Tema 3: El Metodo Simplex.

Algoritmo de las
Dos Fases.
3.1 Motivaci
on Gr
afica del metodo Simplex.
3.2 El metodo Simplex.
3.3 El metodo Simplex en Formato Tabla.
3.4 Casos especiales en la aplicaci
on del algoritmo.
3.4.1 Degeneraci
on.

3.4.2 Optimos
alternativos.
3.4.3 Problema no acotado.
3.4.4 Problema Imposible.
3.5 El Algoritmo de las dos Fases.
3.5.1 Problema imposible.
3.5.2 Problema posible.
1

3.1 Motivacin Grfica del Mtodo Simplex

Regin de soluciones posibles acotada
Existe al menos una solucin ptima, que es un vrtice

Regin de soluciones posibles no acotada

Problema no acotado

z=+

c, direccin de mejora

Problema Acotado
Existe una solucin ptima nica

Problema acotado

Infinitas soluciones ptimas (Segmento)

c, direccin de mejora

Problema acotado

Infinitas soluciones ptimas (Semirrecta)

c, direccin de mejora

3.1 Motivacion Grafica del Metodo Simplex

1. Si el PPL tiene una u
nica soluci
on
optima, ser
a necesariamente un vertice de S.
2. Si el PPL tiene m
as de una soluci
on
optima y S es acotado, al menos dos
de ellas son vertices adyacentes de S. Si S es no acotada, solo podemos
garantizar que al menos una de las soluciones
optimas es un vertice.
3. Existe un n
umero finito de vertices en S.
4. Si un vertice proporciona un valor objetivo mejor o igual que el resto de
vertices adyacentes entonces proporciona un valor objetivo mejor o igual
que cualquier otra soluci
on posible del problema, luego es una soluci
on

optima para el problema.

H1

10

H2

H3

Si hacemos H1 = H2 = 0, nos queda:

E

10

H3

cuya soluci
on es:
E = 9/2, D = 11/2, H3 = 3/2

No puede ser soluci

on del PPL incumple la restricci
on de no negatividad.

( E,

D,

H1 ,

H2 ,

H3 )

10

(0,0) Soluci
on posible

10

-9

-6

(0,10) no es soluci
on posible

(0,1) Soluci
on posible

-3

(0,4) no es soluci
on posible

10

11

(10,0) Soluci
on posible

Sistema Incompatible

-1

11

(-1,0) no es soluci
on posible

9/2

11/2

-3/2

(6,4) Soluci
on posible

(3,4) Soluci
on posible

(9/2,11/2) no es soluci
on posible

 mo obtener los ve
rtices
Co
del
conjunto de soluciones de un PPL
Para un problema cuya forma estandar incluya un sistema de m ecuaciones linealmente independientes y n incognitas, los vertices del poliedro se obtienen resolviendo los sistemas de m ecuaciones con m
incognitas que resultan al igualar a cero subconjuntos de n m variables.
Solo seran soluciones posibles (v
ertices) aquellos puntos cuyas variables, tanto de holgura como originales sean no negativas.

3.2 El Metodo Simplex

Desarrollado por George Dantzig en 1947.
Primera aplicaci
on importante: J. Laderman resolvi
o un problema de elaboraci
on de una dieta en la que haba 9 restricciones de igualdad y 27 variables.
Necesit
o el trabajo de 120 das-hombre.
Dado un PPL expresado en forma est
andar con m ecuaciones y n
inc
ognitas, m n, podemos dividir las variables en dos grupos:
1. n m variables a las cu
ales les damos el valor 0, y que denominaremos variables no b
asicas.
2. m variables cuyo valor se determinar
a resolviendo el sistema de
m ecuaciones y m inc
ognitas resultante de igualar a cero el resto
de variables. Si dicho sistema tiene una u
nica soluci
on, diremos
que las m variables son variables b
asicas.
Soluci
on del sistema soluci
on b
asica
Si adem
as las variables 0 soluci
on posible b
asica
6

 n algebra
ica
Formalizacio
PPL

Min

z = ct x

s.a.:

Ax = b
x 0n

B := {columnas de A de coeficientes de las variables b

asicas}
N := A \ B := { columnas de A coeficientes de las variables no b
asicas}


xB
cB

, c=
A = (B, N ), x =
xN
cN
Min

s.a.:

ctB xB ctN xN = 0
BxB + N xN = b
xB 0, xN 0

B 1 (BxB + N xN ) = B 1 b

(B 1 B)xB + (B 1 N )xN = B 1 b

xB + (B 1 N )xN = B 1 b

b1

.
..


b := B 1 b = bi , yj := B 1 aj

.
.
.

bm
bi := valor de la variable b
asica asociada a la ecuaci
on i-esima
yij := coeficiente de la variable no b
asica j-esima en la ecuaci
on i-esima
8

z = ctB xB + ctN xN

xB = B 1 b (B 1 N )xN

z = ctB (B 1 b (B 1 N )xN ) + ctN xN

z=

ctB (B 1 b) (ctB B 1 N cN ) xN
| {z }
|
{z
}
valor objetivo costes reducidos

En cualquier iteracion del Simplex el problema esta expresado como:

Min z = ctB (B 1 b) (ctB B 1 N cN )xN
xB + B 1 N xN = B 1 b
xB 0
xN 0
Y tiene asociada la siguiente Solucion Posible Basica:

xB
B 1 b

x= =
xN
0
Cuyo valor objetivo es:
z = ctB (B 1 b)

10

Costes Reducidos: coeficientes de las variables en la expresion de

la funci
on objetivo dada en una iteracion del Simplex.
Variable Basica: 0
Variable No Basica: zj cj := ctB B 1 aj cj
Importancia:
Criterio de Optimalidad: una soluci
on es
optima sii zj cj 0 j.
sica: aquella que
Criterio para Elegir la Nueva Variable Ba
tiene el mayor coste reducido.
znuevo := zactual (zj cj )xj

Si xj > 0 y zj cj > 0 znuevo < zactual

Si xj > 0 y zj cj < 0 znuevo > zactual
11

Algoritmo del Simplex

Consideremos el Problema de Programaci
on Lineal:
PL

Min

z = ct x

s.a.:

xS

en donde, S 6= .
Inicializaci
on
Escrbase el Problema de Programaci
on Lineal en forma est
andar. Sea
PL

Min

z = ct x

s.a.:

Ax = b
x 0n

el problema resultante. En donde, A es una matriz m n, b IRm ,

c IRn , rango(A, b) = rango(A) = m (es decir, sistema compatible, tiene
soluci
on).
12

Obtener una Soluci

on Posible B
asica Inicial (SPB)
Si en S todas las restricciones eran del tipo y el rhs 0,
al a
nadir las variables de holgura se obtiene automaticamente
una SPB tomando las variables originales como no basicas y las
variables de holgura como basicas.
en otro caso aplicaremos el algoritmo de las dos fases.
Sea B la submatriz de A formada por las columnas asociadas a las
variables basicas y N el conjunto de ndices de las variables no
basicas.
xB := B 1 b 0m
xN := 0nm

13

Iteraci
on
Paso 1: Sea, xB = B 1 b, y xN = 0nm , la SPB actual. Hacer,
b = B 1 b, y z = ct xB . Ir al Paso 2.
B
Paso 2: Calcular los costes reducidos de las variables no basicas.
zj cj = ctB B 1 aj cj , j N
siendo aj la columna asociada a la variable xj en A.
a) Si zj cj 0, j N , Stop.
xB := B 1 b y xN := 0nm z = ctB B 1 b.
b) En otro caso, elegir xk como nueva variable basica entrante,
siendo k el ndice para el que se alcanza el maximo de los
costes reducidos,
zk ck = max{zj cj }.
jN

Ir al Paso 3.
14

Paso 3: Obtener la columna asociada a la variable que se hace

basica en el sistema actual. Sea yk := B 1 ak
a) Si yk 0m , Stop.
Podemos incrementar el valor de xk tanto como queramos sin
que se haga cero ninguna variable basica i.e., sin alcanzar
ning
un otro vertice del poliedro adyacente al actual. El
problema es No Acotado y el valor optimo es z = .
b) En otro caso. Ir al Paso 4.
Paso 4: Elegir la variable que deja de ser basica (Criterio de la
razon mnima).
br
bi
= mn {
: yik > 0}
1im
yrk
yik
B := B \ {ar }

{ak }, N := N \ {k}
15

{r}. Ir al Paso 1.

3.3 El Metodo Simplex en Formato Tabla

Dado el PPL,
Min z = ct x

Min z

s.a.:

s.a.:
Ax = b

x 0n

z ct x = 0
Ax = b
x 0n

Si lo escribimos en terminos de una SPB asociada a una base B:

Min z
s.a.:

z ctB xB ctN xN = 0
BxB + N xN = b
xB 0m , xN 0nm
16

xB = B 1 b B 1 N xN ,
z+ 0xB

(ctB B 1 N ctN )xN

xB

B 1 N xN

xB

xB

Im

xN

= ctB B 1 b
= B 1 b
RHS

ctB B 1 N ctN
(zj cj = ctB B 1 aj cj )

B 1 N , (yk = B 1 ak )

17

ctB B 1 b

B 1 b, (bi )

Fila 0
z = ctB B 1 b

Fila 1-m
xB = B 1 b

Tabla antes de pivotar

xB1

...

xBr

...

xBm

...

xj

...

xk

...

RHS

...

...

...

zj c j

...

zk ck

...

cB b

xB1
.
..

1
.
..

...

0
.
..

...

0
.
..

...

y1j
.
..

...

y1k
.
..

...

xBr
.
..

0
.
..

...

1
.
..

...

0
.
..

...

yrj
.
..

...

yrk
.
..

...

b1
.
..
br

xBm

...

...

...

ymj

...

ymk

...

Variable de entrada, zk ck = m
ax{zj cj } xk
jN

br
bi
Variable de salida,
= mn {
: yik > 0} xBr
1im yik
yrk

18

.
..
bm

Tabla despu
es de pivotar
xB1

. . . xBr . . .

xBm

. . . xj . . .

ck zk
yrk

. . . (zj cj ) - y rj (zk ck ) . . .

