You are on page 1of 7

.

2 Casos especiales en la aplicacin del mtodo simplex


Consideraremos casos especiales que pueden presentarse en la aplicacin del
mtodo simplex, entre los que se encuentran:
1. Degeneracin.
2. Opciones ptimas.
3. Soluciones no acotadas.
4. Soluciones inexistentes (o infactibles).

DEGENERACION
En la aplicacin de la condicin de factibilidad, una coincidencia de la razn
mnima se debe descomponer en forma arbitraria para los fines de determinar
la variable que sale. Cuando suceda esto una o ms veces de las variables
bsicas, ser necesariamente igual a cero en la siguiente iteracin. En este
caso, decimos que la nueva solucin es degenerada.
Ejemplo (Solucin ptima degenerada)
Maximizar z = 3x1 +9x2
Sujeto a
x1 + 4x2 8
x1 + 2x2 4
x1,x2 0
Tabla 3-2

Tres rectas cruzan el optimo. Como ste es un problema bidimensional, se dice


que el punto esta ms que determinado (o sobredeterminado), ya que solo
necesitamos dos rectas para identificarlo. Por este motivo, concluimos que una
de las restricciones es redundante. Desafortunadamente no existen tcnicas
confiables para identificar restricciones redundantes directamente a partir de la
tabla.

Figura 3-4
Desde el punto de vista terico, la degeneracin tiene dos implicaciones. La
primera tiene que ver con el fenmeno del ciclaje o reciclaje. Si se observan
las iteraciones 1 y 2 de la tabla 3-2, se ver que el valor de la funcin objetivo
no ha mejorado (z=18). Por lo tanto, es posible, en trminos generales, que el
procedimiento simplex repetira la misma sucesin de iteraciones, sin mejorar
nunca el valor de la funcin objetivo ni poner fin a los clculos.
El segundo punto terico se presenta en el examen de las iteraciones 1 y 2.
Ambas iteraciones, pese a diferir en la clasificacin de las variables como
bsicas y no bsicas, producen valores idnticos de todas las variables y el
valor de la funcin objetivo, es decir,

x1 = 0, x2 = 2, x3 = 0, x4 = 0, z = 18
Por lo tanto, se genera un argumento relacionado con la posibilidad de
suspender los clculos en la iteracin 1 (cuando aparece la degeneracin),
aunque no es ptima. Este argumento no es vlido porque, en general, una
solucin puede ser temporalmente degenerada.
OPCIONES OPTIMAS:
Cuando la funcin objetivo es paralela a una restriccin de enlace (o sea, una
restriccin que se satisface en el sentido de la igualdad a travs de la solucin
ptima), la funcin objetivo tomara el mismo valor optimo en ms de un punto
de solucin. Por esta razn reciben el nombre de opciones optimas.
Ejemplo (Infinidad de soluciones)
Maximizar z = 2x1 + 4x2
Sujeto a
x1 + x2 5
x1 + x2 4
x1, x2 0

En trminos algebraicos sabemos que el mtodo simplex es capaz de


encontrar soluciones en puntos extremos exclusivamente.

Figura 3-5

Como es de esperarse, el mtodo simplex slo determina los puntos


extremos B y C. Matemticamente podemos determinar todos los
puntos (x1, x2), del segmento de recta BC, como un promedio
ponderado no negativo de los puntos B y C. Esto es, dada la relacin
01y
B: x1 =0, x2=5/2
C: X1=3, x2=1

Tabla 3-3

SOLUCION NO ACOTADA
En algunos modelos de programacin lineal los valores de las variables se
pueden aumentar en forma indefinida sin violar ninguna de las restricciones, lo
que significa que el espacio de soluciones es no acotado cuando menos en una
direccin. Como resultado, el valor de la funcin objetivo puede crecer (caso de
maximizacin) o de crecer (caso de minimizacin) en forma indefinida. En este
caso decimos que el espacio de soluciones y el valor "ptimo" de la funcin
objetivo son no acotados.
La falta de explicacin en un modelo puede sealar solo una cosa: el modelo
est mal construido. Evidentemente resulta irracional hacer que un modelo
produzca una ganancia " infinita". Las irregularidades mas probables en estos
modelos son: 1) N ose toman en cuenta una mas restricciones redundantes, y
2) No se determinan correctamente los parmetros ( constantes ) de algunas
restricciones.
La regla general para reconocer la falta de acotacin es la siguiente. Sien
cualquier iteracin los coeficientes de las restricciones de una variable no
bsica son no positivos, entonces el espacio de soluciones no esta acotado en

