En el gráfico siguiente se muestra un recipiente grande con algún refresco y se propone el problema de

obtener exactamente 4 cc. del refresco usando solamente los instrumentos mostrados cuya capacidad en
cc. está indicada. Es posible trasladar el contenido entre recipientes pero no se dispone de ningún instrumento
adicional de medición.
ESTÉ PROBLEMA SE RESUELVE EN 7 PASOS: DESCRIBALO
Describa un algoritmo para llegar a la solución. 1.
2.
3.
4.
5.
6.
7.

Objetivo propuesto: Que el recipiente de 5 cc. contenga 4 cc. del refresco.

Variables

Sean A: Representación del recipiente cuya capacidad es 5 cc.

B: Representación del recipiente cuya capacidad es 3 cc.
C: Representación del recipiente grande con cantidad suficiente de refresco.
 Se tienen 3 recipientes cilíndricos, opacos y sin marcas, de 12, 7, y 5 galones de capacidad. El
recipiente de 12 galones está lleno de combustible. El objetivo es repartir el combustible en dos
partes iguales usando únicamente los tres recipientes. Considere que puede trasladar el
combustible entre recipientes pero no se dispone de algún instrumento de medición.

a) Describa gráficamente el resultado esperado

b) Asigne símbolos a las variables (Representan la cantidad de combustible en cada recipiente)
c) Construya un algoritmo para obtener la solución numerando las instrucciones
d) Ejecute las instrucciones del algoritmo y registre los cambios del contenido de las variables
e) Verifique que el algoritmo produce la solución esperada.
Se tiene una caja con nueve bolas, semejantes en apariencia, entre las cuales hay una más
pesada que las otras ocho. No se sabe cuál es y se trata de hallarla efectuando solamente dos
pesadas en una balanza de dos platillos en equilibrio.

Después de construir el algoritmo puede completar una tabla como la siguiente para verificar el
resultado, en donde a, b, c, d, e, f, g, h, i representan a las nueve bolas.
Tres misioneros y tres caníbales deben atravesar un río en un bote en el
que sólo caben dos personas. Pueden hacer los viajes que quieran,
pero en cada sitio el número de caníbales no debe ser mayor que el de
los misioneros, porque ya podemos suponer que ocurría. El bote no
puede cruzar el río si no hay personas dentro para que lo dirijan.

Sugerencia: Defina los misioneros como M1, M2, M3 y los

caníbales como C1, C2, C3. Las variables R1, R2 son las orillas del río
y B el bote. El contenido de estas variables cambiará mediante las
instrucciones del algoritmo. Después de construir el algoritmo
puede completar una tabla como la siguiente para verificar el
resultado:
El problema consiste en encontrar la secuencia de movimientos o
reglas a aplicar (con un sentido de óptimo o esfuerzo mínimo) que nos
lleve al estado final u objetivo.

Los movimientos se logran desplazando el lugar vacío hacia la derecha,

izquierda, arriba y abajo respectivamente.
shows a flat square plate with its sides held at constant temperatures.
Find the temperature at each node x 1 , x 2 , x 3 , and x 4 . Each dot
represents a node, and the temperature at each node is assumed to be
given by the average temperatures of adjacent nodes.

Flat square plate with heat transfer.

Solución
The feasible region lies within the unshaded area of Figure 7.1 defined by the intersections of the half spaces satisfying the linear inequalities.
The numbered points are called extreme points, corner points, or vertices of this set. If the constraints are linear, only a finite number of
vertices exist.
La región factible se encuentra dentro del área no sombreada de la Figura 7.1 definido por las intersecciones de los espacios medios que
satisfacen las desigualdades lineales. Los puntos numerados se llaman puntos extremos, puntos de esquina o vértices de este conjunto. Si las
restricciones son lineales, solo existe un número finito de vértices.

