02b Método Dos Fases 2022

UNIVERSIDAD ARTURO PRAT - Ingeniería en Control de Gestión.
- Curso año 2022
METODO SIMPLEX EN
DOS FASES
Método Simplex dos Fases. Profesor: Juan Carlos Contreras. Curso año 2022. 1
UNIVERSIDAD ARTURO PRAT - Ingeniería en Control de Gestión. - Curso año 2022
Índice:
1.- Introducción al método simplex de dos fases. Pág.3
2.- Ejemplo 1, problema de minimización Pág.4
3.- Convertir un problema a su forma estándar. Pág.4
4.- Procedimiento de selección de variables
que entran y salen en la aplicación del
algoritmo Simplex Pág.7
5.- Ejemplo 2, problema de maximización. Pág.9
6.- Tipo de solución que se pueden obtener
por el método de dos fases Pág.14
Introducción al método simplex de dos fases
El procedimiento del algoritmo consiste en resolver el modelo en dos

etapas o fases. En la primera fase, se busca obtener una SBFI (solución básica
factible inicial) del modelo aumentado, que no incluya variables artificiales.
Cuando en esta solución básica f actible del Mod elo Aumentado, todas las
variables artificiales valen cero, ell a es una solución básica factible inicial del
Modelo original y a partir de ahí se inicia la segunda fase del m étodo simplex.
Pero puede ocurrir que en la fase 1 no sea posible e xtraer todas las variables
artificiales de la solución b ásica, presentándose los ca sos de: restricción
redundante analíticamente, solución infactible, inexistencia de solución.
Descripción del procedimiento en cada fase del algoritmo.
Fase 1
En la siguiente Tabla 0; (página 7), encontramos la tabla simplex clásica. En
la segunda fila los nombres de las variables de decisión, y justo arriba de ellas, los
coeficientes de estas variables de la función objetivo compuesta solo por variables
artificiales. Z = A2 + A4; En la primera f ase se minimiza la suma de las
variables artificiales, por es o se colocan los coeficientes de las variables
artificiales, un valor de 1 arriba de A2 (variabl e artificial 1) y de A 4 (variable
artificial 2). En la primera columna se encuentran las variabl es que están en la
base al inicio. Como es costumbre, para escogerlas se prefiere si sólo hay
variables de decisión y de holgura, se escoge la de holgura para estar en la base
(aquí se ll ama H) y si hay de decisión, de holgura, de ex ceso y artificiales, se
prefiere la artificial y de hol gura. (¿Por qué no se escogen las variables de
exceso?) Por eso, las variables que se escogen para la base son; H1, A2, H3, A4,
a la derecha de esta columna, como es usual, se coloca los coeficientes en la
función objetivo, de las variables que están en la base.
Luego vienen los coeficientes de las restricciones, nombrados aij, los

recursos tecnológicos y debajo del título bi, o "lado derecho" de la restricció n, se
colocan las disponibilidades o requerimien tos. Lo importante es que se entienda
que todos los diferentes formatos de tablas, realmente son lo mismo, lo único que
cambia es el orden, la forma de llamar a las columnas, etc.
Empieza con una solución básica factible inicial que equivale al paso inicial
del método simplex. En esta Fase 1, se trata de hallar una SBFI.
Para propiciar que las variables artif iciales tomen el valor d e cero, se
construye una función objetivo que reemplaza provisionalmente a la de l modelo
original. Z = A2 + A4.Esta nueva func ión se forma con la suma d e las variables
artificiales y el objetivo es minimizar la suma de ellas. Es importante aclarar que el
objetivo de la fase 1, siempre es minimizar la suma de las variables
artificiales, aunque el objetivo del modelo original sea maximizar o minimizar.
Fase 2
Consiste en buscar la solución ópt ima del modelo original partiendo de la

