Algoritmo s�mplex

Ir a la navegaci�nIr a la b�squeda
Commons-emblem-question book orange.svg
Este art�culo o secci�n necesita referencias que aparezcan en una publicaci�n
acreditada.
Este aviso fue puesto el 21 de abril de 2012.
Commons-emblem-contradict.svg
Existen dudas o desacuerdos sobre la exactitud de la informaci�n en este art�culo o
secci�n.
En la p�gina de discusi�n puedes consultar el debate al respecto.
Uso de esta plantilla: {{Discutido|t={{sust:CURRENTTIMESTAMP}}}}

Este art�culo o secci�n necesita una revisi�n de ortograf�a y gram�tica.

Puedes colaborar edit�ndolo. Cuando se haya corregido, puedes borrar este aviso. Si
has iniciado sesi�n, puedes ayudarte del corrector ortogr�fico, activ�ndolo en: Mis
preferencias ? Accesorios ? Navegaci�n ? Check mark.png El corrector ortogr�fico
resalta errores ortogr�ficos con un fondo rojo. Este aviso fue puesto el 21 de
abril de 2012.

Un sistema de desigualdades lineales define un poliedro como una regi�n factible.

El algoritmo S�mplex comienza en un v�rtice y se mueve a lo largo de las aristas
del poliedro hasta que alcanza el v�rtice de la soluci�n �ptima.
En optimizaci�n matem�tica, el t�rmino algoritmo simplex habitualmente se refiere a
un conjunto de m�todos muy usados para resolver problemas de programaci�n lineal,
en los cuales se busca el m�ximo de una funci�n lineal sobre un conjunto de
variables que satisfaga un conjunto de inecuaciones lineales. El algoritmo S�mplex
primal fue desarrollado por el matem�tico norteamericano George Dantzig en 1947, y
procede examinando v�rtices adyacentes del poliedro de soluciones. Un algoritmo
S�mplex es un algoritmo de pivote.

Un m�todo llamado de manera similar, pero no relacionado al anterior, es el m�todo

Nelder-Mead (1965) o m�todo de descenso (o ascenso) s�mplex; un m�todo num�rico que
busca un m�nimo (o m�ximo) local de una funci�n cualquiera examinando en cada paso
los v�rtices de un simplex.

El algoritmo del m�todo S�mplex fue elegido como uno de los 10 algoritmos m�s
importantes del siglo XX1?.

�ndice
1 Entrada del problema
2 Conceptos b�sicos
2.1 Modelo Ampliado
2.2 Soluci�n �ptima
2.2.1 Soluci�n �ptima m�ltiple
3 Algoritmo del m�todo Simplex
4 V�ase tambi�n
5 Enlaces externos
6 Notas
Entrada del problema
Considerar un problema de programaci�n lineal,

maximizar {\displaystyle z=\mathbf {c} ^{T}\mathbf {x} } {\displaystyle z=\mathbf

{c} ^{T}\mathbf {x} }
sujeto a {\displaystyle \mathbf {A} \mathbf {x} \leq \mathbf {b} ,\,\mathbf {x}
\geq 0} {\displaystyle \mathbf {A} \mathbf {x} \leq \mathbf {b} ,\,\mathbf {x} \geq
0}
El algoritmo S�mplex requiere que la matriz del problema est� en su forma
aumentada. El problema puede ser descrito como sigue:
Maximizar {\displaystyle z} z en:
{\displaystyle {\begin{bmatrix}1&-\mathbf {c} ^{T}&0\\0&\mathbf {A} &\mathbf {I}
\end{bmatrix}}{\begin{bmatrix}z\\\mathbf {x} \\\mathbf {x}
_{s}\end{bmatrix}}={\begin{bmatrix}0\\\mathbf {b} \end{bmatrix}}} {\displaystyle
{\begin{bmatrix}1&-\mathbf {c} ^{T}&0\\0&\mathbf {A} &\mathbf {I} \end{bmatrix}}
{\begin{bmatrix}z\\\mathbf {x} \\\mathbf {x}
_{s}\end{bmatrix}}={\begin{bmatrix}0\\\mathbf {b} \end{bmatrix}}}
{\displaystyle \mathbf {x} ,\,\mathbf {x} _{s}\geq 0} {\displaystyle \mathbf
{x} ,\,\mathbf {x} _{s}\geq 0}
donde x son las variables desde la forma est�ndar, xs son las variables de holgura
introducidas en el proceso de aumentaci�n, c contiene los coeficientes de
optimizaci�n, describe el sistema de ecuaciones contra�das, y Z es la variable a
ser maximizada.

El sistema est� t�picamente no determinado, ya que el n�mero de variables excede el

n�mero de ecuaciones. La diferencia entre el n�mero de variables y el n�mero de
ecuaciones nos da los grados de libertad asociados al problema. Cualquier soluci�n,
�ptima o no, incluir� un n�mero de variables de valor arbitrario. El algoritmo
S�mplex usa cero como valor arbitrario, y el n�mero de variables con valor cero es
igual a los grados de libertad.

Las variables con valores diferentes de cero ser�n llamadas "variables b�sicas",
las dem�s "variables no b�sicas".