Contours of constant value of the objective function f are defined by the linear equation
Los contornos del valor constante de la función objetivo f se definen por la ecuación lineal
As c varies, the contour is moved parallel to itself. The maximum value of f is the largest c for which the line has at least one point in common
with the constraint set.
Como c varía, el contorno se mueve paralelo a sí mismo. El valor máximo de f es la c más grande para la cual la línea tiene al menos un punto
en común con el conjunto de restricciones.
• For Figure 7.1, this point occurs for c = 5, and the optimal values of x are x1 = 0.5, x2 = 1.5. Note that the maximum value occurs at a
vertex of the constraint set. If the problem seeks to minirnize f, the minimum is at the origin, which is again a vertex. If the objective
function were f = 2x1 + 2x2, the line f = Constant would be parallel to one of the constraint boundaries, x1 + x2 = 2. In this case the
maximum occurs at two extreme points, (x1 = 0.5, x2 = 1.5) and (x1 = 2, x2 = 0) and, in fact, also occurs at all points on the, line segment
joining these vertices.
• Para la Figura 7.1, este punto ocurre para c = 5, y los valores óptimos de x son x1 = 0.5, x2 = 1.5. Tenga en cuenta que el valor máximo se
produce en un vértice del conjunto de restricciones. Si el problema busca minirnizar f, el mínimo está en el origen, que es nuevamente un
vértice. Si la función objetivo fuera f = 2x1 + 2x2, la línea f = Constante sería paralela a uno de los límites de restricción, x1 + x2 = 2. En este
caso, el máximo ocurre en dos puntos extremos (x1 = 0.5, x2 = 1.5) y (x1 = 2, x2 = 0) y, de hecho, también ocurre en todos los puntos del
segmento de línea que une estos vértices.
• Two additional cases can exist. First, if the constraint x1 + x2< 2 had been removed, the feasible region would appear as in Figure 7.2, that
is, the set would be unbounded. Then max f is also unbounded because f can be made as large as desired subject to the constraints.
Second, at the opposite extreme, the constraint set could be empty, as in the case where x1 + x2<2 is replaced by x1 + x2<-1. Thus an LP
problem may have (1) no solution, (2) an unbounded solution, (3) a single optimal solution, or (4) an infinite number of optimal solutions.
The methods to be developed deal with all these possibilities.
• Dos casos adicionales pueden existir. Primero, si la restricción x1 + x2 <2 hubiera sido eliminado, la región factible aparecería como en la
Figura 7.2, es decir, el conjunto sería ilimitado. Entonces max f también es ilimitado porque f puede hacerse tan grande como se desee
sujeto a las restricciones. En segundo lugar, en el extremo opuesto, el conjunto de restricciones podría estar vacío, como en el caso en que
x1 + x2 <2 se reemplaza por x1 + x2 <-1. Por lo tanto, un problema LP puede tener (1) ninguna solución, (2) una solución ilimitada, (3) una
única solución óptima o (4) un número infinito de soluciones óptimas. Los métodos a desarrollar se refieren a todas estas posibilidades.
• The fact that the extremum of a linear program always occurs at a vertex of the feasible region is the single most important property of
linear programs. It is true for any number of variables (i.e., more than two dimensions) and forms the basis for the simplex method for
solving linear programs (not to be confused with the simplex method discussed in Section 6.1.4).
• El hecho de que el extremo de un programa lineal siempre se produce en un vértice de la La región factible es la propiedad individual más
importante de los programas lineales. Es cierto para cualquier cantidad de variables (es decir, más de dos dimensiones) y forma la base para
el método símplex para resolver programas lineales (que no debe confundirse con el método símplex discutido en la Sección 6.1.4).
• Of course, for many variables the geometrical ideas used here cannot be visualized, and therefore the extreme points must be characterized
algebraically. This is done in the next two sections, in which the problem is placed in standard form and the basic results of linear
programming are stated.
• Por supuesto, para muchas variables, las ideas geométricas utilizadas aquí no se pueden visualizar y, por lo tanto, los puntos extremos
deben caracterizarse algebraicamente. Esto se hace en las siguientes dos secciones, en las cuales el problema se coloca en forma estándar y
se establecen los resultados básicos de la programación lineal.
• where cj are the n objective function coefficients, a, and bi are parameters in the m linear equality constraints, and i, and u, are lower and
upper bounds with I, 5 uj. Both i, and u, may be positive or negative. In matrix form, this problem is
• donde cj son los n coeficientes de la función objetivo, a, y bi son parámetros en el m restricciones lineales de igualdad, y yo, y u, son límites
inferiores y superiores con I, 5 uj. Tanto yo como tú podemos ser positivos o negativos. En forma de matriz, este problema es
• A is an m X n matrix whose (i, j) element is the constraint coefficient a,, and c, b, .

• 1, u are vectors whose components are c,, b,, i,,.uj, respectively. If any of the Equa-

• tions (7.7) were redundant, that is, linear combinations of the others, they could be

• deleted without changing any solutions of the system. If there is no solution, or if

• there is only one solution for Equation (7.7), there can be no optimization. Thus the 226 PART I1 : Optimization Theory and Methods

• case of greatest interest is where the system of equations (7.7) has more unknowns

• than equations and has at least two and potentially an infinite number of solutions.

• This occurs if and only if

• and

• We assume these conditions are true in what follows. The problem of linear pro-

• gramming is to first detect whether solutions exist, and, if so, to find one yielding

• the minimum f.

• Note that all the constraints in Equation (7.4) are equalities. It is necessary to

• place the problem in this form to solve it most easily (equations are easier to work

• with here than inequalities). If the original system is not of this form, it may easily

• be transformed by use of so-called slack variables. If a given constraint is an

• inequality, for example,

• A es una matriz m X n cuyo elemento (i, j) es el coeficiente de restricción a ,, y c, b,.

• 1, u son vectores cuyos componentes son c ,, b ,, i ,, uj, respectivamente. Si alguno de los Equa-

• ciones (7.7) eran redundantes, es decir, combinaciones lineales de las otras, podrían ser

• eliminado sin cambiar ninguna solución del sistema. Si no hay solución, o si

• solo hay una solución para la Ecuación (7.7), no puede haber optimización. Así, la 226 PARTE I1: Teoría y Métodos de Optimización

• caso de mayor interés es donde el sistema de ecuaciones (7.7) tiene más incógnitas

• que las ecuaciones y tiene al menos dos y potencialmente un número infinito de soluciones.

