TFG - Christian Carballo

Optimización en redes.
El problema
del transporte
Trabajo Fin de Grado

Grado en Matemáticas
Christian Carballo Lozano
Trabajo dirigido por

Gloria Pérez Sainz de Rozas
Leioa, 23 de Junio de 2015

Índice general
Agradecimientos v
Introducción vii
Resumen ix
Objetivos xi
1. Programación en redes 1
1.1. Conceptos básicos de redes . . . . . . . . . . . . . . . . . . . 1
1.2. Matriz de incidencia nudo-arco . . . . . . . . . . . . . . . . . 8
1.3. La variable artificial . . . . . . . . . . . . . . . . . . . . . . . 10
1.4. Caracterización de las bases . . . . . . . . . . . . . . . . . . . 11
1.5. Unimodularidad total e intregralidad . . . . . . . . . . . . . . 13
1.6. Método simplex para problemas de redes . . . . . . . . . . . . 14
1.7. Problema de flujo de redes de costo mı́nimo . . . . . . . . . . 17
1.7.1. Caso particular: problema de la ruta mı́nima . . . . . 20
1.8. Problemas de redes enteros . . . . . . . . . . . . . . . . . . . 24
2. El problema del transporte 25

2.1. Desarrollo histórico . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2. El problema del transporte clásico . . . . . . . . . . . . . . . 25
2.3. Búsqueda de una solución inicial . . . . . . . . . . . . . . . . 29
2.4. El algoritmo del transporte . . . . . . . . . . . . . . . . . . . 29
3. Extensiones del problema del transporte 33

3.1. Problema de transbordo . . . . . . . . . . . . . . . . . . . . . 33
3.1.1. Resolución del problema . . . . . . . . . . . . . . . . . 35
3.1.2. Red de suministro eléctrica . . . . . . . . . . . . . . . 37
3.2. Transporte con localización y coste de producción . . . . . . . 40
3.2.1. Modelización del problema . . . . . . . . . . . . . . . 41
3.2.2. Expansión estratégica de una empresa . . . . . . . . . 42
iii
A. Resolución de problemas en entorno COIN-OR con solver
de CPLEX 45
A.1. Resolución de problemas de flujo de redes a costo mı́nimo . . 46
A.2. Resolución de problemas de transporte y transbordo . . . . . 52
B. Experiencia computacional. Generación aleatoria de casos

en Matlab 57
C. Resolución del problema de la expansión de una empresa 61
Bibliografı́a 65
iv
Agradecimientos
A Gloria por todo el tiempo que ha dedicado a dirigirme el proyecto y

guiarme durante el mismo, ayudándome en lo que he necesitado.
A la Universidad del Paı́s Vasco, y en especial a aquellos profesores que
me han dedicado su tiempo y me han ayudado durante el transcurso del
grado.
A mi familia por estar siempre ahı́, tanto en los buenos momentos como
en los no tan buenos.
v
Introducción
La programación lineal es una rama de las matemáticas que se encuentra

dentro de la optimización o programación matemática y que estudia los
problemas de la forma
mı́n c x
Ax ≥ b
x≥0
donde x ∈ Mn×1 , c ∈ M1×n , A ∈ Mm×n con Rg(A) = m ≤ n y b ∈ Mm×1 . Si
se sustituye x ≥ 0 por x ∈ Zn se tiene un problema de programación entera.
Dentro de la programación matemática, se encuentra una clase de pro-
blemas conocidos como problemas de redes. Hay tres propiedades principales
que propician el uso de redes para abordar los problemas de optimización:
Contenido visual: La posibilidad de representar los problemas de redes

mediante un grafo o diagrama conlleva una facilidad a la hora de com-
prender la estructura del problema y las relaciones entre las variables o
constantes que intervienen. Las representaciones utilizadas en los mo-
delos de redes le deben mucho a aquellas de la teorı́a de grafos, cuyos
orı́genes se remontan a los años 1700 con el trabajo del matemático
suizo Euler.
Flexibilidad y extensión de los modelos: Una importante caracterı́sti-

ca es la diversidad de problemas que pueden ser modelados mediante
redes. Hoy en dı́a es complicado descubir un campo en el que la op-
timización de redes no esté presente. La parte algorı́tmica es la que
mayor interés despierta en el campo de las matemáticas, mientras que
en ciencias fı́sicas e ingenierı́as las redes tienen aplicación en diseño de
circuitos eléctricos, telecomunicaciones, sistemas de transporte, ges-
tión de aguas y procesos quı́micos entre otras cosas. En el campo de
la economı́a y la empresa se utiliza prácticamente en todos los secto-
res la optimización de redes, por ejemplo en problemas de producción,
distribución, planificación financiera y en selección de proyectos. La
buena modelización de un problema puede ser tan importante como
el método de resolución y la potencia de la computadora. En efecto,
las mejores técnicas matemáticas y la computadora más potente no
vii
viii
hallarán una buena solución ante un problema modelizado de manera

pobre.
Resolubilidad: El primer método de resolución con garantı́a teórica

de optimalidad apareció en 1947 cuando G. B. Dantzig desarrolló el
método simplex. Aun ası́, la habilidad para resolver problemas de redes
complejos se mantuvo sin demostrar. En los años 1970 y 1980 hubo
un gran avance en los códigos computacionales, obteniendo programas
100-150 veces más rápidos que en la década previa. Los problemas
de redes tienen algoritmos particulares, que suelen ser desarrollados a
partir de otros algoritmos más generales.
Los problemas de transporte son un caso particular de los problemas

de redes, y es uno de los primeros problemas abordados como red, aunque
inicialmente fue formulado como un problema de programación lineal. En la
realidad, su uso se ha reflejado en ahorros importantes para empresas como
puede verse en el siguiente ejemplo real, ver [9].
Procter & Gamble (P & G) produce y comercializa más de 300 marcas
de productos a nivel mundial. Esta compañı́a ha crecido continuamente a
través de su larga historia que data desde 1830. Para mantener y acelerar
ese crecimiento, se realizó un importante estudio de Investigación de Ope-
raciones para fortalecer la efectividad global de P & G. Antes del estudio,
la cadena de suministro de la compañı́a consistı́a en cientos de proveedores
para las 50 categorı́as de productos en 60 plantas, 15 centros de distribu-
ción y más de 1000 zonas de consumo. Sin embargo, en la medida en que la
compañı́a consideró marcas globales, la administración se percató de que se
requerı́a consolidar las plantas a fin de reducir los gastos de manufactura,
mejorar la velocidad de entrega al mercado y reducir la inversión de capital.
Por lo cual, el estudio se enfocó al rediseño del sistema de producción y
distribución de la compañı́a para sus operaciones en Norteamérica. El resul-
tado fue una reducción del número de plantas en Norteamérica de casi 20 %,
ahorrando más de 200 millones de dólares en costos antes de impuestos por
año.
Gran parte del estudio consistió en la formulación y solución de proble-
mas de transporte de categorı́as individuales de producto. Para cada opción
referente a mantener abiertas ciertas plantas, la solución del correspondiente
problema de transporte para cierta categorı́a de producto mostró cuál serı́a
el costo de distribución para enviar dicha categorı́a de producto desde esas
plantas hacia los centros de distribución y zonas de consumo.
Resumen
El texto está dividido en tres capı́tulos. Se explicarán conceptos, teorı́a y

modelos que intervendrán de manera directa en los capı́tulos posteriores.
En el primer capı́tulo se abordarán los problemas lineales de redes. Se
describe la teorı́a relativa a redes y con ello se desarrolla el método simplex
para redes, una especialización del método simplex. Además se introducen
los problemas de flujo de redes a costo mı́nimo.
En el segundo capı́tulo se exponen los problemas de transporte y algún
caso particular del mismo, para lo cual no será prácticamente necesario el
desarrollo de nueva teorı́a, siendo válido todo lo expuesto en el capı́tulo
previo.
En el tercer capı́tulo se extiende el concepto de problemas de transporte,
mediante modelos más completos que pretenden adecuarse algo más a los
modelos de la vida real. A pesar de no ser problemas de transporte, están
estrechamente relacionados con ellos y por lo tanto podrá ser explotada su
estructura interna de problema de transporte.
Por último, en los apéndices se encuentran los programas utilizados para
resolver los problemas y los ejemplos del texto, se explica como resolver el
problema de costo mı́nimo, de transporte o de transbordo computacional-
mente y se realizan pruebas computacionales que demuestran la importancia
de las propiedades de los problemas de redes.
ix
Objetivos
El objetivo del texto es describir el problema del transporte. Para ello se ha

introducido la teorı́a relativa a la optimización en redes de tipo continuo, es
decir, problemas de redes en los que está garantizada la integralidad.
En una segunda parte se explican algunas extensiones del problema del
transporte, el problema del transbordo y el problema de transporte con
localización. En la última extensión se presentan problemas de redes de tipo
discreto que se resolverán utilizando técnicas de programación entera.
Por último, es importante observar que las técnicas de computación y
optimización son una parte fundamental para la resolución del tipo de pro-
blemas que se explican en el texto.
xi
Capı́tulo 1
Programación en redes
En este capı́tulo se introducen los conceptos básicos de grafos y redes, junto

con la descripción del método simplex para problemas de redes. Por último,
se explican los problemas de flujo de redes a costo mı́nimo.
1.1. Conceptos básicos de redes

Definición 1.1.1. Un grafo dirigido o digrafo G está compuesto por un
conjunto no vacı́o N de elementos llamados nudos y un conjunto finito A
de pares ordenados de nudos distintos llamados arcos.
Se denotará G = (N , A), con N = {1, 2, . . . , m} el conjunto de nudos y

A = {e1 , e2 , . . . , en } el conjunto de arcos. Se supone que G no tiene arcos
dobles. Para un arco dirigido ek que va del nudo i al nudo j, se define
F (ek ) = i y T (ek ) = j, o equivalentemente se dice que i es el nudo from
y que j es el nudo to. Formalmente ek = (F (ek ), T (ek )). Se dice que ek es
incidente en los nudos i y j y que los nudos i y j son adyacentes.
Se supondrá, si no se dice lo contrario, que el término grafo se refiere a
grafo dirigido. En efecto, si existe un arco no dirigido entre los nudos i y j, se
interpretará que dicho arco existe en ambas direcciones, es decir, (i, j) ∈ A
y (j, i) ∈ A.
Un grafo se dice que es un grafo propio si |N | ≥ 2 y |A| ≥ 1.
Definición 1.1.2. Una red es un grafo en el cual los nudos o arcos tienen
asociado algún valor numérico (costo, capacidad,. . . ).
Definición 1.1.3. Un grafo Ĝ = (N̂ , Â) se dice que es un subgrafo de un

grafo G = (N , A) si N̂ ⊂ N y Â ⊂ A.
Cuando N̂ = N , se dice que Ĝ es un subgrafo extendido de G.
Definición 1.1.4. Un camino en G del nudo i1 al nudo is+1 es una secuencia

de nudos y arcos distintos P = {i1 , ej1 , i2 , ej2 , . . . , is , ejs , is+1 }, donde ∀k :
1 ≤ k ≤ s, se cumple ejk = (ik , ik+1 ) o ejk = (ik+1 , ik ).
1
2 1.1. Conceptos básicos de redes
1 (6) e4 4
(10) e3 (20) e7
(7) e1 3 (8) e5
(9) e2 (15) e6
2 5
Figura 1.1: Ejemplo de una red propia. N = {1, 2, 3, 4, 5} y A =

{e1 , e2 , e3 , e4 , e5 , e6 , e7 }.
En ocasiones el camino P se escribe indicando únicamente los nudos

P = {i1 , i2 , . . . , is+1 } o los arcos P = {ej1 , ej2 , . . . , ejs }.
Definición 1.1.5. Un grafo G = (N , A) se dice conectado si para cualquier

par de nudos i, j ∈ N existe un camino de i a j.
Definición 1.1.6. La secuencia C = {i1 , ej1 , i2 , ej2 , i3 , . . . , is , ejs , is+1 } se

dice que es un ciclo en G si {i1 , ej1 , i2 , ej2 , . . . , ejs−1 , is } es un camino en G,
i1 = is+1 y ejs = (is , is+1 ) o ejs = (is+1 , is ).
Definición 1.1.7. Se llama longitud de un camino o ciclo al número de

arcos que lo componen.
Definición 1.1.8. Se define el vector orientación O(P ) de un camino o ciclo

P = {i1 , ej1 , . . . , ejs , is+1 } de longitud s en G como
(
1, si el arco ejk = (ik , ik+1 )
Oejk (P ) =
−1, si el arco ejk = (ik+1 , ik )
Definición 1.1.9. Un grafo es acı́clico si no posee ciclos.
Definición 1.1.10. Un árbol es un grafo acı́clico y conectado.
Definición 1.1.11. Un árbol extendido en G es un árbol que además es un

subgrafo extendido de G.
Teorema 1.1.1. Sea T = (N , A) un grafo con al menos un nudo. Entonces

son equivalentes:
(i) T es un árbol.
Capı́tulo 1. Programación en redes 3
1 e4 4
e3
e2
Figura 1.2: Ejemplo de un árbol. Un camino en el árbol es P =

{2, e2 , 3, e3 , 1, e4 , 4}. El vector orientación de P es O(P ) = [−1, −1, 1].
1 4
e3 e7
e2 e6
2 5
Figura 1.3: Ejemplo de un árbol extendido en la Figura 1.1.
(ii) Para cada par de nudos p, q ∈ N , hay un único camino en T de p a q.

(iii) T tiene un arco menos que nudos y es conectado.
(iv) T tiene un arco menos que nudos y es acı́clico.
Demostración. Sea T = (N , A) un grafo con al menos un nudo.
(i)⇒(ii). Se supone que T = (N , A) es un árbol y sean p, q ∈ N , p 6= q.
Por reducción al absurdo, se suponen dos caminos distintos P = {i1 , ej1 , i2 , . . . , is , ejs , is+1 }
y P 0 = {i01 , e0j1 , i02 , . . . , i0t , e0jt , i0t+1 } de p a q. Sea u el menor entero positivo
tal que iu = i0u y iu+1 6= i0u+1 (existe dicho u porque i1 = i01 y si no existiera,
los caminos P y P 0 serı́an el mismo). Ahora, sea v el menor entero positivo,
con v > u y tal que para algún w, iv = i0w (existe dicho v ya que al menos
is+1 = i0t+1 ). Se puede construir un ciclo
C = {iu , eju , iu+1 , eju+1 , . . . , iv = i0w , e0jw−1 , i0w−1 , e0jw−2 , . . . , i0u = iu }
en T . Absurdo por ser T un árbol. Entonces P = P 0 para cualquier par de

caminos P, P 0 de p a q.
(ii)⇒(iii). Se supone cierto (ii). Sea |N | = m, se probará (iii) por induc-
ción sobre m. Para m = 2, como hay un único camino que va de un nudo
al otro, entonces T tiene un único arco y queda probado. Se supone cierto
(iii) hasta un número entero m y se probará que se cumple (iii) para m + 1.
Sea T = (N , A) un árbol con m + 1 nudos. Sea er ∈ A, se definen
M1 = {i : i ∈ N y er no está en el camino que va de F (er ) a i},

M2 = {i : i ∈ N y er no está en el camino que va de T (er ) a i}.
Por tener un camino al menos un arco, y por la definición de los conjuntos

M1 y M2 , se afirma que ni F (er ) ni T (er ) están en M1 o M2 . Se verá que
cualquier otro nudo de N está en M1 ∪ M2 . Sea p ∈ N − {F (er ), T (er )}.
Sea P = {i1 , ej1 , i2 , ej2 , . . . , ejs , is+1 } el único (por (ii)) camino que va de
F (er ) a p, de longitud s. Si er ∈ / P , entonces p ∈ M1 . En caso contrario, si
er ∈ P , necesariamente er = ej1 por ser los nudos de un camino distintos,
y como los arcos de un camino también son distintos, entonces el camino
de T (er ) a p, Q = {i2 , ej2 , i3 , ej3 , . . . , ejs , is+1 }, no contiene al arco er . Por
tanto, p ∈ M2 .
Para ver que M1 y M2 son disjuntos, por reducción al absurdo se supone
que existe un nudo p ∈ M1 ∩ M2 . Entonces existe un camino P de F (er )
a p y un camino P 0 de T (er ) a p en los cuales no está el arco er . Sea t la
longitud de P 0 , entonces Q = {F (er ), er , i01 , e0j1 , i02 , e0j2 , . . . , i0t+1 } es un camino
de F (er ) a p distinto a P , ya que er ∈ / P . Se ha llegado a un absurdo, ya
que contradice (ii).
Por lo tanto, se ha demostrado que N 1 = M1 ∪ {F (er )} y N 2 = M2 ∪
{T (er )} son disjuntos, no vacı́os y contienen todos los nudos de N , es decir,
N = N 1 ∪ N 2 (unión disjunta).
Se definen ahora los conjuntos
A1 = {ej : ej ∈ A y ej está en el camino de F (er ) a i, para algún i ∈ M1 },

A2 = {ej : ej ∈ A y ej está en el camino de T (er ) a i, para algún i ∈ M2 }.
El arco er ∈/ A1 ∪ A2 . Se verá que cualquier otro arco de A está en A1 ∪ A2 .

Sea un arco eu tal que eu ∈ A − {er }. Si F (eu ) = F (er ), entonces eu ∈ A1 .
En caso contrario, si F (eu ) 6= F (er ), sea P = {i1 , ej1 , i2 , ej2 , . . . , ejw , iw+1 }
el único camino en T de F (er ) a F (eu ) entonces si er ∈ P , er tiene que ser
el primer arco del camino. Se consideran ahora cuatro casos:
1. Si er , eu ∈
/ P , entonces Q = {i1 , ej1 , . . . , iw+1 , eu , T (eu )} es un camino
/ Q. Por lo tanto, T (eu ) ∈ M1 y eu ∈ A1 .
de F (er ) a T (eu ) tal que er ∈
/ P y eu ∈ P , entonces F (eu ) ∈ M1 y eu ∈ A1 .
2. Si er ∈
3. Si er ∈ P y eu ∈/ P , entonces Q = {i2 , ej2 , . . . , iw+1 , eu , T (eu )} es un

/ Q. Por lo tanto T (eu ) ∈ M2 y
camino de T (er ) a T (eu ) tal que er ∈
eu ∈ A2 .
4. Si er , eu ∈ P . Si T (eu ) = T (er ), entonces eu ∈ A2 . En caso contrario, si

T (eu ) 6= T (er ), entonces Q = {i2 , ej2 , . . . , iw+1 } el un camino de T (er )
a F (eu ) tal que er ∈ / Q. Por lo tanto, F (eu ) ∈ M2 y eu ∈ A2 .
Por tanto, se tiene que eu ∈ A1 ∪ A2 .

