Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Copyright © (2019) por (Nicole Eid , Selena Morales, Juan daniel F.Todos los derechos reservados.
.
Título: Metodo Simplex
Autor/es: Nicole Eid , Selena Morales,Juan Daniel f.
RESUMEN:
ABSTRACT:
The Simplex Method is an analytical method of problem solving of linear programming capable
of solving more complex models than those solved by the graphical method without restriction in
the number of variables. The Simplex Method is an iterative method that allows to improve the
solution in each step . The mathematical reason for this improvement is that the method consists
of walking from the vertex of a polyhedron to a neighboring vertex so that it increases or
decreases (depending on the context of the objective function, be maximized or minimized),
since the number of vertices Which presents a polyhedron solution is finite solution will always
be found.
Tabla De Contenidos
Introducción................................................................................................................................6
Capítulo 1. Planteamiento del Problema.....................................................................................7
1.1. Formulación del Problema.........................................................................................7
1.2. Objetivos General y Especificos................................................................................7
1.3. Justificación...............................................................................................................7
Capítulo 2. Marco Teórico..........................................................................................................8
2.1 Marco Conceptual ........................................................................................................8
Capítulo 3. Método.....................................................................................................................9
3.1 Metodo de Investigación...............................................................................................9
3.2 Fuentes de Información ................................................................................................9
Capítulo 4. Resultados y Discusion ........................................................................................10
Capítulo 5. Conclusiones..........................................................................................................11
Referencias................................................................................................................................12
Anexos .....................................................................................................................................13
Introducción
El método simplex permite localizar de manera eficiente la óptima solución entre los puntos
extremos de un problema de programación lineal. La gran virtud del método simplex es su
sencillez, método muy práctico, ya que solo trabaja con los coeficientes de la función objetivo y
de las restricciones.
Es muy importante en el área empresarial ya que lo utilizan para obtener solución a los
problemas de las empresas en cuanto a inventario, ganancias y pérdidas.
Este método permite visualizar cuanto se debe vender, cuanto se debe producir o cuanto se debe
comprar según sea el caso para que la empresa obtenga las ganancias optimas y suficientes para
competir en el mercado.
En Base a esta importancia El método simplex ha tenido diversas aplicaciones en las industrias
especialmente en el área de transporte, en la parte de inventarios y en lo empresarial en
general.Partiendo del valor de la función objetivo en un vértice cualquiera, el método consiste en
buscar sucesivamente otro vértice que mejore al anterior. La búsqueda se hace siempre a través
de los lados del polígono (o de las aristas del poliedro, si el número de variables es mayor).
Cómo el número de vértices (y de aristas) es finito, siempre se podrá encontrar la solución.
El método símplex requiere el examen de una serie de matrices. Recuerde que en el método
gráfico se requería que examináramos una serie de puntos. En forma análoga el método símplex
(cada matriz) nos proporciona un punto esquina de la región de soluciones factibles, sin
necesidad de graficar la región.
Es muy importante en el área empresarial ya que lo utilizan para obtener solución a los
problemas de las empresas en cuanto a inventario, ganancias y pérdidas.
Es una técnica poderosa para tratar el problema de asignación de recursos limitados entre
actividades, así como para otros problemas que tengan un planteamiento matemático semejante.
El método simplex es un algoritmo, un proceso en que se repite, un procedimiento hasta lograr el
resultado, determinando un proceso de arranque y un criterio para determinar cuándo debe
detenerse.
El método simplex se ha convertido en una herramienta estándar de gran importancia para
numerosas organizaciones comerciales e industriales. Además, casi cualquier organización social
tiene que ver con la asignación de recursos en algún contexto y existe un reconocimiento
creciente de la extremadamente amplia aplicabilidad de la técnica del método.
Este no solo aporta la solución óptima de las variables sino, su utilidad máxima, y costo mínimo,
sino también una gran cantidad de valiosa información económica.
Por esta razón resulta de vital importancia tanto el aprender las técnicas de solución a través de
este método y además dominar ampliamente la interpretación de resultados
1.2. Objetivos
Objetivos General
Objetivos Especificos
1.3. Justificación
Los problemas reales de programación lineal generalmente tienen variables de decisión ,muchas
rectricciones .Tales problemas no pueden ser resueltos gráficamente . Se usan algoritmos tales
como el simplex , progresivamente permite obtener una solución óptima a los problemas de
programación lineal .El método simplex es especialmente útil en problemas de gran escala
(resueltos con una computadora ).