SBFI hallada en la Fase 1. Equivale a los pasos 1 y 2 del método simplex.
Para iniciar l a Fase 2 se toma el tablero f inal de l a Fase 1 y se escribe la

función objetivo (coeficientes) original del problema, en lugar de la provisional que
habíamos escrito para iniciar la Fase 1. Enseguida se actualizan la fila Cj y la
columna CB, para luego recalcular los valores Zj y Cj – Zj, Así como el
valor Z. A partir de este tablero se continúa el Método Simplex para la búsqueda
de la solución óptima, considerando el objetivo del problema original.
Ejemplo 1: UN PROBLEMA DE MINIMIZACIÓN
Minimizar : Z  2 X 1  X 2  3 x3
Sujeto a : 3X1  X 2  2X 3  10
X1  2X 2  3X 3  6
2 X1  3X 2  X3  9
X1  X 2  2X 3  7
Con X 1; X 2 X 3  0
1. Convertir al Modelo Aumentado Estándar:
Cada restricción debe s er convertida de inecuación a una igualdad,

agregando variables como se requiera. Con las restricciones de tipo <=, se agrega
una variable de holgura, H en cada rest ricción con coeficiente 1 en la misma
restricción y con coeficiente cero en la función objetivo.
Por ejemplo:
3X1 + X2 + 2X3 <= 10
Queda: 3X1 + X2 + 2X3 + H1 = 10
Se puede leer así: el uso de la primera restricción no pu ede superar la

disponibilidad de 10 unidades, lo que equivale a decir que l o usado más lo que
sobre (H1) es igual a 10.
Para las restricciones de tipo mayor o igual, se agrega variables de exceso

E, al lado derecho de la desigualdad, la lógica es la misma, de esta manera, decir:
X1 - 2X2 + 3X3 >= 6
Se puede leer como: el uso de la restricción 2 debe ser como mínimo 6

unidades. Eso significa que e l uso podría ser 6.1 o tal vez 7 u 8... etc. Podríamos
escribirlo también como 6+0.1 o 6+1 o 6+2, o en términos generales:
X1 - 2X2 + 3X3 = 6 + E2
Que es equivalente a decir: lo usado en l a restricción 2 es igual al mínim o

requerido que es 6 más el adicional que está en E2 . Esto lo podemos reescribir
como:
X1 - 2X2 + 3X3 - E2 = 6
Sin embargo para el método simplex, cuando aparece esta restricción tipo
>= es necesario adicionar una variable comodín, llamada Variable Artificial, sin
ningún significado físico, sólo como artificio matemático. Lo sumamos al lado
izquierdo de la restricción como se muestra a continuación.
X1 - 2X2 + 3X3 - E2 + A2 = 6
La tercera restricción es de tipo <=, por lo que no tenemos ningún problema

con ella:
2X1 + 3X2 - X3 <= 9

Queda: 2X1 + 3X2 - X3 + H3 = 9
La cuarta restricción es de tipo =. Para este tipo de restricción simplemente

adicionamos una variable artificial al lado izquierdo:
X1 + X2 +2X3 = 7
Queda: X1 + X2 +2X3 + A4 = 7
Recordemos: las variables de holgura. excedentes y artificiales, quedan con