Ahora se verá que A1 y A2 son conjuntos disjuntos. Para ello, por re-
ducción al absurdo se supone que existe un arco ej tal que ej ∈ A1 ∩ A2 .
Entonces existen nudos p ∈ M1 y q ∈ M2 , y caminos P = {i1 , ej1 , . . . , it }
de F (er ) a p y P 0 = {i01 , e0j1 , . . . , i0v } de T (er ) a q, con ej ∈ P y ej ∈ P 0 . Por
consiguiente, existen k y l dos enteros positivos tal que ik = i0l = F (ej ). En-
tonces Q = {i1 , ej1 , . . . , ik } y Q0 = {i01 , e0j1 , . . . , i0l } son los caminos de F (er )
a F (ej ) y de T (er ) a F (ej ), respectivamente. Por definición de M1 y M2 ,
er ∈
/ P y er ∈ / P 0 , luego er ∈ / Q y er ∈ / Q0 . Se tiene entonces que F (ej ) ∈ M1
y F (ej ) ∈ M , absurdo porque se ha visto previamente que M1 ∩ M2 = ∅.
2
Se ha demostrado entonces que A1 ∩ A2 = ∅ y que A = A1 ∪ A2 ∪ {er }

(unión disjunta).
Se definen T 1 = (N 1 , A1 ) y T 2 = (N 2 , A2 ), que son subgrafos de T tal
que N 1 ∩ N 2 = ∅ y A1 ∩ A2 = ∅. Se demostrará ahora que T 1 y T 2 son
grafos conectados. Sean p, q ∈ N 1 distintos, se consideran tres casos.
1. Si p = F (er ), entonces q ∈ M1 y por definición de M1 existe un

camino de p a q, que necesariamente está en T 1 .
2. Si q = F (er ), entonces p ∈ M1 y por definición de M1 existe un

camino de q a p, que necesariamente está en T 1 .
3. Si p 6= F (er ) y q 6= F (er ), entonces por definición de M1 , existen

caminos P = {i1 , ej1 , . . . , it } y P 0 = {i01 , e0j1 , . . . , i0v } en T de F (er ) a p
y de F (er ) a q, respectivamente. Necesariamente P y P 0 también son
caminos en T 1 . Sea k el mayor entero tal que ik = i0k , dicho entero
existe ya que i1 = i01 , it = p, i0v = q y p 6= q. Se define la secuencia
Q = {it , ejt−1 , it−1 , ejt−2 , . . . , ik = i0k , e0jk , i0k+1 , e0jk+1 , . . . , i0v }, que es un
camino de p a q y que necesariamente es un camino en T 1 .
Entonces, T 1 es un grafo conectado. Análogamente, T 2 es conectado.

Como T cumple (ii), T 1 y T 2 heredan también (ii). El número de nudos
de T 1 y de T 2 es menor que m + 1 y cada uno tiene al menos un nudo.
Por inducción, como se habı́a supuesto cierto (iii) hasta m nudos, se puede
afirmar que T 1 y T 2 tienen un arco menos que nudos. Sean m1 y m2 los
cardinales de N 1 y N 2 , respectivamente, entonces por ser disjuntos y con-
tener todos los nudos de T , se cumple m1 + m2 = m + 1. Como A1 , A2 y
{er } son disjuntos dos a dos y contienen todos los arcos de T , entonces el
número de arcos de T es (m1 − 1) + (m2 − 1) + 1 = m1 + m2 − 1 = m. Se

ha demostrado que (iii) se cumple para árboles con m + 1 nudos, luego se
ha completado la demostración por inducción.
(iii)⇒(iv). Se supone (iii) cierto y sea m el número de nudos en T =
(N , A), solo queda demostrar que T es acı́clico. Por reducción al absurdo,
se supone que hay un ciclo C de longitud s en T . Entonces C tiene s nudos
distintos y s arcos distintos. Sean N 1 y A1 el conjunto de nudos y el conjunto
de arcos, respectivamente, que componen el ciclo C, entonces N − N 1 6= ∅,
ya que si fuera s = m entonces no se tendrı́a un arco menos que nudos y
contradirı́a la hipótesis inicial. Sea N 2 el conjunto de nudos de N − N 1
que están conectados con un nudo de N 1 por algún camino de longitud 1.
Por ser T conectado, N 2 6= ∅. Sea A2 el conjunto de arcos que forman un
camino de longitud 1 entre algún nudo de N 2 y algún nudo de N 1 , A2 tiene
al menos tantos arcos como nudos tiene N 2 y además ninguno pertenece a
A1 . Mientras que N − j=1,...,i N j 6= ∅, se puede continuar con el proceso,
S
definiendo N i+1 como el conjunto de todos los nudos en N − j=1,...,i N j

S
conectados con un nudo de N i por un camino de longitud 1 y definiendo

Ai+1 como el conjunto de arcos que forman un camino de longitud 1 entre
algún nudo de N i+1 y alguno de N i . Del mismo modo que antes, Ai+1
contiene al menos tantos arcos como nudos, y ninguno de los arcos pertenece
a j=1,...,i Aj . Por ser N finito, el proceso acaba en algún momento. Cuando
S
eso ocurra, se habrán identificado tantos nudos como arcos, lo que contradice
la hipótesis de que T tiene un arco menos que nudos. Se concluye entonces
que T es acı́clico y por tanto, que cumple (iv).
(iv)⇒(i). Suponiendo (iv) cierto, solo queda demostrar que T = (N , A)
es conectado. Sea M el conjunto de los subgrafos conectados maximales
de T (un subgrafo se dice conectado maximal si no existe otro subgrafo
conectado de T que le contenga), y sea p ∈ N . Si no existe un arco en A
que sea incidente en p, entonces T 1 = ({p}, ∅) ∈ M. En caso contrario,
si ej es un arco de A incidente en p, entonces T 2 = ({F (ej ), T (ej )}, {ej })
es un subgrafo de algun grafo de M. Por lo tanto, cualquier nudo de N
estará en algún grafo de M. Con el mismo razonamiento, se afirma que
cualquier arco de A estará en algún grafo de M. Los conjuntos de nudos y
arcos de los grafos de M son disjuntos dos a dos, ya que en caso contrario
no serı́an subgrafos maximales. Por ser T acı́clico, cada componente de M
también es acı́clica, luego un árbol. Si M se compone de al menos dos grafos,
entonces el número de arcos en algún grafo de M necesariamente es menor
que la cantidad de nudos del grafo menos uno (ya que T tiene un arco
menos que nudos). Sin embargo, por ser árboles, los grafos de M tienen
que tener un arco menos que nudos. Es decir, necesariamente M tiene que
estar compuesto únicamente por un elemento, el propio T . Se ha demostrado
entonces que T es conectado y por consiguiente, que es un árbol.
Definición 1.1.12. Se dice grado de un nudo i al número de arcos incidentes

en i.
Un nudo de grado 1 se denomina nudo final.
Proposición 1.1.2. La suma de los grados de todos los nudos de un grafo

es dos veces el número de arcos del grafo.
Demostración. Cada arco es incidente en dos nudos, nudo from y nudo to,
luego cada arco suma 2 al sumatorio de grados. Entonces la suma de de los
grados de todos los nudos es dos veces el número de arcos.
Teorema 1.1.3. Un árbol T = (N , A) con |N | ≥ 2 tiene al menos dos

nudos finales.
Demostración. Sea T = (N , A) un árbol con |N | = m ≥ 2. Todo nudo de T

es incidente en al menos un arco (en caso contrario, si existiera un nudo que
no fuera incidente en ningún arco, el grafo no serı́a conectado y por lo tanto
no serı́a un árbol). Por el Teorema 1.1.1, T tiene m − 1 arcos. Por reducción
al absurdo, se supone que T tiene menos de dos nudos finales. Pueden darse
dos casos:
1. TPno tiene nudos finales, es decir, para cada i ∈ N , D(i) ≥ 2. Entonces

D(i) ≥ 2m > 2(m − 1). Absurdo, ya que por la Proposición 1.1.2,
i∈N
P
D(i) = 2(m − 1).
i∈N
2. T tiene un nudo final P P = 1 y para cada i ∈ N − {j},

j. Es decir, D(j)
D(i) ≥ 2. Entonces, D(i) = 1 + i∈N −{j} D(i) ≥ 1 + 2(m − 1).
i∈N P
Absurdo, ya que por la Proposición 1.1.2, D(i) = 2(m − 1) <
i∈N
1 + 2(m − 1).
Por lo tanto se concluye que T tiene al menos dos nudos finales.
Proposición 1.1.4. Sea T = (N , A) un árbol con m ≥ 2 nudos. Sea i un

nudo final de T y ej el único arco incidente sobre i en T . Si N̂ = N − {i}
y Â = A − {ej }, entonces T̂ = (N̂ , Â) es un árbol.
Demostración. T es un árbol, luego es acı́clico por el Teorema 1.1.1. Enton-

ces, T̂ es acı́clico por ser un subgrafo de T . Además, como T tiene un arco
menos que nudos y T̂ tiene un arco y un nudo menos que T , T̂ también
tiene un arco menos que nudos. Por el Teorema 1.1.1, T̂ es un árbol.
Teorema 1.1.5. Todo grafo conectado G = (N , A) con al menos un nudo,

contiene un subgrafo que es un árbol extendido.
8 1.2. Matriz de incidencia nudo-arco
Demostración. Si G es un árbol, no hay nada que demostrar. En caso con-

trario, si G no es un árbol entonces G tiene algún ciclo (es conectado, por lo
tanto le falta ser acı́clico para ser árbol). Sea ej1 un arco que forma el ciclo,
se define G1 = (N , A1 ), donde A1 = A − ej1 , que es el grafo G eliminando el
arco ej1 (nótese que G1 sigue siendo conectado). Si G1 es un árbol, se ha ter-
minado la demostración. En caso contrario G1 tiene algún ciclo y del mismo
modo que en el paso anterior se define G2 = (N , A2 ), con A2 = A1 − ej2 .
Se procede con el mismo mecanismo y por ser G finito existe un k tal que
Gk no contiene ciclos. Como también es conectado (por construcción), Gk
es un árbol. Además, como Gk es subgrafo extendido de G (ya que no se
han eliminado nudos), entonces se concluye que Gk es un árbol extendido en
G.
1.2. Matriz de incidencia nudo-arco

La información de un grafo G = (N , A), con N = {1, 2, . . . , m} y A =
{e1 , e2 , . . . , en } se puede dar mediante la denominada matriz de incidencia
nudo-arco.
Definición 1.2.1. Se define la matriz de incidencia nudo-arco, o simple-

mente matriz de incidencia A de un grafo G como la matriz con una fila
asociada a cada nudo y una columna a cada arco (aiej elemento de A aso-
ciado al nudo i y arco ej ) definida de la siguiente manera:

1,
 si F (ej ) = i
aiej = −1, si T (ej ) = i

0, en otro caso.

Equivalentemente, la columna de A asociada al arco ej viene dada por
aej = eF (ej ) − eT (ej )
donde ek representa el vector canónico k-ésimo de la base de Rm (vector de

ceros con elemento 1 en la posición k).
La matriz de incidencia nudo-arco asociada al grafo de la Figura 1.1 es:
e1 e2 e3 e4 e5 e6 e7
 
1 −1 0 1 1 0 0 0
2 
 1 −1 0 0 0 0 0 

A= 3 
 0 1 −1 0 0 −1 1 

4  0 0 0 −1 1 0 −1 
5 0 0 0 0 −1 1 0
Proposición 1.2.1. Sea P = {i1 , ej1 , i2 , ej2 , . . . , is , ejs , is+1 } un camino o

un ciclo en un grafo propio G. Sea A la matriz de incidencia de G y aejk la
columna de A asociada al arco ejk . Entonces
s
X
Oejk (P ) aejk = ei1 − eis+1
k=1
Demostración. Sea k ∈ {1, . . . , s}.

1. Si ejk = (ik , ik+1 ), Oejk (P ) aejk = (+1)(eik − eik+1 ) = eik − eik+1 .
2. Si ejk = (ik+1 , ik ), Oejk (P ) aejk = (−1)(eik+1 − eik ) = eik − eik+1 .
Por lo tanto, en ambos casos Oejk (P ) aejk = eik − eik+1 . Como en un camino
cada arco es incidente en los nudos anterior y posterior de la secuencia, se
cancelan todos los
Pelementos de la suma menos el primer término y el último,
s
luego se cumple k=1 Oejk (P ) aejk = ei1 − eis+1 .
Corolario 1.2.2. Sea C = {i1 , ej1 , i2 , ej2 , . . . , is , ejs , is+1 } un ciclo en un

grafo propio G con matriz de incidencia A, entonces
s
X
Oejk (P ) aejk = 0.
k=1
Demostración. Como P C = {i1 , ej1 , i2 , ej2 , . . . , is , ejs , is+1 } es un ciclo, por la

Proposición 1.2.1, sk=1 Oejk (P ) aejk = ei1 − eis+1 . Además, por ser C ciclo,
se tiene i1 = is+1 , luego ei1 − eis+1 = 0 y queda probado el corolario.
Corolario 1.2.3. Sea C = {i1 , ej1 , i2 , ej2 , . . . , is , ejs , is+1 } un ciclo en un

grafo propio G con matriz de incidencia A, entonces los vectores {aejk : k =
1, . . . , s} son linealmente dependientes.
Demostración. Como C es un ciclo, por el Corolario 1.2.2, existe una com-
binación lineal de columnas {aejk : k = 1, . . . , s} con coeficientes no nulos
que resulta en el vector nulo, luego {aejk : k = 1, . . . , s} forman un sistema
linealmente dependiente.
Teorema 1.2.4. Sea A la matriz de incidencia de un grafo propio G. Sea

T = (N , A) un árbol en G con al menos dos nudos. Entonces {aej : ej ∈ A}
es linealmente independiente.
Demostración. Sea |N | = m. Si m = 2, por el Teorema 1.1.1, |A| = m − 1 =
1. Sea ej ese arco, como aej = eF (ej ) − eT (ej ) 6= 0, el teorema se cumple para
m = 2.
Supóngase ahora m > 2. Sea n el mayor número entero tal que para
cualquier árbol T̂ = (N̂ , Â) en G con k nudos, 2 ≤ k ≤ n, el sistema
{aej : ej ∈ Â} es linealmente independiente, entonces n ≥ 2, como ya se
10 1.3. La variable artificial
ha visto en el párrafo anterior. Por reducción al absurdo se supone n < m.

Por definición de n, existe un árbol T̂ = (N̂ , Â) con n + 1 nudos tal que
{aej : ej ∈ Â} es linealmente dependiente, es decir, existe un conjunto de
P
constantes {cj : ej ∈ Â}, no todas cero, tal que ej ∈Â cj aej = 0. Sea p un
nudo final de T̂ (existe, por el Teorema 1.1.3) y sea ew el arco incidente en
p. Sea T̄ = (N̄ , Ā), donde N̄ = N̂ − {p} y Ā = Â − {ew }, por el Teorema
1.1.4, T̄ es un árbol. Como p solo es incidente en ew , entonces el elemento
apej = 0 para todo ej ∈ Ā (apej es el elemento de A asociado al nudo p y arco
ej ). Entonces
X X
cj apej = cw apew + cj apej = cw apew = 0.
ej ∈Â ej ∈Ā
Como apew = ±1, cw = 0. Pero entonces ej ∈A cj aej = 0 y {cj : ej ∈ Ā} no

P
son todos cero, luego {aej : ej ∈ Ā} es linealmente dependiente. Absurdo

(por ser T̄ un árbol con n nudos y {aej : ej ∈ Ā} linealmente dependiente,
lo que se contradice con la definición de n). Se concluye entonces n = m,
luego cualquier árbol de G con al menos dos nudos cumple el teorema.
Teorema 1.2.5. Sea A la matriz de incidencia de un grafo propio conectado

G con m nudos. Entonces el rango de A es m − 1.
Demostración. G contiene un árbol extendido T = (N , A) por el Teorema

1.1.5, que tiene m nudos por ser extendido y m − 1 arcos por el Teorema
1.1.1. Por el Teorema 1.2.4, {aej : ej ∈ A} es linealmente independiente,
luego el rango de A es al menos m − 1. Como la suma de las m filas de A es
el 0, por estar cada columna compuesta de un +1, un −1 y el resto ceros,
entonces el rango de A es menor que m. Se concluye entonces que el rango
de A es m − 1.
Proposición 1.2.6. Sea A la matriz de incidencia de un grafo propio G =

(N , A) con m nudos. Si Â es un subconjunto con m − 1 arcos de A tal que
{aej : ej ∈ Â} es linealmente independiente. Entonces T = (N , Â) es un
árbol.
Demostración. Por el Corolario 1.2.3, como {aej : ej ∈ Â} es linealmente

independiente, T es acı́clico. Además, T tiene un arco menos que nudos
luego es un árbol por el Teorema 1.1.1.
1.3. La variable artificial

Sea G = (N , A) un grafo propio conectado con N = {1, 2, . . . , m} el conjunto
de nudos, A = {e1 , e2 , . . . , en } el conjunto de arcos y matriz de incidencia
nudo-arco A. Para aplicar el método simplex la matriz de condiciones debe
tener rango completo, en este caso m. Sin embargo A es de rango m − 1, ver

Teorema 1.2.5.
Este hecho se soluciona añadiendo una variable artificial, xa , correspon-
diente a un arco ficticio con origen en uno de los nudos. A dicho nudo se le
denomina nudo raı́z y al arco artificial, arco raı́z. Se construye por lo tanto
la nueva matriz de incidencia, que es [A, el ], con l un entero positivo tal que
1 ≤ l ≤ m. Véase que lo que se está diciendo es que el arco artificial tiene
origen en el nudo l (nudo raı́z).
El problema queda formulado de la siguiente forma:
mı́n z = c x
Ax + el xa = b
(1.1)
0≤x≤u
0 ≤ xa ≤ 0
1.4. Caracterización de las bases

Definición 1.4.1. Un árbol extendido con raı́z es un árbol extendido con
un nudo marcado, el nudo raı́z, y su correspondiente arco raı́z.
Proposición 1.4.1. Sea A la matriz de incidencia nudo-arco de un grafo
propio conectado G = (N , A) con |N | = m y sea T = (N , Â) un árbol
extendido en G. Entonces Ω = {aej : ej ∈ Â} ∪ {el } es una base de Rm .
Demostración. Sea p ∈ {1, . . . , m} − {l}, como T es un árbol extendido,
entonces hay un único camino P = {i1 , ej1 , i2 , ej2 , . . . , ejs , ijs+1 } en T de p a
l, ver Teorema 1.1.1. Por la Proposición 1.2.1,
s
X
Oejk (P ) aejk = ep − el .
k=1
Luego ep = el + sk=1 Oejk (P ) aejk . Además, el ∈ {aej : ej ∈ Â} ∪ {el }.

P
Entonces, los vectores {ep : p = 1, . . . , m} pueden ser expresados como
combinaciónes lineales de vectores de {aej : ej ∈ Â} ∪ {el }. Se concluye
que, como {ep : p = 1, . . . , m} es un sistema generador de Rm , entonces
{aej : ej ∈ Â} ∪ {el } es también un sistema generador de Rm . Además es
base, ya que |{aej : ej ∈ Â}∪{el }| = (m−1)+1 = m, ver Teorema 1.1.1.
Nótese en la Proposición 1.4.1 se ve que el junto con las columnas de A

asociadas a un árbol extendido forman un sistema linealmente independiente
de m vectores, luego forman una base para [A, el ] y esta matriz es de rango
completo m.
Proposición 1.4.2. Sea A la matriz de incidencia de un grafo propio co-
nectado con raı́z G = (N , A), con nudo raı́z l. Si Ω es una base para [A, el ],
12 1.4. Caracterización de las bases
entonces el ∈ Ω y T = (N , Â), con Â = {ej : aej ∈ Ω}, es un árbol extendido

en G.
Demostración. Supóngase |N | = m. Sea Ω una base para [A, el ], como A
tiene rango m − 1, ver Teorema 1.2.5, y [A, el ] tiene rango completo m,
necesariamente el ∈ Ω. Por lo tanto, {aej ∈ Ω} son los m − 1 vectores
linealmente independientes restantes. Sea Â = {ej : aej ∈ Ω}, entonces por
la Proposición 1.2.6, T = (N , Â) es un árbol extendido en G.
Teorema 1.4.3. Sea A la matriz de incidencia de un grafo propio G conec-
tado con nudo raı́z l. Las bases para [A, el ] son el junto con un conjunto de
columnas de A correspondientes a un árbol extendido en G.
Demostración. Las condiciones necesaria y suficiente son resultado directo
de la Proposición 1.4.1 y la Proposición 1.4.2.
Definición 1.4.2. Una matriz se dice que es triangular inferior (superior)
si mediante permutaciones de filas y columnas puede ser escrita de forma
que todos los elementos por encima (debajo) de la diagonal principal sean
cero.
Proposición 1.4.4. Sea A la matriz de incidencia de un grafo propio co-
nectado con raı́z G, con nudo raı́z l y sea B una base de [A, el ]. Entonces B
es triangular.
Demostración. Sea T = (N , A) el árbol extendido con raı́z asociado a B y
sea |N | = m. Por ser G un grafo propio, con m ≥ 2 y por el Teorema 1.1.3, T
tiene al menos dos nudos finales. Sea i1 un nudo final de T distinto del nudo
raı́z y sea ej1 el único arco incidente en i1 . Entonces la fila de B asociada a
i1 tiene un único elemento distinto de cero. Permutando filas y columnas de
B de modo que la primera fila y columna de B sean las correspondientes al
nudo i1 y arco ej1 , B queda de la forma

±1 0
.
±es B 1
Sea T 1 = (N − {i1 }, A − {ej1 }), entonces T 1 tiene m − 1 arcos y es un árbol
(con raı́z) por la Proposición 1.1.4. Si m − 1 = 1 entonces B 1 es una matriz
1×1, luego B es triangular y se acaba la demostración. En caso contrario, se
tiene m − 1 ≥ 2. Por el Teorema 1.1.3, T 1 tiene al menos dos nudos finales.
Sea i2 un nudo final que no sea el nudo raı́z y sea ej2 el único arco incidente
en i2 . Entonces la fila de B 1 asociada a i2 tiene un único elemento distinto
de cero. Permutando filas y columnas de B 1 de modo que la primera fila
y columna de la matriz resultante correspondan al nudo i2 y al arco ej2 se
obtiene la matriz  
±1 0 0
 ±es
 (1) ±1 0 .
s
±e(2) e B t 2
Repitiendo el proceso se llega a T m−1 con m − (m − 1) = 1 arcos, luego

B m−1 es una matriz 1 × 1. Se concluye entonces que B es triangular.
La mayor parte de resultados teóricos que aparecen en las secciones 1.1,

1.2, 1.3 y 1.4 han sido extraidas o adaptadas de J. L. Kennignton, R. Hel-
gason, ver [12].
1.5. Unimodularidad total e intregralidad

Se examinarán en esta sección dos importantes caracterı́sticas de los pro-
blemas de redes. La primera es la unimodularidad total de la matriz de
incidencia nudo-arco de un grafo. La segunda es la integralidad de las so-
luciones de un problema de redes bajo ciertas hipótesis. La base de estos
resultados puede encontrarse en Mokhtar S. Bazaraa, ver [4].
Definición 1.5.1. Se dice que una matriz A es totalmente unimodular si

cualquier submatriz cuadrada de A tiene determinante +1, −1 o 0.
Teorema 1.5.1. La matriz de incidencia A de un grafo G es totalmente

unimodular.
Demostración. Se demostrará por inducción sobre la dimensión de las sub-

matrices de A. Para matrices 1 × 1 es trivial, ya que los elementos de A son
±1 o 0. Se supone cierto para las submatrices de dimensión (k − 1) × (k − 1).
Sea Ak cualquier submatriz k × k, con k ≥ 2, se analizarán los tres casos po-
sibles. Si Ak tiene alguna columna completa de ceros, entonces det Ak = 0.
Si alguna columna de Ak tiene un único elemento distinto de 0 (tiene que ser
±1) entonces det Ak = ± det Ak−1 , que es ±1 o 0, ya que se ha supuesto que
det Ak−1 es ±1 o 0. Por último, si todas las columnas contienen los elemen-
tos +1 y −1, la suma de todas las filas resulta en el vector nulo y por tanto
det Ak = 0. Se concluye entonces que A es totalmente unimodular.
Nótese que si se suprimen filas o columnas de A la matriz resultante

sigue siendo totalmente unimodular. Además, por el propio desarrollo de la
demostración del Teorema 1.5.1, si se añade a la matriz A un vector (una
columna) de ceros excepto un elemento ±1 la nueva matriz que se obtie-
ne también es totalmente unimodular. Se puede dar entonces el siguiente
resultado directo.
Corolario 1.5.2. La matriz de incidencia [A, el ] de un grafo propio conec-

tado G con nudo raı́z l es totalmente unimodular.
Corolario 1.5.3. Sea G un grafo propio conectado con nudo raı́z l y matriz
de incidencia [A, el ]. Sea B una matriz básica de [A, el ], entonces det B =
±1.
14 1.6. Método simplex para problemas de redes
Demostración. Por ser B una submatriz cuadrada de la matriz de incidencia

[A, el ], como [A, el ] es totalmente unimodular, entonces el determinante de
B es 0 o ±1. Como B es base, por definición el determinante de B es distinto
de 0, luego el determinante de B es 1 o −1.
Proposición 1.5.4. Sea [A, el ] la matriz de incidencia de un grafo pro-

pio G conectado con nudo raı́z l. Sea B una base de [A, el ], entonces B −1
está comuesta por elementos ±1 y 0.
t
Demostración. B −1 = (adj B)
det B . B está compuesta por ±1 y 0, y cualquier
submatriz de B tiene determinante ±1 o 0 por ser submatrices de [A, el ],
ver Corolario 1.5.2, luego (adj B)t está compuesta por ±1 o 0. Además, por
el Corolario 1.5.3, det B = ±1, entonces se cumple la proposición.
Se verán ahora propiedades de la matrı́z Y , cuyas columnas vienen dadas

por la ecuación Y = B −1 N , donde N está formada por las columnas de la
matriz de condiciones [A, el ] asociadas a las variables no básicas.
Proposición 1.5.5. La matriz Y está compuesta por elementos 0 y ±1.
Demostración. Se tiene que la columna yej viene dada por el sistema Byej =
aej . Por el método de Cramer se puede obtener el elemento yei j como
det B (i)
yei j =
det B
donde B (i) se obtiene de sustituir la columna i-ésima de B por aej . Se puede
afirmar por lo tanto que Y está compuesta por elementos ±1 y 0.
Para hallar las soluciones básicas de un problema lineal se tiene
xB = B −1 b − B −1 N xN (1.2)
con los valores del vector xN fijados en su cota inferior 0 o en su cota superior.
Se asume que b y las cotas superiores de las variables son enteras (en
caso de haberlas). Se ha visto que B −1 y Y = B −1 N están compuestas por
elementos 0 y ±1. Entonces cualquier solución básica x = [xB ; xN ], y por
consiguiente, la solución óptima, serán enteras. De este modo, para hallar
una solución entera de un problema de redes no será necesario el uso de
algoritmos especı́ficos de programación entera.
1.6. Método simplex para problemas de redes

Ahora se va a aplicar lo que se ha visto hasta este punto para hacer una
especialización del método simplex, ahorrando operaciones y haciéndolas
más rápidas para conseguir un algoritmo más eficiente que si se tratase el
problema con el método simplex para problemas lineales.
Ya se ha visto que las bases para un problema de redes de la forma (1.1)

son triangulares. En el método simplex para determinar la variable no básica
que entra en la base es necesario efectuar la operación cN − cB B −1 N . Para
calcular cB B −1 N , sean π = cB B −1 las denominadas variables duales, π es la
solución al sistema de ecuaciones πB = cB . Como B es triangular, π puede
obtenerse resolviendo el sistema por sustitución hacia atrás.
Supóngase TB el árbol extendido con nudo raı́z l. Determinar el valor de
las variables duales se reduce a resolver el sistema
(
πl = 0
(1.3)
πF (ej ) − πT (ej ) , si ej ∈ TB
el cual determina las variables duales de manera unı́voca de forma iterativa,

por ser TB un grafo conectado y acı́clico (el valor de una variable dual
determina el valor de otra aún no hallada hasta determinar todas).
Una vez determinado π, para encontrar los candidatos no básicos a entrar
a la base, para los ej ∈ N (arco no báscio), se tiene
(cN − cB B −1 N )ej < 0 ⇔ cej − πaej < 0 ⇔ cej − (πF (ej ) − πT (ej ) ) < 0 ⇔
⇔ πF (ej ) − πT (ej ) − cej > 0.
Del mismo modo,
(cN − cB B −1 N )ej > 0 ⇔ πF (ej ) − πT (ej ) − cej < 0.
Es decir, los conjuntos de variables no básicas candidatas a entrar en la base

quedan del siguiente modo:
Ψ1 = {ej : xej = 0 y πF (ej ) − πT (ej ) − cej > 0},
Ψ2 = {ej : xej = uej y πF (ej ) − πT (ej ) − cej < 0}.

Ahora, sea ek ∈ N (arco no básico), se hallará yek , que viene dado por
yek = B −1 aek . Equivalentemente yek es solución del sistema Byek = aek =
eF (ek ) −eT (ek ) . De nuevo, como B es triangular se puede obtener yek sin nece-
sidad de calcular B −1 . Para hallar yek , sea P = {i1 , ek1 , i2 , ek2 , . . . , eks , is+1 }
el único camino en TB que va de F (ek ) = i1 a T (ek ) = is+1 . Por la Proposi-
ción 1.2.1, se tiene
s
X
Oeki (P ) aeki = eF (ek ) − eT (ek ) . (1.4)
i=1
Sean ej1 , ej2 , . . . , ejm los arcos correspondientes a las m columnas de B,

entonces la columna yek queda determinada de la siguiente forma:
(
Oeji (P ), si eji ∈ P
yei k = (1.5)
0, en otro caso.
16 1.6. Método simplex para problemas de redes
Supóngase que ek es el arco no básico que entrará a la base. Se puede espe-

cializar el cálculo de ∆1 y ∆2 , que quedan de forma
∆1 = mı́n {xeji , ∞} = mı́n {xeji , ∞},

σ(yei )=δ Oej (P )=δ
k i
∆2 = mı́n {ueji − xeji , ∞} = mı́n {ueji − xeji , ∞},

σ(yei )=−δ Oej (P )=−δ
k i
∆ = mı́n{∆1 , ∆2 , uek }.
Una vez hallado ∆, se actualizan las variables de decisión

(
xek = xek + δ∆
xeki = xeki − δ∆Oeki (P ), ∀eki ∈ P
Para determinar que variable sale de la base, tiene que ser una que se
encuentre en una de sus cotas. Al añadir un arco al árbol extendido básico
TB se forma un ciclo en TB . En efecto, dicho ciclo es P ∪ {ek }, por lo tanto
tendrá que ser un arco de P el que salga de la base, de modo que la nueva
base tambien se corresponda con un árbol extendido.
Ahora se expondra el algoritmo simplex para redes que se ha ido elabo-
rando en el transcurso del capı́tulo.
Algoritmo simplex para redes

PASO 0.- Se comienza con una solución básica factible x = [xB ; xN ],
que se corresponde con un árbol extendido TB y se calcula π resolvien-
do (
πl = 0
πF (ej ) − πT (ej ) , si ej ∈ TB .
PASO 1.- Se determinan los candidatos a entrar en la base:
Ψ1 = {ej : xej = 0 y πF (ej ) − πT (ej ) − cej > 0},

Ψ2 = {ej : xej = uej y πF (ej ) − πT (ej ) − cej < 0}.
Si Ψ1 ∪ Ψ2 = ∅, entonces x = [xB , xN ] es la solución óptima. En caso

contrario se escoge ek ∈ Ψ1 ∪ Ψ2 (el de mayor |πF (ek ) − πT (ek ) − cek |)
y se fija
(
1 si ek ∈ Ψ1
δ=
−1 si ek ∈ Ψ2 .
PASO 2.- Sea P = {i1 , ek1 , i2 , . . . , eks , is+1 } el camino en TB que va de

F (ek ) a T (ek ). Se fijan
∆1 = mı́n {xeki , ∞},

Oek (P )=δ
i
∆2 = mı́n {ueki − xeki , ∞},

Oek (P )=−δ
i
∆ = mı́n{∆1 , ∆2 , uek }.
PASO 3.- Se actualizan los valores de las variables:

(
xek = xek + δ∆
xeki = xeki − δ∆Oeki (P ), ∀eki ∈ P.
Si ∆ = uek (es decir, no cambian los elementos de la base), entonces

volver al paso 1.
PASO 4.- Actualización de la base y de las variables duales. Sean
Ψ3 = {eki : xeki = 0 y Oeki (P ) = δ},

Ψ4 = {eki : xeki = ueki y Oeki (P ) = −δ}.
Se selecciona un et ∈ Ψ3 ∪ Ψ4 y el nuevo arbol básico es TˆB = (TB ∪

{ek }) − {et }. Se actualizan las variables duales y se vuelve al paso 1.
1.7. Problema de flujo de redes de costo mı́nimo

