Universidad Autónoma del Estado de México

Facultad de Economía

Licenciatura en Relaciones Económicas

Internacionales

MÉTODO Unidad de Aprendizaje: Teoría de Decisiones

Profesora: Yelitza M. Valdespino

SIMPLEX
Marzo, 2018.

Equipo 5
Adalid Vences Diana
Flores Aguilar Abril
Padilla Luis Fernando
Contenido

» Método simplex
» Método de variable artificial de simplex
» Método de 2 fases
» Casos especiales:
1. Degeneración
2. Óptimos alternativos
3. Soluciones no acotadas
4. Soluciones no existentes (o no factibles)
 ¿Qué es?

Creado en 1947 con el ánimo de crear un algoritmo

Método analítico de solución de capaz de solucionar problemas de m restricciones y
problemas de programación n variables.
lineal capaz de resolver modelos
más complejos que los resueltos
mediante el método gráfico sin George Bernard Dantzig
restricción en el número de
variables.

Leonid Vitalievich Kantorovich

Método de Variable Artificial de Simplex
Método 2 fases
Es un problema auxiliar para obtener

MINIMIZAR O MAXIMIZAR
(LO QUE PIDA EL PROBLEMA
MINIMIZAR ORIGINAL)

1. Formar nueva f.o. Con la suma de las

variables artificiales
2. La nueva f.o. Se minimiza sujeta a las
restricciones del problema original (con sus
respectivas variables agregadas).
Resolver por Simplex el problema
original a partir de la solución
básica factible inicial hallada en
la Fase I.

3. Se termina esta fase cuando ya no hay

variables artificiales en la base y se
encuentra la SBF inicial

 Si el valor mínimo de la f.o. óptima es 0  todas las variables artificiales = 0

y el problema tiene espacio de solución factible se pasa a la fase II
 Si el valor mínimo de la f.o. óptima > 0  el problema no tiene solución
Variables utilizadas

Agregada al lado izquierdo de una restricción con signo ≤ para convertirla en igualdad
“Cantidad de recurso no usado”

Agregada al lado izquierdo de una restricción con signo ≥ para convertirla en igualdad
“Cantidad por encima del nivel mínimo requerido”

Utilizadas para comenzar la solución y eliminadas al cumplir su función

(-) Max (+) Min
 Ejemplo

NUEVA FUNCIÓN OBJETIVO

𝑧 = 𝐴1 + 𝐴2
Min 𝒛 = 𝟖𝒙𝟏 + 𝟐𝒙𝟐 s.a.
6𝑥1 + 2𝑥2 + 𝐴1 = 6
s.a. 8𝑥1 + 6𝑥2 − 𝐸1 + 𝐴2 = 12
6𝑥1 + 2𝑥2 = 6 2𝑥1 + 4𝑥2 + 𝐻1 = 8
8𝑥1 + 6𝑥2 ≥ 12 𝑥1 ; 𝑥2 ≥ 0
2𝑥1 + 4𝑥2 ≤ 8
𝑥1 ; 𝑥2 ≥ 0
z 𝒙𝟏 𝒙𝟐 𝑯𝟏 𝑬𝟏 𝑨𝟏 𝑨𝟐 R Renglón

1 0 0 0 0 -1 -1 0 R0

0 6 2 0 0 1 0 6 R1

0 8 6 0 -1 0 1 12 R2

0 2 4 1 0 0 0 8 R3
z 𝒙𝟏 𝒙𝟐 𝑯𝟏 𝑬𝟏 𝑨𝟏 𝑨𝟐 R Renglón

1 0 0 0 0 -1 -1 0 R0

0 6 2 0 0 1 0 6 R1

0 8 6 0 -1 0 1 12 R2

0 2 4 1 0 0 0 8 R3

z 𝒙𝟏 𝒙𝟐 𝑯𝟏 𝑬𝟏 𝑨𝟏 𝑨𝟐 R Renglón

1 14 8 0 -1 0 0 18 R0  -14 × R1 + R0
0 6 2 0 0 1 0 6 R1  × (1Τ6)
0 8 6 0 -1 0 1 12 R2
 -8 × R1 + R2
0 2 4 1 0 0 0 8 R3
 -2 × R1 + R3
z 𝒙𝟏 𝒙𝟐 𝑯𝟏 𝑬𝟏 𝑨𝟏 𝑨𝟐 R Renglón