• Esto ocurre si y solo si

• y

• Suponemos que estas condiciones son verdaderas en lo que sigue. El problema de los programas lineales

• la gramática consiste en detectar primero si existen soluciones y, de ser así, buscar una solución

• el mínimo f.
• then define a slack variable
• luego define una variable de holgura

• and the inequality becomes an equality. Similarly, if the inequality is

• y la desigualdad se convierte en una igualdad. Del mismo modo, si la desigualdad es

• Note that the slacks must be nonnegative to guarantee that the inequalities are satisfied.
• Tenga en cuenta que los pantalones no deben ser negativos para garantizar que se cumplan las desigualdades.

• such that
• Tal que
Programación lineal
• Considere el problema:

• La región factible se encuentra dentro del área no sombreada de la

Figura definido por las intersecciones de los espacios medios que
satisfacen las desigualdades lineales. Los puntos numerados se llaman
puntos extremos, puntos de esquina o vértices de este conjunto. Si
las restricciones son lineales, solo existe un número finito de vértices.
• Los contornos del valor constante de la función objetivo f se definen por la
ecuación lineal

• Como c varía, el contorno se mueve paralelo a sí mismo. El valor máximo

de f es la c más grande para la cual la línea tiene al menos un punto en
común con el conjunto de restricciones.

