuando se modifican los coeficientes de la función
objetivo o las cantidades limitantes del modelo.
Cambio en los coeficientes de la función objetivo
Los coeficientes de la función objetivo representan la utilidad o costo
unitario de cada uno de los bienes o servicios, y por esta razón un cambio en
alguno de estos datos representará una modificación a la función objetivo,
para lo cual se considera que la solución se mantendrá en el mismo vértice
mientras la pendiente m de la recta asociada a la función objetivo sea tal que Ri Rj
m ≤ m ≤ m ; siendo Ri m y Rj m las pendientes de las fronteras de la región factible
cuya intersección forma el vértice solución. Como se muestra en la Figura 2.13.
donde las curvas punteadas indican el cambio que la pendiente de la función
objetivo puede tener sin modificar la solución del problema.
Cambio en las cantidades limitantes Cuando cambia alguna de las cantidades
limitantes, la región factible cambia su tamaño, por lo que el vértice solución puede
cambiar. Al realizar el análisis debemos cuidar que el cambio que se haga no
provoque una región no factible.
2.3. Desigualdades lineales: Casos de inversión y distribución
Como una aplicación del modelo de programación lineal se encuentran los casos
de inversión y distribución, los cuales generalmente están sujetos a múltiples
restricciones que dependen de diversos contextos, desde reservas de capital hasta
cantidad de orígenes y destinos de un problema de distribución.
El problema de un caso de inversión puede ser la selección óptima de los
instrumentos financieros que conforman un portafolio de inversiones
donde las restricciones quizás estén asociadas al riesgo de cada instrumento, a la
tasa de rendimientos o al plazo de que cada uno maneje.
Otro problema útil en los negocios puede ser la selección de diferentes
fuentes de financiamiento, ya que generalmente los negocios requieren buscar
recursos de varias fuentes y por esta razón la toma de decisiones debe apoyarse
en información cuantitativa proveniente de la solución de modelos matemáticos. Las
variables de decisión serían la cantidad de unidades que deben ser
financiadas por cada opción de financiación y la finalidad es maximizar
los ingresos o minimizar los pagos del financiamiento.
2.4. Aplicaciones de la optimización en la toma de decisiones en
los negocios
En esta sección se muestra cómo la optimización puede aportar información válida
y confiable para sustentar una toma de decisión; es importante remarcar
que, a fin de cuentas, el gerente o administrador es quien tomará la
decisión; sin embargo, si se fundamenta esta decisión en resultados cuantitativos
se estará en posición de generar mejores resultados en un negocio. Al manejar el
término negocio podríamos pensar en diferentes definiciones, y para evitar
confusiones se presenta la siguiente definición: Se entiende por negocio:
cualquier ocupación, quehacer o trabajo que sea lucrativo o de interés. De acuerdo
con lo anterior: cualquier planteamiento referido a alguna actividad de producción,
transformación, distribución o en general que se apegue a la definición de negocio
se considera como tal; dentro de estas actividades también se tienen
negocios particularmente específicos, como los casos de inversión y
distribución.
Max ó Min Z = C X
S.A:
AX≤B
XJ > 0 ; j = 1, 2, ..., n
Objetivo
Definición:
Matemáticamente:
Hallar XJ , J = 1, 2, . . . . . n para:
Maximizar
ó Z = C1X1 + C2X2 + . . . . . . + CnXn
Minimizar
Xj =0 ; j = 1, 2, . . . . . . n
Problema de ejemplo
Características:
Es más elaborado que el método de la esquina noroeste
Tiene en cuenta los costos para hacer las asignaciones
Generalmente nos deja alejados del óptimo
Algoritmo:
1. Construya una tabla de disponibilidades, requerimientos y costos
2. Empiece en la casilla que tenga el menor costo de toda la tabla, si hay empate,
escoja arbitrariamente (Cualquiera de los empatados).
3. Asigne lo máximo posible entre la disponibilidad y el requerimiento (El menor de
los dos).
4. Rellene con ceros (0) la fila o columna satisfecha y actualice la disponibilidad y el
requerimiento, restándoles lo asignado.
Nota: Recuerde que no debe eliminar ó satisfacer fila y columna al mismo tiempo,
caso en que la oferta sea igual a la demanda, en tal caso recuerde usar la ε
(Épsilon).
5. Muévase a la casilla con el costo mínimo de la tabla resultante (Sin tener en
cuenta la fila o columna satisfecha).
