Repblica de Bolivariana De Venezuela Ministerio de Educacin Superior Universidad Nacional Experimental de los Llanos Centrales Rmulo Gallegos San

Juan de los Morros Edo Gurico reas de Ciencias Econmicas

METODO SIMPLEX
Prof. Heather Tovar Integrantes: Yeire Garoffalo C.I: 9.695.687. . Issa Sajaju C.I: 14.943.610. Jeosanne Contreras C.I: 16.011.257. Miguel Reinosa C.I:18.444.848. Mayerlin Ruiz C.I: 19.014.497 Magdy Soto C.I. 14.231.301. Jos Carpio C.I: 12.925.521 Seccin: Equivalencias.

San Juan de los Morros, 18 de Mayo del 2013

MTODO SIMPLEX

Es una herramienta algebraica que permite localizar de manera eficiente el ptimo entre los puntos extremos de una solucin a un problema de programacin lineal. Este mtodo utiliza el lgebra de matrices, en el cual se forma la inversa de una matriz para resolver una serie de ecuaciones simultaneas. El mtodo simplex se emplea con un proceso interactivo o sea que se usa sucesivamente la misma rutina bsica de clculo, lo que da por resultado una serie de soluciones sucesivas hasta que se encuentra la mejor. Una caracterstica bsica del mtodo Simplex es que la ltima solucin produce una contribucin tan grande o mayor que la solucin previa en un problema de maximizacin, lo que da la seguridad de llegar finalmente a la respuesta ptima. HISTORIA DEL MTODO SIMPLEX El mtodo del simplex fue creado en 1947 por el matemtico George Dantzig. El mtodo del simplex se utiliza, sobre todo para resolver problemas de programacin lineal en los que intervienen tres o ms variables. El lgebra matricial y el proceso de eliminacin de Gauss-Jordan para resolver un sistema de ecuaciones lineales constituyen la base del mtodo simplex. IMPORTANCIA La importancia de este mtodo radica en que gracias a su existencia se pueden resolver problemas complejos. Este mtodo conforma la base de la programacin lineal y es debido a este procedimiento (simplex) que se facilita la toma de decisiones en casos complejos o de incertidumbre ya que ha resultado ser muy eficiente en la prctica. APLICACIONES DEL MTODO SIMPLEX Este mtodo o procedimiento cuenta con un sinnmero de aplicaciones en programacin lineal, pero tambin uso en matemtica y geometra. De entre las aplicaciones ms comunes del mtodo simplex destacan:

 Es una tcnica utilizada para dar soluciones numricas a problemas de programacin lineal. Es comnmente aplicado para encontrar una solucin ptima en problemas de maximizacin y minimizacin. Es til para resolver problemas de gran tamao y complejos. A partir del mtodo simplex se han desarrollado variantes comnmente utilizadas en programacin lineal. Este mtodo ha sido de suma utilidad para el desarrollo de software que facilitan el proceso de clculos un ejemplo de ello es el WINQSB. Este modelo sirve para la correcta interpretacin de modelos de decisin basados en descripciones matemticas con la finalidad de ayudar en la toma de decisiones en situaciones de incertidumbre. Para qu sirve el Mtodo Simplex El mtodo Simplex nos sirve para solucionar problemas en donde debemos de optimizar nuestros recursos de la manera ms eficiente. Se utiliza para resolver problemas de programacin lineal en los que intervienen tres o ms variables. ELEMENTOS QUE INTERVIENEN EN EL MTODO SIMPLEX Las variables de decisin: son incgnitas que deben ser determinadas a partir de la solucin del modelo. Los parmetros representan los valores conocidos del sistema o bien que se pueden controlar. Restricciones: Las restricciones son relaciones entre las variables de decisin y magnitudes que dan sentido a la solucin del problema y las acotan a valores factibles. Por ejemplo si una de las variables de decisin representa el nmero de empleados de un taller, es evidente que el valor de esa variable no puede ser negativo.

Funcin Objetivo: La funcin objetivo es una relacin matemtica entre las variables de decisin, parmetros y una magnitud que representa el objetivo o producto del sistema. Variables de holgura: Siempre positivas, hacen que una restriccin que sea desigualdad se transforme en igualdad, y sus coeficientes en la funcin objetivo son ceros. Variables ficticias o artificiales: Sirven para hallar fcilmente una solucin bsica inicial, sus coeficientes en la funcin objetivo son w si es minimizacin o -w si es maximizacin; w es un nmero mucho mayor que todos los participantes. Luego de sumar las variables de holgura y/o artificiales necesarias para convertir las desigualdades en igualdades y para obtener los vectores unitarios (de la matriz identidad) para la base inicial se procede a ordenar los datos en una tabla Simples; despus se prueba la solucin para ver si es ptima, si no es ptima se realiza el siguiente procedimiento: Se calculan los valores de zj multiplicando los coeficientes de la base por cada columna, uno a uno, y sumando esos resultados. Luego se calculan los valores de z j - c j; si es minimizacin el valor ms grande de z j - c j designa a la columna clave, y si es maximizacin el valor ms pequeo de z j - c j designa a la columna clave. Se calculan las razones entre la cantidad solucin y sus correspondientes de la columna clave, para los valores positivos de la cantidad solucin; el valor mnimo de estas razones designa a la fila clave. El elemento que se encuentra en la interseccin de la columna clave con la fila clave se llama pivote. El vector de la fila clave se reemplaza por el de la columna clave en la base, luego se transforma la matriz ampliada (A | B) para que el pivote sea igual a 1 y los dems elementos de ese vector sean ceros; y se ordenan nuevamente estos datos en una tabla Simples. La solucin ptima se reconoce cuando la cantidad solucin tiene slo cantidades no negativas; si es minimizacin los valores de

z j - c j son todos no positivos, y si es maximizacin los valores de z j - c j son todos no negativos. Ventajas del Mtodo Simplex Sirve para mdelos con 4 o mas Incgnitas. Desventajas del Mtodo Simplex Difcil de Aprender. Asume que todas las variables pertenecen a IR. Pasos del Mtodo Simplex Los pasos del Mtodo Simplex son los siguientes: Utilizando la forma estndar, determinar una solucin bsica factible inicial igualando a las n-m variables igual a cero (el origen). Seleccionar la variable de entrada de las variables no bsicas que al incrementar su valor pueda mejorar el valor en la funcin objetivo. Cuando no exista esta situacin, la solucin actual es la ptima; si no, ir al siguiente paso. Seleccionar la variable de salida de las variables bsicas actuales. Determinar la nueva solucin al hacer la variable de entrada bsica y la variable de salida no bsica, ir al paso 2. En qu consiste el Mtodo Simplex? El algoritmo Simplex es un mtodo algebraico para resolver todos los problemas de programacin lineal en un nmero finito de pasos es una computadora. Es un procedimiento iterativo que permite ir mejorando la solucin a cada paso. El proceso concluye cuando no es posible seguir mejorando ms dicha solucin.

Partiendo del valor de la funcin objetivo en un vrtice cualquiera, el mtodo consiste en buscar sucesivamente otro vrtice que mejore al anterior. La bsqueda se hace siempre a travs de los lados del polgono (o de las aristas del poliedro, si el nmero de variables es mayor). Cmo el nmero de vrtices (y de aristas) es finito, siempre se podr encontrar la solucin. El mtodo del simplex se basa en la siguiente propiedad: si la funcin objetivo, f, no toma su valor mximo en el vrtice A, entonces hay una arista que parte de A, a lo largo de la cual f aumenta. INTERPRETACIN GRFICA DEL MTODO SIMPLEX La resolucin de problemas lineales con slo dos o tres variables de decisin se puede ilustrar grficamente, mostrndose como una ayuda visual para comprender muchos de los conceptos y trminos que se utilizan y formalizan con mtodos de solucin ms sofisticados, como por ejemplo el Mtodo Simplex, necesarios para la resolucin de problemas con varias variables. Para ello se puede usar el mtodo Grfico. Aunque en la realidad rara vez surgen problemas con slo dos o tres variables de decisin, es sin embargo muy til esta metodologa de solucin e interpretacin, en la que se vern las situaciones tpicas que se pueden dar, como son la existencia de una solucin ptima nica, de soluciones ptimas alternativas, la no existencia de solucin y la no acotacin. Describimos aqu las fases del procedimiento de solucin del Mtodo Grfico: Dibujar un sistema de coordenadas cartesianas en el que cada variable de decisin est representada por un eje, con la escala de medida adecuada a su variable asociada. Dibujar en el sistema de coordenadas las restricciones del problema (incluyendo las de no negatividad). Para ello, observamos que si una restriccin es una inecuacin, define una regin que ser el semiplano limitado por la lnea recta que se tiene al considerar la restriccin como una igualdad. Si la restriccin fuera una ecuacin, la regin que define se dibuja como una lnea recta. La interseccin de todas las regiones determina la regin factible o espacio de soluciones (que es un

10

conjunto convexo). Si esta regin es no vaca, ir a la fase siguiente. En otro caso, no existe solucin que satisfaga (simultneamente) todas las restricciones y el problema no tiene solucin, denominndose o no factible. Determinar los puntos extremos (puntos que no estn situados en segmentos de lnea que unen otros dos puntos del conjunto convexo) de la regin factible (que, como probaremos en la siguiente seccin, son los candidatos a solucin ptima). Evaluar la funcin objetivo en estos puntos y aqul o aquellos que maximicen (o minimicen) el objetivo, corresponden a las soluciones ptimas del problema.

DESARROLLANDO EL MTODO SIMPLEX Una vez que hemos estandarizado nuestro modelo, puede ocurrir que necesitemos aplicar el mtodo Simplex o el mtodo de las Dos Fases. Vase en la figura como debemos actuar para llegar a la solucin de nuestro problema.

11

Explicaremos paso a paso los puntos de cada mtodo, concretando los aspectos que hay que tener en cuenta. Construccin de la primera tabla: En la primera columna de la tabla aparecer lo que llamaremos base, en la segunda el coeficiente que tiene en la funcin objetivo cada variable que aparece en la base (llamaremos a esta columna Cb), en la tercera el trmino independiente de cada restriccin (P0), y a partir de sta columna aparecern cada una de las variables de la funcin objetivo (Pi). Para tener una visin ms clara de la tabla,

12

incluiremos una fila en la que pondremos cada uno de los nombres de las columnas. Sobre sta tabla que tenemos incluiremos dos nuevas filas: una que ser la que liderar la tabla donde aparecern las constantes de los coeficientes de la funcin objetivo, y otra que ser la ltima fila, donde tomar valor la funcin objetivo. Nuestra tabla final tendr tantas filas como restricciones.

Tabla C1 Base Cb Pi1 Pi2 ... Pim Z P0 P1 C2 P2 a12 a22 ... am2 Z2-C2 ... Cn ... Pn ... a1n ... a2n ... ... ... amn ... Zn-Cn

Ci1 bi1 a11 Ci2 bi2 a21 ... ... ...

Cim bim am1 Z0 Z1-C1

Los valores de la fila Z se obtienen de la siguiente forma: El valor Z0 ser el de sustituir Cim en la funcin objetivo (y cero si no aparece en la base). El resto de columnas se obtiene restando a este valor el del coeficiente que aparece en la primera fila de la tabla. Se observar al realizar el mtodo Simplex, que en esta primera tabla, en la base estarn las variables de holgura. Condicin de parada: Comprobaremos si debemos de dar una nueva iteracin o no, que lo sabremos si en la fila Z aparece algn valor negativo. Si no aparece ninguno, es que hemos llegado a la solucin ptima del problema. Eleccin de la variable que entra: Si no se ha dado la condicin de parada, debemos seleccionar una variable para que entre en la base en la siguiente tabla. Para ello nos fijamos en los valores estrictamente negativos de la fila Z, y el menor de ellos ser el que nos de la variable entrante.

13

 Eleccin de la variable que sale: Una vez obtenida la variable entrante, obtendremos la variable que sale, sin ms que seleccionar aquella fila cuyo cociente P0/Pj sea estrictamente positivo (teniendo en cuenta que slo se har cuando Pj sea mayor de 0). La interseccin entre la columna entrante y la fila saliente nos determinar el elemento pivote. Actualizacin de la tabla: Las filas correspondientes a la funcin objetivo y a los ttulos permanecern inalterados en la nueva tabla. El resto deber calcularse de dos formas diferentes: 1) Si es la fila pivote cada nuevo elemento se calcular: Nuevo Elemento Fila Pivote = Elemento Fila Pivote actual / Pivote. 2) Para el resto de elementos de filas se calcular: Nuevo Elemento Fila = Elemento Fila Pivote actual - (Elemento Columna Pivote en la fila actual * Nuevo Elemento Fila). Variante del Mtodo Simplex Cuando en el modelo de P.L se presentan restricciones del tipo = O , el mtodo simplex ya no se puede utilizar para generar soluciones, por lo que ahora se debe recurrir a las llamadas variantes del mtodo simplex que son tcnicas diseadas para tal efecto. Entre dichas tcnicas se tienen: Mtodo de la Gran M. Mtodo de Doble Fase. Mtodo de la Gran M Este mtodo es de tipo alfanumrico, y tiene al gran desventaja de ser computacionalmente ineficiente. Tambin se llama mtodo de penalizacin. Se aplica del modo siguiente: Formular el modelo de P.L.

14

 Estandarizar el modelo de P.L agregando las variables de holgura necesarias, pero adems a las restricciones del tipo = O , hay que agregarles al lado izquierdo, una variable no negativa llamada variable artificial denotada por a ( i=1,2,,,,,,m) Como el agregar la variable artificial a las restricciones mencionadas con anterioridad, viola el status de estas, entonces para corregir esta anomala, se penaliza a la funcin objetivo agregando las variables artificiales a esta, con coeficiente denotado por M que es una cantidad muy grande, de tal modo que si la funcin objetivo es del tipo de maximizar M se agrega restando y si es del tipo minimizar M se agrega sumando. Igualar con cero la funcin objetivo. Construir la tabla como se sealo en el mtodo simplex. Checar que en el regln objetivo de la tabla los coeficientes de las variables bsicas inciales sean cero, y de no ser as hacer la reduccin adecuada utilizando eliminacin gaussiana. Mtodo de Doble Fase Este mtodo elimina la deficiencia computacional del mtodo de la gran M. Se aplica del modo siguiente: Formular el modelo de P.L. Estandarizar el modelo de P.L agregando las variables de holgura necesarias, pero adems a las restricciones del tipo = O , hay que agregarles al lado izquierdo, una variable no negativa llamada variable artificial denotada por a ( i=1,2,,,,,,m)

15

Fase I Sustituir la funcin objetivo original por una nueva funcin objetivo del tipo minimizar, que es igual a la suma de las variables artificiales que tenga el modelo. Igualar nueva funcin objetivo con cero. Construir la tabla con el mtodo simplex. Antes de empezar a iterar, checar que las variables bsicas actuales, tengan coeficiente cero en el regln objetivo de la tabla, y de no ser as utilizar eliminacin gaussiana para hacer las reducciones necesarias. Proceder como en el mtodo simplex para generar nuevas soluciones, hasta que la funcin objetivo actual adquiera el valor cero y en ese momento parar, con lo cual termina en fase I. si no toma valor cero la funcin objetivo actual, es seal de que el problema no tiene solucin al menos por este mtodo Fase II Retomar la funcin objetivo original e igualarla con cero. Utilizar la ltima tabla obtenida en la fase I, pero eliminando las columnas de las variables artificiales, cuya funcin ya fue utilizada en dicha fase. Sustituir el rengln objetivo de la tabla por los valores de la funcin objetivo original que previamente fue igualada con cero. Checar que los coeficientes de la variables bsicas actuales en el rengln objetivo de la tabla sean cero, y no de ser as, utilizar la eliminacin gaussiana para hacer la reducciones necesarias. Proceder como en el mtodo simplex para generar nuevas soluciones, hasta obtener la ptima si esta existe.

16

MTODO SIMPLEX PARA SOLUCIN DE PROBLEMAS DE PROGRAMACIN LINEAL Es un procedimiento iterativo que permite ir mejorando la solucin a cada paso. El proceso concluye cuando no es posible seguir mejorando ms dicha solucin. Partiendo del valor de la funcin objetivo en un vrtice cualquiera, el mtodo consiste en buscar sucesivamente otro vrtice que mejore al anterior. La bsqueda se hace siempre a travs de los lados del polgono (o de las aristas del poliedro, si el nmero de variables es mayor). Cmo el nmero de vrtices (y de aristas) es finito, siempre se podr encontrar la solucin. El mtodo del simplex se basa en la siguiente propiedad: si la funcin objetivo, f, no toma su valor mximo en el vrtice A, entonces hay una arista que parte de A, a lo largo de la cual f aumenta. Problemas de minimizacin con el mtodo simplex. Para resolver problemas de minimizacin mediante el algoritmo simplex existen dos procedimientos que se emplean con regularidad. El primero es el ms recomendable se basa en un artificio aplicable al algoritmo fundamentado en la lgica matemtica que dicta que "para cualquier funcin f(x), todo punto que minimice a f(x) maximizar tambin a - f(x)". Por lo tanto el procedimiento a aplicar es multiplicar por el factor negativo (-1) a toda la funcin objetivo.

A continuacin se resuelve el algoritmo como un problema de maximizacin: El segundo procedimiento, el cual pretende conservar la minimizacin consiste en aplicar los criterios de decisin que hemos esbozado con anterioridad, en los casos de la variable que entra, que sale y el caso en el que la solucin ptima es encontrada. Aqu recordamos los procedimientos segn el criterio dado el caso "minimizar".

17

Minimizar Variable que entra La ms negativa de los (Cj - Zj) Siendo "b" los valores bajo la celda solucin Variable que sale y "a" el valor correspondiente a la interseccin entre "b" y la variable que entra. La ms positiva de los "b/a". Solucin ptima Cuando todos los (Cj - Zj) sean >= 0.

RESOLVER EL SIGUIENTE PROBLEMA DE PROGRAMACIN LINEAL UTILIZANDO EL MTODO SIMPLEX:

Max s.a

40X1 + 60X2 2X1 + 1X2 70 1X1 + 1X2 40 1X1 + 3X2 90 X1 , X2 0

Para poder aplicar el Mtodo Simplex, es necesario llevar el modelo a su formato estndar, para lo cual definimos X3, X4, X5 0 como las respectivas variables de holgura para la restriccin 1, 2 y 3. De esta forma queda definida la tabla inicial del mtodo de la siguiente forma:

X1 2 1 1 -40

X2 1 1 ..... 3 -60

X3 1 0 0 0

X4 0 1 0 0

X5 0 0 1 0 70 40 90 0

18

En esta situacin, las variables de holgura definen una solucin bsica factible inicial, condicin necesaria para la aplicacin del mtodo. Luego, se verifican los costos reducidos de las variables no bsicas (X1 y X2 en la tabla inicial) y se escoge como variable que entra a la base aquella con el costo reducido "ms negativo". En este caso, X2. Luego, para escoger que variable bsica deja la base debemos buscar el mnimo cociente entre el lado derecho y los coeficientes asociados a la variable entrante en cada fila (para aquellos coeficientes > 0 marcados en rojo en la tabla anterior). El mnimo se alcanza en Min {70/1, 40/1, 90/3} = 30 asociado a la tercera fila, el cual corresponde a la variable bsica actual X5, en consecuencia, X5 deja la base. En la posicin que se alcanza el mnimo cociente lo llamaremos "Pivote" (marcado con azul) el cual nos servir para realizar las respectivas operaciones filas, logrando la siguiente tabla al cabo de una iteracin.

X1 5/3 2/3 1/3 -20

X2 0 0 1 0

X3 1 0 0 0

X4 0 1 0 0

X5 -1/3 -1/3 1/3 20 40 10 30 1.800

El valor de la funcin objetivo luego de una iteracin ha pasado de 0 a 1.800. Se recomienda al lector hacer una representacin grfica del problema y notar como las soluciones factibles del mtodo corresponden a vrtices del dominio de puntos factibles. La actual tabla no corresponde a la solucin ptima del problema P) debido a que existe una variable no bsica con costo reducido negativo, por tanto X1 entra a la base. Posteriormente, mediante el criterio del mnimo cociente calculamos la variable que debe dejar la base: Min {40/(5/3), 10/(2/3), 30/(1/3)} = 15, asociado a la fila 2 (variable bsica actual X4), por tanto X4 deja la base. Obtenido lo anterior se aplica una iteracin del mtodo:

19

X1 X2 0 1 0 0 0 0 1 0

X3 1 0 0 0

X4 -5/2 3/2 -1/2 30

X5 1/2 -1/2 1/2 10 15 15 25 2.100

Finalmente se alcanza la solucin ptima del problema P) y se verifica que los costos reducidos asociados a las variables no bsicas (X4 y X5 son mayores o igual que cero). Ntese que la existencia de un costo reducido igual a cero para una variable no bsica en esta etapa define un problema con "infinitas soluciones".

La solucin alcanzada es X1* = 15, X2* = 25 con V(P*) = 2.100. Adicionalmente, los costos reducidos asociados a las variables no bsicas definen el precio sombra asociado a las restricciones 1, 2 y 3, respectivamente, lo cual es equivalente a la obtencin del precio sombra mediante el mtodo grfico. Dejaremos para una posterior presentacin, la forma de calcular el intervalo de variacin para el lado derecho que permite la validez del precio sombra, utilizando la tabla final del Mtodo Simplex. Mtodo simplex de 2 fases: Esta estrategia se utiliza cuando no es inmediata una solucin bsica factible inicial en las variables originales del modelo. FASE I Se considera un problema auxiliar que resulta de agregar tantas variables auxiliares a las restricciones del problema, de modo de obtener una solucin bsica factible. Resolver por Simplex un problema que considera como funcin objetivo la suma de las variables auxiliares. Si el valor ptimo es cero, seguir a la Fase II, en caso contrario, no existe solucin factible.

20

FASE II Resolver por Simplex el problema original a partir de la solucin bsica factible inicial hallada en la Fase I. EJEMPLO

Max sa

2X1 + X2

10X1 + 10X2 9 10X1 + 5X2 1 X1 , X2 0

Se debe agregar X3 como variable de holgura de la restriccin 1, X4 como variable de exceso de la restriccin 2 y X5 variable auxiliar para poder comenzar la Fase 1 F1) Min sa X5 10X1 + 10X2 + X3 10X1 + 5X2 =9 - X4 + X5 = 1

X1, X2, X3, X4, X5 >= 0 La tabla inicial asociada a la Fase I queda en consecuencia definida de la siguiente forma:

X1 10 10 0

X2 10 5 0

X3 1 0 0

X4 0 -1 0

X5 0 1 1 9 1 0

Luego, se debe hacer 0 el costo reducido de X5, obteniendo la siguiente tabla inicial para hacer el uso de Simplex:

21

X1 10 10 -10

X2 10 5 -5

X3 1 0 0

X4 0 -1 1

X5 0 1 0 9 1 -1

Se escoge X1 como variable que entra a la base al tener el costo reducido ms negativo. Posteriormente, mediante el criterio del mnimo cociente se selecciona la variable que sale de la base: Min {9/10; 1/10} = 1/10, X5 sale de la base.

X1 X2 0 1 0 5 1/2 0

X3 1 0 0

X4 1 -1/10 0

X5 -1 1/10 1 8 1/10 0

Una vez obtenida la solucin ptima de la Fase I, con valor ptimo cero, tomamos X1 y X3 como variables bsicas iniciales para la Fase II.

X1 X2 0 1 -2 5 1/2 -1

X3 1 0 0

X4 1 -1/10 0 8 1/10 0

22

Hacemos cero los costos reducidos de las variables bsicas:

X1 X2 0 1 0 5 1/2 0

X3 1 0 0

X4 1 -1/10 -1/5 8 1/10 1/5

X4 entra a la base. Por el criterio del mnimo cociente, el pivote se encuentra en la fila 1, por tanto X3 sale de la base.

X1 X2 0 1 0 5 1 1

X3 1 1/10 1/5

X4 1 0 0 8 9/10 9/5

Donde la solucin ptima es: X1=9/10 X2=0 Con valor ptimo V(P) = 9/5

CASOS ESPECIALES El Mtodo simplex es un procedimiento iterativo que permite ir mejorando la solucin a cada paso. El proceso concluye cuando no es posible seguir mejorando ms dicha solucin o cuando esta es ptima. Este mtodo, permite analizar cada variable del problema planteado, sus variaciones, para determinar cul es la decisin ms acertada a tomar en cualquiera que sea el rea de la empresa sobre la cual se presente la incertidumbre. Existen casos especiales de solucin de problemas por medio del simplex, tales como: Soluciones Mltiples.

23

 Solucin Degenerada. Solucin Infactible. Sin Solucin. A continuacin se presenta un anlisis detallado de cada caso especial de solucin. Caso de soluciones mltiples. Cuando la funcin objetivo es paralela a una restriccin que se satisface en el sentido de la igualdad a travs de la solucin ptima, la funcin objetivo tomar el mismo valor ptimo en ms de un punto de la solucin. Por esta razn reciben el nombre de Mltiples alternativas ptimas. Caso de solucin degenerada. La degeneracin ocurre cuando en alguna iteracin del mtodo simplex existe un empate en la seleccin de la variable que sale. Este empate se rompe arbitrariamente. En este caso decimos que la nueva solucin es degenerada. Sin embargo, cuando suceda esto una o ms veces de las variables bsicas, ser necesariamente igual a cero en la siguiente iteracin. En el mtodo simplex, la presencia de una variable bsica igual a cero, no requiere ninguna accin especial; en todo caso, es necesario no descuidar las condiciones de degeneracin. En trminos geomtricos, la degeneracin ocurre cuando un vrtice est definido por demasiadas restricciones. Caso de solucin Infactible. En un modelo de Programacin Lineal, cuando las restricciones no se pueden satisfacer en forma simultnea, se dice que este no tiene solucin factible. Esta situacin nunca puede ocurrir si todas las restricciones son del tipo MENOR O IGUAL (), esto, suponiendo valores positivos en el segundo miembro, ya que las variables de holgura producen siempre una solucin factible.

24

Sin embargo, cuando empleamos los otros tipos de restricciones, recurrimos al uso de variables artificiales, que por su mismo diseo no ofrecen una solucin factible al modelo original. Aunque se hacen provisiones (a travs del uso de penalizaciones) para hacer que estas variables artificiales sean cero en el nivel ptimo, esto slo puede ocurrir si el modelo tiene una espacio factible. Si no lo tiene, cuando menos una variable artificial ser positiva en la iteracin ptima. Desde el punto de vista prctico, un espacio Infactible, apunta a la posibilidad de que el modelo no se haya formulado correctamente, en virtud de que las restricciones estn en conflicto. Tambin es posible que las restricciones no estn destinadas a cumplirse en forma simultnea. En este caso, quizs se necesite una estructura del modelo totalmente diferente que no admita todas las restricciones al mismo tiempo. Caso de no solucin. En algunos modelos de Programacin Lineal, los valores de las variables, se pueden aumentar en forma indefinida sin violar ninguna de las restricciones, lo que significa que el espacio es sin solucin cuando menos en una direccin. Como resultado, el valor de la funcin objetivo puede crecer (Maximizacin) o decrecer (Minimizacin) en forma indefinida. En este caso, decimos que el espacio en el cual se espera sea resuelto el modelo, y el valor ptimo de la funcin objetivo no tiene solucin. La falta de explicacin de un modelo puede sealar solo una cosa, que este se encuentra mal construido. Evidentemente resulta irracional hacer que un modelo produzca una ganancia infinita. Las irregularidades ms probables en este modelo son: No se toman en cuenta una o ms restricciones redundantes. No se determinan adecuadamente los parmetros (constantes) de alguna restriccin. SOFTWARE QUE SE UTILIZAN PARA RESOLVER EL METODO SIMPLEX WinQSB: Creado por el del Dr. Yih-Long Chang. Consta de una serie de mdulos o aplicaciones individuales que nos ayudarn en temas de investigacin de operaciones,

25

mtodos de trabajo, planteamiento de la produccin, evaluacin de proyectos, control de calidad, simulacin, estadstica, etc., y son en total 19 mdulos. LINDO: Se especializa en software de Optimizacin Lineal, No Lineal, y Entera ofreciendo una lnea completa de productos, con un total soporte de estos. Los que vienen de acuerdo al tamao de matriz de sus modelos (nmero de variables y restricciones),y adems estn disponibles en todas las plataformas conocidas. PHPSIMPLEX: Es una herramienta online para resolver problemas de programacin lineal. Su uso es libre y gratuito. Es capaz de resolver problemas mediante el Mtodo Simplex, el Mtodo de las Dos Fases, y el Mtodo Grfico, y no cuenta con limitaciones en el nmero de variables de decisin ni en las restricciones de los problemas.

26

27

BIBLIOGRAFIA http://www.phpsimplex.com/teoria_metodo_simplex.htm http://ingenierosindustriales.jimdo.com/herramientas-para-el-ingenieroindustrial/investigaci%C3%B3n-de-operaciones/m%C3%A9todo-simplex/ http://www.investigacion-operaciones.com/SIMPLEX_analitico.htm http://www.monografias.com/trabajos76/metodo-simplex-investigacion-operacionessimulacion/metodo-simplex-investigacion-operaciones-simulacion.shtml http://www.investigacionoperativa.com/simplex.html

28