Introducir al método Simplex

Historia

El método del simplex fue creado en 1947 por el matemático George

Dantzig. Este método es utilizado, sobre todo, para resolver
problemas de programación lineal en los que intervienen tres o más
variables. El método del 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.
Método Simplex
El método símplex se utiliza para hallar las soluciones óptimas de
un problema de programación lineal con tres o más variables. Es
un procedimiento iterativo de programación lineal que va
desechando las soluciones no factibles y, en cada paso, evalúa si la
solución obtenida es óptima o no. Las etapas de este algoritmo son:

1.Planteamiento del problema: identificación de las variables y

definición de la función objetivo y del sistema de inecuaciones
lineales para restricciones.
2.Conversión de las desigualdades en igualdades; en cada
restricción se introduce una variable de holgura en el miembro
menor (o menor o igual) de la desigualdad.

3.Igualación a cero de la función objetivo.

4.Escritura de una tabla inicial símplex (matriz): en las columnas,

las variables del problema; una fila para cada conjunto de
coeficientes de una restricción y una fila más para los coeficientes
de la función objetivo.
5.Determinación de las variables y los coeficientes.

Ejemplo de tabla inicial símplex:

Esencia del método símplex
Esencia del método símplex (II)
El método símplex es un procedimiento algebraico en el que cada
iteración contiene la solución de un sistema de ecuaciones para
obtener una nueva solución a la que se le aplica la prueba de
optimalidad. No obstante, también tiene una interpretación
geométrica muy útil. Para ilustrar los conceptos geométricos
generales se empleará la solución gráfica del ejemplo de la Wyndor
Glass Co.
Para refrescar la memoria, la gráfica se repitió acá abajo. Se
marcaron las cinco líneas de las retristricciones y sus puntos de
intersección ya que son punto clave para el análisis. En particular,
estos puntos de intersección son las soluciones en los vértices del
problema. Los cinco puntos que se encuentran en los vértices de la
región factible, (0,0), (0,6), (2,6), (4,3), (4,0) son las soluciones
factibles en los vértices. [Los otros tres -(0,9), (4,6), (6,0) -se llaman
soluciones no factibles en un vértice].

Método del Simplex Revisado.

El método revisado o método del simple con multiplicadores:
Conceptos básicos. Vector de Multiplicadores.

Se basa en los mismos principios que el simplex, pero en cada

iteración no se calcula toda la tabla, y la información que se
necesita para pasar de una solución factible básica a otra se
obtiene directamente de las ecuaciones originales.

Este método requiere una menor cantidad de cálculos, ya que

realiza cálculos únicamente en los vectores de aquellas variables
no-básicas y registra en memoria lo relativo a las variables
básicas,1−B,1−BcB,BxyBBxc (así como todos los valores iniciales
cj, aij y bi).

1-Pasar el modelo a la forma matricial entandar y encontrar una

primera solución básica factible.
MAX z=(C,0)(x ; xs)

(A,I)(x ; xs)=b

(x ; xs)>=0

Donde:

 A: Matriz de coeficientes tecnológicos

 I: Matriz identidad de m*m
 C: Vector renglón de n coeficientes de costo
 x: Vector columna de n variables de decisión
 xs: Vector columna de m variables de holgura
 b: Vector columna de m recursos

2.- Calculamos la variable de entrada con lo que sería la fila Zj-

Cj, utilizando

Zj-Cj=(CB)(B^-1)(aj)-Cj

Donde:

 XB: Vector de variables de decisión básicas

 Cb: Vector de los coeficientes de la función
objetivo de las variables XB
 aj: Es una matriz de valores en las
restricciones que corresponden a las
variables no básicas
 Cj: Son los valores de las variables no básica
que, en la función objetivo, se utiliza el
mismo criterio que en el método simplex:
elegimos al valor más pequeño si tenemos
que maximizar la función o bien el más
grande si hay que minimizar.

3.- Calculamos la variable de salida con:

Yi=(B^-1)(ai)

Donde:

 B: Matriz base
 ai: Vector que corresponde a los valores de
las restricciones de la variable de entrada

Entonces hay que utilizar el mismo criterio para elegir a la variable

de salida que ene le método simplex (Criterio de la razón):

 θ=(XB/Yi)*yi>=0

 Por ultimo hay que calcular el nuevo valor de las variables

básicas, para eso hay que cambiar la matriz B, pues el vector
de las variables básicas cambio, por lo tanto, hay que cambiar
los elementos de la matriz B para que correspondan a los
valores de las restricciones en su correspondiente variable
básica.

 Tenemos que calcular el nuevo valor de Xb con:

 Xb=B^-1(b)

 Donde b tiene que ser el valor que tenía el vector Xb anterior.

 Se regresa al paso 2 hasta que ya no exista un variable de

entrada.
 5.Problema Dual, esencia de la teoría de dualidad

El problema dual se define sistemáticamente a partir del modelo de

PL primal (u original). Los dos problemas están estrechamente
relacionados en el sentido de que la solución óptima de uno
proporciona automáticamente la solución óptima al otro. En la
mayoría de los tratamientos de PL, el dual se define para varias
formas del primal según el sentido de la optimización
(maximización o minimización), los tipos de restricciones y el signo
de las variables (no negativas o irrestrictas).

Esencia de la teoría de dualidad, Dada la forma estándar para el

problema primal (izquierda), su problema dual tiene la forma que
se muestra a la derecha. El problema dual usa exactamente los
mismos parámetros que el problema primal, pero en diferentes
lugares.
Esencia de la teoría de dualidad: Dada la forma matricial del
problema primal (izquierda), y del problema dual. Donde C y Y son
vectores fila y b y x son vectores columna.
 Formulación del problema dual, análisis del precio
sombra.

Precio sombra

Los precio sombra representa el costo de oportunidad de producir o

consumir un bien o servicio en un problema de programación
lineal.
Un bien o servicio puede no tener un precio de mercado; sin
embargo, siempre es posible asignarle un precio sombra, que
permite hacer un análisis de costo-beneficio.
El precio sombra, es el valor por una unidad extra del recurso, ya
que el costo del recurso no es incluido en el cálculo de los
coeficientes de la función objetivo.
Cuando se tienen las dos soluciones, la solución dual se denomina
de precios sombra.
Se podría incrementar la función objetivo en la magnitud del precio
sombra si se tuviera una unidad adicional de ese recurso, o sea, el
fabricante puede aumentar su ganancia total en el precio sombra de
un recurso, si dispone de una unidad adicional de ese recurso.
El precio sombra de un recurso es la cantidad máxima que debe
pagar un fabricante por una unidad adicional de ese recurso.
 Formulación del problema dual

Hemos visto como la programación lineal puede ser usada para

resolver una extensa variedad de problemas propios de los
negocios, ya sea para maximizar utilidades o minimizar costos.
La solución óptima del problema de programación dual,
proporciona la siguiente información respecto del problema de
programación original:
1. La solución óptima del problema dual proporciona los precios
en el mercado o los beneficios de los recursos escasos asignados
en el problema original.
2. La solución óptima del problema dual aporta la solución óptima
del problema original y viceversa. Normalmente llamamos al
problema de programación lineal original el problema de
programación primal.