Está en la página 1de 99

Optimizaci on y Programaci on Lineal

Introducci on al M etodo Simplex

30 de enero de 2011

Introducci on

Introducci on

En esta lectura daremos una introducci on al m etodo Simplex desarrollado por George Bernard Dantzig (8 de noviembre de 1914 13 de mayo de 2005) en 1947. Este m etodo se basa en la conversi on del problema con restricciones con desigualdades en un problema cuyas restricciones son ecuaciones lineales.

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

2 / 61

Forma Est andar

Forma Est andar


Un modelo de PL se dice que est a en su forma est andar si cada restricci on es una igualdad y las restricciones de signo para cada variable son del tipo mayor o igual que cero.

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

3 / 61

Forma Est andar

Forma Est andar


Un modelo de PL se dice que est a en su forma est andar si cada restricci on es una igualdad y las restricciones de signo para cada variable son del tipo mayor o igual que cero.
Ejemplo No est a en la forma est andar: Max z = 3 x + 2 y sujeto a 2x x x x + y + y 100 80 40 0 0

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

3 / 61

Conversi on a la Forma Est andar

Conversi on a la Forma Est andar


El algoritmo Simplex para resolver modelos de programaci on lineal requiere que el modelo est e en su forma est andar. Lo que se hace es convertir el modelo a la forma est andar. Esto se logra introduciendo nuevas variables, algunas de las cuales reemplazar an a las variables originales.

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

4 / 61

Conversi on a la Forma Est andar

Conversi on a la Forma Est andar


El algoritmo Simplex para resolver modelos de programaci on lineal requiere que el modelo est e en su forma est andar. Lo que se hace es convertir el modelo a la forma est andar. Esto se logra introduciendo nuevas variables, algunas de las cuales reemplazar an a las variables originales. Para cada restricci on del tipo se introduce una nueva variable de holgura (slack variable) si que se suma al primer miembro y la desigualdad se convierte en igualdad; se a nade la restricci on de signo a la nueva variable si 0.

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

4 / 61

Conversi on a la Forma Est andar

Conversi on a la Forma Est andar


El algoritmo Simplex para resolver modelos de programaci on lineal requiere que el modelo est e en su forma est andar. Lo que se hace es convertir el modelo a la forma est andar. Esto se logra introduciendo nuevas variables, algunas de las cuales reemplazar an a las variables originales. Para cada restricci on del tipo se introduce una nueva variable de holgura (slack variable) si que se suma al primer miembro y la desigualdad se convierte en igualdad; se a nade la restricci on de signo a la nueva variable si 0. Para cada restricci on del tipo se introduce una nueva variable de exceso (excess variable) ei que se resta al primer miembro y la desigualdad se convierte en igualdad; se a nade la restricci on de signo a la nueva variable ei 0.

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

4 / 61

Conversi on a la Forma Est andar

Para cada variable xi que tiene restricci on de signo del tipo 0, se cambian todas las apariciones de xi en el modelo por la expresi on xi donde xi es una nueva variable con restricci on de signo xi 0.

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

5 / 61

Conversi on a la Forma Est andar

Para cada variable xi que tiene restricci on de signo del tipo 0, se cambian todas las apariciones de xi en el modelo por la expresi on xi donde xi es una nueva variable con restricci on de signo xi 0. Para cada variable xi que no tiene restricci on de signo se cambian todas las apariciones de ella en el modelo por la expresi on xi xi donde xi y xi son dos nuevas variables con restricci on de signo xi 0 y xi 0.

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

5 / 61

Ejemplos de Conversi on a la Forma Est andar

Ejemplos de Conversi on a la Forma Est andar


Ejemplo Convierta a la forma est andar: Max z = 3 x + 2 y sujeto a 2x x x + y + y x y 100 80 40 0 0 : R1 : R2 : R3

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

6 / 61

Ejemplos de Conversi on a la Forma Est andar

Ejemplos de Conversi on a la Forma Est andar


Ejemplo Convierta a la forma est andar: Max z = 3 x + 2 y sujeto a 2x x x + y + y x y Max z = 3x R1 2 x + R2 x + R3 x + y y 2y + s1 + s2 + s3 100 80 40 0 0 : R1 : R2 : R3

= = =

100 80 40

Satisfaciendo las variables de decisi on x , y , s1 , s2 , s3 0.


Introducci on al M etodo Simplex () Optimizaci on y Programaci on Lineal 30 de enero de 2011 6 / 61

Ejemplos de Conversi on a la Forma Est andar

Ejemplo Convierta a la forma est andar: Max z = 50 x1 + 20 x2 + 30 x3 sujeto a 400 x1 3 x1 2 x1 2 x1 + 200 x2 + 2 x2 + 2 x2 + 4 x2 + + + 150 x3 4 x3 x3 500 6 10 = 8

x1 , x2 , x3 , x4 0

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

7 / 61

Ejemplos de Conversi on a la Forma Est andar

Usando las reglas descritas previamente se introducen las nuevas variables e1 , s1 y e2 para las restricciones 1, 2 y 3 respectivamente. El nuevo modelo PL queda: Max z = 50 x1 + 20 x2 + 30 x3 sujeto a 400 x1 3 x1 2 x1 2 x1 + 200 x2 + 150 x3 e1 + 2 x2 + s1 + 2 x2 + 4 x3 e2 + 4 x2 + x3 x1 , x2 , x3 , e1 , e2 , s1 0 = = = = 500 6 10 8

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

8 / 61

Soluci on b asica

Soluci on b asica

Una soluci on b asica (SB) a un sistema de ecuaciones A x = b m n (n m) es una soluci on al sistema que se obtiene haciendo cero n m variables y que resulta en un sistema con soluci on u nica. A una variable de decisi on que deliberadamente se hace cero se le llama variables no b asica (VNB) y mientras que a aqu ella que se conserva dentro del nuevo sistema se le llama variable b asica (VB).

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

9 / 61

Soluci on b asica

Ejemplo Determine las soluciones b asicas al sistema: x1 + x2 x2 + x3 = = 3 1

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

10 / 61

Soluci on b asica

Ejemplo Determine las soluciones b asicas al sistema: x1 + x2 x2 + x3 = = 3 1

En este caso: m = 2 =n umero de ecuaciones y n = 3 =n umero de inc ognitas. Por tanto, las soluciones b asicas se obtienen haciendo cero n m = 3 2 = 1 variable. Siendo n = 3 el n umero de variables, tenemos: n nm = 3 1 = 3! 123 = = 3 posibles SB 1! (3 1)! 112

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

10 / 61

Soluci on b asica

VNBs = {x1 }. Haciendo x1 = 0 el sistema original queda: + x2 x2 + x3 = 3 = 1

dando como soluci on : x1 = 0, x2 = 3 y x3 = 2.

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

11 / 61

Soluci on b asica

VNBs = {x1 }. Haciendo x1 = 0 el sistema original queda: + x2 x2 + x3 = 3 = 1

dando como soluci on : x1 = 0, x2 = 3 y x3 = 2. VNBs = {x2 }. Haciendo x2 = 0 el sistema original queda: + x1 + x3 = 3 = 1

dando como soluci on : x1 = 3, x2 = 0 y x3 = 1.

