Investigación Operativa

Profesor Milton Córtes Araya

Departamento de Matemáticas

REALIZADO POR OSCAR SOL N.

Programación Lineal(PL)

REALIZADO POR OSCAR SOL N.

Programación Lineal

La programación lineal(PL) es una herramienta para resolver problemas de

optimización. En 1947, George Dantzing creo un método eficaz, el algoritmo
simplex, para resolver problemas de programación lineal. A partir del
surgimiento del algoritmo simple, se ha usado la programación lineal para
resolver problemas de optimización en industrias tan diversas como la banca, la
educación, la civil cultura, el petróleo y el transporte.
La programación lineal como su nombre lo indica requiere que las funciones
matemáticas que constituyen el modelo sean lineales

REALIZADO POR OSCAR SOL N.

Modelo en Programación Lineal

Expresado en forma matemática, el modelo de P.L. es de la siguiente forma

𝑓(𝑥1 ,𝑥2 )=𝑐1 𝑥1 + 𝑐2 𝑥2 + ⋯ + 𝑐𝑗 𝑥𝑗 + ⋯ + 𝑐𝑛 𝑥𝑛 (llamada función objetivo)

Sujeto a
𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑗 𝑥𝑗 + ⋯ + 𝑎1𝑛 𝑥𝑛 ≤ 𝑏1 (≥ ó =)
𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ +𝑎2𝑗 𝑥𝑛 + ⋯ + 𝑎2𝑛 𝑥𝑛 ≤ 𝑏2 (≥ ó =)
⋮ ⋮ ⋮ ⋮
𝑎𝑖1 𝑥1 + 𝑎𝑖2 𝑥2 + ⋯ +𝑎𝑖𝑗 𝑥𝑛 + ⋯ + 𝑎𝑖𝑛 𝑥𝑛 ≤ 𝑏𝑖 (≥ ó =)
⋮ ⋮ ⋮ ⋮
𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + ⋯ +𝑎𝑚𝑗 𝑥𝑛 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛 ≤ 𝑏𝑖 (≥ ó =)

Tal que 𝑥𝑗 ≥ 0, ∀ 𝑗 = 1,2, ⋯ , 𝑛

REALIZADO POR OSCAR SOL N.

Programación Lineal

Donde

REALIZADO POR OSCAR SOL N.

 En una encuesta de la revista Fortune, de 500 empresas, el 85% de las que
contestaron dijeron que habían utilizado la programación lineal.
 Como una medida de la importancia de la programación lineal, este curso
dedicara aproximadamente el 40% a la programación lineal y técnicas
relacionadas de optimización.
 Un problema de programación lineal (PL) es un problema de optimización
para el cual se efectúa lo siguiente.
 1.- Se intenta maximizar (minimizar) una función lineal de las variables de
decisión. La función que se desea maximizar o minimizar se llama función
objetivo.
 2.- Los valores de las variables de decisión deben satisfacer un conjunto de
restricciones. Cada restricción debe ser una ecuación lineal o una desigualdad
lineal.
 3.- Se relaciona una restricción de signo con cada variable. Para cualquier
variable 𝑥𝑖 , la restricción de signo especifica que 𝑥𝑖 no debe ser negativa
(𝑥𝑖 ≥ 0) o no tener restricciones de signo.
 Ejemplo: Giapetto`s Woodearving, inc., manufactura dos tipos de juguetes
de madera: soldados y trenes. Un soldado se vende en 27 dólares y requiere
10 dólares de materia prima. Cada soldado que fabrica incrementa la mano
de obra variable y los costos globales de Giapetto en 14 dólares. Un tren se
vende en 21 dólares y utiliza 9 dólares de su valor en materia prima. Todos los
trenes fabricados aumentan la mano de obra variable y los costos globales de
Giapetto en 10 dólares. La fabricación de soldados y trenes de madera
requiere dos tipos de mano de obra especializada: carpintería y acabados. Un
soldado necesita dos horas de trabajo de acabado y una hora de carpintería.
Un tren requiere una hora de acabado y una hora de carpintería. Todas las
semanas, Giapetto consigue todo el material necesario, pero sólo 100 horas
de trabajo de acabado y 80 de carpintería. La demanda de trenes es
ilimitada, pero se venden cuando mucho 40 soldados por semana. Giapetto
desea maximizar las utilidades semanales (ingresos – costos). Diseñe un
modelo matemático para la situación de Giapetto que se use para maximizar
las utilidades semanales de la empresa.
 Solución: Sean 𝑥1 , 𝑥2 las variables de decisión definidas como:
𝑥1 = N°de soldados de madera a fabricar semanalmente
𝑥2 = N°de trenes de madera a fabricar semanalmente
Luego, el modelo en programación lineal es:
Maximizar U(𝑥1 , 𝑥2 )= 27 − 10 − 14 𝑥1 + (21 − 9 − 10)𝑥2
= 3𝑥1 + 2𝑥2
Sujeto a :
2𝑥1 + 𝑥2 ≤ 100
𝑥1 + 𝑥2 ≤ 80
𝑥1 ≤ 40
Tal que 𝑥1 , 𝑥2 ≥ 0
R: 𝑥1 = 20 , 𝑥2 =60 y la utilidad máxima es 180 dólares
El método grafico

