ESCUELA UNIVERSITARIA DE INGENIERA

ASIGNATURA
: Investigacin de Operaciones 1
SECCIONES
: TODAS
AUTOR
: Ing. Ezilda Cabrera
PERIODO ACADMICO : 2011 1

MTODO SIMPLEX
Introduccin:
El fundamento del algoritmo puede entenderse a partir de su interpretacin geomtrica. Cuando se explic el mtodo
grfico se indic que la solucin ptima se encuentra siempre en un punto extremo y que los puntos extremos son
soluciones bsicas, es decir, soluciones en la que existe cierto nmero de variables con valor cero. De acuerdo con
ello, podra afirmarse que es posible hallar la solucin ptima de un modelo de Programacin Lineal identificando
todas las soluciones bsicas factibles y escogiendo entre ellas la mejor, es decir, la que corresponda el mejor valor de
la funcin objetivo, tal como se har en el ejemplo siguiente:
El modelo en su forma estndar:
Max Z = 3X1 + 5X2
s.a.:
X1 + X2 +S1
X1 + 2X2
+S2
X1,
X2,
S1, S2

Max Z = 3X1 + 5X2

s.a.:
X1 + X2 200
X1 + 2X2 300
X2 0
X1,

= 200
=300
0

El modelo en la forma estndar tiene 4 variables (n=4) y dos restricciones (m=2). Cabe recordar que no se cuentan
las restricciones de signo pero s las variables de holgura o exceso.
Por lo tanto, las soluciones bsicas deben tener 2 variables no bsicas (n-m).
Las soluciones bsicas que se pueden identificar son:
Nmero de
solucin
1
2
3
4
5
6

X1

X2

S1

S2

0
200
100
0
300
0

0
0
100
150
0
200

200
0
0
50
-100
0

300
100
0
0
0
-100

Valor de la funcin
objetivo
0
600
800
750
INFACTIBLE
INFACTIBLE

Ntese que se pueden encontrar 6 soluciones bsicas haciendo cero las variables de dos en dos.
El nmero mximo de soluciones bsicas se puede calcular:

n
n!
=
m m !( n m ) !
Al comparar exhaustivamente todas las soluciones bsicas halladas es posible identificar la mejor; pero,
evidentemente en problemas de la vida real, con gran nmero de restricciones y variables no resulta adecuado
evaluar cada una de las soluciones bsicas para encontrar la mejor. Por ejemplo:

Para n = 8 variables y m = 4 restricciones:

o

8
8!
= 70 soluciones bsicas como mximo. Es un nmero difcil de manejar.
=
4 4!( 8 4 ) !

Para n = 100 variables y m = 20 restricciones:

o

100
100!
= 5.36 1020 soluciones bsicas como mximo.

=
20 100!(100 20 ) !

Observando las soluciones bsicas del cuadro anterior, la soluciones No. 5 y No.6 son no factibles porque
determinan valores negativos para algunas de las variables; por tanto tampoco podran ser ptimas. Del resto de las
soluciones bsicas halladas, la mejor es la No. 3 por que determina el mejor valor para la funcin objetivo, que es de
maximizacin. Cada una de las soluciones bsicas factibles corresponde a un vrtice de la regin factible y puede
notarse que las soluciones No.1 y No.2 tienen una variable no bsica en comn, al igual que las soluciones No.2 y
No.3 y las soluciones No. 3 y No.4, se dice entonces que se trata de soluciones adyacentes.
Si se construyera grficamente el espacio de soluciones factibles, las soluciones 1, 2, 3 y 4 corresponderan cada una
a un vrtice de la regin factible. Con el mtodo grfico se utilizara una recta de la familia de rectas de la funcin
objetivo para identificar el punto extremos que determina su valor ptimo, pero tambin podra aplicarse el siguiente
razonamiento:
a)
b)

c)

Se ubica un vrtice inicial, (generalmente el origen de coordinadas inicial) y se calcula el valor de la Funcin
objetivo. (Solucin bsica factible inicial).
Luego se identifican los vrtices vecinos, que constituyen soluciones bsicas adyacentes y se comparan los
valores de la funcin objetivo para reconocer si la solucin inicial es mejor o no. (Prueba de optimidad).
En caso algn vrtice vecino tenga un mejor valor para la funcin objetivo , el punto extremo actual no es
ptimo. Por tanto, debe optarse por el traslado a la mejor solucin adyacente.
Trasladndose al punto extremo vecino de mejor valor para la funcin objetivo, se vuelve a aplicar la prueba
de optimidad hasta verificar que el punto extremo actual sea el mejor. (Traslado)

En palabras ms simples, la solucin ptima se identifica trasladndose de un punto extremo a otro mientras se
mejore el valor de la funcin objetivo, al no haber mejora, se habr hallado al punto extremo ptimo. Esta misma
lgica es la que emplea el algoritmo del mtodo smplex, aplicando de forma iterativa los siguientes pasos:

Paso 1:
Paso 2:
o
o
Paso 3:

Determinar una solucin bsica factible inicial e ir al Paso 2.