6. Regrese a los puntos 3, 4,5 sucesivamente, hasta que todas las casillas queden
Asignadas.
Método de Vogel
Características
Es más elaborado que los anteriores, más técnico y dispendioso.
Tiene en cuenta los costos, las ofertas y las demandas para hacer las
asignaciones.
Generalmente nos deja cerca al óptimo.
Algoritmo
1. Construir una tabla de disponibilidades (ofertas), requerimientos (demanda) y
costos.
2. Calcular la diferencia entre el costo más pequeño y el segundo costo más
pequeño, para cada fila y para cada columna.
3. Escoger entre las filas y columnas, la que tenga la mayor diferencia (en caso de
empate, decida arbitrariamente).
4. Asigne lo máximo posible en la casilla con menor costo en la fila o columna
escogida en el punto 3.
5. asigne cero (0) a las otras casillas de la fila o columna donde la disponibilidad ó
el requerimiento quede satisfecho.
6. Repita los pasos del 2 al 5, sin tener en cuenta la(s) fila(s) y/o columna(s)
satisfechas, hasta que todas las casillas queden asignadas.
Nota: Recuerde que no debe satisfacer filas y columnas al mismo tiempo; caso
enque la disponibilidad sea igual al requerimiento; en tal caso use el ε (epsilon).
3.2. El problema de asignación: planteamiento del problema, Algoritmo
para determinar la asignación óptima.
Muchas de las situaciones en la vida exigen una de dos respuestas posibles: si o
no. Así Muchas de las situaciones en la vida exigen una de dos respuestas posibles:
si o no. Así es que podemos representar éstas posibilidades con los valores 0 (no)
y 1 (si), y aprovechar las matemáticas para que nos den una mano ante decisiones
difíciles; a esto es lo que solemos llamar -por obvias razones Programación Binaria.
A es asignado a IV
B es asignado a II
C es asignado a I
D es asignado a V
E es asignado a II
O bien:
A es asignado a V
B es asignado a II
C es asignado a I
D es asignado a IV
E es asignado a III
El costo total del programa en ambos casos es Z = $ 18
Fíjese que éste módulo también resuelve otros modelos de redes, que se
especifican en la parte izquierda de la ventana.
Los datos se pueden ingresar de dos formas: En una matriz ó tablero de doble
entrada ó de forma gráfica.
A continuación se ilustra el ingreso de datos en la tabla de doble entrada.
El modo de edición del menú principal permite cambiar los rótulos de las fuentes y
los destinos. No es necesario que la oferta sea igual a la demanda, el software se
encarga de agregar fuentes ó destinos de holgura, según sea la necesidad.
N = {1, 2, 3, 4, 5}
A = {(1, 2), (1, 3), (2, 3), (2, 5), (3, 4), (3, 5), (4, 2), (4, 5)}
Este problema determina la ruta más corta entre un origen y un destino en una red
de transporte. El mismo modelo puede representar otras situaciones.
Esta sección presenta dos algoritmos para resolver tanto redes cíclicas (es decir,
que contienen bucles) como redes acíclicas:
1. El algoritmo de Dijkstra para determinar las rutas más cortas entre el nodo origen
y los demás nodos en la red.
2. El algoritmo de Floyd para determinar la ruta más corta entre dos nodos
cualesquiera en la red.
Algoritmo de Dijkstra. Sea Ui la distancia más corta del nodo origen 1 al nodo i, y
defina Dij (≥ 0) como la longitud del arco (i,j). El algoritmo define la etiqueta para un
nodo j que sigue inmediatamente como:
La etiqueta para el nodo de inicio es [0, 2], que indica que el nodo no tiene
predecesor. Las etiquetas de nodo en el algoritmo de Dijkstra son de dos tipos:
temporales y permanentes. Una etiqueta temporal en un nodo se modifica si puede
hallarse una ruta más corta al nodo. De lo contrario, el estado temporal cambia a
permanente.
Ejemplo 1:
La red de la figura muestra las rutas permisibles y sus longitudes en millas entre la
ciudad 1 (nodo 1) y las otras cuatro ciudades (nodos 2 a 5). Determine las rutas más
cortas entre la ciudad 1 y cada una de las cuatro ciudades restantes.
Para las dos etiquetas temporales [100,1] y [30,1], el nodo 3 da la distancia mínima
(u3 = 30). De este modo, el estado del nodo 3 cambia a permanente.