1 0 10ൗ 0 -1 -7Τ3 0 4 R0
3
0 1 1ൗ 0 0 1ൗ 0 1 R1
3 6
0 0 10ൗ 0 -1 -4Τ3 1 4 R2
3
0 0 10ൗ 1 0 -1Τ3 0 6 R3
3
z 𝒙𝟏 𝒙𝟐 𝑯𝟏 𝑬𝟏 𝑨𝟏 𝑨𝟐 R Renglón

1 0 10ൗ 0 -1 -7Τ3 0 4 R0  -10Τ3 × R2 + R0

3
0 1 1ൗ 0 0 1ൗ 0 1 R1
 -1Τ3 × R2 + R1
3 6
0 0 10ൗ 0 -1 -4Τ3 1 4 R2  × (3Τ10)
3
0 0 10ൗ 1 0 -1Τ3 0 6 R3  -10Τ3 × R2 + R3
3

z 𝒙𝟏 𝒙𝟐 𝑯𝟏 𝑬𝟏 𝑨𝟏 𝑨𝟐 R Renglón

1 0 0 0 0 -1 -1 0 R0

0 1 0 0 1ൗ 3ൗ -1Τ10 3ൗ R1
10 10 5
0 0 1 0 − 3ൗ10 -2Τ5 3ൗ 6ൗ R2
10 5
SOLUCIÓN BÁSICA
0 0 0 1 1 1 -1 2 R3
FACTIBLE INICIAL

𝒛=𝟎
z 𝒙𝟏 𝒙𝟐 𝑯𝟏 𝑬𝟏 𝑨𝟏 𝑨𝟐 R Renglón 𝒙𝟏 = 3Τ5
R0 𝒙𝟐 = 6Τ5
R1

R2

R3
 z 𝒙𝟏 𝒙𝟐 𝑯𝟏 𝑬𝟏 R Renglón

1 -8 -2 0 0 0 R0

Min 𝒛 = 𝟖𝒙𝟏 + 𝟐𝒙𝟐 1ൗ 3ൗ  8 × R1 + R0

0 1 0 0 10 5
R1

s.a. 0 0 1 0 − 3ൗ10 6ൗ R2  2 × R2 + R0
5
6𝑥1 + 2𝑥2 = 6
0 0 0 1 1 2 R3
8𝑥1 + 6𝑥2 ≥ 12
2𝑥1 + 4𝑥2 ≤ 8
𝑥1 ; 𝑥2 ≥ 0 z 𝒙𝟏 𝒙𝟐 𝑯𝟏 𝑬𝟏 R Renglón

1 0 0 0 1ൗ 36ൗ
5 5
R0  -1Τ5 × R3 + R0
0 1 0 0 1ൗ 3ൗ
10 5
R1  -1Τ10 × R3 + R1
0 0 1 0 − 3ൗ10 6ൗ R2  3Τ10 × R3 + R2
5
0 0 0 1 1 2 R3
z 𝒙𝟏 𝒙𝟐 𝑯𝟏 𝑬𝟏 R Renglón

1 0 0 -1Τ5 0 34ൗ R0
5
0 1 0 -1Τ10 0 2ൗ R1
5
0 0 1 3ൗ 0 9ൗ R2
10 5
0 0 0 1 1 2 R3

SOLUCIÓN BÁSICA
FACTIBLE ÓPTIMA

𝒛 = 34Τ5
𝒙𝟏 = 2Τ5
𝒙𝟐 = 9Τ5
 Casos especiales

Al aplicar la condición de factibilidad del método simplex, se puede presentar un empate por la
relación mínima, el cual puede romperse arbitrariamente. Cuando esto sucede, al menos una
variable básica será cero en la siguiente iteración, y se dice que la nueva solución está
degenerada.
La degeneración puede hacer que las iteraciones simplex ocurran de forma indefinida en ciclos,
y que el algoritmo nunca se termine. La condición también revela que el modelo tiene por lo
menos una restricción redundante.
Ejemplo Caso DEGENERATIVO

