Método simplex

El Método Simplex es un método analítico de solución de problemas de programación

lineal capaz de resolver modelos más complejos que los resueltos mediante el método
gráfico sin restricción en el número de variables. El Método Simplex es un método
iterativo que permite ir mejorando la solución en cada paso. La razón matemática de
esta mejora radica en que el método consiste en caminar del vértice de un poliedro a un
vértice vecino de manera que aumente o disminuya (según el contexto de la función
objetivo, sea maximizar o minimizar), dado que el número de vértices que presenta un
poliedro solución es finito siempre se hallará solución. Este famosísimo método fue
creado en el año de 1947 por el estadounidense George Bernard Dantzig y el ruso
Leonid Vitalievich Kantorovich, con el ánimo de crear un algoritmo capaz de solucionar
problemas de m restricciones y n variables.

CARACTERÍSTICA DEL MÉTODO SIMPLEX

CARACTERÍSTICA DEL MÉTODO SIMPLEX

Es aplicable a problemas de programación lineal multidimensionales.

Tiene como base el álgebra matricial y el proceso de eliminación de Gauss- Jordán. Es

un proceso de búsqueda que se vuelve sorprendentemente eficiente para solucionar
problemas muy grandes.

Hoy en dia el método simplex puede aplicar con eficiencia a la diversidad de paquetes
de software que facilitan el proceso de cálculo.

Resolver mediante el método simplex el siguiente problema:

Maximizar Z = f(x,y) = 3x + 2y

sujeto a: 2x + y ≤ 18

  2x + 3y ≤ 42

  3x + y ≤ 24

  x≥0,y≥0
Se consideran las siguientes fases:
Realizar un cambio de variables y normalizar el signo de los términos independientes.
Se realiza un cambio en la nomenclatura de las variables. Estableciéndose la
correspondencia siguiente:
x pasa a ser X1
y pasa a ser X2
Como los términos independientes de todas las restricciones son positivos no es
necesario hacer nada. En caso contrario habría que multiplicar por "-1" en ambos lados
de la inecuación (teniendo en cuenta que esta operación también afecta al tipo de
restricción).
Normalizar las restricciones.
Se convierten las inecuaciones en ecuaciones agregando variables de
holgura, exceso y artificiales según la tabla siguiente:

Tipo de desigualdad Tipo de variable que aparece

≥ - exceso + artificial

= + artificial

≤ + holgura

En este caso se introduce una variable de holgura (X3, X4 y X5) en cada una de las
restricciones del tipo ≤, para convertirlas en igualdades, resultando el sistema de
ecuaciones lineales:
2·X1 + X2 + X3 = 18

2·X1 + 3·X2 + X4 = 42

3·X1 + X2 + X5 = 24

Igualar la función objetivo a cero.
Z - 3·X1 - 2·X2 - 0·X3 - 0·X4 - 0·X5 = 0
Escribir la tabla inicial del método Simplex.
La tabla inicial del método Simplex está compuesta por todos los coeficientes de las
variables de decisión del problema original y las de holgura, exceso y artificiales
agregadas en el paso 2 (en las columnas, siendo P0 el término independiente y el resto
de variables Pi coinciden con Xi), y las restricciones (en las filas). La columna
Cb contiene los coeficientes de las variables que se encuentran en la base.
La primera fila está formada por los coeficientes de la función objetivo, mientras que la
última fila contiene el valor la función objetivo y los costes reducidos Zj - Cj.
La última fila se calcula como sigue: Zj = Σ(Cbi·Pj) para i = 1..m, donde si j = 0, P0 =
bi y C0 = 0, y en caso contrario Pj = aij. Aunque al tratarse de la primera tabla del
método Simplex y ser todos los Cb nulos se puede simplificar el cálculo, y por esta vez
disponer Zj = -Cj.
 Tabla I . Iteración nº 1