REALIZADO POR OSCAR SOL N.

El método gráfico

Un problema de programación lineal que presente solamente dos variables puede

resolverse gráficamente. Los pasos a seguir son los siguiente:
 Plantear en forma matemática el problema.
 Graficar o trazar las restricciones.
 Se determina la región de factibilidad identificando los puntos solución que
satisfacen en forma simultánea todas las restricciones.
 Se traza una recta de la función objetivo para un valor específico de dicha
función, teniendo en cuenta que ésta pase por la región factible
 Se desplazan rectas paralelas a las recta de la función objetivo en dirección
de los valores más altos(o más bajos) de dicha función, hasta que una de las
rectas paralelas tenga un único punto en común con la región de las
soluciones de la región de factibilidad. El punto en común es la solución
optima.

REALIZADO POR OSCAR SOL N.

Región de factibilidad y solución
optima

REALIZADO POR OSCAR SOL N.

Región de factibilidad y solución
óptima
 Región de factibilidad
La región de factibilidad para un modelo en programación lineal es el
conjunto de todos los puntos que satisfacen las restricciones del
modelo.

 Solución óptima
Para un problema de maximización , una solución óptima para un modelo
en programación lineal es un punto de la región de factibilidad con el
mayor valor de la función objetivo. Similarmente, para un problema de
minimización, una solución óptima corresponde a un punto de la región
factible con el menor valor de la función objetivo

REALIZADO POR OSCAR SOL N.

Forma Estándar de un modelo en
PL

REALIZADO POR OSCAR SOL N.

Forma Estándar

Forma estándar de un modelo en programación lineal

 Variables de holgura: Son tiempos (capacidades)no utilizados que no
contribuyen en nada a las utilidades.
 Variables de Excedentes: Son cantidades en exceso de algún nivel mínimo
requerido.
Luego, al añadir variables de holgura y/o excedente al modelo en programación
lineal, las restricciones se transforman en igualdades. En los casos en que las
restricciones están expresadas mediante igualdades, se dice que el modelo está
en forma estándar

REALIZADO POR OSCAR SOL N.

Forma Estándar

Ejemplo:
Escribir el ejemplo de los soldados y trenes en forma estándar
Solución:
En este caso el modelo en forma estándar es:
𝑈(𝑥1 , 𝑥2 ) = 3𝑥1 +2𝑥2 + 0𝑠1 + 0𝑠2 + 0𝑠3
Sujeto a
2𝑥1 + 𝑥2 + 𝑠1 = 100
𝑥1 + 𝑥2 + 𝑠2 = 80
𝑥1 + 𝑠3 = 40
Tal que 𝑥1 , 𝑥2 , 𝑠1 , 𝑠2 , 𝑠3 ≥ 0

REALIZADO POR OSCAR SOL N.