z 𝒙𝟏 𝒙𝟐 𝑯𝟏 𝑯𝟐 R Renglón

1 -3 -9 0 0 0 R1

0 1 4 1 0 8 R2  × (1Τ4)
Max 𝒛 = 𝟑𝒙𝟏 + 𝟗𝒙𝟐
0 1 2 0 1 4 R3

s.a.
𝑥1 + 4𝑥2 ≤ 8
𝑥1 + 2𝑥2 ≤ 4 z 𝒙𝟏 𝒙𝟐 𝑯𝟏 𝑯𝟐 R Renglón

𝑥1 ; 𝑥2 ≥ 0 1 -3 -9 0 0 0 R1  9×R2+R1
0 𝟏ൗ 1 𝟏ൗ 0 2 R2
𝟒 𝟒
0 1 2 0 1 4 R3  -2×R2+R3
z 𝒙𝟏 𝒙𝟐 𝑯𝟏 𝑯𝟐 R Renglón

1 -3Τ4 0 9ൗ 0 0 R1
4
0 1ൗ 1 1ൗ 0 2 R2
4 4
0 1ൗ 0 − 1ൗ2 1 0 R3  × (2)
2

z 𝒙𝟏 𝒙𝟐 𝑯𝟏 𝑯𝟐 R Renglón

1 -3Τ4 0 9ൗ 0 0 R1
4
0 1ൗ 1 1ൗ 0 2
4 4
R2
 3Τ4 × R3 + R1
0 1 0 -1 1 0 R3  -1Τ4 × R3 + R1

z 𝒙𝟏 𝒙𝟐 𝑯𝟏 𝑯𝟐 R Renglón

1 0 0 3ൗ 3ൗ 18 R1
2 4
0 0 1 1ൗ 1ൗ 2 R2
2 4
0 1 0 -1 1 0 R3
Un problema de PL puede tener una cantidad infinita de óptimos alternativos cuando la
función objetivo es paralela a una restricción obligatoria no redundante (es decir, una
restricción que se satisface como una ecuación en la solución óptima).
Ejemplo Caso ÓPTIMOS ALTERNATIVOS

z 𝒙𝟏 𝒙𝟐 𝑯𝟏 𝑯𝟐 R Renglón

1 -2 -4 0 0 0 R1

0 1 2 1 0 5 R2  × (1Τ2)
Max 𝒛 = 𝟐𝒙𝟏 + 𝟒𝒙𝟐
0 1 1 0 1 4 R3

s.a.
𝑥1 + 2𝑥2 ≤ 5
𝑥1 + 𝑥2 ≤ 4
𝑥1 ; 𝑥2 ≥ 0
z 𝒙𝟏 𝒙𝟐 𝑯𝟏 𝑯𝟐 R Renglón

1 -2 -4 0 0 0 R1  4 × R2 + R1
0 𝟏ൗ 1 𝟏ൗ 0 𝟓ൗ R2
𝟐 𝟐 𝟐
0 1 1 0 1 4 R3  -1 × R2 +R3
 La existencia de un óptimo alternativo puede detectarse en la
z 𝒙𝟏 𝒙𝟐 𝑯𝟏 𝑯𝟐 R Renglón
tabla óptima examinando los coeficientes de las variables no
1 0 0 0 0 10 R1 básicas de la ecuación z. El coeficiente cero de la 𝒙𝟏 no básica
indica que 𝒙𝟏 puede hacerse básica, modificando los valores de
0 1ൗ 1 1ൗ 0 5ൗ R2 las variables básicas sin cambiar el valor de z.
2 2 2
0 𝟏ൗ 0 -𝟏Τ𝟐 1 𝟑ൗ
𝟐 𝟐
R3  × (2)