Supóngase una red G = (N , A), con N = {1, . . . , m}. Cada nudo de la red
i ∈ N tiene asociado un valor bi . Se puede interpretar el valor de bi del
siguiente modo.
Si bi > 0, entonces el nudo i tiene una oferta bi .
Si bi < 0, entonces el nudo i tiene una demanda de −bi .
Si bi = 0, entonces el nudo i no tiene ni oferta ni demanda.
Asociado a cada arco ej ∈ A se define xej ≥ 0 la cantidad de flujo sobre

ej . Además, xej puede tener cota superior uej que representa la cantidad de
flujo máximo que puede soportar el arco ej . Se define cej el costo de envı́o
por unidad por el arco ej , es decir, del nudo F (ej ) al nudo T (ej ).
Sin pérdida de generalidad, se supone que la demanda total es igual a
m
P m
P
la oferta total, es decir, bi = 0. Si bi > 0, se añade un nudo ficticio
i=1 i=1
m
P
m + 1 con una demanda bm+1 = − bi y los arcos con costo cero desde
i=1
18 1.7. Problema de flujo de redes de costo mı́nimo
los nudos con oferta hasta el nudo ficticio. De este modo el problema queda
convertido a un problema donde la oferta total es igual a la demanda total.
El problema de flujo de redes de costo mı́nimo consiste en transportar la
oferta de un producto por la red de modo que se satisfaga la demanda a costo
mı́nimo. Matemáticamente, el problema se puede escribir de la siguiente
forma:
X
mı́n z = cej xej
ej ∈A
X X
xej − xej = bi , i = 1, . . . , m (1.6)
ej :F (ej )=i ej :T (ej )=i
0 ≤ xej ≤ uej , ej ∈ A
m
P
junto con la condición bi = 0 (necesaria para la existencia de solución).
i=1
Las condiciones
X X
xej − xej = bi
ej :F (ej )=i ej :T (ej )=i
expresan que para cada nudo i, la diferencia entre la cantidad de flujo que
sale de i y la cantidad de flujo que llega a i tiene que ser bi . Por esa razón si
bi < 0 el nudo i tiene un requerimiento y llega mas de lo que sale, si bi > 0
el nudo i tiene una oferta y sale más de lo que llega y si bi = 0 lo que llega
al nudo i sale de nuevo.
m
P
Véase que no se ha considerado el caso bi < 0, ya que se estarı́a ha-
i=1
blando de una demanda que supera la oferta, luego no serı́a posible satisfacer
toda la demanda.
Nótese que la matriz de coeficientes del problema de redes de costo mı́ni-
mo (1.6) es la matriz de incidencia nudo-arco A del grafo G que determina
el problema.
Otra formulación del problema
Para los problemas de redes, se puede utilizar una formulación como un

problema de programación lineal con variables acotadas.
Como ya se habı́a dicho anteriormente, un arco ej se puede expresar en
la forma (F (ej ), T (ej )). Supóngase (F (ej ), T (ej )) = (i, j). De este modo,
la variable xej se puede escribir xij . Es decir, xij representa el flujo que
pasa por el arco que va del nudo i al nudo j. En efecto, si G = (N , A) con
N = {1, . . . , m}, el Problema 1.6 se puede escribir de la siguiente forma:
m
X
mı́n z = cij xij
i,j=1
(i,j)∈A
m m
X X (1.7)
xik − xki = bi , i = 1, . . . , m
k=1 k=1
(i,k)∈A (k,i)∈A
0 ≤ xij ≤ uij , (i, j) ∈ A
m
X
junto con la condición bi = 0 (necesaria para existencia de solución).
i=1
Del mismo modo, si se añade al grafo, y por consiguiente al problema,
los posibles arcos que no se encuentran en el grafo, es decir los arcos (i, j) :
(i, j) ∈
/ A con costo cij = M , siendo M un número lo suficientemente grande
para que la variable asociada al arco xij se mantenga con valor 0, entonces
se puede escribir el Problema 1.7 como
m X
X m
mı́n z = cij xij
i=1 j=1
m m
X X (1.8)
xik − xki = bi , i = 1, . . . , m
k=1 k=1
0 ≤ xij ≤ uij , i, j = 1, . . . , m
m
X
junto con la condición bi = 0.
i=1
Ejemplo 1.7.1. Sea la red descrita en la Figura 1.4, entonces el problema

de costo mı́nimo asociado, con formulación (1.7), viene dada de la siguiente
forma:
mı́n z = 10 x13 + 6 x14 + 7 x21 + 9 x32 + 20 x34 + 8 x45 + 15 x53

x13 + x14 − x21 = −17
x21 − x32 = 9
x32 + x34 − x13 − x53 = 0 (1.9)
x45 − x14 − x34 = −11
x53 − x45 = 19
xij ≥ 0
1 / −17 (6) 4 / −11
(10) (20)
(7) 3/0 (8)
(9) (15)
2/9 5 / 19
Figura 1.4: Ejemplo de un problema de redes: cada nudo tiene asociado un

ı́ndice i y un valor numérico bi , y cada arco un costo.
Se resuelve con el Apéndice A. Se obtiene como solución
xij 1 2 3 4 5
1
2 17
3 8 11
4
5 19
y la función objetivo es z = 696. En forma de grafo la solución queda

expresada en la Figura 1.5.
1.7.1. Caso particular: problema de la ruta mı́nima

Se podrı́a pensar en una red donde todos los nudos son de transbordo (bi =
0), excepto dos de ellos, uno con valor +1 y otro con −1. En otras palabras,
puede decrise que el problema consiste en transportar la unidad desde el
nudo que tiene valor +1 por los nudos de transbordo hasta el nudo con valor
−1. Ahora se formalizará este concepto.
Supóngase G = (N , A) con N = {1, . . . , m}. Sea bi , i = 1, . . . , m, el
valor asociado al nudo i, se fija para cada i, i = 1, . . . , m,

1,
 si i = 1
bi = 0, si i = 2, 3, . . . , m − 1

−1, si i = m.

A este caso particular de los problemas de redes se le denomina problema de

1 / −17 4 / −11
11
17 3/0
8 19
2/9 5 / 19
Figura 1.5: Solución gráfica del Problema 1.9. Están representados los arcos
de la Figura 1.4 por los cuales atraviesa flujo. Nótese que el grafo asociado
a la solución es un árbol extendido.
la ruta mı́nima y se formula de la siguiente manera:

m
X
mı́n z = cij xij
i,j=1
(i,j)∈A
m
X
x1k = 1
k=1
(1,k)∈A
m m
X X (1.10)
xik − xki = 0, i = 2, . . . , m − 1
k=1 k=1
(i,k)∈A (k,i)∈A
m
X
− xkm = −1
k=1
(k,m)∈A
xij ≥ 0, (i, j) ∈ A
Ejemplo 1.7.2. Ver [12], pág. 17. Un aficionado al fútbol que vive en San
Francisco desea ver un partido de fútbol en Dallas, Texas. Este aficionado
quiere salir el mismo dı́a del partido de San Francisco y llegar a Dallas no más
tarde de las 7:00 PM. Desgraciadamente, el aficionado tiene un presupuesto
ajustado y tiene que coger los vuelos más baratos disponibles con Gamma
Airlines, incluso si el recorrido o las esperas son largas. Los vuelos disponibles
son los expuestos en la Figura 1.6. Para acceder a un vuelo que se encuentre
dentro de otro trayecto (entre los 4 disponibles), es necesario estar 1 hora
antes de la salida del avión que se desea coger.
Para modelizar el problema se comienza dividiendo el espacio temporal
en el que sucede el problema y asignando una etiqueta a cada parte:
Trayecto Origen Destino Hora salida Hora llegada Coste

1 San Francisco Chicago 8:00 AM 1:00 PM 100
Chicago Atlanta 2:00 PM 3:00 PM 100
Atlanta Dallas 3:40 PM 6:00 PM 250
2 San Francisco Atlanta 11:00 AM 4:00 PM 250
Atlanta Chicago 4:00 PM 5:00 PM 150
Chicago Dallas 5:00 PM 7:00 PM 100
3 Atlanta Miami 4:00 PM 5:00 PM 100
Miami Dallas 5:00 PM 7:00 PM 100
4 San Francisco New York 8:00 AM 2:00 PM 240
New York Atlanta 2:00 PM 4:00 PM 50
Atlanta Dallas 4:00 PM 6:00 PM 210
Figura 1.6: Tabla de vuelos de Gamma Airlines
Hora 8:00 – 13:00 – 14:00 – 15:40 – 16:00 – 17:00 – 19:00

Intervalo 1 2 3 4 5 6
Con ello, se definen los nudos del problema de la siguiente manera: se denota
la ciudad seguido del intervalo en el que se está. Por ejemplo S1 representa
San Francisco en el intervalo 1, es decir, San Francisco entre las 8:00 y las
13:00. Del mismo modo, un arco que sale de C2 y llega a A3 representa
salir de Chicago en el intervalo 2 y llegar a Atlanta en el intervalo 3. Con
estas nociones el problema de Gamma Airlines se puede modelizar como un
problema de ruta mı́nima descrito en la Figura 1.7.
Escribiendo el problema en forma de tabla se obtiene
cij S1 C2 N2 A3 A4a A4b A4c C5 M5 D6 bi

S1 100 240 250 1
C2 100 0
N2 50 0
A3 0 0 0 250 0
A4a 150 0
A4b 100 0
A4c 210 0
C5 100 0
M5 100 0
D6 -1
Se pasan los datos por el código del Apéndice A y se obtiene como

resultado
C2 / 0 (100) A3 / 0 (0) A4a / 0 (150) C5 / 0
(100) (250) (0) (250) (100)
S1 / 1 A4b / 0 (100) M5 / 0 (100) D6 / −1

(0)
(240) (210)
N2 / 0 (50) A4c / 0
Figura 1.7: Red que describe el problema Gamma Airlines. Están represen-
tados únicamente los vuelos permitidos
xij S1 C2 N2 A3 A4a A4b A4c C5 M5 D6

S1 1 0 0
C2 1
N2 0
A3 0 1 0 0
A4a 0
A4b 1
A4c 0
C5 0
M5 1
D6
con función objetivo z=400.
Interpretando los datos la solución es S1→C2→A3→A4b→M5→D6. Es

decir, el recorrido más barato es el siguiente. Comenzar en el trayecto de
vuelos 1 desde San Francisco hasta Atlanta (pasando por Chicago) con lle-
gada a las 3:00 PM. Una vez en Atlanta se cambia del trayecto de vuelos
1 al trayecto de vuelos 3, permitido por haber una hora de diferencia entre
la llegada a Atlanta en el trayecto 1 (3:00 PM) y la salida de Atlanta en el
trayecto 3 (4:00 PM). Por tanto, se coge el vuelo desde Atlanta hasta Dallas
(pasando por Miami) con llegada a las 7:00 PM. El viaje completo tiene un
coste total de 400.
24 1.8. Problemas de redes enteros
1.8. Problemas de redes enteros

Los problemas de redes que incluyen variables de decisión enteras se dice
que son problemas de redes enteros. Cuando la totalidad de las variables de
decisión se requieren enteras se dice que es un problema entero puro y en
el caso de que no todas las variables se precisen enteras se dice que es un
problema entero mixto. Cuando el problema es entero y las variables enteras
estan acotadas entre 0 y 1, se dice que es un problema binario entero, como
es el caso de un problema que se verá en el Capı́tulo 3.
El texto está centrado en las resoluciones mediante algoritmos lineales,
por no ser necesarios algoritmos enteros para la búsqueda de soluciones
enteras bajo las hipótesis mencionadas anteriormente. Si es necesario un
algoritmo entero, se utilizarán algoritmos de programación entera como el
algoritmo Branch and Bound.
Capı́tulo 2
El problema del transporte
2.1. Desarrollo histórico

Los problemas de transporte constituyen uno de los problemas más anti-
guos estudiados en el campo de la investigación de operaciones. El problema
fue formalizado por el matemático Monge en 1781. El matemático Kantoro-
vich realizó importantes avances en este campo durante la Segunda Guerra
Mundial. La formulación lineal del problema, conocida como problema de
transporte clásico, junto con una solución constructiva fue descrita por Frank
L. Hitchcock en el año 1941, ver [10]. Por esa razón también se le conoce
en la actualidad como problema de transporte de Hitchcock. De manera
independiente, Koopmans también desarrolló avances en los problemas de
transporte. En 1951, Dantzig describe un método para la resolución del pro-
blema con una algoritmo que es una adaptación del método simplex, ver
[5].
El problema del transporte clásico derivó en problemas más comple-
jos. En 1956, A. Orden describe un modelo generalizado del problema de
transporte en el cual está permitido el transbordo de los bienes por puntos
intermedios conocido como problema de transbordo. Se puede encontrar una
colección de variantes de problemas de transporte en Dı́az-Parra (2014), ver
[6]. Hoy en dı́a se sigue aumentando la complejidad de los problemas, tanto
por adición de restricciones como por aumento de tamaño. Por ello, existen
librerı́as de problemas actuales en las que pueden encontrarse, entre otros,
problemas de transporte resueltos o pendientes de resolver, como la librerı́a
MIPLIB 2010, ver [13].
2.2. El problema del transporte clásico

Se supone que m orı́genes (puntos de suministro) O = {Oi : i = 1, . . . , m}
tienen que surtir a n destinos (puntos de demanda) D = {Dj : j = 1, . . . , n}
con un cierto producto. La capacidad de oferta del origen i es si , i = 1, . . . , m
25
26 2.2. El problema del transporte clásico
y la demanda en el centro de consumo j es dj , j = 1, . . . , n. Se supone que

cij es el costo de enviar una unidad de producto del origen i al destino j.
El problema consiste en determinar cuantas unidades de producto deben
enviarse del origen i al destino j, tal que
se minimicen los costos totales de distribución,
no se exceda la capacidad de oferta si de cada origen Oi ∈ O y
se satisfaga la demanda dj de cada destino Dj ∈ D.
Sean xij las variables de decisión que determinan cuantas unidades de pro-
ducto se envı́an del origen i al destino j, la formulación del problema es
m X
X n
mı́n z = cij xij
i=1 j=1
n
X
xij ≤ si , i = 1, . . . , m
j=1 (2.1)
Xm
xij = dj , j = 1, . . . , n
i=1
xij ≥ 0, i = 1, . . . , m, j = 1, . . . , n
junto con las siguientes hipótesis:
m
X n
X
si ≥ dj , si ≥ 0, dj ≥ 0, cij ≥ 0, i = 1, . . . , m, j = 1, . . . , n.
i=1 j=1
con las que se garantiza la factibilidad. El problema (2.1) se denomina pro-

blema de transporte.
La información que caracteriza un problema de transporte se suele dar
en una tabla de la forma
cij D1 D2 ... Dj ... Dn oferta
O1 c11 c12 ... c1j ... c1n s1
O2 c21 c22 ... c2j ... c2n s2
.. .. ..
. . .
Oi ci1 ci2 ... cij ... cin si
.. .. ..
. . .
Om cm1 cm2 . . . cmj . . . cmn sm
P P
demanda d1 d2 . . . dj . . . dn dj ≤ si
Definición 2.2.1. Se dice que un problema de transporte es balanceado si
se cumple que la oferta total es igual a la demanda total, es decir:
m
X n
X
si = dj
i=1 j=1
Capı́tulo 2. El problema del transporte 27
Sin pérdida de generalidad, se supondrá que los problemas de transporte

son balanceados. En el caso de que el problema de transporte no sea balan-
ceado, es decir, si la oferta total es mayor que la demanda total, se balancea
creando un destino ficticio Dn+1 con
m
X n
X
dn+1 = si − dj y ci,n+1 = 0, ∀i : i = 1, . . . , m.
i=1 j=1
La tabla del nuevo problema será la siguiente:
cij D1 D2 ... Dj ... Dn Dn+1 oferta

O1 c11 c12 ... c1j ... c1n 0 s1
O2 c21 c22 ... c2j ... c2n 0 s2
.. .. .. ..
. . . .
Oi ci1 ci2 ... cij ... cin 0 si
.. .. .. ..
. . . .
Om cm1 cm2 . . . cmj . . . cmn 0 sm
P P
demanda d1 d2 . . . dj . . . dn dn+1 dj = si
En definitiva, cuando se considera el problema (2.1), junto con la hipóte-

sis de que sea balanceado, el problema se convierte en un problema de pro-
gramación lineal de la forma
m X
X n
mı́n z = cij xij
i=1 j=1
n
X
xij = si , i = 1, . . . , m
j=1 (2.2)
Xm
xij = dj , j = 1, . . . , n
i=1
xij ≥ 0, i = 1, . . . , m, j = 1, . . . , n.
Esta última formulación lineal (2.2) es denominada problema de transporte

clásico.
Ahora multiplcando por −1 ambos miembros de la ecuación del pro-
blema del transporte referente a los dj , se puede reescribir el problema del
transporte de forma
mı́n z = cx
Ax = b
x≥0
donde cada elemento esta definido de la siguiente forma:
x = [x11 , x12 , . . . , x1n , x21 , . . . , x2n , . . . , xmn ]t

28 2.2. El problema del transporte clásico
1 / −d1
c11
1 / s1
c12
c13
c1n c21 2 / −d2
c22
2 / s2
c23
3 / −d3
c2n
cm2
cm1 cm3
m / sm
cmn
n / −dn
Figura 2.1: El problema del transporte representado en forma de red como

problema de flujo de redes a costo mı́nimo.
c = [c11 , c12 , . . . , c1n , c21 , . . . , c2n , . . . , cmn ]
b = [s1 , s2 , . . . , sm , −d1 , −d2 , . . . , −dn ]t

 
1n 0 ... 0
 0 1n . . . 0 
 
 .. .. .. .. 
A= . . . . 
 