Efectuar una prueba de optimidad:
Si es posible mejorar la solucin bsica factible actual: Ir al Paso 3.
Si no es posible mejorar la solucin bsica factible actual: Fin del proceso.
Traslado a una solucin bsica factible adyacente mejor y volver al Paso 2.

La aplicacin del algoritmo requiere que el modelo se encuentre en su forma estndar:

a) Debe ser de maximizacin.
Una funcin objetivo de minimizacin puede convertirse en una de maximizacin si se multiplican todos sus
miembros por (-1)
b) Todos los lados derechos deben ser no negativos.
Un lado derecho negativo se convierte en positivo multiplicando tanto el lado derecho como el izquierdo por
(-1), invirtiendo el signo de la desigualdad.
c) Todas las restricciones deben ser ecuaciones.
Para ello, se agregan las variables de holgura o exceso.
d) Todas las variables deben ser no negativas.
En caso de variables negativas: se sustituyen por el negativo de la misma variable.
En caso de variables sin restriccin de signo: se sustituyen por la diferencia de dos variables positivas.
Ejemplo: Dado el siguiente modelo lineal:
Max Z = 3X1 + 5X2
s.a.:
X1 + X2 200
X1 + 2X2 300
X1,
X2 0
Suponga que modela el problema de decidir cunto producir de dos productos X1 y X2, sujetos a la limitada
disponibilidad de dos recursos, que corresponden cada uno a cada una de las restricciones del modelo.
Este modelo en su forma estndar es como sigue:

Pgina 2

Max Z = 3X1 + 5X2

s.a.:
X1 + X2 +S1
+S2
X1 + 2X2
X1,
X2,
S1, S2

= 200
=300
0

Las soluciones bsicas del modelo deben tener 2 variables no bsicas, ya que n=4 y m=2.
Entonces, la aplicacin del mtodo smplex para encontrar la solucin ptima sera la siguiente:
Encontrar la solucin bsica factible inicial
La solucin bsica factible inicial puede encontrarse fcilmente si se tiene en consideracin que las variables bsicas
deben ser tales que aparezcan cada una en una sola restriccin con coeficiente +1 y no deben aparecer en la funcin
objetivo. Como puede observarse, las variables bsicas de la solucin inicial pueden ser las variables S1 y S2 que
cumplen con tales caractersticas.
Entones la solucin bsica factible inicial es:

S1=200
S2=300
X1=X2=0
Valor de la funcin objetivo=0

Esta solucin no parece ser la mejor, as que corresponde hallar una solucin bsica factible adyacente mejor, si
existe.
Primera Iteracin:
Identificar si existe una solucin adyacente que pudiera ser mejor.
Cabe recordar que las soluciones adyacentes se obtienen a partir de un solo cambio en la base, es decir, que el
conjunto de variables bsicas de una solucin difiere del de la solucin adyacente en solo una variable. Grficamente,
se tratara de dos vrtices formados por una restriccin no comn.
Para evaluar si existe una solucin mejor, debe aplicarse el concepto de costo reducido. El costo reducido es un
indicador asociado a las variables no bsicas, el cual seala el efecto que producira cambiar su condicin de no
bsicas, es decir, asignarles valor y convertirlas en bsicas. Este costo reducido se puede observar en la funcin
objetivo despus de cada iteracin para cada una de las variables no bsicas. Este indicador resume el efecto neto de
dos aspectos:
a) El aporte de la variable al valor de la funcin objetivo (su coeficiente en la funcin objetivo)
b) El efecto sobre las otras variables bsicas. Cul es este efecto? Si la variable no bsica observada ingresa a la
base, esto podra modificar el valor de las variables bsicas y con ello reducir sus aportes a la funcin objetivo,
con lo cual dicha funcin desmejorara.
Si el aporte de la propia variable compensa el efecto sobre las dems, entonces el cambio en la condicin de la
variable es favorable, caso contrario, no ser conveniente cambiar su condicin.
En esta primera vez, el costo reducido es nicamente el coeficiente de la variable en la funcin objetivo original, es
decir, no existe el efecto que se seala en (b). Por qu? Porque, si bien es cierto que si X1 o X2 se volvieran bsicas,
las variables S1 y S2 modificaran sus actuales valores, estas modificaciones no tienen efecto en la funcin objetivo ya
que estas variables no aparecen en la funcin objetivo.
Entonces, resultara adecuado que la variable X2 dejara de ser no bsica pues es la que mejor efecto tendra sobre la
funcin objetivo, (tiene el coeficiente mayor, en este caso de maximizacin).
En la nueva solucin bsica debe entrar la variable X2 que se llamar variable no bsica entrante.
Pgina 3

La existencia de una variable que mejore el valor de la funcin objetivo constituye una prueba de que la solucin
actual no es ptima: esto es lo que se llama la prueba de optimidad.
Si la variable X2 es la variable no bsica entrante, debe haber una variable bsica que abandone la base actual
(variable bsica saliente).
Determinacin de la variable bsica saliente:
Como es lgico suponer, si el ingreso de X2 a la base es favorable a la funcin objetivo; entonces deber ingresar a la
base con el mayor valor posible. Cul es ese mayor valor posible?
Observemos las restricciones del modelo, las mismas que imponen lmites al valor de todas las variables del modelo y
por supuesto, tambin a la variable X2:
= 200
X1 + X2 + S1
X1 + 2X2
+S2 = 300
Dado que X1 es no bsica y dado que los lados derechos con constantes, puede observarse:

Que si X2 tomara el mximo valor posible en la primera restriccin, este sera 200 y en ese caso, el valor que
tomara S1 sera cero.
Que en la segunda restriccin, el mximo valor posible sera solo 150 y en ese caso, S2 tomara valor cero.

Si el valor que vaya a tomar X2 debe satisfacer todas las restricciones, entonces solo podra ser 150, con lo cual el
valor de S2 es el que sera cero, el de S1 sera 50 y por consiguiente, S2 sera la variable bsica saliente.
Entonces tenemos una nueva solucin, en la cual X2 = 150, S1 = 50 (variables bsicas) y S2=X1=0 (variables no
bsicas). El valor de la funcin objetivo ser: 750.
El cambio en la base, hace necesario revisar el modelo para que muestre la solucin bsica factible actual. Esto
implica que las variables bsicas aparezcan solo una vez, cada una en una restriccin diferente y con coeficiente +1 y
que no aparezcan en la funcin objetivo ya que no podran aportar ms a ella al tener su mejor valor posible.
Por lo tanto, si el valor de X2 ha quedado acotado por la siguiente restriccin: X1 + 2X2 +S2 = 300
Puede establecerse que: 0.5X1 + X2 + 0.5S2 = 150 (ntese que X1 y S2 son no bsicas)
Con esta expresin: X2 = 150 0.5S2 0.5X1, reemplazaremos a X2 en la primera restriccin y en la funcin
objetivo:

En la primera restriccin:

X1 + (150 0.5S2 0.5X1) + S1 = 200

0.5X1 0.5S2 + S1= 50 (note que X1 y S2 son no bsicas)

En la funcin objetivo:

Max Z = 3X1 + 5(150 0.5S2 0.5X1)

Max Z = 3X1 + 750 2.5 S2 2.5X1
Max Z = 0.5X1 2.5S2 + 750 (note que X1 y S2 son no bsicas)

El modelo quedara de la siguiente manera:

Max Z = 0.5X1 2.5S2 + 750
s.a.:
0.5X1 0.5S2 + S1 = 50
0.5X1 + X2
+ 0.5S2 = 150
X1, X2, S1, S2
0
Segunda Iteracin
Aplicaremos la prueba de optimidad, es decir, evaluaremos los nuevos costos reducidos en la funcin objetivo,
para evaluar si existe la posibilidad de mejorar la solucin actual:
Max Z = 0.5X1 2.5S2 + 750
Pgina 4

Si S2 tomara valor, es decir, si fuera la variable no bsica entrante, el valor de la funcin objetivo se reducir en
2.5 por cada unidad de valor de S2. (Ntese que el coeficiente de S2 tiene signo negativo)

Si X1 tomara valor, es decir, si fuera la variable no bsica entrante, el valor de la funcin objetivo aumentara en
0.5 por cada unidad de valor de X1, por lo tanto dado que se busca maximizar el valor de la funcin objetivo, sta
mejorara si hiciramos bsica a X1. Por lo tanto la solucin actual no es ptima, puede mejorar.