La ruta más corta entre el nodo 1 y cualquier otro nodo en la red se determina
partiendo del nodo destino deseado y retrocediendo hasta el nodo de inicio
utilizando la información en las etiquetas permanentes. Por ejemplo, la siguiente
secuencia determina la ruta más corta del nodo 1 al nodo 2:
Ejemplo 2:
El problema puede formularse como un modelo de la ruta más corta por medio de
una transformación logarítmica para convertir el producto de las probabilidades en
la suma de los logaritmos de las probabilidades, esto es, p1k x p1 x p2 3 … x pk se
transforma en log p1k = log p1 1 log p2 1 … 1 log pk. Las dos funciones p1k y log
p1k son monótonas y decrecen en k, así pues, maximizar p1k es equivalente a
maximizar log p1k, lo que a su vez equivale a minimizar log p1k. Por lo tanto, al
reemplazar pj con log pj para toda la j en la red, el problema se convierte en la red
de la ruta más corta en la figura:
Considere una red de oleoductos que transporta petróleo crudo desde pozos hasta
refinerías. Se instalan estaciones intermedias de reforzamiento y bombeo a
distancias apropiadas para mover el crudo en la red. Cada segmento de tubería
tiene una velocidad de descarga finita (o capacidad) de flujo de crudo. Un segmento
de tubería puede ser unidireccional o bidireccional, según su diseño. La figura 6.26
muestra una red de oleoductos típica. El objetivo es determinar la capacidad de flujo
máxima de la red. La solución del problema propuesto requiere agregar una sola
fuente y un solo sumidero o vertedero, utilizando arcos de capacidad infinita
unidireccionales, como se muestra mediante los arcos de rayas en la figura 6.26.
Para el arco (i,j), la notación proporciona las capacidades de flujo en las dos
direcciones i S j y j S i. Para eliminar la ambigüedad, colocamos a junto al nodo i y
a junto al nodo Cji, como se muestra en la figura.
Enumeración de cortes:
Este algoritmo se basa en el hallazgo de rutas de avance con flujo positivo entre los
nodos fuente y sumidero. Cada ruta destina una parte de o todas las capacidades
de sus arcos al flujo total en la red. Considere el arco (i, j) con las capacidades
bidireccionales (de diseño) (cij, cji). Como algunas partes de estas capacidades se
destinan al flujo en el arco, los residuos (capacidades no utilizadas, o flujo
remanente) del arco se actualizan. Utilizamos la notación (cij, cji) para representar
los residuos. Para un nodo j que recibe flujo del nodo i, anexamos la etiqueta [aj,i]
donde aj es el flujo del nodo i al nodo j.
Ejemplos:
Determine el flujo máximo en la red del ejemplo 6.4-1 (figura 6.28). La figura 6.30
proporciona un resumen gráfico de las iteraciones del algoritmo. Verá que es útil
comparar la descripción de las iteraciones con el resumen gráfico.
4.3 El Modelo Del Árbol De Expansión Mínima
Este árbol vincula los nodos de una red valiéndose de la longitud mínima total de
las ramas de conexión. Una aplicación común se presenta en la pavimentación de
carreteras que unen poblaciones, o de forma directa, o que pasan por otras
poblaciones. La solución del árbol de mínima expansión proporciona el diseño del
sistema de carreteras.
Paso 0. Establezca CO = Ø Y C 0 = N
Ejemplo 1
Dada la siguiente red obtenga el árbol de expansión mínima
El árbol de expansión mínima es: 200 + 224 + 300 + 283 + 200 + 400 = 1607
Ejemplo 2
Midwest TV Cable Company va a proporcionar servicio de cable a cinco
desarrollos habitacionales. La figura 6.6 ilustra las posibles conexiones de
TV a las cinco áreas, con las millas de cable anexadas a cada arco. El
objetivo es determinar la red de cables más económica. El algoritmo se inicia
en el nodo 1 (en realidad, cualquier otro nodo puede ser un punto de inicio),
el cual da por resultado Las iteraciones del algoritmo se resumen en la figura
6.7. Los arcos delgados proporcionan todos los candidatos entre C y. Los
arcos gruesos son los vínculos permanentes del conjunto conectado C, y el
arco de rayas es el nuevo vínculo (permanente) agregado en cada iteración.