 0 0 . . . 1n 
−In −In . . . −In
siendo 1n una fila 1 × n de unos.
A es la matriz de incidencia nudo-arco del grafo que describe el problema
de transporte, es decir, un grafo con nudos N = {O1 , . . . Om , D1 , . . . , Dn } y
arcos dirigidos A = {(Oi , Dj ) : i = 1, . . . m, j = 1, . . . , n}. El arco (Oi , Dj )
se puede denotar simplemente por (i, j), ya que no da lugar a confusión.
Se tiene entonces un problema de redes descrito en el Capı́tulo 1 como se
puede ver en la Figura 2.1, por lo que se pueden adaptar todos los resultados
vistos.
A tiene rango m + n − 1. Para aplicar el método simplex se le añade al

problema la variable artificial (arco raı́z) xa , con nudo raı́z uno de los
nudos, en general, en el n-ésimo destino, es decir, un arco con columna
asociada em+n . Se denotará A0 = [A, em+n ].
Las bases B de A0 se corresponden con árboles extendidos con raı́z

en Dn , TB . Además, B es triangular inferior (o puede conseguirse me-
diante permutaciones de filas y columnas).
A0 es una matriz totalmente unimodular. Luego, cualquier base B de

A0 , y su inversa B −1 tienen determinante ±1 y están compuestas por
elementos 0 y ±1.
Asumiendo que b es entero (se supondrá si no se dice lo contrario), la

solución óptima es entera. Es decir, no se requiere tratar el problema
como un problema de programación entera.
Los sistemas de ecuaciones BxB = b, πB = cB y Byij = aij para

hallar los valores de xB , π y yij , respectivamente, pueden ser resueltos
de manera eficiente por ser B triangular.
2.3. Búsqueda de una solución inicial

Ya se ha visto que para los problemas de redes, en particular para los pro-
blemas de transporte, encontrar una base equivale a encontrar un árbol
extendido en el grafo que determina el problema (no se hace alusión a la
variable artificial). Para el problema del transporte que se ha descrito, hay
que hallar una solución inicial básica factible, que estará compuesta por la
variable artificial y m + n − 1 variables.
No hay un único método para hallar una solución inicial. Dos métodos
conocidos son el método de la esquina noroeste y el método de Vogel. Es más
recomendable este último por proporcionar, en general, una solución inicial
que es más cercana a la solución óptima. El método de la esquina noroes-
te es un método intuitivo que puede encontrarse en cualquier texto sobre
problemas de transporte. Ambos métodos pueden encontrarse en Bazaraa,
ver [4]. Además de los anteriores, se pueden hallar soluciones iniciales con
métodos para redes o con otros métodos como el método del costo mı́nimo,
que ofrece una solución mejor que el método de la esquina noroeste pero
puede ser necesario un alto número de iteraciones, ver [1].
2.4. El algoritmo del transporte

El algoritmo del transporte es el algoritmo que se obtiene al adaptar el
algoritmo para redes a las caracterı́sticas del problema del transporte. No
es necesario el uso de algoritmos especı́ficos de programación entera, ya que
la solución lineal será entera (siempre bajo la hipótesis de que las ofertas,
demandas y cotas superiores tengan valores enteros).
Se describirá el algoritmo para el problema de transporte capacitado.
Este problema es una generalización del problema de transporte clásico y su
30 2.4. El algoritmo del transporte
formulación es:
m X
X n
min z = cij xij
i=1 j=1
n
X
xij = si , i = 1, . . . , m
j=1 (2.3)
Xm
xij = dj , j = 1, . . . , n
i=1
0 ≤ xij ≤ uij , i = 1, . . . , m, j = 1, . . . , n.
Es decir, es como un problema de transporte clásico pero con la adición de

cotas superiores para las variables de decisión. Tomándolas todas como infi-
nito, el algoritmo es válido para los problemas de transporte no capacitados.
Algoritmo
PASO 0.- Se parte de una solución inicial básica factible x (conocida
o hallada por alguno de los métodos expuestos). Calcular las varia-
bles duales π = [u1 , . . . , um , v1 , . . . , vn ] como solución de πB = cB . El
sistema queda reducido a determinar la solución de
(
ui − vj = cij , (Oi , Dj ) ∈ TB
vn = 0.
Como se tiene vn = 0, por la triangularidad de B, se puede sustituir

el valor de vn en otra ecuación y determinar el valor de una variable
u, lo cual determinará en otra ecuación el valor de otra variable v. Se
procede de este modo hasta determinar π.
PASO 1.- Las variables no básicas candidatas a entrar en la base son
Ψ1 = {(Oi , Dj ) : xij = 0 y ui − vj − cij > 0}

Ψ2 = {(Oi , Dj ) : xij = uij y ui − vj − cij < 0}
Si Ψ1 ∪ Ψ2 = ∅, entonces x = [xB ; xN ] es la solución óptima. En caso

contrario se escoge xkl ∈ Ψ1 ∪ Ψ2 (el de mayor |ui − vj − cij |) y se fija
(
1, si (Ok , Dl ) ∈ Ψ1
δ=
−1, si (Ok , Dl ) ∈ Ψ2 .
PASO 2.- Sea xkl la variable seleccionada para entrar en la base, sea
P el único camino en TB de Ok a Dl , entonces
∆1 = mı́n {xij , ∞},
O(Oi ,Dj ) (P )=δ
∆2 = mı́n {uij − xij , ∞},

O(Oi ,Dj ) (P )=−δ
∆ = mı́n{∆1 , ∆2 , ukl }.
Saldrá de la base la variable con la que se alcanza el mı́nimo ∆.
PASO 3.- Actualización de variables de decisión.
x̂kl = xkl + δ∆
x̂ij = xij − δ∆O(Oi ,Dj ) (P ), ∀xij : (Oi , Dj ) ∈ P.
Si ∆ = ukl , volver al paso 1.

PASO 4.- Actualización de la base y de las variables duales. Sean
Ψ3 = {(Oi , Dj ) : xij = 0 y O(Oi ,Dj ) (P ) = δ},
Ψ4 = {(Oi , Dj ) : xij = uij y O(Oi ,Dj ) (P ) = −δ}.
Se selecciona un (Os , Dt ) ∈ Ψ3 ∪ Ψ4 y el nuevo arbol básico es TˆB =

(TB ∪ {(Ok , Dl )}) − {(Os , Dt )}. Se actualizan las variables duales y se
vuelve al paso 1.
Ejemplo 2.4.1. Ver [11], pág 324. Siete áreas de irrigación A, B, C, D, E, F,

G, requieren de fertilizantes. Supóngase que hay cuatro tipos de fertilizantes
X, Y, W, Z. La oferta y el costo de estos fertilizantes (incluido en el costo
la tarifa de transporte) es:
Fertilizante Oferta mensual Precio por tonelada

X 7000 ton $1000/ton
Y 4000 ton $4000/ton
W 6000 ton $2000/ton
Z 5000 ton $5000/ton
Las siete áreas de irrigación requieren (indistintamente) de lo siguiente:
Area Tipos de fertilizante factibles Demanda total de fertilizante

A X, Z 2000 ton
B W, X, Y 3000 ton
C Y, W 1000 ton
D Z, X 2000 ton
E X, Y 3000 ton
F Y, X, Z 2000 ton
G W, Z 1000 ton
32 2.4. El algoritmo del transporte
Si se quiere programar la entrega de fertilizantes a zonas de irrigación

a un costo mı́nimo, se puede formular el problema como un problema de
transporte. Los orı́genes se corresponden con los tipos de fertilizante y los
destinos con las áreas que los precisan. Además, que cierto fertilizante no
sea factible para cierta zona significa que no hay envı́o posible de ese orı́gen
a ese destino, luego en la tabla de transporte dicho costo será M . Con todo
ello, la tabla del problema de transporte que se quiere resolver es
costos A B C D E F G oferta
X 1000 1000 M 1000 1000 1000 M 7000
Y M 4000 4000 M 4000 4000 M 4000
W M 2000 2000 M M M 2000 6000
Z 5000 M M 5000 M 5000 5000 5000
demanda 2000 3000 1000 2000 3000 2000 1000
Como la oferta total es mayor que la demanda total, se añade un destino

ficticio con costos igual a cero y con una demanda de 22000 − 14000 = 8000
de modo que la tabla de transporte balanceada resultante es
costos A B C D E F G fic oferta

X 1000 1000 M 1000 1000 1000 M 0 7000
Y M 4000 4000 M 4000 4000 M 0 4000
W M 2000 2000 M M M 2000 0 6000
Z 5000 M M 5000 M 5000 5000 0 5000
demanda 2000 3000 1000 2000 3000 2000 1000 8000
Al resolver el problema se obtiene como resultado
xij A B C D E F G fic
X 2000 0 0 2000 1000 2000 0 0
Y 0 0 0 0 2000 0 0 2000
W 0 3000 1000 0 0 0 1000 1000
Z 0 0 0 0 0 0 0 5000
y función objetivo z = $25000000.

Capı́tulo 3
Extensiones del problema del

transporte
3.1. Problema de transbordo

Se considerará a continuación un modelo de problema de transbordo que se
adapta a la realidad en cuanto a la estructura de cadenas de suministro se
refiere, que clasifica los nudos según sus propiedades y que no permite envı́os
entre cualquier par de nudos.
En el problema de transbordo (transshipment problem) los nudos del
grafo que describe el problema se pueden clasificar en tres conjuntos disjun-
tos: orı́genes puros, destinos puros y transbordos.
Orı́genes puros. Solo pueden enviar bienes, a destinos puros o a trans-
bordos. Equivalentemente, de los orı́genes puros solo salen arcos, los
cuales tienen como destino un transbordo o un destino puro. Cada
origen puro tiene asociado una oferta de bienes. Sea O el conjunto de
orı́genes puros, cada i ∈ O tiene asociada la oferta ai .
Destinos puros. Solo pueden recibir bienes, de orı́genes puros o de
transbordos. Equivalentemente, a los destinos puros solo llegan arcos,
los cuales tienen su origen en un origen puro o en un transbordo.
Cada destino puro tiene asociada una demanda. Sea D el conjunto de
destinos puros, cada j ∈ D tiene asociada una demanda bj .
Transbordos. Pueden enviar y/o recibir bienes. Tienen permitida la
circulación de bienes entre ellos, y como se ha dicho antes, pueden
recibir bienes de orı́genes puros y enviar a destinos puros. Sea T el
conjunto de transbordos, cada k ∈ T tiene asociada una producción
p0k y una necesidad qk0 . Entonces la oferta pk y la demanda qk del
transbordo k vienen dadas por las fórmulas pk = p0k − mı́n{p0k , qk0 } y
qk = qk0 − mı́n{p0k , qk0 }. Nótese que al menos uno de los dos, pk o qk ,
tendrá valor 0.
33
34 3.1. Problema de transbordo
Se van a definir ahora las variables que intervienen en el modelo que se

propondrá a continuación para problemas de transbordo:
cij : costo de envı́o por unidad del origen puro i al destino puro j.
dik : costo de envı́o por unidad del origen puro i al transbordo k.
ekl : costo de envı́o por unidad del transbordo k al transbordo l, con

k 6= l.
fkj : costo de envı́o por unidad del transbordo k al destino puro j.
ai , i ∈ O: oferta del origen puro i.
pk , k ∈ T : oferta del transbordo k.
qk , k ∈ T : demanda del transbordo k.
bj , j ∈ D: demanda del destino puro j.
xij , i 6= j: variable de decisión que indica la cantidad de bienes envia-

dos del nudo i al nudo j.
xkk , k ∈ T : variable de decisión que indica la cantidad de los denomi-

nados bienes de transbordo en k, es decir, los bienes que recibe k que
no necesita (los bienes que recibe para enviar).
Con estas variables, se puede definir un modelo lineal que garantice que
satisfagan todas las demandas de los nudos sin exceder las ofertas y de modo
que se minimice el costo total de envı́os. El modelo propuesto es el siguiente:
XX XX XX XX
mı́n cij xij + dik xik + ekl xkl + fkj xkj
i∈O j∈D i∈O k∈T k∈T l∈T k∈T j∈D
X X
xik + xij ≤ ai , ∀i ∈ O
k∈T j∈D
X X
xkl + xkj − xkk ≤ pk , ∀k ∈ T
l∈T j∈D (3.1)
X X
xik + xlk − xkk = qk , ∀k ∈ T
i∈O l∈T
X X
xij + xkj = bj , ∀j ∈ D
i∈O k∈T
xij ≥ 0, ∀ i∈O∪T, j ∈T ∪D
satisfaciendo las condiciones

X X X X
cij , dij , eij , fij > 0, si i 6= j y ai + pk ≥ bj + qk .
i k j k
Capı́tulo 3. Extensiones del problema del transporte 35
El problema (3.1) junto con las condiciones adicionales, se denominará pro-

blema de transbordo.
Como en los problemas de transporte, se supondrán los problemas de
transbordo balanceados, es decir, problemas de transbordo tal que
X X X X
ai + pk = bj + qk .
i∈O k∈T j∈D k∈T
P P P P
En caso contrario, si ai + pk > qk , el problema se balancea
bj +
i k j P kP P
añadiendo un destino ficticio f a D con demanda bf = ai + pk −( bj +
P i k j
qk ) y costos cif = 0, ∀i ∈ O ∪ T . De este modo, el Problema (3.1) se
k
escribe
XX XX XX XX
mı́n cij xij + dik xik + ekl xkl + fkj xkj
i∈O j∈D i∈O k∈T k∈T l∈T k∈T j∈D
X X
xik + xij = ai , ∀i ∈ O
k∈T j∈D
X X
xkl + xkj − xkk = pk , ∀k ∈ T
l∈T j∈D (3.2)
X X
xik + xlk − xkk = qk , ∀k ∈ T
i∈O l∈T
X X
xij + xkj = bj , ∀j ∈ D
i∈O k∈T
xij ≥ 0, ∀ i∈O∪T, j ∈T ∪D
3.1.1. Resolución del problema

Hay varias formas de abordar un problema de transbordo, entre ellas la
resolución del problema diréctamente tratándolo como un problema de re-
des o la conversión del problema a un problema de transporte clásico visto
anteriormente para su resolución con las técnicas de dicho modelo.
Transbordo como problema de redes

Esta serı́a la forma directa de resolverlo, viéndolo como un problema de
flujo de redes de costo mı́nimo. El grafo asociado al problema es el que viene
dado por todos los nudos, junto con los arcos dirigidos permitidos. El valor
numérico asociado a cada nudo es ai si i ∈ O, −bj si j ∈ D y para los
transbordos k ∈ T , si pk = 0 el valor asociado es −qk y si qk = 0 el valor
asociado es pk .
Tratando el problema de este modo se pueden usar las técnicas y propie-
dades vistas para redes y resolver el problema mediante el método simplex
para redes.
1 / a1 1/−b1
1 / p1
2 / a2 2/−q2 2/−b2
r / pr
m /am n/−bn
Figura 3.1: Red asociada a un problema de transbordo. De izquierda a de-

recha: m orı́genes puros, r transbordos y n destinos puros.
Reducción del problema de transbordo a un problema de trans-

porte
A continuación, se verá como puede reducirse un problema de transbordo a
un problema de transporte como los que fueron descritos en el Capı́tulo 2.
De este modo, se podrá tratar como un problema de transporte, haciendo
posible el uso de los resultados que ya se han explicado para este tipo de
problemas. También es posible el proceso inverso, es decir, la formulación de
un problema de transporte como un problema de transbordo, produciéndose
una equivalencia entre los problemas de transporte y los problemas de trans-
bordo (incluso en los problemas en los que no hay distinción entre nudos,
ver [5]).
Si se tiene que los nudos del problema de transbordo a resolver son m
orı́genes puros Oi , i = 1, . . . , m, n destinos puros Dj , j = 1, . . . , n y r
transbordos Tk , k = 1, . . . , r. Sea
m
X r
X n
X r
X
L= ai + pk = bi + qk , (3.3)
i=1 k=1 j=1 k=1
entonces en cualquier solución óptima las variables xkk están acotadas. En

efecto,
xkk ≤ L, ∀k ∈ T . (3.4)
Si para algún k ∈ T fuera xkk > L, entonces hay bienes que pasan por el
transbordo k más de una vez y por lo tanto no puede ser solución óptima.
Definiendo una nueva variable x0kk como
x0kk = L − xkk (3.5)
se puede reducir el problema del transbordo al problema de transporte que

determina la tabla
costos D1 D2 ... Dn T1 T2 ... Tr oferta

O1 c11 c12 ... c1n d11 d12 ... d1r a1
O2 c21 c22 ... c2n d21 d22 ... d2r a2
.. .. .. .. .. .. .. .. .. ..
. . . . . . . . . .
Om cm1 cm2 . . . cmn dm1 dm2 ... dmr am
T1 f11 f12 . . . f1n 0 e12 ... e1r p1 + L
T2 f21 f22 . . . f2n e21 0 ... e2r p2 + L
.. .. .. .. .. .. .. .. .. ..
. . . . . . . . . .
Tr fr1 fr2 . . . frn er1 er2 ... 0 pr + L
demanda b1 b2 . . . bn q1 + L q2 + L . . . qr + L
siendo x0kk la variable de decisión que determina el flujo que va del origen
Tk al destino Tk .
3.1.2. Red de suministro eléctrica

Supóngase una empresa eléctrica que suministra energı́a a una gran zona, la
cual quiere hacer la planificación anual de envı́os. La empresa posee plantas
de producción de energı́a en zonas aisladas. Además, en las grandes ciudades
también posee puntos de generación de energı́a, que dependiendo de la ciu-
dad puede crear más de lo que necesitan o pueden tener un déficit, en cuyo
caso necesitarán energı́a adicional. Por otra parte, se encuentran los pueblos
o pequeñas ciudades, las cuales tienen una necesidad de energı́a concreta y
no poseen ningún modo de generación de energı́a.
Gracias a las instalaciones de la empresa, la energı́a puede ser enviada
desde las plantas de producción a las grandes ciudades y a los pueblos.
Además, las grandes ciudades pueden enviarse energı́a entre ellas y también
a los pueblos, siendo estos últimos los únicos que solo pueden recibir energı́a
de los anteriores, sin posibilidad de enviar a ningún punto.
Por último, hay algunas instalaciones de transporte de energı́a que tienen
una capacidad limitada de transporte.
La empresa eléctrica quiere satisfacer todas las necesidades energéticas
de las ciudades y pueblos, de modo que el costo total de los envı́os le resulte
lo mas económico posible. Para ello se tiene la siguiente información (los
datos se ofrecen en millones MWh y la unidad de tiempo es un año).
La empresa cuenta con 7 plantas: O1 , O2 , O3 , O4 , O5 , O6 y O7 .
Hay 5 grandes ciudades, o ciudades en las que la empresa produce

energı́a: T1 , T2 , T3 , T4 y T5 .
Hay 6 pueblos, es decir, que únicamente pueden recibir energı́a: D1 ,

D2 , D3 , D4 , D5 y D6 .
Se tiene la siguiente información:
Planta O1 O2 O3 O4 O5 O6 O7 Total
Producción (ai ) 33 26 21 37 15 28 31 191
Pueblo D1 D2 D3 D4 D5 D6 Total
Consumo (bj ) 13 16 27 15 21 20 112
Ciudad T1 T2 T3 T4 T5
Producción 25 30 15 23 17
Consumo 28 12 26 23 32
Diferencia −3 18 −11 0 −5
De la última tabla se extraen las ofertas y demandas netas, que son
Ciudad T1 T2 T3 T4 T5 Total
pk 0 18 0 0 0 18
qk 3 0 11 0 5 19
costos D1 D2 D3 D4 D5 D6 T1 T2 T3 T4 T5
O1 26 23 − − − 11 19 16 − 14 11
O2 31 − − − 27 − 14 12 16 − −
O3 − 25 30 − 34 − 11 7 19 16 12
O4 35 − − − − − − 19 − 15 17
O5 − − 32 − − − 31 14 19 16 12
O6 − 30 − − − 27 15 11 15 13 19
O7 29 31 − − − − 11 15 13 14 15
T1 15 − 13 12 9 11 − 5 5 8 3
T2 14 16 12 11 − − 9 − 7 4 8
T3 − 19 11 14 13 − 6 − − 9 9
T4 − − − − − − 5 3 6 − 3
T5 15 13 16 − 11 7 6 − 4 5 −
El problema de transbordo no es balanceado. Para balancearlo se añade

P7 P5
al problema un destino puro ficticio Df con demanda bf = ai + pk −
i=1 k=1
6
P 5
P 7
P
bj − qk = 191 + 18 − 112 − 19 = 78. También se calcula L = ai +
j=1 k=1 i=1
5
P
pk = 209. Por lo tanto, este problema de transbordo puede ser convertido
k=1
al problema de transporte cuya tabla es:
costos D1 D2 D3 D4 D5 D6 Df T1 T2 T3 T4 T5 oferta
O1 26 23 − − − 11 0 19 16 − 14 11 33
O2 31 − − − 27 − 0 14 12 16 − − 26
O3 − 25 30 − 34 − 0 11 7 19 16 12 21
O4 35 − − − − − 0 − 19 − 15 17 37
O5 − − 32 − − − 0 31 14 19 16 12 15
O6 − 30 − − − 27 0 15 11 15 13 19 28
O7 29 31 − − − − 0 11 15 13 14 15 31
T1 15 − 13 12 9 11 0 0 5 5 8 3 209
T2 14 16 12 11 − − 0 9 0 7 4 8 227
T3 − 19 11 14 13 − 0 6 − 0 9 9 209
T4 − − − − − − 0 5 3 6 0 3 209
T5 15 13 16 − 11 7 0 6 − 4 5 0 209
demanda 13 16 27 15 21 20 78 212 209 220 209 214
Además, las cotas superiores son:
cot. sup. D1 D2 D3 D4 D5 D6 Df T1 T2 T3 T4 T5
O1 10 5
O2
O3 5 20
O4
O5 20 15
O6
O7 10 15
T1 15 15
T2 15
T3 5 10
T4 10 10
T5 10 15 15
Pasando esta información por el programa para problemas de transporte

40 3.2. Transporte con localización y coste de producción
del Apéndice A se obtiene como resultado:
xij D1 D2 D3 D4 D5 D6 Df T1 T2 T3 T4 T5
O1 10 20 3
O2 26
O3 20 1
O4 37
O5 2 13
O6 11 17
O7 2 18 11
T1 15 194
T2 13 27 15 172
T3 209
T4 209
T5 6 6 197
y el valor de la función objetivo es z = 2269.

