Está en la página 1de 44

El MÉTODO SIMPLEX ......................................................................................................

2
Introducción........................................................................................................................ 2
Forma Canónica y Forma Estándar .................................................................................... 2
Igualdades y desigualdades en las restricciones ............................................................. 3
Ejemplo: ..................................................................................................................... 4
No-negatividad de las limitaciones b i ............................................................................. 5
Ejemplo: ..................................................................................................................... 5
Procedimiento del Método Simplex para la Forma Matricial ............................................ 6
Ejemplo: ..................................................................................................................... 7
Formato general de la tabla para el Método Simplex ....................................................... 11
Ejemplo: ....................................................................................................................... 11
Forma tabular del libro de Mokthar Bazara...................................................................... 13
Identificar B inversa en la tabla óptima. ......................................................................... 13
MÉTODO DE LA “M” .................................................................................................... 15
Ejemplo: ....................................................................................................................... 16
MÉTODO DE LAS DOS FASES .................................................................................... 18
FASE I .......................................................................................................................... 18
FASE II......................................................................................................................... 19
Ejemplo: ....................................................................................................................... 19
DEGENERACIÓN........................................................................................................... 22
Ejemplo: ....................................................................................................................... 22
CICLAJE .......................................................................................................................... 23
Ejemplo: ....................................................................................................................... 24
METODO LEXICOGRAFICO........................................................................................ 26
Ejemplo: ....................................................................................................................... 26
CASOS ESPECIALES ..................................................................................................... 28
SOLUCIÓN ILIMITADA............................................................................................ 28
Ejemplo: ........................................................................................................................... 28
SOLUCIÓN MÚLTIPLE ............................................................................................. 28
Ejemplo: ........................................................................................................................... 28
CONVERSIÓN DE UN PROBLEMA DE MINIMIZACIÓN A UN PROBLEMA DE
MAXIMIZACIÓN ........................................................................................................... 30
PROCEDIMIENTO SIMPLEX REVISADO .................................................................. 31
Ejemplo 1: .................................................................................................................... 32
Ejemplo 2: .................................................................................................................... 34
Ejemplo 3: .................................................................................................................... 36
RESOLUCIÓN DE PROBLEMAS SIN USAR VARIABLES ARTIFICIALES ........... 40
Ejemplo 1: .................................................................................................................... 40
Ejemplo 2: .................................................................................................................... 41

El MÉTODO SIMPLEX
Introducción
Es un procedimiento general para encontrar la solución óptima a problemas de
Programación Lineal. Este método logra la solución óptima en un número finito de
pasos, la demostración de esto es lo que se pretende realizar.
Para el desarrollo de éste método son necesarias algunas definiciones:
Solución: Cualquier conjunto de variables x j que satisfacen las restricciones del problema
( Ax  b ).
Solución factible: Cualquier solución que satisface la no-negatividad de las restricciones (
x j  0 ).
Solución básica: En un sistema de m ecuaciones lineales con n variables Ax  b (
m  n ) cuyo rango R ( A)  m ; una solución es obtenida haciendo n  m variables igual
a cero y resolviendo para las m variables restantes, siempre y cuando el determinante de
los coeficientes de estas m variables no seas cero. Las m variables se llaman variables
básicas (la solución resultante a este sistema, se le llama solución básica).
Solución básica factible: Es una solución básica en la cual todas las m variables básicas
son mayores o iguales que cero ( x j  0 ).
Degeneración: Una solución básica Ax  b es degenerada si una o más variables básicas
son iguales a cero (más de n  m variables iguales a cero).
Forma Canónica y Forma Estándar
Un problema de programación lineal puede ser establecido en diferentes formas
equivalentes a través de manipulaciones apropiadas. Dos formas en particular serán de
bastante utilidad. Estas son las formas Estándar y Canónica. Un problema lineal se dice que
está en la forma estándar sí;
a) Todas las restricciones son igualdades
b) Todas las variables son no-negativas
c) Las limitaciones ( lado derecho de la restricción) son positivas
El Método Simplex, está diseñado para ser aplicado únicamente hasta que el problema se
encuentre en la forma Estándar. La forma Canónica es también de bastante utilidad,
especialmente en explorar la relación de Dualidad. Un problema de P.L. está en la forma
canónica si para un problema de:
Maximización, las variables son no-negativas y las restricciones son del tipo ≤ 0
Minimización, las variables son no-negativas y las restricciones son del tipo ≥ 0

Considere el siguiente problema de P.L. en forma canónica
n

Minimice Z   c j x j

Minimice Z=CX

Sujeto a;

Sujeto a;

a x

Ax  b

j 1

n

j 1

ij

j

 bi , i  1,2,...m

xj  0

X 0

Dónde:
A= Matriz de coeficientes de las variables en el sistema de ecuaciones de (mxn)
aij= coeficiente de la variable j en la restricción i
x=Vector solución (nx1)
xj= Variable j
bi= Lado derecho de la restricción i ( Limitación i )
C=Vector de costos o utilidades (1xn)
cj= Coeficiente de la variable j en la función objetivo

 x1 
 b1 
x 
b 
X   2 b   2
.
.
 
 
 xn 
bn 

 a11 a12
a
a22
A   21
 .
.

am1 am 2

. a1n 
. a2 n 
. . 

. amn 

Los motivos para que un problema no esté en la forma estándar son:
1. Algunas restricciones son desigualdades
2. Algunas bi son negativas
3. Algunas variables de decisión xj pueden ser negativas
Igualdades y desigualdades en las restricciones
Una desigualdad puede fácilmente ser transformada a una igualdad (ecuación) a través
del uso de las variables de holgura qué representan en caso de:
a) La desigualdad menor o igual (≤), la deficiencia de unidades para el lado izquierdo
de la restricción iguale a lado derecho de la misma. Por lo que se agrega una
variable de holgura con signo positivo en el lado izquierdo de la restricción.
b) La desigualdad mayor o igual (≥), el exceso de unidades que tiene el lado izquierdo
de la restricción con respecto al lado derecho de la misma. Por lo que se agrega
una variable de holgura con signo negativo en el lado izquierdo de la restricción.
En el caso de una desigualdad mayor o igual

n

a x
ij

j 1

n

a
j 1

ij

j

 bi

Se agrega una variable con signo negativo x n+1, como se muestra a
continuación

x j  x n 1  bi

donde

x n 1  0

En el caso de una desigualdad menor o igual
n

a
j 1

ij

x j  bi

ij

x j  x n 1  bi

n

a
j 1

Se agrega una variable con signo positivo x n+1, como se muestra a
continuación
x n 1  0

donde

Así mismo, la ecuación de la forma
n

a
j 1

ij

x j  bi

Pude ser transformada en dos desigualdades
n

 aij x j  bi

y

j 1

n

a
j 1

ij

x j  bi

Para la mayoría de los problemas prácticos, las variables representan cantidades físicas y
por lo tanto no pueden ser negativas. El Método Simplex, que se cubrirá más adelante, está
diseñado para resolver problemas lineales donde las variables deben ser no-negativas. Si
una variable xn no tiene restricción en signo, entonces esta puede ser reemplazada por:
xj ´ y xj+1´´ , donde ambas son
0 y xj ´ representa la parte positiva de la variable x j y
xj+1´´ representa la parte negativa de la variable x j . Una vez resuelto el problema, en el caso
de que la variable xj este en solución, únicamente podrá tener valor una de las variables xj ´
y xj+1´´ y la otra deberá tener valor de cero, es decir que solamente podrá estar en solución
una de las dos variables (pero no necesariamente esta variable x j estará en solución).
Ejemplo:
Minimizar Z= -x1 - 3x2
Sujeto a;
x1 – x2 ≤ 6
-x1 + 2x2 ≤ 8
x1 , x 2 ≥ 0
Transformando a l forma estándar tenemos:
Minimizar Z= -x1 - 3x2

