Investigación de Operaciones
Investigación de Operaciones
Investigación de Operaciones
Introducción
Desde el nacimiento del hombre en este planeta tubo el problema de cómo conseguir
recursos para su subsistencia, debido a lo escaso que son estos; siempre pensaba en la
racionalización de estos como una manera de ahorrar recursos, posteriormente ante nuevos
tipos de problemas donde era necesario la utilización de recursos viene la siguiente pregunta
¿Cómo puedo optimizar los recursos, en un problema de maximización o minimización? ,
naciendo un nuevo tipo de problema el de optimizar recursos tipo: hombre- máquina, hombre-
actividad, recursos-hombre, etc.
Al inicio los problemas desarrollados por la I.O fue de Asignación de recursos, Ordenamiento
de Tareas, balance de carga de trabajo y planificación. Debido al éxito alcanzado en las tareas
militares poco a poco fue despertando el interés de los empresarios en esta disciplina,
extendiéndose a las empresas industriales, comerciales, financieras y gubernamentales.
George Bernard Dantzig (1914 –2005) fue un profesor, físico y matemático estadounidense,
reconocido por desarrollar el método simplex y es considerado como el "padre de
la programación lineal". Con el método simplex y el desarrollo de las computadoras
actualmente es posible dar solución a problemas complicados de la P.L
a) Identificación del problema, es decir tener claro los objetivos que darán solución al
Problema.
d) Solución, se soluciona el problema matemático usando las diversas técnicas de PL, como
método gráfico, método simplex y uso de software de PL.
Las restricciones lógicas representan la no negatividad de los recursos, esto es así porque no
se comprendería que existan -315 horas hombre, o -110 m2 de madera, etc.
Tenemos también los coeficientes tecnológicos que son los que acompañan a las variables de
las restricciones como son: 15,7.5,5 (de la primera restricción); 2,3,2 ( segunda restricción) y
1,1,1 (tercera restricción), y se encuentran junto con las variables en el lado izquierdo de la
inecuación.
La solución del modelo, es en realidad la fase más sencilla de todas de la I.O , porque solo se
trata de la aplicación de algoritmos ya definidos que serán utilizados en una computadora, por
lo que el trabajo se resume solo a ingresar los datos en el software adecuado.
La validación del modelo, esta parte comprende el analizar los resultados que sean
aceptables con la realidad, es decir que no contengan sorpresas o sean irreales; otra
forma de validar es comparar los resultados con datos históricos. El modelo se considera
válido si bajo las mismas condiciones el modelo entrega resultados cercanos a la realidad.
La implementación, encontrada las respuestas a las variables de decisión, no queda más que
implementarlas en la empresa, por lo que deben ser traducidas a lenguaje corriente para las
personas que operan las decisiones.
1.6. Introducción a la programación lineal , modelo de
PL con dos variables
Ahora procederemos mediante un problema a implementar un modelo de Programación Lineal,
para luego solucionarlo mediante el método grafico; aunque en la realidad es difícil encontrar
modelos de dos variables, el desarrollo de estos ejercicios reforzara la parte teórica del uso del
algoritmo y su fundamento de uso.
Todo modelo de programación lineal tiene que tener tres componentes: Las variables, el
Objetivo ( meta a optimizar) y las restricciones.
Es la de maximizar los ingresos; por cada producto A vendido ingresara 20X y de Y serán
40Y. Por lo que el ingreso total será: 20X + 40Y
La primera restricción será la de montaje, este tiene solo 9 horas de trabajo, por lo que
podrá atender productos X y Y de la siguiente manera:
X, y >=0
Sujeto a : 1X + 3Y <= 9
2 X + 1Y <= 8
X, Y >=0
Cualquier valor que satisfaga dichas restricciones es una solución factible, la solución óptima
será aquella que cumple el objetivo que para este caso es la maximización, en otros casos
podría pedirse minimizar la función, por ejemplo cuando se tratasen de costos o disminución de
peso por ejemplo.