Análisis de sensibilidad

REALIZADO POR OSCAR SOL N.

Análisis de sensibilidad

El análisis de sensibilidad es un procedimiento que se utiliza normalmente

después que se obtiene la solución óptima, y que muestra, qué tan sensible es
dicha solución a los cambios que se realicen en los coeficientes, y en los
segundos miembros de las restricciones, de un modelo en programación lineal.
Utilizando el análisis de sensibilidad se pueden responder preguntas del tipo,
¿cómo afectará a la solución un cambio en un coeficiente de la función objetivo ?
, cómo afectará a la solución óptima un cambio en el valor del segundo miembro
de una restricción?, en general, ¿cómo afectará la solución los cambios que se
hagan en el modelo?

REALIZADO POR OSCAR SOL N.

Análisis de sensibilidad sobre los
coeficientes de la función objetivo
Análisis de sensibilidad para el ejemplo de la fabrica de
juguetes de soldados y trenes
En este caso, el modelo en programación lineal es:
𝑚𝑎𝑥𝑖𝑚𝑖𝑧𝑎𝑟 U(𝑥1 , 𝑥2 ) = 3𝑥1 + 2𝑥2
Sujeto a

REALIZADO POR OSCAR SOL N.

Análisis de sensibilidad sobre los
coeficientes de la función objetivo
Recordemos que la solución óptima para este problema es (20,60), es decir , para
optimizar las utilidades deben confeccionarse 20 soldados y 60 trenes. Veamos
que significaría aplicar el análisis de sensibilidad a este problema

REALIZADO POR OSCAR SOL N.

 Intervalos de óptimalidad

Consideremos la función objetivo

Donde
𝑐1 𝑅𝑒𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎 𝑙𝑎 𝑢𝑙𝑡𝑖𝑙𝑖𝑑𝑎𝑑 𝑝𝑜𝑟 𝑐𝑎𝑑𝑎 𝑠𝑜𝑙𝑑𝑎𝑑𝑜
𝑐2 𝑅𝑒𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎 𝑙𝑎 𝑢𝑙𝑡𝑖𝑙𝑖𝑑𝑎𝑑 𝑝𝑜𝑟 𝑐𝑎𝑑𝑎 𝑡𝑟𝑒𝑛
Despejando la variable dependiente 𝑥2 se obtiene

Donde

Corresponde a la pendiente de la recta de la función objetivo

REALIZADO POR OSCAR SOL N.

 Intervalos de óptimalidad

Puesto que la pendiente de la recta de la función objetivo se halla entre las

pendientes de las rectas L1 y L2 luego, se tiene la desigualdad:

De esto se desprende que el punto O(20,60) seguirá siendo óptimo siempre que

REALIZADO POR OSCAR SOL N.

Intervalo de óptimalidad para para el
coeficiente c1

Para calcular el intervalo de óptimalidad del coeficiente c1 mantendremos fijo el

coeficiente c2, esto es, supondremos fija la contribución a las utilidades de los
trenes en el valor de $2. Reemplazando este valor en

Resulta
𝑐1
−2 ≤ − ≤ −1
2

Multiplicando la inecuación por -1, se tiene:

2 ≤ 𝐶1 ≤ 4
Esto significa que, si mantenemos fijos los 2 dólares de utilidad para los trenes,
podemos hacer variar la contribución de las utilidades para los soldados en el
intervalo [2,4] y el punto O(20,60), seguirá siendo óptimo
REALIZADO POR OSCAR SOL N.
Intervalo de óptimalidad para para el
coeficiente c1

Conviene precisar que aunque la producción óptima de soldados y trenes se

mantiene, el valor de la función objetivo cambiará, es decir , cambiarán las
utilidades. En efecto , reemplazando los extremos del intervalo en la función
objetivo, se obtiene:
2*20+2*60=160, y por otro lado 4*20+2*60=200

REALIZADO POR OSCAR SOL N.