Minimizar Z= -(x1´ . se multiplica la restricción que corresponda a esta limitación por (-1) y así se hace positiva.3x2 Sujeto a.3x2 Sujeto a. y x4 son variables de holgura. el problema se puede plantear de la forma siguiente. Una vez que se resuelva este problema.x2 + x3 + x4 =6 -x1 + x2 + 2x3 + x5 = 8 x´s ≥ 0 donde x1= x1´ y x2 = x1´´ y se recorren los subíndices delas variables restantes. y x4 son variables de holgura.x1´´ ) + 2x2 + x4 = 8 x´s ≥ 0 donde x1=-(x1´ . se modifican los subíndices de las variables.x1´´ ) – x2 + x3 =6 -(x1´ .3x2 Sujeto a. x1 – x2 + x3 =6 -x1 + 2x2 + x4 = 8 x´s 0 x3. Minimizar Z= -x1 .x1´´ ) . x1 . las variables retoman sus subíndices iniciales. x1 – x2 + x3 =6 x1 .Sujeto a. Ejemplo: Minimizar Z= -x1 . (x1´ .2x2 . x1 – x2 + x3 = 6 -x1 + 2x2 + x4 = -8 x´s≥ 0 x3. Minimizar Z= -x1 – x2 . resultando. Si ahora consideramos que x1 no está restringida en signo.3x3 Sujeto a. No-negatividad de las limitaciones b i Cuando el problema se desea representar en forma estándar y alguna de las b i es negativa.x1´´ ) . Se multiplica la segunda restricción por (-1). x1 no está restringida en signo y x2 ≥ 0 Para efectos de resolver este problema por el método Simplex.x4 = 8 x´s ≥ 0 .

Para un problema de Maximización Entra la variable que tenga el más negativo Z j-Cj y se alcanza la solución óptima cuando todos los valores sean positivos en el análisis de Zj-Cj Para un problema de Minimización Entra la variable que tenga el más positivo Z j-Cj y se alcanza la solución óptima cuando todos los valores sean negativos en el análisis de Zj-Cj Cj-Zj es el beneficio que se tendrá en Z por cada unidad de valor que tenga la variable que . Las Yj son las columnas actualizadas a las transformaciones de renglón de la matriz A para generar la columna de la matriz identidad que aporta la columna de la variable que entra en solución. Cj. Cj son los coeficientes de las variables en la función objetivo CB son los coeficientes de las variables básicas en la Función Objetivo. CB. donde Z  CB X B X B  B 1b Cuarto Determinar la variable que entra en la base de solución Se obtienen los Zj-Cj para las variables No-básicas donde Z j C BY j y  Y j  B 1 a j Las Yj de las variables básicas forman las columnas de la matriz identidad y las Zj-Cj de las variables básicas son cero. XB son los valores de las variables básicas que dan la solución al problema.Procedimiento del Método Simplex para la Forma Matricial Primero Partiendo de un problema de Programación Lineal que se encuentra en la forma estándar. es decir aquellas que están en solución. b. se determinan las matrices A. B. Ya sea por el Método de Cofactores o por el Método de GaussJordan Tercero Se obtiene XB. y XB Dónde: A es la matriz de coeficientes de las variables en las restricciones b es el lado derecho de las restricciones (limitaciones ) B es la matriz que proporciona la Solución Inicial Básica Factible y esta formada por las columnas de las variables básicas. Segundo Se obtiene B Inversa ( B-1 ).

.. X  En la matriz B la columna de la variable que tuvo el Min Bi  abandona la base de  Yir  solución y entra en su lugar la columna de la variable r. x 4 son variab les de holgura C j  5 3 0 0 15  3 5 1 0  b  A  Dado 10  5 2 0 1  que las columnas de a 3 y a 4 forman las columnas de la matriz identidad ( x 3 y x 4 son variables básicas).entra en solución (Xr) Quinto Determinar la variable que sale de solución Se analiza cada columna de las variables No-básicas junto con el valor de las variables básicas XB. B 2 . considerado en el paso 4. donde Yir  0  .. hasta que se cumpla el criterio de optimización. donde Yir  0   Min  B1 . x 2  0 Max Z  5 x1  3 x 2 . sujeto a : 3 x1  5 x 2  x 3  15 5 x1  2 x 2  x 4  10 x1 . Séptimo Regresar al paso 2. Ejemplo: Forma canónica Max Z  5 x1  3x 2 . Sale de solución aquella variable que tenga el X  X  X Min  Bi . x 2 .  Y1r Y2 r   Yir  donde r corresponde a la columna de la variable que entra en la solución Sexto La columna de la variable que entra en solución deberá aportar la columna de la matriz identidad. x 3 x 4  0 y x 3 .. hacemos que: .. sujeto a : 3x1  5 x 2  15 5 x1  2 x 2  10 Forma estándar x1 ..

por lo que x 4 sale de solución.      4 Será yir y 21  y11 y21   yir  3 5 5 el valor de la variable entrante en la solución en la tabla siguiente. Qué corresponde a z1  c1  5 . B 2 .) x y el próximo valor Z ( Z mejorada) será: Zˆ  Z  Bi (cr  zr ) yir x 10 Zˆ  Z  4 (c1  z1 )  0  (5  0)  10 y 21 5 . por lo que r =1 .b1  a 3 y b 2  a 4 1 0  B  0 1  1 0 15 15  x 3  x B1 x B  B 1b         0 1 10 10  x 4  x B 2 El valor de la función objetivo Z es: 1 0 B 1    0 1 x1  x 2  0 15 Z  CB xB  0 0   0 10 Analizando la variable que entra en solución: 1 0 3 3  y11 y1  B 1 a1         0 1 5 5  y 21 1 0 5 5  y12 y 2  B 1 a 2         0 1 2 2  y 22 3 z1  C B y1  0 0   0 5 zj  cj  0 se toma el 5  z 2  C B y 2  0 0   0  2 z 1  c1  0  5  5 z 2  c 2  0  3  3 z j  c j más negativo. Así. Analizando la variable que sale de solución: x x  x x  15 10  10  xBr  Min  Bi . yir  0   Min  B1 . (Donde i es la fila en cuestión y r corresponde a la variable que entra en solución. yir  0   Min  . la variable entrante será x1 .

ahora haciendo b1  a 2 y b 2  a 1 . yir  0   Min  . por cada unidad que tenga la variable entrante a la solución. correspondiendo a x 2 salir de solución. tenemos: . . z4  c4  1  0  1 se toma nuevamente aquella variable que tenga el z j  c j más negativo. B 2 . y ij  0    3  yir y12  y12 y22  19 5 2 5  19 5  por lo que x 3 sale de solución. x  9   9  2 x x  xBr  Min  B1 . z 4  c B y 4  0 5   1 2 5 1 5     z 2  c 2  2  3  1 .c j  z j es una razón de cambio. la función objetivo se verá mejorada en c j  z j unidades. Se analiza ahora la variable que abandonará la solución. el ahora si b1  a 3 y b 2  a 1 tenemos: 1 3 B  0 5 1 B 1   0  3 5 1 5  1  3 5 15 9  x 3  x B1 x B  B 1b    10  2  x  x 0 1 5      1 B2 El valor de la función objetivo Z es: x2  x4  0 9  Z  CB xB  0 5   10  2 Analizando la variable que entra en solución: 1  3 5 5 19 5  y12 y 2  B 1 a 2        0 1 5  2  2 5   y 22 1 y 4  B 1 a 4   0  3 5 0  3 5  y14  1 5  1  1 5   y 24 19 5  3 5 z 2  c B y 2  0 5  2 . y el próximo valor de Z ( Z mejorada) será: x 235 Zˆ  Z  2 (c2  z2 )  10  45 19(3  2)  y12 19 Nuevamente continuando con este proceso iterativo.

5 3 B  2 5  5 19 x B  B 1 b     2 19 y  5 19  3 19 B 1     2 19 5 19   3 19  15   45 19   x 2  x B 1  . 5 19  10   20 19   x 1  x B 2 x3  x4  0 Ahora el valor de la función objetivo es:  45 / 19    235 / 19 Z  CB xB  3 5   29 / 19  Analizando la variable que entra en solución:  5 19  3 19 1  5 19   y13 y 3  B 1 a 3         2 19 5 19  0  2 19  y 23  5 19  3 19 0  3 19  y14 y 4  B 1 a 4         2 19 5 19  1  5 19   y 24  5 19  z3  C B y3  3 5    15 19  10 19  5 19  2 19  3 19 z4  CB y4  3 5     9 19  25 19  16 19  5 19  z 3  c 3  5 19  0  5 19 z 4  c 4  16 19  0  16 19 encontramos que como todos los valores de z j  c j son mayores que cero. Así la solución óptima será: 45 19 Z  C B x B  3 5   235 19 20 19  45 19 por lo que x 2 y x1 son variables básicas x B    . 19 . entonces ninguna otra variable entrará en solución ya que ésta es óptima. ya que con estos valores la 20 19   función objetivo es óptima ( Z *  235 ).

b  Valor de las variables básicas (en solución).Formato general de la tabla para el Método Simplex CB XB b cj c1 x1 c2 x2 c3 x3 | | | a1 a2 a3 | | |   cn xn |  x Br y rj an | zj Z* zj  cj X B  Vector que representa la Solución Básica Factible. Ejemplo: Resolviendo el ejemplo anterior por la forma tabular. c j  Vector de costos (coeficientes de las x j en la Función Objetivo). C B  Vector formado por los componentes de C correspondientes a la Solución Básica Factible. tenemos. x 2  0 Tabla 1 (Tabla Inicial)  15  10 . Z *  Valor actual de la Función Objetivo. sujeto a : 3x1 5 x1   5x2 2x2 x1 . Max 5 x1  3x 2 . z j  CB X B z j  c j  CB X B  c j y rj  Componente del vector que va a formar parte de la nueva Solución Básica Factible.

En la fila zj-cj las posiciones que corresponden a las variables básicas tienen valor cero 2. Las columnas de las variables básicas forman la matriz identidad . x 2  45 19 .cj 5 3 0 0 CB 0 XB x3 b 15 x1 3 x2 5 x3 1 x4 0 b y rj 15 3 0 x4 10 5 2 0 1 10 5 * 0 0 0 0 zj 0 0 zj cj Z 0 5 3  Sale x 4 de solución  Entra x1 en solución Tabla 2 cj 5 3 0 0 CB XB b x1 x2 x3 x4 b y rj 0 5 x3 x1 9 2 Z* 0 1 5 19 5 25 2 1 0 0 3 5 15 1 45 19 15 zj 10 0 1 0 1 zj cj  Sale x3 de solución  Entra x 2 en solución Tabla 3 (Tabla Final) cj 5 3 0 0 CB XB b x1 x2 x3 x4 3 x2 45 19 0 1 5 19  3 19 5 x1 20 19 1 0  2 19 5 19 0 0 5 19 16 19 zj 0 0 5 19 16 19 zj  cj Z * 235 19 b yrj z j  c j son  0 la solución es óptima. se observa que: 1. x1  20 19 y Z *  235 19 como todos los En resumen. x 3  0 .

obtenemos su inversa. En el caso del problema usado como ejemplo x2 x1  5 3  B   2 5   x3 x4  5 19  3 19   B 1    2 19 5 19   Otro ejemplo en el que se tengan en solución las siguientes variables. .D. 1 En la tabla final (óptima) para calcular las columnas que forman la B ( B inversa) estas corresponderán a las columnas de las variables que en la tabla inicial aportarán las columnas para formar la matriz identidad.) 0 3 5 1 0 15 0 5 2 0 1 10 -3 0 Interpretación de la tabla del simplex Z Z 1 XB 0 0 XB 0 1 0  Fila de z j  c j Xn C B B 1 N  C N B 1 N b C B B 1 b B 1 b Min Z sujeto a : Z  CB X B  CN X N  0 BX B  NX N  b XB.Forma tabular del libro de Mokthar Bazara Z zj  cj x3 x4 1 x1 -5 x2 x3 x4 x 5 (L. XN  0 desde : Z  C B B 1 b y X B  B 1 NX N  B 1 b Identificar B inversa en la tabla óptima.

¿Son todos los valores de Z jCj  0 ? Minimización. Genere en esta posición la unidad y ceros en los elementos restantes de la columna de la variable entrante ( en este proceso de Gauss-Jordan se actualiza la tabla). Entra la variable que en la fila de Zj-Cj tenga el valor más positivo. No Determinar la variable que entra en solución: Para un problema de: Maximización. ¿Son todos los valores de Z jCj  0 ? Si Solución Optima Maximización: Cuando todos los valores de Zj-Cj  0. Continuar el proceso . Minimización: Cuando Todos los valores de Zj-Cj  0. Minimización.Proceso de Solución de un Problema de Programación Lineal por el Método Simplex Inicio Leer el Problema Determinar si es un problema de Maximización o de Minimización Añadir las Variables de Holgura y/o Artificiales para presentar el problema en la Forma Estándar Escribir la Función Objetivo correspondiente Crear la tabla del Simplex correspondiente Problema de: Maximización. Entra la variable que en la fila de Zj-Cj tenga el valor más negativo. Determinar la variable que sale de solución: Divida cada elemento del renglón de b entre el elemento correspondiente (mayor que cero) del renglón de la variable que entra en solución. Obtener de la tabla los valores de las variables y de la función objetivo Z. y abandonara la solución aquella variable en X B que corresponda al cociente menor. Establezca como elemento pivote aquél que se encuentre en el cruce del renglón de la variable entrante y la columna de la variable saliente.

Como las variables artificiales no tienen ningún significado en el problema. lo que conduce al siguiente sistema: Ax + X = b x.M para un problema de maximización. suponga que deseamos resolver el siguiente problema de Programación Lineal. la función objetivo Z se ve alterada. Aplicando el Método Simplex para su solución. Donde M es un valor muy grande (mucho mayor que cualquier coeficiente de las variables en la función objetivo) por ejemplo: M >>> 0. donde b  0. + M para un problema de minimización. ya que la contribución de las variables artificiales (coeficientes de las variables artificiales) es: . tales que haga su presencia no atractiva en la base. trata de eliminar las variables artificiales de la base. y por lo cual ninguna variable artificial deberá formar parte de una solución básica factible. Si una conveniente base no es conocida. la función objetivo es modificada de la forma que una penalización alta es pagada para cualquier solución. Para eliminar las variables artificiales de la solución. X  0 La solución inicial básica factible está dada por x  = b y x = 0. Sujeto a: Ax + X = b x. y entonces continua tratando de encontrar la solución optima a el problema original. se les asigna en la función objetivo original coeficientes. Para mostrar que se desea tener un vector artificial mayor que cero. Maximice CX Sujeto a: Ax = b x  0. X 0 El método simplex por sí mismo.MÉTODO DE LA “M” Este método es utilizado cuando existe la necesidad de introducir variables artificiales (x  ´s) con el objeto de generar una solución básica factible. Minimice CX + MX. se introduce un vector artificial x . Para ilustrar esto. . Son definidas como un artificio (ya que es una conveniencia matemática para lograr la matriz identidad y así una solución inicial básica factible).

0x4 + 0x5 + Mx6 + Mx7 Sujeto a: x1 + x 2 . X Son variables artificiales. Tabla 1 CB M M 0 =2 +x7 XB X6 X7 X5 b 2 1 3 Z= 3M Cj 1 X1 1 -1 0 0 -1 -2 X2 1 1 1 2M 2+2M 0 X3 -1 0 0 -M -M 0 X4 0 -1 0 -M -M 0 X5 0 0 1 0 0 M X6 1 0 0 M 0 M X7 0 1 0 M 0 0 X4 1 -1 1 M+2 M+2 0 X5 0 0 1 0 0 M X6 1 0 0 M 0 M X7 -1 1 -1 -2-M -2-2M Sale X7 de solución Entra X2 en solución Tabla 2 CB M -2 0 XB X6 X2 X5 b 1 1 2 Z= -2+M Cj 1 X1 2 -1 1 2M+2 1+2M -2 X2 0 1 0 -2 0 0 X3 -1 0 0 -M -M Entra X1 en solución Sale X6 de solución .Ejemplo: Minimizar Sujeto a: Z = x1 . M es un número positivo muy grande.x3 +x6 -x1 + x2 -x4 x2 +x5 donde: =1 =3 Xh son variables de holgura.0x3 .2x2 x1 + x 2  2 -x1 + x2  1 x2  3 x1 y x 2  0 transformando a la forma estándar tenemos : Minimizar Z = x1 .2x2 .