coeficiente 0 en la función objetivo.
En resumen el modelo queda de la siguiente manera:
Minimizar : Z  2X1  X 2  3x3  0H1  0E2  0A2  0H3  0A4
Sujeto a : 3X1  X 2  2X 3  H1  10
X1  2X 2  3X 3  E2  A2  6
2X1  3X 2  X 3  H3  9
X1  X 2  2X 3  A4  7
Con X1; X 2; X 3; H1; E2; A2; H3; A4; 0
FASE 1:
Inicio del Método de las Dos Fases, minimizar la función objetivo, compuesta
por las variables artificiales A2 y A4:
Minimizar : Z  A2  A4
Sujeto a : 3 X 1  X 2  2 X 3  H1  10
X1  2 X 2  3X 3  E 2  A2  6
2 X 1  3X 2  X 3  H3  9
X1  X 2  2 X 3  A4  7
Con X 1; X 2; X 3; H1; E 2; A2; H 3; A4;  0
Se traspasa los coeficientes del modelo ampliado, dando inicio a la fase 1, esto se
ve en la Tabla 0, como se explico en la página 3.
Tabla 0 Fase 1
FASE I Cj 0 0 0 0 0 1 01 Solución
Base CB X1 X2 X3 H1 E2 A2 H3 A4 bi
H1 0 3 1 2 1 0 0 00 10
A2 1 1 -2 3 0 -1 1 0 0 6
H3 0 2 3 -1 0 0 0 10 9
A4 1 1 1 2 0 0 0 01 7
Z Zj 2 -1 5 0 -1 1 0 1 13
Cj - Zj -2 1 -5 0 1 0 0 0
Note que la función objetivo de la fase 1, ( Z = A2 + A4), solo está compuesta por
la variables artificiales A2 y A4, siendo estos coeficientes Cj iguales a 1, en la Tabla
0, los demás son todos ceros.
Procedimiento de selección de variables que entran y salen

en la aplicación del algoritmo Simplex.
Entra X3, como en esta fase siempre se minimiza la nueva función objetivo
Z= A2 + A4, compuesta de las variables artificiales A2 y A4, se toma el
número menor, de la fila Cj – Zj, en este caso -5, correspondiente a la
columna de la variable X3, y Sale A2, el criterio de salida, es el menor de los
cocientes entre los coeficientes bi, dividido por los coeficientes de la fila X3,
el menor cociente corresponde a la división 6/3= 2, los demás son 5, -9, y 7/2
(No se consideran números negativos, ni divisiones por cero no definidas en
matemáticas).
Tabla 1 Fase 1
FASE I Cj 0 0 0 0 0 1 01 Solución
H1 0 2 1/3 2 1/3 0 1 2/3 - 2/3 0 0 6
X3 0 1/3 - 2/3 1 0 - 1/3 1/3 0 0 2
H3 0 2 1/3 2 1/3 0 0 - 1/3 1/3 1 0 11
A4 1 1/3 2 1/3 0 0 2/3 - 2/3 0 1 3
Z Zj 1/3 2 1/3 0 0 2/3 - 2/3 0 1 3
Cj - Zj - 1/3 -2 1/3 0 0 - 2/3 1 2/3 0 0
Entra X2, y Sale A4. (¿Por qué?)

Tabla 2 Fase 1
FASE I Cj 0 00 0 0101 Solución

H1 0 2 0 0 1 0 0 0 -1 3
X3 0 3/7 0 1 0 - 1/7 1/7 0 2/7 2 6/7
H3 0 2 0 0 0 -1 1 1 -1 8
X2 0 1/7 1 0 0 2/7 - 2/7 0 3/7 1 2/7
Z Zj 0 0 0 0 0 0 0 0 0
Cj - Zj 0 0 0 0 0 1 0 1
El valor de la función objetivo, en cada iteración, se puede ver el progreso: 13 -> 3

-> 0.; Al terminar en cero, la fila de los Zj, se pasa la siguiente fase.
FASE 2:
En la Fase 2, se Optimiza la función objetivo Z = 2X1 + X2 + 3X3 del

ejercicio propuesto origin al, por lo tanto en la fila de los Cj, se escriben l os
coeficientes de la fun ción objetivo original, Z = 2X1 + X2 + 3X3, además en esta
fase 2 se eliminan las columnas de las variables artificiales (A2 y A4)
Actualizado la fila de los Cj, y la columna de los CB , y eliminada las

columnas A2 y A4, se obtiene la Tabl a 3, para el i nicio de l a Fase 2. Ahora, se
realiza la it eración, en la fase 2 y se puede ver que, en sólo una iteración se
termina el proceso.
Tabla 3 Fase 2
FASE II Cj 2 1 3 0 0 0 Solución
Base CB X1 X2 X3 H1 E2 H3 bi
H1 0 2 0 0 1 0 0 3
X3 3 3/7 0 1 0 - 1/7 0 2 6/7
H3 0 2 0 0 0 -1 1 8
X2 1 1/7 1 0 0 2/7 0 1 2/7
Z Zj 1 3/7 1 3 0 - 1/7 0 9 6/7
Cj - Zj 4/7 0 0 0 1/7 0
En ausencia de números negativos en la última fila, Cj – Zj; (se está minimizando)

