Aspectos Generales

En los siglos XVII y XVIII, grandes matemticos como Newton, Leibnitz,

Bernouilli y, sobre todo, Lagrange, que tanto haban contribuido al desarrollo
del clculo infinitesimal, se ocuparon de obtener mximos y mnimos
condicionados de determinadas funciones. Posteriormente el matemtico
frnces Jean Baptiste-Joseph Fourier (1768-1830) fue el primero en intuir,
aunque de forma imprecisa, los mtodos de lo que actualmente llamamos
programacin lineal y la potencialidad que de ellos se deriva.

Si exceptuamos al matemtico Gaspar Monge (1746-1818), quien en 1776 se

interes por problemas de este gnero, debemos remontarnos al ao 1939
para encontrar nuevos estudios relacionados con los mtodos de la actual
programacin lineal. En este ao, el matemtico ruso Leonodas Vitalyevich
Kantarovitch publica una extensa monografa titulada Mtodos matemticos de
organizacin y planificacin de la produccin en la que por primera vez se hace
corresponder a una extensa gama de problemas una teora matemtica precisa
y bien definida llamada, hoy en da, programacin lineal .

En 1941-1942 se formula por primera vez el problema de transporte, estudiado

independientemente por Koopmans y Kantarovitch, razn por la cual se suele
conocer con el nombre de problema de Koopmans-Kantarovitch. Tres aos ms
tarde, G. Stigler plantea otro problema particular conocido con el nombre de
rgimen alimenticio optimal. En estos aos posteriores a la Segunda Guerra
Mundial, en Estados Unidos se asumi que la eficaz coordinacin de todas las
energas y recursos de la nacin era un problema de tal complejidad, que su
resolucin y simplificacin pasaba necesariamente por los modelos de
optimizacin que resuelve la programacin lineal.

Paralelamente a los hechos descritos se desarrollan las tcnicas de

computacin y los ordenadores, instrumentos que haran posible la resolucin y
simplificacin de los problemas que se estaban gestando.

tipoEn 1947, G.B. Dantzig formula, en trminos matemticos muy precisos, el

enunciado estndar al que cabe reducir todo problema de programacin lineal.
Dantzig, junto con una serie de investigadores del United States Departament
of Air Force, formaran el grupo que dio en denominarse SCOOP (Scientific
Computation of Optimum Programs).Una de las primeras aplicaciones de los
estudios del grupo SCOOP fue el puente areo de Berln. Se continu con

infinidad de aplicaciones de tipo preferentemente militar. Hacia 1950 se

constituyen, fundamentalmente en Estados Unidos, distintos grupos de estudio
para ir desarrollando las diferentes ramificaciones de la programacin

Preparando el modelo para adaptarlo al mtodo

Simplex
La forma estndar del modelo de problema consta de una funcin objetivo sujeta
a determinadas restricciones:
Funcin objetivo:
Sujeto a:

c1x1 + c2x2 + ... + cnxn

a11x1 + a12x2 + ... + a1nxn = b1
a21x1 + a22x2 + ... + a2nxn = b2
...
am1x1 + am2x2 + ... + amnxn = bm
x1,..., xn 0

El modelo debe cumplir las siguientes condiciones:

1. El objetivo consistir en maximizar o minimizar el valor de la funcin objetivo
(por ejemplo, incrementar ganancias o reducir prdidas, respectivamente).
2. Todas las restricciones deben ser ecuaciones de igualdad (identidades
matemticas).
3. Todas las variables (xi) deben tener valor positivo o nulo (condicin de no
negatividad).
4. Los trminos independientes (bi) de cada ecuacin deben ser no negativos.
Hay que adaptar el problema modelado a la forma estndar para poder aplicar el
algoritmo del Simplex.

Tipo de optimizacin.
Como se ha comentado, el objetivo del mtodo consistir en optimizar el valor de
la funcin objetivo. Sin embargo se presentan dos opciones: obtener el valor ptimo
mayor (maximizar) u obtener el valor ptimo menor (minimizar).
Adems existen diferencias en el algoritmo entre el objetivo de maximizacin y el
de minimizacin en cuanto al criterio de condicin de parada para finalizar las
iteraciones y a las condiciones de entrada y salida de la base. As:

Objetivo de maximizacin
Condicin de parada: cuando en la fila Z no aparece ningn valor negativo.
Condicin 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 P j que entra a la
base.
Condicin de salida de la base: una vez obtenida la variable entrante, la
variable que sale se determina mediante el menor cociente P 0/Pj de los
estrictamente positivos.

Objetivo de minimizacin
Condicin de parada: cuando en la fila Z no aparece ningn valor positivo.
Condicin de entrada a la base: el mayor valor positivo en la fila Z indica la
variable Pj que entra a la base.
Condicin de salida de la base: una vez obtenida la variable entrante, la
variable que sale se determina mediante el menor cociente P 0/Pj de los
estrictamente negativos.

