Mtodo Simplex.

Qu es?
En optimizacin matemtica, el trmino algoritmo simplex habitualmente se
refiere a un conjunto de mtodos muy usados para resolver problemas
de programacin lineal, en los cuales se busca el mximo de una funcin
lineal sobre un conjunto de variables que satisfaga un conjunto de inecuaciones
lineales. El mtodo simplex disminuye sistemticamente un nmero infinito de
soluciones hasta un nmero finito de soluciones bsicas factibles. El algoritmo
simplex utiliza el conocido procedimiento de eliminacin en la solucin de
ecuaciones lineales de Gauss- Jordan y, adems aplica los llamados criterios del
simplex con los cuales se asegura mantener la bsqueda dentro de un conjunto de
soluciones factibles al problema; as valora una funcin econmica Z,
exclusivamente en vrtices FACTIBLES (posibles). Tambin se consigue con
eficiencia, debido a que se dirige la bsqueda haciendo cambios a una solucin
bsica factible adyacente, que se distingue al tener m-1 variables bsicas iguales;
es decir, dos vrtices adyacentes slo difieren en una variable bsica;
seleccionando la ruta de mayor pendiente, para mejorar el valor de Z, o por lo
menos conservarlo.
Quien lo invento y dnde?
George Bernard Dantzig (8 de noviembre de 1914 13 de mayo de 2005) fue un
profesor, fsico y matemtico estadounidense,

reconocido

por

desarrollar

el mtodo simplex y es considerado como el "padre de la programacin lineal".

Recibi muchos honores, tales como la Medalla Nacional de Ciencia en 1975 y
el premio de Teora John von Neumann en 1974.

A partir de este logro se

pudieron resolver problemas que por ms de un siglo permanecieron en calidad de

estudio e investigacin con modelos formulados pero no resueltos. El desarrollo
paralelo de la computacin digital, hizo posible su rpido desarrollo y aplicacin
empresarial a todo tipo de problemas.

Antecedentes histricos y definicin.

El desarrollo de la programacin lineal se considera entre los avances cientficos
ms importantes del siglo XX, pues su impacto ha sido extraordinario. Actualmente
es una herramienta de uso comn que ha beneficiado a muchas organizaciones
en distintos pases con ahorros de cualquier ndole, por lo que su uso se est
ampliando rpidamente a todos los sectores de la sociedad. Una gran mayora de
los clculos cientficos en computadoras usan la programacin lineal proliferando
las publicaciones y libros sobre esta materia de gran aplicacin.
Uno de sus antecedentes se registra con el mtodo de anlisis de insumoproducto que desarroll el economista W. Leontief; tambin se debe reconocer al
economista y matemtico sovitico L.V. Kantorovich, quien ya en 1939 formul y
resolvi un problema de programacin lineal para la organizacin y planeacin de
la produccin; otro antecedente es, la interpretacin de Hitchcock a "un problema
de tipo de transportacin" en 1941. El problema de la dieta, fue analizado por
Stigler en 1945. El gran impulso de la programacin lineal para la industria y los
negocios se identifica con el doctor George Dantzig, matemtico norteamericano
de origen, que desarroll el algoritmo Simplex, un mtodo sistemtico de
resolucin para problemas modelados con programacin lineal. Esto ocurri en
1947 cuando se ocup, con Marshal Wood y asociados, de un proyecto para la
Fuerza Area de los Estados Unidos. Se organiz un grupo de investigacin con el
ttulo de Proyecto SCOOP (Scientific Computation of Optimum Programs).
Actualmente las principales aplicaciones de la PL son del rea industrial; tambin,
aunque en menor parte, en el campo urbano y social.
A partir de 1950, un nmero cada vez mayor de investigadores (matemticos y
economistas) aislados o constituyendo grupos contribuyen al desarrollo de las
diferentes ramificaciones de la programacin lineal; en particular, la "Rand
Corporation" con G. B. Dantzig y W. Orchard-Hays, despus L. R. Ford, D. R.
Fulkerson, y D. Gale; el departamento de matemticas de la Universidad de
Princenton con A. W. Tucker y H. W. Kun; la "Graduate School of Industrial

Administration" del "Carnegie Institute of Technology" con A. Charnes y W.

Cooper. Los dos primeros grupos trabajan en la teora matemtica de los
programas y su instalacin en computadoras; los resultados se publicaron en la
"Rand Corporation" en la serie de "Rand notes on linear programming and
extensions" (desde 1953 a 1961); se deben mencionar las de Dantzig sobre los
desarrollos tericos, las de W. Orchard_Hays sobre la instalacin de los
programas de clculo en mquinas, las de L. R Ford y D. R. Fulkerson sobre las
redes de transporte; es necesario citar especialmente en el activo del grupo de
Princenton, el mtodo "hngaro" de H. W. Kun, para los problemas de asignacin,
la publicacin de la notable coleccin de notas "Linear Inequalities and Related
Systems" en 1956 y el mtodo de Gomory para el clculo de los problemas
lineales en nmeros enteros a finales del ao 1958. El equipo del "Carnegie Tech"
desarroll la PL en aplicaciones industriales, se interes en aspectos tericos
particulares como: degeneracin, errores de redondeo, el Simplex revisado,
variables acotadas.
DEFINICIN DE LA PROGRAMACIN LINEAL
Es una de las tcnicas agrupadas como programacin matemtica, aplicable a
problemas de asignacin de recursos limitados, con actividades competitivas
hacia un objetivo comn, que puede ser de maximizar beneficios (por ejemplo
utilidades o bien rendimientos); tambin se puede desear minimizar el esfuerzo
(por ejemplo los costos, el personal asignado a tareas, o el desperdicio en
procesos). Se usa un modelo matemtico con representacin vlida de la
problemtica en estudio; sus relaciones deben ser lineales o de "lnea recta", que
significa utilizar, slo una variable de primer grado en cada trmino.

EJEMPLO:
Resolver el siguiente problema de Programacin Lineal utilizando el Mtodo
Simplex:

Max

40*X1 + 60*X2

s.a.

2*X1 + 1*X2 <= 70

1*X1 + 1*X2 <= 40

1*X1 + 3*X2 <= 90

X1 >= 0 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

X2

X3

X4

X5

70

40

90

-40

-60

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 rojo) el cual nos servir
para realizar las respectivas operaciones filas, logrando la siguiente tabla al cabo
de una iteracin:
X1

X2

X3

X4

X5

5/3

-1/3

40

2/3

-1/3

10

1/3

1/3

30

-20

20

1800

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:
X1

X2

X3

X4

X5

-5/2

1/2

15

3/2

-1/2

15

-1/2

1/2

25

30

10

2100

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
iguales 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.

http://148.204.211.134/polilibros/portal/Polilibros/P_Terminados/Investigacion_de_
Operaciones_Careaga/Common/IO-modulo1-antecedenteshistoricos.htm