You are on page 1of 9

REPUBLICA BOLIVARIANA DE VENEZUELA MINISTERIO DEL PODER POPULAR PARA LA DEFENSA UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA

NACIONAL NUCLEO FALCON - SEDE CORO PRODUCCIÓN INDUSTRIAL Ing. María de los Ángeles Medina UNIDAD 1 La Programación Lineal – 2da parte 1.3 Método simplex El método simplex, es un procedimiento general para resolver problemas de programación lineal. Desarrollado por George Dantzing en 1947, está comprobada su extraordinaria eficiencia, y se usa en forma rutinaria para resolver problemas grandes en las computadoras actuales. Aunque las operaciones involucradas en el simplex son elementales, tienen que realizarse un gran número de veces, lo cual hace su aplicación manual y aritméticamente tediosa. Por esto, sin la computadora, el simplex hubiera sido únicamente de interés académico. El método simplex, como cualquier otro método y a pesar de su poder práctico, tiene algunas limitaciones. Una de ellas es su imposibilidad para manejar más de un objetivo. Otra más es su impedimento para tratar problemas cuyas variables deben tomar valores enteros. En 1950, Khun y Tucker iniciaron el desarrollo de la programación con multiobjetivos. En 1958, R.E. Gomory elaboró los llamados algoritmos de planos cortantes para resolver modelos lineales con variables enteras. En 1960, A.H. Land y A.G. Doig publicaron un artículo sobre la solución de problemas lineales con variables enteras mediante una técnica cuasienumerativa denominada de ramas y límites. Hoy por hoy, el simplex, es sin duda alguna el método más utilizado y eficiente en la solución de problemas de Programación lineal. Una propiedad general del método simplex es que resuelve la programación lineal en iteraciones. Cada iteración desplaza la solución a un valor nuevo que tiene potencial de mejorar el resultado de la función objetivo. El proceso termina cuando ya no se pueden obtener mejoras. Para estandarizar, la representación algebraica del espacio de soluciones de programación lineal se forma bajo dos condiciones: 1. Todas las restricciones (excepto las de no negatividad) son ecuaciones con lado derecho no negativo 2. Todas las variables son no negativas El procedimiento algebraico se basa en la solución de sistemas de ecuaciones.

el primer paso para preparar el método simplex es convertir las restricciones funcionales de desigualdad en restricciones de igualdad equivalentes. Adicionalmente la producción conjunta de estos 2 tipos de bombillos no puede superar a las 500 unidades diarias.5𝑋1 + 6𝑋2 Sujeta a: 𝑋1 ≤ 400 𝑋2 ≤ 300 𝑋1 + 𝑋2 ≤ 500 𝑋1 ≥ 0 . Los bombillos tradicionales se venden a US$ 4.5. .3.4.2.5 y las de ahorro de energía a US$ 6 cada una. Formule y resuelva un modelo de Programación Lineal que permita maximizar la facturación diaria de la fábrica satisfaciendo las condiciones impuestas. (Las restricciones de no negatividad se dejan como desigualdades porque se manejan por separado). Bombillos Tradicional Ahorro energético Producción ≤ 400 ≤ 300 ≤ 500 Costo (US$) 4. el modelo de programación lineal original para este ejemplo se puede sustituir por el modelo equivalente (llamado forma aumentada del modelo). 𝑋2 ≥ 0 Así. Al introducir variables de holgura en las otras restricciones funcionales.5𝑋1 − 6𝑋2 = 0 Sujeta a: 𝑋1 + 𝑋3 = 400 𝑋2 +𝑋4 = 300 𝑋1 + 𝑋2 + 𝑋5 = 500 𝑋𝑗 ≥ 0 : para 𝑗 = 1.Ejercicio 2: Una fábrica produce 2 tipos de bombillos: el bombillo tradicional y el de ahorro energético. que se presenta a continuación: Maximizar: 𝑍 − 4. Según la capacidad del sistema productivo no se pueden fabricar más de 400 bombillos normales y no más de 300 bombillos de ahorro de energía en un día cualquiera.5 6 Variables: 𝑋1 : Número de bombillos tradicionales fabricados por día 𝑋2 : Número de bombillos de ahorro energético fabricados por día Función objetivo: Maximizar: 𝑍 = 4. Esta conversión se logra con la introducción de variables de holgura a cada restricción respectiva.

