CASOS ESPECIALES DE LA APLICACIÓN DEL

MÉTODO SIMPLEX

Se examinan 4 casos especiales:

1. Degeneración
2. Óptimos alternativos
3. Soluciones no acotadas
4. Soluciones inexistentes( o no factibles)
DEGENERACIÓN

Al aplicar la condición de factibilidad del método simplex,

se puede romper un empate en la razón mínima en
forma arbitraria. Cuando se presenta un empate, al
menos una variable básica cero en la siguiente iteración
y se dice que la nueva solución es degenerada
Ejm:
Max z= 3x1 +9x2
s.a
X1+4x2≤8
X1+2x2 ≤4
X1,x2≥0

Sean x3 y x4 variables de holgura

X1+4x2+x3 =8
X1+2x2 +x4 = 4
X1,x2, x3, x4≥0
Iteración Básica x1 x2 x3 x4 Solución

0 z -3 -9 0 0 0

Entra x2 x3 1 4 1 0 8

Sale x3 x4 1 2 0 1 4

1 z -3/4 0 9/4 0 18

Entra x1 x2 1/4 1 1/4 0 2

Sale x4 x4 1/2 0 -1/2 1 0

2 z 0 0 3/2 3/2 18

(optima) x2 0 1 1/2 -1/2 2

x1 1 0 -1 2 0
 En la iteración de inicio empatan x3 y x4 como variable de
salida. Es la razón por la que x4 variable básica es CERO, en
la iteración 1, y se obtiene una solución básica degenerada.
Se alcanza el optimo después de 1 iteración mas.

Solución Z=3x1+9x2
Optima
degenerada
X1+4x2≤8
(redundante)
X1+2x2≤4

Figura 1. Degeneración de Programación Lineal

OPTIMAS ALTERNATIVAS

Cuando la función objetivo es paralela a una restricción

obligatoria (es decir, una restricción que se satisface como
ecuación en la solución optima), la función objetivo asumirá
el mismo valor optimo, que se llama óptimos alternativos,
en mas de un punto de solución.
El siguiente ejemplo muestra una cantidad infinita de esas
soluciones.
Ejm:

Max z=2x1+4x2
s.a

X1+2x2 ≤5
X1+x2 ≤4
X1,x2 ≥0
 Iteración Básica x1 x2 x3 x4 Solución

0 z -2 -4 0 0 0

Entra x2 x3 1 2 1 0 5

Sale x3 x4 1 1 0 1 4

1(optima) z 0 0 2 0 10

Entra x1 x2 1/2 1 1/2 0 5/2

Sale x4 x4 1/2 0 -1/2 1 3/2

2 z 0 0 2 0 10

(optima x2 0 1 1 -1 1

alternativa) x1 1 0 -1 2 3
 Z=2x1+4x2
X1+x2≤4
Soluciones básicas óptimas

X1+2x2≤5

Figura 2. Óptimos alternativos de la programación

lineal
En la practica, los óptimos alternativos son útiles porque
permiten escoger entre muchas soluciones sin que se
deteriore el valor objetivo
SOLUCIÓN NO ACOTADA

En algún modelo de P.L los valores de las variables pueden

aumentar en forma indefinida sin violar alguna de las
restricciones, eso significa que el espacio de soluciones es
no acotada al menos en una dirección.

El resultado es que el valor objetivo puede aumentar (caso

maximización) o disminuir (caso minimización) en forma
indefinida. En ese caso, el espacio de soluciones tiene el
valor optimo objetivo no están acotados.

La no acotación apunta que el modelo tenga la posibilidad

que este mal construido
La regla para reconocer la no acotación:

En cualquier iteración todos los coeficientes de restricción de

toda variable no básica son cero o negativos, entonces el
espacio de solución no esta acotado en esa dirección

Si además el coeficiente objetivo de esa variable es negativa

en caso maximizar o positivo en caso de minimización, el
valor objetivo no es acotado.
 Ejm:
Max z=2x1 +x2
s.a
Valor objetivo X1-x2 ≤ 10
no acotado 2x1 ≤ 40
x1,x2≥0
Z=2x1+x2
Espacio de
soluciones no
acotado
X1-x2≤10
2x1≤40

Figura 3. Solución no acotada de la programación lineal

SOLUCIÓN NO FACTIBLE

Los modelos de P.L con restricciones inconsistentes no tiene

soluciones factibles. Esto sucede casi nunca si todas las
restricciones son ≤ (lados derecho no negativos), porque las
holguras permiten tener una solución factible

Un espacio no factible indica la posibilidad de que el modelo

no este bien formulado
Ejm: Max z= 3x1+2x2

s.a

2x1+x2≤2
3x1+4x2≥12
x1,x2≥0
 El resultado puede tener una solución pseudo-optima

3X1+4x2≥12

Soluciones
pseudo-óptimas Z=2x1+4x2

2X1+x2≤2