Intervalo de óptimalidad para para el
coeficiente 𝒄𝟐

Para calcular el intervalo de óptimalidad del coeficiente c2 mantendremos fijo el

coeficiente c1, esto es, supondremos fija la contribución a las utilidades de los
soldados en el valor de $ 3. Reemplazando este valor en

Resulta
3
−2 ≤ − ≤ −1
𝒄𝟐
Resolviendo las desigualdades:
3 3
−2 ≤ − y - ≤ −1
𝐶2 𝐶2
Se tiene
1.5 ≤ 𝐶2 ≤ 3
Esto significa que, si mantenemos fijos los 3 dólares de utilidad para los soldados,
podemos hacer variar la contribución de las utilidades para los soldados en el
intervalo [1.5,3] y el punto O(20,60), seguirá siendo óptimo

REALIZADO POR OSCAR SOL N.

Intervalo de óptimalidad para para el
coeficiente 𝒄𝟐

Conviene precisar que aunque la producción óptima de soldados y trenes se

mantiene, el valor de la función objetivo cambiará, es decir , cambiarán las
utilidades. En efecto , reemplazando los extremos del intervalo en la función
objetivo, se obtiene:
3*20+1.5*60=150, y por otro lado 3*20+3*60=240

REALIZADO POR OSCAR SOL N.

La regla del 100% para C1 y C2

REALIZADO POR OSCAR SOL N.

Regla del 100%

hemos dicho que el cambio en los coeficiente de la función objetivo es aplicable,

sólo, para uno de cada vez. Sin embargo si respetamos la regla del 100%podemos
efectuar cambios simultáneos sin que varíe la solución óptima.
Antes de aplicar la regla, debemos calcular, para cada coeficiente que se
modifica, el porcentaje de aumento o disminución permisible que el cambio
representa.
Para un coeficiente , el aumento permisible, es la cantidad máxima en que se
puede aumentarse el coeficiente sin exceder el límite superior del intervalo de
óptimalidad.
Y la disminución permisible, es la cantidad máxima en que puede disminuirse el
coeficiente sin caer por debajo del limite inferior del intervalo de óptimalidad

REALIZADO POR OSCAR SOL N.

Regla del 100%

La regla: Para todos los coeficientes de la función objetivo que cambien, se

suman los porcentajes de los aumentos y las disminuciones permisibles. Si la
suma de dichos porcentajes no excede el 100% , entonces la solución óptima no
cambiara.

REALIZADO POR OSCAR SOL N.

Regla del 100%

Ejemplo: Regla del 100% para los coeficientes de la función objetivos del
problema de los juguete de soldados y trenes
Solución
El análisis de sensibilidad del problema de soldado y trenes, mostro los siguientes
intervalos de óptimalidad

De tal modo que si C1=3, la cantidad máxima permisible, de aumento, es de 1

dólar.

REALIZADO POR OSCAR SOL N.

Regla del 100%

Supongamos que queremos aumentar el coeficiente C1 de 3 a 3.5 dólares. Esto

significa un aumento de 0.5 dólares. En consecuencia el porcentaje de aumento
para C1 es:

Por otra parte la cantidad máxima de aumento permisible, de C2, es de 1 dólar. Si

supone un aumento de C2 de 2 dólares a 2.5 , dólares esto es, un aumento de
0.5 dólares, entonces, el porcentaje de aumento de C2 es de :

REALIZADO POR OSCAR SOL N.

Regla del 100%

Observemos que la suma de los aumentos en ambos coeficientes es de :

Esto significa que si aumentamos ambos coeficientes en las cantidades

propuestas, entonces, la cantidad óptima de producción de 20 soldados y 60
trenes, seguirá siendo óptima y la función utilidad será de:

G=3.5*20+2.5*60=220 Dólares

REALIZADO POR OSCAR SOL N.

Análisis de sensibilidad sobre los
segundos miembros
de las restricciones
Los precios sombra

REALIZADO POR OSCAR SOL N.