*Función objetivo :Es la ecuación que será optimizada dadas las limitaciones o restricciones
determinadas y con variables que necesitan ser minimizadas o maximizadas usando técnicas de
programación lineal o no lineal.
*Variables : es una palabra que representa a aquello que varía o que está sujeto a algún tipo de
cambio. Se trata de algo que se caracteriza por ser inestable, inconstante y mudable. En otras
palabras, una variable es un símbolo que permite identificar a un elemento no especificado
dentro de un determinado grupo.
*Variables de Holgura : Son variables que se agregan a la restricción para que larelación de la
restricción sea de igualdad (representa el valor que le hace falta al lado izquierdopara ser igual al
lado derecho). Ambos tipos de variables tienen que cumplir con la restricciónde no negatividad.
*Variable Artificial : Una variable artificial es un truco matemático para convertir inecuaciones
">=" en ecuaciones, o cuando aparecen igualdades en el problema original, la característica
principal de estas variables es que no deben formar parte de la solución, dado que no representan
recursos. El objetivo fundamental de estas variables es la formación de la matriz identidad.
*Matriz identidad : Una matriz identidad es una matriz diagonal en la que los elementos de la
diagonal principal son iguales a 1.
*Valor optimo: Valor que produce el máximo de una magnitud que depende de él.
*Inecuación: una inecuación que es válida para todas las variables se llama inecuación
incondicional y las que son válidas solo para algunos valores de las variables se conocen como
inecuaciones condicionales.
*Ecuaciones : Una ecuación es una igualdad matemática entre dos expresiones, denominadas
miembros y separadas por el signo igual, en las que aparecen elementos conocidos o datos,
desconocidos o incógnitas, relacionados mediante operaciones matemáticas.
*Solución factible: en Programación Lineal una Solución Básica Factible (SBF) es aquella que
además de pertenecer a la región o área factible del problema se puede representar a través de
una solución factible en la aplicación del Método Simplex satisfaciendo las condiciones de no
negatividad.
*Tabla simplex :
*Penalización de variables : si la ecuacion no tiene una holgura (o una variable que pueda
desempeñar el papel de una), se agrega una variable artificial , para formar una solucion inicial
procede a la solucion basica de total holgura.
*Forma estándar : Las ecuaciones lineales pueden tomar varias formas, como la fórmula punto-
pendiente, la fórmula pendiente-intersección, y la forma estándar de una ecuación lineal. Éstas
formas permiten a los matemáticos describir la misma recta de distintas maneras..
Capítulo 3. Método
*Libros
*Internet
Partiendo del valor de la función objetivo en un vértice cualquiera, el método consiste en buscar
sucesivamente otro vértice que mejore al anterior. La búsqueda se hace siempre a través de los
lados del polígono (o de las aristas del poliedro, si el número de variables es mayor). Cómo el
número de vértices (y de aristas) es finito, siempre se podrá encontrar la solución.
Aplica para las restricciones del tipo (≥ y ≤), donde el lado derecho de la desigualdad representa
el limite sobre la disponibilidad de un recurso y el lado izquierdo representa la utilización de ese
recurso limitado que hacen las variables del modelo. Esto quiere decir que una holgura
representa la cantidad disponible del recurso que excede a la utilización que se le da. En la
conversión de este tipo de desigualdad se añade una variable de ajuste (Si) para convertirla en
igualdad. Por ejemplo, tenemos la siguiente restricción: 3X1 + 2X2 ≥ 6, su equivalente seria,
3X1 + 2X2 + S1 = 6.
Una variable artificial es un truco matemático para convertir inecuaciones ">=" en ecuaciones, o
cuando aparecen igualdades en el problema original, la característica principal de estas variables
es que no deben formar parte de la solución, dado que no representan recursos. El objetivo
fundamental de estas variables es la formación de la matriz identidad.