Tabla 3 CB 1 -2 0 XB X1 X2 X5 b 1/2 3/2 3/2 Z= -5/2 Cj 1 X1 1 0 0 1 0 -2 X2 0 1 0 -2 0 0 X3 -1/2 -1/2 1/2 1/2 1/2 0 X4 1/2 -1/2 1/2 5/2 5/2 0 X5 0 0 1 0 0 M M X6 X7 1/2 -1/2 1/2 1/2 -1/2 3/2 -1/2 -3/2 -1/2-M -3/2-M 0 X4 1 0 0 0 0 0 X5 0 0 1 0 0 M X6 1 1 -1 -2 -2-M M X7 -1 0 0 0 -M 0 X4 1 0 0 0 0 0 X5 1 1 1 -2 -2 M X6 0 0 -1 0 -M M X7 -1 0 0 0 -M Sale X1 de solución Entra X4 en solución Tabla 4 CB 0 -2 0 XB X4 X2 X5 b 1 2 1 Z= -4 Cj 1 X1 2 1 -1 -2 -3 -2 X2 2 1 -1 -2 0 0 X3 -1 -1 1 2 2 Entra X3 en solución Tabla 5 CB 0 -2 0 XB X4 X2 X3 b 2 3 1 Z= -6 Cj 1 X1 1 0 -1 0 -1 -2 X2 0 1 0 -2 0 0 X3 0 0 1 0 0 Como todos los zj-cj son  0 para todas las variables no-básicas. x2 = 3. x3 = 1 y las variables restantes son iguales a cero. Con un valor óptimo de la función objetivo Z de -6. Esta tabla nos indica que esta solución es óptima. Teniendo el resultado siguiente x 4 = 2. Sale X5 de solución .

Se ha encontrado una solución básica factible al problema original. cuando: 1). Se asigna a cada coeficiente de la variable artificial en la función objetivo un valor de la unidad (positiva o negativa.XAs) donde XA son las s variables artificiales (XA  0) La fase I termina después de haber aplicado el Método Simplex. La primera fase consiste en convertir todas las variables artificiales en cero. Entonces en lugar de considerar la función objetivo actual. FASE I Se inicia con una solución básica factible formada con algunas variables artificiales y con la finalidad de eliminar las variables artificiales. 3). este deberá ser mucho mayor que cualquier otro número que aparece en la función objetivo y probablemente no satisfaga todas las condiciones. El problema original tiene una solución no factible.Z* = 0 Ninguna variable artificial está en la base.. . La segunda fase consiste en optimizar la función objetivo actual Z..MÉTODO DE LAS DOS FASES El problema del ejemplo anterior fue manejado en la forma regular después de que las variables artificiales habían sido añadidas.. en el cual se debe asignar un valor M sin especificar exactamente qué valor es.. iniciando de una solución básica factible que puede o no contener variables artificiales a nivel cero.Z* = 0 Una o más variables están en la base a un nivel positivo... Si un valor numérico específico fuera asignado a la M.. Su propósito sería el de proveer una penalización para eliminar las variables artificiales de la base.Z*  0 Una o más variables artificiales están en la base a un nivel cero (es decir que la b correspondiente a la variable artificial es igual a cero). para obtener una solución básica factible para las variables reales del problema. Un enfoque para evitar estas dificultades está incorporado o considerado en el método de dos fases. Se optimiza la función: Z =  is =1( 1) XAi = (XA1 XA2  XA3. 2). A todas las variables restantes se les asigna un coeficiente cero (sin importar los coeficientes actuales del problema). Existe una complicación en el método de la M. ya que ellas realmente no pueden formar parte de la solución en un problema de la vida real. dependiendo de si es un problema de Minimización o de Maximización respectivamente) en lugar del valor M..

sufriendo los siguientes cambios.X4 +X6 = 5 X1.cj son  0 para un problema de Maximización y  para un problema de Minimización. se reemplazan los coeficientes de la función objetivo por los coeficientes originales de las variables reales y después se calculan las filas z j y zj-cj.) FASE II La primera tabla de la fase II. X4. Este elemento elíjalo como pivote. es la última tabla de la fase I. Si una restricción (ecuación) puede ser obtenida como una combinación lineal de las otras. y cero en el resto de la columna (es decir. Una vez que se han realizado estos cambios. de otra forma esta fila se hubiera eliminado en el paso b).X3 + X4 . se aplica el Método Simplex nuevamente para optimizar la función objetivo Z. transformando su columna correspondiente a tener el elemento 1 en el pivote. Seleccione uno de los elementos diferentes de cero en esta fila (debe de existir alguno. ANTES DE INICIAR LA FASE II a) Elimine todas las columnas correspondientes a las variables artificiales no básicas. tenemos: . X2. X3. estas variables estarán representadas por columnas que tienen elementos cero a excepción de un uno en la fila donde b=0. Para localizar la existencia de ecuaciones redundantes observe en la tabla final de la fase I (después de haber eliminado las columnas correspondientes a las variables artificiales no básicas) si existe alguna fila cuyos elementos sean todos cero a excepción de un elemento 1 que corresponda a la columna de una variable artificial básica.2X3 . por lo tanto elimine la fila y la columna.X5 +2X6 = 2 2X1 . b) Cheque redundancia (ecuaciones redundantes) en el problema original. X5. La fase I termina cuando los elementos zj . Ejemplo: Minimizar Z = -X1 Sujeto a: X1 + X2 . en la tabla final de la fase I. El sistema de ecuaciones original es Ax = b. posiblemente haya redundancia en las ecuaciones restrictivas.Se ha encontrado una solución factible al problema original.2X4 + X5 .X3 . la restricción es redundante.X6 = 3 3X1 . se genera en esa columna el vector necesario para eliminar la variable artificial de la solución. c) Elimine las variables artificiales en la base. Debido a que algunas variables artificiales están en la base a un nivel cero. entonces esto indicará que la fila es redundante. X6  0 Expresándolo en la forma estándar.X2 .

X8 Y X9 son variables artificiales. 0.5 .5 -.2 -.5 -3 -3 0 X6 2.2 0 0 0 0 X3 -. para toda X.8 -. la fase I esta terminada.2 0 0 0 0 X6 1 0 0 0 0 Como todos los elementos en Zj-Cj son  0.5 2.5 -1.5 1.5 3 3 0 X3 -.2).6.5 -.6 -. .5 -1.X4 +X6 + X9 = 5 Donde X7.2 .5 1.5 -.X3 + X4 .X3 .2X3 . Una solución factible para el problema original es (1.4 . Para establecer la tabla de la fase II.6 0 0 0 0 X5 -.Minimizar Z = -X1 Sujeto a: X1 + X2 . FASE I Tabla 1 CB 1 1 1 XB X7 X8 X9 X´s  0. elimine las columnas 7 y . 0.5 -2 -3 1 X9 0 0 1 1 0 Zj Zj-Cj 1 X7 .2 -1 -1 -2 1 X8 -.5 .5 5 5 1 X7 1 0 0 1 0 1 X8 -.5 Cj Z= 0 X1 0 1 0 0 0 0 X2 1.4 -1 -1 -2 1 X9 0 0 1 1 0 Zj Zj-Cj Sale X8 de solución Zj Zj-Cj Entra X1 en solución Tabla 2 CB 1 0 1 XB X7 X1 X9 b . b 2 3 5 Cj Z= 0 X1 1 2 3 6 6 0 X2 1 -1 0 0 0 0 X3 -1 -1 -2 -4 -4 0 X4 1 -2 -1 -2 -2 0 X5 -1 1 0 0 0 0 X6 2 -1 1 2 2 1 X7 1 0 0 1 0 1 X8 0 1 0 1 0 1 X9 0 0 1 1 0 0 X5 -1.X5 +2X6 +X7 =2 2X1 .6 .5 -. 0.5 .X2 .6 0 0 0 0 X4 . El valor mínimo de la fase I es cero y por esto el problema es factible. 0.5 -1 -1 0 X4 2 -1 2 4 4 Sale X7 de solución Entra X6 en solución Tabla 3 CB 0 0 1 XB X6 X1 X9 b .X6 + X8 =3 3X1 .6 0 Z= 0 Cj 1 X1 0 1 0 0 0 -2 X2 .2X4 + X5 .2 1.