z 𝒙𝟏 𝒙𝟐 𝑯𝟏 𝑯𝟐 R Renglón

1 0 0 0 0 10 R1

Convertir a 00 1ൗ 1 1ൗ 0 5ൗ R2  -1Τ2 × R3 + R2
2 2 2
0 1 0 -1 2 3 R3

z 𝒙𝟏 𝒙𝟐 𝑯𝟏 𝑯𝟐 R Renglón

1 0 0 2 0 10 R1

0 0 1 1 -1 1 R2

0 1 0 -1 2 3 R3

En la práctica, los óptimos alternativos son útiles porque podemos elegir de entre muchas soluciones sin que se
deteriore del valor objetivo.
En algunos modelos de PL, se dan las soluciones es no acotado en por lo menos una variable, es
decir que las variables pueden incrementarse de forma indefinida sin violar ninguna de las
restricciones.
Esto casi siempre indica que el modelo está mal construido.
La irregularidad más probable en tales modelos es que no se han tomado en cuenta algunas
restricciones importantes. Otra posibilidad es que las estimaciones de los coeficientes de las
restricciones quizá no sean precisas.
 Ejemplo Caso SOLUCIÓN NO ACOTADA

z 𝒙𝟏 𝒙𝟐 𝑯𝟏 𝑯𝟐 R Renglón
Max 𝒛 = 𝟐𝒙𝟏 + 𝒙𝟐
1 -2 -1 0 0 0 R1

s.a. 0 1 -1 1 0 10 R2

𝑥1 + 𝑥2 ≤ 10
0 2 0 0 1 40 R3
2𝑥1 ≤ 40
𝑥1 ; 𝑥2 ≥ 0

En la tabla de inicio, tanto 𝒙𝟏 como 𝒙𝟐 tienen coeficientes negativos en la ecuación z, lo que significa que al
incrementarse sus valores también lo hará el valor objetivo.
Aunque 𝒙𝟏 debe ser la COLUMNA PIVOTE (tiene el coeficiente z más negativo), observamos que todos los
coeficientes de restricción bajo 𝒙𝟐 son ≤ 0; lo que significa que 𝒙𝟐 puede incrementarse indefinidamente sin
violar ninguna de las restricciones. El resultado es que z puede incrementarse indefinidamente
Los modelos PL con restricciones inconsistentes no tienen una solución factible. Ésta situación no
ocurre si todas las restricciones son del tipo ≤ con lados derechos no negativos porque las
holguras proporcionan una solución factible obvia. Para otros tipos de restricciones, se utilizan
variables artificiales penalizadas para iniciar la solución.
Si al menos una variable artificial es positiva en la iteración óptima, entonces la PL no tiene una
solución factible.
Desde el punto de vista práctico, un espacio no factible apunta hacia la posibilidad de que el
modelo se formuló de manera incorrecta.
 Ejemplo Caso SOLUCIÓN NO FACTIBLE

z 𝒙𝟏 𝒙𝟐 𝑯𝟏 𝑯𝟐 A R Renglón

1 -303 -402 100 0 0 -1200 R1  402 × R2 + R1

Max 𝒛 = 𝟑𝒙𝟏 + 𝟐𝒙𝟐 0 2 1 0 1 0 2 R2

0 3 4 0 0 1 12 R3
s.a.  -4× R2 + R3
2𝑥1 + 𝑥2 ≤ 2
z 𝒙𝟏 𝒙𝟐 𝑯𝟏 𝑯𝟐 A R Renglón
3𝑥1 + 4𝑥2 ≤ 12
𝑥1 ; 𝑥2 ≥ 0
1 501 0 100 902 0 -396 R1

0 2 1 0 1 0 2 R2

0 -5 0 -1 -4 1 4 R3

La iteración óptima muestra que la variable artificial A es positiva (=4), es decir que la PL es no factible. Al permitir que la variable
artificial sea positiva, el método simplex de hecho ha invertido la dirección de la desigualdad de 3𝒙𝟏 + 4𝟐𝒙𝟐 ≥ 12 a 3𝒙𝟏 + 4𝟐𝒙𝟐 ≤ 12
(¿puede explicar cómo?). El resultado es lo que podemos llamar una solución seudo óptima