Dada la función objetivo: 𝑍 = 4. 𝑋2 . 𝑋1 . se suma a este renglón el producto del valor absoluto de este coeficiente por el nuevo renglón pivote. 1. Por lo tanto la variable básica entrante es 𝑋2 Paso 2: Se determina la variable básica que sale con la prueba del cociente mínimo. 𝑃𝑖𝑣𝑜𝑡𝑒 2. Divida cada coeficiente entre el elemento del lado derecho en el mismo renglón 3. Identifique el renglón que tiene la menor de estas razones 4. por lo tanto la variable de salida es 𝑋4 Paso 3: Se despeja la nueva solución mediante operaciones elementales con renglones para construir una nueva tabla simplex en la forma apropiada de eliminación gaussiana 1. 𝑁𝑢𝑒𝑣𝑜 𝑟𝑒𝑛𝑔𝑙𝑜𝑛 = 𝑅 𝑎𝑐𝑡𝑢𝑎𝑙 − (𝑐𝑜𝑒𝑓 ∗ 𝑅 𝑃𝑖𝑣𝑜𝑡𝑒 𝑛𝑢𝑒𝑣𝑜) . Elija los coeficientes de la columna pivote que son estrictamente positivos 2. 3.5𝑋1 + 6𝑋2 6 > 4. 𝑋4 . 0 1 2 3 Z 1 0 0 0 𝑋1 -4. el coeficiente más negativo) en la ecuación 0.Se seleccionan las variables de decisión como las variables no básicas iníciales (es decir. se resta de este renglón el producto de este coeficiente por el nuevo renglón pivote. iguales a cero) y las variables de holgura como las variables básicas iníciales: Variables básicas → 𝑋3 .5 . Use este nuevo renglón pivote en pasos 2 y 3. Iteración 0: Variable básica Z 𝑋3 𝑋4 𝑋5 Nº Ec. La variable básica en ese renglón es la variable básica que sale. Para los renglones que tiene un coeficiente negativo en la columna pivote. Se pone un recuadro alrededor de la columna debajo de este coeficiente y se le da el nombre de columna pivote. Divida el renglón pivote entre el número pivote.5 1 0 1 𝑋2 -6 0 1 1 0 1 0 0 𝑋3 0 0 1 0 𝑋4 0 0 0 1 𝑋5 Lado Razón derecho 0 400 300 300/1=300 500 500/1=500 300< 500. 𝑋5 Variables básicas → 𝑋1 . Para los renglones que tienen un coeficiente positivo en la columna pivote. 𝑋2 = 0 Iteraciones Paso 1: Se determina la variable básica entrante con la selección de la variable con el coeficiente negativo que tiene el mayor valor absoluto (es decir. 𝑅𝑃 𝑎𝑐𝑡𝑢𝑎𝑙 𝑅 𝑃𝑖𝑣𝑜𝑡𝑒 𝑛𝑢𝑒𝑣𝑜 = 𝐸𝑙𝑒𝑚.