Los precios sombra

Conviene preguntarse, ¿cómo afectará a la región

de soluciones factible, o a la solución óptima, un
cambio en los segundos miembros de las
restricciones?.

REALIZADO POR OSCAR SOL N.

Los precios sombra

Consideremos nuevamente el modelo en

programación lineal que maximiza las utilidades de
la fabricación de soldados y trenes y supongamos
que se disponen de 10 horas más de tiempo para la
operación de acabado, esto es, de 110 horas.
Luego, el modelo en programación lineal es

REALIZADO POR OSCAR SOL N.

Los precios sombra
Conviene preguntarse, ¿cómo afectará a la región
de soluciones factible, o a la solución óptima, un
cambio en los segundos miembros de las
restricciones?.
Maximizar U(𝑥1 , 𝑥2 ) = 3𝑥1 +2𝑥2
Sujeto a
𝟐𝑥1 +𝑥1 ≤ 110
𝑥1 +𝑥1 ≤ 80
𝑥1 ≤ 40 tal que 𝑥1 , 𝑥1 ≥ 0

REALIZADO POR OSCAR SOL N.

Los precios sombra
Maximizar U(𝑥1 , 𝑥2 ) = 3𝑥1 +2𝑥2
Sujeto a
𝟐𝑥1 +𝑥1 ≤ 110
𝑥1 +𝑥2 ≤ 80
𝑥1 ≤ 40
tal que 𝑥1 , 𝑥1 ≥ 0

REALIZADO POR OSCAR SOL N.

Los precios sombra
Conviene preguntarse, ¿cómo afectará a la región
de soluciones factible, o a la solución óptima, un
cambio en los segundos miembros de las
restricciones?.
Consideremos nuevamente el modelo en
programación lineal que maximiza las utilidades de
la fabricación de soldados y trenes y supongamos
que se disponen de 10 horas más de tiempo para la
operación de acabado, esto es, de 110 horas.
Luego, el modelo en programación lineal es
Maximizar U(𝑥1 , 𝑥2 ) = 3𝑥1 +2𝑥2
Sujeto a
REALIZADO POR OSCAR SOL N.
𝟐𝑥1 +𝑥1 ≤ 110
Los precios sombra

Podemos observar la recta 2𝑥1 + 𝑥2 ≤ 100, se ha desplazado levemente

hacia la derecha, ampliando la región de factibilidad, luego, el punto
óptimo ya no será el mismo, en este caso es (30,50), reemplazando
este valor en la función objetivo se obtiene una utilidad de :
U(x1,x2)=3*30+2*50=190 dólares
Podemos decir que el aumento de 10 horas en la operación de acabado,
produce un aumento de
190-180=10 dólares
Es decir, las utilidades aumentan en $1 dólar por hora.

Al cambio en el valor de la función objetivo, por el aumento unitario en

el valor del lado derecho de las restricciones se les llama Precio
Sombra

REALIZADO POR OSCAR SOL N.

Los precios sombra

 Nota: estos precios sombras se consideran interesantes porque permiten

obtener utilidades adicionales aumentando pequeñas cantidades los lados
derechos de la restricciones unitario de la restricciones el lado derecho

En general, se define el precio sombra, como el cambio en el valor de la función

objetivo, a causa del cambio unitario en el lado derecho de las restricciones.

REALIZADO POR OSCAR SOL N.

Ejemplo
 La asociación de estudiantes de una institución dispone de $100.000 y ha
pensado invertirlos en dos negocios. El primero le reporta una utilidad de $25
mensuales, y el segundo $40 mensuales por cada $100 invertidos. Debido a
ciertas en el primero. Se pide : plantear este problema como un modelo de
programación lineal. Condiciones impuestas por la asamblea de socios, se
debe invertir al menos el 25 % del capital en el primer negocio y no más del
50% en el segundo. Además, la cantidad invertida en el último no debe ser
mayor a 1.5 veces la cantidad invertida del negocio 1
Unidad 2: Modelo de transporte y sus
variantes.