25 . yrj  0). Cheque en el problema original y encontrará que la tercera ecuación es la suma de las dos primeras ecuaciones.2 0 .75 -.25 0 X3 -.2 0 -.6 0 X5 -.6 .25 -.2 1.75 Zj Zj-Cj Entra X3 en solución La columna muestra que el problema es ilimitado (los elementos en la columna correspondiente a la variable entrante son  0.6 0 X4 . principio de la FASE II FASE II CB 0 -1 XB X4 X1 b .2 .75 .2 .75 Cj -1 X1 0 1 -1 0 0 X2 .6 .25 -.8 -.2 0 X6 1 0 0 0 Sale X6 de solución Zj Zj-Cj Entra X4 en solución Fin FASE I.6 .2 0 X3 -.8 -.2 -.2 -.25 0 X6 1.2 -.25 -. CB 0 -1 0 XB X6 X1 X9 b .2 -.6 .2 1. .75 -.6 0 .6 0 X5 -.25 .2 .6 .6 0 X4 .6 . CB 0 -1 XB X6 X1 b . excepto por un 1 que representa la variable artificial X9.2 0 X6 1 0 0 0 0 0 X9 0 0 1 0 0 Zj Zj-Cj Como todos los elementos en la tercera fila son cero.6 .75 0 X4 1 0 0 0 0 X5 -.25 1.75 .6 0 .75 Z= 1. asigne los coeficientes originales en la función objetivo y calcule las entradas de la fila Zj-Cj (en la variable artificial cero).75 .6 -.75 -.2 -.6 .8. Se elimina la fila 3 y la columna 7 (X9).25 -.6 0 Z= 0 Cj -1 X1 0 1 0 -1 0 0 X2 .2 0 X3 -. la fila es eliminada por ser redundante.6 Z= 0 Cj -1 X1 0 1 -1 0 0 X2 .6 -. por tanto la solución es ilimitada (Z = - ).

Cualquier base que incluya alguna columna de A que sea dependiente de la columna de b determinará una solución degenerada.Cj ) . es suficiente con observar en la columna de b y saber si existe uno o más elementos iguales a cero.DEGENERACIÓN Una solución básica a Ax = b es degenerada si una o más de las variables básicas son cero ( si alguna XB = 0). Para saber en la tabla si existe degeneración. X2  0 Forma estándar Maximizar Z = X2 . Una solución básica factible representa a b como una combinación lineal de m columnas de A. el proceso de selección de la variable saliente.  yik  0  yrk  yik  Vector que entra en la base: Zk . para un problema de Maximización. Se ha visto que cualquiera de las variables correspondientes al mínimo puede ser removida. y la nueva solución básica será factible (y degenerada). Vector saliente de la base: x  xBr     min  i  Bi  i    .MX5 sujeto a : X1 + X2 -X3 +X5 1/3X1 + X2 +X4 =1 =1 donde X3 Y X4 son variables de holgura y X5 es una variable artificial. . Cuando la degeneración se presenta. Ejemplo: Maximizar Z = X2 Sujeto a: X1 + X2  1 1/3X1 + X2  1 X1.Ck = Min (Zj . en la mínima razón XBr/Yrk puede no ser única.

x3 = 0 y Z* = 1. CICLAJE Cuando la degeneración se presenta.Forma tabular: Tabla 1 CB -M 0 XB X5 X4 b 1 1 Z= -M Cj 0 X1 1 1/3 -M M 1 X2 1 1 -M M+1 0 X3 -1 0 M -M 0 X4 0 1 0 0 -M X5 1 0 -M 0 Zj Cj-Zj Sale X5 de solución Entra X2 en solución Tabla 2 CB 1 0 XB X2 X4 b 1 0 Z= 1 Cj 0 X1 1 -2/3 1 -1 1 X2 1 0 1 0 0 X3 -1 1 -1 1 0 X4 0 1 0 0 -M X5 1 -1 1 -1-M Zj Cj-Zj -M X5 0 -1 0 -M Zj Cj-Zj Sale X4 de solución Entra X3 en solución Tabla 3 CB 1 0 XB X5 X4 b 1 0 Z= 1 Cj 0 X1 1/3 -2/3 1/3 -1/3 1 X2 1 0 1 0 0 X3 0 1 0 0 0 X4 1 1 1 -1 La solución óptima es degenerada. repitiéndose las mismas secuencias de bases solución. ya que en X B hay una variable a nivel cero. Teniéndose que x2 = 1. la función objetivo puede no cambiar cuando hay un cambio de una solución básica factible a otra. En efecto. y nunca alcanzar la solución óptima. . Entonces no se puede estar seguro que una base no se repita. se puede caer en la situación en la cual se ciclaje el problema.

9X5 + X6 + 9X7 X2 +1/3X4 + X5 .X6 . para toda X.Ejemplo: Minimizar Z = -2X4 -3X5 + X6 +12X7 Sujeto a : X1 .2X7 X3 + 2X4 + 3X5 .1/3X6 . Tabla 1 CB 0 0 0 XB X1 X2 X3 b 0 0 2 Z= 0 Cj 0 X1 1 0 0 0 0 0 X2 0 1 0 0 0 0 X3 0 0 1 0 0 -2 X4 -2 1/3 2 0 2 -3 X5 -9 1 3 0 3 1 X6 1 -1/3 -1 0 -1 12 X7 9 -2 -12 0 -12 Sale X2 de solución -2 X4 1 1/3 1 1 1 -3 X5 0 1 0 -3 0 1 X6 -2 -1/3 0 1 0 12 X7 -9 -2 6 6 -6 Sale X1 de solución -3 X5 0 1 0 -3 0 1 X6 -2 1/3 3 3 2 12 X7 -9 2 15 15 3 Sale X5 de solución Entra X5 en solución Tabla 2 CB 0 -3 0 XB X1 X5 X3 b 0 0 2 Z= 0 Cj 0 X1 1 0 0 0 0 0 X2 9 1 -3 -3 -3 0 X3 0 0 1 -3 0 Entra X4 en solución Tabla 3 CB -2 -3 0 XB X4 X5 X3 b 0 0 2 Z= 0 Cj 0 X1 1 -1/3 -1 -1 -1 0 X2 9 -2 -12 -12 -12 0 X3 0 0 1 0 0 -2 X4 1 0 0 -2 0 Entra X7 en solución .2X4 .12X7 = 2 =0 =0 X´s  0.