En primer lugar se tiene que graficar todas las restricciones, determinando la zona que cumple
todas las soluciones factibles, posteriormente se calculan cada valor extremo del polígono
resultante que se encuentre acotado por las restricciones, quedando como muestra el cuadro
nº 1.1, siendo su valor optimo el punto (3,2) de S/.140
En una granja de pollos se da una dieta "para engordar" con una composición mínima de
15 unidades de una sustancia A y otras 15 de una sustancia B. En el mercado solo se
encuentran dos clases de compuestos: el tipo I con una composición de una unidad
de A y cinco de B, y el tipo II con una composición de cinco unidades de A y una
de B. El precio del tipo I es de 10 soles y el del tipo II es de 30 soles. Se pregunta:
¿Qué cantidades se han de comprar de cada tipo para cubrir las necesidades con un
coste mínimo?
Solución:
Llamamos x a las unidades que se compran de tipo I e y a las que se compran de tipo II.
Ejercicio 1.3
a) Dibuja el recinto formado por los puntos que cumplen las siguientes condiciones:
b) Indica si los puntos (0, 0), (2, 1) y (1, 2) forman parte de las soluciones del sistema
anterior.
Ejercicio 1.4
Es decir que mientras el valor de la pendiente de la F.O no salga del rango determinado por el
valor de las pendientes de las restricciones que determinan el punto óptimo, este siempre será
el mismo, de lo contrario pasaría que el punto óptimo cambiaría como se muestra en el
ejemplo de la fig. 2.3.1
Fig. 1.8 Muestra como el cambio de la pendiente de la F.O determina que el punto más
extremo es el punto X1= 115 y X2= 0
La variación en los coeficientes de la función objetivo representa por ejemplo un cambio en los
precios de los productos, la pregunta en cuestión sería ¿Cuáles son los rangos o variación de
precios de los productos para que la solución óptima siga siendo la misma? ; la solución a esta
pregunta es determinar los parámetros que hacen que la pendiente de la F.O no salgan de los
valores de las pendientes de las restricciones que determinan el punto óptimo.
Calculo de los límites de aceptación de la variación de los valores de las pendientes de la F.O,
Todas las restricciones pueden variar el valor del lado derecho, en este caso supongamos que
el valor del lado derecho de la restricción (1) puede variar, es decir por aumento o disminución
de las horas hombre que este recurso representa, siendo el valor inicial de 460
Figura 1.9 Extremo menor punto óptimo determinado todavía por (1) y (2) cuando c= 280, un
valor menor del LD1 determinaría un punto óptimo por las restricciones (1) y (3)
Figura 1.10 Extremo mayor punto óptimo determinado todavía por (1) y (2) cuando c=1000,
un valor mayor del LD1 determinaría un punto óptimo por las restricciones (2) y (5)
Solución factible: Una solución en la que las variables de decisión son factibles
Punto extremo: El punto esquina de una región factible, es normalmente una intersección de
dos Líneas extremo
Línea de función Objetivo: Línea utilizada en el método gráfico en el cual todos los puntos
sobre la línea tienen el mismo valor de función objetivo.
Solución óptima: El punto en la región factible que tienen el mejor valor de la función objetivo
Programa lineal infactible: Es el programa lineal en el que no existen valores de las variables
que satisfagan todas las restricciones
Programa lineal ilimitado: Es el programa lineal factible en el que la función objetivo puede
mejorarse indefinidamente
Instrucciones: Resuelva cada uno de los siguientes programas lineales usando el método
gráfico, indique si el problema es infactible, óptimo o ilimitado; para los que sean óptimos
encuentre los valores de las variables y el valor de la función objetivo
Existen varios software libres que se pueden bajar por internet para utilizarlos en la solución de
problemas investigación de operaciones, entre ellos están el Tora, Lingo, Solver en excell,
Winqsb, entre otros, a continuación te mostramos un link de donde podrás descargar el
software Tora con el cual podrás trabajar todos los ejercicios propuestos y verificar si tus
soluciones gráficas están correctas.
Para instalar el software Tora puedes aprender cómo se baja del internet visualizando el Link
vídeo para instalar el Tora en la siguiente dirección electrónica: http://youtu.be/COUcyKtYnAQ
1. ¿Los modelos matemáticos propuestos por IO son exactamente igual que la realidad?
2. ¿Las soluciones entregadas por los modelos de IO se deben aplicar directamente o es
necesario la intervención de otros criterios?
3. ¿Crees que es posible solucionar manualmente problemas complejos de I.O?
Al respecto para conocer un poco más sobre este tema, y dar respuesta a las preguntas
planteadas a continuación te invitamos a hacer clic en el siguiente botón.
En este tema presentamos una visión general sobre el uso de modelos cuantitativos para la
toma de decisiones, con énfasis especial en su desempeño como herramienta de toma de
decisiones.
