LUIS ENRIQUE ALVARADO ATENCIO

Ingeniero Industrial
Magister en Direccin Universitaria
1

 El mtodo Simplex es un procedimiento iterativo que permite ir

mejorando la solucin a cada paso. El proceso concluye cuando
no es posible seguir mejorando ms dicha solucin.

Partiendo del valor de la funcin objetivo en un vrtice

cualquiera (normalmente el origen), el mtodo consiste en buscar
sucesivamente otro vrtice que mejore al anterior. La bsqueda se
hace siempre a travs de los lados del polgono y siempre se
podr encontrar la solucin.
El mtodo Simplex se basa en la siguiente propiedad: si la
funcin objetivo, Z, no toma su valor mximo en el vrtice A,
entonces hay una arista que parte de A, a lo largo de la cual, Z
mejora.
2

PREPARACION DEL METODO SIMPLEX

Para comenzar a trabajar el Mtodo es necesario
colocar el modelo en forma estndar. Su presentacin
general es:

FUNCION OBJETIVO

C1X1+C2X2+ CnXn

Sujeto a

a11X1+a12X2+ . a1nXn =b1

a21X1+a22X2 +..............a2nXn =b2

..
am1X1+am2X2+.. amnXn=bm
Donde:
3

Los Ci: Son los coeficientes Objetivos, son los

aportes que cada actividad proporciona a los
resultados esperados.
Los aij : Son los coeficientes Tecnolgicos. Son
los requerimientos de recursos de cada
actividad.
Los bj: Son los recursos escasos disponibles o
lados derechos.

MTODO SIMPLEX TABULAR

Consiste en transferir el modelo estndar a
unos tableros llamados Tableros Simplex, en
los cuales se escribe el modelo junto con otras
columnas y filas que nos facilitan encontrar la
solucin.

Una de la formas de tablero es:

CJ
Cb

Vb

X1

X2

Xi

a11

-----

X3

..

BJ

CM

-----

amn

ZJ
CJ -ZJ

Donde :
La fila Cj: Corresponde a los coeficientes de las

Variables en la Funcin Objetivo.

El la columna Cb se colocan los coeficientes de
las variables bsicas en la funcin objetivo.
En la columna Vb se colocan los nombres de las
variables bsicas.
la Matriz amn van los coeficientes
tecnolgicos
En la columna Bj corresponde a los recursos
disponibles , lados derechos o trminos
independientes.
En

Los trminos de la fila Zj se encuentran como la

sumatoria de los productos CJ.aij para cada una
de las variables.

Fila Cj-ZJ cuyos elementos son llamados efectos

netos, aportes netos, Se calculan como esa

diferencia, para cada una de las variables. Es el
aporte de cada variables a la solucin. Sirve para
determinar que variable entra a la base.
La columna CM Es el coeficiente de mejorabilidad,
Sirve para determinar que variable sale de la base.
8

EL ALGORITMO SIMPLEX.
Con el tablero inicial se procede as:
1. PRUEBA DE OPTIMALIDAD: (Maximizar)

Si todos los Cj - Zj 0 La solucin es la

OPTIMA
Si
algn Cj - Zj > 0 La solucin puede
mejorar. Se procede a construir un nuevo
tablero (Nueva Base). Base Mejorada.
Entra una variable a la base y se sale otra.
9

VARIABLE QUE ENTRA

Entra la Variable que tenga el mayor Cj - Zj > 0. Esta
variable remplaza a la saliente en el tablero.
La columna correspondiente a la variable que entra se
llama Columna Pivote, esta se seala en el tablero.
VARIABLE QUE SALE
Se calculan los CM = Bj/aij. Solo se toman los

aij

positivos correspondientes a la columna pivote. Sale la

variable que tenga el menor CM Positivo.
La fila correspondiente a la variable saliente se llama fila
pivote. Se seala en el tablero.
La intercepcin entre la columna Pivote y fila pivote se
denomina Numero Pivote. Se seala en el tablero
10

2. CONSTRUCCION DE UN NUEVO TABLERO

- Las dos primeras filas (CJ , Cb ) siguen iguales.
- La nueva fila de la variable que entra se
obtiene dividiendo la fila de la variable que sale
por el numero pivote.
- Las dems filas (restricciones), se obtienen
multiplicando el inverso aditivo de su coeficiente
en la columna pivote por la fila nueva antes
conseguida y se le adiciona la fila a remplazar.
-Las filas Zj y CJ ZJ , se obtienen como se dijo
anteriormente.
11

Ejemplo :
Siguiendo con el ejemplo anterior tenemos:

Modelo estndar.
Maximizar Z = 20 X1+17 X2 +0H1+0H2
Sujeto a:

4X1 + 2X2 + H1
20X1+ 25X2
X1, X2 0

= 300
H2 =2000

12

El Tablero inicial: Iteracin 0

CJ

20

17

Cb

Vb

X1

X2

H1

H2

BJ

H1

300

H2

20

25

2000

ZJ

CJ -ZJ

20

17

CM

13

La solucin para este tablero es:

X1 = 0
X2 = 0
H1 = 300
H2 = 2000
Z =0

Haciendo prueba de optimalidad queda:

NO es optimo: Hay CJ ZJ Positivos ( 20 y 17)
Entra X1 y Sale H1 El Numero Pivote es 4
14

El Tablero inicial: Iteracin 0

CJ

20

17

Cb

Vb

X1

X2

H1

H2

BJ

CM

H1

300

300/4

H2

20

25

2000

2000/20

ZJ

CJ -ZJ

20

17

15

El Tablero dos: Iteracin 1

CJ

20

17

Cb

Vb

X1

X2

H1

H2

BJ

CM

20

X1

1/2

1/4

75

150

H2

15

-5

500

500/15

ZJ

20

10

1500

CJ -ZJ

-5

16

La solucin para este tablero es:

X1 = 75
X2 = 0
H1 = 0
H2 = 500
Z = 1500

Haciendo prueba de optimalidad queda:

NO es optimo: Hay CJ ZJ Positivos ( 7)
Entra X2 y Sale H2 El Numero Pivote es 15
17

El Tablero dos: Iteracin 2

CJ

20

17

Cb

Vb

X1

X2

H1

H2

BJ

20

X1

5/12

-1/30

58.33

17

X2

-5/15

1/15

33.33

ZJ

20

17

2.66

0.33

1733.2

CJ -ZJ

-2.66

-0.33

CM

18

La solucin para este tablero es:

X1 = 58.33
X2 = 33.33
H1 = 0
H2 = 0
Z = 1733.2

Haciendo prueba de optimalidad queda:

Es OPTIMO: NO Hay CJ ZJ Positivos
19

TIPOS DE SOLUCION
Solucin nica
Soluciones Mltiples
Solucin Degenerada
Solucin No Acotada
Solucin Infactible

20

 SOLUCIN NICA
Es el caso donde la solucin es Real y
cumple con todos los requerimientos del
modelo sin ningn condicionamiento
especial.

21

MLTIPLES SOLUCIONES
Cuando cumplida la condicin optima, se
observa que alguna variable No bsica,
tiene un cero (0) en la fila CJ ZJ, quiere
decir que existe otras soluciones que dan el
mismo valor ptimo para la funcin objetivo.
Si se desea se puede hacer otra iteracin
haciendo entrar en la base a la variable que
tiene el 0 en la fila Z, y se obtendr otra
solucin.
22

SOLUCION DEGENERADA
Cuando hay Empate de variables salientes: Se
puede optar por cualquiera de ellas, aunque se
puede entrar en ciclos perpetuos. Para
evitarlos en la medida de lo posible,
discriminaremos a favor de las variables de
decisin haciendo que se queden en la base.
se optar por sacar en caso de empate las
variables artificiales o de holgura.
Puede ocurrir cuando una variable bsica tiene
valor cero.
23

SOLUCIN NO ACOTADA.
Si al intentar buscar la variable que sale de
la base, nos encontramos que toda la
columna pivote tiene todos sus elementos
negativos o nulos. No hay valor ptimo
concreto, ya que al aumentar el valor de las
variables se aumenta sin limite el valor de
la funcin objetivo, y no viola ninguna
restriccin.
24

SIN SOLUCIN
Ocurre cuando en la solucin final
alguna variable bsica es negativa o
cuando hay una variable artificial en la
solucin final.

25

EJEMPLOS
Resolver los siguientes ejercicios y decir que
tipo de solucin presentan.
MAX Z = 30X1 +20X2
S.A.
4X1 + 7X2 180
6X1 + 4X2 240
X1 +
X2 42
X1 , X2 0
MAX Z = 15X1 +20X2
S.A.
2X1 + 3X2 24
5X1 + 2X2 16
X1 , X2 0
26

MAX Z = 60X1 +45X2

S.A.
6X1 + 9X2 70
7X1 + 3X2 40
X 1 , X2 0
MAX Z = 5X1 + 9X2
S.A.
2X1 + X2 1000
4X1 + 7X2 700
X 1 , X2 0

27

CASOS ESPECIALES DE P.L.

Problemas De Minimizacin
Recursos Negativos
Variables No Positivas
Restricciones en forma de Igualdad
Restricciones de la forma

28

CASO: Minimizar.
Si un problema es de la forma MIN Z =.
Este caso se puede resolver de dos
maneras:
Se puede resolver directamente, solo que para

detenerlo (Optimo) se hace cuando todos los

Cj Zj 0.
Se puede convertir en un problema de
maximizacin, multiplicando la funcin objetivo
por -1. La solucin final se reconvierte a su
situacin original.
29

CASO: Recursos Negativos

Si alguna restriccin es de la
forma: x + y =-b, se procede as:
Se multiplica la restriccin por -1.
Se agregan las variables de holgura

necesarias
y
normalmente .

se

resuelve

30

CASO: Variables no Positivas

Pueden darse dos posibilidades:
Variable Negativa.
En este caso primero se cambia por una Positiva

equivalente a la anterior multiplicada por -1.

Se resuelve el problema con la nueva variable.
Al finalizar se hace el cambio correspondiente.