• Por lo tanto, un problema LP puede tener (1) ninguna solución, (2) una
solución ilimitada, (3) una única solución óptima o (4) un número infinito
de soluciones óptimas. Los métodos a desarrollar se refieren a todas estas
posibilidades.
 Tarea: programación lineal
Una refinería tiene dos crudos disponibles que tienen los rendimientos que
se muestran en la siguiente tabla. Debido a las limitaciones de equipo y
almacenamiento, la producción de gasolina, keroseno y fuel oil debe ser
limitada, como también se muestra en esta tabla.
No existen limitaciones de plantas para la producción de otros productos
como los aceites de gas.
La ganancia en procesar crudo # 1 es $l.OO/bbl y en crudo # 2 es $0.70/ bbl.
Encuentre las tasas de alimentación diarias óptimas aproximadas de los dos
crudos a esta planta a través de un método gráfico.
 Rendimiento porcentual por Tasa de
volumen producto
máxima
permitida
(bbl/dia)
Crudo 1 Crudo 2
Gasolina 70 31 6,000
Queroseno 6 9 2,400
Fuel oil 24 60 12,000
The simplex method is a two-phase procedure for finding an optimal solution to LP
problems. Phase 1 finds an initial basic feasible solution if one exists or gives the information that one does not
exist (in which case the constraints are inconsistent and the problem has no solution). Phase 2 uses this
solution as a starting point and either (1) finds a minimizing solution or (2) yields the information that the
minimum is unbounded (i.e., -m). Both phases use the simplex algorithm described here. In initiating the
simplex algorithm, we treat the objective function
El método simplex es un procedimiento de dos fases para encontrar una solución óptima para LP problemas.
La fase 1 encuentra una solución factible inicial básica si existe o proporciona la información de que no existe
(en cuyo caso las restricciones son inconsistentes
y el problema no tiene solución).
La fase 2 usa esta solución como punto de partida y (1) encuentra una solución de minimización o (2)
proporciona la información de que el mínimo no tiene límites (es decir, -m). Ambas fases usan el algoritmo
simplex que se describe aquí.
Al iniciar el algoritmo simplex, tratamos la función objetivo
• as just another equation, that is,
• como solo otra ecuación, es decir,
• which we include in the set to form an augmented system of equations. The simplex
algorithm is always initiated with this augmented system in canonical form. The basic
variables are some m of the x's, which we renumber to make the first m, that is, x1 . . .
xm and -f. The problem can then be stated as follows. Find values of x1 r 0, x2 r 0, . . . , x,
2 0 and rnin f satisfying.
• que incluimos en el conjunto para formar un sistema aumentado de ecuaciones.
• El algoritmo simplex siempre se inicia con este sistema aumentado en forma canónica.
• Las variables básicas son algunas m de las x, que renumeramos para hacer la primera m,
• es decir, x1. . . xm y -f. El problema puede entonces enunciarse de la siguiente manera.
• Encuentre valores de x1 r 0, x2 r 0,. . . , x, 2 0 y rnin f satisfactorio
• In this canonical form the basic solution is
• En esta forma canónica, la solución básica es
• We assume that this basic solution is feasible, that is,
• Suponemos que esta solución básica es factible, es decir,
• The workings of phases 1 and 2 guarantee that this assumption is always satisfied. If Equation (7.14) holds, we say that the linear
programming problem is in feasible canonical form.
• El funcionamiento de las fases 1 y 2 garantiza que esta suposición siempre se cumple. Si se cumple la ecuación (7.14), decimos
que el problema de programación lineal es en forma canónica factible.
• Test for optimality
• Prueba de optimalidad
• If the problem is in feasible canonical form, we have a vertex directly at hand, represented by the basic feasible solution (7.13). But
the form provides even more valuable information. By merely glancing at the numbers Fj, j = rn + 1, . . . , n, you can tell if this
extreme point is optimal and, if not, you can move to a better one. Consider first the optimality test, given by the following result.
• Si el problema está en forma canónica factible, tenemos un vértice directamente a mano, representada por la solución factible
básica (7.13). Pero la forma proporciona aún más Información valiosa. Simplemente echando un vistazo a los números Fj, j = rn +
1,. . . , n, puedes decir si este punto extremo es óptimo y, si no, puedes pasar a uno mejor. Considere primero la prueba de
optimalidad, dada por el siguiente resultado.
• \
RESULT 3. A basic feasible solution is a minimal feasible solution with total - - cost 5 if all constants 2, + ,, c, + ,, . . . , c, are nonnegative, that is, if
RESULTADO 3. Una solución factible básica es una solución factible mínima con total - -cuesta 5 si todas las constantes 2, + ,, c, + ,,. . . , c, son no negativos, es decir, si
The 5 are called reduced costs.
Los 5 se llaman costos reducidos.
The proof of this result involves writing the previous equation as
La prueba de este resultado implica escribir la ecuación anterior como
Because the variables x,,, . . . x, are presently zero and are constrained to be nonnegative, the only way any one of them can change is for it to become positive. But if 2, 2 0 for j =
rn + 1, . . . , n, then increasing any xj cannot decrease the objective function f because then Fjxj 2 0.
Because no feasible change in the nonbasic variables can cause f to decrease, the present solution must be optimal. The reduced costs also indicate if there are multiple optima. Let
all Zj 2 0 and let 7, = 0 for some nonbasic variable x,. Then, if the constraints allow that variable to be made positive, no change in f results, and there are multiple optima. It is
possible, however, that the variable may not be allowed by the constraints to become positive; this may occur in the case of degenerate solutions. We consider the effects of
degeneracy later.
A corollary to these results is the following:
Porque las variables x ,,,. . . x, son actualmente cero y están obligados a ser no negativo, la única forma en que cualquiera de ellos puede cambiar es que se vuelva positivo. Pero si 2, 2
0 para j = rn + 1,. . . , n, luego aumentar cualquier xj no puede disminuir el
función objetivo f porque entonces Fjxj 2 0. Debido a que ningún cambio factible en las variables no básicas puede causar que f disminuya, la presente solución debe ser óptima. Los
costos reducidos también indican si hay múltiples óptimos. Deje que todos los Zj 2 0 y deje 7, = 0 para alguna variable no básica x ,. Entonces, si las restricciones permiten que esa
variable se haga positiva, no se producen cambios en f, y hay múltiples óptimas.
Sin embargo, es posible que las restricciones no permitan la variable ser positivo; esto puede ocurrir en el caso de soluciones degeneradas. Consideramos los efectos de la
degeneración más adelante. Un corolario de estos resultados es el siguiente:
• RESULT 4. A basic feasible solution is the unique minimal feasible
solution if cj > 0 for all nonbasic variables. Of course, if some Zj < 0
• then f can be decreased by increasing the corresponding xj, SO the
present solution is probably nonoptimal. Thus we must consider
means of improving a nonoptimal solution.
• RESULTADO 4. Una solución factible básica es la única solución
factible mínima si cj> 0 para todas las variables no básicas. Por
supuesto, si algunos Zj <0 entonces f puede disminuirse aumentando
el correspondiente xj, entonces la solución actual probablemente no
sea óptima. Por lo tanto, debemos considerar medios para mejorar
una solución no óptima.
Consider the problem of minimizing f, where
Considere el problema de minimizar f, donde

We show how the canonical form can be used to improve a nonoptimal basic feasible solution.
Assume that we know that x,, x,, -f can be used as basic variables and that the basic solution will
be feasible. We can thus reduce system (7.16) to feasible canonical form by pivoting successively on
the terms x5 (first equation) and x, (second equation) (-f already appears in the correct way). This
yields
Mostramos cómo se puede utilizar la forma canónica para mejorar un objetivo básico no óptimo ble
solución. Supongamos que sabemos que x ,, x ,, -f se puede usar como variables básicas y que el
la solución básica será factible. Así podemos reducir el sistema (7.16) a una forma canónica factible
girando sucesivamente sobre los términos x5 (primera ecuación) yx, (segunda ecuación) (-f ya
aparece en la forma correcta). Esto rinde
The circled term will be explained soon. The basic feasible solution is
El término en un círculo será explicado pronto. La solución básica factible es