5 1 0 1 0 0 1 0 𝑿𝟐 0 1 0 0 𝑿𝟑 𝑿𝟒 6 0 1 -1 0 0 0 1 𝑿𝟓 Lado Razón derecho 1800 400 300 300/1=300 200 200/1=200 La solución es optima. si y sólo si todos los coeficientes del renglón cero son no negativos (≥ 0) Iteración 2: Variable Nº básica Ec. Hasta ahora se han presentado los detalles del método simplex.4𝑋1 + 0. estos ajustes se pueden hacer en el paso inicial. por día. el cual es de US$ 2700.5 1 1 -1 𝑿𝟓 4. y el resto del método simplex se aplica justo como se aprendió. con la suposición de que el problema se encuentra en la forma estándar.Iteración 1: Variable básica Z 𝑋3 𝑋4 𝑋5 Nº Ec. Z 0 1 𝑋3 2 𝑋4 3 𝑋5 Z 1 0 0 0 0 0 0 1 𝑿𝟏 0 0 1 0 𝑿𝟐 0 1 0 0 𝑿𝟑 𝑿𝟒 1.5 -1 0 1 Lado derecho 2700 200 300 500 Solución: 𝑋1 = 200 𝑋2 = 300 𝒁 = 𝟐𝟕𝟎𝟎 Podemos observar que al producir 200 bombillos tradicionales y 300 bombillos de ahorro energético. 0 1 2 3 Z 1 0 0 0 𝑿𝟏 -4. Ejercicio 3: A continuación se presenta el modelo del diseño de terapia de radiación para Mary: Función objetivo: Minimizar: 𝑍 = 0.5𝑋2 (0) . maximizar Z sujeta a restricciones funcionales de la forma ≤. A continuación se establecerá cómo hacer los ajustes requeridos a otras formas legítimas de modelos de programación lineal. se obtiene el máximo de facturación diaria de la fábrica.

se debe utilizar el principio: “Maximizar la negativa de una función es equivalente a minimizar una función”.5𝑋2 + 𝑋4 = 6 Para el caso de la restricción (3): El enfoque involucra la introducción de dos variables: una variable de superávit 𝑋5 y una variable artificial 𝑋6  Variable de superávit: Resta el exceso del lado izquierdo sobre el derecho para convertir la restricción de desigualdad en una de igualdad equivalente.6𝑋1 + 0.5𝑋2 → Maximizar: −𝑍 = −0. introduciendo una variable ficticia en cada restricción que lo requiera. El único problema que traen estas formas de restricciones funcionales es identificar una solución inicial básica factible.5𝑋2 = 6 (2) 0. 𝑋2 ≥ 0 Para resolver un problema. como si fuera una variable de holgura:  Variable ficticia o artificial: Se introduce sólo con el fin de que sea la variable básica inicial para esa ecuación 0.1𝑋2 ≤ 2. El enfoque estándar que se utiliza en estos casos es la técnica de variables artificiales. la regla es el cambiar de signo los coeficientes de la función objetivo cuando se insertan en la tabla inicial. Minimizar: 𝑍 = 0. 0. 𝑋5 ≥ 0 0.4𝑋1 + 0.Sujeta a: 0. donde se construye un problema artificial más conveniente. donde se busca minimizar la función objetivo.5𝑋1 + 0. se asigna una penalización enorme a ambas variables artificiales. Para el caso de la restricción (2): Se introduce una variable artificial no negativa (denotada por 𝑋4 ).5𝑋1 + 0. 𝑋5 = 0. y proceder como en el algoritmo de maximización corriente.4𝑋2 − 6 .4𝑋1 − 0.5𝑋2 En este caso se tiene que las restricciones (2) y (3) no son de la forma ≤. donde 𝑋4 > 0 y 𝑋6 > 0. cambiando la función objetivo a: Minimizar: 𝑍 = 0.4𝑋2 − 𝑋5 = 6 .6𝑋1 + 0.5𝑋2 + 𝑀𝑋4 + 𝑀𝑋6 . En consecuencia.6𝑋1 + 0.4𝑋2 ≥ 6 (3) 𝑋1 ≥ 0 . Antes.4𝑋1 + 0.6𝑋1 + 0.4𝑋2 − 𝑋5 + 𝑋6 = 6 Seguidamente.3𝑋1 +0. era muy sencillo encontrar esta solución inicial al hacer que las variables de holgura fueran las variables básicas iníciales.7 (1) 0.

