Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
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.
Ejemplo #1:
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
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:
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.
• 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
• 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
• 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
• 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
• 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