Ahora se interpreta la solución obtenida. Los envı́os de origenes a des-
tinos, de orı́genes a transbordos, de transbordo a transbordo distinto y de
transbordo a destino se corresponden con los números que aparecen en la
tabla. Los envı́os con destino Df representan elementos que no han salido de
sus respectivos orı́genes. Los envı́os entre dos puntos de transbordo iguales
se corresponden con x0Tk ,Tk = L − xTk ,Tk . Por ejemplo x0T1 ,T1 = 194 indica
que xT1 ,T1 = 209 − 194 = 15 lo cual quiere decir que el transbordo T1 ha
recibido 15 unidades que no necesitaba, es decir, que ha enviado a otro pun-
to. Observando en la tabla de la solución se comprueba que efectivamente
T1 recibe 18 unidades de O7 , de las cuales solo precisa 3 unidades y las 15
unidades restantes las reenvı́a a D5 .
3.2. Transporte con localización y coste de pro-

ducción
Cuando se habla de los problemas de transporte clásicos, no se tiene en
cuenta el coste de producción de los bienes en los orı́genes o puntos de
suministro. Por otro lado, puede ocurrir que exista un lı́mite de orı́genes
operativos y además mantener un orı́gen operativo, tal como una fábrica,
también influye en el coste de la operación.
Teniendo en cuenta estos factores, se va a proponer un modelo más ex-
tenso que el de un problema de transporte clásico. Estas modificaciones, al
contrario de lo que ocurrı́a con los problemas de transbordo, van a reque-
rir la resolución del problema con algoritmos de programación entera para
hallar una solución entera.
3.2.1. Modelización del problema

Se suponen m orı́genes, n destinos y r posibles orı́genes operativos. Además,
se tiene:
dij : costo de envı́o unitario del origen i al destino j. Se conside-
rará dij = M (siendo M un número muy grande) si no hay envı́o
posible entre i y j.
ei : costo de hacer operativo el origen i
d0i : costo de producción unitario en el origen i
ai : capadicad máxima de producción del origen i
bj : demanda en el destino j
xij : unidades a enviar del origen i al destino j

(
1, si está operativo el origen i
yi =
0, si no está operativo el origen i
Se define cij = dij + d0i , que es el costo unitario transporte del origen
i al destino j (incluye coste de producción y coste de envı́o). Entonces, el
modelo que describe problema propuesto queda de la siguiente forma:
m X
X n m
X
mı́n cij xij + ei yi
i=1 j=1 i=1
n
X
xij ≤ ai yi , i = 1, . . . , m
j=1
m
X
xij = bj , j = 1, . . . , n (3.6)
i=1
m
X
yi ≤ r
i=1
xij ≥ 0, i = 1, . . . , m, j = 1, . . . , n
yi ∈ {0, 1}, i = 1, . . . , m
Para cada i, i = 1, 2, . . . , m, se tiene que
 n
X
n
xij ≤ ai , si yi = 1


X
xij ≤ ai yi = j=1

j=1
xij = 0, j = 1, 2 . . . , n, si yi = 0.

Las variables que únicamente pueden tomar valor 0 o 1, como las va-
riables yi de este modelo, se dicen variables binarias. Nótese que fijadas las
variables yi , i = 1, . . . , m de modo que el problema que quede tenga solución

factible, el problema que hay que resolver es un problema de transporte. Con
ello, cabe decir que suponiendo las ofertas y las demandas enteras, no es ne-
cesaria exigir la integralidad de las variables xij para obtener una solución
entera.
3.2.2. Expansión estratégica de una empresa

Una empresa que fabrica piezas está asentada en la Penı́nsula Ibérica. Debido
a su tecnologı́a puntera, muchos paı́ses demandan dicha pieza. Las zonas que
requieren sus servicios son:
Zona Demanda (bj ) Zona Demanda (bj )

O-Penı́nsula Ibérica 1500 D-Asia 4500
A-Europa Central 6300 E-Canadá 900
B-Reino Unido 500 F-Estados Unidos 7800
C-Rusia 6500 G-Sudamérica 3200
Esa demanda, ha hecho que la empresa se plantee una expansión es-
tratégica, ya que los costos de envı́o pueden encarecer mucho el proceso de
entrega, reduciendo las ganancias de la propia empresa de manera notable.
Por ello, la empresa ha observado que podrı́a abrir fábricas en las siguientes
zonas:
Disponibles Establecerse (ei ) Producción (ai ) Precio fabricación(d0i )

P. Ibérica Establecido 30000 2500
Rusia 5 mill. 10000 2000
Asia 3 mill. 15000 1500
Estados Unidos 7 mill. 12000 2500
Sudamérica 2 mill. 6000 1500
H-África 1 mill. 8000 200
Por la dificultad de gestionar varias fábricas al mismo tiempo, la empresa
ha decidido que no abrirá más de tres fábricas nuevas. Según su información,
que se supone fiable, el costo de envı́o por cargamento entre las distintas
zonas (depende de distancia, polı́ticas locales,...) es el que se refleja en la
siguiente tabla:
Origen\Destino (dij ) O (1) A (2) B (3) C (4) D (5) E (6) F (7) G (8)
O (1) 15 800 900 1400 1900 - 2300 950
C (2) 1600 1500 - 35 800 1300 - 1900
D (3) 600 700 500 600 20 1300 1500 1300
F (4) 1500 1600 1500 - 1700 800 25 -
G (5) 400 700 800 1500 900 500 - 10
H (6) 800 1000 1200 2200 2000 2400 2300 2100
cij = dij + d0i O A B C D E F G

O 2515 3300 3400 3900 4400 - 4800 3450
C 3600 3500 - 2035 2800 3300 - 3900
D 2100 2200 2000 2100 1520 2800 3000 2800
F 4000 4100 4000 - 4200 3300 2525 -
G 1900 2200 2300 3000 2400 2000 - 1510
H 1000 1200 1400 2400 2200 2600 2500 2300
El problema que hay que resolver para minimizar el costo total de las
operaciones es
m X
X n m
X
mı́n cij xij + ei yi
i=1 j=1 i=1
n
X
x1j ≤ a1
j=1
n
X
xij ≤ a i yi , i = 2, . . . , 6
j=1 (3.7)
Xm
xij = bj , j = 1, . . . , 8
i=1
m
X
yi ≤ 3
i=2
xij ∈ Z+ , i = 1, . . . , 6, j = 1, . . . , 8
yi ∈ {0, 1}, i = 2, . . . , 6
que es un problema de los descritos en esta sección, con la particularidad de
que la variable y1 viene fijada a 1.
Resolviendo el problema mediante el programa del Apéndice C se obtiene
la solución
xij O A B C D E F G yi
O 1500 700 0 0 0 0 0 0 -
C 0 0 0 0 0 0 0 0 0
D 0 0 0 6500 4500 0 4000 0 1
F 0 0 0 0 0 0 0 0 0
G 0 1400 500 0 0 900 0 3200 1
H 0 4200 0 0 0 0 3800 0 1
que indica que la mejor opción es instalarse, además de en la Penı́nsula

Ibérica, en Asia, Sudamérica y África, y el coste total de la expansión, la
fabricación y el transporte mı́nimo es de z = 69974500.
E
C
F A
O
Figura 3.2: Representación del Problema (3.7) como red. En verde el origen
existente y en amarillo los posibles nuevos orı́genes. Los arcos amarillos
representan un posible envı́o que depende de la construcción de plantas.
Apéndice A
Resolución de problemas en
entorno COIN-OR con solver
de CPLEX
Será necesario tener descargado e instalado en el ordenador:
Compilador Visual Express C++ 2013 para implementar los códigos

de resolución.
Software de optimización COIN-OR 1.6 (libre disposición) para esta-

blecer la estructura del problema y utilizar las funciones de optimiza-
ción.
Software de optimización CPLEX 12.5 (versión académica de 8 proce-

sadores) para utilizar las funciones de optimización.
Hoja de cálculo Microsoft Office Excel 2010 y Visual Basic (VBA) para
generar un entorno amigable de introducción de datos.
Además de instalarlos hay que enlazarlos entre si para el funcionamiento

conjunto. La información detallada de la instalación y de enlazamiento se
puede consultar en Gloria Pérez, Marı́a Araceli Garı́n, ver [17].
Ahora se procederá a explicar como se pueden introducir los datos en
una hoja de cálculo, donde los datos son más amigables para el usuario. Los
datos se volcarán en un archivo que sea leido por el compilador Visual C++
para después llamar al solver adecuado para hallar la solución óptima del
problema.
Para ello, cada apartado se ilustrará mediante la resolución de un pro-
blema del tipo indicado que se haya propuesto en su respectivo capı́tulo.
Los algoritmos han sido implementados en una computadora con Intel
Core i5 3.20GHz y 4GB de memoria.
45
46 A.1. Resolución de problemas de flujo de redes a costo mı́nimo
A.1. Resolución de problemas de flujo de redes a

costo mı́nimo
Se va a explicar como resolver computacionalmente el problema de flujo

de redes a costo mı́nimo descrito en la Sección 1.7. Se trabajará con la
formulación (1.8).
El problema que se va a tomar como ejemplo es el que viene dado por
la red de la Figura 1.4 que se explicó en la página 20. En forma de tabla, el
problema queda expresado de este modo:
cij 1 2 3 4 bi5
1 10 6−17
2 7 9
3 9 20 0
4 8 −11
5 15 19
Para resolver el problema se procederá del siguiente modo.
1. Abrir la hoja de cálculo preparada para resolver los problemas.
2. Introducir el número de nudos en la casilla que se solicita y pulsar el

botón TABLA para que se creen las tablas a rellenar con los costos y
los valores de los nudos, y con las cotas superiores.
Apéndice A. Resolución de problemas en entorno COIN-OR con solver de
CPLEX 47
3. Rellenar la tabla superior con los costos sobre los arcos existentes y la
última columna con el valor de cada nudo. Las casillas para las que
no exista arco se dejan en blanco. En este caso las cotas superiores
quedan en blanco porque es un problema no capacitado.
4. Seleccionar la ruta de destino para el archivo con la información que

se utilizará como datos de entrada para el programa de Visual C++.
Se escogerá como destino el directorio de trabajo de Visual C++, en
este caso, c:\tfg-projects\costominimo\in-costominimo.dat. Pulsar el
botón EXPORTAR para generar el archivo en la ruta especificada.
5. En la el directorio de trabajo c:\tfg-projects\costominimo está el archi-

vo \in-costominimo.dat, que tiene la forma: número de nudos, bloque
de costos, fila de valores de los nudos y por último bloque de cotas
superiores.
5
1e+7 1e+7 10 6 1e+7
7 1e+7 1e+7 1e+7 1e+7
1e+7 9 1e+7 20 1e+7
1e+7 1e+7 1e+7 1e+7 8
1e+7 1e+7 15 1e+7 1e+7
-17 9 0 -11 19
1e+7 1e+7 1e+7 1e+7 1e+7

1e+7 1e+7 1e+7 1e+7 1e+7
1e+7 1e+7 1e+7 1e+7 1e+7
1e+7 1e+7 1e+7 1e+7 1e+7
1e+7 1e+7 1e+7 1e+7 1e+7
6. Ejecutar el código .cpp de Visual C++, que es el siguiente:
#i n c l u d e ”pm . h”
// Funcion para l a e s c r i t u r a d e l f i c h e r o de s a l i d a
v o i d e s c r i b i r ( d o u b l e a , i n t b , i n t c , c o n s t d o u b l e ∗x , i n t nudos ,
double t )
{
o f s t r e a m s a l i d a ( ” out−costominimo . dat ” , i o s : : out | i o s : : app ) ;
int i , j ;
s a l i d a << ” \nTiempo de CPU e s : ” << t ;
s a l i d a << ” \ nFuncion o b j e t i v o : ” << a ;
s a l i d a << ” \nNumero de v a r i a b l e s : ” << b ;
s a l i d a << ” \nNumero de c o n d i c i o n e s : ” << c ;
s a l i d a << ” \nLa s o l u c i o n e s : \ n” ;
f o r ( j = 0 ; j <nudos ; j ++)
{
f o r ( i = 0 ; i <nudos ; i ++)
{
s a l i d a << x [ i + j ∗ nudos ] << ” ” ;
}
s a l i d a << ” \n” ;
}
}
// Programa p r i n c i p a l
i n t main ( )
{
i f s t r e a m e n t r a d a ( ” in−costominimo . dat ” , i o s : : i n ) ; // Entrada
o f s t r e a m s a l i d a ( ” out−costominimo . dat ” ) ; // S a l i d a
d o u b l e ∗ d e l s , ∗ drowlo , ∗drowup , ∗ d c o l l o , ∗ dcolup , ∗ c o s t o s ;
i n t ∗ mcolindx , ∗ mrowindx ; // i n d i c e s
i n t n c o l s , nelements , nrows , i , j , m1, k ;
e n t r a d a >> m1 ;
n c o l s = m1∗m1 ; nrows = m1 ; n e l e m e n t s = 2 ∗ n c o l s ;
// Reserva de memoria
d e l s = new d o u b l e [ n e l e m e n t s ] ;
mcolindx = new i n t [ n e l e m e n t s ] ; mrowindx = new i n t [ n e l e m e n t s ] ;
drowlo = new d o u b l e [ nrows ] ; drowup = new d o u b l e [ nrows ] ;
d c o l l o = new d o u b l e [ n c o l s ] ; d c o l u p = new d o u b l e [ n c o l s ] ;
c o s t o s = new d o u b l e [ n c o l s ] ;
// Matriz de c o n d i c i o n e s por i n d i c e s
k = 0 ; // p o s i c i o n en que t o c a i n s e r t a r e l e m e n t o
f o r ( i = 0 ; i < m1 ; i ++){
CPLEX 49
f o r ( j = 0 ; j < m1 ; j ++)
{
dels [ k ] = 1;
mrowindx [ k ] = i ;
mcolindx [ k ] = m1∗ i + j ;
k++;
d e l s [ k ] = −1;
mcolindx [ k ] = m1∗ j + i ;
k++;
}
}
// L e c t u r a de c o s t o s
f o r ( i = 0 ; i <n c o l s ; i ++) e n t r a d a >> c o s t o s [ i ] ;
// L e c t u r a de c o n d i c i o n e s
f o r ( i = 0 ; i < nrows ; i ++) {
e n t r a d a >> drowup [ i ] ;
drowlo [ i ] = drowup [ i ] ;
}
// Cotas i n f e r i o r e s s i e m p r e 0
f o r ( i = 0 ; i < n c o l s ; i ++) d c o l l o [ i ] = 0 ;
// L e c t u r a de c o t a s s u p e r i o r e s
f o r ( i = 0 ; i < n c o l s ; i ++) e n t r a d a >> d c o l u p [ i ] ;
// S o l v e r de COIN o de CPLEX
OsiClpSolverInterface sol1 ;
// O s i C p x S o l v e r I n t e r f a c e s o l 1 ;
CoinPackedMatrix A( t r u e , mrowindx , mcolindx , d e l s , n e l e m e n t s ) ;

s o l 1 . loadProblem (A, d c o l l o , dcolup , c o s t o s , drowlo , drowup ) ;
s o l 1 . s e t O b j S e n s e ( 1 ) ; // m i n i m i z a r
// S o l u c i o n l i n e a l
sol1 . initialSolve ();
d o u b l e time1 = CoinCpuTime ( ) ;
// E s c r i b i r en f i c h e r o de s a l i d a
e s c r i b i r ( s o l 1 . getObjValue ( ) , s o l 1 . getNumCols ( ) ,
s o l 1 . getNumRows ( ) , s o l 1 . g e t C o l S o l u t i o n ( ) , m1, time1 ) ;
entrada . c l o s e ( ) ; s a l i d a . c l o s e ( ) ;
return 0;
}
7. Se ha creado en el directorio de trabajo el archivo out-costominimo.dat