Estas variables se representa por la letra "A", siempre se suman a las restricciones, su coeficiente
es M (por esto se le denomina Método de la M grande, donde M significa un número demasiado
grande muy poco atractivo para la función objetivo), y el signo en la función objetivo va en
contra del sentido de la misma, es decir, en problemas de Maximización su signo es menos (-) y
en problemas de Minimización su signo es (+), repetimos con el objetivo de que su valor en la
solución sea cero (0).
El algoritmo Simplex para resolver modelos de programación lineal requiere que el modelo este
en su forma estándar. Lo que se hace es convertir el modelo a la forma estándar. Esto se logra
introduciendo nuevas variables, algunas de las cuales reemplazaran a las variables originales.
El objetivo del método consistirá en optimizar el valor de la función objetivo. Sin embargo se
presentan dos opciones: obtener el valor óptimo mayor (maximizar) u obtener el valor óptimo
menor (minimizar).
1. Objetivo de maximización
Condición de parada: cuando en la fila Z no aparece ningún valor negativo.
Condición de entrada a la base: el menor valor negativo en la fila Z (o el de mayor valor
absoluto entre los negativos) indica la variable Pj que entra a la base.
Condición de salida de la base: una vez obtenida la variable entrante, la variable que sale
se determina mediante el menor cociente P0/Pj de los estrictamente positivos.
RESTRICCIONES ( ≥ ; ≤ )
Todas las variables son no negativas, si una variable es irrestricta se usa la sustitución Yi = Y ´i –
Y´´i. Una variable negativa se hace no negativa multiplicando por -1 a la variable en la función
objetivo y las restricciones.
FUNCIÓN OBJETIVO
Se debe agrupar las variables de un solo lado de la ecuación y sumarle las variables de holgura
de las restricciones, pero en este caso tendrán un valor de cero (0S).
Ejemplo:
MÉTODO DE LA GRAN M
≥ -S+A Min = +M
= +A Max = -M
≤ +S
Ejemplo:
Consideraciones Generales:
1. En general se recurre a las variables artificiales cuando al menos una de las restricciones en el
modelo matemático original es del tipo mayor o igual (≥), esto con el fin de obtener la solución
básica factible inicial.
2. Las variables artificiales proporcionan un artificio matemático para obtener una primera
solución básica. Estas variables son ficticias y no tienen una interpretación física directa en
términos del problema original (costos).
4. Sumar del lado izquierdo de cada ecuación, correspondiente a las restricciones del tipo mayor
o igual (≥) una variable (artificial) no negativa. Dicha adición no causa una alteración en las
restricciones.
5. Los indicadores de las variables artificiales son todos negativos o iguales a cero(0) en la tabla
final. Esto siempre debe ser válido para una solución óptima(factible).
6. Una vez, conocidas las consideraciones generales procedemos con los pasos normales del
método simplex.
En la Función objetivo no deben aparecer variables básicas, por lo que se hace necesario
eliminar las variables artificiales de la F.O. (Quitas las M de las Columnas Artificiales). Para
retirar las M de las columnas de variables artificiales se suman M veces (coeficientes de la fila1
+ fila 2 + fila 3+… fila n ) a la fila de la función objetivo. Esto da como resultado la tabla inicial.
2. PRIMERA ITERACION
1ra operación sobre las fila pivote. Los nuevos coeficientes de la fila pivote se obtienen
dividiendo todos los coeficientes de la fila pivote entre el elemento pivote, y se pasa a una nueva
plantilla.
Se buscan los nuevos valores de las filas de Z y de las variables básicas restantes usando
la formula: FV-(CP*FN). FV representa la fila vieja, o sea la fila que se desea cambiar; CP es el
coeficiente pivote, que son los valores en la columna pivote; FN es la fila nueva, donde se
encuentran los nuevos coeficientes de la fila pivote.
3. El proceso termina una vez se hayan eliminado los valores negativos en Z, encontrando de este
modo una solución al problema. En caso contrario, se debe repetir cada uno de los pasos
expresados en la primera iteración hasta encontrar una solución.
≥ -S+A MIN= +M
= +A MAX= -M
≤ +S
En las columnas aparecerán todas las variables del problema y en las filas, los coeficientes de las
ecuaciones obtenidas:
v. Z X1 X2 S1 S2 A1 SOLUCI
básicas ÓN
Z 1 -5 -6 0 0 M 0
A1 0 -2 3 0 0 1 3
S1 0 1 2 1 0 0 5
S2 0 6 7 0 1 0 3
En la Función objetivo no deben aparecer variables básicas, por lo que se hace necesario eliminar
las variables artificiales de la F.O.