1𝑋2 +𝑋3 = 2. sólo se usa su factor multiplicativo a menos que haya un empate. Todas las variables básicas deben eliminarse de la ecuación (0) con operaciones algebraicas antes de que a través del método simplex se encuentre la variable básica entrante.4𝑋1 − 0.4𝑋1 + 0.6𝑋1 + 0.9𝑀 𝑋2 + 𝑀𝑋5 = −12𝑀 En cuanto a la elección de la variable básica de entrada en cada iteración. se resta de esta ecuación (0) las ecuaciones (2) y (3) multiplicadas por M.7 0.5𝑋2 + 𝑋4 = 6) -M (0.5𝑋1 + 0.4 − 1.3 0.6=10 . siempre que M esté presente. Después de introducir las variables artificiales 𝑋4 y 𝑋6 .5𝑋2 + 𝑀𝑋4 + 𝑀𝑋6 = 0 Problema artificial: Maximizar: −𝑍 + 0. donde para este caso 0.9𝑀 . la conversión correspondiente es: Minimizar: 𝑍 − 0.1𝑀 𝑋1 + 0.4𝑋1 + 0.5 − 0.5𝑋2 − 𝑀𝑋4 − 𝑀𝑋6 = 0 → Maximizar: −𝑍 + 0.5𝑋2 + 𝑋4 = 6 0.1𝑀 < 0. Para la eliminación algebraica de de 𝑋4 y 𝑋6 de la ecuación (0).1M+0.6𝑋1 + 0. Iteración 0: Variable básica Z 𝑋3 𝑋4 𝑋6 Nº Ec.3=9 6/0. 0 1 2 3 Z -1 0 0 0 𝑿𝟏 -1.4 0.7 6 6 Razón 2.4 − 1.3𝑋1 +0.5 0.5𝑋2 + 𝑀𝑋4 + 𝑀𝑋6 = 0 -M (0. que fuerza a 𝑋4 y 𝑋6 hasta llegar a 𝑋4 = 0 y 𝑋6 = 0 en la solución óptima. y de aplicar el método de la M. por lo tanto la variable básica de entrada es 𝑋1 . −𝑍 + 0.5𝑋1 + 0.5 0.7/0.4 0 1 0 0 𝑿𝟑 0 0 1 0 𝑿𝟒 𝑿𝟓 M 0 0 -1 0 0 0 1 𝑿𝟔 LD -12M 2.4𝑋2 − 𝑋5 + 𝑋6 = 6 Este sistema todavía no está en la forma apropiada de eliminación de Gauss porque los coeficiente de 𝑋4 y 𝑋6 son diferente de cero en la ecuación (0).6 𝑿𝟐 -0.1 0.Donde M simbólicamente representa un número positivo muy grande.4𝑋1 + 0.5𝑋2 + 𝑀𝑋4 + 𝑀𝑋6 = 0 Sujeta a: 0. en cuyo caso el empate se rompe con los términos aditivos correspondientes.5 0.5=12 6/0.4𝑋2 − 𝑋5 + 𝑋6 = 6) −𝑍 + 0.9M+0. Aplicando el método de la M.5 − 0.

𝑋2 = 4.5M-4. 0 1 2 3 Z -1 0 0 0 𝑿𝟏 0 1 0 0 0.5 Por coincidencia.25 7. es decir.6 -2 Iteración 2: Variable básica Z 𝑋3 𝑋4 𝑋5 Nº Ec. Y la solución optima del problema es: 𝑋1 = 7.5.𝑀 + 5 3 5 3 11 6 8 3 𝑿𝟔 𝑀 − −5 3 −5 3 11 6 LD -0.1M-3.7 8 0. Por ejemplo al hacer esto con la restricción: 𝑋1 − 𝑋2 ≤ −1 . sea negativo.1 -1 0. Lo que se debe hacer para manejar estos casos es multiplicar ambos lados por -1.6 9 1.5 3 -10 5 Con 𝑋4 y 𝑋6 .6 3 0 0 1 0 𝑿𝟓 M 0 -1 0 𝑿𝟔 LD -5. 0 1 2 3 Z -1 0 0 0 0 1 0 0 𝑿𝟏 0 0 0 1 𝑿𝟐 5 3 𝑿𝟑 𝑀 + 20 3 5 3 7 3 𝑿𝟒 0 0 1 0 -5 5 3 𝑿𝟓 . Sí se multiplican ambos lados de una desigualdad se invierte el sentido de la desigualdad.5.5 0.3 4. cada una debe manejarse de la misma manera. 𝑍 = 5.5 0. se garantiza que la solución básica dada en la última iteración es factible para el problema real. por lo que no se necesitan más iteraciones.5 5 1 -5 𝑿𝟒 M-1.2 16 30 𝑿𝟐 𝑀 + 1 3 1 3 11 30 11 3 10 3 −5 3 𝑿𝟑 𝑀 − 4 3 𝑿𝟒 0 0 1 0 M 0 0 -1 𝑿𝟓 0 0 0 1 𝑿𝟔 LD -2. 0 1 2 3 Z -1 0 0 0 0 1 0 0 𝑿𝟏 0 0 0 1 𝑿𝟐 𝑿𝟑 0.25. Iteración 3: Variable básica Z 𝑋1 𝑋5 𝑋2 Nº Ec. esta primera solución factible resulta óptima.Iteración 1: Variable básica Z 𝑋3 𝑋4 𝑋6 Nº Ec. ≤ cambia a ≥ y viceversa. Adaptación a otras formas Se puede dar el caso en que el lado derecho de una restricción (sea de igualdad o desigualdad).

