F.O.

unimodal y conjuntos convexos SIMPLEX: Conceptos básicos Puntos extremos y soluciones básicas

Técnicas de Optimización
Función Unimodal, conjuntos convexos y conceptos básicos
del SIMPLEX

Juan Felipe Botero

Departamento de Ingenierı́a
Universidad de Antioquia
Medellı́n Colombia
juanxfelipe@gmail.com

1 / 38
F.O. unimodal y conjuntos convexos SIMPLEX: Conceptos básicos Puntos extremos y soluciones básicas

Í NDICE

F.O. unimodal y conjuntos convexos

Funciones objetivo unimodales
Conjuntos convexos

SIMPLEX: Conceptos básicos

Punto interior, limite y extremo
Optimalidad y forma estándar

Puntos extremos y soluciones básicas

Búsqueda en puntos extremos

2 / 38
F.O. unimodal y conjuntos convexos SIMPLEX: Conceptos básicos Puntos extremos y soluciones básicas

M ODELOS ADECUADOS PARA ALGORITMOS DE

MEJORA

I Los algoritmos de mejora se detienen cuando encuentran

un óptimo local
I Hay modelos que tienen formas matemáticas que
garantizan que cada óptimo local es, a su vez, un óptimo
global
I Estas formas son las más adecuadas para un algoritmo de
mejora

3 / 38
F.O. unimodal y conjuntos convexos SIMPLEX: Conceptos básicos Puntos extremos y soluciones básicas

F UNCIONES UNIMODALES : D EFINICI ÓN

I Cuando una función es unimodal, no es posible que un
óptimo local NO sea también un óptimo global

Una función objetivo f (x) es unimodal si el segmento de recta

que une un punto cualquiera con otro punto mejor es una direc-
ción de mejora

I Formalmente:
para cada x(1) y x(2) que tiene un mejor valor en la función
objetivo, la dirección 4x = (x(2) − x(1) ) es una dirección de
mejora en x(1)

para minimización, si f (x(2) ) < f (x(1) ), entonces

4x = (x(2) − x(1) ) es una dirección de mejora en x(1)
4 / 38
F.O. unimodal y conjuntos convexos SIMPLEX: Conceptos básicos Puntos extremos y soluciones básicas

F UNCIONES UNIMODALES : E JEMPLOS Juan G. Villegas-Algoritmos de Mejora (Clase 2)

Función unimodal
Para maximización?
I Considere las dos siguientes funciones de maximización

I Cuál es unimodal,
Los óptimos y cuál
locales son óptimos no?
globales en las funciones unimodales
(en problemas no restringidos)

5 / 38
F.O. unimodal y conjuntos convexos SIMPLEX: Conceptos básicos Puntos extremos y soluciones básicas

F UNCIONES L INEALES

I Matemáticamente (en algebra lineal), una función lineal es

un mapeo entre dos espacios vectoriales que preserva las
operaciones de adición y multiplicación por un escalar:
f (x + y) = f (x) + f (y)
f (ax) = af (x), donde a es un escalar y x un vector
I Sin embargo podemos hablar informalmente de una
función objetivo lineal, si se expresa como la suma con
pesos de
Pun conjunto de variables de decisión
n
f (x) = j=1 cj xj = cT .x
Las funciones objetivo lineales son unimodales tanto para mo-
delos maximización como para modelos de minimización

6 / 38
F.O. unimodal y conjuntos convexos SIMPLEX: Conceptos básicos Puntos extremos y soluciones básicas

F UNCIONES L INEALES SON UNIMODALES : P RUEBA

Considerando una función objetivo lineal de maximización y
dos soluciones x(1) y x(2) , en las que x(2) es mejor que x(1)

n n
(2) (1)
X X
f (x(2) ) − f (x(1) ) = cj xj − cj xj
j=1 j=1
n
(2) (1)
X
= cj (xj − xj )
j=1

cT · .(x(2) − x(1) )
Of (x(1) ) · (x(2) − x(1) )

I Si entonces se aplica la definición:

I En el caso de maximización, f (x(2) ) > f (x(1) ) implica que
f (x(2) ) − f (x(1) ) = Of (x(1) ).(x(2) − x(1) ) > 0
7 / 38
 F.O. unimodal y conjuntos convexos SIMPLEX: Conceptos básicos Puntos extremos y soluciones básicas

L ÍNEAS Y S EGMENTOS
Affine set
I Sean x1 6= x2 dos puntos en Rn ,
I Todo punto x sobre la lı́nea que va desde x1 hacia x2
line through x1, xlo2:siguiente
cumple all points

x = θx1 + (1 − θ)x2 (θ ∈ R)

θ = 1.2 x1
θ=1
θ = 0.6
x2
θ=0
θ = −0.2

affine set: contains the line through any two distinct points in the set
8 / 38
F.O. unimodal y conjuntos convexos SIMPLEX: Conceptos básicos Puntos extremos y soluciones básicas

O TRA I NTERPRETACI ÓN

I Sean x1 6= x2 dos vectores en Rn ,

I x1 − x2 es un vector paralelo a la lı́nea que los une

9 / 38
F.O. unimodal y conjuntos convexos SIMPLEX: Conceptos básicos Puntos extremos y soluciones básicas

C ONJUNTOS C ONVEXOS
I Un conjunto C es convexo si el segmento de recta entre
Affine set
cualquier par de puntos de C está en C
I Si x1 , x2 ∈ C, y ∀θ, 0 ≤ θ ≤ 1:
line through x1, x2: all points
θx1 + (1 − θ)x2 ∈ C
x = θx1 + (1 − θ)x2 (θ ∈ R)

θ---------------
= 1.2 x1
θ=1
θ = 0.6
x2
θ=0
= −0.2
θ-----------------

10 / 38
F.O. unimodal y conjuntos convexos SIMPLEX: Conceptos básicos Puntos extremos y soluciones básicas

C ONJUNTOS CONVEXOS : E JERCICIO

I Demostrar que el conjunto factible generado por la siguiente restricción:

x21 + x22 ≥ 1, no es un conjunto convexo
I Lo que primero hay que hacer es escoger dos soluciones factibles que
estén unidas por un segmento de lı́nea que pase a través de un punto
no factible dentro del cı́rculo unitario.
Escogemos x(1) = (−1, 0) y x(2) = (1, 0)

Según la fórmula vista, cualquier punto en el segmento de lı́nea entre

estos dos puntos cumple:
     
−1 1 1 − 2θ
θx1 + (1 − θx2 ) = θ + (1 − θ) =
0 0 0
Cómo 0 ≤ θ ≤ 1. Si escogemos θ = 21 , entonces el punto (0, 0) que no es
factible, estarı́a dentro del segmento de recta que une a dos puntos
factibles (por lo tanto el conjunto no es convexo)

11 / 38
F.O. unimodal y conjuntos convexos SIMPLEX: Conceptos básicos Puntos extremos y soluciones básicas

C ONJUNTOS C ONVEXOS : E JEMPLOS Y C OMBINACI ÓN

C ONVEXA

I Ejemplos
24 de conjuntos convexos y no convexos
2 Convex sets

I Un punto de whichla forma

includes θ1 x(shown
its boundary · · · +is convex.
1 + darker), θk xk ,Middle.
Figure 2.2 Some simple convex and nonconvex sets. Left. The hexagon,
donde The kidney
shaped set is not convex, since the line segment between the two points in
θ1 + · · · + θthek set
=shown
1 yasθdotsi ≥ i = 1,in the
0,contained
is not . .set.
. , Right.
k esThe squarecombinación
una contains
some boundary points but not others, and is not convex.
convexa de los puntos x1 , . . . , xk
I Un conjunto es convexo si y sólo si contiene todas las
combinaciones convexas de sus puntos.

Figure 2.3 The convex hulls of two sets in R2 . Left. The convex hull of a
set of fifteen points (shown as dots) is the pentagon (shown shaded). Right.
The convex hull of the kidney shaped set in figure 2.2 is the shaded set. 12 / 38
F.O. unimodal y conjuntos convexos SIMPLEX: Conceptos básicos Puntos extremos y soluciones básicas

R ESTRICCIONES LINEALES Y CONVEXIDAD

Si todas las restricciones de un modelo de optimización son linea-

les, la región factible es convexa

Prueba: Escojamos 2 soluciones x(1) y x(2) que sean factibles en un modelo de

optimización con restricciones lineales. Para restricciones de ≥, la factibilidad significa
que
Pn (1) Pn (2)
j=1 aj xj ≥by j=1 aj xj ≥b