(-M) 0 -2 3 0 0 1 3
A1
(0) S1 0 1 2 1 0 0 5
(0) S2 0 6 7 0 1 0 3
A1 = 0 2M -3M 0 0 -M -3M
Z = 1 -5 -6 0 0 M 0
Z = 1 -5+2M -6-3M 0 0 0 -3M
v. Z X1 X2 S1 S2 A1 SOLUCI
básicas ÓN
Z 1 - -6- 0 0 0 -3M
5+2M 3M
A1 0 -2 3 0 0 1 3
S1 0 1 2 1 0 0 5
S2 0 6 7 0 1 0 3
Se dividen los coeficientes de la columna solución entre los coeficientes pivote. El de menor
valor positivo será la variable que sale. Esta será la fila pivote:
A1= 3/3=1
S1 = 5/2 = 2,5
S2 = 3/7= 0,4
c.
v. Z X1 pivote S1 S2 A SOLUCI
básicas X2 1 ÓN
Z 1 - -6- 0 0 0 -3M
5+2M 3M
A1 0 -2 3 0 0 1 3
S1 0 1 2 1 0 0 5
f.
pivote 0 6 7 0 1 0 3
S2
Determinar el valor de la nueva fila, dividiendo la fila que sale entre su coeficiente pivote:
Se buscan los nuevos valores de las filas de Z y de las variables básicas restantes usando la
formula: FV-(CP*FN)
Z = FV: 1 -5+2M -6-3M 0 0 0 -3M
CP:-6-3M -6-3M -6-3M -6-3M -6-3M -6-3M -6-3M
FN: 0 0,86 1 0 0,4 0 0,43
1 0,16+4,58M 0 0 0,84+0,42M 0 2,58-1,71M
El procedimiento se repite para A1 y S1.
v.
básicas Z X1 X2 S1 S2 A1 SOLUCI
ÓN
PRUEBA: 2,58-1,71M
Por se M un número muy grande, no se toma, quedando solo 2,58. Se toma la función objetivo y
reemplazamos X2 por 0,43:
Z= 5X1+6X2
2,58=5(0)+6(0,43)
2,58=2,58
1. Utilizando la forma estándar, determinar una solución básica factible inicial igualando a
las n-m variables igual a cero (el origen).
2. Seleccionar la variable de entrada de las variables no básicas que al incrementar su valor
pueda mejorar el valor en la función objetivo. Cuando no exista esta situación, la solución
actual es la óptima; si no, ir al siguiente paso.
3. Seleccionar la variable de salida de las variables básicas actuales.
4. Determinar la nueva solución al hacer la variable de entrada básica y la variable de salida
no básica, ir al paso 2 (actualizar).
Podemos observar como existe una solución óptima alternativa en la cual la combinación de
variables es distinta y existe un menor consumo de recursos, dado que el hecho de que se
encuentre la variable "S1" en la solución óptima con un coeficiente de "3" significa que se
presenta una holgura de 3 unidades del recurso (pieza rectangular de 8 pines).
Una fábrica productora de embalajes plásticos, elabora dos tipos de containers de 3.750 c.c. y
4.000 c.c. Los datos de producción se presentan en la tabla adjunta. La persona encargada del
termo-formado no puede trabajar más de 40 horas a la semana y los recursos económicos de la
3750 (A) 6 HORAS $200 $240 4000 (B) 5 HORAS $100 $160
Cómo es posible que haya más de dos variables, es usual representarlas como X1 X2 X3, etc.
Variables independientes
Restricciones
C3: X1
C4: X2
Función objetivo:
6X1+5X2=40
Observe que si el número total de horas es menor que 40, implica que algunas horas no se
aprovecharon, esto significa que C1 se podría escribir como:
C1=6X1+5X2+S1=40
S1 se denomina variable de holgura, de holgura debido a que establece el período libre entre las
horas empleadas (pueden ser menos de 40) y las horas disponibles (exactamente 40). El
introducir la variable de holgura convierte las desigualdades de restricción en ecuaciones, lo que
implica que se puedan utilizar matrices y el método de Gauss Jordán para resolver el problema.