en su forma tubular paso a paso para resolver el problema: Minimizar: 𝑍 = 3𝑋1 − 9𝑋2 − 5𝑋3 − 4𝑋4 Sujeto a: 𝑋1 + 4𝑋2 + 5𝑋3 + 8𝑋4 ≤ 8 𝑋1 + 2𝑋2 + 6𝑋3 + 4𝑋4 ≤ 4 𝑋1 ≥ 0 .De la restricción equivalente: −𝑋1 + 𝑋2 ≥ 1 Cuando se tienen lados derechos no negativos para todas las restricciones funcionales. 𝑋2 ≥ 0 2. Ejercicios propuestos: 1. el método simplex puede comenzar porque estos lados derechos se convierten en los valores correspondientes a las variables básicas iníciales.Trabaje el método simplex.Resolver: Minimizar: 𝑍 = 5𝑋1 + 7𝑋2 Sujeto a: 2𝑋1 + 3𝑋2 ≥ 42 3𝑋1 + 4𝑋2 ≥ 60 𝑋1 + 𝑋2 ≥ 18 𝑋1 ≥ 0 .. en su forma tubular paso a paso para resolver el problema: Maximizar: 𝑍 = 6𝑋1 + 5𝑋2 Sujeto a: 2𝑋1 + 3𝑋2 ≥ 42 3𝑋1 + 4𝑋2 ≥ 60 𝑋1 ≥ 0 . que deben satisfacer las restricciones de no negatividad...Trabaje el método simplex. 𝑋2 ≥ 0 . 𝑋2 ≥ 0 3.

a) Introduzca las variables de superávit y las variables artificiales a fin de escribir las restricciones funcionales en la forma aumentada. 4. b) Identifique la variable básica entrante y la variable básica que sale para la primera iteración. en su forma tubular paso a paso para resolver el problema: Maximizar: 𝑍 = 6𝑋1 + 5𝑋2 − 3𝑋3 + 4𝑋4 Sujeto a: 3𝑋1 + 2𝑋2 − 3𝑋3 + 𝑋4 ≤ 120 3𝑋1 + 3𝑋2 + 𝑋3 + 3𝑋4 ≤ 180 𝑋1 ≥ 0 . b) Identifique la variable básica entrante y la variable básica que sale para la primera iteración.Trabaje el método simplex. realizando tabla simplex completa. 𝑋2 ≥ 0 a) Use el método de la M para realizar la primera iteración.. c) Use el método de la M para realizar la primera iteración. realizando tabla simplex completa.. . 𝑋2 ≥ 0 5.Resolver: Maximizar: 𝑍 = 4𝑋1 + 2𝑋2 + 3𝑋3 + 5𝑋4 Sujeto a: 2𝑋1 + 3𝑋2 + 4𝑋3 + 4𝑋4 = 300 8𝑋1 + 𝑋2 + 𝑋3 + 5𝑋4 = 300 𝑋1 ≥ 0 .