que contiene la información de la solución del problema
Tiempo de CPU es:0

Funcion objetivo:696
Numero de variables:25
Numero de condiciones:5
La solucion es:
0 0 0 0 0
17 0 0 0 0
0 8 0 11 0
0 0 0 0 0
0 0 19 0 0
8. Se interpreta la solución. La función objetivo es z = 696 y el valor de

las variables es
xij 1 2 3 4 5
1
2 17
3 8 11
4
5 19
9. Para limpiar la hoja de cálculo y comenzar otro problema pulsar el

botón INICIO.
Macros asociados los botones

Cada botón que se ha utilizado en la hoja Excel tiene asociado una Macro
escrita en Visual Basic. Los códigos son los siguientes:
Inicio
Sub InicioPCM ( )
Dim i 1 , j 1 , c As I n t e g e r
’ Limpiar l o a n t e r i o r ’
i1 = 4
j1 = 1
c = 0 ’ Contador ’
While C e l l s ( i 1 + c , j 1 ) <> ” ”
c = c + 1
Wend
Range ( C e l l s ( i 1 , j 1 ) , C e l l s ( i 1 + c , j 1 + c + 1 ) ) . C l e a r
C e l l s ( 2 , 2 ) = ” n nudos ”
I f C e l l s ( 2 , 6 ) = ” ” Then
C e l l s ( 2 , 6 ) = ”Ruta d e s t i n o ”
End I f
End Sub
Tabla
Sub TablaPCM ( )
Dim i 1 , j 1 , m, k As I n t e g e r
CPLEX 51
i1 = 4
j1 = 1
m = C e l l s (2 , 2)
’ Tabla de c o s t o s ’
C e l l s ( i1 , j1 ) = ” c i j ”
C e l l s ( i 1 , j 1 ) . I n t e r i o r . C o l o r I n d e x = 19
Range ( C e l l s ( i 1 , j 1 ) , C e l l s ( i 1 + m, j 1 + m + 1 ) ) . H o r i z o n t a l A l i g n m e n t = x l C e n t e r
Range ( C e l l s ( i 1 , j 1 ) , C e l l s ( i 1 + m, j 1 + m + 1 ) ) . B o r d e r s . L i n e S t y l e = x l C o n t i n u o u s
For k = 1 To m
Cells (k + i1 , j1 ) = k
Cells (k + i 1 , j 1 ) . I n t e r i o r . C o l o r I n d e x = 19
C e l l s ( i1 , j1 + k) = k
C e l l s ( i1 , j 1 + k ) . I n t e r i o r . C o l o r I n d e x = 19
Next k
C e l l s ( i 1 , m + j 1 + 1 ) = ” v a l o r nudo”
C e l l s ( i 1 , m + j 1 + 1 ) . I n t e r i o r . C o l o r I n d e x = 19
’ Tabla de c o t a s s u p e r i o r e s ’
i1 = i1 + m + 1
C e l l s ( i1 , j1 ) = ” u i j ”
Range ( C e l l s ( i 1 , j 1 ) , C e l l s ( i 1 + m, j 1 + m) ) . H o r i z o n t a l A l i g n m e n t = x l C e n t e r
Range ( C e l l s ( i 1 , j 1 ) , C e l l s ( i 1 + m, j 1 + m) ) . B o r d e r s . L i n e S t y l e = x l C o n t i n u o u s
For k = 1 To m
Cells (k + i1 , j1 ) = k
Cells (k + i 1 , j 1 ) . I n t e r i o r . C o l o r I n d e x = 19
C e l l s ( i1 , j1 + k) = k
C e l l s ( i1 , j 1 + k ) . I n t e r i o r . C o l o r I n d e x = 19
Next k
End Sub
Exportar
Sub ExportarPCM ( )
Dim c i j , u i j , bi , s a l i d a As S t r i n g
Dim m As I n t e g e r
Dim i 1 , j 1 , i As I n t e g e r
i 1 = 5 ’ primera f i l a ’
j 1 = 2 ’ p r i m e r a columna ’
s a l i d a = C e l l s (2 , 6)
m = C e l l s (2 , 2)
c i j = ””
bi = ””
u i j = ””
For i = i 1 To i 1 + m − 1
52 A.2. Resolución de problemas de transporte y transbordo
For j = j 1 To j 1 + m − 1
I f C e l l s ( i , j ) = ” ” Then
c i j = c i j & ” 1 e+7” & ” ”
Else
c i j = c i j & Str ( Cells ( i , j )) & ” ”
End I f
Next j
c i j = c i j & Chr ( 1 3 ) + Chr ( 1 0 )
Next i
For i = i 1 To i 1 + m − 1
b i = b i & S t r ( C e l l s ( i , j 1 + m) ) & ” ”
Next i
b i = b i & Chr ( 1 3 ) + Chr ( 1 0 )
i1 = i1 + m + 1
For i = i 1 To i 1 + m − 1
For j = j 1 To j 1 + m − 1
I f C e l l s ( i , j ) = ” ” Then
u i j = u i j & ” 1 e+7” & ” ”
Else
u i j = u i j & Str ( Cells ( i , j )) & ” ”
End I f
Next j
u i j = u i j & Chr ( 1 3 ) + Chr ( 1 0 )
Next i
Open s a l i d a For Output As #1

P r i n t #1, S t r (m)
P r i n t #1, c i j
P r i n t #1, b i
P r i n t #1, u i j
C l o s e #1
End Sub
A.2. Resolución de problemas de transporte y trans-

bordo
En esta sección se hará lo análogo a los problemas de redes a costo mı́nimo,
esta vez con problemas de transporte y transbordo. En particular, los códigos
están diseñados para la resolución de problemas de transporte con cotas
superiores. Sin embargo en el Capı́tulo 3 se explica como transformar un
problema de transbordo en un problema de transporte, por tanto es válido
para ambos problemas. Se tomará como ejemplo de referencia el problema
de la compañı́a eléctrica descrito en la Sección 3.1.2. Los pasos a seguir son
los mismos que en la sección anterior:
1. Abrir la hoja de cálculo preparada para resolver los problemas de

transporte.
2. Introducir el número de orı́genes y destinos y pulsar el botón TABLA

CPLEX 53
para que se creen las tablas a rellenar con los costos, ofertas y deman-
das, y con las cotas superiores.
3. Rellenar ambas tablas con los datos que se requieren, dejando en blan-
co las posiciones donde no hay envı́o posible o donde no hay cota
superior.
4. Seleccionar la ruta de destino para el archivo con la información que se

utilizará como datos de entrada para el programa de Visual C++. Se
escogerá como destino el directorio de trabajo de Visual C++, en es-
te caso, c:\tfg-projects\transporte\in-transporte.dat. Pulsar el botón
EXPORTAR para generar el archivo en la ruta especificada.
5. En el directorio de trabajo c:\tfg-projects\transporte está el archivo

in-transporte.dat, que tiene la forma: número de orı́genes y destinos,
bloque de costos, fila de ofertas, fila de demandas y por último bloque
de cotas superiores.
12 11
26 23 1e+7 1e+7 1e+7 11 19 16 1e+7 14 11
31 1e+7 1e+7 1e+7 27 1e+7 14 12 16 1e+7 1e+7
1e+7 25 30 1e+7 34 1e+7 11 7 19 16 12
35 1e+7 1e+7 1e+7 1e+7 1e+7 1e+7 19 1e+7 15 17
1e+7 1e+7 32 1e+7 1e+7 1e+7 31 14 19 16 12
1e+7 30 1e+7 1e+7 1e+7 27 15 11 15 13 19
29 31 1e+7 1e+7 1e+7 1e+7 11 15 13 14 15
15 1e+7 13 12 9 11 0 5 5 8 3
14 16 12 11 1e+7 1e+7 9 0 7 4 8
1e+7 19 11 14 13 1e+7 6 1e+7 0 9 9
1e+7 1e+7 1e+7 1e+7 1e+7 1e+7 5 3 6 0 3
15 13 16 1e+7 11 7 6 1e+7 4 5 0
33 26 21 37 15 28 31 209 227 209 209 209

13 16 27 15 21 20 212 209 220 209 214
1e+7 10 1e+7 1e+7 1e+7 1e+7 1e+7 1e+7 1e+7 1e+7 5

1e+7 1e+7 1e+7 1e+7 1e+7 1e+7 1e+7 1e+7 1e+7 1e+7 1e+7
1e+7 5 1e+7 1e+7 1e+7 1e+7 1e+7 20 1e+7 1e+7 1e+7
1e+7 1e+7 1e+7 1e+7 1e+7 1e+7 1e+7 1e+7 1e+7 1e+7 1e+7
1e+7 1e+7 20 1e+7 1e+7 1e+7 1e+7 15 1e+7 1e+7 1e+7
1e+7 1e+7 1e+7 1e+7 1e+7 1e+7 1e+7 1e+7 1e+7 1e+7 1e+7
10 1e+7 1e+7 1e+7 1e+7 1e+7 1e+7 1e+7 15 1e+7 1e+7
1e+7 1e+7 1e+7 1e+7 15 1e+7 1e+7 1e+7 1e+7 1e+7 15
1e+7 1e+7 1e+7 1e+7 1e+7 1e+7 1e+7 1e+7 1e+7 1e+7 15
1e+7 1e+7 5 1e+7 1e+7 1e+7 1e+7 1e+7 1e+7 10 1e+7
1e+7 1e+7 1e+7 1e+7 1e+7 1e+7 1e+7 10 1e+7 1e+7 10
10 15 1e+7 1e+7 1e+7 1e+7 1e+7 1e+7 15 1e+7 1e+7
6. Ejecutar el código .cpp de Visual C++, que es el siguiente:
// Funcion para l a e s c r i t u r a d e l f i c h e r o de s a l i d a
v o i d e s c r i b i r ( d o u b l e a , i n t b , i n t c , c o n s t d o u b l e ∗x ,
i n t origenes , i n t destinos , double t )
{
o f s t r e a m s a l i d a ( ” out−t r a n s p o r t e . dat ” , i o s : : out | i o s : : app ) ;
int i , j ;
s a l i d a << ” \nTiempo de CPU e s : ” << t ;
s a l i d a << ” \ nFuncion o b j e t i v o : ” << a ;
s a l i d a << ” \nNumero de v a r i a b l e s : ” << b ;
s a l i d a << ” \nNumero de c o n d i c i o n e s : ” << c ;
s a l i d a << ” \nLa s o l u c i o n e s : \ n” ;
f o r ( j = 0 ; j <o r i g e n e s ; j ++)
{
f o r ( i = 0 ; i <d e s t i n o s ; i ++)
{
s a l i d a << x [ i + j ∗ d e s t i n o s ] << ” ” ;
CPLEX 55
}
s a l i d a << ” \n” ;
}
}
// Programa p r i n c i p a l
i n t main ( )
{
i f s t r e a m e n t r a d a ( ” in−t r a n s p o r t e . dat ” , i o s : : i n ) ; // Entrada
o f s t r e a m s a l i d a ( ” out−t r a n s p o r t e . dat ” ) ; // S a l i d a
d o u b l e ∗ d e l s , ∗ drowlo , ∗drowup , ∗ d c o l l o , ∗ dcolup , ∗ c o s t o s ;
i n t ∗ mcolindx , ∗ mrowindx ; // i n d i c e s
i n t n c o l s , nelements , nrows , i , j , m1, n1 , k ;
e n t r a d a >> m1 ; e n t r a d a >> n1 ;
n c o l s = m1∗ n1 ; nrows = m1 + n1 ; n e l e m e n t s = 2∗ n c o l s ;
// Reserva de memoria
// Matriz de c o n d i c i o n e s por i n d i c e s
k = 0 ; // p o s i c i o n en que t o c a i n s e r t a r e l e m e n t o
f o r ( j = 0 ; j <m1 ; j ++)
{
f o r ( i = 0 ; i <n1 ; i ++)
{ //Cada columna t i e n e dos 1−s .
dels [ k ] = 1;
mcolindx [ k ] = j ∗ n1 + i ;
mrowindx [ k ] = j ;
k++;
dels [ k ] = 1;
mcolindx [ k ] = j ∗ n1 + i ;
mrowindx [ k ] = m1 + i ;
k++;
}
}
// L e c t u r a de o f e r t a s , demandas y c o s t o s
f o r ( i = 0 ; i <n c o l s ; i ++) e n t r a d a >> c o s t o s [ i ] ;
f o r ( i = 0 ; i < m1 ; i ++) drowlo [ i ] = 0 ;
f o r ( i = 0 ; i <m1 ; i ++) e n t r a d a >> drowup [ i ] ;
f o r ( i = m1 ; i < nrows ; i ++) {
e n t r a d a >> drowlo [ i ] ;
drowup [ i ] = drowlo [ i ] ;
}
// Cotas de l a s v a r i a b l e s
f o r ( i = 0 ; i <n c o l s ; i ++) d c o l l o [ i ] = 0 ;
f o r ( i = 0 ; i < n c o l s ; i ++) e n t r a d a >> d c o l u p [ i ] ;
// O s i C l p S o l v e r I n t e r f a c e s o l 1 ;
OsiCpxSolverInterface sol1 ;

s o l 1 . setObjSense ( 1 ) ;
// S o l u c i o n l i n e a l
e s c r i b i r ( s o l 1 . getObjValue ( ) , s o l 1 . getNumCols ( ) , s o l 1 . getNumRows ( ) ,

s o l 1 . g e t C o l S o l u t i o n ( ) , m1, n1 , time1 ) ;
return 0;
}
7. Se ha creado en el directorio de trabajo el archivo out-transporte.dat:
Tiempo de CPU es:0.046

Funcion objetivo:2269
La solucion es:
0 10 0 0 0 20 0 0 0 0 3
0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 20 0 0 1
0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 13
0 0 0 0 0 0 0 17 0 0 0
0 0 0 0 0 0 18 0 11 0 0
0 0 0 0 15 0 194 0 0 0 0
13 0 27 15 0 0 0 172 0 0 0
0 0 0 0 0 0 0 0 209 0 0
0 0 0 0 0 0 0 0 0 209 0
0 6 0 0 6 0 0 0 0 0 197
8. Se extrae la solución. La función objetivo es z = 2269 y el valor de las

variables es
xij D1 D2 D3 D4 D5 D6 T1 T2 T3 T4 T5
O1 10 20 3
O2
O3 20 1
O4
O5 13
O6 17
O7 18 11
T1 15 194
T2 13 27 15 172
T3 209
T4 209
T5 6 6 197
Apéndice B
Experiencia computacional.
Generación aleatoria de
casos en Matlab
La teorı́a relativa a la programación en redes, que incluye los problemas de

transporte y de transbordo, la cual se se estudió en el Capı́tulo 1, estaba
orientada a demostrar que las particularidades que tienen los problemas
de este tipo influyen notablemente en la velocidad con la que pueden ser
resueltos comparados con problemas lineales generales.
Se desarrollaba un algoritmo basado en el método simplex, pero además
se habı́a demostrado que una caracterı́stica de los problemas de redes era la
integralidad de estos. Se sabe que la solución a un problema de redes donde
las ofertas, demandas y cotas superiores de las variables vienen dadas por
números enteros es entera. En otras palabras, para resolver un problema de
redes entero en el cual la oferta, la demanda y las cotas superiores tienen
valores enteros puede ser utilizado un algoritmo de programación lineal, no
es necesario el uso de algoritmos especı́ficos de programación entera.
Generación de datos y algoritmos de resolución

Para comprobar el efecto que tiene la integralidad en problemas de redes se
ha tomado como referencia los problemas de transporte. Las pruebas rea-
lizadas consisten en la resolución de dos tipos de problemas de transporte.
En ambos casos se precisa una solución entera. Por una parte se resolverán
problemas de transporte con datos reales (dos decimales), para los cuales es
necesario el uso de un algoritmo de resolución entero, se utilizará el algorit-
mo Branch and Bound. Por otra parte se resolverán problemas de transporte
con ofertas, demandas y cotas superiores enteras, para los cuales se obtiene
solución entera mediante algoritmos lineales. Ambos problemas serán re-
sueltos con los solvers de COIN-OR y de CPLEX. Los problemas han sido
57
58
generados de forma aleatoria con Matlab mediante la siguiente función:

f u n c t i o n [ ] = d a t a w r i t e ( k ,m, n , d e s t i n o )
% k=0: 0 d e c i m a l e s , k=−2: 2 d e c i m a l e s , . . .
dim=[m n ] ;
c o s t o s=roundn ( 9 9 ∗ rand (m, n )+1 , −2);
o =0; d=1;
w h i l e o<d
demanda=roundn (30+30∗ rand ( 1 , n ) , k ) ;
o f e r t a=roundn (50+50∗ rand ( 1 ,m) , k ) ;
o=sum ( o f e r t a ) ; d=sum ( demanda ) ;
end
upper=roundn (30+50∗ rand (m, n ) , k ) ;
f i c h=f o p e n ( d e s t i n o , ’w ’ ) ;
f o r i =1: l e n g t h ( dim )
f p r i n t f ( f i c h , ’ % i ’ , dim ( i ) ) ;
f p r i n t f ( fich , ’ ’ ) ;
end
f p r i n t f ( f i c h , ’ \n\n ’ ) ;
f o r i =1:m
f o r j =1:n
f p r i n t f ( fich , ’ % g ’ , costos ( i , j ) ) ;
f p r i n t f ( fich , ’ ’ ) ;
end
f p r i n t f ( f i c h , ’ \n ’ ) ;
end
f p r i n t f ( f i c h , ’ \n ’ ) ;
f o r i =1:m
f p r i n t f ( fich , ’ % g ’ , oferta ( i ) ) ;
f p r i n t f ( fich , ’ ’ ) ;
end
f p r i n t f ( f i c h , ’ \n ’ ) ;
f o r j =1:n
f p r i n t f ( f i c h , ’ % g ’ , demanda ( j ) ) ;
f p r i n t f ( fich , ’ ’ ) ;
end
f p r i n t f ( f i c h , ’ \n\n ’ ) ;
f o r i =1:m
f o r j =1:n
f p r i n t f ( f i c h , ’ % g ’ , upper ( i , j ) ) ;
f p r i n t f ( fich , ’ ’ ) ;
end
f p r i n t f ( f i c h , ’ \n ’ ) ;
end
fclose ( ’ all ’ );
end
La resolución lineal ha sido efectuada con el código del Apéndice A. Para
los problemas enteros, se ha implementado el algoritmo Branch and Bound
sustituyendo en el código mencionado el comando
Apéndice B. Experiencia computacional. Generación aleatoria de casos en
Matlab 59

por la secuencia de comandos
// E s t a b l e c e r l a s v a r i a b l e s e n t e r a s
f o r ( i = 0 ; i < n c o l s ; i ++) e n t e r a s [ i ] = i ;
f o r ( i = 0 ; i < n c o l s ; i ++) s o l 1 . s e t I n t e g e r ( e n t e r a s [ i ] ) ;
// S o l u c i o n e n t e r a
s o l 1 . branchAndBound ( ) ;
Resultados de las pruebas

