INVESTIGACION DE OPERACIONES I

Algoritmo simplex para

programas lineales
 DESCRIPCIÓN

Curso que da las herramientas que el ingeniero necesita para resolver problemas
en las empresas, mediante modelos de programación lineal y programación no
lineal. Es así, que se va a proporcionar al estudiante los fundamentos y métodos
para la construcción de modelos determinísticos y la solución de programación
lineal, programación entera, programación binaria e introducción a la
programación no lineal.

2
 LOGRO DE APRENDIZAJE

Al finalizar el curso, el estudiante diseña un modelo de investigación de operaciones

de una empresa, siguiendo una metodología de Programación Lineal, haciendo uso
de herramientas informáticas, para el análisis, solución y toma de decisiones,
optimizando los recursos de la empresa de manera creativa.

3
CONTENIDO

1. Introducción
2. Variables de holgura
3. Tablero simplex
4. Solución Básica Factible Inicial
5. Variable de entrada
6. Variable de salida
7. Cambio de base
8. Tablero de Solución óptima
9. Casos de Minimización

4
Introducción
George Bernard Dantzig [Físico y Matemático]
Fue un profesor de computación, físico y matemático
estadounidense. Su padre era un matemático ruso que trabajó con
Poincaré en París y que acabó emigrando a Estados Unidos. Dantzig
fue galardonado con diversos premios como, por ejemplo, el premio
de Teoría John Von Neumann, por su trabajo sobre programación
lineal. Falleció en 2005 por diabetes, a la edad de 90 años.
Cierto día, cuando estudiaba en la Universidad de Berkeley, Dantzig llegó tarde a clase y
se encontró en la pizarra dos problemas estadísticos que el profesor había puesto como
ejemplos de problemas aún no resueltos, pero él pensó que eran problemas de clase.
Aunque le costó más de lo que esperaba, finalmente encontró la solución ya que al ser
trabajos de clase pensó que la solución debía ser asequible. Dantzig entregó los ejercicios
pensando que los entregaba fuera de plazo. Pocos días después, el profesor le visitó para
anunciarle que lo que había resuelto no eran ejercicios de clase sino problemas que nadie
había conseguido resolver y le propuso publicar una de sus soluciones en una revista
científica. 5
Algoritmo Simplex para un PL canónico*
Sea el siguiente programa lineal:

Max Z= 8 x1 + 12 x2
sujeto a:
4 x1 + 10 x2 ≤ 54
x1 + x2 ≤ 9
x1 , x 2 ≥ 0

* Es un PL de FO maximización con restricciones del tipo ≤

6
Variables de holgura
Max Z= 8 x1 + 12 x2
sujeto a:
4 x1 + 10 x2 ≤ 54
x1 + x2 ≤ 9
x1 , x2 ≥ 0

Uso de la variables de holgura

4 x1 + 10 x2 ≤ 54 x1 + x2 ≤ 9
4 x1 + 10 x2 + h1 = 54 x1 + x2 + h2 = 9

4 x1 + 10 x2 + h1 = 54
x1 + x2 + h2 = 9

“Sistema de ecuaciones lineales no cuadradas”

7
Tablero Simplex
Max Z= 8 x1 + 12 x2 + 0 h1 + 0 h2
sujeto a:
4 x1 + 10 x2 + h1 = 54
x1 + x2 + h2 = 9
x1 , x2 , h1 , h2 ≥ 0 Función Objetivo: 8 x1 + 12 x2 + 0 h1 + 0 h2
Función Objetivo: 8 x 1 + 12 x 2 + 0 h 1 + 0 h 2 = Z
Z - 8 x 1 - 12 x 2 + 0 h 1 + 0 h 2 = 0

Tableu inicial:
z x1 x2 h1 h2 LD
1 -8 -12 0 0 0
0 4 10 1 0 54
0 1 1 0 1 9
8
Solución básica factible inicial
z x1 x2 h1 h2 LD
1 -8 -12 0 0 0
0 4 10 1 0 54
0 1 1 0 1 9

x1 = 0.0
x2 = 0.0
Solución Inicial
h1 = 54.0
SBFI = SOLUCION BASICA FACTIBLE INICIAL h2 = 9.0
Condición de latencia, todo se dispone al inicio. z0 = 0.0