Por ejemplo, en la iteración 1, la rama (1, 2) es el vínculo más corto (5 1 milla)
entre todas las ramas candidatas del nodo 1 a los nodos 2, 3, 4, 5 y 6 en el
conjunto no conectado. De ahí que el vínculo (1, 2) se hace permanente y j*
5 2, de lo cual resulta C2 = {1, 2}, C2 = {3, 4, 5, 6} C1 C
El árbol de mínima expansión que se muestra en la iteración 6 de la figura
6.7 da la solución. Las millas de cable mínimas resultantes que se necesitan
para proporcionar el servicio de cable deseado son 1 + 3 + 4 + 3 + 5 = 16
millas. Comentarios. En teoría, un árbol de mínima expansión puede
formularse y resolverse como un programa lineal. Sin embargo, la PL no es
una opción práctica porque deben agregarse numerosas restricciones para
excluir todos los ciclos y el resultado es una PL enorme, aun para redes
pequeñas.
Unidad 4: Modelos De Flujos En Redes
Una red se compone de un conjunto de nodos unidos por arcos (o ramas). La
notación para describir una red es (N, A), donde N es el conjunto de nodos, y A es
el conjunto de arcos.
N = {1, 2, 3, 4, 5}
A = {(1, 2), (1, 3), (2, 3), (2, 5), (3, 4), (3, 5), (4, 2), (4, 5)}
Esta sección presenta dos algoritmos para resolver tanto redes cíclicas (es decir,
que contienen bucles) como redes acíclicas:
1. El algoritmo de Dijkstra para determinar las rutas más cortas entre el nodo origen
y los demás nodos en la red.
2. El algoritmo de Floyd para determinar la ruta más corta entre dos nodos
cualesquiera en la red.
Algoritmo de Dijkstra. Sea Ui la distancia más corta del nodo origen 1 al nodo i, y
defina Dij (≥ 0) como la longitud del arco (i,j). El algoritmo define la etiqueta para un
nodo j que sigue inmediatamente como:
La etiqueta
para el nodo
de inicio es
[0, 2], que indica que el nodo no tiene predecesor. Las etiquetas de nodo en el
algoritmo de Dijkstra son de dos tipos: temporales y permanentes. Una etiqueta
temporal en un nodo se modifica si puede hallarse una ruta más corta al nodo. De
lo contrario, el estado temporal cambia a permanente.
Ejemplo 1:
La red de la figura muestra las rutas permisibles y sus longitudes en millas entre la
ciudad 1 (nodo 1) y las otras cuatro ciudades (nodos 2 a 5). Determine las rutas más
cortas entre la ciudad 1 y cada una de las cuatro ciudades restantes.
Iteración 1. Se puede llegar a los nodos 2 y 3 desde el nodo 1 (el último etiquetado
permanentemente). Así, la lista de nodos etiquetados (temporales y permanentes)
es:
Para las dos etiquetas temporales [100,1] y [30,1], el nodo 3 da la distancia mínima
(u3 = 30). De este modo, el estado del nodo 3 cambia a permanente.
Iteración 3. Desde el nodo 4 se puede llegar a los nodos 2 y 5 Así, la lista de los
nodos etiquetados se actualiza como:
Ejemplo 2:
Considere una red de oleoductos que transporta petróleo crudo desde pozos hasta
refinerías. Se instalan estaciones intermedias de reforzamiento y bombeo a
distancias apropiadas para mover el crudo en la red. Cada segmento de tubería
tiene una velocidad de descarga finita (o capacidad) de flujo de crudo. Un segmento
de tubería puede ser unidireccional o bidireccional, según su diseño. La figura 6.26
muestra una red de oleoductos típica. El objetivo es determinar la capacidad de flujo
máxima de la red. La solución del problema propuesto requiere agregar una sola
fuente y un solo sumidero o vertedero, utilizando arcos de capacidad infinita
unidireccionales, como se muestra mediante los arcos de rayas en la figura 6.26.
Para el arco (i,j), la notación proporciona las capacidades de flujo en las dos
direcciones i S j y j S i. Para eliminar la ambigüedad, colocamos a junto al nodo i y
a junto al nodo Cji, como se muestra en la figura.