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

11 / 61

Soluci on b asica

VNBs = {x1 }. Haciendo x1 = 0 el sistema original queda: + x2 x2 + x3 = 3 = 1

dando como soluci on : x1 = 0, x2 = 3 y x3 = 2. VNBs = {x2 }. Haciendo x2 = 0 el sistema original queda: + x1 + x3 = 3 = 1

dando como soluci on : x1 = 3, x2 = 0 y x3 = 1. VNBs = {x3 }. Haciendo x3 = 0 el sistema original queda: + x1 + x2 x2 = 3 = 1

dando como soluci on : x1 = 2, x2 = 1 y x3 = 0.


Introducci on al M etodo Simplex () Optimizaci on y Programaci on Lineal 30 de enero de 2011 11 / 61

Soluci on b asica

Ejemplo Determine las soluciones b asicas al sistema: x1 2 x1 + + 2 x2 4 x2 + x3 + x3 = 1 = 3

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

12 / 61

Soluci on b asica

Ejemplo Determine las soluciones b asicas al sistema: x1 2 x1 + + 2 x2 4 x2 + x3 + x3 = 1 = 3

En este ejemplo hay 3!/(1! (3 1)!) = 3 posibles soluciones b asicas.

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

12 / 61

Soluci on b asica

Ejemplo Determine las soluciones b asicas al sistema: x1 2 x1 + + 2 x2 4 x2 + x3 + x3 = 1 = 3

En este ejemplo hay 3!/(1! (3 1)!) = 3 posibles soluciones b asicas. VNBs = {x1 }. Haciendo x1 = 0 el sistema original queda: + + 2 x2 4 x2 + x3 + x3 = = 1 3

dando como soluci on : x1 = 0, x2 = 1 y x3 = 1.

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

12 / 61

Soluci on b asica

Ejemplo Determine las soluciones b asicas al sistema: x1 2 x1 + + 2 x2 4 x2 + x3 + x3 = 1 = 3

En este ejemplo hay 3!/(1! (3 1)!) = 3 posibles soluciones b asicas. VNBs = {x1 }. Haciendo x1 = 0 el sistema original queda: + + 2 x2 4 x2 + x3 + x3 = = 1 3

dando como soluci on : x1 = 0, x2 = 1 y x3 = 1. VNBs = {x2 }. Haciendo x2 = 0 el sistema original queda: + + x1 2 x1 + x3 + x3 = = 1 3

dando como soluci on : x1 = 2, x2 = 0 y x3 = 1.


Introducci on al M etodo Simplex () Optimizaci on y Programaci on Lineal 30 de enero de 2011 12 / 61

Soluci on b asica

VNBs = {x3 }. Haciendo x3 = 0 el sistema original queda: x1 2 x1 + 2 x2 + 4 x2 = 1 = 3

este sistema es inconsistente. Por tanto, no hay soluci on b asica correspondiente a VNBs = {x3 }.

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

13 / 61

Soluci on b asica factible

Soluci on b asica factible

Una soluci on b asica factible (SBF) a un sistema de ecuaciones A x = b m n (n m) es una soluci on b asica con valores no negativos para las variables de decisi on.

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

14 / 61

Soluci on b asica factible

Ejemplo Determina las soluciones b asicas factibles del sistema est andar correspondiente a la regi on que denen las restricciones x1 2 x1 y x1 , x2 0. + x2 + x2 40 60

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

15 / 61

Soluci on b asica factible

Ejemplo Determina las soluciones b asicas factibles del sistema est andar correspondiente a la regi on que denen las restricciones x1 2 x1 y x1 , x2 0. La forma est andar es: x1 2 x1 + + x2 x2 + s1 + s2 = = 40 60 + x2 + x2 40 60

y cumpliendo x1 , x2 , s1 , s2 0.

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

15 / 61

Soluci on b asica factible

En este caso desaparecemos 4 2 variables para obtener las SB: VNBs = {x1 , x2 } VB = {s1 = 40, s2 = 60} A(0,0) VNBs = {x1 , s1 } VB = {x2 = 40, s2 = 20} B(0,40) VNBs = {x1 , s2 } VB = {x2 = 60, s1 = 20} C(0,60), no es soluci on b asica factible VNBs = {x2 , s1 } VB = {x1 = 40, s2 = 20} D(40,0), no es soluci on b asica factible VNBs = {x2 , s2 } VB = {x1 = 30, s1 = 10} E(30,0) VNBs = {s1 , s2 } VB = {x1 = 20, x2 = 20} F(20,20)

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

16 / 61

Soluci on b asica factible

En este caso desaparecemos 4 2 variables para obtener las SB: VNBs = {x1 , x2 } VB = {s1 = 40, s2 = 60} A(0,0) VNBs = {x1 , s1 } VB = {x2 = 40, s2 = 20} B(0,40) VNBs = {x1 , s2 } VB = {x2 = 60, s1 = 20} C(0,60), no es soluci on b asica factible VNBs = {x2 , s1 } VB = {x1 = 40, s2 = 20} D(40,0), no es soluci on b asica factible VNBs = {x2 , s2 } VB = {x1 = 30, s1 = 10} E(30,0) VNBs = {s1 , s2 } VB = {x1 = 20, x2 = 20} F(20,20)
C (0, 60)

B (0, 40)

F (20, 20)

D (40, 0) A(0, 0) Introducci on al M etodo Simplex () E (30, 0) 30 de enero de 2011 16 / 61

Optimizaci on y Programaci on Lineal

Direcci on de No Acotamiento

Direcci on de No Acotamiento

Considere un modelo PL en su forma est andar con regi on factible S y con restricciones A x = b y x 0. Un vector no cero d es una direcci on de no acotamiento si para para cualquier x S y para cualquier escalar c 0 se cumple que x + c d est a en S . Se demuestra: Teorema d es una direcci on de no acotamiento si y s olo si d cumple que A d = 0 y d 0.

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

17 / 61

Direcci on de No Acotamiento

Ejemplo Determine las SBF y direcciones de no acotamiento para la regi on 2 x1 + 3 x2 6 cumpliendo x1 , x2 0.

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

18 / 61

Direcci on de No Acotamiento

Ejemplo Determine las SBF y direcciones de no acotamiento para la regi on 2 x1 + 3 x2 6 cumpliendo x1 , x2 0. La forma est andar queda 2 x1 + 3 x2 e 1 = 6 con x1 , x2 , e1 0.

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

18 / 61

Direcci on de No Acotamiento

VNBs = {x1 , x2 } VB = {e1 = 6} A(0,0) NF VNBs = {x1 , e1 } VB = {x2 = 2} B(0,2) SBF VNBs = {x2 , e1 } VB = {x1 = 3} C(3,0) SBF

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

19 / 61

Direcci on de No Acotamiento

VNBs = {x1 , x2 } VB = {e1 = 6} A(0,0) NF VNBs = {x1 , e1 } VB = {x2 = 2} B(0,2) SBF VNBs = {x2 , e1 } VB = {x1 = 3} C(3,0) SBF Encontramos la soluci on general para 2 x1 + 3 x2 e1 = 0 despejando e1 : e= 2 x1 + 3 x2 es decir, que la direcci on de no acotamiento es: x1 x1 x2 d = x2 = e1 2 x1 + 3 x2 le podemos dar valores a x1 , x2 para generar direcciones de no acotamiento. Por ejemplo, x1 = 1 y x2 = 0 dando la direcci on d =< 1, 0, 2 > cuya proyecci on en el espacio con x1 y x2 es el eje x . Tambi en podemos elegir x2 = 1 y x1 = 0 dando la direcci on d =< 0, 1, 3 > cuya proyecci on en el espacio con x1 y x2 es el eje y . Inclusive podemos tomar x1 = 1 y x2 = 1 dando la direcci on d =< 1, 1, 5 >.

