UNIVERSIDAD DE ORIENTE

NÚCLEO ANZOÁTEGUI
EXTENSIÓN CENTRO SUR ANACO
ESCUELA DE INGENIERÍA Y CIENCIAS APLICADAS
DEPARTAMENTO DE INGENIERÍA INDUSTRIAL
PROGRAMACION LINEAL - CÓDIGO: 0623223
SECCIÓN: 01 - PERÍODO: III-2018

METODO SIMPLEX DE
PROGRAMACIÓN LINEAL

PROFESORA: BACHILLER:

ING. KEILA SALAS GONZÁLEZ M., MARÍA LAURA.

C.I.: V-25.434.020.

ANACO, ABRIL DE 2019

 INTRODUCCIÓN.

La Programación Lineal (PL) es una de las técnicas de la investigación

de operaciones. Muchos autores consideran que ha sido uno de los más
importantes avances científicos del presente siglo y, de hecho, su gran
aplicación y la magnitud de todos los problemas que ha resuelto, así lo
confirman. Mediante la utilización de la PL se han logrado ahorros millonarios
en las organizaciones que la han aplicado.

Los orígenes de la PL se remontan hacia la década del 40, cuando el

economista Leontief desarrolla el método de análisis insumo-producto. En
1947, Stigler plantea el conocido “problema de la dieta”, el cual trataba de
buscar la combinación de alimentos más barata, que permitiera a la persona
tener los requerimientos mínimos de proteínas, vitaminas, minerales,
carbohidratos, etc. Y es en este mismo año cuando el Dr. George Dantzig
concluye su desarrollo del método simplex de solución de problemas de PL. Sin
este método la PL nunca hubiera tenido el desarrollo y la aplicación desde
1950 hasta nuestros días.

Sin embargo, el método simplex tampoco hubiera sido tan útil sin la
valiosa ayuda de los computadoras digitales, los cuales permitieron resolver
problemas de gran magnitud rápida y eficientemente (en un estudio realizado
por la IBM se concluyó que aproximadamente el 25% del tiempo de
computador se dedica a cálculo de PL y sus afines).

El método simplex se ha venido aplicando aproximadamente desde 1950

y su utilización actual es extensa, aunque todavía existen problemas de tal
magnitud, los cuales son muy difíciles de resolver incluso con las capacidades
computacionales que existen actualmente, debido precisamente a su tamaño y
al tiempo de computador que se utilizaría en ellos. Uno de estos problemas son
los de las compañías aéreas, los de las refinerías de petróleo y los de
optimización de cadenas de suministro, los cuales normalmente tienen un alto
número de variables y restricciones.

Varios procedimientos especiales han sido diseñados para estos

problemas, los cuales generalmente descomponen el problema original en una
serie de subproblemas más fáciles de resolver. Igualmente, actualmente
existen los denominados algoritmos de punto interior, los cuales compiten con
el método simplex en algunos problemas y vienen implementados en el
software especializado que resuelve modelos de programación lineal.
 TEORÍA DEL MÉTODO SIMPLEX:

1.1. MÉTODO SIMPLEX

En optimización matemática, el término de algoritmo simplex

habitualmente se refiere a un conjunto de métodos muy usados para resol ver
problemas, en los cuales se busca un máximo de una función lineal sobre un
conjunto.

El método simplex (MS) empieza con una función a minimizar y un

conjunto de restricciones que normalmente no verifican estas condiciones. En
la etapa reguladora se transforma el conjunto de restricciones en otro con
términos independientes no negativos, y en la conocida como de iteraciones
estándar se persigue conseguir coeficientes no negativos en la función
transformada que debe optimizarse, mientras que al mismo tiempo se busca
conservar los términos independientes no negativos. Si esto es posible, se
obtiene la solución óptima. Si no, el problema es no acotado o no factible de
variables que satisfaga un conjunto de inecuaciones lineales. El método
simplex se aplica a un PPL en el formato estándar siguiente:

Minimizar: 𝑓(𝑥 ) = 𝑐 𝑇 𝑥 sujeto a 𝐴𝑥 = 𝑏 ; 𝑏 ≥ 0 y 𝑥 ≥ 0. Donde 𝑐=

(𝑐1 , 𝑐2 , … , 𝑐𝑛 )𝑇 es la matriz columna de los coeficientes de la función

objetivo, 𝑥 = (𝑥1 , 𝑥2 , … , 𝑥𝑛 )𝑇 es el vector columna de las variables

iniciales, y A es una matriz 𝑚 × 𝑛 que contiene los coeficientes de las

restricciones. Los teoremas de soluciones básicas, aseguran que la solución

óptima de un PPL, si existe, se alcanza en una solución básica factible (un
punto extremo). El MS genera una sucesión ordenada de soluciones básicas
factibles que progresivamente mejora el valor de la función objetivo. El
algoritmo simplex opera en dos fases:

 Una etapa de iniciación en la que el conjunto inicial de restricciones

de igualdad se transforma en otro equivalente del mismo tipo
(restricciones de igualdad), asociado a una solución básica; y los
valores de las variables básicas se transforman en valores no
 negativos (se obtiene así una solución básica factible). Este proceso
se llamará fase de regulación
 Una etapa iterativa estándar, en la que los coeficientes de la función
objetivo se transforman en valores no negativos y el valor del coste
se mejora progresivamente hasta que se obtiene la solución óptima,
no se detecta ninguna solución factible, o aparecen soluciones no
acotadas. En este proceso iterativo, se calculan distintas soluciones
básicas factibles. Para este fin se usa la operación elemental de la
pivotación.

1.1.1. EL ALGORITMO SIMPLEX

Este algoritmo trabaja con la matriz 𝑼(𝒕) hasta obtener la solución

óptima o detectar la falta de puntos factibles o la no acotación.

 Entrada. La tabla inicial, {𝑼(𝟎), 𝒗(𝟎), 𝒘(𝟎), 𝒖(𝟎)} del PPL, conteniendo
la función objetivo, y las restricciones del problema.
 Salida. La solución del problema de minimización, o un mensaje advirtiendo
sobre la no admisibilidad o la falta de acotación.

 ITERACIÓN REGULADORA
I. Iniciación. Si 𝒗(𝟎) ≥ 𝟎, seleccionar la variable entrante 𝒙𝜷 . Si no,
transformar 𝒗(𝟎) para que todos sus elementos sean no negativos. Con

este fin, comprobar si existe una columna 𝜷 en 𝑼(𝟎) que verifique una
de las dos condiciones
𝒖𝟎 𝒊𝜷 > 𝟎 𝒔𝒊 𝒗𝒊 𝟎 < 𝟎
{ 𝟎 ∀𝒊
𝒖 𝒊𝜷 ≥ 𝟎 𝒔𝒊 𝒗𝒊 𝟎 ≥ 𝟎

Si la respuesta es afirmativa, continuar en la búsqueda del pivote. En otro caso,

introducir la variable artificial 𝒙𝒏+𝟏 ≥ 𝟎, modificar el valor de la función objetivo,
sumando el término 𝑴𝒙𝒏+𝟏 , donde 𝑴 es una constante positiva grande,

sumar el término 𝒙𝒏+𝟏 a todas las variables básicas, y elegir 𝒙𝜷 = 𝒙𝒏+𝟏 .

II. Búsqueda del Pivote. Encontrar la fila del pivote α usando
𝒗∝ 𝟎 𝒗∝ 𝟎
= 𝒎𝒊𝒏 e iniciar las iteraciones estándar o pivoteo.
𝒖∝𝜷 𝟎 𝒗𝒊 <𝟎 𝒖∝𝜷
𝟎 𝟎

 ITERACIÓN ESTÁNDAR
I. Pivotación. Realizar la transformación de pivotación

II. Selección de la Variable Entrante 𝒙𝜷 . Si la condición de solución

𝒘(𝒕) ≥ 𝟎, 𝒗(𝒕) ≥ 𝟎 es cierta y se verifica además la condición de no

acotación, 𝒙𝒏+𝟏 ≥ 𝟎 el problema es no factible; si la condición de

solución se cumple con 𝒙𝒏+𝟏 = 𝟎 la solución es 𝒙∗ 𝑩 = 𝒗(𝒕) ; 𝒙∗ 𝑵 =

𝟎 y el algoritmo concluye. Si no, se selecciona la variable entrante

𝒙𝜷 , formando parte de 𝒙𝑩 , mediante 𝒘𝜷 (𝒕) = 𝒎𝒊𝒏
(𝒕)
𝒘𝒋 (𝒕) .
𝒘𝒋 <𝟎

III. Selección de la Variable Saliente. Si todo 𝒖𝒊𝜷 ≥ 𝟎, el problema es

no acotado. En otro caso, se selecciona la variable saliente 𝒙∝ que

𝒗∝ (𝒕) 𝒗∝ (𝒕)
deja 𝒙𝑩 utilizando = 𝐦𝐚𝐱 . Y volver a la pivotación.
𝒖∝𝜷 (𝒕) (𝒕)
𝒖𝒊𝜷 <𝟎 𝒖∝𝜷
(𝒕)
 Nota: Si el conjunto de restricciones se dan como desigualdades, la
tabla inicial puede escribirse directamente a partir de la función objetivo y
los coeficientes de la matriz de desigualdades, según se muestra en el
ejemplo siguiente.

1.1.2. PREPARANDO EL MODELO PARA ADAPTARLO AL MÉTODO SIMPLEX.

La forma estándar del modelo de problema consta de una función objetivo

sujeta a determinadas restricciones:

Función objetivo: 𝑐1 · 𝑥1 + 𝑐2 · 𝑥2 + . . . + 𝑐𝑛 · 𝑥𝑚
Sujeto a: 𝑎11 · 𝑥1 + 𝑎12 · 𝑥2 + . . . + 𝑎1𝑛 · 𝑥𝑛 = 𝑏1
𝑎21 · 𝑥1 + 𝑎22 · 𝑥2 + . . . + 𝑎2𝑛 · 𝑥𝑛 = 𝑏2
...
𝑎𝑚1 · 𝑥1 + 𝑎𝑚1 · 𝑥2 + . . . + 𝑎𝑚𝑛
· 𝑥𝑛 = 𝑏𝑚
𝑥1 , . . . , 𝑥𝑛 ≥ 0

El modelo debe cumplir las siguientes condiciones:

a. El objetivo consistirá en maximizar o minimizar el valor de la función

objetivo (por ejemplo, incrementar ganancias o reducir pérdidas,
respectivamente).
b. Todas las restricciones deben ser ecuaciones de igualdad (identidades
matemáticas).
c. Todas las variables (xi) deben tener valor positivo o nulo (condición de
no negatividad).
d. Los términos independientes (bi) de cada ecuación deben ser no
negativos.

Hay que adaptar el problema modelado a la forma estándar para poder

aplicar el algoritmo del Simplex.
1.1.3. TIPO DE OPTIMIZACIÓN.

El objetivo del método consistirá en optimizar el valor de la función objetivo.

Sin embargo se presentan dos opciones: obtener el valor óptimo mayor
(maximizar) u obtener el valor óptimo menor (minimizar).

Además existen diferencias en el algoritmo entre el objetivo de

maximización y el de minimización en cuanto al criterio de condición de parada
para finalizar las iteraciones y a las condiciones de entrada y salida de la base.
Así:

1.1.3.1. OBJETIVO DE MAXIMIZACIÓN

 Condición de parada: cuando en la fila Z no aparece ningún valor
negativo.
 Condición de entrada a la base: el menor valor negativo en la fila Z (o el
de mayor valor absoluto entre los negativos) indica la variable P j que
entra a la base.
 Condición de salida de la base: una vez obtenida la variable entrante, la
variable que sale se determina mediante el menor cociente P 0/Pj de los
estrictamente positivos.

1.1.3.2. OBJETIVO DE MINIMIZACIÓN

 Condición de parada: cuando en la fila Z no aparece ningún valor
positivo.
 Condición de entrada a la base: el mayor valor positivo en la fila Z indica
la variable Pj que entra a la base.
 Condición de salida de la base: una vez obtenida la variable entrante, la
variable que sale se determina mediante el menor cociente P 0/Pj de los
estrictamente negativos.

No obstante, es posible normalizar el objetivo del problema con el fin de

aplicar siempre los mismos criterios en lo referente a la condición de parada del
algoritmo y a las condiciones de entrada y salida de las variables de la base.
De esta forma, si el objetivo es minimizar la solución, se puede cambiar el
problema a otro equivalente de maximización simplemente multiplicando la
función objetivo por "-1". Es decir, el problema de minimizar Z es equivalente al
problema de maximizar (-1)·Z. Una vez obtenida la solución será necesario
multiplicarla también por (-1).

 Ventajas: No hay que preocuparse por nuevos criterios de parada,

condición de entrada y salida de la base ya que se mantienen.
 Inconvenientes: En el caso de que la función tenga todos los coeficientes
de sus variables básicas positivos, y además las restricciones sean del
tipo de desigualdad "≤", al hacer el cambio dichos coeficientes quedan
negativos cumpliéndose la condición de parada en la primera iteración (en
la fila del valor de la función objetivo todos los valores son positivos o
cero). Obteniéndose en este caso por defecto un valor óptimo para la
función igual a 0.
 Solución: Realmente no existe este problema dado que para que la
solución sea superior a 0 es necesario que alguna restricción tenga
impuesta la condición "≥" (y se trataría de un modelo para el método de las
Dos Fases). En el caso planteado, la solución real debe ser cero.

1.1.4. CAMBIO DE SIGNO DE LOS TÉRMINOS INDEPENDIENTES

También se ha dicho que los términos independientes (b i) de cada

ecuación deben ser no negativos para poder emplear el método Simplex. A tal
fin, si alguna de las restricciones presenta un término independiente menor que
0 habrá que multiplicar por "-1" ambos lados de la inecuación (teniendo en
cuenta que esta operación también afecta al tipo de restricción).

 Ventajas: Con ésta simple modificación de signos en las restricciones

correspondientes se posibilita la aplicación del método Simplex al
problema modelado.
 Inconvenientes: Puede resultar que en las restricciones donde
tengamos que modificar los signos de las constantes, los tipos de
desigualdad fueran "≤" (quedando tras la operación del tipo "≥") siendo
necesario desarrollar el método de las Dos Fases. Este inconveniente no
es controlable, aunque podría ocurrir el caso contrario y resultar
beneficioso si los términos independientes negativos se presentan en
 todas aquellas restricciones con desigualdad de tipo "≥". Si existe alguna
restricción del tipo "=" no supondría ninguna ventaja ni desventaja
puesto que siempre sería de necesaria aplicación el método de las Dos
Fases.

1.1.5. NORMALIZACIÓN DE LAS RESTRICCIONES

Otra de las condiciones del modelo estándar del problema es que todas las
restricciones sean ecuaciones de igualdad (también llamadas restricciones de
igualdad), por lo que hay que convertir las restricciones de desigualdad o
inecuaciones en dichas identidades matemáticas.

La condición de no negatividad de las variables (x1,..., xn ≥ 0) es la única

excepción y se mantiene tal cual.

1.1.5.1. RESTRICCIÓN DE TIPO "≤"

Para normalizar una restricción con una desigualdad del tipo "≤", hay que
añadir una nueva variable, llamada variable de holgura XS (con la condición de
no negatividad: XS ≥ 0). Esta nueva variable aparece con coeficiente cero en la
función objetivo, y sumando en la ecuación correspondiente (que ahora sí será
una identidad matemática o ecuación de igualdad).

𝑎11 · 𝑥1 + 𝑎12 · 𝑥2 ≤ 𝑏1 → 𝑎11 · 𝑥1 + 𝑎12

· 𝑥2 + 1 · 𝑥𝑆 = 𝑏1

1.1.5.2. RESTRICCIÓN DE TIPO "≥"

En caso de una desigualdad del tipo "≥", también hay que añadir una
nueva variable llamada variable de exceso XS (con la condición de no
negatividad: XS ≥ 0). Esta nueva variable aparece con coeficiente cero en la
función objetivo, y restando en la ecuación correspondiente.
 Surge ahora un problema con la condición de no negatividad con esta
nueva variable del problema. Las inecuaciones que contengan una desigualdad
de tipo "≥" quedarían:

𝑎11 · 𝑥1 + 𝑎12 · 𝑥2 ≥ 𝑏1 → 𝑎11 · 𝑥1 + 𝑎12

· 𝑥2 + 1 · 𝑥𝑠 = 𝑏1
Al realizar la primera iteración con el método Simplex, las variables
básicas no estarán en la base y tomarán valor cero. En este caso la nueva
variable XS, tras hacer cero a X1 y X2, tomará el valor -b1 y no cumpliría la
condición de no negatividad. Es necesario añadir otra nueva variable Xr,
llamada variable artificial, que también aparecerá con coeficiente cero en la
función objetivo y sumando en la restricción correspondiente. Quedando
entonces de la siguiente manera:

𝑎11 · 𝑥1 + 𝑎12 · 𝑥2 ≥ 𝑏1 → 𝑎11 · 𝑥1 + 𝑎12

· 𝑥2 + 1 · 𝑥𝑠 − 1 · 𝑥𝑟 = 𝑏1

1.1.5.3. RESTRICCIÓN DE TIPO "="

Al contrario de lo que cabría pensar, para las restricciones de tipo "="

(aunque ya son identidades) también es necesario agregar variables artificiales
xr. Como en el caso anterior, su coeficiente será cero en la función objetivo y
aparecerá sumando en la restricción correspondiente.

𝑎11 · 𝑥1 + 𝑎12 · 𝑥2 ≥ 𝑏1 → 𝑎11 · 𝑥1 + 𝑎12

· 𝑥2 + 1 · 𝑥𝑟 = 𝑏1
En el último caso se hace patente que las variables artificiales suponen
una violación de las leyes del álgebra, por lo que será necesario asegurar que
dichas variables artificiales tengan un valor 0 en la solución final. De esto se
encarga el método de las Dos Fases y por ello siempre que aparezcan este tipo
de variables habrá que realizarlo.
 En la siguiente tabla se resume según la desigualdad el tipo de variable
que aparece en la ecuación normalizada, así como su signo:

Tipo de desigualdad Tipo de variable que aparece

≥ - exceso + artificial

= + artificial

≤ + holgura

1.1.6. DESARROLLANDO EL MÉTODO SIMPLEX

Una vez estandarizado el modelo puede ocurrir que sea necesario

aplicar el método Simplex o el método de las Dos Fases. Véase en la figura la
forma de actuación para llegar a la solución del problema modelado.
 A continuación se explican paso a paso los puntos de cada método,
concretando los aspectos a tener en cuenta.

1.1.6.1. MÉTODO SIMPLEX

 Construcción de la primera tabla:

Las columnas de la tabla están dispuestas de la siguiente forma: la primera

columna de la tabla contiene las variables que se encuentran en la base (o
variables básicas), esto es, aquellas que toman valor para proporcionar una
solución; la segunda columna recoge los coeficientes que dichas variables
básicas tienen en la función objetivo (esta columna es llamada Cb); la tercera
muestra el término independiente de cada restricción (P0); a partir de ésta
aparece una columna por cada una de las variables de decisión y holgura
presentes en la función objetivo (Pj). Para tener una visión más clara de la
tabla, se incluye una fila que contiene los títulos de cada una de las columnas.

Sobre esta tabla se agregan dos nuevas filas: una de ellas, que lidera la
tabla, donde aparecen los coeficientes de las variables de la función objetivo, y
una última fila que recoge el valor la función objetivo y los costes reducidos

𝑍𝑗 − 𝐶𝑗.

Los costes reducidos muestran la posibilidad de mejora en la solución Z 0.

Por este motivo también son llamados valores indicadores. Se muestra a
continuación el aspecto general de la tabla del método Simplex:

Tabla

C1 C2 ... Cn

Base Cb P0 P1 P2 ... Pn

P1 Cb1 b1 a11 a12 ... a1n

P2 Cb2 b2 a21 a22 ... a2n

... ... ... ... ... ... ...

Pm Cbm bm am1 am2 ... amn

Z Z0 Z1-C1 Z2-C2 ... Zn-Cn

 Todos los valores incluidos en la tabla vendrán dados por el modelo del
problema salvo los valores de la fila Z (o fila indicadora). Estos se obtienen de

la siguiente forma: 𝑍𝑗 = 𝛴(𝐶𝑏𝑖 · 𝑃𝑗 ) para 𝑖 = 1. . 𝑚, donde si 𝑗 = 0,

𝑃0 = 𝑏𝑖 y 𝐶0 = 0 , y en caso contrario 𝑃𝑗 = 𝑎𝑖𝑗

Se observa, al realizar el método Simplex, que en esta primera tabla ocupan

la base todas las variables de holgura y por ello (todos los coeficientes de las
variables de holgura son 0 en la función objetivo) el valor inicial de Z es cero.

Por este mismo motivo tampoco es necesario realizar los cálculos de los
costes reducidos en la primera tabla, pudiéndose determinar directamente
como el cambio de signo de los coeficientes de cada variable en la función
objetivo, esto es, -Cj.

 Condición de parada:

Se cumple la condición de parada cuando la fila indicadora no contiene

ningún valor negativo entre los costes reducidos (cuando el objetivo es la
maximización), esto es, no existe posibilidad de mejora.

Una vez cumplida la condición de parada, el valor de cada variable que

logra la solución óptima se encuentra en la columna P 0, indicándose en la base
a qué variable correnponde dicho valor. Si una variable no aparece en la base,
significa que su valor es cero. De la misma forma el valor óptimo de la función
objetivo (Z) se encuentra en la columna P0, fila Z.

Si no se cumple la condición de parada es necesario realizar una iteración

más del algoritmo, esto es, determinar la variable que se vuelve básica y la que
deja de serlo, encontrar el elemento pivote, actualizar los valores de la tabla y
comprobar si se cumple nuevamente la condición de parada.

Es también posible determinar que el problema no se encuentra acotado y

su solución siempre resultará mejorable. En tal caso no es necesario continuar
iterando indefinidamente y se puede finalizar el algoritmo. Esta situación ocurre
cuando en la columna de la variable entrante a la base todos los valores son
negativos o nulos.
  Elección de la variable que entra a la base:

Cuando una variable se vuelve básica, es decir, entra en la base, comienza

a formar parte de la solución. Observando los costes reducidos en la fila Z, se
decide que entra a la base la variable de la columna en la que éste sea el de
menor valor (o de mayor valor absoluto) entre los negativos.

 Elección de la variable que sale de la base:

Una vez obtenida la variable entrante, se determina que sale de la base la

variable que se encuentre en aquella fila cuyo cociente P 0/Pj sea el menor de
los estrictamente positivos (teniendo en cuenta que esta operación se hará
únicamente cuando Pj sea superior a 0).

 Elemento pivote:

El elemento pivote de la tabla queda marcado por la intersección entre la

columna de la variable entrante y la fila de la variable saliente.

 Actualización de la tabla:

Las filas correspondientes a la función objetivo y a los títulos permanecerán

inalteradas en la nueva tabla. El resto de valores deberán calcularse como se
explica a continuación:

 En la fila del elemento pivote cada nuevo elemento se calcula como:

𝑁𝑢𝑒𝑣𝑜 𝐸𝑙𝑒𝑚𝑒𝑛𝑡𝑜 𝐹𝑖𝑙𝑎 𝑃𝑖𝑣𝑜𝑡𝑒 = 𝐴𝑛𝑡𝑒𝑟𝑖𝑜𝑟 𝐸𝑙𝑒𝑚𝑒𝑛𝑡𝑜 𝐹𝑖𝑙𝑎 𝑃𝑖𝑣𝑜𝑡𝑒 / 𝑃𝑖𝑣𝑜𝑡𝑒.

 En el resto de las filas cada elemento se calcula:

𝑁𝑢𝑒𝑣𝑜 𝐸𝑙𝑒𝑚𝑒𝑛𝑡𝑜 𝐹𝑖𝑙𝑎

= 𝐴𝑛𝑡𝑒𝑟𝑖𝑜𝑟 𝐸𝑙𝑒𝑚𝑒𝑛𝑡𝑜 𝐹𝑖𝑙𝑎
− (𝐴𝑛𝑡𝑒𝑟𝑖𝑜𝑟 𝐸𝑙𝑒𝑚𝑒𝑛𝑡𝑜 𝐹𝑖𝑙𝑎 𝑒𝑛 𝐶𝑜𝑙𝑢𝑚𝑛𝑎 𝑃𝑖𝑣𝑜𝑡𝑒
∗ 𝑁𝑢𝑒𝑣𝑜 𝐸𝑙𝑒𝑚𝑒𝑛𝑡𝑜 𝐹𝑖𝑙𝑎 𝑃𝑖𝑣𝑜𝑡𝑒).

De esta forma se consigue que todos los elementos de la columna de la

variable entrante sean nulos salvo el de la fila de la variable saliente cuyo valor
será 1. (Es análogo a utilizar el método de Gauss-Jordan para resolver
sistemas de ecuaciones lineales).

1.1.6.2. MÉTODO DE LAS DOS FASES

El método de las Dos Fases se utiliza cuando aparecen variables

artificiales en la forma canónica o estándar del problema. La primera fase trata
de resolver el problema auxiliar Z' de minimizar la suma de las variables
artificiales y conseguir que sea cero (con objeto de evitar incongruencias
matemáticas). Una vez resuelto este primer problema, y siempre y cuando el
resultado sea el esperado, se reorganiza la tabla resultante para utilizarla en la
segunda fase sobre el problema original. En caso contrario el problema no es
factible, es decir, no tiene solución y no será necesario continuar con la
segunda fase.

1.1.6.2.1. FASE 1

Esta primera fase es muy similar al método Simplex, con la excepción de la

construcción de la primera tabla, además de la necesidad de estudiar el
resultado obtenido para determinar si se desarrolla la segunda fase.

En tal caso, la última tabla de esta fase será, con algunas modificaciones,
la utilizada como tabla inicial para la segunda fase.

 Construcción de la primera tabla:

Se elabora de manera análoga a la tabla inicial del método Simplex, pero

con algunas diferencias.