el proceso termina, con lo cual se obtiene un resultado de X1=0, X2=9/7,
X3=20/7, H1=3, H3=8, E2=0 y un óptimo de Z=69/7. (¿Por qué X1=0,y E2=0?)
Ejemplo 2: UN PROBLEMA DE MAXIMIZACIÓN.
Ejemplo: Supóngase que deseamos hallar la solución óptima del modelo:
Maximizar : Z  100 X 1  90 X 2
Sujeto a : 6 X 1  4 X 2  24
20 X 1  8 X 2 160
3 X 1  5 X 2  15
X2  5
Con X 1; X 2  0
Se escribe el modelo en formato estándar (Ver explicación en las páginas 4

y 5) se agregan las var iables, de ho lguras, excedente y artificiales necesarias,
para obtener el siguiente modelo aumentado.
Maximizar: Z= 100X1 + 90X2 +0E1 + 0A1 + 0H2 + 0E3 + 0A3 + 0H4
Sujeto a: 6X1 + 4X2 - E1 + A1 = 24

20X1 + 8X2 + H2 =160
3X1 + 5X2 - E3 + A3 = 15
X2 + H4 = 5
Con X1; X2; H2; H4; E1; E3; A1; A3  0
FASE 1:
Se determina la solución óptima del Modelo Aumentado, la cual será la

SBFI del modelo original. Para ello planteamos la nueva función objetivo, así:
Z1 = A1 + A3; que vamos a minimizar. (Recordar que en la Fase 1, siempre se

minimiza)
Por lo tanto el modelo por resolver queda:
Minimizar : Z1  A1  A3
Sujeto a : 6 X 1  4 X 2  E1  A1  24
20 X 1  8 X 2  H2 160
3X1  5X 2  E3  A3  15
X2  H4  5
Con X 1; X 2  0 ; Hi  0 Ei  0; Ai  0; i
La tabla inicial para resolver este modelo es:
Tabla 0 Fase 1

Base CB X1 X2 E1 H2 E3 H4 A1 A3 bi
A1 1 6 4 -1 0 0010 24
H2 0 20 8 0 1 0000 160
A3 1 3 50 0 -1 0 01 15
H4 0 0 10 0 0100 5
Z Zj 9 9 -1 0 -1 0 1 1 39
Cj - Zj -9 -9 1 0 1 0 0 0
Ahora procedamos con el Simplex, para buscar la solución óptima del

modelo aumentado. Como el objetivo es minimizar, (Recordar que en la f ase I,
SIEMPRE SE MINIMIZA, LAS VARIABLES Ai); l a variable de entrada puede ser
X1 ó X2 pues ambas tienen el efecto neto más negativo. Seleccionamos
arbitrariamente a X1 como variable de entrada, en la medida que la variable que
salga sea una A, si la variab le de salid a no es A, se toma X2. Al tomar X1, la
variable de salida será A1. P uesto que al dividir los bi por los coeficientes de la
variable X1, da e l número menor, a saber, 24/6= 4; 1 60/20= 8; 15/3= 5, ¡Cuidado!
Aquí no se consideran divisiones negativas ni tampoco inexistentes, divisiones por
cero.
La nueva tabla es:
Tabla 1 Fase 1