esa direccin. Adems, si el coeficiente de la funcin objetivo de esa variable


en el caso de la maximizacin o positivo en el caso de la minimizacin,
entonces el valor de la funcin objetivo tampoco esta acotado.
Ejemplo (Funcin objetivo no acotada)
Maximizar z = 2x1 + x2
Sujeto a
x1 - x2 10
2x1 40
x1, x2 0

Iteracin inicial

En la tabla inicial x1 y x2 son los candidatos para entrar en la solucin. Como x1


tiene el coeficiente ms negativo. Normalmente se selecciona como la variable
que entra. Sin embargo, ntese que todos los coeficientes de las restricciones
por debajo de x2 son negativos o cero, esto significa que x 2 se puede hacer
crecer en forma indefinida sin que se infrinja ninguna de las restricciones.
Como cada incremento de una unidad en x 2, aumentar z en 1, un incremento
infinito en x2 tambin dar lugar a un incremento infinito en z. Por lo tanto,
concluimos que el problema no tiene solucin acotada. Este resultado se puede
apreciar en la figura 3-6. El espacio de soluciones no est acotado en la
direccin de x2 y el valor de z puede crecer en forma indefinida.

Figura 3-6
La regla general para reconocer la falta de acotacin es la siguiente. Si en
cualquier iteracin los coeficientes de las restricciones de una variable no
bsica son no positivos, entonces el espacio de soluciones no est acotado en
esa direccin. Adems, si el coeficiente de la funcin objetivo de esa variable
es negativo en el caso de la maximizacin o positivo en el caso de la
minimizacin, entonces el valor de la funcin objetivo est acotado.
SOLUCION INFACTIBLE
Si las restricciones no se pueden satisfacer en forma simultnea, se dice que el
modelo no tiene solucin factible. Esta situacin nunca puede ocurrir si todas
las restricciones son del tipo (suponiendo constantes no negativas en el
segundo miembro) ya que la variable de holgura produce siempre alguna
solucin factible. Sin embargo, cuando empleamos los otros tipos de
restricciones, recurrimos al uso de variables artificiales que, por su mismo
diseo, no ofrecen una solucin factible al modelo original. Aunque se toman
medidas (a travs del uso de la penalizacin) para hacer que las variables
artificiales sean cero en el nivel ptimo, esto slo puede ocurrir si el modelo
tiene un espacio factible. Si no lo tiene, cuando menos una variable artificial
ser positiva en la iteracin ptima. Esta es nuestra indicacin que el problema
no tiene solucin factible.
Desde el punto de vista prctico un espacio infactible apunta a la posibilidad de
que el modelo no se haya formulado correctamente en virtud de que las
restricciones estn en conflicto. Tambin es posible que las restricciones no
estn destinadas a cumplirse en forma simultnea, en este caso, quina se
necesite una estructura del modelo totalmente deferente que no admita todas
las restricciones al mismo tiempo.
Tabla 3-4

Ejemplo de espacio de solucin infactible


Maximizar z = 3x1 + 2x2
Sujeto a
2x1 + x2 2

3x1 + 4x2 12
x1, x2 0
Las iteraciones simplex de la tabla 3-4 muestran que la variable artificial R es
positiva (= 4) en la solucin ptima. Esta es una indicacin de que el espacio
de soluciones es infactible. La figura 3-7 muestra el espacio de soluciones
infactible.
El mtodo simplex, haciendo posible que la variable artificial sea positiva, ha
invertido en esencia la direccin de la desigualdad de 3x 1 + 4x2 12 a 3x1 +
4x2 12. El resultado lo podemos llamar la solucin pseudoptima, como se
muestra en la figura 3-7.

Figura 3-7