Cabe en este momento volver a explicar el concepto de costo reducido. Obsrvese que el costo reducido que X1 es
igual a 0.5 Cmo se explica este costo?
Se entiende que cuando X1 ingrese a la base, por cada unidad de valor de X1 la funcin objetivo aumenta en $3 (ver
modelo original) pero, observando las restricciones, se nota que si X1 tomara valor, reducira el valor de X2 y de S1
0.5X1 0.5S2 + S1 = 50
0.5X1 + X2 + 0.5S2 = 150

Por cada unidad de X1, se reduce en 0.5 el valor de X2, con lo cual la funcin objetivo se reducira en: 0.5(5) =
2.5
Por cada unidad de X1, se reduce en 0.5 el valor de S1; pero como S1 no afecta a la funcin objetivo, entonces no
reduce su valor.
El efecto neto es: +3 2.5 = 0.5 que es lo que seala el respectivo costo reducido.

En esta segunda iteracin, ya ha quedado establecido que la variable no bsica entrante ser X1. La variable
bsica saliente, debe determinarse observando la restriccin que determina el mximo valor posible de X1:
0.5X1 0.5S2 + S1 = 50. X1 podra tomar el valor mximo de 100
0.5X1 + X2 + 0.5S2 = 150.. X1 podra tomar el valor mximo de 300
Comparando ambas cotas, 100 es el valor que puede tomar X1, debe tenerse en cuenta que si en alguna restriccin,
no apareciera la variable no bsica entrante o su coeficiente fuera negativo, dicha restriccin de deber ser
considerada al determinar las cotas al valor de la variable no bsica entrante que determinarn la variable bsica
saliente.
En esta iteracin, dado que la cota la establece la primera restriccin, la variable S1 ser la variable bsica

saliente.
Por lo tanto, si el valor de X2 ha quedado acotado por la siguiente restriccin: 0.5X1 0.5S2 + S1 = 50
Puede establecerse que: X1 S2 + 2S1 = 100 (ntese que S1 y S2 son no bsicas)
Con esta expresin: X1 = 100 2S1 + S2 ; reemplazaremos a X1 en la segunda restriccin y en la funcin objetivo:

En la primera restriccin:

0.5(100 2S1 + S2) + X2 + 0.5S2 = 150

50 S1 + 0.5S2 + X2 + 0.5S2
= 150
X2 S1 + S2 = 100 (ntese que S1 y S2 son no bsicas)

En la funcin objetivo:

Max Z = 0.5(100 2S1 + S2) 2.5S2 + 750

Max Z = 50 S1 + 0.5S2 2.5S2 + 750
Max Z = 800 S1 2S2

La nueva solucin bsica es: X1 = 100, X2 = 100; S1 = S2 = 0. El valor de la funcin objetivo: Z = 800

Pgina 5

El modelo quedara de la siguiente manera:

Max Z = S1 2S2 + 800
s.a.:
X2 S1 + S2 = 100
X1 +2S1 S2 = 100
X1, X2, S1, S2 0
Si observamos la funcin objetivo, las variables no bsicas tienen coeficientes negativos. Cabe sealar que cuando se
trata de las variables de holgura o exceso, estos coeficientes finales en la funcin objetivo representan los precios
sombra, que sealan el valor relativo de los recursos que corresponden a las respectivas restricciones.
Cmo se explica esto? Si se observan las restricciones, puede notarse que si alguna de las variables S1 o S2 toman
valor, es decir, se deja de utilizar alguna unidad de los recursos respectivos, se afecta el valor de las variables bsicas,
con lo cual, con seguridad, cambiar el valor de la funcin objetivo. Dicho cambio reflejara el impacto de una
variacin en la disponibilidad de cada recurso. Por ejemplo, si S1 tomara el valor 1, eso significara que se dejara de
utilizar una unidad del recurso 1, lo cual implica que:
X2 S1 + S2
X1 +2S1 S2

= 100
= 100

X1 tomara el valor de 98 para que siguiera siendo factible la primera restriccin y X2 el valor 101 para que siga siendo
factible tambin la segunda restriccin, esto implica que en la funcin objetivo se observara los siguientes cambios:

Por la reduccin del valor de X1, el valor de la funcin objetivo disminuira en: 2(3) = 6
Por el incremento del valor de X2, la funcin objetivo aumentara en: 1(5) = 5

El efecto neto de hacer S1=1, es una reduccin del valor de la funcin objetivo en: 6+5 = 1. Puede afirmarse que el
valor del recurso es $1 por que es el impacto que causa sobre la funcin objetivo; no es el precio de mercado, sino el
valor que tiene para el modelo.

Pgina 6