X1 0 1 2/3 - 1/6 0 0 0 1/6 0 4
H2 0 0 -5 1/3 3 1/3 1 0 0 -3 1/3 0 80
A3 1 0 3 1/2 0 -1 0 - 1/2 1 3
H4 0 0 10 0 0100 5
Z Zj 0 3 1/2 0 -1 0 - 1/2 1 3
Cj - Zj 0 -3 - 1/2 0 1 0 1 1/2 0
Esta solución es mejorable entrando X2 y sacando A3, ¿Por qué? con lo

cual se obtiene la tabla siguiente:
Tabla 2 Fase 1

X1 0 1 0 - 5/18 0 2/9 0 5/18 - 2/9 3 1/3
H2 0 0 0 4 2/9 1 -1 7/9 0 -4 2/9 1 7/9 85 1/3
X2 0 0 1 1/6 0 - 1/3 0 - 1/6 1/3 1
H4 0 0 0 - 1/6 0 1/3 1 1/6 - 1/3 4
Z Zj 0 0 0 0 0 0 0 0 0
Cj - Zj 0 0 0 0 0 0 1 1
La tabla actual repre senta la solución óptima de la fa se 1 d el Modelo

Aumentado, ya que todos los eval uadores de la fila Cj - Zj, son no ne gativos
(además, el valor de Zj es cero). Como todas las variables artificiales están fuera
de la base, esta solución es una SBFI para el modelo original y podemos continuar
con la fase siguiente.
Actualizando el renglón de Cj y la columna CB, para luego recalcular los

valores Zj y Cj-Zj; así como el valor de Z; y eliminando las columnas de A1 y A3
obtenemos la nueva tabla 3, para el inicio de la fase 2. Recuerde que el problema
original es de maximización.
FASE 2:
Tabla 3 Fase 2

Base CB X1 X2 E1 H2 E3 H4 bi
X1 100 1 0 - 5/18 0 2/9 0 3 1/3
H2 0 0 0 4 2/9 1 -1 7/9 0 85 1/3
X2 90 0 1 1/6 0 - 1/3 0 1
H4 0 0 0 - 1/6 0 1/3 1 4
Z2 Zj 100 90 -12 7/9 0 -7 7/9 0 423 1/3
Cj - Zj 0 0 12 7/9 0 7 7/9 0
y continuando con el procedimiento del Simplex:
Entra E1, el más positivo en la línea Cj – Zj; (esto es porque se está

maximizando) y sale X2; puesto que 1:1/6 < 851/3:42/9, los demás no se
consideran, dan divisiones negativas.
con lo cual queda:
Tabla 4 Fase 2

X1 100 1 1 2/3 0 0 - 1/3 0 5
H2 0 0 -25 1/3 0 1 6 2/3 0 60
E1 0 0 6 1 0 -2 0 6
H4 0 0 1 0 0 0 1 5
Z Zj 100 166 2/3 0 0 -33 1/3 0 500
Cj - Zj 0 -76 2/3 0 0 33 1/3 0
Entra E3 sale H2. (¿Por qué?)

Tabla 5 Fase 2

X1 100 1 2/5 0 1/20 0 0 8
E3 0 0 -3 4/5 0 3/20 1 0 9
E1 0 0 -1 3/5 1 3/10 0 0 24
H4 0 0 1 0 0 0 1 5
Z Zj 100 40 0 5 0 0 800
Cj - Zj 0 50 0 -5 0 0
Entra X2 sale H4. (¿Por qué?)
Tabla 6 Fase 2

X1 100 1 0 0 1/20 0 - 2/5 6
E3 0 0 0 0 3/20 1 3 4/5 28
E1 0 0 0 1 3/10 0 1 3/5 32
X2 90 0 1 0 0 0 1 5
Z Zj 100 90 0 5 0 50 1050
Cj - Zj 0 0 0 -5 0 -50
En ausencia de números positivos en la última fila, el proceso termina, ¿Por

qué?. Con lo cual se obtiene un resultado de X1=6, X2=5, E1=32; E3=28; H2=0;
H4=0, y un óptimo de Z=1.050.
TIPO DE SOLUCIÓN QUE PUEDE OBTENERSE POR EL

METODO DE LAS DOS FASES
La fase 1 termina cuando se pres ente la inmejorabilidad (optimalidad) de la

función objetivo formada por la suma de las variables artificiales. Pero no siempre
que la función objetivo sea inmejorable su valor es igual a cero, ya que puede
presentarse, el caso de que Z1 = 0 habiendo variables artificiales en la base,
obviamente con valor cero. Por otra parte, también puede tenerse inmejorabilidad
con Z1 > 0, lo cual implica que hay al menos una variable artificial en la base, que
no pudo expulsarse. Cada uno de estos casos da lu gar a un t ipo de solución,
como lo aprenderemos enseguida.
Caso 1: Z1 =0 ; y no hay variables en la solución básica
Este es el caso ya discutido en la cual se ha encontrado una SBFI para el modelo

original y puede procederse con la fase 2, a partir de es ta solución. Al termino de
esta fase podemos hallar una solución de uno de los tres tipos de solución óptima
que hemos mencionado, a saber: única, múltiple, ilimitada.
Caso 2: Z1=0 y hay variable artificiales en la base
El valor de las variables artificiales de la base obviamente debe ser cero. Antes
de continuar con la fase 2 debemos intercambiar "Fo rzadamente" estas variables
artificiales por variables reales no básicas. Puede comprobarse que el intercambio
es posible sólo en l os casos en que el coeficiente de reemplazo entre las
variables artificial saliente y la variable real candidata a entrar, sea diferente
de cero.
Solución Degenerada
Si es posible intercambiar todas las vari ables artificiales por variable s reales
(originales o de hol gura), se genera una solución básica factible inicial
degenerada para el modelo origina l y a partir de ello se puede continuar con la
fase 2, sin ningún cambio adicional.
Restricciones redundantes analíticamente
Cuando no se puedan expulsar forzadamente todas las variables art ificiales de la

solución, las restricciones asociadas a las variables artificiales que no se pudieron
forzar a sali r de la solución óptima, son restricciones redundantes
analíticamente y se pueden eliminar de la tabla entes de proceder a la fase 2. La
redundancia analítica implica q ue esa restricción se puede expresar como una
combinación lineal de las otras restricciones involucradas en la solución
óptima y por ello no es necesario que aparezca.
Caso 3: Z1>0
Es lógico pensar que p ara que esto ocurra, deben tenerse variables artificiales
básicas con valor positivo. Veremos enseguida que esta situación es indicio de
que el modelo tiene solución inconsistente, ya sea por no existir una solución o
por ser infactible.
Solución Infactible
Si es posible int ercambiar forzadamente a todas las variab les artificiales básicas
por variables reales, el modelo original presentará solución infactible y no s e
continúa con la fase 2. La i nfactibilidad se hace patent e en el hec ho de que l as
variables reales que reemplazan a las artificiales, toman valores negativos.
Inexistencia de una solución
Si el intercambio es parcial, quedarán todavía variables artificiales en la solución y

esto indica que no fue posible hallar una SBFI para el modelo original, lo cual nos
permite concluir que el modelo no tiene solución.
En resumen, al igual que en el método gráfico, un modelo de Programación

Lineal tiene solución de alguno de los siguientes tipos:
1. Optima única. 2 Óptima múltiple. 3 Óptima Ilimitada. 4. Infactible . 5 Inexistente .
No olvide que un modelo de Programación Lineal correctamente formulado

siempre tendrá solución ópt ima única. Las solucion es restantes solo aparecen
debido a errores en la modelación.
Bibliografía:
.-http://ingenieria-industrial.net/leer/articulo/91
.-http://docencia.udea.edu.co/ingenieria/plineal/variablesArtificiales4.htm
.- http://www.arquimedex.com/index.php?accion=1&id=89
.-http://www.mitecnologico.com/Main/MetodoDeLaM
.-http://www.investigacion-operaciones.com/Metodo_Minimizacion.htm

02b Método Dos Fases 2022

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

02b Método Dos Fases 2022

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD ARTURO PRAT - Ingeniería en Control de Gestión.