Como se ha comentado, en esta primera fase se resuelve un problema

auxiliar (la minimización de la suma de las variables artificiales) con una función
objetivo auxiliar. Por lo tanto en la primera fila de la tabla, donde se muestran
los coeficientes de las variables de la función objetivo, aparecerán todos los
términos a cero excepto los coeficientes de variables artificiales. El valor de
cada uno de estos coeficientes es "-1" debido a que se está minimizando la
suma de dichas variables (recuerde que minimizar Z' es igual que maximizar (-
1)·Z').
La otra diferencia para la primera tabla radica en que ahora sí es necesario
calcular la fila Z (o fila indicadora).

Tabla

C0 C1 C2 ... Cn-k ... Cn

Base Cb P0 P1 P2 ... Pn-k ... Pn

P1 Cb1 b1 a11 a12 ... a1n-k ... a1n

P2 Cb2 b2 a21 a22 ... a2n-k ... a2n

... ... ... ... ... ... ... ... ...

Pm Cbm bm am1 am2 ... amn-k ... amn

Z Z0 Z1 Z2 ... Zn-k ... Zn

Siendo: 𝑍𝑗 = 𝛴(𝐶𝑏𝑖 · 𝑃𝑗 ) − 𝐶𝑗 para 𝑖 = 1. . 𝑚, donde si 𝑗 = 0,

𝑃0 = 𝑏𝑖 y 𝐶0 = 0 , y en caso contrario 𝑃𝑗 = 𝑎𝑖𝑗

 Condición de parada y paso a la fase 2:

La condición de parada es la misma que en el método Simplex normal. Esto

es, cuando en la fila indicadora ninguno de los valores de los costes reducidos
es negativo (ya que tal y como se ha planteado el objetivo es la maximización
de (-1)·Z').

Cumplida la condición de parada es necesario determinar si es posible

pasar a la segunda fase para obtener la solución óptima del problema original.
Esto se hace observando el resultado obtenido en la primera fase: si su valor
es 0, significa que el problema original tiene solución y es posible calcularla, en
caso contrario indica que se trata de un problema no factible y no tiene
solución.
1.1.6.2.2. FASE 2

La segunda fase del método de las Dos Fases se desarrolla exactamente

igual que el método Simplex, con la salvedad de que antes de iniciar las
iteraciones hay que eliminar las columnas correspondientes a las variables
artificiales, y reconstruir la tabla inicial.

 Eliminar Columna de variables artificiales:

Si hemos llegado a la conclusión de que el problema original tiene solución,

debemos preparar nuestra tabla para la segunda fase. Este paso es muy
sencillo, se trata únicamente de eliminar las columnas correspondientes a las
variables artificiales.

 Construcción de la tabla inicial:

La tabla inicial en este caso se mantiene casi igual a la última tabla de la

primera fase. Únicamente habrá que modificar la fila de la función objetivo por
la del problema original y calcular nuevamente la fila Z (de la misma forma que
en la primera tabla de la fase 1).

A partir de este punto, todas las iteraciones hasta llegar a la solución óptima
del problema no presentan ninguna diferencia con el método Simplex.

 Identificando casos anómalos y soluciones

o Solución óptima: cuando se cumple la condición de parada y no

hay variables artificiales en la base con valor positivo (los valores
se indican en la columna P0), se ha conseguido la optimización. El
valor Z0 actual es la solución óptima del problema, cumpliéndose
para las variables que se encuentran en la base. Si se trata de un
problema de minimización, el valor óptimo obtenido se
multiplicará por "-1".

o Infinitas soluciones: cumplida la condición de parada, si alguna

variable de decisión no básica tiene un valor 0 en la fila Z,
significa que existe otra solución que aporta el mismo valor
óptimo para la función objetivo. Es este caso el problema admite
 infinitas soluciones, estando todas ellas comprendidas dentro del
segmento (o porción del plano, región del espacio, etc.
dependiendo del número de variables del problema) definido por

𝐴 · 𝑋1 + 𝐵 · 𝑋2 = 𝑍0 . Mediante una nueva iteración y

haciendo que la variable de decisión que tiene el 0 en la fila Z

entre en la base se obtendrá otra solución diferente para el mismo
valor óptimo.

o Solución ilimitada (no acotada): si toda la columna de la

variable que entra a la base tiene todos sus elementos negativos
o nulos se trata de problema no acotado, es decir, que tiene
solución ilimitada. No hay valor óptimo concreto para la función
objetivo sino que a medida que se aumenta el valor de las
variables también se incrementa el valor Z sin violar ninguna
restricción.

o No existe solución: cuando ningún punto satisface todas las

restricciones del problema se produce la infactibilidad no
existiendo ninguna solución posible para él. En este caso, una
vez terminadas todas las iteraciones del algoritmo, existen en la
base variables artificiales cuyo valor es superior a cero.

o Empate de variable entrante: cuando se produce un empate en

la condición de decisión de la variable entrante se puede optar
por cualquiera de ellas sin que esto afecte a la solución final. Por
contra si influye en el número de iteraciones necesarias para
obtener dicha solución. Se aconseja optar a favor de las variables
básicas ya que ellas son las que formarán parte de la solución
óptima.

o Empate de variable saliente: se puede nuevamente optar por

cualquiera de ellas. Sin embargo, a fin de no alargar el problema
y evitar la entrada en un bucle infinito (caso degenerado), se
discrimina a favor de las variables de decisión haciendo que
permanezcan en la base. En el caso de estar en la primera fase
 del método de las Dos Fases, se optará por sacar de la base las
variables artificiales.

1.2. MÉTODO DE LA M GRANDE

Corresponde a una variación del Algoritmo simplex para penalizar la

presencia de variables artificiales, mediante la introducción de una constante M
definida como un valor muy grande aunque finito. También se puede usar el
Método de las Dos Fases para resolver problemas que contengan restricciones
de ≥ o =.

El método M inicia con la programación lineal en forma de ecuación. Una

ecuación i que no tenga una holgura (o alguna variable que pueda hacer el
papel de holgura) se aumenta con una variable artificial, Ri, para generar una
solución de inicio parecida a la solución básica con todas las holguras. Se
utiliza un mecanismo de retroalimentación en el que el proceso de optimización
trata en forma automática de hacer que esas variables tengan nivel cero, esto
es porque las variables artificiales son ajenas al modelo de programación lineal.

En pocas palabras la solución final será como si las variables artificiales

nunca hubieran existido en primer lugar. El resultado al que se desea llegar se
obtiene penalizando las variables artificiales en la función objetivo.

Dado M, un valor positivo suficientemente grande (matemáticamente, M

--> Inf), el coeficiente objetivo de una variable artificial representa una
penalización adecuada si:

 La variable artificial es igual a -M, en problemas de maximización.

 La variable artificial es igual a M, en problemas de minimización.

Al usarse esta penalización, el proceso de optimización forzara en forma

automática a las variables artificiales para que sean cero (siempre que el
problema tenga una solución factible). El método simplex puede aplicarse a un
problema de minimización si se modifican los pasos del algoritmo.
1.2.1. CONSIDERACIONES GENERALES:
 En general se recurre a las variables artificiales cuando al menos una de
las restricciones en el modelo matemático original es del tipo mayor o
igual (≥), esto con el fin de obtener la solución básica factible inicial.
 Las variables artificiales proporcionan un artificio matemático para
obtener un primera solución básica. Estas variables son ficticias y no
tienen una interpretación física directa en términos del problema original
(costos).
 Se debe expresar el modelo original en la forma estándar (llevar las
desigualdades a igualdades).
 Sumar del lado izquierdo de cada ecuación, correspondiente a las
restricciones del tipo mayor o igual (≥) una variable (artificial) no
negativa. Dicha adición no causa una alteración en las restricciones.
 Los indicadores de las variables artificiales son todos negativos o iguales
a cero (0) en la tabla final. Esto siempre debe ser válido para una
solución óptima (factible).
 Una vez, conocidas las consideraciones generales procedemos con los
pasos normales del método simplex.

1.2.2. ALGORITMO DEL MÉTODO DE LA TÉCNICA DE LA M.

 Pasar a la forma estándar el modelo matemático, restando las variables
de excedente (holgura o flojas) por cada restricción.
 Agregar variables artificiales en cada restricción.
 En la fila de los indicadores (función objetivo), tiene coeficiente nulos
para las variables de holgura y M para las variables artificiales, en donde
M es un numero imposiblemente elevado para asegurar que las
variables artificiales se excluirán de la solución óptima.
 En la función objetivo no deben aparecer variables básicas, por lo que
se hace necesario eliminar las variables artificiales de la F.O.( quitas las
M de las columnas artificiales). Para retirar las M de las columnas de
variables artificiales se suman M veces (coeficientes de la fila1 + fila 2 +
fila 3+… fila n) a la fila de la función objetivo. Esto da como resultado la
tabla inicial.
  Cuando una solución contiene variables artificiales básicas menor o
igual a cero (0), estamos ante una solución factible con respecto al
modelo matemático original.
 Si el problema no tiene solución factible, cuando menos una variable
artificial será positiva en la solución óptima.

1.3. MÉTODO DUAL-SIMPLEX

Este método se aplica a problemas óptimos pero infactibles. En este

caso, las restricciones se expresan en forma canónica (restricciones). La
función objetivo puede estar en la forma de maximización o de minimización.

Después de agregar las variables de holgura y de poner el problema en

la tabla, si algún elemento de la parte derecha es negativo y si la condición de
optimidad está satisfecha, el problema puede resolverse por el método dual
simplex. Note que un elemento negativo en el lado derecho significa que el
problema comienza óptimo pero infactible como se requiere en el método dual
simplex. En la iteración donde la solución básica llega a ser factible esta será la
solución óptima del problema.

1.3.1. CONDICION DE FACTIBILIDAD.

La variable que sale es la variable básica que tiene el valor más negativo
(los empates se rompen arbitrariamente si todas las variables básicas son no
negativas, el proceso termina y esta última tabla es la solución óptima factible).

1.3.2. CONDICION DE OPTIMIDAD.

La variable que entra se elige entre las variables no básicas como sigue.
Tome los cocientes de los coeficientes de la función objetivo entre los
coeficientes correspondientes a la ecuación asociada a la variable que sale.
Ignore los cocientes asociados a denominadores positivos o cero.

La variable que entra es aquella con el cociente más pequeño si el

problema es de minimizar o el valor absoluto más pequeño si el problema es de
maximización
 (rompa los empates arbitrariamente). Si los denominadores son ceros o
positivos el problema no tiene ninguna solución factible

1.3.3. ALGORITMO DEL PROBLEMA DUAL.

Para poder elaborar el problema dual a partir del primal, este se debe
presentar en su forma canónica de la siguiente forma:

Maximizar

Sujeto a:

El problema dual se puede obtener a partir del problema primal y

viceversa de la siguiente manera:

 Cada restricción de un problema corresponde a una variable en el otro.

 Los elementos del lado derecho de las restricciones en un problema son
iguales a los coeficientes respectivos de la función objetivo en el otro.
 Un problema busca maximizar y el otro minimizar.
  El problema de maximización tiene restricciones que y el problema de
minimización tiene restricciones que.
 Las variables en ambos casos son no negativas.

2. EJERCICIOS RESUELTOS

1. Resolver mediante el método simplex el siguiente problema:

Maximizar 𝑍 = 𝑓(𝑥, 𝑦) = 3𝑥 + 2𝑦
sujeto a: 2𝑥 + 𝑦 ≤ 18
2𝑥 + 3𝑦 ≤ 42
3𝑥 + 𝑦 ≤ 24
𝑥 ≥ 0 ,𝑦 ≥ 0

Se consideran las siguientes fases:

a. Realizar un cambio de variables y normalizar el signo de los

términos independientes.

Se realiza un cambio en la nomenclatura de las variables. Estableciéndose

la correspondencia siguiente:

X pasa a ser X1

Y pasa a ser X2

Como los términos independientes de todas las restricciones son positivos

no es necesario hacer nada. En caso contrario habría que multiplicar por "-1"
en ambos lados de la inecuación (teniendo en cuenta que esta operación
también afecta al tipo de restricción).

b. Normalizar las restricciones.

Se convierten las inecuaciones en ecuaciones agregando variables de

holgura, exceso y artificiales según la tabla siguiente:
 Tipo de desigualdad Tipo de variable que aparece

≥ - exceso + artificial

= + artificial

≤ + holgura

En este caso se introduce una variable de holgura (X3, X4 y X5) en cada

una de las restricciones del tipo ≤, para convertirlas en igualdades, resultando
el sistema de ecuaciones lineales:

2 · 𝑋1 + 𝑋2 + 𝑋3 = 18

2 · 𝑋1 + 3 · 𝑋2 + 𝑋4 = 42

3 · 𝑋1 + 𝑋2 + 𝑋5 = 24

c. Igualar la función objetivo a cero.

𝑍 − 3 · 𝑋1 − 2 · 𝑋2 − 0 · 𝑋3 − 0 · 𝑋4 − 0 · 𝑋5 = 0

d. Escribir la tabla inicial del método Simplex.

La tabla inicial del método Simplex está compuesta por todos los
coeficientes de las variables de decisión del problema original y las de holgura,
exceso y artificiales agregadas en el paso 2 (en las columnas, siendo P 0 el
término independiente y el resto de variables Pi coinciden con Xi), y las
restricciones (en las filas). La columna Cb contiene los coeficientes de las
variables que se encuentran en la base.

La primera fila está formada por los coeficientes de la función objetivo,

mientras que la última fila contiene el valor la función objetivo y los costes
reducidos Zj - Cj.
La última fila se calcula como sigue: 𝑍 𝑗 = 𝛴(𝐶𝑏𝑖 · 𝑃𝑗 ) para i = 1..m, donde
si j = 0, P0 = bi y C0 = 0, y en caso contrario 𝑃𝑗 = 𝑎𝑖𝑗 . Aunque al tratarse de
la primera tabla del método Simplex y ser todos los Cb nulos se puede
simplificar el cálculo, y por esta vez disponer Zj = -Cj.

Tabla I . Iteración nº 1

3 2 0 0 0

Base Cb P0 P1 P2 P3 P4 P5

P3 0 18 2 1 1 0 0

P4 0 42 2 3 0 1 0

P5 0 24 3 1 0 0 1

Z 0 -3 -2 0 0 0

e. Condición de parada.

Si el objetivo es la maximización, cuando en la última fila (fila indicadora) no

existe ningún valor negativo entre los costes reducidos (columnas P 1 en
adelante) se alcanza la condición de parada.

En tal caso se llega al final del algoritmo ya que no existe posibilidad de

mejora. El valor de Z (columna P0) es la solución óptima del problema.

Otro caso posible es que en la columna de la variable entrante a la base

todos los valores son negativos o nulos. Esto indica que el problema no se
encuentra acotado y su solución siempre resultará mejorable.
 Ante esta situación no es necesario continuar iterando indefinidamente y
también se puede dar por finalizado el algoritmo. De no ser así, se ejecutan los
siguientes pasos de forma iterativa.

f. Elección de la variable entrante y saliente de la base.

Se determina en primer lugar la variable que entra en la base. Para ello se

escoge la columna cuyo valor en la fila Z sea el menor de entre todos los
negativos. En este caso sería la variable X1 (P1) de coeficiente -3.

Si existiesen dos o más coeficientes iguales que cumplan la condición

anterior (caso de empate), entonces se optará por aquella variable que sea
básica.

La columna de la variable que entra en la base se llama columna pivote (en

color verde).

Una vez obtenida la variable que entra en la base, se procede a

determina cual será la variable que sale de la misma. La decisión se toma en
base a un sencillo cálculo: dividir cada término independiente (columna P0)
entre el elemento correspondiente de la columna pivote, siempre que ambos
elementos sean estrictamente positivos (mayores que cero). Se escoge la fila
cuyo resultado haya resultado mínimo.

Si hubiera algún elemento menor o igual a cero no se realiza dicho

cociente. En caso de que todos los elementos de la columna pivote fueran de
ésta condición se habría cumplido la condición de parada y el problema tendría
una solución no acotada.

En este ejemplo: 18/2 [= 9], 42/2 [= 21] y 24/3 [= 8]

El término de la columna pivote que en la división anterior dio lugar al

menor cociente positivo indica la fila de la variable de holgura que sale de la
base. En este caso resulta ser X5 (P5), de coeficiente 3. Esta fila se llama fila
pivote (en color verde).
 Si al calcular los cocientes, dos o más resultados cumplen la condición
para elegir el elemento saliente de la base (caso de empate), se escoge
aquella que no sea variable básica (siempre que sea es posible).

La intersección de la fila pivote y columna pivote marca

el elemento pivote, en este caso el 3.

g. Actualizar la tabla.

Los nuevos coeficientes de la tabla se calculan de la siguiente manera:

 En la fila del elemento pivote cada nuevo elemento se calcula como:

𝑁𝑢𝑒𝑣𝑜 𝐸𝑙𝑒𝑚𝑒𝑛𝑡𝑜 𝐹𝑖𝑙𝑎 𝑃𝑖𝑣𝑜𝑡𝑒

= 𝐴𝑛𝑡𝑒𝑟𝑖𝑜𝑟 𝐸𝑙𝑒𝑚𝑒𝑛𝑡𝑜 𝐹𝑖𝑙𝑎 𝑃𝑖𝑣𝑜𝑡𝑒 / 𝑃𝑖𝑣𝑜𝑡𝑒

 En el resto de las filas cada elemento se calcula:

𝑁𝑢𝑒𝑣𝑜 𝐸𝑙𝑒𝑚𝑒𝑛𝑡𝑜 𝐹𝑖𝑙𝑎

= 𝐴𝑛𝑡𝑒𝑟𝑖𝑜𝑟 𝐸𝑙𝑒𝑚𝑒𝑛𝑡𝑜 𝐹𝑖𝑙𝑎
− (𝐴𝑛𝑡𝑒𝑟𝑖𝑜𝑟 𝐸𝑙𝑒𝑚𝑒𝑛𝑡𝑜 𝐹𝑖𝑙𝑎 𝑒𝑛 𝐶𝑜𝑙𝑢𝑚𝑛𝑎 𝑃𝑖𝑣𝑜𝑡𝑒
∗ 𝑁𝑢𝑒𝑣𝑜 𝐸𝑙𝑒𝑚𝑒𝑛𝑡𝑜 𝐹𝑖𝑙𝑎 𝑃𝑖𝑣𝑜𝑡𝑒)

Con esto se normaliza el elemento pivote y su valor pasa a ser 1,

mientras que el resto de elementos de la columna pivote se anulan (análogo al
método de Gauss-Jordan). Se muestran a continuación los cálculos para la fila
P4:

Anterior fila P4 42 2 3 0 1 0

- - - - - -

Anterior Elemento Fila en Columna

2 2 2 2 2 2
Pivote

x x x x x x
 Nueva fila pivote 8 1 1/3 0 0 1/3

= = = = = =

Nueva fila P4 26 0 7/3 0 1 -2/3

La tabla correspondiente a esta segunda iteración es:

Tabla II . Iteración nº 2

3 2 0 0 0

Base Cb P0 P1 P2 P3 P4 P5

P3 0 2 0 1/3 1 0 -2/3

P4 0 26 0 7/3 0 1 -2/3

P1 3 8 1 1/3 0 0 1/3

Z 24 0 -1 0 0 1

 Al comprobar la condición de parada se observa que no se cumple ya que

entre los elementos de la última fila hay uno negativo, -1. Se continúa
iterando nuevamente los pasos f y g.
o La variable que entra en la base es X2 (P2), por ser la variable que
corresponde a la columna donde se encuentra el coeficiente -1.
o Para calcular la variable que sale, se dividen los términos de la
columna P0 entre los términos correspondientes de la nueva columna
2 26 8
pivote: 1 [ = 6] , 7 [= 78/7] y 1⁄ [= 24]. Como el menor
3 3 3

cociente positivo es 6, la variable que sale de la base es X3 (P3).

