CASOS ESPECIALES

MEDIANTE TABLEAU
Investigación Operativa I
Como hemos analizado hasta ahora, el desarrollo y resolución de PPL, mediante
tablas no es complejo pero si algo trabajoso. En este punto veremos, al igual como lo
vimos en el punto dónde efectuamos un estudio desde la perspectiva del método
gráfico, ahora los casos especiales que informa la resolución de distintos problemas
a través de los tableau.

La utilidad de lo anterior, es que nos permitirá analizar distintos casos que no son
previsibles cuando se resuelve cualquier problema particular.
Problema Con Soluciones Óptimas No acotado

Existen problemas de programación lineal, cuyas soluciones óptimas no son

números finitos, sino por el contrario es el infinito, lo cual quiere indicar que,
dependiendo de la función objetivo (minimización o maximización), no existe ninguna
restricción que acote su crecimiento o, que es lo mismo, crece de manera indefinida
sin violar ninguna restricción o cuando menos en una dirección determinada. Así, se
dice que el espacio de soluciones y el valor óptimo de la función objetivo es no
acotado.

Veamos el siguiente problema lineal:

Máx Z  4 X 1  4 X 2
s.a. :
 2 X1  2X 2  2
 X1  2X 2  4
X1, X 2  0
 Su representación gráfica es la siguiente:

X2

c a

RSF
c
X1

Hemos visto que a medida que crece la función objetivo paralelamente hacia la
derecha, su valor crece o incrementa, pero la RSF no es un conjunto cerrado o
acotado por el lado derecho, por lo cual, la función objetivo no tiene límite y, por
ende, su valor es infinito.
Ahora, como podemos identificar dicho estudio con el método simplex. Sea el
problema de programación lineal canónico:

Max : Z  CX
s.a. :
AX  b
x0

En cualquiereliteración
Retomemos delresuelto
ejemplo ya métodopor
simplex, el vector
el método gráfico:que entra a la base es el
asociado a la variable Xk, entonces si todas las Yik  0, i  1, , m , la solución del
problema lineal es no acotado.
Retomemos el ejemplo ya resuelto por el método gráfico

:
Máx Z  4 X1  4 X 2
s.a. :
 2 X1  2X 2  2
 X1  2X 2  4
X1, X 2  0

Aplicando las reglas ya descritas, el tablau inicial del problema es:

Z X1 X2 X3 X4
1 -4 -4  0 0 0
X3 0 -2 2 1 0 2
X4 0 -1 2 0 1 4

Z X1 X2 X3 X4
1 -8  0 2 0 4
X2 0 -1 1 1/2 0 1
X4 0 1 0 -1 1 2

Z X1 X2 X3 X4
1 0 0 -6 8 20
X2 0 0 1 -1/2 1 3
X1 0 1 0 -1 1 2
Como se puede apreciar, en esta tercera iteración X3 debe entrar a la base, pero
Y13  1 / 2  0 y Y23  1 / 2  0 .

Por lo tanto, no es posible aplicar la regla de selección que indica que variable debe
salir de la base óptima.
Problema Con Soluciones Óptimas Múltiples

A diferencia del problema anterior, existen otro tipo de problemas que no tienen una
única solución óptima, sino que al contrario, tienen un infinito número de soluciones
óptimas, pero acotadas en una región determinada para las cuales la solución
respectiva generará el mismo valor en la función objetivo, por lo general, para que
esto ocurra estos son conjuntos cerrados en segmentos de rectas o en rigor
matemático se refiere a combinaciones lineales convexas, en el cual deben existir
puntos extremos que permitirán acotar el límite de los trazos existentes de la región
de soluciones factibles. Cuando hablamos de estos casos se dice que la función
objetivo es paralela a una restricción de enlace, es decir, una restricción que se
satisface en el sentido de la igualdad a través de la solución óptima.

Veamos ahora el siguiente problema lineal:

Máx Z  5 X 1  2 X 2
s.a. :
6 X1  10 X 2  30
10 X 1  4X 2  20
X1, X 2  0
La representación gráfica es la siguiente:

X2

b
c

RSF

B c
X1
Como se aprecia, la función objetivo tiene un valor máximo (óptimo) cuando coincid e
con el trazo AB de la RSF. Como se ha dicho, la solución óptima sigue estando en un
punto extremo (vértice), solo que la gran diferencia es que son dos puntos óptimos a
conocer, el punto A y B. Es necesario recordar el concepto de la combinación lineal
convexa entre dos puntos A y B, ya que cualquier punto perteneciente a la recta AB
también es óptima, es decir, como existen infinitos puntos también existen infinitos
puntos óptimos que generan el mismo valor de la función objetivo.

Matemáticamente, se tiene que si XA es el vector asociado al punto A y X B es el

vector asociado al punto B, entonces:
X  X A  (1   ) X B , 0    1
es también un punto óptimo.

Nuevamente debemos indicar cuales serán las condiciones que nos permitirán
identificar soluciones múltiples óptimas mediante el método simplex. Sea el problema
de programación lineal canónico:
Max : Z  CX
s.a. :
AX  b
x0
Si existe un vector asociado a Xk que no esté en la base óptima, cuyo costo reducido
z k  ck  0 , el resto de los zi  ci  0 y todas Yik  0, i  1, , m , entonces el problema
de programación lineal tiene soluciones múltiples y la base es óptima.

Retomemos el ejemplo ya visto en este caso:

Máx Z  5 X 1  2 X 2
s.a. :
6X1  10 X 2  30
10 X 1  4X 2  20
X1, X 2  0
Para determinar cual sería el otro punto extremo, se deberá introducir a la base la
variable X2, asi:
Z X1 X2 X3 X4
1 0 0 0 1/2 10
X2 0 0 1 5/38 -3/38 45/19
X1 0 1 0 -1/19 5/38 20/19

Esta tableau también es óptima y corresponde a un punto extremo X̂ , cuyos

componentes son los siguientes:
 X1  20 / 19
X   45 / 19 
X   2 
2  
X3  0 
   
X4   0 
Z  $10(um)

Como ya se explicó, existe una combinación lineal convexa entre los puntos X1 y X2
que también es óptima, es decir, se genera el mismo valor de la función objetivo. La
expresión matemática que define dicha expresión, asociada a un X* es:
2 20 / 19
0  45 / 19 
X  X  (1   ) X  
* 1 2    (1   )  , 0    1
18  0 
   
0  0 
la cual genera un punto óptimo de un conjunto de puntos óptimos existentes.
Problema Sin Soluciones o Infactible

Como se ha explicado anteriormente, el método de penalización o el método de

doble fase permiten identificar cuándo un problema de programación lineal no tiene
solución.

Por lo general, si las restricciones no se pueden satisfacer en forma simultánea, se

dice que el problema no tiene solución; esta situación no ocurre cuando las
restricciones son:

1. del tipo  , ya que las variables de holgura siempre generarán una RSF y, por
lo tanto, existirá una solución factible óptima,
2. del tipo    efectivamente generan variables artificiales W que por su
estructura no nos garantizan una solución factible al modelo inicial y aunque
se efectúen las provisiones necesarias para que exista un solución óptima, es
decir, que efectivamente W = 0, si no existe una RSF el problema no tendrá
solución.
Veamos el siguiente caso de problema lineal:

Máx
Z  2X1  2X 2
sa :
X1  X 2  2
X1  X 2  4
X1, X 2  0

La representación gráfica es la siguiente:

X2
c
a b

RSF 2

RSF 1 c
X1
Como se puede observar, no existen valores de X1 y X2 que puedan estar
simultáneamente en ambas regiones sombreadas.

Veamos ahora cómo identificamos esta condición por medio del método de
penalización de Gran M, presentando primero el PPL estándar y el tableau original:

Máx
Z  2 X 1  2 X 2  MW  0
sa :
X1  X 2  X 3 2
X1  X 2  X 4 W  4
X1, X 2  0

Z X1 X2 X3 X4 W
1 -2 -2 0 0 M 0
X3 0 1 1 1 0 0 2
W 0 1 1 0 -1 1 4

Z X1 X2 X3 X4 W
1 -2-M  -2-M 0 M 0 -4M
X3 0 1 1 1 0 0 2
W 0 1 1 0 -1 1 4
 Z X1 X2 X3 X4 W
1 0 0 2+M M 0 4-2M
X1 0 1 1 1 0 0 2
W 0 0 0 -1 -1 1 2

Como vemos, la solución óptima al problema modificado, se obtiene en el último

tableau, pero como la variable artificial no es nula, sino que W = 2, el problema
original no tiene solución factible.
Problema Con Soluciones Degeneradas

Como se ha explicado otras veces, al existir un empate al momento de decidir que

vector entra a la base, este se puede romper de manera arbitraria sin tener un efecto
considerable en el número de iteraciones del método simplex.

En cambio, un empate en el vector de salida no se puede decidir de manera

arbitraria porque se puede ocasionar un ciclaje tal que nunca se obtenga la solución
óptima, es así que en la siguiente iteración una o más variables básicas serán
obligadamente iguales a cero, basta recordar que en los ejemplo vistos de
programación lineal, siempre las variables tomaron valores estrictamente positivos.

De esta manera, esta condición revela que el modelo tiene cuando menos una
restricción redundante.
Veamos el siguiente ejemplo:
Max
Z  3X 1  9 X 2
sa :
X1  4X 2  8
X1  2X 2  4
X1, X 2  0

La resolución mediante el método simplex es:

Z X1 X2 X3 X4
1 -3 -9  0 0 0
X3 0 1 4 1 0 8
X4 0 1 2 0 1 4

Z X1 X2 X3 X4
1 -3/4  0 9/4 0 18
X2 0 1/4 1 ¼ 0 2
X4 0 1/2 0 -1/2 1 0

Z X1 X2 X3 X4
1 0 0 3/2 3/2 18
X2 0 0 1 ½ -1/2 2
X1 0 1 0 -1 2 0
Podemos ver en este caso que en la segunda iteración ya se obtuvo el valor óptimo
de la función objetivo, pero sus vectores básicos no son los últimos; en cambio, en la
última iteración los vectores básicos son los últimos, pero la solución no mejoro.

En esta caso se puede apreciar que la primera restricción es redundante (vista de

manera gráfica), por lo cual, se dice que el punto esta mas que determinado o
sobredeterminado, ya que solo son necesarias las restricciones de negatividad y la
segunda restricción. Lamentablemente, no existe ninguna técnica confiable que nos
permita identificar restricciones redundantes a partir del tableau, sólo se puede
apreciar por el método gráfico, como se ve a continuación del ejemplo anterior.

X2

RSF
c
X1
Como vimos anteriormente, las iteraciones uno y dos generaron una suerte de
ciclaje, ya que a partir de un estado común (valor objetivo iguales) se obtuvieron
soluciones distintas. Pero que pasa cuando son más de dos variables, la respuesta
es más compleja ya que el ciclaje o reciclaje, efectivamente, se vuelve más notorio,
ya que a partir del tableau inicial y después de sucesivas iteraciones aplicando el
método simplex, podemos volver nuevamente al tableau inicial sin poder llegar a la
solución óptima. Las técnicas utilizadas para solucionar el ciclaje generan una
reducción drástica en los cálculos y, por ende, en los tiempos de ejecución, pero una
técnica que mejora esta causa es la Regla Lexicográficas.