- Curso año 2022

1.- Introducción al método simplex de dos fases. Pág.3

2.- Ejemplo 1, problema de minimización Pág.4

3.- Convertir un problema a su forma estándar. Pág.4

4.- Procedimiento de selección de variables

que entran y salen en la aplicación del

algoritmo Simplex Pág.7

5.- Ejemplo 2, problema de maximización. Pág.9

6.- Tipo de solución que se pueden obtener

por el método de dos fases Pág.14

Introducción al método simplex de dos fases

El procedimiento del algoritmo consiste en resolver el modelo en dos

Descripción del procedimiento en cada fase del algoritmo.

Luego vienen los coeficientes de las restricciones, nombrados aij, los

Consiste en buscar la solución ópt ima del modelo original partiendo de la

Para iniciar l a Fase 2 se toma el tablero f inal de l a Fase 1 y se escribe la

Ejemplo 1: UN PROBLEMA DE MINIMIZACIÓN

1. Convertir al Modelo Aumentado Estándar:

Cada restricción debe s er convertida de inecuación a una igualdad,

3X1 + X2 + 2X3 <= 10

Queda: 3X1 + X2 + 2X3 + H1 = 10

Se puede leer así: el uso de la primera restricción no pu ede superar la

Para las restricciones de tipo mayor o igual, se agrega variables de exceso

X1 - 2X2 + 3X3 >= 6

Se puede leer como: el uso de la restricción 2 debe ser como mínimo 6

Que es equivalente a decir: lo usado en l a restricción 2 es igual al mínim o

La tercera restricción es de tipo <=, por lo que no tenemos ningún problema

2X1 + 3X2 - X3 <= 9

La cuarta restricción es de tipo =. Para este tipo de restricción simplemente

Recordemos: las variables de holgura. excedentes y artificiales, quedan con

En resumen el modelo queda de la siguiente manera:

Minimizar : Z  2X1  X 2  3x3  0H1  0E2  0A2  0H3  0A4

Con X1; X 2; X 3; H1; E2; A2; H3; A4; 0

Con X 1; X 2; X 3; H1; E 2; A2; H 3; A4;  0

Procedimiento de selección de variables que entran y salen

Entra X2, y Sale A4. (¿Por qué?)

FASE I Cj 0 00 0 0101 Solución

El valor de la función objetivo, en cada iteración, se puede ver el progreso: 13 -> 3

En la Fase 2, se Optimiza la función objetivo Z = 2X1 + X2 + 3X3 del

Actualizado la fila de los Cj, y la columna de los CB , y eliminada las

En ausencia de números negativos en la última fila, Cj – Zj; (se está minimizando)

Ejemplo 2: UN PROBLEMA DE MAXIMIZACIÓN.

Ejemplo: Supóngase que deseamos hallar la solución óptima del modelo:

Se escribe el modelo en formato estándar (Ver explicación en las páginas 4

Maximizar: Z= 100X1 + 90X2 +0E1 + 0A1 + 0H2 + 0E3 + 0A3 + 0H4

Sujeto a: 6X1 + 4X2 - E1 + A1 = 24

Se determina la solución óptima del Modelo Aumentado, la cual será la

Z1 = A1 + A3; que vamos a minimizar. (Recordar que en la Fase 1, siempre se

Por lo tanto el modelo por resolver queda:

La tabla inicial para resolver este modelo es:

FASE I Cj 0 00 0 0011 Solución

Ahora procedamos con el Simplex, para buscar la solución óptima del

La nueva tabla es:

FASE I Cj 0 00 0 0011 Solución

Esta solución es mejorable entrando X2 y sacando A3, ¿Por qué? con lo

FASE I Cj 0 00 0 0011 Solución

La tabla actual repre senta la solución óptima de la fa se 1 d el Modelo

Actualizando el renglón de Cj y la columna CB, para luego recalcular los

FASE II Cj 100 90 0 0 0 0 Solución

y continuando con el procedimiento del Simplex:

Entra E1, el más positivo en la línea Cj – Zj; (esto es porque se está

con lo cual queda: