Presntación Simplex

METODOS ANALITICOS PARA LA OPTIMIZACIÒN DE LOS RECURSOS DE
PRODUCCIÒN.
METODO SIMPLEX
Unidad IV
Curso de Ingeniería de la Producción

Inga. Anabela Cordova
Ing. Hugo H. Rivera P
www.themegallery.com
Método Simplex
.
El método Simplex es un procedimiento iterativo que permite

ir mejorando la solución a cada paso. El proceso concluye
cuando no es posible seguir mejorando más dicha solución.
Deberá tenerse en cuenta que este método sólo trabaja para

restricciones que tengan un tipo de desigualdad "≤" y
coeficientes independientes mayores o iguales a 0, y habrá que
estandarizar las mismas para el algoritmo. En caso de que
después de éste proceso, aparezcan (o no varíen) restricciones
del tipo "≥" o "=" habrá que emplear otros métodos, siendo el
más común el método de las Dos Fases.
Preparando el Modelo para Adaptarlo al Método Simples

Esta es la forma estándar del modelo:
Función
.
objetivo: Z= c1·x1 + c2·x2 + ... + cn·xn
Sujeto a (Restricciones):
a11·x1 + a12·x2 + ... + a1n·xn = b1
a21·x1 + a22·x2 + ... + a2n·xn = b2
am1·x1 + am2·x2 + ... + amn·xn = bm
x1,..., xn ≥ 0
Para ello se deben cumplir las siguientes condiciones:
1. La función objetivo es de la forma de maximización o de

minimización.
2. Todas las restricciones son de tipo menor o igual que y en su forma
estándar es una igualdad.
3. Todas las variables son no negativas. Company Logo
4. Las constantes a la derecha de las restricciones son no negativas.
Tipo de Optimización (minimizar o maximizar)
Si nuestro modelo, es de tipo minimizar, debemos tener en cuenta

nuevos criterios para la condición de parada (debemos parar de
realizar iteraciones cuando en la fila del valor de la función objetivo
sean todos menores o iguales a 0), así como para la condición de
salida de la fila.
Si nuestro modelo, es de tipo maximizar, debemos tener en cuenta

nuevos criterios para la condición de parada (debemos parar de
realizar iteraciones cuando en la fila del valor de la función objetivo
sean todos mayores o iguales a 0), así como para la condición de
salida de la fila.
Company Logo
Condición de Optimidad
La variable que entra o pasa a ser básica es aquella no

básica con el coeficiente más negativo si el problema es
.
de maximización, o más positivo si es de minimización.

Si todos los coeficientes de las variables no básicas en Z
son no negativos, la solución es óptima en
maximización y si son no positivos entonces la solución
es óptima en minimización.
Todas las Restricciones son de Igualdad

Si la inecuación tiene una desigualdad del tipo "≤", deberemos
añadir una nueva variable, llamada variable de holgura. La nueva
variable aparece con coeficiente cero en la función objetivo, y
sumando en las inecuaciones.
a11·x1 + a12·x2 + ... + a1n·xn ≤ b1
a21·x1 + a22·x2 + ... + a2n·xn ≤ b2
a11·x1 + a12·x2 + ... + a1n·xn + h1 = b1

a21·x1 + a22·x2 + ... + a2n·xn + h2 = b2
Ejemplo
Maximizar: Z= 3x1 + 2x2
Sujeto a: 2x1 + x2 ≤ 18
2x1 + 3x2 ≤ 42
3x1 + x2 ≤ 24
x1 ≥ 0 , x2 ≥ 0
Cumple con las Condiciones:

1. La función objetivo es de la forma de maximización o de minimización.
2. Todas las restricciones son de tipo menor o igual que y en su forma
estándar es una igualdad.
3. Todas las variables son no negativas.
4. Las constantes a la derecha de las restricciones son no negativas
1.- Igualar la Función Objetivo a Cero
Maximizar: Z - 3x1 - 2x2 = 0
2.- Convertir las Desigualdades a ecuaciones
2x1 + x2 + h1 = 18 Aquí agregamos las

variables de holgura
2x1 + 3x2 + h2 = 42 h sumando debido a
3x1 + x2 + h3 = 24 que la restricción es
del tipo ≤.
3. Construcción de la Tabla Inicial

