METODO SIMPLEX SEGUNDA FASE

Este es otra variante del simplex que se aplica para resolver modelos de PL que requieren una
matriz unitaria de base artificial para poder iniciar el algoritmo. El nombre indica que consiste de dos
fases: En la 1, se reducen las artificiales W i a cero y en tal caso se optimiza en la 2, o bien, se
concluye que no hay solucin factible para el problema porque W i es diferente de cero en fase 1, y
por lo tanto no es necesaria la fase2.
Primera fase. En este mtodo siempre se minimiza una funcin objetivo constituido por la suma de
las variables artificiales utilizadas para completar la matriz I:

Segunda fase. Se contina con sta slo si ocurre la optimizacin del problema en la fase anterior.
Para ello sirve la tabla simplex ptima de la primera, que se ajusta eliminando las columnas de las
variables artificiales Wi; adems, el rengln Z se cambia a los coeficientes de la funcin Z original. El
procedimiento contina con el arreglo de la tabla simplex inicial para cumplir los requisitos
necesarios de una solucin bsica factible; es decir, coeficientes cero para las variables bsicas en
el rengln Z de la tabla. A veces esto es suficiente para lograr el ptimo del problema; si no es as, se
aplican los criterios del simplex para el objetivo original del problema. En resumen, la fase1 intenta
lograr un punto extremo factible; la fase 2, el punto extremo ptimo:

Ejemplo 2-5. Aplica mtodo Simplex Dos Fases, PL mximo y mnimo, 3 tipos de restriccin
(MAXMIN2F1).
En este ejemplo se aprovecha la circunstancia de que en el mtodo simplex de dos fases, la primera
fase es igual con ambos objetivos; por lo tanto, slo para mayor conocimiento, la tabla ptima de la
2a fase que contiene el valor mximo de la funcin, se utiliza para obtener el mnimo. Con el
objetivo de mximo en este ejemplo, se esperan los mismos resultados del primer ejemplo
FACTIRECTA) de simplex penal pues se trata el problema otra vez, con el propsito de que el
estudiante tenga la misma referencia de comparacin del penal y el de 2 fases.

La desventaja de la tcnica M es el posible error de cmputo que podra resultar de asignar un valor
muy grande a la constante M. Esta situacin podra presentar errores de redondeo en las
operaciones de la computadora digital. Para evitar esta dificultad el problema se puede resolver en 2
fases.
Primera fase. Formule un nuevo problema reemplazando la funcin objetivo por la suma de las
variables artificiales.
La nueva funcin objetivo se minimiza sujeta a las restricciones del problema original. Si el problema
tiene un espacio factible el valor mnimo de la funcin objetivo ptimo ser cero, lo cual indica que
todas las variables artificiales son cero. En este momento pasamos a la fase 2.
* Si el valor mnimo de la funcin objetivo ptima es mayor que cero, el problema no tiene solucin y
termina anotndose que no existen soluciones factibles
Segunda fase. Utilice la solucin ptima de la fase 1 como solucin de inicio para el problema
original. En este caso, la funcin objetivo original se expresa en trminos de las variables no bsicas
utilizando las eliminaciones usuales Gauss-Jordan.

PROBLEMA # 2
Minimizar
Sujeto a:

Minimizar
Sujeto a:

FASE I
Minimizar
Sujeto a:

Minimizar
Sujeto a:

V.B.
Z
V.B.
R1
Z2
R
R1
R2

Z
1
Z
0
01
0
0

X1
0
X21
35
2
3

X2
0
X32
69
3
6

S1
0
S1
-1
-1
0
-1
0

S2
0
S02
-1
0
-1

R1
-1
R11
0
1
0

R2
-1
R02
10
0
1

Solucin
0
Solucin
36
96
60
36
60

V.B.
Z
R1
X2

Z
1
0
0

X1
1/2
1/2
1/2

X2
0
0
1

S1
-1
-1
0

S2
1 /2
1 /2
-1/6

R1
0
1
0

R2
3/2
-1/2
1/6

Solucin
6
6
10

V.B.

X1

X2

S1

S2

R1

R2

Solucin

-1

-1

X1

-2

-1

12

X2

-2/3

-1

2/3

V. Bsica

X1

X2

S1

S2

FASE II.
Minimizar

Solucin

Z
X1
X2

1
0
0

-2000
1
0

-500
0
1

0
-2
1

0
1
-2/3

0
12
4

V. Bsica
Z
X1
X2

Z
1
0
0

X1
0
1
0

X2
0
0
1

S1
-3500
-2
1

S2
5000/3
1
-2/3

Solucin
26000
12
4

V. Bsica
Z
S2
X2

Z
1
0
0

X1
-5000/3
1
2/3

X2
0
0
1

S1
-500/3
-2
-1/3

S2
0
1
0

Solucin
6000
12
12