Los algoritmos han sido implementados en una computadora con Intel Core
i5 3.20GHz y 4GB de memoria.
Las pruebas se han realizado sobre problemas con distintas dimensiones
m × n, donde m es el número de orı́genes y n el número de destinos. Los
problemas de transporte de dimensión m×n tienen mn variables de decisión.
El programa se detendrá en caso de no hallar solución óptima pasados los
3600 segundos (1 hora).
En la tabla de algoritmo lineal se resuelven los problemas de transporte
con datos enteros, cuya resolución entera se puede efectuar con algoritmos
lineales. En la tabla de algoritmo entero se resuelven los problemas de trans-
porte con datos reales, cuya resolución entera hay que efectuar con algorit-
mos de programación entera (Branch and Bound). Se han realizado varias
pruebas para cada tipo de problema y se ha hallado la media de los tiempos
para cada uno. Los resultados obtenidos son los siguientes:
ALGORITMO LINEAL
Dimensión 20 × 30 150 × 200 500 × 750 1200 × 1800
Tiempo COIN-OR (s) 0.00 0.23 2.74 15.20
Tiempo CPLEX (s) 0.00 0.23 3.44 24.41
ALGORITMO ENTERO
Dimensión 3 × 5 5 × 8 15 × 20 500 × 750 800 × 1200
Tiempo COIN-OR (s) 52.82 326.02 >3600 >3600 >3600
Tiempo CPLEX (s) 0.00 0.00 0.01 11.75 30.24
Conclusiones
Observando los datos que se han obtenido mediante las pruebas, se puede
afirmar que la resolución de problemas enteros es más costosa que la de
problemas lineales.
Respecto a los algoritmos lineales, COIN-OR y CPLEX no tienen gran-
des diferencias en los tiempos de resolución de los problemas expuestos. Es
60
destacable el hecho de que la resolución de un problema de transporte lineal

de dimensión 1200 × 1800, o lo que es lo mismo, un problema con 2160000
variables de decisión, no supera en ningún caso los 25 segundos.
Las diferencias más reseñables entre la resolución lineal y entera se dan
al resolver los problemas con COIN-OR, ya que el algoritmo entero Branch
and Bound no resuelve un problema de dimensión 15 × 20, mientras que un
problema lineal de tamaño 20 × 30 es resuelto en un tiempo cercano a cero
segundos.
El tiempo de resolución de problemas enteros de CPLEX crece de manera
más lenta que con COIN-OR, ya que CPLEX utiliza la programación en
paralelo para la resolución de dichos problemas.
En conclusión, con estas pruebas se ha demostrado que la integralidad de
los problemas de transporte (y de redes en general) es un factor de gran im-
portancia para su resolución, siendo más notables las diferencias con COIN-
OR, pero destacables también para CPLEX.
Apéndice C
Resolución del problema de

la expansión de una empresa
La resolución del problema de la expansión de una determinada empresa

explicado en el Sección 3.2.2 se ha efectuado con el siguiente código:
i n t main ( )
{
i f s t r e a m e n t r a d a ( ” in−e x p a n s i o n . t x t ” , i o s : : i n ) ;
o f s t r e a m s a l i d a ( ” out−e x p a n s i o n . t x t ” ) ; // s a l i d a
d o u b l e ∗ d e l s , ∗ drowlo , ∗drowup , ∗ d c o l l o , ∗ dcolup , ∗ c o s t o s ,

∗a , ∗b ;
i n t ∗ mcolindx , ∗mrowindx , ∗ e n t e r a s ;
i n t n c o l s , nelements , nrows , i , j , m1, n1 , k , r 1 ;
e n t r a d a >> m1 ; e n t r a d a >> n1 ; e n t r a d a >> r 1 ;
n c o l s = m1∗ n1 + m1 − 1 ; nrows = m1 + n1 + 1 ;
n e l e m e n t s = 2∗m1∗ n1 + 2 ∗ (m1 − 1 ) ;
a = new d o u b l e [ m1 ] ; b = new d o u b l e [ n1 ] ; e n t e r a s = new i n t [ n c o l s ] ;
// Matriz de c o e f i c i e n t e s por i n d i c e s
k = 0;
//La p a r t e de l a s v a r i a b l e s x
f o r ( i = 0 ; i < m1 ; i ++)
{
f o r ( j = 0 ; j < n1 ; j ++)
{
dels [ k ] = 1;
mcolindx [ k ] = i ∗ n1 + j ;
k++;
dels [ k ] = 1;
61
62
mrowindx [ k ] = m1 + j ;
mcolindx [ k ] = i ∗ n1 + j ;
k++;
}
}
f o r ( i = 0 ; i < n c o l s ; i ++) e n t r a d a >> c o s t o s [ i ] ;

f o r ( i = 0 ; i < m1 ; i ++) e n t r a d a >> a [ i ] ;
//La p a r t e de l a s v a r i a b l e s y
f o r ( i = 0 ; i < m1 − 1 ; i ++){
d e l s [ k ] = −a [ i + 1 ] ;
mrowindx [ k ] = i +1;
mcolindx [ k ] = m1∗ n1 + i ;
k++;
}
f o r ( i = 0 ; i < m1 − 1 ; i ++){
dels [ k ] = 1;
mrowindx [ k ] = m1 + n1 ;
mcolindx [ k ] = m1∗ n1 + i ;
k++;
}
// Cotas de r e s t r i c c i o n e s y v a r i a b l e s
drowlo [ 0 ] = −1e +31; drowup [ 0 ] = a [ 0 ] ;
f o r ( i = 1 ; i < m1 ; i ++){
drowlo [ i ] = −1e +31; drowup [ i ] = 0 ;
}
f o r ( i = 0 ; i < n1 ; i ++) e n t r a d a >> b [ i ] ;
f o r ( i = m1 ; i < nrows −1; i ++){
drowlo [ i ] = b [ i − m1 ] ; drowup [ i ] = drowlo [ i ] ;
}
drowlo [ nrows −1] = 0 ; drowup [ nrows −1] = 3 ;
f o r ( i = 0 ; i < m1∗ n1 ; i ++){
d c o l l o [ i ] = 0 ; d c o l u p [ i ]=1 e +31;
}
f o r ( i = m1∗ n1 ; i < n c o l s ; i ++){
d c o l l o [ i ] = 0 ; dcolup [ i ] = 1 ;
}
OsiClpSolverInterface sol1 ;
// O s i C p x S o l v e r I n t e r f a c e s o l 1 ;
s o l 1 . setObjSense ( 1 ) ;
// S o l u c i o n e n t e r a
f o r ( i = m1∗ n1 ; i < n c o l s ; i ++) e n t e r a s [ i ] = i ;
f o r ( i = m1∗ n1 ; i < n c o l s ; i ++) s o l 1 . s e t I n t e g e r ( e n t e r a s [ i ] ) ;
s o l 1 . branchAndBound ( ) ;
// E s c r i b i r
s a l i d a << ” \nTiempo de CPU e s : ” << time1 ;
Apéndice C. Resolución del problema de la expansión de una empresa 63
salida << ” \ nFuncion o b j e t i v o : ” << s o l 1 . getObjValue ( ) ;

salida << ” \nNumero de v a r i a b l e s : ” << s o l 1 . getNumCols ( ) ;
salida << ” \nNumero de c o n d i c i o n e s : ” << s o l 1 . getNumRows ( ) ;
salida << ” \nLa s o l u c i o n e s : \ n x { i j } : \ n” ;
for ( j = 0 ; j <m1 ; j ++)
{
f o r ( i = 0 ; i <n1 ; i ++)
{
s a l i d a << s o l 1 . g e t C o l S o l u t i o n ( ) [ i + j ∗ n1 ] << ” ” ;
}
s a l i d a << ” \n” ;
}
s a l i d a << ” y i : \ n” ;
f o r ( i = 0 ; i < m1 − 1 ; i ++){
s a l i d a << s o l 1 . g e t C o l S o l u t i o n ( ) [ m1∗ n1 + i ] << ” ” ;
}
return 0;
}
El fichero de entrada in-expansion.txt es
6 8 3
2515 3300 3400 3900 4400 1e+31 4800 3450

3600 3500 1e+31 2035 2800 3300 1e+31 3900
2100 2200 2000 2100 1520 2800 3000 2800
4000 4100 4000 1e+31 4200 3300 2525 1e+31
1900 2200 2300 3000 2400 2000 1e+31 1510
1000 1200 1400 2400 2200 2600 2500 2300
5e+6 3e+6 7e+6 2e+6 1e+6
30000 10000 15000 12000 6000 8000
1500 6300 500 6500 4500 900 7800 3200
y el fichero out-expansion.txt que devuelve el problema con información y

la solución óptima es el siguiente:
Tiempo de CPU es:0

Funcion objetivo:6.99745e+007
La solucion es:
x_{ij}:
1500 700 0 0 0 0 0 0
0 0 0 0 0 0 0 0
0 0 0 6500 4500 0 4000 0
0 0 0 0 0 0 0 0
0 1400 500 0 0 900 0 3200
0 4200 0 0 0 0 3800 0
y_i:
0 1 0 1 1
Bibliografı́a
[1] Adhikari, Purnima, Gyan Badhur Thapa, A Note on Feasibility and

Optimality of Transportation Problem, Journal of the Institute of
Engineering, Volume 10, No. 1 (2014), pp. 59-68.
[2] Ahrens, J.H., G. Finke, Primal Transportation and Transshipment

Algorithms, Zeitschrift fr Operations Research February 1980, Volu-
me 24, Issue 1, pp. 1-32.
[3] Bapat, R. B., Graphs and Matrices, Springer, Hindustan Book

Agency, London, New Delhi, 2010.
[4] Bazaraa, Mokhtar S., Linear programming and network flows, 4a ed.,
John Wiley & Sons, Hoboken, New Jersey, 2010.
[5] Dantzig, George B., Linear Programming and Extensions. Princeton

University, Princeton, New Jersey, 1963.
[6] Dı́az-Parra, O., J. A. Ruiz-Vanoye, B. B. Loranca, A. Fuentes-Penna,

R. A. Barrera-Cámara, A Survey of Transportation Problems, Jour-
nal of Applied Mathematics, 2014, pp. 1-17.
[7] Glover, Fred, Darwin Klingman, Nancy V. Phillips, Network Models

in Optimization and Their Applications in Practice, John Wiley &
Sons, New-York, 1992.
[8] Hartsfield, N., G. Ringel, Pearls in Graph Theory, Dover, New York,
1994.
[9] Hillier, Frederick S., Gerald J. Lieberman, Introducción a la investi-

gación de operaciones, 9a ed., McGraw-Hill, México, 2010.
[10] Hitchcock, F.L., The distribution of a product from several sources to

numerous localities, Journal of Mathematics and Physics, 20 (1941),
pp. 224-230.
[11] Jauffred Mercado, Francisco J., Métodos de optimización: Programa-

ción lineal-gráficas. Representaciones y Servicios de Ingenierı́a, Méxi-
co, 1971.
65
66 Bibliografı́a
[12] Kennington, J. L., R. Helgason. Algorithms for network program-

ming, John Wiley & Sons, 1980.
[13] Koch, T., T. Achterberg, E. Andersen, O. Bastert, T. Berthold,

R. E. Bixby, E. Danna, G. Gamrath, A. M. Gleixner, S. Heinz, A. Lo-
di, H. Mittelmann, T. Ralphs, D. Salvagnin, D. E. Steffy, K. Wolter,
MIPLIB 2010, Mathematical Programming Computation, 3, Issue 2,
pp. 103-163.
[14] Koopmans, Tjalling C., Activity Analysis of Production and Alloca-

tion, John Wiley & Sons, Inc., New York Chapman & Hall, Limited,
London, 1951.
[15] Luenberger, David E., Programación lineal y no lineal, Addison-

Wesley Iberoamericana, Buenos Aires, 1989.
[16] Pérez, Gloria, Programación Matemática, Servicio Editorial UPV-

EHU, 2000.
[17] Pérez, Gloria, Marı́a Araceli Garı́n, On Downloading and Using

CPLEX within COIN-OR for Solving Linear/Integer Optimization
Problems, Biltoki, 2010. https://addi.ehu.es/handle/10810/5504.
[18] Prawda, Juan, Métodos y modelos de investigación de operaciones,

Editorial Limusa, México, 1976.

TFG - Christian Carballo

Cargado por

Copyright:

Formatos disponibles

TFG - Christian Carballo

Cargado por

Información del documento

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

TFG - Christian Carballo

Cargado por

Copyright:

Formatos disponibles

Optimización en redes.

Trabajo Fin de Grado

Christian Carballo Lozano

Trabajo dirigido por

Leioa, 23 de Junio de 2015

2. El problema del transporte 25

3. Extensiones del problema del transporte 33

B. Experiencia computacional. Generación aleatoria de casos

C. Resolución del problema de la expansión de una empresa 61

A Gloria por todo el tiempo que ha dedicado a dirigirme el proyecto y

La programación lineal es una rama de las matemáticas que se encuentra

Contenido visual: La posibilidad de representar los problemas de redes

Flexibilidad y extensión de los modelos: Una importante caracterı́sti-

hallarán una buena solución ante un problema modelizado de manera

Resolubilidad: El primer método de resolución con garantı́a teórica

Los problemas de transporte son un caso particular de los problemas

El texto está dividido en tres capı́tulos. Se explicarán conceptos, teorı́a y

El objetivo del texto es describir el problema del transporte. Para ello se ha

En este capı́tulo se introducen los conceptos básicos de grafos y redes, junto

1.1. Conceptos básicos de redes

Se denotará G = (N , A), con N = {1, 2, . . . , m} el conjunto de nudos y

Definición 1.1.3. Un grafo Ĝ = (N̂ , Â) se dice que es un subgrafo de un

Definición 1.1.4. Un camino en G del nudo i1 al nudo is+1 es una secuencia

Figura 1.1: Ejemplo de una red propia. N = {1, 2, 3, 4, 5} y A =

En ocasiones el camino P se escribe indicando únicamente los nudos

Definición 1.1.5. Un grafo G = (N , A) se dice conectado si para cualquier

Definición 1.1.6. La secuencia C = {i1 , ej1 , i2 , ej2 , i3 , . . . , is , ejs , is+1 } se

Definición 1.1.7. Se llama longitud de un camino o ciclo al número de

Definición 1.1.8. Se define el vector orientación O(P ) de un camino o ciclo

Definición 1.1.9. Un grafo es acı́clico si no posee ciclos.

Definición 1.1.10. Un árbol es un grafo acı́clico y conectado.

Definición 1.1.11. Un árbol extendido en G es un árbol que además es un

Teorema 1.1.1. Sea T = (N , A) un grafo con al menos un nudo. Entonces

Figura 1.2: Ejemplo de un árbol. Un camino en el árbol es P =

Figura 1.3: Ejemplo de un árbol extendido en la Figura 1.1.

(ii) Para cada par de nudos p, q ∈ N , hay un único camino en T de p a q.

en T . Absurdo por ser T un árbol. Entonces P = P 0 para cualquier par de

M1 = {i : i ∈ N y er no está en el camino que va de F (er ) a i},

Por tener un camino al menos un arco, y por la definición de los conjuntos

A1 = {ej : ej ∈ A y ej está en el camino de F (er ) a i, para algún i ∈ M1 },

El arco er ∈/ A1 ∪ A2 . Se verá que cualquier otro arco de A está en A1 ∪ A2 .

3. Si er ∈ P y eu ∈/ P , entonces Q = {i2 , ej2 , . . . , iw+1 , eu , T (eu )} es un

4. Si er , eu ∈ P . Si T (eu ) = T (er ), entonces eu ∈ A2 . En caso contrario, si

Por tanto, se tiene que eu ∈ A1 ∪ A2 .

Se ha demostrado entonces que A1 ∩ A2 = ∅ y que A = A1 ∪ A2 ∪ {er }

1. Si p = F (er ), entonces q ∈ M1 y por definición de M1 existe un

2. Si q = F (er ), entonces p ∈ M1 y por definición de M1 existe un

3. Si p 6= F (er ) y q 6= F (er ), entonces por definición de M1 , existen

Entonces, T 1 es un grafo conectado. Análogamente, T 2 es conectado.

número de arcos de T es (m1 − 1) + (m2 − 1) + 1 = m1 + m2 − 1 = m. Se

definiendo N i+1 como el conjunto de todos los nudos en N − j=1,...,i N j

conectados con un nudo de N i por un camino de longitud 1 y definiendo

Definición 1.1.12. Se dice grado de un nudo i al número de arcos incidentes

Proposición 1.1.2. La suma de los grados de todos los nudos de un grafo

Teorema 1.1.3. Un árbol T = (N , A) con |N | ≥ 2 tiene al menos dos

Demostración. Sea T = (N , A) un árbol con |N | = m ≥ 2. Todo nudo de T

1. TPno tiene nudos finales, es decir, para cada i ∈ N , D(i) ≥ 2. Entonces

2. T tiene un nudo final P P = 1 y para cada i ∈ N − {j},

Por lo tanto se concluye que T tiene al menos dos nudos finales.

Proposición 1.1.4. Sea T = (N , A) un árbol con m ≥ 2 nudos. Sea i un