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

19 / 61

Direcci on de No Acotamiento

B (0, 2)

A(0, 0)

C (3, 0)

Figura: Direcci on de no acotamiento para el ejemplo

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

20 / 61

Direcci on de No Acotamiento

Ejemplo Determine las SBF y direcciones de no acotamiento para la regi on 7 x1 2 x1 con x1 , x2 0. + 2 x2 + 12 x2 28 24

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

21 / 61

Direcci on de No Acotamiento

Ejemplo Determine las SBF y direcciones de no acotamiento para la regi on 7 x1 2 x1 con x1 , x2 0. La forma est andar queda 7 x1 2 x1 con x1 , x2 , s1 , s2 0. + 2 x2 + 12 x2 s1 s2 = 28 = 24 + 2 x2 + 12 x2 28 24

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

21 / 61

Direcci on de No Acotamiento

VNBs = {x1 , x2 } VB = {s1 = 24, s2 = 28} A(0,0) NF VNBs = {x1 , s1 } VB = {x2 = 14, s2 = 144} B(0,14) VNBs = {x1 , s2 } VB = {x2 = 2, s1 = 24} C(0,2) NF VNBs = {x2 , s1 } VB = {x1 = 4, s2 = 16} D(4,0) NF VNBs = {x2 , s2 } VB = {x1 = 12, s1 = 56} E(12,0) VNBs = {s1 , s2 } VB = {x1 = 18/5, x2 = 7/5} F(18/5,7/5)

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

22 / 61

Direcci on de No Acotamiento

VNBs = {x1 , x2 } VB = {s1 = 24, s2 = 28} A(0,0) NF VNBs = {x1 , s1 } VB = {x2 = 14, s2 = 144} B(0,14) VNBs = {x1 , s2 } VB = {x2 = 2, s1 = 24} C(0,2) NF VNBs = {x2 , s1 } VB = {x1 = 4, s2 = 16} D(4,0) NF VNBs = {x2 , s2 } VB = {x1 = 12, s1 = 56} E(12,0) VNBs = {s1 , s2 } VB = {x1 = 18/5, x2 = 7/5} F(18/5,7/5)

B (0, 14)

F (18/5, 7/5) C (0, 2) A(0, 0) D (4, 0) E (12, 0)

Figura: No acotamiento
Introducci on al M etodo Simplex () Optimizaci on y Programaci on Lineal 30 de enero de 2011 22 / 61

Direcci on de No Acotamiento

Resolviendo A x = 0 obtenemos: x1 x1 x2 x2 = s 1 7 x1 + 2 x2 s2 2 x1 + 12 x2

Haciendo x1 = x2 = 1 obtenemos una direcci on de no acotamiento: 1 1 d= 9 14

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

23 / 61

Direcci on de No Acotamiento

Ejemplo Determine las SBF y direcciones de no acotamiento para la regi on x1 x1 x1 con x1 , x2 0. + x2 + x2 + x2 1 1 1

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

24 / 61

Direcci on de No Acotamiento

Ejemplo Determine las SBF y direcciones de no acotamiento para la regi on x1 x1 x1 + x2 + x2 + x2 1 1 1

con x1 , x2 0. Ejemplo Determine las SBF y direcciones de no acotamiento para la regi on x1 x1 con x1 , x2 0. + x2 + x2 1 1 1

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

24 / 61

Relaci on entre SBF y los extremos de RF

Relaci on entre SBF y los extremos de RF

Un punto clave que relaciona la parte geom etrica con la parte algebraica es el siguiente resultado te orico: Teorema La regi on factible a un modelo lineal corresponde a un conjunto convexo, y a cada extremo de la regi on le corresponde una SBF de su forma est andar y a cada SBF le corresponde un extremo de la regi on factible.

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

25 / 61

Relaci on entre SBF y los extremos de RF

El siguiente resultado dice que todos los puntos de la regi on factible pueden obtenerse mediante conbinaciones lineales convexas de los extremos. Inclusive, cuando la regi on factible es no acotada todos los puntos de la regi on factible se obtienen trasladando las combinaciones convexas por direcciones de no acotamiento. Teorema Considere un modelo PL en la forma est andar que tiene como soluciones b asicas factibles a b1 , b1 , . . . , bk . Cualquier punto en la regi on factible puede ser escrito en la forma:
k

x=d+
i =1

i bi

donde d es el vector cero o es una direcci on de no acotamiento y se cumple que


k

i = 1
i =1

y i 0.
Introducci on al M etodo Simplex () Optimizaci on y Programaci on Lineal 30 de enero de 2011 26 / 61

Los puntos donde ocurren los optimos

Los puntos donde ocurren los o ptimos


Teorema Si un modelo PL tiene soluci on optima, entonces tiene una soluci on b asica factible optima.

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

27 / 61

Los puntos donde ocurren los optimos

Los puntos donde ocurren los o ptimos


Teorema Si un modelo PL tiene soluci on optima, entonces tiene una soluci on b asica factible optima. Sea xo una soluci on optima. Entonces xo puede escribirse de la forma:
k

xo = d +
i =1

i bi

donde bk son las SBF al PL, d es el vector cero o es el vector de direcci on de no k acotamiento y i =1 i = 1 y i 0. Suponga que la funci on objetivo es f (x) = c x. Existen tres casos posibles para c d:

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

27 / 61

Los puntos donde ocurren los optimos

Los puntos donde ocurren los o ptimos


Teorema Si un modelo PL tiene soluci on optima, entonces tiene una soluci on b asica factible optima. Sea xo una soluci on optima. Entonces xo puede escribirse de la forma:
k

xo = d +
i =1

i bi

donde bk son las SBF al PL, d es el vector cero o es el vector de direcci on de no k acotamiento y i =1 i = 1 y i 0. Suponga que la funci on objetivo es f (x) = c x. Existen tres casos posibles para c d: c d > 0: Como para cualquier k > 0, yk = k d + soluci on factible, entonces
k k i =1

i bi es una

c yk = k (c d) +
i =1

i c bi

Introducci on al M etodo Simplex

podr a hacerse crecer indenidamente. Contradiciendo el hecho de que en xo () Optimizaci on y Programaci on Lineal 30 de enero de 2011 27 / 61 alcanz o un optimo.

Los puntos donde ocurren los optimos

c d < 0: Como y = 0 d +
k

k i =1

i bi es una soluci on factible, entonces


k

cy =
i =1

i c bi > c d +
i =1

i c bi = c xo

Contradiciendo el hecho de que en xo alcanz o un optimo.

