1.

Método Simplex
El Método Simplex es un método analítico de solución de problemas
de programación lineal capaz de resolver modelos más complejos que los resueltos
mediante el método gráfico sin restricción en el número de variables.

El Método Simplex es un método iterativo que permite ir mejorando la solución en

cada paso. La razón matemática de esta mejora radica en que el método consiste
en caminar del vértice de un poliedro a un vértice vecino de manera que aumente o
disminuya (según el contexto de la función objetivo, sea maximizar o minimizar),
dado que el número de vértices que presenta un poliedro solución es finito siempre
se hallará solución.

El Método Simplex trabaja basándose en ecuaciones y las restricciones iniciales

que se modelan mediante programación lineal no lo son, para ello hay que convertir
estas inecuaciones en ecuaciones utilizando unas variables denominadas de
holgura y exceso relacionadas con el recurso al cual hace referencia la restricción y
que en el tabulado final representa el "Slack or surplus" al que hacen referencia los
famosos programas de resolución de investigación de operaciones, estas variables
adquieren un gran valor en el análisis de sensibilidad y juegan un rol fundamental
en la creación de la matriz identidad base del Simplex. Estas variables suelen estar
representadas por la letra "S", se suman si la restricción es de signo "<= " y se restan
si la restricción es de signo ">=".
Comentario:

Este método me parece que es el mas simple y practico de los 3 métodos que vamos
a trabajar, pero tiene sus limitaciones. Ya que no podemos usarlo cuando el
problema no nos permite soluciones enteras (Programación entera), como veremos
más adelante en estos casos se utilizarían otros métodos que son algo más
engorrosos, pero efectivos.
El método es entendible y aplicable frecuentemente para resolver la relajación
continua de un modelo. Sin restricción en el número de variables. Solo debemos
tener cuidado en las operaciones de aritmética a la hora de multiplicar o sumar e
identificar las columnas pívot.

Se utilizan variables de holgura y exceso, variable artificial en los pasos de la

solución del problema utilizando el método Simplex. Para ayudarnos a mejorar la
operación paso a paso.
Para demostrar cómo se aplica el método, veremos un caso práctico, de un
problema de programación lineal para maximizar.
 2. Método Branch and Bound
El método de Branch and Bound (o Ramificación y Acotamiento) es un algoritmo
diseñado para la resolución de modelos de Programación Entera. Su operatoria
consiste en linealizar el modelo de Programación Entera, es decir, resolver éste
como si fuese un modelo de Programación Lineal y luego generar cotas en caso
que al menos una variable de decisión (entera) adopte un valor fraccionario.

El algoritmo genera en forma recursiva cotas (o restricciones adicionales) que

favorecen la obtención de valores enteros para las variables de decisión. En este
contexto resolver el modelo lineal asociado a un modelo de Programación Entera se
conoce frecuentemente como resolver la relajación continua del modelo entero.

La técnica de Ramificación y poda se suele interpretar como un árbol de soluciones,

donde cada rama nos lleva a una posible solución posterior a la actual. La
característica de esta técnica con respecto a otras anteriores (y a la que debe su
nombre) es que el algoritmo se encarga de detectar en qué ramificación las
soluciones dadas ya no están siendo óptimas, para «podar» esa rama del árbol y
no continuar malgastando recursos y procesos en casos que se alejan de la solución
óptima. Si la menor rama para algún árbol nodo (conjunto de candidatos) A es mayor
que la rama padre para otro nodo B, entonces A debe ser descartada con seguridad
de la búsqueda. Este paso es llamado poda, y usualmente es implementado
manteniendo una variable global m que graba el mínimo nodo padre visto entre
todas las subregiones examinadas hasta entonces. Cualquier nodo cuyo nodo hijo
es mayor que m puede ser descartado.
Comentario:

El método Branch and Bound nos permite solucionar problemas con soluciones que
deben ser enteras, sin decimales. Ya que por la naturaleza del problema se necesita
valores enteros.

Es un método largo, ya que tenemos que tomar en cuenta que en cada paso se
ramifica la solución y las restricciones. Pero este método nos permite llegar a la
solución de manera ordenada y clara.

Este método es utilizado cuando las variables de decisión no pueden contener

variables, como por ejemplo en el caso de fabricación de artefactos. Se inicia como
un problema relajado, pero se comienza a ramificar el problema.

Cada ramificación significa una restricción extra al problema independiente de la

otra rama.
Para entender mejor como se trabaja con este método, resolveremos el siguiente
problema:
 3. Método plano de corte
Este algoritmo también se conoce con el nombre de Cortes basados en
Descomposición de Benders, y esto es principalmente debido a que este
procedimiento utiliza inecuaciones muy similares a las que se ocupan en el método
propuesto por J.F. Benders.

La idea fundamental detrás del algoritmo de planos cortantes es comenzar con una
solución inicial factible para el problema relajado, para después “cortar” o sacar
dicha solución y cambiarla por otra que mejore el valor de la función objetivo que se
está optimizando (es decir el valor del Problema Dual Lagrangeano).

Funciona resolviendo un programa lineal no entero, después comprobando si

la optimización encontrada es también una solución entera. Si no es así, es añadida
una nueva restricción que corta la solución no entera pero no corta ningún otro punto
de la región factible. Esto se repite hasta que se encuentra la solución entera óptima
X*.

Interpretación geométrica, una restricción es equivalente a un hiperplano,

permitiendo solo soluciones en uno de los lados del plano.

Se altera gradualmente el espacio de soluciones incorporando restricciones

adicionales que representan condiciones necesarias de integralidad.
Comentario:

Este es otro método que nos sirve para resolver cuando necesariamente
necesitamos que nuestras variables sean enteras. Y, al igual que el método de
Branch and Bound, se inicia como sin tomar en cuenta esta restricción. Sin
embargo, con los siguientes pasos resolveremos el problema tomando en cuenta
que tiene que ser entero.

Para ello necesitamos un algoritmo “P” = programación entera, y repetir, resolver P

como PL y si la solución no es entera incorporar restricción adicional; hasta que la
solución sea entera.

Este método es el menos utilizado entre los 3 expuestos, y creo que es porque es
el más largo y el que tiene un grado de dificultad más elevado.

Para demostrar cómo se desarrolla un ejercicio con este método, veremos la

solución del siguiente problema: