Naturaleza iterativa del método simplex

El método simplex se inicia en el origen (punto A), donde x 1=0 , x 2=0, y el valor
objetivo, z, es cero. La pregunta lógica es si un incremento en x 1y x 2no básicas por
encima de sus valores actuales de cero puede mejor el valor de z. Podemos responder
esta pregunta investigando la función objetivo:

Maximizar z=2 X 1 +3 X 2

Un incremento de X 1 o X 2 sobre sus valores actuales de cero mejorará el valor

de z. El diseño del método simplex no permite el incremento simultáneo de las
variables. En cambio, incrementa una a la vez. La variable que va a aumentar es la que
tenga mayor grado de mejora en z. En el ejemplo presente, el grado de mejora del valor
de z es de 2 unidades para X 1 y de 3 para X 2 . Por lo tanto, elegimos X 2 para que crezca
(la variable con el mayor grado de mejora entre todas las variables no básicas). La
figura muestra que el valor de X 2 debe incrementarse hasta que se llegue al punto de
esquina B (recordemos que no llegar al punto de esquina B no es una opción porque un
candidato para el óptimo debe ser un punto de esquina). En el punto B, el método
simplex incrementará el valor de X 1 para llegar al punto de esquina mejorado C, el cual
es el óptimo.

Ejemplo del Método Simplex

 Jane es dueña de una granja de 45 acres. En ellos va sembrar trigo y maíz.
Cada acre sembrado con trigo rinde 200 dólares de utilidad, cada acre sembrado con
maíz proporciona 300 dólares de utilidad. La mano de obra y el fertilizante que se utiliza
para cada acre, aparece en la siguiente tabla: Se dispone de 100 trabajadores y 120
toneladas de fertilizante.

En este problema estamos buscando maximizar las ganancias obtenidas por Jane al
plantar sus acres con dos tipos de semilla.

Definimos primero nuestras variables de decisión

x1= Numero de acres a plantar con semillas de trigo

x2=Numero de acres a plantar con semillas de maíz

Planteamos el modelo

Max z=200x1+300x2
x1+x2<=45 (Acres totales disponibles)
3x1+2x2<=100 (Disponible en trabajadores)
2x1+4x2<=120 (Disponible en fertilizante)
x1,x2>=0

Donde z representa el máximo dinero obtenido al multiplicar el dinero esperado por

plantar un acre con cierta semilla por el número de acres que serán plantados con esa
semilla
Antes de aplicar el método, es necesario plantearlo en su forma estándar, agregando
variables de holgura, exceso y artificiales:
Max z=200x1+300x2
x1+x2+x3=45
3x1+2x2+x4=100
2x1+4x2+x5=120
x1,x2,x3,x4,x5>=0

Introducimos el modelo dentro de una tabla para comenzar a resolverlo, despejando a

la función objetivo como Zj-Cj=0.

Ahora tenemos que elegir a las variables de entrada y salida:

La variable de entrada será la variable que tenga el valor más negativo en la fila Zj-CJ
porque estamos trabajando con un modelo de maximización, en este caso será x2

La variable de salida será la variable que tenga el valor más pequeño en la columna de
Sol/yi, que será x5

Realizamos los cambios en la tabla y realizamos operaciones para dejar a la nueva

variable básica x2 como una columna unitaria, quedando un atabla como esta:
Todavía quedan variables de entrada, por lo cual realizamos el procedimiento otra vez,
pero esta vez elegimos a x1 como variable de entrada y a x4 como variable de salida

Como ya no quedan variables de entrada, concluimos que llegamos a la solución

óptima. Jane ganara como máximo 10000 dólares sembrando 20 acres con trigo y 20
acres con maíz. Se está ocupando toda la mano de obra porque x4=0 y además se está
ocupando en su totalidad el fertilizante porque x5=0. Por otro lado, están sobrando 5
acres sin sembrar, porque x3=5

Resumen del método simplex

Hasta ahora nos hemos ocupado del caso de maximización. En problemas de

minimización, la condición de optimalidad requiere seleccionar la variable de entrada
como la variable no básica con el coeficiente objetivo más positivo en la ecuación
objetivo,
la regla exacta opuesta del caso de maximización. Esto obedece a que máx z equivale
a mín. En cuanto a la condición de factibilidad para seleccionar la variable de salida, la
regla no cambia.

Condición de optimalidad. La variable de entrada en un problema de

maximización
(minimización) es la variable no básica con el coeficiente más negativo (positivo) en la
fila z. Los vínculos se rompen arbitrariamente. El óptimo se alcanza en la iteración en
la cual los coeficientes en la fila z son no negativos (no positivos).

Condición de factibilidad. Tanto en problemas de maximización como de

minimización, la variable de salida es la variable básica asociada con la relación mínima
no negativa con el denominador estrictamente positivo. Los vínculos se rompen
arbitrariamente.