En esta unidad, se analizan tres tipos especiales de

problema de programación lineal:
 Modelo de transporte
 Modelo de asignación
 Modelo de transbordo
Modelo de transporte
En la industria constantemente se presenta el problema
de trasladar productos desde los centros de producción
hasta los centros de distribución, esto genera un costo,
que incrementa el precio de venta; costo que buscamos
reducir. Para desarrollar el modelo suponemos que
conocemos los costos unitarios de transporte desde
cada una de las plantas a cada uno de los centros de
distribución, además de la oferta y la demanda en cada
centro.
El objetivo que perseguimos es minimizar los
costos asociados con el transporte. Las variables
de decisión las denotaremos por xij, la cual nos
indica el número de bienes que serán
transportados del origen i al destino j. Si además,
cij son los costos por unidad trasladada del origen
i al destino j, entonces la función que representa
los costos de transporte de todas las unidades se
calcula sumando el producto del costo unitario por
el número de unidades transportadas desde cada
uno de los orígenes a cada uno de los destinos.
Representación gráfica del modelo de transporte
Nota: Si la oferta es igual a la demanda, se dice
que el modelo de transporte está balanceado, es
decir:
𝑚 𝑛

෍ 𝑎𝑖 = ෍ 𝑏𝑗
𝑖=1 𝑗=1
Luego, lo podemos escribir en P.L.
Forma general del modelo en P.L. del modelo
de transporte:
Minimizar C =
𝑚 𝑛

෍ ෍ 𝑐𝑖𝑗 𝑥𝑖𝑗
𝑖=1 𝑗=1
Sujeto a
𝑛

෍ 𝑥𝑖𝑗 ≤ 𝑎𝑖 , ∀𝑖 = 1,2, … … … . , 𝑚
𝑗=1

෍ 𝑥𝑖𝑗 ≥ 𝑏𝑗 , ∀𝑗 = 1,2, … … … . , 𝑛
𝑖=1
Tal que 𝑥𝑖𝑗 ≥ 0 , ∀𝑖 = 1,2, … … … , 𝑚, ∀𝑗 = 1,2, … … … , 𝑛
Donde
𝑐𝑖𝑗 = 𝑐𝑜𝑠𝑡𝑜 𝑡𝑖𝑒𝑚𝑝𝑜 𝑑𝑒 𝑎𝑠𝑖𝑔𝑛𝑎𝑟 𝑒𝑙 𝑎
𝑎𝑙 𝑛𝑜𝑑𝑜 𝑗,∀𝑖 = 1,2, … … … . , 𝑚, ∀𝑗 = 1,2, … … … . , 𝑛
𝑥𝑖𝑗 =unidades transportadas desde el nodo i al nodo j,
∀𝑖 = 1,2, … … … . , 𝑚, ∀𝑗 = 1,2, … … … . , 𝑛
Ejemplo
PowerCo tiene tres plantas de generación de
energía eléctrica que suministran energía a cuatro
ciudades. Cada planta puede suministrar una cierta
cantidad límite y cada ciudad tiene una cierta
demanda máxima conocida la cual debe
satisfacerse. Los costos para enviar la energía de
cada planta a cada ciudad así como las demandas y
capacidades de suministro se dan en la siguiente
tabla
Formule un modelo de PL que minimice el costo del envio y
que satisfaga la demanda máxima de energía en cada
ciudad.
solución

.
Modelo de Asignación:

Este problema se refiere a la asignación de

agentes a trabajos, en forma tal que minimicen
los costos o tiempos de esa asignación
Podemos decir que es un caso particular del
modelo de transporte, donde la oferta en cada
nodo de origen es 1y la demanda en cada nodo
destino es 1
.
Nota: Si la oferta es igual a la demanda, se dice
que el modelo de asignacion está balanceado, es
decir:
𝑚 𝑛

෍ 𝑎𝑖 = ෍ 𝑏𝑗
𝑖=1 𝑗=1
Luego, lo podemos escribir en P.L.