. la nueva base estará formada por (X1. teniéndose como resultado que el problema se ha ciclado. la cual ya fue obtenida en la tabla 1. X3).Tabla 4 CB -2 12 0 XB X4 X7 X3 b 0 0 2 Z= 0 Cj 0 X1 -2 -1/3 0 0 0 0 X2 -2 -2 -6 -6 -6 0 X3 0 0 1 0 0 -2 X4 1 0 -2 -2 0 -3 X5 9 1 -3 -3 -3 1 X6 1 1/3 1 2 1 12 X7 0 1 12 12 0 Sale X4 de solución -2 X4 1 -1/3 -1 -3 -1 -3 X5 9 -2 -12 -15 -12 1 X6 1 0 0 1 0 12 X7 0 1 0 12 0 Sale X7 de solución -2 X4 -2 -1/3 -3 X5 -9 -2 -6 -9 -6 1 X6 1 0 0 1 0 12 X7 0 1 -3 0 -12 Sale X6 de solución Entra X6 en solución Tabla 5 CB -2 12 0 XB X6 X7 X3 b 0 0 2 Z= 0 Cj 0 X1 -2 1/3 2 2 2 0 X2 9 1 3 3 3 0 X3 0 0 1 0 0 Entra X2 en solución Tabla 6 CB 1 0 0 XB X6 X2 X3 b 0 0 2 Z= 0 Cj 0 X1 1 1/3 1 1 1 0 X2 0 1 0 0 0 0 X3 0 0 1 0 0 -2 1 Entra X1 en solución Como X1 entra a la base. X2.

Como las filas son linealmente independientes ningún par de filas divididas son idénticas.METODO LEXICOGRAFICO El problema de ciclaje puede ser resuelto utilizando una regla que rompa los empates en ( x Br / y rj ) para determinar la variable que abandona la solución. divida cada fila potencial (en empate) entre su similar en fila de la columna pivote. Encuentre la primera columna donde se rompa el empate. Si únicamente una fila queda. Ignorar todas las filas que no tengan el valor más bajo. Esta regla es denominada lexicográfica y su procedimiento es el siguiente: Si cuando se realiza la prueba para determinar el vector correspondiente a la variable que sale de la base de solución. a i1 a k1 a t1 ai 2 ak 2 at 2    a ij a kj a tj *    a in a kn a tn a i1 a ij a k 1 a kj a t1 a tj a i 2 a ij a k 2 a kj a t 2 a tj    1 1 1    a in a ij a kn a kj a tn a tj x Bi y ij x Bk y kj x Bt y tj La columna señalada con * es la columna pivote (corresponde a la variable que entra en solución). . Ejemplo: Trabájese el ejemplo de ciclaje cubierto previamente y pártase de las tablas 2 c j 0 0 0 2 3 1 12 cB 0 xB x1 b 0 x1 1 x2 9 x3 0 x4 1 x5 0 x6 2 x7 xBr yrj 9 01 3 0 x5 x3 0 2 Z 0 0 0 0 0 1 3 3 3 0 1 3 1 1 3 2 2 1 0 0 6 0 1 3 1 6 0 1 0 0 6 013 21 zj zj  cj Entra en Solución X7 Existe un empate entre estas 2 filas por lo que se deberán analizar con el método lexicográfico para determinar la variable que deberá abandonar la solución. se tiene un empate. si quedan más pruebe en las columnas adicionales. esta será la fila pivote.

por lo que sale de solución x 5 . ( m  3 Si existen más de m elementos en la fila z j  c j iguales que cero. . Como todos los elementos en la fila por lo que existirá una solución múltiple. existe una solución básica factible múltiple).x1 11 0 13 x2 91 1 13 x3 01 0 13 x4 1 1 x5 01 1 13 x6 21 1 x7 91 2 13 primera fila segunda fila Analizando de izquierda a derecha encontramos que en la primera columna se rompe el empate ya que la fila 2 es menor que la fila 1 (0 es menor que 1). Es decir que cualquiera de las variables no-básicas que tienen un valor cero en la fila z j  c j puede entrar a formar parte de la solución y el valor de la función objetivo Z no cambiará. Observe que en la fila z j  c j existen 6 elementos iguales que cero. cB 0 2 xB x1 x4 0 x3 cj b 0 0 0 x1 1 0 0 x2 6 3 0 x3 0 0 2 x4 1 1 3 x5 1 3 1 x6 1 1 12 x7 3 6 x Br y rj   2 Z 0 0 0 0 6 6 6 1 0 0 0 2 0 3 6 3 1 2 1 0 12 0 21 zj zj  cj Entra cj en solución Sale de solución 0 0 0 2 3 1 12 cB 0 2 xB x1 x4 b 2 2 x1 1 0 x2 0 3 x3 1 1 x4 0 1 x5 4 0 x6 0 0 x7 3 6 x Br y rj   1 x6 2 Z 0 0 0 0 6 0 0 1 1 1 0 2 0 3 3 0 1 1 0 0  12 0 21 zj zj  cj z j  c j son menores o iguales que cero la solución es óptima.

2X2 + X3 + X5 = 2 X’s ≥ 0 En cierta tabla encontramos qué Cj 1 -1 CB XB B X1 X2 1 X1 10/3 1 0 -1 X2 2/3 0 1 1 -1 0 0 1 X3 5/3 1/3 4/3 1/3 0 0 X4 X5 -2/3 1/3 --1/3 -1/3 --1/3 2/3 Zj -1/3 2/3 Zj-Cj X4 entra en solución La Y4<0. entonces esa variable puede ser introducida en la base sin cambiar el valor de la función objetivo. Ejemplo: Max Z=X1-X2+X3 Sujeto a: X1 + X2 + 2X3 ≥ 4 X1 .CASOS ESPECIALES SOLUCIÓN ILIMITADA Esta ocurre cuando el espacio de soluciones factibles no está acotado y la función a optimizar puede mejorar indefinidamente. X4 -2/3 -1/3 Y como todos los valores de la Y4 son negativos se dice que la Solución es Ilimitada. Es decir cuando alguna otra variable aparte de las variables básicas que se encuentre en la fila Zj . Ejemplo: Max Z = 40 X1 + 1000 X2 Sujeto a: 10 X1 + 5 X2 ≤ 250 4 X1 + 10 X2 ≤ 200 . Max Z=X1-X2+X3 X1 + X2 + 2X3 . para un problema de Maximización) son no positivos (yrj  0).X4 = 4 X1 .Cj  0.2X2 + X3 ≥ 2 X’s ≥ 0 F.Cj a nivel cero. Esta situación se refleja en que todos los elementos en la columna correspondiente a la variable elegida a entrar en la solución (menor vector Zj . SOLUCIÓN MÚLTIPLE Cuando soluciones diferentes originen un mismo valor en la función objetivo se dice que existen soluciones múltiples.O.

entonces existe una solución óptima múltiple. X4.2 X1 + 3 X2 ≤ 900 X1. X5 Variables de holgura CB 0 0 0 XB X3 X4 X5 Cj 40 100 0 0 0 B X1 X2 X3 X4 X5 250 10 5 1 0 0 50 200 4 10 0 1 0 20 900 2 3 0 0 1 300 0 0 0 0 0 Zj -4 -100 0 0 0 Zj-Cj Entra en solución x2 y sale x4 Cj 40 100 0 0 0 CB XB B X1 X2 X3 X4 X5 0 X3 150 8 0 1 -1/2 0 150/8 100 X2 20 2/5 1 0 1/10 0 50 0 X5 840 4/5 0 0 -3/10 1 1050 40 100 0 10 0 Zj 0 0 0 10 0 Zj-Cj Como todos los valores Xbr son ≥ 0 se tiene la solución optima Z* = 2000 X3* = 150 X2* = 20 X5* = 80 Como Z1 – C1 =0 y corresponde a una variable no básica. X2 ≥ 0 X3. Esto significa que puede entrar X1 en solución y el valor de la función objetivo Z * no cambia Cj 40 100 0 0 0 CB XB B X1 X2 X3 X4 X5 40 X3 150/8 1 0 1/8 -1/16 0 100 X2 50/4 0 1 -1/20 1/8 0 0 X5 650/2 0 0 1/50 -2/5 1 40 100 0 15/9 0 Zj 0 0 0 15/9 0 Zj-Cj . X2 ≥ 0 Max Z = 40 X1 + 1000 X2 Sujeto a: 10 X1 + 5 X2 + X3 ≤ 250 4 X1 + 10 X2 + X4 ≤ 200 2 X1 + 3 X 2 + X5 ≤ 900 X1.