Esta forma simplifica el encontrar la soluci�n factible b�sica inicial, dado que
todas las variables de la forma est�ndar pueden ser elegidas para ser no b�sicas
(cero), mientras que todas las nuevas variables introducidas en la forma aumentada,
ser�n b�sicas (diferentes de cero), dado que su valor puede ser calculado
trivialmente ( {\displaystyle \mathbf {x} _{s\,i}=\mathbf {b} _{j}}
{\displaystyle \mathbf {x} _{s\,i}=\mathbf {b} _{j}} para ellas, dado que la matriz
problema aumentada en diagonal es su lado derecho)

En cada una de las desigualdades que se plantean en el modelo matem�tico de

programaci�n lineal, se plantean desigualdades de <, >, =, = o =; estas
desigualdades se convierten en igualdades completando con variables de holgura si
se trata de menor o igual que, o menor que; en el caso de que sea mayor o igual que
o mayor que, se completa con variables de excedente, estas con signo negativo ya
que como su nombre lo indica, es una cantidad que esta de excedente y hay que
quitar para convertirla en igualdad; en caso se maneje el =, se manejan las
variables artificiales.

Conceptos b�sicos
Forma est�ndar

Es la igualaci�n de las restricciones del modelo planteado, as� como el aumento de

variables de holgura, o bien la resta de variables de exceso.
Ej2.png

Forma can�nica

En el m�todo S�mplex es de bastante utilidad la forma can�nica, especialmente para

explorar la relaci�n de dualidad.
Un problema de Programaci�n Lineal se encuentra en la forma can�nica si se cumplen
las siguientes condiciones:
Para el caso de la forma can�nica de maximizaci�n:
- La funci�n objetivo debe ser de maximizaci�n.
- Las restricciones son del tipo =.
- Las variables de decisi�n son mayores o iguales a cero.
Para el caso de la forma can�nica de la dieta:
- La funci�n objetivo es minimizada.
- Las restricciones son de tipo =.
- Las variables de decisi�n son mayores o iguales a cero.
Ej3.png

Modelo Ampliado
Cuando se introduce en cada restricci�n una variable artificial que no contenga una
variable de holgura.

Ejemplo de un Modelo de Maximizaci�n en su Forma Ampliada

Variables de entrada

Estas suelen encontrarse en un criterio que se conoce como �Condici�n de

optimalidad�, en un modelo, ya sea de maximizaci�n o minimizaci�n, y se refiere a
la variable no b�sica en el rengl�n �z� con el coeficiente m�s negativo, si se
trata de una maximizaci�n, o el coeficiente m�s positivo, si se trata de una
minimizaci�n, la cual, en la tabla de soluci�n anterior, a excepci�n de la primera
tabla, esta variable era una variable b�sica.

'Variables de salida

Esta variable es un punto extremo que se encuentra en un criterio conocido como

�Condici�n de factibilidad�, en un modelo, ya sea de optimizaci�n o minimizaci�n, y
se refiere a la variable b�sica asociada con la m�nima raz�n no negativa con el
coeficiente m�s negativo, si se trata de una maximizaci�n, o el coeficiente m�s
positivo, si se trata de una minimizaci�n, la cual, en la tabla de soluci�n
siguiente, pasar� a ser variable no b�sica.

Variables b�sicas Variables no b�sicas Variable de entrada Variable de salida

A X3, X4, X5, X6 X1, X2 X1 X2
B X3, X4, X5, X1 X6, X2 X2 X3
C X2, X4, X5, X1 X6, X3 X6 X4
D X2, X6, X5, X1 X4, X3 X3 X1
E X2, X6, X5, X3 X4, X1 X4 X2
Variable degenerada

Una variable degenerada es una variable b�sica que vale 0. Gr�ficamente esto puede
ocurrir cuando m�s de dos rectas se intersequen en el mismo punto.

Base

Conjunto de variables b�sicas. En el ejemplo anterior, la base es {X3, X4, X5, X6}

Variable no restringida

Variable artificial

Se usa una variable artificial cuando las restricciones son = y = y sucede cuando
el origen no se encuentra dentro de la regi�n factible, tratando de llevar el
modelo a otra dimensi�n en la cual el origen si exista en la regi�n.
Es aquella que puede tomar toda clase de valores positivos, cero y negativos puede
escribirse como la diferencia de dos variables no-negativas.

Funci�n objetivo:

Define la efectividad del modelo como funci�n de las variables de decisi�n.

Soluci�n �ptima

Ejemplo gr�fico de la soluci�n �ptima

Siempre est� asociada a un punto extremo de la regi�n factible y satisface todas
las restricciones si se eval�a en ellas as� como es el punto que en el caso de
maximizaci�n hace que el valor de z sea el m�ximo (m�s grande) y el caso de
minimizaci�n sea el m�nimo (m�s peque�o).

Soluci�n �ptima m�ltiple

Existen problemas lineales que no tienen una soluci�n �ptima �nica, sino que al
contrario, tienen un n�mero infinito de soluciones.Para detectar una soluci�n
m�ltiple en la tabla �ptima, se deber� tener al menos una variable con su Zj-Cj=0
no b�sica.

Algoritmo del m�todo Simplex

Este proceso que se repite una y otra vez, siempre inicia en un punto extremo de la
regi�n factible que normalmente es el origen, en cada repetici�n se mueve a otro
punto extremo adyacente hasta llegar a la soluci�n �ptima.

Los pasos del M�todo Simplex son los siguientes:

Utilizando la forma est�ndar, determinar una soluci�n b�sica factible inicial

igualando a las (n-m) variables a cero (el origen).
Seleccionar la variable de entrada de las variables no b�sicas que al incrementar
su valor pueda mejorar el valor en la funci�n objetivo. Cuando no exista esta
situaci�n, la soluci�n actual es la �ptima; si no, ir al siguiente paso.
Seleccionar la variable de salida de las variables b�sicas actuales.
Determinar la nueva soluci�n al hacer la variable de entrada b�sica y la variable
de salida no b�sica, ir al paso 2 (actualizar).

MinZ= 5x1+6x2
S.A.
X1+X2>2
4X1+X2>4
X1,X2>0