.
Forma general del modelo de asignación en
P.L. :
Minimizar T =
𝑚 𝑛

෍ ෍ 𝑐𝑖𝑗 𝑥𝑖𝑗
𝑖=1 𝑗=1
Sujeto a
𝑛

෍ 𝑥𝑖𝑗 = 1 , ∀𝑖 = 1,2, … … … . , 𝑚
𝑗=1

෍ 𝑥𝑖𝑗 = 1 , ∀𝑗 = 1,2, … … … . , 𝑛
𝑖=1
Tal que 𝑥𝑖𝑗 ≥ 0 , ∀𝑖 = 1,2, … … … , 𝑚, ∀𝑗 = 1,2, … … … , 𝑛
Donde
𝑐𝑖𝑗 = 𝑐𝑜𝑠𝑡𝑜 𝑜 𝑡𝑖𝑒𝑚𝑝𝑜 𝑑𝑒 𝑎𝑠𝑖𝑔𝑛𝑎𝑟 𝑒𝑙 𝑎gente i a la tarea j
,∀𝑖 = 1,2, … … … . , 𝑚, ∀𝑗 = 1,2, … … … . , 𝑛
1 𝑠𝑖 𝑠𝑒 𝑎𝑠𝑖𝑔𝑛𝑎 𝑒𝑙 𝑎𝑔𝑒𝑛𝑡𝑒 𝑖 𝑎 𝑙𝑎 𝑡𝑎𝑟𝑒𝑎 𝑗
𝑥𝑖𝑗 = ቊ
0 𝑠𝑖 𝑛𝑜 𝑠𝑒 𝑎𝑠𝑖𝑔𝑛𝑎 𝑒𝑙 𝑎𝑔𝑒𝑛𝑡𝑒 𝑖 𝑎 𝑙𝑎 𝑡𝑎𝑟𝑒𝑎 𝑗
∀𝑖 = 1,2, … … … . , 𝑚, ∀𝑗 = 1,2, … … … . , 𝑛
Ejemplo: Machineco tiene cuatro máquinas y tiene que
terminar cuatro trabajos. Hay que asignar cada
máquina para que termine un trabajo completo. El
tiempo requerido para preparar cada máquina para
terminar cada trabajo se muestra en la siguiente Tabla.
Machineco quiere minimizar el tiempo total de
preparación que se requiere para terminar los cuatro
trabajos.
Modelo de Transbordo
Un problema de transporte solamente permite
envíos que van directamente desde un nodo de
oferta, hacia un nodo de demanda.
En muchas situaciones, se permiten envíos entre
nodos de oferta o entre nodos de demanda..
Algunas veces, también puede haber nodos(
llamados nodos de transbordo) a través de los
cuales se puede tranbordar bienes en su viaje
desde un nodo oferta hacia un nodo de demanda.
En lo que sigue, un nodo de transbordo es un nodo
que tanto puede recibir bienes de otros nodos
como enviar bienes hacia otros nodos.

REALIZADO POR OSCAR SOL N.

Torres quiere minimizar el costo total de enviar
los dispositivos requeridos.
Nota: Si la oferta es igual a la demanda, se dice
que el modelo de transbordo está balanceado, es
decir:
෍ 𝑎𝑖 = ෍ 𝑏𝑗
𝑖=1 𝑗=1
Luego, lo podemos escribir en P.L.
Forma general del modelo de transbordo en P.L. :

෍
Ejemplo: Torres produce dispositivos mecánicos en dos
fábricas, una en Memphis y otra en Denver. La fábrica
en Menphis puede producir diariamente hasta 150
dispositivos, y la fábrica en Denver puede producir
diariamente hasta 200. Los dispositivos se envían por
avión a los clientes en los Ángeles y en Boston. Los
clientes en cada ciudad requieren diariamente 130
dispositivos. Debido a falta de reglamentación de las
tarifas aéreas , Torres cree que podría ser más
barato mandar algunos dispositivos a Nueva York o
Chicago y después mandarlos a sus destinos finales.
Los costos para mandar un dispositivo por avión se
muestran en la siguiente tabla.