Capítulo 4:

El método Simplex

Frederick S. HillierEducation.
© 2015 McGraw-Hill Gerald J. Lieberman
All rights reserved. © 2015 McGraw-Hill Education. All rights reserved.
4.6 Adaptación a otras formas del modelo

• Ajustes al método Simplex

– Son necesarios cuando el problema no está en su forma
estándar
– Se pueden hacer durante el paso inicial
• Técnica de las variables artificiales
– Se introduce una variable ficticia (var artificial) en cada
restricción que lo requiera
– Se introduce sólo con el fin de que sea la variable básica
inicial de esa ecuación
– Se les aplican restricciones de no negatividad
– La función objetivo se modifica para que imponga una gran
penalización cuando adquieran valores >0
© 2015 McGraw-Hill Education. All rights reserved. 2
Adaptación a otras formas del modelo

• Tipos de formas no estándar

– Restricciones de igualdad
– Lados derechos negativos
– Restricciones funcionales de la forma ≥
– Minimizar Z
• Métodos de solución
– Métodos de la Gran M
– Método de las 2 fases

© 2015 McGraw-Hill Education. All rights reserved. 3

Adaptación a otras formas del modelo

En vez de hacer esa sustitución y aumentar restricciones, se

usa técnica de variable artificial

© 2015 McGraw-Hill Education. All rights reserved. 4

Adaptación a otras formas del modelo

© 2015 McGraw-Hill Education. All rights reserved. 5

Adaptación a otras formas del modelo

© 2015 McGraw-Hill Education. All rights reserved. 6

Adaptación a otras formas del modelo

© 2015 McGraw-Hill Education. All rights reserved. 7

Adaptación a otras formas del modelo

Todas las variables básicas deben eliminarse de la

ecuación de Z, antes de aplicar prueba de optimalidad
Para eliminar algebraicamente de la ecuación de Z,
se resta de esta ecuación la ecuación (3) multiplicada
por M

Esta nueva ecuación presenta a Z solo en términos de

las variables no básicas (x1,x2)

© 2015 McGraw-Hill Education. All rights reserved. 8

Adaptación a otras formas del modelo

© 2015 McGraw-Hill Education. All rights reserved. 9

 Método de las Dos Fases

 Éste método consiste en resolver, en una primera fase, un

problema auxiliar (artificial), que trata de minimizar la suma de las
variables artificiales.
 Una vez resuelto este primer problema y reorganizar la tabla final,
pasamos a la segunda fase, que consiste en realizar el método
Simplex normal.
Un resumen del método es:
 Paso inicial: revisión de las restricciones del problema y se introducen
variables artificiales donde se necesiten, para obtener una solución BF
inicial para el problema artificial
 Fase 1: el objetivo de esta fase es encontrar una solución BF para el
problema real. Para hacerlo, se debe,
Minimizar Z = ∑ ai, sujeta a las restricciones revisadas
La solución óptima que se obtiene para este problema (con Z = 0) será
una solución BF para el problema real.
 Método de las Dos Fases

 Fase 2: : El objetivo de esta fase es encontrar una solución

óptima para el problema real.

 Como las variables artificiales no son parte del problema real,

ahora se pueden eliminar (todas tienen valor de cero).

 Se comienza con la solución BF que se obtuvo al final de la fase 1

y se usa el método simplex para resolver el problema real

 Si en la minimización de la primera fase Z ≠ 0, el problema

no es factible, por lo tanto, no tiene solución.
Método de las Dos Fases
Gráficamente

Primera Fase
 Método de las Dos Fases
FASE 1
 Construcción de la primera tabla: Se hace de la misma forma
que la tabla inicial del método Simplex, pero con algunas
diferencias.
 La fila de la función objetivo cambia, ya que se requieren minimizar la
función objetivo, por lo tanto todos los coeficientes son cero, excepto
aquellos que sean variables artificiales, que tendrán valor "-1" (min Z es
equivalente a max (-Z)
 La forma de calcular la fila Z difiere
 Condición de parada: La condición de parada es la misma que en el método
Simplex normal. Pueden ocurrir dos casos:
 la función toma un valor de 0, que significa que el problema original tiene solución,

 la función toma un valor distinto de 0, indicando que nuestro modelo no tiene solución.