Qué pasa con los puntos entre x(1) y x(2) ?, para 0 ≤ θ ≤ 1

Pn (1) Pn (2)
(1 − θ) j=1 aj xj +θ j=1 aj xj ≥ (1 − θ)b + θb = b
Pn (1) Pn (1) Pn (2)
j=1 aj xj −θ j=1 aj xj +θ j=1 aj xj ≥b
 
Pn (1) (2) (1)
j=1 aj xj + θ(xj − xj ) ≥ b

13 / 38
F.O. unimodal y conjuntos convexos SIMPLEX: Conceptos básicos Puntos extremos y soluciones básicas

C ONJUNTOS CONVEXOS Y TRATABILIDAD

I Si la región factible de un modelo de optimización es

convexa, hay una dirección factible que permite que se
llegue desde cualquier solución factible a otra
I Como el segmento de lı́nea entre cualquier par de puntos
factibles x(1) y x(2) está dentro de la región factible,
entonces la dirección de movimiento 4x = (x(2) − x(1) ) es
siempre una dirección factible en x(1)
Si la función objetivo del modelo de optimización es unimodal y
las restricciones producen una región factible convexa, cada ópti-
mo local del modelo, es un óptimo global
I Los problemas lineales son sólo un caso particular de la
afirmación anterior

14 / 38
F.O. unimodal y conjuntos convexos SIMPLEX: Conceptos básicos Puntos extremos y soluciones básicas

B ÚSQUEDA DE SOLUCI ÓN INICIAL

I El algoritmo de mejora necesita una solución factible

inicial para comenzar
I Sin embargo, no es fácil encontrarla (para problemas de
muchas variables y restricciones, puede ser complejo)
I Existen varios métodos para encontrar una solución
factible inicial:
I El método de las 2 fases
I El método de la M grande

15 / 38
F.O. unimodal y conjuntos convexos SIMPLEX: Conceptos básicos Puntos extremos y soluciones básicas

M ÉTODO DE LAS 2 FASES : A LGORITMO

Modelo Artificial → Escoja cualquier solución y construya
un modelo sumando (o restando) variables artificiales no
negativas en cada restricción violada
Fase I → Asigne valores a las variables artificiales para
obtener una solución factible al modelo artificial. Empiece
en esa solución y ejecute el algoritmo de mejora tratando de
minimizar la suma de las variables artificiales
No factibilidad → Si la fase I termina con función objetivo
= 0, vaya al paso 3 (el modelo original es factible). Si el
mı́nimo global de la fase 1 > 0, deténgase, el modelo no es
factible
Fase II → Construya una solución factible al modelo
original borrando las variables artificiales del resultado
óptimo de la fase I

16 / 38
F.O. unimodal y conjuntos convexos SIMPLEX: Conceptos básicos Puntos extremos y soluciones básicas

M ÉTODO DE LAS 2 FASES : E JEMPLO (I)

Para el ejemplo de la refinerı́a petrolera:

I Si se escogen x1 = x2 = 0 viola 3
Minimizar 20x1 + 15x2 restricciones, entonces hay que crear variables
Sujeto a 0,3x1 + 0,4x2 ≥ 2,0 artificiales x3 , x4 y x5
0,4x1 + 0,2x2 ≥ 1,5 0,3x1 + 0,4x2 + x3 ≥ 2,0
0,2x1 + 0,3x2 ≥ 0,5 0,4x1 + 0,2x2 + x4 ≥ 1,5
x1 ≤ 9 0,2x1 + 0,3x2 + x5 ≥ 0,5
x1 ≤ 9
x2 ≤ 6
x2 ≤ 6
x1 , x2 ≥ 0 x1 , x2 , x3 , x4 , x5 ≥ 0

17 / 38
F.O. unimodal y conjuntos convexos SIMPLEX: Conceptos básicos Puntos extremos y soluciones básicas

M ÉTODO DE LAS 2 FASES : E JEMPLO (II)

I Nuestro objetivo es encontrar una solución con todas las variables artificiales
iguales a cero
I Por tanto, la función objetivo del modelo de fase I trata de minimizar la suma de
las variables artificiales:

Minimizar x3 + x4 + x5
Sujeto a 0,3x1 + 0,4x2 + x3 ≥ 2,0
0,4x1 − 0,2x2 + x4 ≥ 1,5
0,2x1 + 0,3x2 + x5 ≥ 0,5
x1 ≤ 9
x2 ≤ 6
x1 , x2 , x3 , x4 , x5 ≥ 0

I Para este modelo, la solución inicial es fácil: (0, 0, 2, 1.5, 0.5)

I Después de dos iteraciones, el algoritmo de mejora debe producir la solución de
fase I x(2) = (4, 4, 0, 0, 0) con valor de función objetivo
(2) (2) (2)
x3 + x4 + x5 = 0 + 0 + 0 = 0
I De esta manera, la solución inicial para el modelo original es x(0) = (4, 4)
I En el caso que la fase 1 termina con un valor óptimo de la función objetivo > 0,
el modelo original es no factible 18 / 38
F.O. unimodal y conjuntos convexos SIMPLEX: Conceptos básicos Puntos extremos y soluciones básicas

M ODELO E JEMPLO
x2
Maximizar 12x1 + 9x2 x1≥0
Sujeto a x1 ≤ 1000 z=12x1+9x2
x2 ≤ 1500

4x1
x1≤1000

+2x
x1 + x2 ≤ 1750 2000

2
≤48
4x1 + 2x2 ≤ 4800

00
x1 , x2 ≥ 0 x2≤1500

1000

x1
+x
2 ≤1
75
0

x2≥0
1000 2000 x1

19 / 38
F.O. unimodal y conjuntos convexos SIMPLEX: Conceptos básicos Puntos extremos y soluciones básicas

P UNTO INTERIOR
I Un punto interior es aquel en que todas las restricciones
de desigualdad son inactivas
x1≥0
z=12x1+9x2

4x1
x1≤1000

+2x
2000

2≤
0048
x2≤1500

1000

(500,500) x1
+x
2 ≤1
75
0

x2≥0
1000 2000

20 / 38
F.O. unimodal y conjuntos convexos SIMPLEX: Conceptos básicos Puntos extremos y soluciones básicas

P UNTO FRONTERA
I Un punto frontera es aquel en que al menos una
desigualdad actua como igualdad (es activa) al evaluarse
en ese punto
x1≥0
z=12x1+9x2

4x1
x1≤1000
2000 +2x
2
≤48
00

x2≤1500

1000

x1
+x
2≤1
75
0
(1000,200)
x2≥0
1000 2000

21 / 38
F.O. unimodal y conjuntos convexos SIMPLEX: Conceptos básicos Puntos extremos y soluciones básicas

P UNTO E XTREMO
I Un punto extremo de un conjunto convexo son los puntos que no se
encuentran en un segmento de lı́nea entre otros dos puntos del
conjunto, es decir, son los puntos que no pueden expresarse como una
conbinación convexa de otros dos puntos

x1≥0
z=12x1+9x2

4x1
x1≤1000
2000 +2x
2
≤48
00

(250,1500) x2≤1500
(0,1500)

1000 (650,1100)

x1
+x
2 ≤1
(1000,400) 75
0

(1000,0) x2≥0
(0,0) 1000 2000

22 / 38
F.O. unimodal y conjuntos convexos SIMPLEX: Conceptos básicos Puntos extremos y soluciones básicas

O PTIMALIDAD

Las soluciones óptimas a un problema de programación lineal

están ubicadas en los puntos frontera

Si el problema de programación lineal tiene una solución única,

ésta debe estar ubicada en un punto extremo de la región factible

Si el valor óptimo del problema es finito, al menos una de las so-

luciones está ubicada en un punto extremo

23 / 38
F.O. unimodal y conjuntos convexos SIMPLEX: Conceptos básicos Puntos extremos y soluciones básicas

F ORMA EST ÁNDAR PROBLEMAS LP

I Formato estándar: Todas las restricciones son igualdades y todas las variables
son no negativas
I Formato canónico: Un problema de minimización está expresado de manera
canónica si todas sus restricciones son de tipo ≥. Un problema de maximización
está expresado de manera canónica si todas sus restricciones son de tipo ≤
(excepto las restricciones de no negatividad)

Problema Minimización Problema Maximización

Pn Pn
Forma Minimizar j=1 cj xj Maximizar j=1 cj xj
Estándar Pn Pn
Sujeto a j=1 aij xj= bi i = 1, . . . , m Sujeto a j=1 aij xj= bi i = 1, . . . , m
xj ≥ 0 j = 1, . . . , n xj ≥ 0 j = 1, . . . , n
Forma matricial Forma matricial
Minimizar cT · x Maximizar cT · x
Sujeto a Ax = b Sujeto a Ax = b
x≥0 x≥0
Pn Pn
Forma Minimizar j=1 cj xj Maximizar j=1 cj xj
Canónica Pn Pn
Sujeto a j=1 aij xj≥ bi i = 1, . . . , m Subject to j=1 aij xj≤ bi i = 1, . . . , m
xj ≥ 0 j = 1, . . . , n xj ≥ 0 j = 1, . . . , n
Forma matricial Forma matricial
Minimizar cT · x Maximizar cT · x
Sujeto a Ax ≥ b Sujeto a Ax ≤ b
x≥0 x≥0

24 / 38
F.O. unimodal y conjuntos convexos SIMPLEX: Conceptos básicos Puntos extremos y soluciones básicas

C AMBIANDO LP S A FORMA EST ÁNDAR

I Para convertir las desigualdades en igualdades, se suman (en caso de
restricciones ≤) o restan (en caso de restricciones ≥) variables adicionales
llamadas variables slack
Modelo Ejemplo Forma Estándar (Variables slack x3 , x4 , x5 , x6 )

Maximizar 12x1 + 9x2 Maximizar 12x1 + 9x2

Sujeto a x1 ≤ 1000 Sujeto a x1 + x3 = 1000
x2 ≤ 1500 x2 + x4 = 1500
x1 + x2 ≤ 1750 x1 + x2 + x5 = 1750
4x1 + 2x2 ≤ 4800 4x1 + 2x2 + x6 = 4800
x1 , x2 ≥ 0 x1 , x2 , x3 , x4 , x5 , x6 ≥0

I Las variables no positivas deben ser eliminadas sustituyéndolas por variables

que son iguales a su negativo
Por ejemplo x7 ≤ 0 se reemplaza por x11 = −x7 , x11 ≥ 0
I Si hay variables no restringidas (pueden tomar cualquier signo), se reemplazan
sustituyéndolas
Por ejemplo −∞ ≤ y1 ≤ ∞ se reemplaza por y8 , y9 ≥ 0 tal que y1 = y8 − y9 y
y8 , y9 ≥ 0
25 / 38
F.O. unimodal y conjuntos convexos SIMPLEX: Conceptos básicos Puntos extremos y soluciones básicas

I DENTIFICANDO PUNTOS EXTREMOS

I Cada punto extremo x1≥0

de la región factible

4x1
x1≤1000

+2x
está determinado
2000

2≤
48
por un conjunto de

00
x2≤1500
restricciones que son x1+x2≤1750
x2≤1500
activas
simultáneamente x1≥0
x2≤1500 4x1+2x2≤4800
sólo en ese punto x1+x2≤1750

x1
+x
2≤1
75
0 4x1+2x2≤4800
x1≤1000
x2≥0

x1≥0 x1≤1000
x2≥0 x2≥0

26 / 38
F.O. unimodal y conjuntos convexos SIMPLEX: Conceptos básicos Puntos extremos y soluciones básicas

P UNTOS EXTREMOS ADYACENTES

I Dos puntos extremos de una x1≥0
región factible LP son

4x1
adyacentes si son
x1≤1000

+2x
determinados por conjuntos Arco
2000

2≤
de restricciones activas que

48
00
difieren sólo en un x2≤1500
elemento x1+x2≤1750
x2≤1500
I Dos puntos extremos
ayacentes están unidos por
un arco que x1≥0
x2≤1500
está determinado por las
restricciones activas que los
puntos adyacentes tienen en x1
+x
común 2≤1
75
0 4x1+2x2≤4800
x1≤1000
x2≥0

x1≤1000
x2≥0

27 / 38
F.O. unimodal y conjuntos convexos SIMPLEX: Conceptos básicos Puntos extremos y soluciones básicas

P UNTOS EXTREMOS : E JERCICIO (I)

I Considere el siguiente problema LP con la región factible

delimitada por:

−2x1 + 3x2 ≤ 6 → Restricción 1

−x1 + x2 ≤ 1 → Restricción 2
x1 , x2 ≥ 0 → Restricción 3 y 4
1. Dibuje la región factible e identifique los puntos
x(0) = (0, 0), x(1) = (0, 1), x(2) = (3, 4), x(3) = (4, 0)
2. Determine cuáles pares de puntos son puntos extremos
adyacentes
3. Determine cuáles pares los une un arco y que restricción
está asociada con el arco

28 / 38
F.O. unimodal y conjuntos convexos SIMPLEX: Conceptos básicos Puntos extremos y soluciones básicas

P UNTOS EXTREMOS : E JERCICIO (II)

I Región factible:
x2
x1≥0

4
(2)

≤6
3x
2

3 1+
-2x

≤1
+x
2

-x
1
2

1
(1)

(0) (3) x2≥0

1 2 3 4 x1
I Las soluciones x(0) , x(1) , x(2) son puntos extremos determinados por las
restricciones 3 y 4, 2 y 3, 1 y 2 respectivamente. Los puntos x(0) , x(1) son
adyacentes, ası́ como los puntos x(1) , x(2)
I Cada par de puntos adyacentes está unido por un arco. Por ejemplo x(0) , x(1)
están unidas por la lı́nea −x1 + x2 = 1 y aunque x(3) no es un punto extremo,
está unido con x(0) por la lı́nea x2 = 0
29 / 38
F.O. unimodal y conjuntos convexos SIMPLEX: Conceptos básicos Puntos extremos y soluciones básicas

S OLUCIONES B ÁSICAS : D EFINICI ÓN

Una solución básica de un LP de forma estándar se obtiene fi-

jando a cero un conjunto suficiente de variables de tal manera que
el problema puede ser resuelto de manera única para las variables
restantes

I Las variables fijadas a cero son llamadas no básicas

mientras que el resto de variables, las obtenidas después
de resolver las desigualdades, son llamadas básicas

30 / 38
F.O. unimodal y conjuntos convexos SIMPLEX: Conceptos básicos Puntos extremos y soluciones básicas

S OLUCIONES B ÁSICAS : U N EJEMPLO

I Una solución básica se obtiene escogiendo x1 , x2 , x3 , x4 como variables

básicas y
I x5 , x6 como no básicas y x5 = x6 = 0 con solución básica
x = (650, 1100, 350, 400, 0, 0)
Forma Estándar (Variables slack x3 , x4 , x5 , x6 )

Maximizar 12x1 + 9x2

Sujeto a x1 + x3 = 1000
x2 + x4 = 1500
x1 + x2 + x5 = 1750
4x1 + 2x2 + x6 = 4800
x1 , x2 , x3 , x4 , x5 , x6 ≥0

31 / 38
F.O. unimodal y conjuntos convexos SIMPLEX: Conceptos básicos Puntos extremos y soluciones básicas

S OLUCIONES B ÁSICAS Y PUNTOS EXTREMOS (I)

x2≥0
Maximizar 12x1 + 9x2
Sujeto a x1 + x3 = 1000 z=12x1+9x2

x6≥
x2 + x4 = 1500 x3≥0
2000

0
x1 + x2 + x5 = 1750
4x1 + 2x2 + x6 = 4800
x1 , x2 , x3 , x4 , x5 , x6 ≥0
x4≥0

I Las soluciones básicas factibles

corresponden a los puntos extremos 1000
de la region factible de un programa
lineal
I x5 , x6 como no básicas y x5 = x6 = 0
con solución básica factible x5
≥0
x1 = 650, x2 = 1100, x3 =
350, x4 = 400, x5 = 0, x6 = 0
x1≥0
1000 2000

32 / 38
F.O. unimodal y conjuntos convexos SIMPLEX: Conceptos básicos Puntos extremos y soluciones básicas

S OLUCIONES B ÁSICAS Y PUNTOS EXTREMOS (II)

x1≥0
Maximizar 12x1 + 9x2
Sujeto a x1 + x3 = 1000 z=12x1+9x2

x6≥
x2 + x4 = 1500 x3≥0
2000

0
x1 + x2 + x5 = 1750
4x1 + 2x2 + x6 = 4800
x1 , x2 , x3 , x4 , x5 , x6 ≥0
x4≥0

I Las soluciones básicas factibles

corresponden a los puntos extremos 1000
de la region factible de un programa
lineal
I x1 , x2 como no básicas y x1 = x2 = 0
con solución básica factible x5
≥0
x1 = 0, x2 = 0, x3 = 1000, x4 =
1500, x5 = 1750, x6 = 4800
x2≥0
1000 2000

33 / 38
F.O. unimodal y conjuntos convexos SIMPLEX: Conceptos básicos Puntos extremos y soluciones básicas

S OLUCIONES B ÁSICAS Y PUNTOS EXTREMOS (III)

x1≥0
Maximizar 12x1 + 9x2
Sujeto a x1 + x3 = 1000 z=12x1+9x2

x6≥
x2 + x4 = 1500 x3≥0
2000

0
x1 + x2 + x5 = 1750
4x1 + 2x2 + x6 = 4800
x1 , x2 , x3 , x4 , x5 , x6 ≥0
x4≥0

I Las soluciones básicas factibles

corresponden a los puntos extremos 1000
de la region factible de un programa
lineal
I x2 , x3 como no básicas y x2 = x3 = 0
con solución básica factible x5
≥0
x1 = 1000, x2 = 0, x3 = 0, x4 =
1500, x5 = 750, x6 = 800
x2≥0
1000 2000

34 / 38
F.O. unimodal y conjuntos convexos SIMPLEX: Conceptos básicos Puntos extremos y soluciones básicas

S OLUCIONES B ÁSICAS Y PUNTOS EXTREMOS (IV)

x1≥0
Maximizar 12x1 + 9x2
Sujeto a x1 + x3 = 1000 z=12x1+9x2

x6≥
x2 + x4 = 1500 x3≥0
2000

0
x1 + x2 + x5 = 1750
4x1 + 2x2 + x6 = 4800
x1 , x2 , x3 , x4 , x5 , x6 ≥0
x4≥0

I Las soluciones básicas factibles

corresponden a los puntos extremos 1000
de la region factible de un programa
lineal
I x3 , x6 como no básicas y x3 = x6 = 0
con solución básica factible x5
≥0
x1 = 1000, x2 = 400, x3 = 0, x4 =
1100, x5 = 350, x6 = 0
x2≥0
1000 2000

35 / 38
F.O. unimodal y conjuntos convexos SIMPLEX: Conceptos básicos Puntos extremos y soluciones básicas

S OLUCIONES B ÁSICAS Y PUNTOS EXTREMOS (V)

x2≥0
Maximizar 12x1 + 9x2
Sujeto a x1 + x3 = 1000 z=12x1+9x2

x6≥
x2 + x4 = 1500 x3≥0
2000

0
x1 + x2 + x5 = 1750
4x1 + 2x2 + x6 = 4800
x1 , x2 , x3 , x4 , x5 , x6 ≥0
x4≥0

I Las soluciones básicas factibles

corresponden a los puntos extremos 1000
de la region factible de un programa
lineal
I x4 , x5 como no básicas y x4 = x5 = 0
con solución básica factible x5
≥0
x1 = 250, x2 = 1500, x3 =
750, x4 = 0, x5 = 0, x6 = 800
x1≥0
1000 2000

36 / 38
F.O. unimodal y conjuntos convexos SIMPLEX: Conceptos básicos Puntos extremos y soluciones básicas

S OLUCIONES B ÁSICAS Y PUNTOS EXTREMOS (VI)

x1≥0
Maximizar 12x1 + 9x2
Sujeto a x1 + x3 = 1000 z=12x1+9x2

x6≥
x2 + x4 = 1500 x3≥0
2000

0
x1 + x2 + x5 = 1750
4x1 + 2x2 + x6 = 4800
x1 , x2 , x3 , x4 , x5 , x6 ≥0
x4≥0

I Las soluciones básicas factibles

corresponden a los puntos extremos 1000
de la region factible de un programa
lineal
I x1 , x4 como no básicas y x1 = x4 = 0
con solución básica factible x5
≥0
x1 = 0, x2 = 1500, x3 = 1000, x4 =
0, x5 = 250, x6 = 1800
I Porqué la solución x3 = x4 = 0 es x2≥0
una solución básica no factible?
1000 2000

37 / 38
F.O. unimodal y conjuntos convexos SIMPLEX: Conceptos básicos Puntos extremos y soluciones básicas

L ECTURA RECOMENDADA

I Rardin, Ronald L. Optimization in operations research. Vol.

166. Upper Saddle River: Prentice Hall, 1998. Capı́tulo 3 y 5

38 / 38