C2:200X1 + 100X2
C2:200X1 + 100X2+S2
PASO 3: Reescriba la función objetivo con todas las variables en el lado izquierdo
Z = 240X1 + 160X2
−240X1 - 160X2+ Z =0
−240X1–160X2+0S1+0S2+Z=0
C1:6X1+5X2+S1=40
C2:200X1+100X2+S2=1.000
PASO 4: Plantee una matriz a partir de las restricciones y de la función objetivo reescritas.
(1)
El método símplex requiere el examen de una serie de matrices. Recuerde que en el método
gráfico se requería que examináramos una serie de puntos. En forma análoga el método símplex
(cada matriz) nos proporciona un punto esquina de la región de soluciones factibles, sin
necesidad de graficar la región.
Una última matriz símplex nos proporcionará el punto esquina óptimo (la solución al problema).
El valor de la variable que encabeza cada una de las columnas se obtiene leyendo hacia abajo la
columna, volteando en 1 y deteniéndose al final del renglón.
La matriz símplex inicial (1) no está en forma escalonada reducida por renglón . Las columnas
S1 , S2 y Z si están en forma escalonada reducida, luego utilizando el esquema anterior.
F=
S2=1000
Z=0
Lo anterior es una solución factible por que si X1 e X2=0 se satisfacen las cuatro restricciones.
Si este ejercicio se resolviera por método gráfico, (es pertinente que usted realice el ejercicio) el
(0,0) corresponde a un punto de esquina. El método símplex localiza los demás puntos de
esquina hasta que encontremos el óptimo.
El método símplex, por el contrario proporciona una serie de soluciones posibles, una por cada
matriz.
Cada solución posible sería un punto esquina de la región de posibles soluciones. Si se estuviese
manejando el método gráfico.
Variables independientes
Tipo A
Tipo B
Variables de holgura
Restricciones:
Función objetivo
Una posible solución era (X1,X2,S1,S2) = (0,0,40,1000) Z=0 pero no es la solución máxima.
El procedimiento que usaremos es igual al método de Gauss-Jordan excepto por la ubicación del
punto pivote.
Columna pivote
PASO 2: Divida la última entrada en cada renglón de restricción por la correspondiente entrada
de la columna pivote. El renglón que de el menor cociente no negativo es el renglón pivote.
Columna pivote
Columna Pivote
El valor de 200 es el pivote. Haremos las operaciones de renglón, en forma similar que lo
haríamos por el método de Gauss-Jordan.
Cada matriz símplex, nos proporciona un punto esquina de la región de soluciones posibles; la
matriz final símplex nos proporcionará el punto esquina óptimo.
La matriz anterior nos proporciona un punto de esquina, por que las columnas X1,S1 y Z sólo
contienen unos y ceros.
Observe que X1=5 S1=10 Z=1.200 mientras que X2,S2 son cero (por qué?)
Columna Pivote
No, el último renglón contiene entradas no negativas. Esta es nuestra última matriz y la solución
correspondiente a esta matriz es el punto esquina óptimo.
Capítulo 5. Conclusiones
El método consiste en partir de un vértice del conjunto de soluciones, o solución inicial y determinar si es
óptima. Si no lo es, se pasa a partir de él a otro vértice adyacente (es decir, que difiera del anterior en el
hecho de que una coordenada no nula del primero se anule en el segundo y viceversa), por un criterio
semejante al del gradiente, en el que mejore el valor de la función objetivo o función económica,
repitiéndose esta operación hasta que no sea posible mejorar la función objetivo, en cuyo caso ya se ha
alcanzado el óptimo.
No todos los problemas de asignación de recursos limitados se pueden formular de manera que se ajusten
a un modelo de programación lineal , ni siquiera como una aproximación razonable.
Cuando no se cumplen una o mas de las suposiciones de programación lineal , tal vez sea posible aplicar
otro tipo de modelos matemáticos , por ejemplo , los modelos de programación entera o programación no
lineal .
Referencias
http://www.investigacion-operaciones.com/SIMPLEX_analitico.htm
. www.ingenieriaindustrialonline.com
Anexos