Método Simplex

Solución de problemas de minimización

 Mediante el método simplex, hay dos maneras distintas
para solucionar los problemas de minimización.

Ejemplo 4.-
Min Z = 2.x1 - 3.x2 
Sujeto a: x1 + x2  <= 4
x1 - x2  <= 6
x1, x2 ≥ 0
Método 1
La solución óptima es el punto (x1, x2) que hace a Z
mínimo. En forma equivalente se podría decir que la
solución óptima es el punto que hace a – Z máximo.

Max - Z = - 2.x1 + 3.x2 

Sujeto a: x1 + x2  <= 4
x1 - x2  <= 6
x1, x2 ≥ 0
En resumen, multiplique por -1 la función objetivo del
problema de minimización y resuelva el problema como si
fuera de maximización.
La solución óptima del problema de maximización será la
solución óptima del problema de minimización

-Z X1 X2 S1 S2 Ld VB Cociente
1 2 - 3 0 0 0 -Z = 0
0 1 1 1 0 4 S1 = 4 4/1 = 4
0 1 - 1 0 1 6 S2 = 6 ninguno

-Z X1 X2 S1 S2 Ld VB
1 5 0 3 0 12 -Z = 12
0 1 1 1 0 4 x2 = 4
0 2 0 1 1 10 S2 = 10
Método 2
Modifique el paso 3 como sigue:
 Si todas las variables no básicas del renglón 0 tienen
coeficientes no positivos, entonces la sfb es óptima.
Si cualquier variable no básica en el renglón 0 tiene
coeficiente positivo, seleccione la variable con el
coeficiente “más positivo” en el renglón 0 para que
entre a la base.
Esta modificación del algoritmo simplex funciona porque
al incrementar una variable básica con un coeficiente
positivo en el renglón 0 disminuirá Z
Z X1 X2 S1 S2 Ld VB Cociente
1 -2 3 0 0 0 Z=0
0 1 1 1 0 4 S1 = 4 4/1 = 4
0 1 - 1 0 1 6 S2 = 6 ninguno

Z X1 X2 S1 S2 Ld VB
1 -5 0 -3 0 - 12 Z = - 12
0 1 1 1 0 4 x2 = 4
0 2 0 1 1 10 S2 = 10
Método Simplex
Soluciones óptimas alternas
Para algunos modelos de Pl es posible que tengan más de
una solución óptima. Entonces se dice que tiene
soluciones óptimas alternas o múltiples.
Reconsideremos el ejemplo 3 pero esta vez cambiemos el
coeficiente de x2 a 35 en lugar de 30.
Tabla inicial :

Z X1 X2 X3 S1 S2 S3 S4 Ld Vb Coc.

1 -60 -35 -20 0 0 0 0 0 Z=0

0 8 6 1 1 0 0 0 48 S1 = 48 6
0 4 2 1.5 0 1 0 0 20 S2 = 20 5
0 2 1.5 0.5 0 0 1 0 8 S3 = 8 4
0 0 1 0 0 0 0 1 5 S4 = 5 -
Tabla con primer pivoteo:
Z X1 X2 X3 S1 S2 S3 S4 Ld Vb Coc.

1 0 10 -5 0 0 30 0 240 Z = 240
0 0 0 -1 1 0 -4 0 16 S1 = 16 -
0 0 -1 0.5 0 1 -2 0 4 S2 = 4 8
0 1 0.75 0.25 0 0 0.5 0 4 x1 = 4 16
0 0 1 0 0 0 0 1 5 S4 = 5 -

Tabla óptima con segundo pivoteo:

Z X1 X2 X3 S1 S2 S3 S4 Ld Vb
1 0 0 0 0 10 10 0 280 Z = 280
0 0 -2 0 1 2 -8 0 24 S1 = 24
0 0 -2 1 0 2 -4 0 8 x3 = 8
0 1 1.25 0 0 -0.5 1.5 0 2 x1 = 2
0 0 1 0 0 0 0 1 5 S4 = 5
Todas la variables básicas deben tener coeficiente 0 en el
renglón 0. Sin embargo en la tabla óptima anterior hay
una variable no básica que tiene coeficiente 0.
Introduzcamos x2 en la base. Debe entrar a la base en el
renglón 3.
Otra tabla óptima con tercer pivoteo:
Z X1 X2 X3 S1 S2 S3 S4 Ld Vb
1 0 0 0 0 10 10 0 280 Z = 280
0 1.6 0 0 1 1.2 -5.6 0 27.4 S1 = 27.2
0 1.6 0 1 0 1.2 -1.6 0 11.2 x3 =11.2
0 0.8 1 0 0 -0.4 1.2 0 1.6 x2 = 1.6
0 -0.8 0 0 0 0.4 -1.2 1 3.4 S4 = 3.4
Método Simplex
Método de la gran M
El algoritmo simplex requiere una sfb inicial.
En todos los problemas resueltos hasta ahora se
determinó una sfb usando las variables de holgura como
variables básicas.
Pero si hubiera restricciones ≥ o =, no sería tan evidente
una sfb inicial.
Cuando una sfb no es tan evidente, se podría aplicar el
método de la gran M para resolver el problema.
El método consiste en agregar variables artificiales al
problema y modificar la función objetivo para que las
variables artificiales sean iguales a cero en la conclusión
del algoritmo simplex.
Ejemplo 5.-
Bevco elabora una bebida carbonatada con sabor a
naranja que le llama Oranj mediante la combinación de
agua carbonatada de naranja y jugo de naranja. Cada
onza de agua carbonatada de naranja contiene 0,5 onzas
de azúcar y 1 mg de vitamina C. Cada onza de jugo de
naranja contiene 0,25 onzas de azúcar y 3 mg. de
vitamina C. Bevco gasta 2 centavos por producir 1 onza de
agua carbonatada de naranja y 3 centavos por elaborar
una onza de jugo de naranja. Además e decidió que la
botella de 10 onzas de Oranj debe contener por lo menos
20 mg de vitamina Cy cuanto mucho 4 onzas de azúcar.
Determine el PL para determinar cómo Bevco puede
cumplir los requisitos al menor costo.
El modelo de programación lineal será:
X1: cantidad de onzas de agua carbonatada en una
botella de Oranj
X2: cantidad de onzas de jugo de naranja en una botella
de Oranj

Min Z = 2 x1 + 3 x2
s.a. 0.5 x1 + 0,25 x2 ≤ 4
x1 + 3 x2 ≥ 20
x1 + x2 = 10
x1 , x2 ≥ 0
El modelo estándar será:

Renglón 0: Z - 2 x 1 - 3 x2 = 0
Renglón 1: 0.5 x1 + 0,25 x2 + s1 = 4
Renglón 2: x1 + 3 x2 – e2 = 20
Renglón 3: x1 + x2 = 10
Todas las variables son no negativas

Se puede usar s1 = 4 como variable básica. En el renglón

2, el excedente e2 = - 20 viola la restricción que todas las
variables son no negativas. Además, en el renglón 3 no es
evidente la variable básica.
Por lo tanto, para usar el algoritmo simplex, los renglones
2 y 3 necesitan cada uno una variable básica (y factible)
Para solucionar este problema, se “inventa” una variable
básica factible por cada restricción que necesite una.
Como las variables no son reales se denominan
“artificiales”
Si una variable artificial se suma al renglón i, la
denominamos ai.
En el problema, se añade la variable artificial a 2 al renglón
2 y una variable artificial a3 al renglón 3.
El conjunto de ecuaciones resultantes será:
 Renglón 0: Z - 2 x 1 - 3 x2 = 0
Renglón 1: 0.5 x1 + 0,25 x2 + s1 = 4
Renglón 2: x1 + 3 x2 – e2 + a2 = 20
Renglón 3: x1 + x2 + a3 = 10

La sfb será z = 0, s1 = 4, a2 = 20, a3 = 10.

Sin embargo, debemos estar seguros de que en la
solución óptima del modelo, todas las variables
artificiales sean cero.
En el problema de minimización se asegura que las
variables artificiales serán cero si se suman los términos
M.ai a la función objetivo.
M representa un número positivo “muy grande”.
La función objetivo cambiará a:

Min Z = 2 x1 + 3 x2 + M a2 + M a3

Entonces el renglón cero cambiará a:

Z - 2 x 1 - 3 x 2 - M a 2 - M a3 = 0

Modificar la función objetivo de esta manera hace

extremadamente costoso que una variable artificial sea
positiva, por lo que es razonable pensar que la solución
óptima del modelo tenga a2 = a3 = 0
 Renglón 0: Z - 2 x 1 - 3 x 2 - M a 2 – M a3 = 0
Renglón 1: 0.5 x1 + 0,25 x2 + s1 = 4
Renglón 2: x1 + 3 x2 – e2 + a2 = 20
Renglón 3: x1 + x2 + a3 = 10

Como a2 y a3 están en la sfb de inicio, se tienen que

eliminar del renglón 0. Para eliminar a2 y a3 del renglón 0,
simplemente se le suma M (renglón 2) + M (renglón 3).

Nuevo renglón 0:

Z + (2 M – 2) x1 + (4 M – 3) x2 – M e2 = 30 M
Z x1 x2 * s1 e2 a2 a3 LD VB Cociente
1 2M – 2 4M – 3 0 - M 0 0 30M Z = 30M
0 1/2 1 /4 1 0 0 0 4 s1 = 4 16
0 1 3 0 -1 1 0 20 a2 = 20 20/3 *
0 1 1 0 0 0 1 10 a3 = 10 10

Como se está trabajando un problema de minimización,

así que la variable con el coeficiente positivo mayor debe
entrar a la base.
Como 4M – 3 > 2 M – 2, la variable x2 debe entrar a la
base.
La prueba de cociente indica que x2 debe entrar en el
renglón 2.
Z x1 * x2 s1 e2 a2 a3 LD VB Cc
1 (2M – 3)/3 0 0 (M – 3)/3 (3 – 4M)/3 0 (60 + 10M)/3 Z = (60+10M)/3
0 5/12 0 1 1/12 - 1/12 0 7/3 s1 = 7/3 28/5

0 1/3 1 0 -1/3 1/3 0 20/3 x2 = 20/3 20

0 2/3 0 0 1/3 - 1/3 1 10/3 a3 = 10/3 5*

Z x1 x2 s1 e2 a2 a3 LD VB
1 0 0 0 - 1/2 (1 – 2M)/2 (3 – 2M)/2 25 Z = 25
0 0 0 1 - 1/8 1/8 - 5/8 1/4 s1 = 1/4
0 0 1 0 - 1/2 1/2 - 1 /2 5 x2 = 5
0 1 0 0 1/2 - 1/2 3/2 5 x1 = 5
Resolver los siguientes problemas:

a) Min Z = 6 x1 + x2 + 3 x3 – 2 x4
s.a. x1 + x2 ≤ 42
2 x1 + 3 x2 – x3 – x4 ≥ 10
x1 + 2 x3 + x4 = 30
x1 , x2, x3, x4 ≥ 0 Sol: x1 = 0, x2 =
13.33, x3 = 0, x4 = 30, Z = - 46.67
b) Max Z = 2 x1 + x2 + 4 x3 + 5 x4
s.a. x1 + 3 x2 + 2 x3 + 5 x4 ≤ 20
2 x1 + 16 x2 + x3 + x4 ≥ 4
3 x1 – x2 – 5 x3 + 10 x4 ≤ -10
x1 , x2, x3, x4 ≥ 0 Sol: x1 = 7.2727, x2 = 0,
x3 = 6.3636, x4 = 0, Z = 40