Método de la M grande

Se inicia con la PL en forma de ecuación. Si la ecuación i no tiene una holgura,

se agrega una variable artificial, Ri, para formar una solución inicial parecida a la
solución básica de total holgura. Sin embargo, las variables artificiales no forman parte
del problema original, y se requiere un artificio de modelado para igualarlas a cero en el
momento en que se alcance la iteración óptima. La meta deseada se logra penalizando
estas variables en la función objetivo utilizando la siguiente regla:

Dado M, un valor positivo suficientemente grande (matemáticamente (M S q), el

coeficiente objetivo de una variable artificial representa una penalización apropiada si:
Coeficiente objetivo de la variable artificial = e -M, en problemas de maximización M, en
problemas de minimización
Ejemplo del Método M

El agricultor Jones está comenzando a sembrar, para eso está comprando las
semillas para realizar sus plantaciones. Quiere compra tres tipos de semilla: maíz, trigo
y arroz. Cada onza de de maíz le cuesta 4 dólar, la de trigo le cuesta 4 dólares y el
arroz 1 dólar. Como está comenzando su empresa, tiene pocos trabajadores y
fertilizante, como se muestra en la siguiente tabla:

Jones cuenta con 2 trabajadores y 3 onzas de vitaminas. Además, quiere

mantener un control mínimo de 3 horas sobre la cosecha de sus plantas. Para eso
planea utilizar 2 horas para cosechar las plantas de arroz, 1 para el trigo y 3 para el
arroz. ¿Cuántas semillas deberá comprar para gastar el mínimo?

Necesitamos calcular el número de onzas de semilla que necesita plantar y

multiplicarlo por el costo individual de cada una de ellas. Para eso definimos nuestras
variables de decisión como:

x1=Numero de onzas que sembrara en maíz

x2=Numero de onzas que sembrara en trigo
x3=Numero de onzas que sembrara en arroz

Ahora planteamos un modelo de minimización:

Min z=4x1+4x2+x3
2x1+x2+x3<=2
2x1+x2<=3
2x1+x2+3x3>=3
x1,x2,x3>=0

Pasamos este modelo a su forma ampliada, incluyendo las variables artificiales en la

función objetivo multiplicadas por M

Min z=4x1+4x2+x3+Ma1
2x1+2x+x3+x4=2
2x1+x2+x5=3
2x1+x2+3x3-x6+a1=3
xi,a1>=0

Ahora pasamos la información de las restricciones y la función objetivo a una tabla.

Como se puede observar, la columna de a1 no es unitaria, por lo cual procedemos a

realizar una operación entre las filas Zj-Cj y a1 para hacerlo unitario
En la tabla anterior elegimos a x3 como variable de entrada porque su Zj-Cj
correspondiente es el más grande por ser 3M, cuando M es un número muy grande y
estamos en un problema de minimización, también elegimos a a1 como variable de
salida porque es el menor valor no negativo en la columna Zj-Cj

Todavía existe variables de entrada, pero M ya vale cero porque ya no forma

parte de la base, además, la solución ya no está en términos de M, por lo cual ya es
una solución factible que pertenece al espacio original.

El agricultor Jones deberá comprar una onza de arroz por 1 dólar en total. La
variable x4=1, por lo cual decimos que está faltando 1 trabajador más para llegar al
límite de trabajadores. La variable x5=3, por lo cual decimos que no se está ocupando
nada de vitaminas

TEMA: MODELO DE TRANSPORTE

Modelo de transporte

El objetivo del modelo es minimizar el costo de transporte total al mismo tiempo

que se satisfacen las restricciones de la oferta y la demanda.
 Es decir, hay m orígenes y n destinos, cada uno representado por un nodo. Los
arcos representan las rutas que unen los orígenes con los destinos. El arco (i, j) que
une el origen i con el destino j transporta dos piezas de información: el costo de
transporte por unidad, cij y la cantidad transportada, xij. La cantidad de la oferta en el
origen i es ai y la cantidad de la demanda en el destino j es bj.

Modelos de transporte no tradicionales

Algoritmo de transporte

Los pasos básicos del algoritmo de transporte son exactamente iguales a los del
método simplex. Sin embargo, en lugar de utilizar la tabla simplex regular,
aprovechamos la estructura especial del modelo de transporte para organizar los
cálculos en una forma más conveniente.

1. Determine una solución factible básica inicial.

2. Use la condición de optimalidad del método simplex para determinar la variable
de entrada de entre todas las variables no básicas. Si se satisfacen las
condiciones de optimalidad, deténgase. De lo contrario.
3. Use la condición de factibilidad del método simplex para determinar la variable
de entrada de entre todas las variables básicas actuales, y halle la nueva
solución básica. Regrese al paso 2.