f  -f* de esto obtenemos que : Max (-f) = -f*.f  0 -f* -(-f)  0. y multiplicando a la expresión por -1 -f*  f. por lo tanto sustituyendo en 1 tenemos: Max (-f) = . además . .Min f. elíjase una tal que: Min f = f*. entonces f*  f y si pasamos f al lado izquierdo tenemos : f* .Solución Óptima Z* = 2000 X1* = 150/8 X2* = 50/4 X5* = 1650/2 CONVERSIÓN DE UN PROBLEMA DE MINIMIZACIÓN A UN PROBLEMA DE MAXIMIZACIÓN Sea f una serie de puntos en la región de soluciones básicas factibles.

ya que realiza cálculos únicamente en los vectores de aquellas variables no-básicas y registra en memoria lo 1 1 relativo a las variables básicas. B .  Determinar la variable que entra en solución (sea esta x k ) usando WA-C para toda variable no-básica ( wi a j  Se analiza  c j ). Si esto no se cumple continúe el proceso. realizar los cálculos necesarios para sacar de la base a x f y meter a la misma x k (actualice la columna a k para que esta aporte la columna de la matriz identidad que aportaba la variable saliente x f ). aij y b i). Donde W  c B B Si z j  c j  0 para un problema de minimización o z j  c j  0 para un problema de maximización la solución es óptima y es el fin del proceso.PROCEDIMIENTO SIMPLEX REVISADO Este método requiere una menor cantidad de cálculos. Procedimiento: 1 1 Si Z  c B X B donde X B  B A . Pasos:  Determinar las variables básicas y formar B. entonces Z  c B B A equivale a z j  cB B a j y si 1 W  c B B 1 entonces ahora WA  C  Z  C equivale a wi a j  c j  z j  c j . sea ykj x f . 1  Obtener B . c B B . xBi (para toda i) para determinar que la variable sale de solución. ésta  Regresar al principio del proceso. 1  Obtener z j  c j  wa j  c j . Base de la inversa Lado derecho W=c B B 1 C B XB B-1 XB . x B y c B x B (así como todos los valores iniciales cj. Ahora actualice la columna a k para que ésta aporte la columna de la matriz identidad que aportaba la variable saliente x f .

Tabla 1 0 0 1 0 0 1 0 15 10 y1 5 x3 x4 3 5  Sale x 4 Generando en la columna de la variable entrante la columna necesaria para formar la matriz identidad (la que aportaba la variable saliente x 4 ) se tiene: .Tablas en el proceso W x B1 xk zk  ck y 1k xB2  y 2k  x Bm y mk CB X B 1 B Ejemplo 1: Max Z  5 x1  3 x 2 Sujeto a: 3 x1  5 x 2  15 5 x1  2 x 2  10 x1 . x 2  0 Así: x1 x2 x3 5 2 1 0 3 A 5 x4 C  5 0 1  3 0 0 15 b  10 Analizando para todas las variables no-básicas: x1 x2 3 5  z j  c j  WA  C   0 0    5 3   5 3 5 2  por lo que entra en solución x1 .

0 1 1 3 5 10 9 x3 0 15 2 x1 Analizando para todas las variables no-básicas: x2 x 4 5 0 z j  c j  WA  C   0 1     3 0    1 1 2 1 por lo que entra en solución x 2 . Solución óptima: Z  235 / 19 x1  20 19 x2  45 19 . Como todos los valores son mayores que cero la solución óptima se ha alcanzado. Tabla 2 0 1 10 1 0 3 5 15 9 2 y2 1 19 5  Sale x3 25 x3 x1 Generando en la columna de la variable entrante la columna necesaria para formar la matriz identidad (la que aportaba la variable saliente x 3 ) se tiene: 5 19 5 19  2 19 16 19  3 19 5 19 Analizando para todas las variables no-básicas: x3 z j  c j  WA  C  5 19 1 16 19 0 235 19 45 19 20 19 x4 0  0 1 0  5 19 16 19.

Ejemplo 2: Método de la M Min Z  3 x1  2 x 2 Sujeto a: 3 x1  x 2  3 4 x1  3 x 2  6 x1  x 2  3 x1 . x4  M .1  3 2 0 0  1 0 0   M  M   3 2 0 0 C B B 1 a j  c j  z j  c j  WA  C  7 M  3 4 M  2  M Entra en solución x1 por tener el valor más positivo. x 2  0 3 x1  x 2  x 3 3  x6 4 x1  3 x 2  x4  x7  6 x1  x 2  x5 3 x 6 y x 7 son variables artificiales Así: x1 x2 x3 x4 x5 x6 x7 3 A  4  1 1 -1 0 0 1 3 0 -1 0 0 1 0 0 1 0 0 1  0 C  3 2 0 0 0 M M  3 b  6    3 Analizando para todas las variables no-básicas: C B B a j  c j  z j  c j  WA  C  M 1 C B B 1 a j  c j  z j  c j  WA  C  7 M M x1 x2 x3 3 04  1 1 -1 4M 0 3 0 .

Tabla 2 y2  4 3M 1 M 0 2M  3 13 0 0 1 43 1 0 2 x1 x7 1 3 0 1 2 x5 5 3M 1 13 53 23 Generando en la columna de la variable entrante la columna necesaria para formar la matriz identidad (la que aportaba la variable saliente x 7 ) se tiene: .Tabla 1 M 1 M 0 0 0 0 1 0 0 y1 9M 7M  3 0 3 6 x6 x7 3 4 1 3 x5 1  Sale x 6 Generando en la columna de la variable entrante la columna necesaria para formar la matriz identidad (la que aportaba la variable saliente x 6 ) se tiene: 4 3 M  1 1 3 4 3 1 3 M 0 1 0 0 0 0 1 2M  3 1 2 2 CB B a j  c j  z j  c j  WA  C   4 3 M  1 M 1 Analizando para todas las variables no básicas: x2 x3 x4 x6 1 0  4 1 -1 0 0 0 -1 0 1 0    2 0 0 M  0  CB B 1a j  c j  z j  c j  WA  C  8 3 M  1 4 3 M  1  M CB B 1a j  c j  z j  c j  WA  C  8 3 M  1 4 3 M  1  M 4 3 M    2 0 0 M  4 3 M  1 Entra en solución x 2 por tener el valor más positivo.

x 3 . x 7  0 donde x 5 y x 6 son variables de holgura y x 7 es una variable artificial. x 2 . x 6 . x 4  0  x3  x 4  x5 6  3x 3  3x 4  x6  x7  2 x1 . x 3 . Solución óptima: Z  21 5 x1  3 5 x2  6 5 x5  6 5 Ejemplo 3: Método de las 2 Fases Max Z  x1  2 x 2  x 3  x 4 Sujeto a: x1  4 x 2  x 3  x 4  6 2 x1  x 2  3 x 3  3 x 4  2 x1  4x2 2 x1  x2 x1 . x 4 . x 2 . x 5 .15 35 35 1 5 0 0 21 5 35 x1 45 15 35 25 0 1 65 65 x2 x5 Analizando para todas las variables no-básicas: x3 x4 x6 x7 1 0  -1 0  CB B a j  c j  z j  c j  WA  C  1 5 3 5 0  0 -1 0 1    0 0 M  0 0 0 0  CB B 1a j  c j  z j  c j  WA  C    1 5  3 5 1 5 3 5   0 0 M M  1 M CB B 1a j  c j  z j  c j  WA  C    1 5  3 5 1 5  M 3 5  M  Se ha alcanzado la solución óptima por ser todos los valores negativos. FASE I Así: .