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

28 / 61

Los puntos donde ocurren los optimos

c d < 0: Como y = 0 d +
k

k i =1

i bi es una soluci on factible, entonces


k

cy =
i =1

i c bi > c d +
i =1

i c bi = c xo

Contradiciendo el hecho de que en xo alcanz o un optimo. c d = 0: As


k k

c xo = c d +
i =1

i c b i =
i =1

i c bi

Si suponemos que bj es la SBF con mayor evaluaci on en la funci on objetivo (c bi c bj para toda i = 1, 2, . . . , k ). Entonces
k k k

c xo =
i =1

i c bi
i =1

i c bj =
i =1

c bj = c bj

Como xo es optimo se deduce que c xo = c bj . Es decir, que la SBF bj es tambi en un optimo para el PL.
Introducci on al M etodo Simplex () Optimizaci on y Programaci on Lineal 30 de enero de 2011 28 / 61

SBF Adyacentes

SBF Adyacentes

Una denci on importante que relaciona la parte geom etrica con la parte algebraica. Para un modelo PL con m restricciones, dos soluciones b asicas factibles se dicen ser soluciones b asicas factibles adyacentes si acaso tienen m 1 variables b asicas en com un.

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

29 / 61

SBF Adyacentes

Ejemplo Determine las SBFs y encuentre sus relaciones de adyacencia al siguiente PL: Maximice z = 4 x1 + 3 x2 sujeto a: x1 + x2 + s1 = 40 2 x1 + x2 + s2 = 60

y cumpliendo x1 , x2 , s1 , s2 0.

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

30 / 61

SBF Adyacentes

Este problema tiene como FBS: VNBs = {x1 , x2 } VB = {s1 = 40, s2 = 60} A(0,0) VNBs = {x1 , s1 } VB = {x2 = 40, s2 = 20} B(0,40) VNBs = {x2 , s2 } VB = {x1 = 30, s1 = 10} E(30,0) VNBs = {s1 , s2 } VB = {x1 = 20, x2 = 20} F(20,20) Son adyacentes: A(0,0) y B(0,40), A(0,0) y E(30,0), B(0,40) y F(20,20), y E(30,0) y F(20,20).
B (0, 40)

F (20, 20)

A(0, 0) Introducci on al M etodo Simplex ()

E (30, 0) 30 de enero de 2011 31 / 61

Optimizaci on y Programaci on Lineal

Algoritmo Simplex

Algoritmo Simplex
El algoritmo Simplex procede de la siguiente manera:
1 2 3

Convierta el modelo PL a su forma est andar. Obtenga una SBF a la forma est andar. Determine si la SBF es optima: Si hay una variable no b asica cuyo aumento hace que el valor actual de la funci on a maximizar suba, entonces la soluci on actual no es optima. Si la SBF no es optima, determine la variable no-b asica que deber a convertise en b asica (la de mayor impacto en la funci on objetivo) y cu al variable b asica deber a convertise en una no-b asica (la que impone una restricci on mayor a la variable de mayor impacto). Con la selecci on anterior y usando operaciones elementales de rengl on determine una SBF nueva adyacente a la anterior. Reinicie con el paso 3 y con la nueva SBF.

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

32 / 61

Ejemplo

Ejemplo
Ejemplo Muebles Dakota construye escritorios, mesas y sillas. La construcci on de cada tipo de mueble requiere madera, mano de obra en carpinter a y mano de obra en terminado. Recurso Madera(pies) Terminado (horas) Carpinter a (horas) Escritorio 8 4 2 Mesa 6 2 1.5 Silla 1 1.5 0.5

Actualmente se tiene disponibles 48 pies de madera, 20 horas de terminado y 8 horas de carpinter a. Un escritorio se vende en $60, una mesa en $30 y una silla en $20. La compa n a cree que la demanda por escritorios y sillas es il mitada, pero que a lo m as 5 mesas se pueden vender. Como los recursos est an disponibles, la compa nia s olo desea maximizar las ventas.

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

33 / 61

Ejemplo

El modelo PL se formula como: Variables de decisi on: x1 = N umero de escritorios a producirse x2 = N umero de mesas a producirse x3 = N umero de sillas a producirse Objetivo: Maximizar ventas z = 60 x1 + 30 x2 + 20 x3 Restricciones: Por madera disponible (pies): 8 x1 + 6 x2 + x3 48 Por horas de terminado disponibles: 4 x1 + 2 x2 + 1.5 x3 20 Por horas de carpinter a disponibles: 2 x1 + 1.5 x2 + 0.5 x3 8 Por demanda: x2 5 De signo: x1 , x2 , x3 0

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

34 / 61

Ejemplo

En la forma est andar con la funci on objetivo vista a su vez como ecuaci on queda:
z 60 x1 8 x1 4 x1 2 x1 + + + 30 x2 6 x2 2 x2 1.5 x2 x2 + + + 20 x3 x3 1.5 x3 0.5 x3 + s1 + s2 + s3 + s4 =0 = 48 = 20 =8 =5

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

35 / 61

Ejemplo

En la forma est andar con la funci on objetivo vista a su vez como ecuaci on queda:
z 60 x1 8 x1 4 x1 2 x1 + + + 30 x2 6 x2 2 x2 1.5 x2 x2 + + + 20 x3 x3 1.5 x3 0.5 x3 + s1 + s2 + s3 + s4 =0 = 48 = 20 =8 =5

Una soluci on b asica factible (en rojo las variables y en azul sus valores):
z 60 x1 8 x1 4 x1 2 x1 + + + 30 x2 6 x2 2 x2 1.5 x2 x2 + + + 20 x3 x3 1.5 x3 0.5 x3 + s1 + s2 + s3 + s4 =0 = 48 = 20 =8 =5

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

35 / 61

Ejemplo

Las variables b asicas son z , s1 , s2 , s3 y s4 . Mientras que las no b asicas son x1 , x2 y x3 . Observamos que si incrementamos cualquiera de las variables no b asicas el valor de z se incrementa. Esta observaci on se deduce de que los coecientes de x1 , x2 y x3 son negativos en la ecuaci on de la funci on objetivo. De esta observaci on determinamos que la SBF actual no es optima.

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

36 / 61

Ejemplo

Las variables b asicas son z , s1 , s2 , s3 y s4 . Mientras que las no b asicas son x1 , x2 y x3 . Observamos que si incrementamos cualquiera de las variables no b asicas el valor de z se incrementa. Esta observaci on se deduce de que los coecientes de x1 , x2 y x3 son negativos en la ecuaci on de la funci on objetivo. De esta observaci on determinamos que la SBF actual no es optima. Observamos que de estas variables, la que tiene el coecientes negativo m as grande es x1 . As el aumento de x1 tiene un mayor impacto en el crecimiento de z . Esta variable no b asica se llamar a variable entrante. As que tomaremos la decisi on de aumentar el valor de x1 , que ahora es cero pues es variable no b asica.