Note that an arbitrary pair of variables does not necessarily yield a basic
solution to Equation (7.16) that is feasible. For example, had the variables x,
and x, been chosen as basic variables, the basic solution would have been
Tenga en cuenta que un par de variables arbitrarias no arroja ecesariamente
una solución básica a la ecuación (7.16) que es factible. Por ejemplo, si las
variables x, y x, se hubieran elegido como variables básicas, la solución
básica habría sido
which is not feasible, because x, and x2 are negative.
For the original basic feasible solution, one reduced cost is negative, namely - c3 = -
24.
The optimality test of relations (7.15) thus fails. Furthermore, if x, is increased from
its present value of zero (with all other nonbasic variables remaining zero), f must
decrease because, by the third equation of (7.18), f is then related to x, by
que no es factible, porque x y x2 son negativos.
Para la solución factible básica original, un costo reducido es negativo, es decir:
c3 = -24. La prueba de optimalidad de las relaciones (7.15) falla así. Además, si x, se
incrementa desde su valor actual de cero (con todas las demás variables no básicas
restantes siendo cero), f debe disminuir porque, en la tercera ecuación de (7.18), f
se relaciona con x, por
How large should x, become? It is reasonable to make it as large as
possible, because the larger the value of x,, the smaller the value off. The
constraints place a limit on the maximum value x, can attain, however. Note
that, if x2 = x4 = 0, relations (7.18) state that the basic variables x,, x5 are
related to x, by
¿Qué tan grande debe ser x? Es razonable hacerlo lo más grande posible,
porque cuanto mayor sea el valor de x ,, menor será el valor desactivado. El
lugar de las restricciones un límite en el valor máximo x, puede alcanzar, sin
embargo. Tenga en cuenta que, si x2 = x4 = 0, relaciones (7.18) afirman que
las variables básicas x ,, x5 están relacionadas con x, por
Thus as x3 increases, x, and x, decrease, and they cannot be allowed to
become negative. In fact, as x3 reaches 1.5, x, becomes 0 and as x3
reaches 1.667, x, becomes 0. By that time, however, x, is already
negative, so the largest value x3 can attain is
Por lo tanto, a medida que x3 aumenta, x y x disminuyen, y no se les
puede permitir que se vuelvan negativos. De hecho, cuando x3 alcanza
1.5, x, se convierte en 0 y cuando x3 alcanza 1.667, x, se convierte en 0.
En ese momento, sin embargo, x, ya es negativo, por lo que el mayor
valor x3 puede alcanzar es
Substituting this value into Equations (7.21) and (7.22) yields a new basic feasible solution with lower cost:
Al sustituir este valor en Ecuaciones (7.21) y (7.22), se obtiene una nueva solución básica factible con un costo menor:
This solution reduces f from 28 to - 8. The immediate objective is to see if it is opti-
mal.
This can be done if the system can be placed into feasible canonical form with
x,, x,, -f as basic variables.
That is, x, must replace x, as a basic variable. One reason that the simplex method is efficient is that this replacement can be
accomplished by doing one pivot transformation. Previously x, had a coefficient of unity in the second equation of (7.18) and zero
elsewhere. We now wish x, to have this property, and this can be accomplished by pivoting on the term 2x3, circled in the second
equation of (7.18). This causes x, to become basic and x, to become nonbasic, as is seen here:
Esta solución reduce f de 28 a 8. El objetivo inmediato es ver si es opti-
mal.
Esto se puede hacer si el sistema se puede colocar en forma canónica factible con x ,, x ,, -f como variables básicas. Es decir, x, debe
reemplazar x, como una variable básica. Una razón por la cual el método símplex es eficiente es que este reemplazo se puede lograr
haciendo una transformación de pivote. Anteriormente x, tenía un coeficiente de unidad en la segunda ecuación de (7.18) y cero en
otro lugar. Ahora deseamos x, tener esta propiedad, y esto se puede lograr girando sobre el término 2x3, marcado con un círculo en la
segunda ecuación de (7.18). Esto causa x, volverse básico yx, volverse no básico, como se ve aquí:
This gives the basic feasible solution (7.24), as predicted. It also indicates
that the present solution although better, is still not optimal, because Z2,
the coefficient of x2 in the f equation, is - 1. Thus we can again obtain a
better solution by increase ing x2 while keeping all other nonbasic variables
at zero. From Equation (7.25), the current basic variables are then related to
x2 by
Esto proporciona la solución básica factible (7.24), como se predijo. También
indica que el solución presente aunque mejor, todavía no es óptima, porque
Z2, el coeficiente de x2 en la ecuación f, es - 1. Así, podemos volver a obtener
una mejor solución aumentando ing x2 mientras mantiene todas las demás
variables no básicas en cero. De la ecuación (7.25), la las variables básicas
actuales están relacionadas a x2 por
Note that the second equation places no bound on the increase of x2,
but the first equation restricts x, to a maximum of 0.5 1 0.875 = 0.57 1,
which reduces x, to zero. As before, we obtain a new feasible
canonical form by pivoting, this time using 0 . 8 7 5 ~ ~ in the first
equation of (7.25) as the pivot term. This yields the system
Tenga en cuenta que la segunda ecuación no establece ningún límite en
el aumento de x2, pero el primero la ecuación restringe x, a un máximo
de 0.5 1 0.875 = 0.57 1, que reduce x, a cero. Como antes, obtenemos
una nueva forma canónica factible pivotando, esta vez usando 0. 8 7 5
~ ~ en la primera ecuación de (7.25) como el término de pivote. Esto
produce el sistema
and the basic feasible solution
y la solución básica factible
Because all reduced costs for the nonbasic variables are positive, this
solution is the unique minimal solution of the problem, by the corollary
of the previous section. The optimum has been reached in two
iterations.
Como todos los costos reducidos para las variables no básicas son
positivos, esta solución es la única solución mínima del problema, por
el corolario de la sección anterior. El óptimo se ha alcanzado en dos
iteraciones.
A confectioner manufactures two kinds of candy bars: Ergies (packed with
energy for the kiddies) and Nergies (the "lo-cal" nugget for weight watchers
without willpower). Ergies sell at a profit of 50# per box, and Nergies have a
profit of 60# per box. The candy is processed in three main operations:
blending, cooking, and packaging. The following tableerecords the average
time in minutes required by each box of candy, for each of the three
activities.
Un pastelero fabrica dos tipos de barras de dulce:
Ergies (lleno de energía para los niños) y Nergies (la pepita "lo-cal" para los
vigilantes del peso sin fuerza de voluntad). Las Ergies se venden a una
ganancia de 50 # por caja, y las Nergies tienen un beneficio de 60 # por caja.
El dulce se procesa en tres operaciones principales: mezcla, cocción y
envasado. La siguiente tabla registra el tiempo promedio en minutos
requerido por cada caja de dulces, para cada una de las tres actividades.
• Blending
• Cooking
• Packing
• Mezcla
• Cocina
• Embalaje
During each production run, the blending equipment is available for a maximum of
14 machine hours, the cooking equipment for at most 40 machine hours, and the
packag- ing equipment for at most 15 machine hours. If each machine can be
allocated to the making of either type of candy at all times that it is available for
production, determine how many boxes of each kind of candy the confectioner
should make to realize the maximum profit. Use a graphical technique for the two
variables.

Durante cada ejecución de producción, el equipo de mezcla está disponible para un

máximo de 14 horas de máquina, el equipo de cocina para un máximo de 40 horas
de máquina y el equipo de empaque para un máximo de 15 horas de máquina. Si
cada máquina se puede asignar a la fabricación de cualquier tipo de caramelo en
todo momento que esté disponible para la producción, determine cuántas cajas de
cada tipo de caramelo debe hacer el confitero para obtener el máximo beneficio.
Usa una técnica gráfica para las dos variables.
Problema
Un pastelero fabrica dos tipos de barras de dulce: Ergies (lleno de energía para los
niños) y Nergies (la pepita "lo-cal" para los vigilantes del peso sin fuerza de
voluntad). Las Ergies se venden a una ganancia de 50 centavos por caja, y las
Nergies tienen un beneficio de 60 centavos por caja. El dulce se procesa en tres
operaciones principales: mezcla, cocción y envasado. La siguiente tabla registra el
tiempo promedio en minutos requerido por cada caja de dulces, para cada una de
las tres actividades.
mezcla Cocción Envasado
Ergies 1 5 3
Nergies 2 4 1

Durante cada ejecución de producción, el equipo de mezcla está disponible para un

máximo de 14 horas de máquina, el equipo de cocina para un máximo de 40 horas
de máquina y el equipo de empaque para un máximo de 15 horas de máquina. Si
cada máquina se puede asignar a la fabricación de cualquier tipo de caramelo en
todo momento que esté disponible para la producción, determine cuántas cajas de
cada tipo de caramelo debe hacer el confitero para obtener el máximo beneficio.
Usa una técnica gráfica para las dos variables.
• Prepare una grafica de las restricciones y función objetivo, y
resuelva el siguiente problema de programación lineal.
Método simplex
El método simplex es un procedimiento de dos fases para encontrar
una solución óptima para LP problemas. La fase 1 encuentra una
solución factible inicial básica si existe o proporciona la información de
que no existe (en cuyo caso las restricciones son inconsistentes y el
problema no tiene solución).
La fase 2 usa esta solución como punto de partida y (1) encuentra una
solución de minimización o (2) proporciona la información de que el
mínimo no tiene límites (es decir, -∞). Ambas fases usan el algoritmo
simplex que se describe aquí.
Al iniciar el algoritmo simplex, tratamos la función objetivo
como solo otra ecuación, es decir,

que incluimos en el conjunto para formar un sistema aumentado de

ecuaciones. El algoritmo simplex siempre se inicia con este sistema
aumentado en forma canónica. Las variables básicas son algunas m de
las x, que renumeramos para hacer la primera m, es decir, x1. . . xm y -f.
El problema puede entonces enunciarse de la siguiente manera.
Encuentre valores de x1≥0, x2≥0,. . . , xn ≥ 0 y min f satisfaciendo:
En esta forma canónica, la solución básica es

Suponemos que esta solución básica es factible, es decir,

El funcionamiento de las fases 1 y 2 garantiza que esta suposición

siempre se cumple. Si se cumple la ecuación (7.14), decimos que el
problema de programación lineal es en forma canónica factible.
Prueba de optimalidad

Si el problema está en forma canónica factible, tenemos un vértice

directamente a mano, representada por la solución factible básica
(7.13). Pero la forma proporciona aún más Información valiosa.
Simplemente echando un vistazo a los números, puedes
decir si este punto extremo es óptimo y, si no, puedes pasar a uno
mejor. Considere primero la prueba de optimalidad, dada por el
siguiente resultado.
RESULTADO 3. Una solución factible básica es una solución factible
mínima con costo total si todas las constantes , son no
negativos, es decir, si

Los se llaman costos reducidos.

La prueba de este resultado implica escribir la ecuación anterior como

Porque las variables son actualmente cero y están obligados a

ser no negativo, la única forma en que cualquiera de ellos puede
cambiar es que se vuelva positivo. Pero si luego
aumentar cualquier xj no puede disminuir el función objetivo f porque
entonces . Debido a que ningún cambio factible en las variables
no básicas puede causar que f disminuya, la presente solución debe ser
óptima.
Los costos reducidos también indican si hay múltiples óptimos. Deje
y deje para alguna variable no básica xk.
Entonces, si las restricciones permiten que esa variable se haga
positiva, no se producen cambios en f, y hay múltiples óptimas.
Sin embargo, es posible que las restricciones no permitan la variable
ser positivo; esto puede ocurrir en el caso de soluciones degeneradas.
Consideramos los efectos de la degeneración más adelante. Un
corolario de estos resultados es el siguiente:
RESULTADO 4. Una solución factible básica es la única solución factible
mínima si para todas las variables no básicas.
Por supuesto, si algunos entonces f puede disminuirse
aumentando el correspondiente xj, entonces la solución actual
probablemente no sea óptima. Por lo tanto, debemos considerar
medios para mejorar una solución no óptima.
Ejemplo: Considere el problema de minimizar f, donde

Mostramos cómo se puede usar la forma canónica para mejorar una

solución factible básica no óptima.
Supongamos que sabemos que x5 , x1 , -f se puede usar como variables
básicas y que el la solución básica será factible. Así podemos reducir el
sistema (7.16) a una forma canónica factible girando sucesivamente
sobre los términos x5 (primera ecuación) y x1, (segunda ecuación) (-f ya
aparece en la forma correcta). Esto rinde
El término en un círculo será explicado pronto. La solución básica
factible es

Tenga en cuenta que un par de variables arbitrarias no arroja

necesariamente una solución básica a la ecuación (7.16) que es
factible. Por ejemplo, si las variables x1, y x2, se hubieran elegido como
variables básicas, la solución básica habría sido

que no es factible, porque x1 y x2 son negativos.

Para la solución factible básica original, un costo reducido es negativo,
es decir:
La prueba de optimalidad de las relaciones (7.15) falla así. Además, si
x3, se incrementa desde su valor actual de cero (con todas las demás
variables no básicas restantes siendo cero), f debe disminuir porque, en
la tercera ecuación de (7.18), f se relaciona con x3, por
¿Qué tan grande debe ser x3? Es razonable hacerlo lo más grande
posible, porque cuanto mayor sea el valor de x3, menor será el valor de
f. El lugar de las restricciones un límite en el valor máximo x3, puede
alcanzar, sin embargo. Tenga en cuenta que, si x2 = x4 = 0, las
relaciones (7.18) afirman que las variables básicas x1 , x5 están
relacionadas con x3, por
Por lo tanto, a medida que x3 aumenta, x1 y x5 disminuyen, y no se les
puede permitir que se vuelvan negativos. De hecho, cuando x3 alcanza
1.5, x1 se convierte en 0 y cuando x3 alcanza 1.667, x5 se convierte en
0.
En ese momento, sin embargo, x1 ya es negativo, por lo que el mayor
valor x3 puede alcanzar es

Al sustituir este valor en Ecuaciones (7.21) y (7.22), se obtiene una

nueva solución básica factible con un costo menor:
Esta solución reduce f de 28 a 8. El objetivo inmediato es ver si es optima.
Esto se puede hacer si el sistema se puede colocar en forma canónica factible
con x5 , x3 , -f como variables básicas. Es decir, x3, debe reemplazar x1 como
una variable básica. Una razón por la cual el método símplex es eficiente es
que este reemplazo se puede lograr haciendo una transformación de pivote.
Anteriormente x1, tenía un coeficiente de unidad en la segunda ecuación de
(7.18) y cero en otro lugar. Ahora deseamos x3, tener esta propiedad, y esto
se puede lograr girando sobre el término 2x3, marcado con un círculo en la
segunda ecuación de (7.18). Esto causa x3, volverse básico y x1, volverse no
básico, como se ve aquí:
Esto proporciona la solución básica factible (7.24), como se predijo.
También indica que el solución presente aunque mejor, todavía no es
óptima, porque , el coeficiente de x2 en la ecuación f, es - 1. Así,
podemos volver a obtener una mejor solución aumentando x2
mientras mantiene todas las demás variables no básicas en cero. De la
ecuación (7.25), la las variables básicas actuales están relacionadas a x2
por
Tenga en cuenta que la segunda ecuación no establece ningún límite en
el aumento de x2, pero la primera ecuación restringe x2 a un máximo
de 0.5/0.875 = 0.571, que reduce x5 a cero.
Como antes, obtenemos una nueva forma canónica factible pivotando,
esta vez usando 0.875x2 en la primera ecuación de (7.25) como el
término de pivote. Esto produce el sistema
y la solución básica factible

Como todos los costos reducidos para las variables no básicas son
positivos, esta solución es la única solución mínima del problema, por
el corolario de la sección anterior. El óptimo se ha alcanzado en dos
iteraciones.
Se te dan los siguientes conjuntos de ecuaciones LP:
¿Por qué esta formulación es problemática?
¿Es el problema que lleva a la formulación anterior solucionable?
¿Cómo interpretas este problema geométricamente?
Aplique las reglas simples para minimizar f para la formulación. ¿Es la solución única?
¿Puedes encontrar el mínimo? ¿Por qué o por qué no?

La siguiente figura muestra las restricciones.

Si las variables de holgura x3, x4 y x5 se agregan respectivamente a las restricciones de desigualdad, puede ver en el
diagrama que el origen no es un punto factible, es decir,
no puede iniciar el método simplex dejando x1 = x2 = 0 porque entonces x3 = 20,
x4 = - 5 y x5 = - 33, una violación de la suposición en la programación lineal 'que xi> 0. ¿Qué deberías hacer para aplicar el
método símplex?
al problema que no sea iniciar un procedimiento de fase I para introducir variables artificiales?
Reddy Mikks produce pinturas para interiores y exteriores con dos materias
primas, M1 y M2.
La tabla siguiente proporciona los datos básicos del problema.

Una encuesta de mercado indica que la demanda diaria de pintura para

interiores no puede exceder la de pintura para exteriores en más de una
tonelada. Asimismo, que la demanda diaria máxima de pintura para
interiores es de dos toneladas.

Reddy Mikks se propone determinar la (mejor) combinación óptima de

pinturas para interiores y exteriores que maximice la utilidad diaria total.
Determine
1. Las variables de decisión que pretendemos determinar.

2. La función objetivo (la meta) que necesitamos optimizar (maximizar

o minimizar).

3. Las restricciones que la solución debe satisfacer.

Las variables del modelo
Para el problema de Reddy Mikks necesitamos determinar las
cantidades diarias que se deben producir de pinturas para exteriores e
interiores. Así, las variables del modelo se definen como sigue:

x1 =Toneladas producidas diariamente de pintura para exteriores

x2 =Toneladas producidas diariamente de pintura para interiores
La función objetivo

Utilidad de la pintura para exteriores = 5x1 (en miles de dólares)

Utilidad de la pintura para interiores = 4x2 (en miles de dólares)
Las restricciones
1. Las restricciones de la materia prima

2. La primera restricción en la demanda del producto estipula que la

producción diaria de pintura para interiores no debe exceder a la de
pintura para exteriores en más de 1 tonelada:

3. La segunda restricción limita la demanda diaria de pintura para

interiores a 2 toneladas:
4. Una restricción implícita (o “sobreentendida”) requiere que todas
las variables, x1 y x2, asuman sólo valores positivos o cero.
Método simplex
Se agregan las variables slack

A continuación se expresará la función objetivo como sigue:

De está manera la tabla simplex podría quedar de la siguiente manera

Las iteraciones simplex comienzan en el origen: (x1,x2)= (0,0)

Variables no básicas (cero): (x1,x2)

Variables básicas : (s ,s ,s ,s )
Por lo que con los datos iniciales, se tiene una
primera solución

Recuerde que las variables no básicas (las que no aparecen en la lista básica)
siempre son igual a cero.
¿Es óptima la solución de inicio?
La variable no básica con el coeficiente más positivo en una función
objetivo de maximización, se selecciona para entrar a la solución básica

Para determinar la variable de salida, en forma directa con la tabla, se

calculan las intersecciones, o coordenadas (x1) al origen, de todas las
restricciones con la dirección no negativa del eje x (recuérdese que x1
es la variable de entrada). Esas intersecciones son las razones del lado
derecho de las ecuaciones (columna solución) entre los coeficientes de
restricción correspondientes, debajo de la variable de entrada x1, como
se ve en la siguiente tabla:
La razón no negativa mínima corresponde a s1 básica, y quiere decir
que s1 es la variable de salida (su valor es cero en la nueva iteración).

final de intercambiar las variables de entrada y de salida es que

El resultado
las variables no básicas y básicas en el nuevo punto solución (en el
punto B) son:
Algoritmo método simplex
Cálculos Gauss-Jordan necesarios para obtener la
nueva solución básica son de dos tipos:
Esos cálculos se aplican a la tabla anterior de
la siguiente manera:
La tabla nueva corresponde a la nueva
solución básica (x1,s2,s3,s4) se convierte en :