FASE II Ahora C  5 . 1 -1 0 0 y se recalcula la tabla con los valores verdaderos de las . Tabla 1 0 1 -2 1 0 0 1 6 2 y3 -3 1 3 x5 x7  Sale x 7 Generando en la columna de la variable entrante la columna necesaria para formar la matriz identidad (la que aportaba la variable saliente x 7 ) se tiene: 0 0 0 1 1 3 16 0 1 3 2 3 x5 3 x3 Analizando para todas las variables no-básicas: x1 1 z j  c j  WA  C   0 0  2 x2 x4 x6 4 -1 0 1 -3 -1 x7 0   0 0 0 1 1   0 0 0 1 1 1 Como todos los valores son iguales a cero se ha alcanzado el final de la Fase I.1 6  b   2 Analizando para todas las variables no-básicas: x1 x2 x3 x4 x6 1 4 1 z j  c j  WA  C   0 -1  2 1 3 z j  c j  WA  C   -2 -1 -3 3 0 -1 -3 0   0 0 0 0 0 1 Por lo que entra en solución x 3 .2 cj .x1 x2 x3 x4 x5 x6 x7 1 A 2 4 1 1 3 -1 -3 1 0 0 -1 0 1 C  0 0 0 0 0 0 .

Tabla 2 y1 0 1 3 2 1 1 3 16 0 1 3 2 .133 3 3 x5 1 3 3 x3 2  Sale x 3 3 Generando en la columna de la variable entrante la columna necesaria para formar la matriz identidad (la que aportaba la variable saliente x 3 ) se tiene: 0 5 2 5 1 1 2 5 x5 0 1 2 1 x1 Analizando para todas las variables no-básicas: z j  c j  WA  C  0 5 z j  c j  WA  C   5 2 2 15 x2 x3 4 1 1 -1 3 -3  2 -15 2 x4 5 2 x6 0  . 0 5/ 2 1 0 1 2 1 2 5 5 1 x5 x1 0 1 -1 0    12 y4 13 2 1 2 3 13 2 13 2 5 2   Sale x5 2 Generando en la columna de la variable entrante la columna necesaria para formar la matriz identidad (la que aportaba la variable saliente x5 ) se tiene: .2 1    5 .z j  c j  WA  C   0 z j  c j  WA  C   2 3 1 3 1 x1 x2 x4 x6 1 2 4 1 -1 -3 0  5 -2 -1 1  3 -1 1 3   5 0 0   13 3 -2 -1 7 3 0  13  Entra x1 en solución por tener el valor más negativo.2 -1 Entra x4 en solución por tener el valor más negativo.

1 4  5 . Solución óptima: Z *  70 x * 4  10 x *1  16 .13  4 70 2 1 10 3 1 16 x4 x1 Analizando para todas las variables no-básicas: x 2 x3 x 4 x 6 4 1 .1 0 1 3 3 1   z j  c j  WA  C  48 1 .2 1 .2 .1 0  43 3 0 4 Como todos los valores son mayores que cero la solución óptima se ha alcanzado.1 0  z j  c j  WA  C  13  4   .

Ejemplo 1: Max Z=X1-X2+X3 Sujeto a: X1 + X2 + 2X3 ≥ 4 X1 . Una vez que se logra eliminar esta variable negativa. se obtiene el valor de la variable básica usando XB=B-1b y se obtienen Zj-Cj.RESOLUCIÓN DE PROBLEMAS SIN USAR VARIABLES ARTIFICIALES En problemas de programación lineal en las que al querer resolver por el método simplex no se cuenta con una solución inicial básica factible (no se tienen las columnas que aportan la matriz identidad y por lo tanto (no está presente la matriz identidad).2X2 + X3 + X5 = 2 X’s >= 0 1 1 2  1 0   A   1  2 1 0 1  1 2   B   1 1   4 b     2 1 2   B 1    1  1 Variables Básicas (X1 y X3) por que Aportan el mayor beneficio a Z . y no se desea usar variables artificiales. Se supone una base de solución con aquellas variables que aporten mayor beneficio a Z de acuerdo al objetivo que tengan.2X2 + X3 ≥ 2 X’s ≥ 0 -------------------------------------------F.O. y Z. Conocida la inversa se obtienen las yj’s. Se determina que variable entra y cual sale de solución en el caso de que todas las X B sean ≥ 0. Una vez que se tiene las variables que son básicas se determina B (se parte de una base de solución B que incluya aquellas variables que mejor beneficio aporten a la función objetivo) y se obtiene B-1 . donde yj=B-1aj . se continúa con el proceso normal del simplex para buscar la solución óptima al problema.X4 = 4 X1 . en el caso de que alguna XB sea menor que cero se utilizará el Dual-Simplex para buscar eliminar la XB negativa. Max Z=X1-X2+X3 X1 + X2 + 2X3 .

B-1 b   1 2  4   0         1  1 2   2   1    5        2  3    1  1  a       0    1 0  2        1    1 CB XB 1 X1 1 X3 Cj 1 -1 1 0 0 B X1 X2 X3 X4 X5 0 1 -5 0 1 2 -2 0 3 1 -1 -1 2/3 1 -2 1 0 1 Zj 0 -1 0 0 1 Zj-Cj X3 sale de solución X2 entra en solución Cj 1 -1 CB XB B X1 X2 1 X1 10/3 1 0 -1 X2 2/3 0 1 1 -1 0 0 1 X3 5/3 1/3 4/3 1/3 0 0 X4 X5 -2/3 1/3 --1/3 -1/3 --1/3 2/3 Zj -1/3 2/3 Zj-Cj La Y4<0 X4 entra en solución A consecuencia de que la Y4 tiene valores negativos es una solución Ilimitada. Ejemplo 2: .

. X5 Variables de holgura CB 0 0 0 XB X3 X4 X5 Cj 40 100 0 0 0 B X1 X2 X3 X4 X5 250 10 5 1 0 0 50 200 4 10 0 1 0 20 900 2 3 0 0 1 300 0 0 0 0 0 Zj -4 -100 0 0 0 Zj-Cj Entra en solución x2 y sale x4 CB 0 100 0 XB X3 X2 X5 Cj 40 100 0 0 0 B X1 X2 X3 X4 X5 150 8 0 1 -1/2 0 150/8 20 2/5 1 0 1/10 0 50 840 4/5 0 0 -3/10 1 1050 40 100 0 10 0 Zj 0 0 0 10 0 Zj-Cj Como todos los valores Xbr son ≥ 0 se tiene la solución optima Z* = 2000 X3* = 150 X2* = 20 X5* = 80 Z1 – C1 es una variable no básica que ENTRA X1 en solución tiene un valor de cero. X2 ≥ 0 X3. por lo tanto es una solución óptima múltiple.Max Z = 40 X1 + 1000 X2 Sujeto a: 10 X1 + 5 X2 ≤ 250 4 X1 + 10 X2 ≤ 200 2 X1 + 3 X2 ≤ 900 X1. X4. X2 ≥ 0 Max Z = 40 X1 + 1000 X2 Sujeto a: 10 X1 + 5 X2 + X3 ≤ 250 4 X1 + 10 X2 + X4 ≤ 200 2 X1 + 3 X 2 + X5 ≤ 900 X1.

CB 40 100 0 XB X3 X2 X5 Cj 40 100 0 0 0 B X1 X2 X3 X4 X5 150/8 1 0 1/8 -1/16 0 50/4 0 1 -1/20 1/8 0 650/2 0 0 1/50 -2/5 1 40 100 0 15/9 0 Zj 0 0 0 15/9 0 Zj-Cj Solución Óptima Z* = 2000 X1* = 150/8 X2* = 50/4 X5* = 1650/2 .

k xk zk  ck y 1k y 2k  x Bm y mk d) Pivotee en yr. yi .k Nueva W 1 Nueva B Nuevo CB X B Nueva xk 0 xk 0  1 fila r 0 . c B .x B ? a) Seleccione la variable entrante xk b) Seleccione la variable saliente x r . W.¿Cómo calcular la reducción de costos de las variables básicas? z j -c j  Wa j  c j donde j corresponde a las variables no-básicas ¿Cómo calcular la columna de yj asociada a la variable xj que entra en solución? y k =B 1a k ¿Cómo actualizar B1 . c) Agregue la columna de xk W CB X B x B1 xB2  B1  xr x  min  Bi .k   yi .k > 0 yr .