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

36 / 61

Ejemplo

Las variables b asicas son z , s1 , s2 , s3 y s4 . Mientras que las no b asicas son x1 , x2 y x3 . Observamos que si incrementamos cualquiera de las variables no b asicas el valor de z se incrementa. Esta observaci on se deduce de que los coecientes de x1 , x2 y x3 son negativos en la ecuaci on de la funci on objetivo. De esta observaci on determinamos que la SBF actual no es optima. Observamos que de estas variables, la que tiene el coecientes negativo m as grande es x1 . As el aumento de x1 tiene un mayor impacto en el crecimiento de z . Esta variable no b asica se llamar a variable entrante. As que tomaremos la decisi on de aumentar el valor de x1 , que ahora es cero pues es variable no b asica. Sin embargo, no podemos aumentar indiscriminadamente el valor de x1 . Debemos revisar las restricciones para ver si una de ellas le impone l mite al valor que puede tomar x1 . Este l mite lo vamos a obtener recordando que s olo debemos manejar soluciones b asicas factibles, es decir, soluciones donde no puede haber variables de decisi on con valor negativo.

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

36 / 61

Ejemplo

La variable no-b asica de mayor impacto ben eco sobre z es x1 (la variable entrante es la variable no-b asica de mayor coeciente negativo en el rengl on de z ):
z 60 x1 8 x1 4 x1 2 x1 + + + 30 x2 6 x2 2 x2 1.5 x2 x2 + + + 20 x3 x3 1.5 x3 0.5 x3 + s1 + s2 + s3 + s4 =0 = 48 = 20 =8 =5

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

37 / 61

Ejemplo

La variable no-b asica de mayor impacto ben eco sobre z es x1 (la variable entrante es la variable no-b asica de mayor coeciente negativo en el rengl on de z ):
z 60 x1 8 x1 4 x1 2 x1 + + + 30 x2 6 x2 2 x2 1.5 x2 x2 + + + 20 x3 x3 1.5 x3 0.5 x3 + s1 + s2 + s3 + s4 =0 = 48 = 20 =8 =5

Ahora busquemos por cu al variable b asica cambiar (por la que le permitir a un mayor crecimiento manteniendo la factibilidad).

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

37 / 61

Ejemplo

Debemos tener en mente que x1 es la u nica variable no b asica que hemos decidido aumentar su valor. Es decir, que las variables no b asicas x2 y x3 seguir an con valor cero. Con esto en mente las ecuaciones inferiores se convierten en las ecuaciones: 8 x1 4 x1 2 x1 + s1 + s2 + s3 s4 = 48 = 20 = 8 = 5

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

38 / 61

Ejemplo

Si despejamos las variables b asicas para ponerlas en funci on de x1 obtenemos: s1 s2 s3 s4 = 48 = 20 = 8 = 5 8 x1 4 x1 2 x1

Deducimos que la primera de estas ecuaciones impone a x1 un creciemto m aximo de x1 = 48/8 = 6 (mayor que esto har a que el valor de s1 se hace negativa); La segunda de estas relaciones impone a x1 un crecimiento m aximo de x1 = 20/4 = 5 (mayor que esto har a que el valor de s2 se haga negativa). La tercera de estas relaciones impone a x1 un crecimiento m aximo de x1 = 8/2 = 4 (mayor que esto har a que el valor de s3 se haga negativa). La u ltima de estas restricciones no se ve afectada por un cambio en el valor de x1 . Como debemos mantener los valores de las variables de decisi on no negativos, concluimos que el m aximo valor que puede tomar x1 es 4 (el menor valor de los antes mencionados). Y este valor ubica la variable b asica que se har a cero. Es decir, que pasar a a ser variable no b asica. Esta variable se llamar a variable saliente. Se dice que la variable saldr a de la base.
Introducci on al M etodo Simplex () Optimizaci on y Programaci on Lineal 30 de enero de 2011 39 / 61

Ejemplo

En t erminos algoritmicos, para determinar la variable b asica saliente: para cada una de las ecuaciones inferiores se determina la raz on entre los lados derechos de las ecuaciones dividida entre el coeciente de la variable entrante en cada ecuaci on. Y de estas razones se escoge la m as peque na. La ecuaci on correspondiente a tal raz on determina la variable b asica saliente. Si la variable entrante no aparece en la ecuaci on (cero como coeciente) diremos que tal ecuaci on no limita el crecimiento de la variable entrante. Si la variable entrante tiene coeciente negativo en una ecuaci on, cuando se hace el despeje de la variable b asica correspondiente lo que se obtiene es una f ormula que no limita el crecimiento de la variable entrante pues la variable b asica correspondiente aumentar a de valor; siendo no negativa, ser a siendo no negativa. Por tanto, para motivos de determinar el valor m aximo al que se puede incrementa la variable entrante, se determinar a la menor raz on entre los lados derechos y los coecientes positivos. Como los lados derechos de las ecuaciones inferiores contienen los valores de las variables b asicas estos ninguno de estos ser a negativo. la variable saliente es la variable b asica en cuyo rengl on la variable entrante tiene coeciente positivo y la raz on: Lado derecho del rengl on Coeciente de la variable entrante en el rengl on es el m as peque no.
Introducci on al M etodo Simplex () Optimizaci on y Programaci on Lineal 30 de enero de 2011 40 / 61

Ejemplo

Al aplicar la regla, identicamos que s3 es la variable saliente debido a que es la que m as limita el creciemiento de x1 :
z 60 x1 8 x1 4 x1 2 x1 + + + 30 x2 6 x2 2 x2 1.5 x2 x2 + + + 20 x3 x3 1.5 x3 0.5 x3 + s1 + s2 + s3 + s4 =0 = 48 = 20 =8 =5 6 5 4

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

41 / 61

Ejemplo

Al aplicar la regla, identicamos que s3 es la variable saliente debido a que es la que m as limita el creciemiento de x1 :
z 60 x1 8 x1 4 x1 2 x1 + + + 30 x2 6 x2 2 x2 1.5 x2 x2 + + + 20 x3 x3 1.5 x3 0.5 x3 + s1 + s2 + s3 + s4 =0 = 48 = 20 =8 =5 6 5 4

En el rengl on de la variable saliente, la variable entrante debe tener coeciente 1: La operaci on que debe hacerse es dividir el rengl on entre el coeciente de la variable entrante en el, en este caso 2, obteni endose:
z 60 x1 8 x1 4 x1 x1 + + + 30 x2 6 x2 2 x2 0.75 x2 x2 + + + 20 x3 x3 1.5 x3 0.25 x3 + s1 + s2 + 0.5 s3 + s4 =0 = 48 = 20 =4 =5

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

41 / 61

Ejemplo

Se realizan operaciones de eliminaci on pivoteando con el rengl on de la variable saliente y utilizando la variable entrante: E0 E0 + 60 E3 , E1 E1 8 E3 , E2 E1 4 E3 obteniendo:
z + + 15 x2 x2 0.75 x2 x2 + + 5 x3 x3 0.5 x3 0.25 x3 + s1 + s2 + + 30 s3 4 s3 2 s3 0.5 s3 + s4 = = = = = 240 16 4 4 5

x1

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

42 / 61

Ejemplo

La variable no-b asica de mayor impacto ben eco sobre z es x3 (la variable entrante es la variable no-b asica de mayor coeciente negativo en el rengl on de z ) y buscamos la variable b asica saliente:
z + x1 + 15 x2 x2 0.75 x2 x2 + + 5 x3 x3 0.5 x3 0.25 x3 + s1 + s2 + + 30 s3 4 s3 2 s3 0.5 s3 + s4 = 240 = 16 =4 =4 =5 NR 8 16 NR

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

43 / 61

Ejemplo

En el rengl on de la variable saliente la variable entrante debe tener coeciente 1: La operaci on que debe hacerse es dividir el rengl on entre el coeciente de la variable entrante en el:
z + + 15 x2 2 x2 0.75 x2 x2 + + 5 x3 x3 x3 0.25 x3 + s1 + 2 s2 + + 30 s3 4 s3 4 s3 0.5 s3 + s4 = = = = = 240 16 8 4 5

x1

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

44 / 61

Ejemplo

Se realizan operaciones de eliminaci on pivoteando con el rengl on de la variable saliente y utilizando la variable entrante: E0 E0 + 5 E2 , E1 E1 + E2 , E3 E1 0.25 E2 obteniendo:
z + + 5 x2 2 x2 2 x2 1.25 x2 x2 + + + + x3 s1 + 10 s2 2 s2 2 s2 0.5 s2 + + 10 s3 8 s3 4 s3 1.5 s3 + s4 = = = = = 280 24 8 2 5

x1

La soluci on b asica encontrada es z = 280, x1 = 2, x3 = 8, s1 = 24, s4 = 5: x2 = 0 y s2 = 0.

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

45 / 61

Ejemplo

Ejemplo
Ejemplo Resuelve el siguiente modelo PL: Maximice z = x1 + x2 sujeto a 4 x1 x1 x1 con x1 , x2 0. La forma est andar es: Maximice z = x1 + x2 sujeto a 4 x1 x1 x1
Introducci on al M etodo Simplex ()

+ +

x2 x2

80 60 20

+ x2 + x2

+ s1 + s2 + s3

= 80 = 60 = 40
30 de enero de 2011 46 / 61

Optimizaci on y Programaci on Lineal

Ejemplo

La tabla Simplex (Tableau) inicia de la siguiente forma: z 1 0 0 0 x 1 x2 s 1 s 2 1 1 0 0 4 1 1 0 1 1 0 1 1 0 0 0 s3 0 0 0 1 rhs 0 80 60 40 VB z s1 s2 s3

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

47 / 61

Ejemplo

La tabla Simplex (Tableau) inicia de la siguiente forma: z 1 0 0 0 x 1 x2 s 1 s 2 1 1 0 0 4 1 1 0 1 1 0 1 1 0 0 0 s3 0 0 0 1 rhs 0 80 60 40 VB z s1 s2 s3

Al observar que la dentro de las variables no b asicas existen algunas con coecientes negativos concluimos que la SBF no es optima. Escogemos la que tiene coecientes negativo mayor o la primera de estas. Determinamos la variable no-b asica entrante y las razones para ella: z 1 0 0 0 x 1 x2 s 1 s 2 1 1 0 0 4 1 1 0 1 1 0 1 1 0 0 0 s3 0 0 0 1 rhs 0 80 60 40 VB z s 1 x1 s2 s3

20 = 80/4 60 = 60/1 40 = 40/1

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

47 / 61

Ejemplo

Despu es de hacer 1 el pivote y ceros en la columna correspondiente:


1 0 0 0 1 4 1 1 1 1 1 0 0 1 0 0 0 0 1 0 0 0 0 1 0 R2 1 R2 80 4 60 40 1 0 0 0 1 1 1 1 1 1/4 1 0 0 1/4 0 0 0 0 1 0 0 0 0 1 0 20 60 40

1 1 1 1

1 1/4 1 0

0 1/4 0 0

0 0 1 0

0 0 0 1

0 0 0

R1 R1 (1)R2 R3 R3 (1)R2 R4 R4 (1)R2 20 60 40 0

1 0 0 0

0 1 0 0

3/4 1/4 3/4 1/4

1/4 1/4 1/4 /4

0 0 1 0

0 0 0 1

20

20 40 20

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

48 / 61

Ejemplo

Despu es de hacer 1 el pivote y ceros en la columna correspondiente:


1 0 0 0 1 4 1 1 1 1 1 0 0 1 0 0 0 0 1 0 0 0 0 1 0 R2 1 R2 80 4 60 40 1 0 0 0 1 1 1 1 1 1/4 1 0 0 1/4 0 0 0 0 1 0 0 0 0 1 0 20 60 40

1 1 1 1

1 1/4 1 0

0 1/4 0 0

0 0 1 0

0 0 0 1

0 0 0

R1 R1 (1)R2 R3 R3 (1)R2 R4 R4 (1)R2 20 60 40 0

1 0 0 0

0 1 0 0

3/4 1/4 3/4 1/4

1/4 1/4 1/4 /4

0 0 1 0

0 0 0 1

20

20 40 20

Quedando la tabla del Simplex de la siguiente forma: z x1 x2 s1 s2 s3 1 0 3/4 1/4 0 0 0 1 1 /4 1/4 0 0 0 0 3/4 1/4 1 0 0 0 1/4 1/4 0 1 rhs 20 20 40 20 VB z x1 s2 s3

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

48 / 61

Ejemplo

D (0, 80)

C (20/3, 160/3)

A(0, 0)

B (20, 0)

Figura: Cambio de SBF a otra SBF

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

49 / 61

Ejemplo

Observamos que existen variables no b asicas con coeciente negativo y concluimos que la SBF actual no es optima. z x1 x2 s1 s2 s3 1 0 3/4 1/4 0 0 0 1 1 /4 1/4 0 0 0 0 3/4 1/4 1 0 0 0 1/4 1/4 0 1 rhs 20 20 40 20 VB z x1 s2 s3

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

50 / 61

Ejemplo

Observamos que existen variables no b asicas con coeciente negativo y concluimos que la SBF actual no es optima. z x1 x2 s1 s2 s3 1 0 3/4 1/4 0 0 0 1 1 /4 1/4 0 0 0 0 3/4 1/4 1 0 0 0 1/4 1/4 0 1 rhs 20 20 40 20 VB z x1 s2 s3

Determinamos que x2 es la variable no-b asica entrante las razones que limitan su crecimiento: z x1 x2 s1 s2 s3 1 0 3/4 1/4 0 0 0 1 1/4 1/4 0 0 0 0 3/4 1/4 1 0 0 0 1/4 1/4 0 1
Introducci on al M etodo Simplex ()

rhs 20 20 40 20

VB z x1 s2 x2 s3

80 = 20/(1/4) 53.3 = 40/(3/4) No limita


30 de enero de 2011 50 / 61

Optimizaci on y Programaci on Lineal

Ejemplo

Despu es de hacer 1 el pivote y ceros en la columna correspondiente:


1 0 0 0 0 1 0 0 3/4 1/4 3/4 1/4 1/4 1/4 1/4 1/4 0 0 1 0 0 0 0 1 20 R3 4 R3 20 3 40 20 1 0 0 0 0 1 0 0 3/4 1/4 1 1/4 1/4 1/4 1/3 1/4 0 0 4/3 0 0 0 0 1 20 20 160/3 20

1 0 0 0

0 1 0 0

3/4 1/4 1 1/4

1/4 1/4 1/3 /4

0 0 4/3 0

0 0 0 1

20 20

160/3 20

)R 3 R1 R1 ( 3 4 1 )R R2 R2 ( 4 3 )R 3 R4 R4 ( 1 4 1 0 0 0 0 1 0 0 1 0 0 0 0 1/3 1/3 1/3 1 1/3 4/3 1/3 0 0 0 1 60 20/3

160/3 100/3

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

51 / 61

Ejemplo

Despu es de hacer 1 el pivote y ceros en la columna correspondiente:


1 0 0 0 0 1 0 0 3/4 1/4 3/4 1/4 1/4 1/4 1/4 1/4 0 0 1 0 0 0 0 1 20 R3 4 R3 20 3 40 20 1 0 0 0 0 1 0 0 3/4 1/4 1 1/4 1/4 1/4 1/3 1/4 0 0 4/3 0 0 0 0 1 20 20 160/3 20

1 0 0 0

0 1 0 0

3/4 1/4 1 1/4

1/4 1/4 1/3 /4

0 0 4/3 0

0 0 0 1

20 20

160/3 20

)R 3 R1 R1 ( 3 4 1 )R R2 R2 ( 4 3 )R 3 R4 R4 ( 1 4 1 0 0 0 0 1 0 0 1 0 0 0 0 1/3 1/3 1/3 1 1/3 4/3 1/3 0 0 0 1 60 20/3

160/3 100/3

El Tableau del Simplex queda de la siguiente forma: z 1 0 0 0 x1 0 1 0 0 x2 s1 s2 s3 0 0 1 0 0 1/3 1/3 0 1 1/3 4/3 0 0 1/3 1/3 1 rhs 60 20/3 160/3 100/3 VB z x1 x2 s3

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

51 / 61

Ejemplo

Despu es de hacer 1 el pivote y ceros en la columna correspondiente:


1 0 0 0 0 1 0 0 3/4 1/4 3/4 1/4 1/4 1/4 1/4 1/4 0 0 1 0 0 0 0 1 20 R3 4 R3 20 3 40 20 1 0 0 0 0 1 0 0 3/4 1/4 1 1/4 1/4 1/4 1/3 1/4 0 0 4/3 0 0 0 0 1 20 20 160/3 20

1 0 0 0

0 1 0 0

3/4 1/4 1 1/4

1/4 1/4 1/3 /4

0 0 4/3 0

0 0 0 1

20 20

160/3 20

)R 3 R1 R1 ( 3 4 1 )R R2 R2 ( 4 3 )R 3 R4 R4 ( 1 4 1 0 0 0 0 1 0 0 1 0 0 0 0 1/3 1/3 1/3 1 1/3 4/3 1/3 0 0 0 1 60 20/3

160/3 100/3

El Tableau del Simplex queda de la siguiente forma: z 1 0 0 0 x1 0 1 0 0 x2 s1 s2 s3 0 0 1 0 0 1/3 1/3 0 1 1/3 4/3 0 0 1/3 1/3 1 rhs 60 20/3 160/3 100/3 VB z x1 x2 s3

No hay forma de aumentar el valor de z : hemos alcanzado el optimo.


Introducci on al M etodo Simplex () Optimizaci on y Programaci on Lineal 30 de enero de 2011 51 / 61

Ejemplo

D (0, 80)

C (20/3, 160/3)

A(0, 0)

B (20, 0)

Figura: Cambio de SBF a otra SBF

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

52 / 61

Ejemplo

Ejemplo
Resuelve al siguiente PL: Max z = x x + 8y 3x + 4y 2x + y x x, y + 3y 40 25 10 4 0

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

53 / 61

Ejemplo

Ejemplo
Resuelve al siguiente PL: Max z = x x + 8y 3x + 4y 2x + y x x, y Max z = x + 3 y x + 8 y + s1 3x + 4y 2x + y x x , y , s1 , s2 , s3 , s4 0 + 3y 40 25 10 4 0

+ s2 + s3 + s4

= 40 = 25 = 10 = 4

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

53 / 61

Ejemplo

Siendo un problema de maximizaci on, al observar que hay variables no b asicas con coeciente negativo en el rengl on de la funci on objetivo, concluimos que la SBF actual no es optima: z 1 0 0 0 0 x 1 1 3 2 1 y 3 8 4 1 0 s1 0 1 0 0 0 s2 0 0 1 0 0 s3 0 0 0 1 0 s4 0 0 0 0 1 rhs VB 0 z 40 s1 25 s2 10 s3 4 s4

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

54 / 61

Ejemplo

Siendo un problema de maximizaci on, al observar que hay variables no b asicas con coeciente negativo en el rengl on de la funci on objetivo, concluimos que la SBF actual no es optima: z 1 0 0 0 0 x 1 1 3 2 1 y 3 8 4 1 0 s1 0 1 0 0 0 s2 0 0 1 0 0 s3 0 0 0 1 0 s4 0 0 0 0 1 rhs VB 0 z 40 s1 25 s2 10 s3 4 s4

La variable entrante es y y las razones para su crecimiento quedan: z 1 0 0 0 0 x 1 1 3 2 1


()

y 3 8 4 1 0

s1 0 1 0 0 0

s2 0 0 1 0 0

s3 0 0 0 1 0

s4 0 0 0 0 1

rhs VB 0 z 40 s1 y 25 s2 10 s3 4 s4

5 6.25 10
30 de enero de 2011 54 / 61

Introducci on al M etodo Simplex

Optimizaci on y Programaci on Lineal

Ejemplo

Al pivotear sobre y obtenemos la siguiente tabla del Simplex: z 1 0 0 0 0 x y 5/8 0 1/8 1 5/2 0 15/8 0 1 0 s1 3/8 1/8 1/2 1/8 0 s2 0 0 1 0 0 s3 0 0 0 1 0 s4 0 0 0 0 1 rhs VB 15 z 5 y 5 s2 5 s3 4 s4

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

55 / 61

Ejemplo

Al pivotear sobre y obtenemos la siguiente tabla del Simplex: z 1 0 0 0 0 x y 5/8 0 1/8 1 5/2 0 15/8 0 1 0 s1 3/8 1/8 1/2 1/8 0 s2 0 0 1 0 0 s3 0 0 0 1 0 s4 0 0 0 0 1 rhs VB 15 z 5 y 5 s2 5 s3 4 s4

Observamos que la SBF no es optima y que las razones para variable entrante x quedan de la siguiente forma: z 1 0 0 0 0 x y 5/8 0 1/8 1 5/2 0 15/8 0 1 0 s1 3/8 1/8 1/2 1/8 0 s2 0 0 1 0 0 s3 0 0 0 1 0 s4 0 0 0 0 1 rhs VB 15 z 5 y 5 s2 x 5 s3 4 s4

40 2 2.666666667 4

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

55 / 61

Ejemplo

Al pivotear sobre x obtenemos la siguiente tabla Simplex: z 1 0 0 0 0 x 0 0 1 0 0 y 0 1 0 0 0 s1 1 /4 3/20 1/5 1 /4 1 /5 s2 s3 1/4 0 1/20 0 2/5 0 3/4 1 2/5 0 s4 0 0 0 0 1 rhs 65/4 19/4 2 5/4 2 VB z y x s3 s4

Siendo un problema de maximizaci on, al no haber variables no b asicas con coeciente negativo concluimos que la soluci on actual es optima. Valor optimo encontrado de la funci on z (x = 2, y = 19/4) = 65/4

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

56 / 61

Ejemplo

Ejemplo
Encuentre el optimo de: Max w = 14 x + 25 y + 19 z sujeto a x 2x x y x , y , z 0. + 5y + y + 2y + + + z z 2z z 3.0 2.0 2.0 0.8

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

57 / 61

Ejemplo

Ejemplo
Encuentre el optimo de: Max w = 14 x + 25 y + 19 z sujeto a x 2x x + 5y + y + 2y + + + z z 2z z 3.0 2.0 2.0 0.8

y x , y , z 0. La f orma est andar queda: Max w = 14 x + 25 y + 19 z x 2x x + 5y + y + 2y + z + z + 2z z + s1 + s2 + s3 + s4 = 3.0 = 2.0 = 2.0 = 0.8

y x , y , z , s1 , s2 , s3 , s4 0.

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

57 / 61

Ejemplo

El tableau del Simplex queda: w 1 0 0 0 0 x 15 1 2 1 0 y 25 5 1 2 0 z 19 1 1 2 1 s1 0 1 0 0 0 s2 0 0 1 0 0 s3 0 0 0 1 0 s4 0 0 0 0 1 rhs VB 0 w 3 s1 2 s2 2 s3 .8 s4

Esta soluci on corresponde a x = 0, y = 0, z = 0. Siendo un problema de maximizaci on, al haber coecientes negativos para las variables no b asicas en el rengl on de la funci on objetivo concluimos que la SBF actual no es optima.

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

58 / 61

Ejemplo

El tableau del Simplex queda: w 1 0 0 0 0 x 15 1 2 1 0 y 25 5 1 2 0 z 19 1 1 2 1 s1 0 1 0 0 0 s2 0 0 1 0 0 s3 0 0 0 1 0 s4 0 0 0 0 1 rhs VB 0 w 3 s1 2 s2 2 s3 .8 s4

Esta soluci on corresponde a x = 0, y = 0, z = 0. Siendo un problema de maximizaci on, al haber coecientes negativos para las variables no b asicas en el rengl on de la funci on objetivo concluimos que la SBF actual no es optima. La variable entrante es y y sus razones quedan de la siguiente forma. w 1 0 0 0 0 x y z 15 25 19 1 5 1 2 1 1 1 2 2 0 0 1
()

s1 0 1 0 0 0

s2 0 0 1 0 0

s3 0 0 0 1 0

s4 0 0 0 0 1

rhs VB 0 w 3 s1 y 2 s2 2 s3 .8 s4

.6 2 1
58 / 61

Introducci on al M etodo Simplex

Optimizaci on y Programaci on Lineal

30 de enero de 2011

Ejemplo

Pivoteando sobre y obtenemos la siguiente tabla Simplex: w 1 0 0 0 0 x y 10 0 1/5 1 9/5 0 3/5 0 0 0 z 14 1/5 4/5 8/5 1 s1 5 1/5 1/5 2/5 0 s2 0 0 1 0 0 s3 0 0 0 1 0 s4 0 0 0 0 1 rhs 15 3/5 7/5 4/5 .8 VB w y s2 s3 s4

Esta soluci on corresponde a x = 0, y = 3/5, z = 0. Reconocemos que la soluci on no es optima.

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

59 / 61

Ejemplo

Pivoteando sobre y obtenemos la siguiente tabla Simplex: w 1 0 0 0 0 x y 10 0 1/5 1 9/5 0 3/5 0 0 0 z 14 1/5 4/5 8/5 1 s1 5 1/5 1/5 2/5 0 s2 0 0 1 0 0 s3 0 0 0 1 0 s4 0 0 0 0 1 rhs 15 3/5 7/5 4/5 .8 VB w y s2 s3 s4

Esta soluci on corresponde a x = 0, y = 3/5, z = 0. Reconocemos que la soluci on no es optima. La variable entrante en este caso es z y sus razones quedan de la siguiente forma. w 1 0 0 0 0 x y 10 0 1/5 1 9/5 0 3/5 0 0 0
()

z s1 14 5 1/5 1/5 4/5 1/5 8/5 2/5 1 0

s2 0 0 1 0 0

s3 0 0 0 1 0

s4 0 0 0 0 1

rhs 15 3/5 7/5 4/5 .8

VB w 7 s2 s3 z s4

3 1.75 .50 .8
59 / 61

Introducci on al M etodo Simplex

Optimizaci on y Programaci on Lineal

30 de enero de 2011

Ejemplo

Pivoteando sobre z obtenemos la siguiente tabla Simplex. w 1 0 0 0 0 x y 19/4 0 1/8 1 3/2 0 3/8 0 3/8 0 z 0 0 0 1 0 s1 3/2 1/4 0 1/4 1/4 s2 0 0 1 0 0 s3 35/4 1/8 1/2 5/8 5/8 s4 0 0 0 0 1 rhs 22 1/2 1 1/2 .30 VB w y s2 z s4

Esta soluci on corresponde a x = 0, y = 1/2, z = 1/2. Esta SBF no es optima.

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

60 / 61

Ejemplo

Pivoteando sobre z obtenemos la siguiente tabla Simplex. w 1 0 0 0 0 x y 19/4 0 1/8 1 3/2 0 3/8 0 3/8 0 z 0 0 0 1 0 s1 3/2 1/4 0 1/4 1/4 s2 0 0 1 0 0 s3 35/4 1/8 1/2 5/8 5/8 s4 0 0 0 0 1 rhs 22 1/2 1 1/2 .30 VB w y s2 z s4

Esta soluci on corresponde a x = 0, y = 1/2, z = 1/2. Esta SBF no es optima. La variable entrante es x y sus razones quedan como sigue. w 1 0 0 0 0 x y 19/4 0 1/8 1 3/2 0 3/8 0 3/8 0 z 0 0 0 1 0 s1 3/2 1/4 0 1/4 1/4 s2 0 0 1 0 0 s3 35/4 1/8 1/2 5/8 5/8 s4 0 0 0 0 1 rhs 22 1/2 1 1/2 .30 VB w y s2 x z s4

4 .66 1.33

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

60 / 61

Ejemplo

Pivoteando en x sobre el rengl on de s2 obtenemos el siguiente tableau. w 1 0 0 0 0 x 0 0 1 0 0 y 0 1 0 0 0 z 0 0 0 1 0 s1 3/2 1/4 0 1/4 1/4 s2 s3 s4 19/6 43/6 0 1/12 1/12 0 2/3 1/3 0 1/4 3/4 0 1/4 3/4 1 rhs 151/6 5/12 2/3 1/4 .55 VB w y x z s4

Observamos que aumentando los valores de las variables no b asicas, no es posible aumentar el valor de z . Por tanto, se alcaza el optimo en x = 2/3, y = 5/12 y z = 1/4 con valor w = 151/6.

Introducci on al M etodo Simplex

()

Optimizaci on y Programaci on Lineal

30 de enero de 2011

61 / 61