o El elemento pivote es 1/3. Actualizando nuevamente los valores de la
tabla se obtiene:
 Tabla III . Iteración nº 3

3 2 0 0 0

Base Cb P0 P1 P2 P3 P4 P5

P2 2 6 0 1 3 0 -2

P4 0 12 0 0 -7 1 4

P1 3 6 1 0 -1 0 1

Z 30 0 0 3 0 -1

 Una nueva comprobación de la condición de parada revela que entre los

elementos de la fila indicadora vuelve a haber uno negativo, -1. Significa
que aun no se ha llegado a la solución óptima y hay que seguir iterando
(pasos f y g):
o La variable que entra en la base es X5 (P5), por ser la variable que
corresponde al coeficiente -1.
o Se escoge la variable que sale calculando el cociente entre los
términos de la columna de términos independientes y los términos

correspondientes de la nueva columna pivote: 6/(−2) [= −3],

12/4 [= 3], y 6/1 [= 6]. En esta ocasión es X4 (P4).
o El elemento pivote es 4. Después de actualizar todas las filas, se
obtiene la tabla siguiente

Tabla IV . Iteración nº 4
3 2 0 0 0
Base Cb P0 P1 P2 P3 P4 P5
P2 2 12 0 1 -1/2 1/2 0
P5 0 3 0 0 -7/4 1/4 1
P1 3 3 1 0 3/4 -1/4 0
Z 33 0 0 5/4 1/4 0
 h. Fin del algoritmo.

Se observa que en la última fila todos los coeficientes son positivos

cumpliéndose, por tanto la condición de parada.

La solución óptima viene dada por el valor de Z en la columna de los

términos independientes (P0), en este ejemplo: 33. En la misma columna se
puede ver el punto donde se alcanza, observando las filas correspondientes a
las variables de decisión que han entrado en la base: X1 = 3 y X2 = 12.
Deshaciendo el cambio de variables se obtiene X = 3 e Y = 12.

2. Resolver el siguiente ejercicio utilizando el método de la M Grande

Se deben llevar a igualdades las desigualdades cada una de las

restricciones y la función objetivo (Igualando a 0). Agregamos restamos las
variables de holgura de acuerdo al número de restricciones que tengamos y
Sumamos variables artificiales por cada condición mayor o igual que tengamos
en el modelo matemático original.

Forma Estándar:

𝑀𝑖𝑛 𝑍 = 20𝑋1 + 30𝑋2 + 16𝑋3

Igualando a 0:

− 20𝑋1 – 30𝑋2 – 16𝑋3 − 𝑍 = 0

Sujeto a:

2,5𝑋1 + 3𝑋2 + 𝑋3 ≥ 3

𝑋1 + 3𝑋2 + 2𝑋3 ≥ 4

𝑋1 , 𝑋2 , 𝑋3 ≥ 0

Sujeto a:
 2,5𝑋1 + 3𝑋2 + 𝑋3 − 𝑆1 + 𝐴1 = 3

𝑋1 + 3𝑋2 + 2𝑋3 − 𝑆2 + 𝐴2 = 4

𝑋1 , 𝑋2 , 𝑋3 ≥ 0

Construir la tabla inicial simplex (0), donde se vacían cada uno de los
coeficientes de las variables.

Se deben eliminar las emes (M) de la tabla previa que se encuentran como
coeficientes de las variables artificiales, con el fin de encontrar nuestra tabla O,
y nuestra primera solución básica factible.
Para eliminar las emes, se suman todos los coeficientes de las
restricciones, columna por columna (variable por variable) con emes, y el
resultado se coloca delante de cada indicador de la fila Z, con el fin de que
todos los indicadores de Z queden positivos, y las emes (M) desaparezcan de
las Columnas de la variable artificial con el fin de encontrar nuestra primera
solución básica factible.

Ya construida la tabla inicial, encontramos la 1ª Solución Básica Factible,

donde:
 𝑋1 , 𝑋2 , 𝑋3 , 𝑆1 , 𝑆2 = 0
𝐴1 = 3, 𝐴2 = 4
𝑍 = 7𝑀.
3. Resolver por el método Dual-Simplex

Función Objetivo

𝑀𝑖𝑛. 𝑍 = 4𝑋1 + 12𝑋2 + 18𝑋3

Sujeto a:

𝑋1 + 3𝑋3 ≥ 3

2𝑋2 + 2𝑋3 ≥ 5

𝑋1 , 𝑋2 , 𝑋3 ≥ 0

a. SOLUCIÓN 1

 PASO 1: Convertir el problema de minimización en uno de maximización. La

función objetivo se multiplica por -1

𝑀𝑎𝑥. 𝑍 = − 4𝑋1 − 12𝑋2 − 18𝑋3

Las restricciones se multiplican por -1

Sujeto a:

−𝑋1 − 3𝑋3 ≥ 3

−2𝑋2 − 2𝑋3 − 5

𝑋1 , 𝑋2 , 𝑋3 ≥ 0
 PASO 2: Se convierten las inecuaciones en ecuaciones.

𝑍 + 4𝑋1 + 12𝑋2 + 18𝑋3 = 0

Sujeto a:

−𝑋1 − 3𝑋3 + 𝑆1 = −3

−2𝑋2 − 2𝑋3 + 𝑆2 = − 5

 PASO 3: Se determinan las variables básicas y no básicas.

o Básicas: S1 y S2

o No Básicas: X1, X2 y X3

 PASO 4: Elaborar la tabla inicial del simplex

 PASO 5: Determinar la variable que sale (fila pivote)

Es el número más negativo de la solución de las restricciones = fila de S2

 PASO 6: Determinar la variable que entra (columna pivote)

𝑅𝑎𝑧ó𝑛 = 𝐶𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑍 / 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑓𝑖𝑙𝑎 𝑝𝑖𝑣𝑜𝑡𝑒 .

𝑅𝑎𝑧ó𝑛 𝑀𝑎𝑦𝑜𝑟 = 𝐶𝑜𝑙𝑢𝑚𝑛𝑎 𝑋2 (−12 / 2)

 PASO 7: Elaborar la nueva tabla del simplex

a) Nueva fila pivote = Fila pivote / elemento pivote

b) Nuevas filas = fila anterior - coeficiente de la columna pivote x nueva fila

pivote.

Nueva Tabla del Simplex

Se realizan nuevamente los pasos del 5 al 7 obteniendo como solución final:

NOTA: No hay más iteraciones cuando no existan soluciones con coeficientes

negativos.

Respuesta

El valor mínimo se alcanza para un X2 = 3/2 y X3 = 1, para un Z = 36