      3 2 0 0 0

Base Cb P0 P1 P2 P3 P4 P5

P3 0 18 2 1 1 0 0

P4 0 42 2 3 0 1 0

P5 0 24 3 1 0 0 1

Z   0 -3 -2 0 0 0

Condición de parada.
Si el objetivo es la maximización, cuando en la última fila (fila indicadora) no existe
ningún valor negativo entre los costes reducidos (columnas P1 en adelante) se alcanza la
condición de parada.
En tal caso se llega al final del algoritmo ya que no existe posibilidad de mejora. El
valor de Z (columna P0) es la solución óptima del problema.
Otro caso posible es que en la columna de la variable entrante a la base todos los valores
son negativos o nulos. Esto indica que el problema no se encuentra acotado y su
solución siempre resultará mejorable. Ante esta situación no es necesario continuar
iterando indefinidamente y también se puede dar por finalizado el algoritmo.
De no ser así, se ejecutan los siguientes pasos de forma iterativa.
Elección de la variable entrante y saliente de la base.
Se determina en primer lugar la variable que entra en la base. Para ello se escoge la
columna cuyo valor en la fila Z sea el menor de entre todos los negativos. En este caso
sería la variable X1 (P1) de coeficiente -3.
Si existiesen dos o más coeficientes iguales que cumplan la condición anterior (caso de
empate), entonces se optará por aquella variable que sea básica.
La columna de la variable que entra en la base se llama columna pivote (en color verde).
Una vez obtenida la variable que entra en la base, se procede a determina cual será la
variable que sale de la misma. La decisión se toma en base a un sencillo cálculo: dividir
cada término independiente (columna P0) entre el elemento correspondiente de la
columna pivote, siempre que ambos elementos sean estrictamente positivos (mayores
que cero). Se escoge la fila cuyo resultado haya resultado mínimo.
Si hubiera algún elemento menor o igual a cero no se realiza dicho cociente. En caso de
que todos los elementos de la columna pivote fueran de ésta condición se habría
cumplido la condición de parada y el problema tendría una solución no acotada
(ver teoría del método Simplex).
En este ejemplo: 18/2 [=9] , 42/2 [=21] y 24/3 [=8]
El término de la columna pivote que en la división anterior dio lugar al menor cociente
positivo indica la fila de la variable de holgura que sale de la base. En este caso resulta
ser X5 (P5), de coeficiente 3. Esta fila se llama fila pivote (en color verde).
Si al calcular los cocientes, dos o más resultados cumplen la condición para elegir el
elemento saliente de la base (caso de empate), se escoge aquella que no sea variable
básica (siempre que sea es posible).
La intersección de la fila pivote y columna pivote marca el elemento pivote, en este caso
el 3.
Actualizar la tabla.
Los nuevos coeficientes de la tabla se calculan de la siguiente manera:
En la fila del elemento pivote cada nuevo elemento se calcula como:
Nuevo Elemento Fila Pivote = Anterior Elemento Fila Pivote / Pivote
En el resto de las filas cada elemento se calcula:
Nuevo Elemento Fila = Anterior Elemento Fila - (Anterior Elemento Fila en Columna
Pivote * Nuevo Elemento Fila Pivote)
Con esto se normaliza el elemento pivote y su valor pasa a ser 1, mientras que el resto
de elementos de la columna pivote se anulan (análogo al método de Gauss-Jordan).
Se muestran a continuación los cálculos para la fila P4:
Anterior fila P4 42 2 3 0 1 0

  - - - - - -

Anterior Elemento Fila en Columna Pivote 2 2 2 2 2 2

  x x x x x x

Nueva fila pivote 8 1 1/3 0 0 1/3

  = = = = = =

Nueva fila P4 26 0 7/3 0 1 -2/3

La tabla correspondiente a esta segunda iteración es:

Tabla II . Iteración nº 2

      3 2 0 0 0

Base Cb P0 P1 P2 P3 P4 P5
 Tabla II . Iteración nº 2

P3 0 2 0 1/3 1 0 -2/3

P4 0 26 0 7/3 0 1 -2/3

P1 3 8 1 1/3 0 0 1/3

Z   24 0 -1 0 0 1

Al comprobar la condición de parada se observa que no se cumple ya que entre los

elementos de la última fila hay uno negativo, -1. Se continúa iterando nuevamente los
pasos 6 y 7.
6.1. La variable que entra en la base es X2 (P2), por ser la variable que corresponde a la
columna donde se encuentra el coeficiente -1.
6.2. Para calcular la variable que sale, se dividen los términos de la columna P0 entre
los términos correspondientes de la nueva columna pivote: 2 / 1/3 [=6] , 26 / 7/3 [=78/7]
y 8 / 1/3 [=24]. Como el menor cociente positivo es 6, la variable que sale de la base es
X3 (P3).
6.3. El elemento pivote es 1/3.
7. Actualizando nuevamente los valores de la tabla se obtiene:

Tabla III . Iteración nº 3

      3 2 0 0 0

Base Cb P0 P1 P2 P3 P4 P5

P2 2 6 0 1 3 0 -2

P4 0 12 0 0 -7 1 4

P1 3 6 1 0 -1 0 1

Z   30 0 0 3 0 -1

Una nueva comprobación de la condición de parada revela que entre los elementos de la
fila indicadora vuelve a haber uno negativo, -1. Significa que aun no se ha llegado a la
solución óptima y hay que seguir iterando (pasos 6 y 7):
6.1. La variable que entra en la base es X5 (P5), por ser la variable que corresponde al
coeficiente -1.
6.2. Se escoge la variable que sale calculando el cociente entre los términos de la
columna de términos independientes y los términos correspondientes de la nueva
columna pivote: 6/(-2) [=-3] , 12/4 [=3], y 6/1 [=6]. En esta ocasión es X4 (P4).
6.3. El elemento pivote es 4.
7. Después de actualizar todas las filas, se obtiene la tabla siguiente:

Tabla IV . Iteración nº 4

      3 2 0 0 0

Base Cb P0 P1 P2 P3 P4 P5

P2 2 12 0 1 -1/2 1/2 0

P5 0 3 0 0 -7/4 1/4 1

P1 3 3 1 0 3/4 -1/4 0

Z   33 0 0 5/4 1/4 0

Fin del algoritmo.

Se observa que en la última fila todos los coeficientes son positivos cumpliéndose, por
tanto la condición de parada.
La solución óptima viene dada por el valor de Z en la columna de los términos
independientes (P0), en este ejemplo: 33. En la misma columna se puede ver el punto
donde se alcanza, observando las filas correspondientes a las variables de decisión que
han entrado en la base: X1 = 3 y X2 = 12.
Deshaciendo el cambio de variables se obtiene x = 3 e y = 12.