9
Variable de entrada
Valores de contribución

Cij z x1 x2 h1 h2 LD
1 -8 -12 0 0 0
0 4 10 1 0 54
0 1 1 0 1 9

Maximización Minimización

VE = Mayor de los negativos (si hay empate ➔ arbitrario) VE = Mayor de los positivos
Si Cij ≥ 0, Si Cij ≤ 0,
entonces SOLUCION OPTIMA entonces SOLUCION OPTIMA
VE= xk → k= mayor{-8, -12}={-12}=2 → x2 10
Variable de salida
k=2
z x1 x2 h1 h2 LD
1 -8 -12 0 0 0
aij 0 4 10 1 0 54
0 1 1 0 1 9

VS = Menor de los cocientes de los valores del LDi con aik, para todo i /aik >0

VS = Mínimo{54/10, 9/1}={54/10}= Variable del vector unitario asociado ➔ h1

Si todo los aik <0, entonces la solución es no acotada.
Se aplica tanto para Maximización como para Minimización 11
Cambio de base
VE

z x1 x2 h1 h2 LD
1 -8 -12 0 0 0
VS 0 4 10 1 0 54
0 1 1 0 1 9
Pivote = 1
Ingresa VE y sale VS → el vector asociado a VE será unitario y el vector asociado a VS
será diferente de cero
Aplicar Gauss Jordan: por ejemplo a toda la fila de VS se le divide entre el valor de la
celda del pivote (10), para hacerlo unitario (1).
0 2/5 1 1/10 0 27/5
12
Después de la SBFI, se tiene:
z x1 x2 h1 h2 LD
1 -16/5 0 6/5 0 324/5
0 2/5 1 1/10 0 27/5
0 3/5 0 -1/10 1 18/5
Gauss Jordan para las iteraciones
x1 = 0.0
Primera iteración x2 = 27/5
h1 = 0.0
Mejor solución a partir de la SBFI (SÓLUCION BASICA FACTIBLE h2 = 18/5
INICIAL). z1 = 324/5
13
Tablero de solución óptima
Finalmente, se tiene, el Tableu Final :
z x1 x2 h1 h2 LD
1 0 0 0.67 5.33 84.0
0 0 1 -0.17 -0.67 3.0
0 1 0 0.67 1.67 6.0
Gauss Jordan para las iteraciones
No hay valores de contribución con signo negativo [Max]
x1 = 6.0
Solución óptima x2 = 3.0
h1 = 0.0
Condición máxima; a partir de esta solución, cualquier otra h2 = 0.0
combinación lineal disminuye el valor de Z.
z* = 84.0
14
Casos de Minimización [o signos ≥]
Min Z= 8 x1 + 12 x2
sujeto a:
4 x1 + 10 x2 ≥ 54
x 1 + x2 ≥ 9
x1 , x2 ≥ 0
Uso de la variables artificiales
4 x1 + 10 x2 ≥ 54 x1 + x2 ≥ 9
4 x1 + 10 x2 - h1 + a1 = 54 x1 + x2 - h2 + a2 = 9
4 x1 + 10 x2 - h1 + a1 = 54
x1 + x2 - h2 + a2 = 9
En la FO también aparecen las variables artificiales, por lo que se requiere iniciar el proceso con estas
variables artificiales y el objetivo inicial del proceso es eliminarlas. 15
BIBLIOGRAFÍA

❑ Hillier Frederick S. & Lieberman Gerald J., (2015), Introducción a la investigación de operaciones, (10a ed),
McGraw-Hill Interamericana Editores. Cap.1, Cap.2, Cap.3, Cap.4 y Cap.5.
❑ Winston Wayne, (2005), Investigación de operaciones: Aplicaciones y algoritmos, (4a ed), Thomson learning.
Cap.1, Cap. 2, Cap.3 y Cap.4.
❑ Taha Hamdy A., (2012), Investigación de operaciones, (9a ed), Pearson Educación. Cap.1 y Cap.3.
❑ Mathur Kamlesh & Solow Daniel, (1996), Investigación de operaciones, el arte de la toma de decisiones, (1a ed),
Prentice Hall Hispanoamericana S.A. Cap. 1, Cap.2, Cap.3 y Cap.5.
❑ Epen G.D.& Gould F.J., (2000), Investigación de Operaciones en la Ciencia Administrativa, (5a ed), Pearson
Educación. Cap.1, Cap.2 y Cap.3.
❑ Cabrera E., (2018), Modelos de Programación Lineal, (1a ed), Fondo Editorial de la Universidad de Lima. Cap. 1
y Cap.2.

16
Muchas gracias

17