31

Variable Irrestricta en Signo

Ocurre cuando la variable pude tomar
cualquier valor real.
En este caso se cambia la variable por la
diferencia entre dos variables positivas las
que se introducen en el modelo y se
resuelve normalmente, al finalizar se
reconvierte.

32

CASO: Restricciones con igualdad (=).

Se agrega una variable Artificial.
CASO: Restricciones de la forma ().
Se resta una Superflua (S) y se suma una
Artificial (A).
Cuando se agrega una variable artificial el
problema se puede resolver de dos maneras:
Mtodo de la Gran M
Mtodo de las dos Fases

33

EL MTODO DE LA GRAN M
Problemas de Maximizacin: Se coloca en la

Funcin Objetivo el termino MA, donde M en

un nmero lo suficientemente grande () para
garantizar que A debe ser cero en la Solucin
final, de lo contrario se hace Minino.
Problemas de Minimizacin: se coloca el
termino +MA, para garantizar que sea mnimo.

34

EL METODO DE LAS DOS FASES

Cuando aparecen variables artificiales, para
no usar la gran M, se emplean dos Fases
as:
FASE 1: Minimizar Z = Ai , hasta que Z=0. O

sea, se eliminan la variables artificiales.

FASE 2: Se encuentra la solucin Optima para
el problema Real ( Z= ai Xi), partiendo del
tablero final de la fase 1, eliminando de ste las
Variables Artificiales.

35

EJERCICIOS DE APLICACIN
Resolver el Siguiente Caso:
Min Z = 50 X1 +40X2 + 65X3

S.A.

3X1 - 5X2 - 6X3 -2000

8X1 + 3X2 + 2X3 500
3X1 + 9X2 + 16X3 = 1000
X1 , X2 0 ; X3 Irrestricta.

El procedimiento de solucin es:

36

1.
2.
3.
4.
5.
6.

Convertir en un problema de Maximizacin.

Eliminar los recursos negativos
Agregar las variables de holgura
Cambiar las variables no Positivas, en este
caso la irrestricta.
Aplicar el mtodo Simplex.
Reconversin al problema Original.
El modelo estndar queda: Sin cambiar las
variables
37

Max -Z = -50 X1 - 40X2 - 65X3

S.A.

-3X1 + 5X2 + 6X3 + H1

8X1 + 3X2 + 2X3

= 2000
+S1 +A1

3X1 + 9X2 + 16X3

= 500

+A2 =1000

X1 , X2 0 ; X3 Irrestricta
Hacemos X3= X4 X5
Donde: X4 , X5 > 0
El Modelo usando la gran M, queda:

38

Max-Z= -50 X1-40X2-65X4+65X5+0H1 +0S1 -MA1-MA2

S.A.

-3X1 +5X2 + 6X4 - 6X5 +H1

8X1 +3X2 + 2X4 - 2X5

= 2000
+S1 +A1

3X1 +9X2 + 16X4 - 16X5

= 500

+A2 =1000

X1 , X2 , X4 , X5 0
Donde : X3 = X4 - X5

X4 , X5 0

Y el tablero Simplex inicial es:

39

Tablero Inicial

CB

cj

-50

-40

-65

65

-M -M

XB

X1

X2

X4

X5

S1

A1

A2

H1

-3

-6

2000

-M

A1

-2

-1

500

-M

A2

16

-16

1000

ZJ

-11M

-12M

-18M

18M

-M -M

CJ -ZJ

11M-50

12M-40

18M-65

65-18M

-M

C
M

1500M

0
40

MTODO DE LAS DOS FASES

Este mtodo elimina el uso de la M y
resuelve el problema en dos fases. En la
fase I se utiliza el algoritmo simplex para
suministrar a la fase II una forma factible de
partida. Es decir, el producto final de la
Fase I es una solucin bsica factible (en
caso de que exista), en forma tpica, para
iniciar la Fase II del mtodo. Los pasos de
cada fase son los siguientes:
41

Fase
I
1. Utilice el algoritmo simplex para obtener la
minimizacin de la suma de las variables
artificiales, sujeta a las mismas restricciones del
problema original, independientemente de si
este problema original es de maximizacin o
minimizacin.
2. Si la suma de las variables artificiales, Ai, es
mayor que cero, entonces no existe una
solucin bsica factible y se termina el proceso.
Si la suma de las Ai = 0, entonces inicie la Fase
II del algoritmo.
42

Fase II
Utilice la solucin ptima obtenida en la Fase I como
solucin de partida al problema original, remplazando la
funcin objetivo original Z por la de las Ai. Si al final de la
Fase I las variables artificiales son no bsicas, se eliminan
de la Fase II. Si alguna variable artificial es bsica, pero a
un nivel cero, esta variable se mantiene en el conjunto de
variables bsicas, pero debe garantizarse que su valor
nunca ser mayor que cero durante la ejecucin de la F

En resumen: Se sustituyen en el ltimo tablero de la

fase1 los Cj por los originales y se recalcula la solucin:
Se eliminan las variables artificiales del ltimo tablero. Se
Recalculan los Zi y los Cj-Zj, hasta encontrar el optimo.
43

44