Los modelos son una representación limitada de la realidad y, por esa razón, los resultados
analíticos de un modelo no son necesariamente la solución idónea para la situación
administrativa original. En particular, hemos hecho hincapié en que la idea de “óptimo” es una
concepción matemática, no son un concepto perteneciente al mundo real. Sin embargo, si un
modelo ha sido bien formulado y su resultado se interpreta cuidadosamente, podrá proveer un
valioso acervo de información para la persona encargada de tomar decisiones. (G.D. EPPEN et
al, 2000, pg.23)
Introducción
El método simplex es un algoritmo. El método simplex es un procedimiento algebraico sistemático que examina las
esquinas (vértices o puntos extremos) de un programa lineal en busca de una solución óptima sea esta maximización o
minimización. El algoritmo comienza con la determinación de un vértice inicial, esto se llama FASE I; si el problema es
inconsistente, la fase I lo descubrirá. Si el modelo de PL es consistente entonces el algoritmo empieza a recorrer todos
los vértices adyacentes uno por uno (esto es porque la solución siempre estará en un punto extremo por ser la
naturaleza del problema encontrar un máximo o un mínimo), cada movimiento en la secuencia de ir a cada vértice se
llama iteración o pivote y el movimiento implica una manipulación del sistema lineal; el algoritmo simplex está diseñado
para que cada vez que cambia de punto este sea mayor o menor que el anterior dependiendo si se trata de un
problema de maximización o minimización. Si el problema es no acotado el algoritmo lo descubrirá. Cuando se alcance
el vértice óptimo el algoritmo lo reconocerá con la prueba de optimalidad, es decir que cada iteración contiene la
solución de un sistema de ecuaciones para obtener una nueva solución a la que se le aplica la prueba de optimalidad.
Una vez encontrado el punto óptimo se detiene las iteraciones.
Una propiedad general del método simplex es que resuelve el problema de programación
lineal en iteraciones. Cada iteración desplaza la solución a un nuevo punto esquina que tiene
potencial de mejorar el valor de la función objetivo. El proceso termina cuando ya no se pueden
obtener mejoras. El método simplex implica cálculos tediosos y voluminosos, lo que hace que
la computadora sea una herramienta esencial para resolver los problemas de PL. Por lo tanto
las reglas computacionales del método simplex se adaptan para facilitar el cálculo
automático.(p,71)
Paso 0. Inicio: Encontrar una solución factible básica inicial (punto extremo)
a) Dado el punto extremo actual, ver si uno de los bordes conduce a un punto extremo
vecinal con un valor de función objetivo más grande. Si la respuesta es “no”, detener el
procedimiento: el punto extremo actual es óptimo. Si la respuesta es “sí”, continuar con el
paso 2; el punto extremo actual no es óptimo.
b) Si todos los costos reducidos son ≤ 0, entonces la sfb actual es óptima; en cualquier
otro caso, continuar con el paso 2
Paso 2. Traslado:
Este algoritmo nos da la lógica de trabajo con la matemática funciona para encontrar un punto
óptimo sea máximo o mínimo.
Para encontrar la segunda tabla primero se mostrara una tabla previa donde se muestra como
el renglón pivote n° 01 se ha dividido entre “ 6” , de este modo aplicando los cálculos de
operaciones de renglón de Gauss-Jordan se tratara de convertir los coeficientes de la primera
columna desde el renglón 2 al 4 en “ cero” .
2.5. Método simplex minimización
Un método para solucionar un caso de minimización es tomando el negativo de esta función
convertirlo a la forma estándar y resolverlo como si fuera un caso de maximización. Esto es asi
porque cualquier todo punto que minimice a f(x) maximizará también a –f(x) . Por lo que
tomando el negativo de una función de minimización y resolviéndolo como si fuera el modelo
de maximización se obtendrá la solución correcta.
Video de Investigación de Operaciones
Para saber más
Dirección: https://youtu.be/SsiHBI8XEHA
Dirección: https://youtu.be/w5TW3iWhA4U
Dirección: https://youtu.be/hVjBn14xdMQ
Dirección: https://youtu.be/fdH2lHSv0VE
Dirección: https://youtu.be/BDA4_JsKedA
Dirección: https://youtu.be/-NiaVUggcvw
La respuesta es “b”, porque es la variable de entrada cuyo Cj-Zj perderá más sino se toma.
Ojo que este valor es igual a decir un valor negativo de Zj -Cj
Muestra una solución básica factible de las ecuaciones en la forma estándar con restricciones
de igualdad del modelo.
Todo lo anterior
En un proceso de iteración todas las tablas solo muestran una trasformación continua.
Zj ≤ 0, para toda “ j ”
Cj – Zj > 0 para toda “ j “
Un valor Cj – Zj < , indica que no existe ninguna variable que ingrese y agregue valor a la
función Z.
Introducción
En este tema nos introduciremos dentro de este campo en forma superficial para ilustrar la
importancia del tema, así como los métodos de resolución más útiles y prácticos. Este
problema de la no divisibilidad debe ser resuelto por algoritmos especialmente diseñados para
resolver problemas de programación entera
3.1. Algoritmo Ramificación y Acotamiento de Branch &
Bound
Taha (2004) nos muestra el algoritmo de PE:
Los algoritmos de programación lineal entera se basan en el aprovechamiento del gran éxito
computacional de la programación lineal. En la estrategia de esos algoritmos interviene tres
pasos.
Paso 1: Relajar el espacio de soluciones del programa lineal entero omitiendo la restricción
entera en todas las variables enteras y sustituyéndola por cualquier variable binaria y que tenga
el intervalo continuo 0 ≤y≤1. El resultado del relajamiento es un problema lineal normal.
Se han desarrollado dos métodos generales para obtener las restricciones especiales
del paso 3 que son:
Desarrollo:
Podemos observar que en dos ramas de la resolución no se puede llegar a una solución pero
luego al realizar otra iteración, por la otra rama obtuvimos una solución mejor.
Primera parte:
Solución del problema original relajado
Segunda parte
De esta solución se observa que en PLE no es posible por lo que se divide el problema en dos
subproblemas (acotamiento)
Subproblema 1 : Cuando X1 ≤ 3
Subproblema 2 : Cuando X1 ≥ 4
Del caso resuelto anterior se tendría la siguiente solución: X1=4, X2= 0.83 y Z= 23.33; por ser
la que el máximo valor de Z.
Rpta. “a” , se dice que es ramificado porque tomando una primera solución inicial del problema
relajado, busca entre los valores enteros cercanos a la solución relajada para ver si cumple la
condición de entero, sino lo cumple continua ramificando con nuevos valores encontrados.
X1= 1 / X2 = 2 / Z =11
X1= 0 / X2= 3 / Z= 12
Rpta. “c” , tiene los dos valores enteros y el mayor z posible en estas condiciones
¿Por qué la solución del problema del vídeo 2 no es 12.33 si este el máximo valor
alcanzado?
Rpta. “a” , Por que la solución debe ser el máximo valor con variables de decisión entera. .
Preguntas de análisis
Estimados alumnos a continuación reflexionaremos acerca del
tema tratado
1. ¿Las soluciones de las variables de decisión corresponden siempre al conjunto de
números reales?
2. ¿En qué casos es necesario utilizar los métodos de ramificación y acotamiento?
3. ¿Pueden existir soluciones mixtas?
Un caso particular del modelo de transporte es el modelo de asignación, que tiene como
propósito asignar personas u objetos a tareas de tal forma que se optimice algún objetivo, por
ejemplo: minimizar tiempos de producción, costos o defectos de producción. Históricamente el
problema de asignación se resolvió utilizando las mismas técnicas que se utilizaban para el
modelo de transporte, sin embargo, resultaba tedioso hacerlo de esta manera debido a las
características particulares del mismo. A partir del trabajo realizado por dos matemáticos
húngaros, se obtiene un algoritmo eficiente para este modelo; Iniciamos la unidad planteando
el problema general de asignación, hacemos hincapié en su estructura, como en el caso
especial del modelo de transporte y planteamos algunos problemas tipo. Continuamos
resolviendo el modelo de asignación por el método húngaro. Terminamos la unidad estudiando
algunos problemas de asignación desbalanceados.
William Harold Kuhn, presento la primera versión conocida del método Húngaro en 1955. Esta
fue revisada por James Munkres en 1957, y ha sido conocido desde entonces como
el algoritmo del método húngaro, método de asignación Munkres, o el algoritmo de Kuhn-
Munkres.
El algoritmo modela un problema de asignación como una matriz de costo m x n, donde cada
elemento representa el costo de asignar la n trabajadora al m trabajo. El algoritmo utiliza el
método de eliminación Gaussiana para hacer aparecer por lo menos un ceros en cada fila y
columna. Sin embargo, en el caso de un problema de maximización de beneficio, el costo de la
matriz necesita ser modificada de modo que la minimización de sus elementos resulte
maximizar los valores de costo originales.
Siempre que en cualquiera de estas matrices, encuentre una asignación en la que cada celda
seleccionada tenga un valor de cero, ha encontrado, de hecho la asignación óptima.
Paso uno: Se identifica en cada fila el valor mínimo, que luego es restada de todos los valores
de cada fila
Paso dos: Se restan a cada fila el valor mínimo
Paso cuatro: Se tachan los ceros con líneas (con las mínimas posibles) de tal manera que si el
número de líneas es igual al tamaño de la matriz (en este caso es 4x4), se detiene el proceso, y
se asignan los valores; para nuestra caso tenemos solo tres líneas por lo que se necesita hacer
otro paso adicional.
Se ubica el valor mínimo de la matriz que no se encuentre cubierta por las líneas, para nuestro
caso es el número 2, el cual se restara a todos los otro números no cubiertos por las líneas;
pero para los números ubicados en las intersecciones de las líneas se sumaran
Pasó cinco: Se tachan todos los ceros (cuidando que sean con las líneas mínimas posibles),
para nuestro caso son cuatro, como la matriz es 4x4, el método ha terminado y procedemos a
la asignación de recursos.
Paso seis: La asignación de recursos empieza siempre por las columnas o filas que solo
tienen un cero, de otra manera no sería posible asignarles otro valor; posteriormente se trabaja
para asignarle a cada recurso a su actividad.
Para resolver el método Húngaro es necesario que la matriz sea cuadrada, balanceada es
decir que las filas y columnas sean iguales o m = n, a veces por las condiciones del problema
no es posible cumplir este requisito por lo que aparecen dos condiciones, o faltan destinos o
faltan ofertas; en los casos se completan a una matriz cuadrada agregando la fila o columna
ficticia necesaria, con costo cero. Luego se aplica el algoritmo del método húngaro de las
formas normal.
Al igual que en el caso anterior supongamos que el G4 por problemas personales no puede
realizar los trabajos de auditoría, por lo que en este caso los puntos demandados superan a la
oferta, por lo que quedarían tres gerentes para cuatro plantas, para compensar este
problema se asigna un gerente ficticia con costo cero. Trabajándose la matriz normalmente
con el método húngaro.
Lo mismo se hace cuando existe la demanda supera a la oferta, pero en este caso se agrega
una oferta ficticia igual con costo cero, y se resuelve de la misma manera que una matriz
balanceada.
Primer paso: Se balancea la matriz agregando (en este caso) una demanda ficticia con cero
costo, se identifican los valores mínimos en filas y columnas.
Segundo paso: Se calcula la matriz reducida de acuerdo al método Húngaro, en nuestro caso
Tercer paso: En nuestro caso tenemos cuatro líneas que cubren los ceros, la matriz es 4x4 por
lo que tenemos solución.
Preguntas de análisis
Estimados alumnos a continuación reflexionaremos acerca del
tema tratado
1. ¿Cuál es la característica principal de una asignación de recursos?
2. ¿Cómo se balancea una matriz cuando los puntos de la oferta supera los puntos la
demanda?
3. ¿Cuáles son los pasos del método húngaro?
Trasporte
De maquinaria a plantas
Trasporte de mercaderías
Ponemos a tu disposición dos vídeos cortos referentes al método Húngaro los cuales te
invitamos a visualizar para reforzar y ampliar los temas que hemos estudiado, estos los
encontrarás en la siguiente dirección electrónica:
Dirección: https://youtu.be/Rjts-iAq1XE
Documento 2: " Método de asignación Húngaro”
Dirección: https://youtu.be/0Zgdui3GqZ
Introducción
Un problema clásico en PL es el
problema de enviar bienes desde un punto a otro punto, esto parece sencillo a primera vista sin
embargo no lo es tanto, ya que en la vida real puede tratarse de “n” puntos de embarque y “n”
destinos por lo que en si se tiene una matriz “nxn” y todas las combinaciones posibles, ojo
cuidando que siempre se obtenga el mínimo costo.
El objetivo en estos modelos siempre será el de minimizar los costos, para mejorar las
utilidades y poder llevar a un precio competitivo a los clientes.
Una clase de problemas que tiene una estructura especial en sus restricciones cuando se le
formula de manera matemática tiene que ver con la distribución de bienes. Por lo general,
estos bienes deben ser enviados desde puntos de suministro conocidos ( fabricas, plantas ,
etc) hasta puntos de demanda conocidos ( clientes, tiendas, detallistas, etc). ……. El objetivo
general consiste en hallar el mejor el mejor plan de distribución, es decir, la cantidad que se
debe enviar por cada una de las rutas desde los puntos de suministros, a través de los puntos
intermedios, hasta los puntos de demanda. Con el término “mejor” se entiende un plan que
minimice los costos totales de envío, produzca la mayor ganancia u optimice algún otro objetivo
corporativo especificado en la por la gerencia.( p, 382)
En la primera parte de esta unidad los modelos de trasporte nos dan soluciones básicas
factibles, sin asegurarnos que cualquiera de ellas es una solución óptima. En la segunda parte
revisaremos algoritmos que nos darán la certeza de que la solución si es óptima es decir que
nuestros costos de distribución sean los menores en las circunstancias descritas del problema.
Estos métodos son: Esquina Nor-Oeste, costo mínimo y Vogel. Antes de describir el
procedimiento, es necesario establecer que el número de variables básicas en cualquier
solución básica de un problema de transporte es una menos de la que se espera.
Normalmente, en los problemas de programación lineal, se tiene una variable básica para cada
restricción. En los problemas de transporte con m recursos y n destinos el número de
restricciones funcionales es m+n. Sin embargo el número de variables básicas = m + n-1 (Es
decir las variables solución).
Paso 2. Salir del renglón o la columna cuando se alcance oferta o demanda cero, y tacharlo,
para indicar que no se puede hacer más asignaciones a ese renglón o columna. Si un renglón y
una columna dan cero al mismo tiempo, tachar sólo uno (el renglón o la columna) y dejar una
oferta (demanda) en el renglón (columna) que no se tachó.
Paso 3. Si queda exactamente un renglón o columna sin tachar, detenerse. En caso contrario
avanzar a la celda de la derecha si se acaba de tachar una columna o a la de abajo si se tachó
un renglón. Seguir con el paso 1. (p, 178)
Ejercicio 5.1
Tenemos la tabla 5.1 correspondiente al ejercicio 5.1, donde tenemos que la oferta es:
15+25+10 = 50 y la demanda es: 5+15+15+15 =50. Los orígenes son Tumbes, Lima y
Arequipa, para satisfacer una demanda en Cajamarca, Madre de Dios, Cuzco y Loreto. Los
costos de transporte son Ci,j
Costos de transporte:
Solución:
Este método determina una mejor solución de inicio, porque se concentra en las rutas menos
costosas. Se inicia asignando todo lo posible a la celda que tenga el mínimo costo unitario ( los
empates se rompen en forma arbitraria) . A continuación, el renglón o la columna ya satisfecha
se tacha, y las cantidades de oferta y demanda se ajustan en consecuencia. Si se satisface en
forma similar simultanea un renglón y una columna al mismo tiempo, sólo se tacha uno de los
dos, igual que en el método de la esquina noroeste. A continuación se busca la celda no
tachada con el costo unitario mínimo y se repite el proceso hasta que queda sin tachar
exactamente un renglón o una columna.
a) Si queda sin tachar exactamente un renglón o columna con cero oferta o demanda,
detenerse.
b) Si queda sin tachar un renglón (columna) con oferta ( demanda) positiva, determinar
las variables básicas en el renglón (columna) con el método de costo mínimo. Detenerse.
Después de encontrar una solución factible básica con cualquiera de los métodos
anteriormente descritos se usa el siguiente algoritmo para encontrar una solución óptima:
Dirección : https://youtu.be/FhDg5N4MF2U
Dirección: https://youtu.be/QYgP8pC0XTQ
Documento 3: " Método Modi”
Direcci
¿Cómo se usan los métodos de transporte Nor- Oeste, costo mínimo y Vogel?
¡Exacto! Es para encontrar una solución factible inicial, no necesariamente tiene que ser
óptima.
Se necesita partir de una solución básica por cualquier método, la cual con el método
MODI puedes optimizar