Enumeración de cortes:
Este algoritmo se basa en el hallazgo de rutas de avance con flujo positivo entre los
nodos fuente y sumidero. Cada ruta destina una parte de o todas las capacidades
de sus arcos al flujo total en la red. Considere el arco (i, j) con las capacidades
bidireccionales (de diseño) (cij, cji). Como algunas partes de estas capacidades se
destinan al flujo en el arco, los residuos (capacidades no utilizadas, o flujo
remanente) del arco se actualizan. Utilizamos la notación (cij, cji) para representar
los residuos. Para un nodo j que recibe flujo del nodo i, anexamos la etiqueta [aj,i]
donde aj es el flujo del nodo i al nodo j.
Ejemplos:
Determine el flujo máximo en la red del ejemplo 6.4-1 (figura 6.28). La figura 6.30
proporciona un resumen gráfico de las iteraciones del algoritmo. Verá que es útil
comparar la descripción de las iteraciones con el resumen gráfico.
4.3 El Modelo Del Árbol De Expansión Mínima
Este árbol vincula los nodos de una red valiéndose de la longitud mínima total de
las ramas de conexión. Una aplicación común se presenta en la pavimentación de
carreteras que unen poblaciones, o de forma directa, o que pasan por otras
poblaciones. La solución del árbol de mínima expansión proporciona el diseño del
sistema de carreteras.
Paso 0. Establezca CO = Ø Y C 0 = N
Ejemplo 1
Dada la siguiente red obtenga el árbol de expansión mínima
El árbol de expansión mínima es: 200 + 224 + 300 + 283 + 200 + 400 = 1607
Ejemplo 2
Midwest TV Cable Company va a proporcionar servicio de cable a cinco
desarrollos habitacionales. La figura 6.6 ilustra las posibles conexiones de
TV a las cinco áreas, con las millas de cable anexadas a cada arco. El
objetivo es determinar la red de cables más económica. El algoritmo se inicia
en el nodo 1 (en realidad, cualquier otro nodo puede ser un punto de inicio),
el cual da por resultado Las iteraciones del algoritmo se resumen en la figura
6.7. Los arcos delgados proporcionan todos los candidatos entre C y. Los
arcos gruesos son los vínculos permanentes del conjunto conectado C, y el
arco de rayas es el nuevo vínculo (permanente) agregado en cada iteración.
Por ejemplo, en la iteración 1, la rama (1, 2) es el vínculo más corto (5 1 milla)
entre todas las ramas candidatas del nodo 1 a los nodos 2, 3, 4, 5 y 6 en el
conjunto no conectado. De ahí que el vínculo (1, 2) se hace permanente y j*
5 2, de lo cual resulta C2 = {1, 2}, C2 = {3, 4, 5, 6} C1 C
El árbol de mínima expansión que se muestra en la iteración 6 de la figura
6.7 da la solución. Las millas de cable mínimas resultantes que se necesitan
para proporcionar el servicio de cable deseado son 1 + 3 + 4 + 3 + 5 = 16
millas. Comentarios. En teoría, un árbol de mínima expansión puede
formularse y resolverse como un programa lineal. Sin embargo, la PL no es
una opción práctica porque deben agregarse numerosas restricciones para
excluir todos los ciclos y el resultado es una PL enorme, aun para redes
pequeñas.
5.1 Construcción de redes de actividades de un proyecto
A estas actividades se les conoce con los nombres de actividades ficticias o "ligas".
Todas las ligas se dibujarán de izquierda a derecha (a excepción de aquellas
actividades reales que por ser muy breve su duración se represente con cero de
tiempo y
por lo tanto
se
dibujarán
en forma
ascendente o descendente), y tanto al inicio como al término de cada una de ellas
es necesario dibujar un pequeño círculo (o) el cual se denomina como "evento" o
"nodo", los que señalarán el principio o fin de la actividad, ejemplos:
utilizados.
La distribución de tiempo que supone el PERT para una actividad es una distribución
beta. La distribución para cualquier actividad se define por tres estimados:
Lista de Actividades
Ingeniero electricista.
Elaboración del proyecto eléctrico
Calculo de los costos y presupuestos.
Aprobación del proyecto
Instalación de un transformador nuevo
Instalación de nuevo alumbrado
Instalación de interruptores y
arrancadores
Ingeniero contratista
Elaboración del proyecto de obra muerta
Calculo de los costos y presupuestos.
Aprobación del proyecto
Cimentación de las máquinas
Pisos nuevos.
Colocación de ventanas nuevas
Por antecedentes,