 Se eliminan columnas de variables artificiales o se arrastran sin

considerarlas para pivotear

 Método de las Dos Fases

Ejemplo #1:

Max Z=3X1 +5X2

Sujeto a:
X1 ≤ 4
X2 ≤ 6
3X1 + 2X2 = 18
Xi≥0
Este modelo no tiene forma
estándar, por la tercera
restricción funcional.
 Método de las Dos Fases

 El origen (0,0) no pertenece a la región factible

Dado que el algoritmo necesita arrancar en una esquina
factible, se trabaja temporalmente en una primera fase
con la restricción 3X1+2X2=18
Se busca es como minimizar todas las variables
artificiales.

Min. Z = a ó Máx. (-Z) = - a.

La variable artificial a (a ≥ 0) en 3X1+ 2X2 + a =18, es una

variable de holgura especial, que tiene que anularse para
que el algoritmo entre a la región factible verdadera.
 Método de las Dos Fases
 Al final de la primera fase, Z es igual a cero, el
algoritmo está en una esquina factible sobre la
restricción 3X1 + 2X2 = 18).
 La función objetivo verdadera se arrastra en la
primera fase de un cuadro a otro, es decir se
transforma la fila correspondiente según las
reglas del algoritmo, pero sin considerarla ni fila
objetiva, ni restricción.
(Max) Z – 3X1 – 5X2 + 0h1 + 0h2 + 0a1 = 0
Max (-z) = -a
a= 3X1 + 2X2 = 18
- a= - (3X1 + 2X2 – 18)
- a= - 3X1 - 2X2 + 18)
Z artificial Lado Izquierdo Lado Derecho

Z1 - 3X1 - 2X2 – 18
Max. Z = 3X1 + 5X2 + 0h1 + 0h2 + 0a1
Bajo:
X1 + h1 = 4
X2 + h2 = 6
3X1 + 2X2 + a1 = 18
Tlv ≥0
V.B X1 X2 h1 h2 a L.d
Z1 -3 -2 0 0 0 -18
Z -3 -5 0 0 0 0
h1 1 0 1 0 0 4
h2 0 1 0 1 0 6
a 3 2 0 0 1 18
Z1 0 -2 3 0 0 -6
Z 0 -5 3 0 0 12
X1 1 0 1 0 0 4
h2 0 1 0 1 0 6
a 0 2 -3 0 1 6
V.B X1 X2 h1 h2 a L.d
Z1 0 0 0 0 1 0
Z 0 0 -9/2 0 5/2 27
X1 1 0 1 0 0 4
H2 0 0 3/2 1 -1/2 3
X2 0 1 -3/2 1 -1/2 3
Z 0 0 0 3 1 36
X1 1 0 0 -2/3 1/3 2
H1 0 0 1 2/3 -1/3 2
X2 0 1 0 1 0 6
 Método de las Dos Fases

En la segunda fase para maximizar Z la

columna artificial de la variable “a” se
arrastra sin tomarla en cuenta para la
elección del pivote.

Solución: (X1, X2, h1, h2, Z )

Solución: ( 2, 6, 2, 0, 36 )
Método de las Dos Fases

21
Método de las Dos Fases

22
Método de las Dos Fases

23
Método de las Dos Fases

24
Método de las Dos Fases

25
Método de las Dos Fases

26
Método de las Dos Fases

27
Método de las Dos Fases

28
Método de las Dos Fases

29
 Método de las Dos Fases

Ejemplo # 3:

Min. Z = 4X1 + 5X2

Sujeta a:
-X1 + X2 ≥ 1
2X1 + X2 ≥ 2
tlv. ≥ 0
 Método de las Dos Fases
Min. Z = 4X1 + 5X2 + 0h1 + 0h2 + 0a1 + 0a2.
S.a. : -X1 + X2 - h1 + a1 = 1
2X1 + X2 – h2 + a2 = 2
tlv. ≥ 0
Entonces:
Σ variables artificiales = A = a1 + a2
a1 = 1 + X1 – X2 + h1
a2 = 2 -2X1 –X2 + h2
Z = A = 3 – X1 -2X2 + h1 + h2
A + X1 + 2X2 – h1 – h2 = 3
- Z = (-A) = -3 + X1 + 2X2 - h1 -h2
A – X1 -2X2 + h1 + h2 +3 = 0
V.B X1 X2 h1 h2 a1 a2 L.d
Z1 1 2 -1 -1 0 0 3
Z -4 -5 0 0 0 0 0
a1 -1 1 -1 0 1 0 1
a2 2 1 0 -1 0 1 2
Z1 3 0 1 -1 -2 0 1
Z -9 0 -5 0 5 0 5
X2 -1 1 -1 0 1 0 1
a2 3 0 1 -1 -1 1 1
Z1 0 0 1 0 -1 -1 0
Z 0 0 -5 -3 2 3 8
X2 0 1 -1 -1/3 -2/3 -1/3 4/3
X1 1 0 0 -1/3 -1/3 1/3 1/3
Solución Optima: (X1, X2, Z) = (1/3, 4/3, 8).
 Ejemplo 3.

Min. Z = -4X1 + 7X2

Sujeta a:
X1 + X 2 ≥ 3
-X1 + X2 ≤ 3
2X1 + X2 ≤ 8
tlv. ≥ 0
 Ejemplo 4 .

Min. Z = 2X1 + 5X2 + 3X3

Sujeta a:
X1 – 2X2 + X3 ≥ 20
2X1 + 4X2 + X3 = 50
tlv. ≥ 0
 IDENTIFICANDO CASOS ESPECIALES Y
SOLUCIONES
Obtención de la solución:
 El valor de las variables básicas y el valor óptimo que toma la función se encuentran en la
columna LD.
 En el caso de minimización, el valor óptimo se multiplicará por (-1).

Infinitas soluciones:
 Si alguna variable, que no está en la base, tiene un 0 en la fila Z, quiere decir que existe otra
solución que da el mismo valor óptimo para la función objetivo.
 Todas las soluciones están comprendidas dentro del segmento (o porción del plano, o región del
espacio, dependiendo del número de variables del problema) que define Ax+By=Z.
 Si se desea se puede hacer otra iteración haciendo entrar en la base a la variable que tiene el 0
en la fila Z, y se obtendrá otra solución.

Solución no acotada:
 Si al intentar buscar la variable que debe abandonar la base, la columna de la variable entrante
tiene todos sus elementos negativos o nulos, el problema tiene solución no acotada.
 No hay valor óptimo concreto, ya que al aumentar el valor de las variables se aumenta el valor
de la función objetivo, y no viola ninguna restricción.
 IDENTIFICANDO CASOS ESPECIALES Y
SOLUCIONES
No existe solución:
 En el caso de que no exista solución, al término de la primera fase alguna de las
variables artificiales está dentro de las VB y Z≠0.

Empate de variable entrante:

 Se puede optar por cualquiera de ellas, sin que afecte a la solución final, el
inconveniente que presenta es que según por cual se opte se harán más o menos
iteraciones.
 Se aconseja que se opte a favor de las variables básicas, ya que son aquellas las que
quedarán en la base cuando se alcance la solución con estos métodos.

Empate de variable saliente:

 Se puede nuevamente optar por cualquiera de ellas, aunque se puede dar el caso
degenerado y entrar en ciclos perpetuos.
 Para evitarlos, se discrimina a favor de las variables básicas haciendo que se queden
en la base.
 En la primera fase (del método de las Dos Fases), se optará por sacar en caso de
empate las variables artificiales.
Adaptación a otras formas del modelo

• Soluciones no factibles
– Construir una solución factible artificial podría
guiarnos a una solución óptima falsa
– La técnica de la variable artificial proporciona
una manera para indicar si este es el caso
• Variables negativas son permitidas
– Ejemplo: valores negativos indican una caída
en la tasa de producción
– Valores negativos pueden tener un límite o no
tener límite
© 2015 McGraw-Hill Education. All rights reserved. 37
Adaptación a otras formas del modelo

• Variables con una cota sobre los valores negativos permitidos.