En la siguiente tabla anotamos los coeficientes de las
variables de decisión X1 y X2 y así como también de las
variables de holgura h1,h2y h3
Base X1 X2 h1 h2 h3 Solución
Z -3 -2 0 0 0 0
h1 2 1 1 0 0 18
h2 2 3 0 1 0 42
h3 3 1 0 0 1 24
Ya teniendo el tablero inicial debemos encontrar las condiciones de

parada o finalización del algoritmo así como las condiciones de
entrada y salida para determinar los valores de X1 y X2 con los
cuales maximizaremos nuestra función objetivo.
4. Encontrar el elemento pivote (iteración # 1)

La Columna pivote la encontramos determinando el valor
más negativo en la Fila Z con X1= -3
Z -3 -2 0 0 0 0
Por lo tanto la
h1 2 1 1 0 0 18
Variable que entra es
h2 2 3 0 1 0 42
X1
h3 3 1 0 0 1 24
Para encontrar la Variable que sale, dividimos la columna Solución
entre la columna pivote, de manera que se escoge el mínimo de
ellos para encontrar la fila pivote, a la intersección de la columna
pivote con la fila pivote se le llama elemento pivote.
18/2 = 9
42/2 = 21
24/3 = 8 h3 es la fila
pivote

Z -3 -2 0 0 0 0
h1 2 1 1 0 0 18
h2 2 3 0 1 0 42
Elemento h3 3 1 0 0 1 24
pivote
4. Aplicar Gauss-Jordan (iteración # 1)

Hacer el elemento pivote=1 dividiendo la fila pivote en 3
Z -3 -2 0 0 0 0
h1 2 1 1 0 0 18
h2 2 3 0 1 0 42
h3 1 1/3 0 0 1/3 8

Todos los elementos de la columna pivote deben hacerse
cero.
OPERATORIA: -2h3+h2 --------- h2
-2h3+h1 --------- h1
3h3+ Z --------- Z
Z 0 -1 0 0 1 24
h1 0 1/3 1 0 2/3 2
Entra X1 y
h2 0 7/3 0 1 -2/3 26
sale h3
X1 1 1/3 0 0 1/3 8
RECORDANDO: Para maximización la condición de parada

(debemos parar de realizar iteraciones cuando en la fila del
valor de la función objetivo sean todos mayores o iguales a 0),
así como para la condición de salida de la fila.
Esto aun no se cumple por lo tanto hay que seguir iterando.
4. Encontrar el elemento Pivote (iteración # 2)

La Columna pivote la encontramos determinando el valor más negativo
en la Fila Z con X2= -1
Z 0 -1 0 0 1 24
Por lo tanto la
h1 0 1/3 1 0 -2/3 2 Variable que entra es
h2 0 7/3 0 1 -2/3 26 X2
X1 1 1/3 0 0 1/3 8
Para encontrar la Variable que sale, dividimos la columna Solución entre la
columna pivote, de manera que se escoge el mínimo de ellos para encontrar
la fila pivote, a la intersección de la columna pivote con la fila pivote se le
llama elemento pivote.
2/(1/3) = 6 h1 es la fila
26/(7/3) = 11,14 pivote
8/(1/3) = 24
4. Encontrar el elemento Pivote (iteración # 2)
Z 0 -1 0 0 1 24
Elemento
h1 0 1/3 1 0 -2/3 2
pivote
h2 0 7/3 0 1 -2/3 26
X1 1 1/3 0 0 1/3 8

Hacer el elemento pivote=1 multiplicando la fila pivote por 3
Z 0 -1 0 0 1 24
h1 0 1 3 0 -2 6
h2 0 7/3 0 1 -2/3 26
X1 1 1/3 0 0 1/3 8

Todos los elementos de la columna pivote deben hacerse cero.
OPERATORIA: -7/3h1+h2 --------- h2
-1/3h1+X1 --------- X1
h1+ Z --------- Z
Z 0 0 3 0 -1 30
Entra X2 y
X2 0 1 3 0 -2 6
sale h1
h2 0 0 -7 1 4 12
X1 1 0 -1 0 1 6

Esto aun no se cumple por lo tanto hay que seguir iterando.
Company Logo

La Columna pivote la encontramos determinando el valor
más negativo en la Fila Z con h3= -1
Z 0 0 3 0 -1 30
X2 Por lo tanto la
0 1 3 0 -2 6
Variable que entra es
h2 0 0 -7 1 4 12 h3
X1 1 0 -1 0 1 6
Para encontrar la Variable que sale, dividimos la columna Solución
entre la columna pivote, de manera que se escoge el mínimo de
ellos para encontrar la fila pivote, a la intersección de la columna
pivote con la fila pivote se le llama elemento pivote.
6/-2 = No aplica
12/4 = 3 h2 es la fila
6/1 = 6 pivote

Z 0 0 3 0 -1 30
X2 0 1 3 0 -2 6
Elemento
h2 0 0 -7 1 4 12
pivote
X1 1 0 -1 0 1 6

Hacer el elemento pivote=1 dividiendo la fila pivote entre 4
Z 0 0 3 0 -1 30
X2 0 1 3 0 -2 6
h2 0 0 -7/4 1/4 1 3
X1 1 0 -1 0 1 6

Todos los elementos de la columna pivote deben hacerse
cero.
OPERATORIA: 2h2+X2 --------- X2
-h2+X1 --------- X1
h2+ Z --------- Z
Entra h3 y
Z 0 0 5/4 1/4 0 33
sale h2
X2 0 1 -1/2 1/2 0 12
h3 0 0 -7/4 1/4 1 3
X1 1 0 3/4 -1/4 0 3
Esto se cumple por lo tanto se detiene las iteraciones.
6. Solución Final
Los valores con los Base X1 X2 h1 h2 h3 Solución
cuales se maximiza la Z 0 0 5/4 1/4 0 33
función Z son: X2 0 1 -1/2 1/2 0 12
h3 0 0 -7/4 1/4 1 3
X1= 3
X2=12 X1 1 0 3/4 -1/4 0 3
Z= 33
Comprobando:
Maximizar: Z= 3x1 + 2x2 Maximizar: Z= 3(3) + 2(12) = 33

Sujeto a: 2x1 + x2 + h1 = 2(3) + (12) + 0 = 18
18 2(3) + 3(12) + 0 = 42
2x1 + 3x2 + h2 = 42 3(3) + (12) + 3 = 24
3x1 + x2 + h3 = 24

Presntación Simplex

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Presntación Simplex

Cargado por

Copyright:

Formatos disponibles

METODOS ANALITICOS PARA LA OPTIMIZACIÒN DE LOS RECURSOS DE

Curso de Ingeniería de la Producción

El método Simplex es un procedimiento iterativo que permite

Deberá tenerse en cuenta que este método sólo trabaja para

Preparando el Modelo para Adaptarlo al Método Simples

1. La función objetivo es de la forma de maximización o de

Tipo de Optimización (minimizar o maximizar)

Si nuestro modelo, es de tipo minimizar, debemos tener en cuenta

Si nuestro modelo, es de tipo maximizar, debemos tener en cuenta

La variable que entra o pasa a ser básica es aquella no

de maximización, o más positivo si es de minimización.

Todas las Restricciones son de Igualdad

a11·x1 + a12·x2 + ... + a1n·xn + h1 = b1

Maximizar: Z= 3x1 + 2x2

Cumple con las Condiciones:

1.- Igualar la Función Objetivo a Cero

Maximizar: Z - 3x1 - 2x2 = 0

2.- Convertir las Desigualdades a ecuaciones

2x1 + x2 + h1 = 18 Aquí agregamos las

3. Construcción de la Tabla Inicial

Ya teniendo el tablero inicial debemos encontrar las condiciones de

4. Encontrar el elemento pivote (iteración # 1)

4. Encontrar el elemento pivote (iteración # 1)

4. Aplicar Gauss-Jordan (iteración # 1)

5. Aplicar Gauss-Jordan (iteración # 1)

RECORDANDO: Para maximización la condición de parada

4. Encontrar el elemento Pivote (iteración # 2)

4. Encontrar el elemento Pivote (iteración # 2)

5. Aplicar Gauss-Jordan (iteración # 2)

5. Aplicar Gauss-Jordan (iteración # 2)

RECORDANDO: Para maximización la condición de parada

4. Encontrar el elemento pivote (iteración # 3)

4. Encontrar el elemento pivote (iteración # 3)

5. Aplicar Gauss-Jordan (iteración # 3)

5. Aplicar Gauss-Jordan (iteración # 3)

Maximizar: Z= 3x1 + 2x2 Maximizar: Z= 3(3) + 2(12) = 33

También podría gustarte