UNIVERSIDAD NACIONAL DE INGENIERÍA

FACULTAD DE INGENIERÍA GEOLÓGICA, MINERA Y METALÚRGICA

Aplicación del algoritmo SIMPLEX en la

obtención óptima de la producción de una
mina Open Pit
Profesor:
PhD. Agreda Turiarte

Integrantes:
 Cuya Prado Carlos
 Falcon Ascona Alex
 Irribarren Retuerto Luis
 Menzala Villafranca Alejandro
 Segura Rojas Diego
 ¿Qué es el algoritmo SIMPLEX?
El algoritmo Simplex es un procedimiento general para resolver problemas
de programación lineal, desarrollado por George Dantzig en 1947. Este método se emplea
con un proceso interactivo, o sea, que se usa sucesivamente la misma rutina básica de
cálculo, lo que da por resultado una serie de soluciones sucesivas hasta que se encuentra
la mejor.
¿Para qué sirve el algoritmo SIMPLEX?
El algoritmo Simplex nos sirve para resolver problemas de programación lineal en
los que intervienen tres o más variables. Problemas en los que usar el método
gráfico resulta más tedioso.

El algoritmo simplex permite localizar de manera eficiente la óptima

solución entre los puntos extremos de un problema de programación
lineal. Este algoritmo permite transformar el sistema de inecuaciones en un
sistema de igualdades mediante el uso de “variables de holgura”.
 Ventajas
• Es un Método heurístico. Se
basa en consideraciones
geometricas y no requiere
el uso de derivadas de la
función objetivo.
• Es de gran eficiencia
incluso para ajustar gran
número de parámetros.
• Es fácil implementar y usar,
y sin embargo tiene un alta
eficacia.
Desventajas
Converge más lentamente
que otros métodos, pues
requiere más número de
iteraciones.
En el caso de que la función
tenga todas sus variables
básicas positivas, y además
las restricciones sean de
desigualdad "≤", al hacer el
cambio se quedan negativas
y en la fila del valor de la
función objetivo se quedan
positivos, por lo que se
cumple la condición de
parada, y por defecto el valor
óptimo que se obtendría es 0.
 Método Simplex
Condiciones:
 El objetivo consistirá en maximizar o minimizar el valor de la función objetivo
(por ejemplo, incrementar ganancias o reducir pérdidas,
respectivamente).
 Todas las restricciones deben ser ecuaciones de igualdad (identidades
matemáticas).
 Todas las variables (xi) deben tener valor positivo o nulo (condición de no
negatividad).
 Los términos independientes (bi) de cada ecuación deben ser no
negativos.
 Hay que adaptar el problema modelado a la forma estándar para poder
aplicar el algoritmo del Simplex.
 VARIABLES DE HOLGURA Y
ARTIFICIALES
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
 Normalización de las restricciones
Restricción de tipo "≤“
Para normalizar una restricción con una desigualdad del tipo "≤", hay que
añadir una nueva variable, llamada variable de holgura xs (con la condición de
no negatividad: xs ≥ 0). Esta nueva variable aparece con coeficiente cero en la
función objetivo, y sumando en la ecuación correspondiente (que ahora sí será
una identidad matemática o ecuación de igualdad).

𝑎11 . 𝑥1 + 𝑎12 . 𝑥2 ≤ 𝑏1 → 𝑎11 . 𝑥1 + 𝑎12 . 𝑥2 + 𝑥𝑆 = 𝑏1

Restricción de tipo "≥“

En caso de una desigualdad del tipo "≥", también hay que añadir una nueva
variable llamada variable de exceso.
Surge ahora un problema con la condición de no negatividad con esta nueva
variable del problema. Las inecuaciones que contengan una desigualdad de tipo "≥"
quedarían:

𝑎11 · 𝑥1 + 𝑎12 · 𝑥2 ≥ 𝑏1 𝑎11 · 𝑥1 + 𝑎12 · 𝑥2 − 1 · 𝑥𝑠 + 1 · 𝑥𝑟 = 𝑏1

 Restricción de tipo "="
 Al contrario de lo que cabría pensar, para las restricciones de tipo
"=" (aunque ya son identidades) también es necesario agregar
variables artificiales xr. Como en el caso anterior, su coeficiente será
cero en la función objetivo y aparecerá sumando en la restricción
correspondiente.
𝑎11 · 𝑥1 + 𝑎12 · 𝑥2 = 𝑏1 𝑎11 · 𝑥1 + 𝑎12 · 𝑥2 + 1 · 𝑥𝑟 = 𝑏1

Restricción Variables
= +𝑥𝑟 (+A)
≤ +𝑥𝑆 (+S)
≥ − 𝑥𝑠 + 𝑥𝑟 (-S + A)
 Tipo de optimización.
Maximization:
 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.
Minimización:
 Condición de parada: cuando en la fila Z no aparece ningún valor positivo.
 Condición de entrada a la base: el mayor valor positivo en la fila Z 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 negativos.
VARIABLES DE HOLGURA Y EXCESO
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
 Restricción de tipo "≤“
Para normalizar una restricción con una desigualdad del tipo "≤", hay que
añadir una nueva variable, llamada variable de holgura xs (con la condición de
no negatividad: xs ≥ 0). Esta nueva variable aparece con coeficiente cero en la
función objetivo, y sumando en la ecuación correspondiente (que ahora sí será
una identidad matemática o ecuación de igualdad).

𝑎11 . 𝑥1 + 𝑎12 . 𝑥2 ≤ 𝑏1 → 𝑎11 . 𝑥1 + 𝑎12 . 𝑥2 + 𝑥𝑆 = 𝑏1

Restricción de tipo "≥“

En caso de una desigualdad del tipo "≥", también hay que añadir una nueva
variable llamada variable de exceso.
Surge ahora un problema con la condición de no negatividad con esta nueva
variable del problema. Las inecuaciones que contengan una desigualdad de tipo "≥"
quedarían:

𝑎11 · 𝑥1 + 𝑎12 · 𝑥2 ≥ 𝑏1 𝑎11 · 𝑥1 + 𝑎12 · 𝑥2 − 1 · 𝑥𝑠 + 1 · 𝑥𝑟 = 𝑏1

 Desarrollo del Método Simplex

Ejemplo:
𝑀𝐴𝑋 𝑍 𝑍 = 350𝑋1 + 300𝑋2
sujeto a: 1 𝑋1 + 1 𝑋2 ≤ 200
9 𝑋1 + 6 𝑋2 ≤ 1566
12 𝑋1 + 16 𝑋2 ≤ 2880
𝑋1 ; 𝑋2 ≥ 0
Procedimiento
1. Transformar a un sistema de ecuaciones
𝑍 − 350𝑋1 − 300𝑋2 =0
1 𝑋1 + 1 𝑋2 + 𝑆1 = 200
9 𝑋1 + 6 𝑋2 + 𝑆2 = 1566
12 𝑋1 + 16 𝑋2 + 𝑆3 = 2880

2. Desarrollar la tabla SIMPLEX

𝑍 𝑋1 𝑋2 𝑆1 𝑆2 𝑆3 𝑅
1 -350 -300 0 0 0 0
0 1 1 1 0 0 200
0 9 6 0 1 0 1566
0 12 16 0 0 1 2880
3. Transformar los coeficientes de las variables en ceros (0)
o unos (1)
A. 𝑍 𝑋1 𝑋2 𝑆1 𝑆2 𝑆3 𝑅
1 0 −𝟐𝟎𝟎ൗ
𝟑
0 350 0 60900
0 0 𝟏ൗ
𝟑 1 -1 0 26
0 1 𝟐ൗ 0 1 0 174
𝟑
0 0 8 0 -12 1 792

𝑍 𝑋1 𝑋2 𝑆1 𝑆2 𝑆3 𝑅

B. 1 0 0 200 150 0 66100

0 0 1 3 -3 0 78
0 1 0 -2 3 0 122
0 0 0 -24 12 1 168

𝑍 𝑋1 𝑋2 𝑆1 𝑆2 𝑆3 𝑅
1 0 0 0 250 𝟐𝟓ൗ 67500
c.
𝟑
0 0 1 0 −𝟑ൗ
𝟐
𝟏ൗ
𝟖 99
0 1 0 0 2 0 108
0 0 0 1 −𝟏ൗ
𝟐
−1ൗ
24 -7
4. Se obtiene las soluciones de la función objetivo
4.1 Del cuadro B se obtiene una primera solución
𝑍 = 66 100
𝑋1 = 122 𝑦 𝑋2 = 78

4.2 Mientras que en el cuadro C se aprecia otra solución

𝑍 = 67 500
𝑋1 = 108 𝑦 𝑋2 = 99

4.3 Como se desea maximizar la función objetivo, entonces la

solución optima será la obtenida en el cuadro B.

5. En conclusión
𝑀𝐴𝑋 𝑍 𝑍 = 67 500
PROBLEMAS DE
APLICACION
FORMULACIÓN

 FUNCIÓN OBJETIVO:
MIN(z) = 59.62X1 + 63.46X2
Sujeto a 149.49X1 + 196.18X2 >= 1065

 FORMA CANÓNICA
149.49X1 + 196.18X2 – S1 + A1 = 1065
 MIN Z 59.62 63.46 0 1M

COEFICIENT BASE X1 X2 S1 A1 SOLUCION

E

1M A1 149.49 196.18 -1 1 1065

Z 149.49M 196.18M -M M 1065M

CJ – ZJ 59.62- 63.46- M 0
149.49M 196.18M
 MIN Z 59.62 63.46 0 1M

COEFICIEN BASE X1 X2 S1 A1 SOLUCION

TE

63.46 X2 0.76 1 -0.005 0.005 5.428

Z 48.22 63.46 -0.317 0.317 344.46

CJ – ZJ 11.4 0 0.317 M – 0.317

Conclusión

 DEBEMOS USAR LA EXCAVADORA 330 DL POR 5.428 HORAS

 EL COSTO QUE ME GENERA POR HORARIO SERIA DE 344.46 DÓLARES
 NO DEBEMOS USAR TRACTOR BULLDOZER D8K
FORMULACIÓN

 FUNCIÓN OBJETIVO:
MIN(z) = 59.62X1 + 63.46X2
Sujeto a 149.49X1 + 196.18X2 >= 1065
X1 – X2 >= 2
 FORMA CANÓNICA
149.49X1 + 196.18X2 – S1 + A1 = 1065
CONCLUSIONES

 USAR LA EXCAVADORA 330DL POR 2.22 HORAS

 EL TRACTOR BULLDOZER D8K POR 4.22 HORAS
 COSTO QUE ME GENERA POR HORARIO 391.99 DOLARES
Función objetivo para el Acarreo
del material:
 Utilizando dos volquetes
Función objetivo: MIN(z) = 48.97 x3 + 85.58 x6 + 87.45 x7
Restricción 1: 336.84 x3 ≥ 968
Restricción 2: 148.61 x6 + 128.53 x7 ≥ 968
Restricción 3: x3 - x6 =0
Restricción 4: x6 - x7 =0
Solución

La solución indica que la cargadora y los

volquetes MAN 1 y 2 tienen un tiempo de
empleo de 3.49 horas con un costo de USD
775.41 para cumplir con el objetivo de
acarrear 968 m cúbicos de material.
FUNCION OBJETIVO PARA EL
DESPACHO DEL MATERIAL:

 Utilizando una cargadora:

 𝑍 = 48.97𝑥3 + 49.13𝑥4 + 45.26𝑥5
 Restriccion I: 336.84𝑥3 + 148.97𝑥4 + 185.64𝑥5 ≥ 800
 Utilizando tres cargadoras:
 𝑍 = 48.97𝑥3 + 49.13𝑥4 + 45.26𝑥5
 Restricción 1: 336.84𝑥3 + 148.97𝑥4 + 185.64𝑥5 ≥ 800
 Restricción 2: −𝑥3 + 𝑥4 = 0
 Restricción 3: −𝑥3 + 𝑥5 = 0
Bibliografía

 https://www.frro.utn.edu.ar/repositorio/catedras/quimica/5_anio/ori
entadora1/monograias/rodriguez-modeladoyoptim.pdf
 http://metodosimplex15.blogspot.com/2014/10/definicion_30.html
 http://ingenieria-industrial.net/software/jsimplex
 https:1mtodo-simplex-para-la-solucin-de-problemas-de-
operaciones-de-investigaciones
 INVESTIGACIÓN DE OPERACIONES Ph.D CARLOS AGREDA