Determinación de la solución de inicio

La estructura especial del problema de transporte permite asegurar una solución

básica inicial no artificial siguiendo uno de los tres métodos:

a) Método de la esquina noroeste. El método se inicia en la celda de la esquina

noroeste (ruta) de la tabla (variable x11).
 1. Asigne lo más posible a la celda seleccionada, y ajuste las cantidades asociadas
de oferta y demanda restando la cantidad asignada.
2. Tache la columna o fila con oferta o demanda cero para indicar que no se hagan
más asignaciones en esa fila o columna.
3. Si se deja sin tachar exactamente una fila o columna.

b) Método del costo mínimo. El método del costo mínimo determina una mejor solución
inicial al concentrarse en las rutas más económicas. Asigna lo más posible a la
celda con el costo unitario mínimo

c) Método de aproximación de Vogel (MAV). Este método es una versión mejorada del
método del costo mínimo que, por lo general, pero no siempre, produce mejores
soluciones iniciales.

1. Para cada fila (columna) determine una medida de penalización restando el

elemento de costo unitario mínimo en la fila (columna) del siguiente elemento de
costo mínimo en la misma fila (columna).
2. Identifique la fila o columna con la penalización máxima, que rompa los empates
arbitrariamente.
3.
o Si exactamente una fila o columna con oferta o demanda cero permanece sin
tachar.
o Si una fila (columna) con oferta (demanda) positiva permanece sin tachar,
determine las variables básicas en la fila (columna) mediante el método del costo
mínimo.
o Si todas las filas y columnas no tachadas tienen oferta y demanda cero
(restantes), determine las variables básicas cero por el método del costo mínimo.

Modelo de asignación
 El modelo de asignación clásico se ocupa de compaginar a los trabajadores (con
diversas habilidades) con los trabajos. Presumiblemente, la variación de la habilidad
afecta el costo de completar un trabajo. La meta es determinar la asignación de costo
mínimo de los trabajadores a los trabajos. El elemento cij representa el costo de asignar
el trabajador i al trabajo j (i,j 5 1, 2,…,n). No se pierde la generalidad al suponer que la
cantidad de trabajadores y la de los trabajos son iguales, porque siempre podemos
agregar trabajadores o trabajos ficticios para satisfacer esta suposición.

El modelo de asignación es un caso especial del modelo de transporte, donde

los trabajadores representan los orígenes y los trabajos representan los destinos. La
oferta (demanda) en cada origen (destino) es igual a 1. El costo de “transportar” al
trabajador i al trabajo j es cij. De hecho, el modelo de asignación puede resolverse de
forma directa como un modelo de transporte (o como una PL regular).

Sin embargo, el hecho de que la oferta y la demanda sean iguales a 1 conduce

al desarrollo de un algoritmo de solución simple llamado método húngaro. Aunque el
nuevo método de solución parece totalmente ajeno al modelo de transporte, en realidad
el algoritmo tiene su origen en el método simplex, al igual que el modelo de transporte.

Método húngaro

Los tres hijos de Joe Klyne, John, Karen y Terri, desean ganar algún dinero para
sus gastos personales. El señor Klyne eligió tres tareas para sus hijos: podar el césped,
pintar la puerta de la cochera y lavar los automóviles de la familia. Para evitar la
competencia anticipada entre los hermanos, les pide que presenten licitaciones
individuales (secretas) por lo que consideren un pago justo por cada una de las tres
tareas. La tabla 5.32 resume las licitaciones recibidas. Los niños respetarán la decisión
de su padre con respecto a la asignación de las tareas.

El problema de asignación se resolverá por el método húngaro.

1. Determine pi, el elemento de costo mínimo en la fila i de la matriz de costos

original, y réstelo de todos los elementos de la fila i, i 5 1, 2, 3.
2. Para la matriz creada en el paso 1, determine qj, el elemento de costo mínimo de
la columna j, y réstelo de todos los elementos de la columna j, j 5 1, 2, 3.

3. A partir de la matriz del paso 2, intente determinar una asignación factible entre
todas las entradas cero resultantes.

a. Si puede hallarse esa asignación, es óptima.

 b. De lo contrario, se requieren más cálculos

La tabla 5.33 demuestra la aplicación de los dos pasos al problema actual. Las
celdas con entradas cero subrayadas en el paso 3 dan la solución óptima (factible):
John obtiene el trabajo de pintar, Karen el de podar el césped, y Terri obtiene el de
lavar los automóviles de la familia. El costo total para el señor Klyne es 9 1 8 1 8 5 $27.
Esta cantidad siempre será igual (p1 1 p2 1 p3) 1 (q1 1 q2 1 q3) 5 (9 1 9 1 8) 1 (0 1 1 1
0) 5 $27.

Como se indica en el paso 3 del método húngaro, los ceros creados por los
pasos
1 y 2 pueden no dar una solución factible de forma directa. En este caso, se necesitan
más pasos para determinar la asignación óptima (factible).