• Variables sin cota sobre los valores negativos permitidos.

© 2015 McGraw-Hill Education. All rights reserved. 38

4.7 Análisis Post óptimo

© 2015 McGraw-Hill Education. All rights reserved. 39

 Análisis Post óptimo

• Reoptimización
– Alternativa para resolver el problema
nuevamente, con pequeños cambios
– Deduce los cambios que deben introducirse a
la tabla símplex final
– Solución óptima para el modelo revisado:
• Estará mucho más cerca de la solución óptima
anterior que a una solución BF inicial construida
en la forma habitual

© 2015 McGraw-Hill Education. All rights reserved. 40

 Análisis Post óptimo

• Precio sombra
– Mide el valor marginal del recurso i
– Tasa a la que Z aumentaría si más del
recurso estaría disponible
– Dado por el coeficiente de la i-ésima variable
de holgura en la fila 0 de la table simplex final

© 2015 McGraw-Hill Education. All rights reserved. 41

 Análisis Post óptimo

© 2015 McGraw-Hill Education. All rights reserved. 42

 Análisis Post óptimo

• Análisis de sensibilidad
– Propósito: identificar los parámetros sensibles
• Estos deben estimarse con especial cuidado
– Se puede hacer gráficamente si hay sólo dos
variables
– Se puede realizar en Microsoft Excel

© 2015 McGraw-Hill Education. All rights reserved. 43

 Análisis Post óptimo

© 2015 McGraw-Hill Education. All rights reserved. 44

 Análisis Post óptimo

• Uso de Excel para generar información

para el análisis de sensibilidad

© 2015 McGraw-Hill Education. All rights reserved. 45

 Análisis Post óptimo

• Programación lineal paramétrica

– Se refiere al estudio sistemático de los
cambios en la solución óptima cuando cambia
el valor de muchos parámetros al mismo
tiempo dentro de un intervalos
– Una aplicación más importante es la
investigación de los trueques entre los
valores de los parámetros.
– Procedimiento se describe en la Sección 8.2

© 2015 McGraw-Hill Education. All rights reserved. 46

 USO DE COMPUTADORA
• El método símplex es un algoritmo muy adecuado para
su ejecución en computadora.
• Existe una amplia disponibilidad de programas del
método símplex
– Disponible para casi todos los sistemas de cómputo modernos.
– usan una forma matricial (que suele llamarse método símplex
revisado) muy adecuada para computación.
• Número de restricciones funcionales es Factor principal
que determina tiempo de solución
– Regla general: número de iteraciones requerido es igual a dos
veces el número de restricciones funcionales

© 2015 McGraw-Hill Education. All rights reserved. 47

ENFOQUE DE PUNTO INTERIOR PARA RESOLVER
PROBLEMAS DE PROGRAMACIÓN LINEAL

• Alternativo al método simplex desarrollado en

los 80s
– Mucho más complicado
• Es un algoritmo iterativo; comienza por
identificar una solución de prueba factible
– Soluciones de prueba son puntos interiores
• Dentro de los límites de la Región Factible
• Ventaja: los problemas grandes no requieren
mucho más iteraciones que los pequeños
• Desventaja: capacidad limitada para análisis
post óptimo.
© 2015 McGraw-Hill Education. All rights reserved. 48
ENFOQUE DE PUNTO INTERIOR PARA RESOLVER
PROBLEMAS DE PROGRAMACIÓN LINEAL

© 2015 McGraw-Hill Education. All rights reserved. 49

 Conclusiones

• Métod Simplex
– Es un algoritmo eficiente y confiable para
resolver problemas de programación lineal
– Es un procedimiento algebraico.
– Muy eficiente para realizar análisis post-
óptimos
– En cada iteración se mueve de la solución BF
actual a una adyacente mejor
– Mejor realizado por computadoras excepto
los problemas muy simples
© 2015 McGraw-Hill Education. All rights reserved. 50