...

...

xB1

. . . yy1k . . .

..
.

..
.

..
.

..
.

xk

..
.

..
.

..
.

..
.

xBm

. . . yymk . . .

rk

...

1
yrk

rk

...

xk . . .

rk

. . . y1j

yrj
y
yrk 1k

...

..
.
...

yrj
yrk

...

1 ...

rk

b1

...
{ak }

0 ...

y1k
b
yrk r

..
.

br
yrk

..
.

yrj
y
yrk mk

Nueva Base B = B \ {ar }

19

0 ...

cB b (zk ck ) ybr

..
.

..
.
. . . ymj

0 ...

RHS

..
.
bm

ymk
b
yrk r

3.4 Casos especiales en la aplicacion del algoritmo.

Ejemplo: Optimo
Unico
Min

3x1 + x2

sa:

x1 + 2x2 + x3 = 4
x1 + x2 + x4 = 1
xi 0, i = 1, 2, 3, 4

Dada,

B = {a1 , a4 } =

B 1 b =

ctB = (3, 0) zj cj = ctB B 1 aj cj =

4
5

xt = (4, 0, 0, 5)

z2 c2 = (3, 0)

c
=
(3,
0)

3
3
1

20

2
1

0
1

1 = 7

1
0

0 = 3


Ejemplo: Optimos
Alternativos
Min

2x1 4x2

sa:

x1 + 2x2 + x3 = 4
x1 + x2 + x4 = 1
xi 0, i = 1, 2, 3, 4

Dada,

B = {a1 , a4 } =

B 1 b =

ctB = (2, 0) zj cj = ctB B 1 aj cj =

4
5

xt = (4, 0, 0, 5)

z2 c2 = (2, 0)

c
=
(2,
0)

3
3
1

Optimos:
(4, 0, 0, 5), 32 , 53 , 0, 0 , z = 8
21

2
1

0
1

(4) = 0

1
0

0 = 2

n
Ejemplo: No Acotacio
Min

x1 3x2

sa:

x1 2x2 4
x1 + x2 3
x1 0, x2 0

Dada,

B = (a2 , a3 ), B 1 =

B 1 b =

c
=
(3,
0)
1
1

zj cj ==

c
=
(3,
0)

4
4

22

xt = (0, 3, 10, 0)

10

1
1

1
2

(1) = 4> 0

0
1

0 = 3

x1 podra entrar en la base

Sin embargo, como

y1 = B 1 a1 =

1
1

02

Ninguna variable cumple el criterio de salida

ct

= (1, 3, 0, 0)
on

< 0 Criterio de No Acotaci

1

y1
e1

El problema es No acotado a lo largo de la semirrecta:

1
0

3 1

lm
z = 9 4x1 =
x1 , x1 0 ,

+
x

10 1

0
0

23

3.5 El Algoritmo de las Dos Fases

Escrbase el PPL en forma est
andar:
Min

z = ct x

s.a.:

xS

Min

z = ct x

s.a.:

Ax = b
x 0n

En donde A es una matriz m n de rango completo por filas.

Si A contiene una submatriz identidad m m y b 0m
B = Im y N = A \ B
permiten definir una SPB inicial para aplicar el algoritmo del Simplex:
xB = B 1 b y xN = 0nm
En otro caso, A se completa con tantas columnas (variables artificiales) como
sea necesario para conseguir dicha situaci
on, y se aplica el algoritmo de las
2 fases.
24

Fase 1: Construir el problema auxiliar resultante de a

nadir las variables artificiales:
Min z = ct x

Min z = 1t xa

s.a.:

s.a.:

Ax = b
x0

Ax + xa = b
x, xa 0

Resolver el problema auxiliar con el algoritmo del Simplex. Sea

(x , xa ) la solucion optima.
Si xa = 0

Ir a la Fase 2.

Si xa 6= 0

Problema original Imposible

25

Fase 2: Utilizar la SPB obtenida al final de la Fase 1 para resolver el

problema inicial. Sean xB las variables basicas en dicha solucion.
Consideremos la tabla optima al final de la Fase 1.
Si en xB no hay variables artificiales: eliminando las columnas
asociadas a las variables artificiales y actualizando convenientemente la fila asociada a la funcion objetivo obtenemos la tabla
inicial para resolver el problema original con el algoritmo Simplex.
Si en xB hay variables artificiales: tratamos de obtener una
SPB sin variables artificiales.

26

Como?
1. Eliminar de la tabla las columnas asociadas a las variables artificiales no basicas.
2. Actualizar la fila asociada a la funcion objetivo considerando que
los coeficientes en la funcion objetivo de las variables artificiales
en el problema original son 0.
3. Eliminar secuencialmente variables artificiales basicas pivotando
sobre elementos de la tabla yij 6= 0, en donde:
i := fila asociada a la variable basica artificial
j := columna asociada a la variable no artificial
Si yij = 0, j 6= i la ecuacion i-esima es redundante. Eliminar la
ecuacion y la variable artificial.

27

ptimo

3x1 + x2 = 3

Fase1

x1 + 2x2 4
4x1 + 3x2 6