No obstante, es posible normalizar el objetivo del problema con el fin de aplicar

siempre los mismos criterios en lo referente a la condicin de parada del algoritmo y a
las condiciones de entrada y salida de las variables de la base. De esta forma, si el
objetivo es minimizar la solucin, se puede cambiar el problema a otro equivalente de
maximizacin simplemente multiplicando la funcin objetivo por "1". Es decir, el
problema de minimizar Z es equivalente al problema de maximizar (-1)Z. Una vez
obtenida la solucin ser necesario multiplicarla tambin por (-1).
Ventajas: No hay que preocuparse por nuevos criterios de parada, condicin de
entrada y salida de la base ya que se mantienen.
Inconvenientes: En el caso de que la funcin tenga todos los coeficientes de sus
variables bsicas positivos, y adems las restricciones sean del tipo de desigualdad
"", al hacer el cambio dichos coeficientes quedan negativos cumplindose la
condicin de parada en la primera iteracin (en la fila del valor de la funcin objetivo
todos los valores son positivos o cero). Obtenindose en este caso por defecto un
valor ptimo para la funcin igual a 0.
Solucin: Realmente no existe este problema dado que para que la solucin sea
superior a 0 es necesario que alguna restriccin tenga impuesta la condicin "" (y se
tratara de un modelo para el mtodo de las Dos Fases). En el caso planteado, la
solucin real debe ser cero.

Cambio de signo de los trminos independientes

Tambin se ha dicho que los trminos independientes (b i) de cada ecuacin

deben ser no negativos para poder emplear el mtodo Simplex. A tal fin, si alguna de
las restricciones presenta un trmino independiente menor que 0 habr que multiplicar
por "-1" ambos lados de la inecuacin (teniendo en cuenta que esta operacin
tambin afecta al tipo de restriccin).
Ventajas: Con sta simple modificacin de signos en las restricciones
correspondientes se posibilita la aplicacin del mtodo Simplex al problema
modelado.
Inconvenientes: Puede resultar que en las restricciones donde tengamos que
modificar los signos de las constantes, los tipos de desigualdad fueran "" (quedando
tras la operacin del tipo "") siendo necesario desarrollar el mtodo de las Dos
Fases. Este inconveniente no es controlable, aunque podra ocurrir el caso contrario y
resultar beneficioso si los trminos independientes negativos se presentan en todas
aquellas restricciones con desigualdad de tipo "". Si existe alguna restriccin del tipo
"=" no supondra ninguna ventaja ni desventaja puesto que siempre sera de
necesaria aplicacin el mtodo de las Dos Fases.

Normalizacin de las restricciones

Otra de las condiciones del modelo estndar del problema es que todas las
restricciones sean ecuaciones de igualdad (tambin llamadas restricciones de
igualdad), por lo que hay que convertir las restricciones de desigualdad o
inecuaciones en dichas identidades matemticas.
La condicin de no negatividad de las variables (x 1,..., xn 0) es la nica
excepcin y se mantiene tal cual.

Restriccin de tipo ""

Para normalizar una restriccin con una desigualdad del tipo "", hay que
aadir una nueva variable, llamada variable de holgura xs (con la condicin de
no negatividad: xs 0). Esta nueva variable aparece con coeficiente cero en la
funcin objetivo, y sumando en la ecuacin correspondiente (que ahora s ser
una identidad matemtica o ecuacin de igualdad).
a11x1 + a12x2 b1

a11x1 + a12x2 + 1xs = b1

Restriccin de tipo ""

En caso de una desigualdad del tipo "", tambin hay que aadir una nueva
variable llamada variable de exceso xs (con la condicin de no negatividad: xs
0). Esta nueva variable aparece con coeficiente cero en la funcin objetivo, y
restando en la ecuacin correspondiente.

Surge ahora un problema con la condicin de no negatividad con esta

nueva variable del problema. Las inecuaciones que contengan una
desigualdad de tipo "" quedaran:
a11x1 + a12x2 b1

a11x1 + a12x2 - 1xs = b1

Al realizar la primera iteracin con el mtodo Simplex, las variables

bsicas no estarn en la base y tomarn valor cero. En este caso la nueva
variable xs, tras hacer cero a x1 y x2, tomar el valor -b1 y no cumplira la
condicin de no negatividad. Es necesario aadir otra nueva variable x r,
llamada variable artificial, que tambin aparecer con coeficiente cero en la
funcin objetivo y sumando en la restriccin correspondiente. Quedando
entonces de la siguiente manera:
a11x1 + a12x2 b1

a11x1 + a12x2 - 1xs + 1xr = b1

Restriccin de tipo "="

Al contrario de lo que cabra pensar, para las restricciones de tipo "=" (aunque
ya son identidades) tambin es necesario agregar variables artificiales x r.
Como en el caso anterior, su coeficiente ser cero en la funcin objetivo y
aparecer sumando en la restriccin correspondiente.
a11x1 + a12x2 = b1

a11x1 + a12x2 + 1xr = b1

En el ltimo caso se hace patente que las variables artificiales suponen una
violacin de las leyes del lgebra, por lo que ser necesario asegurar que dichas
variables artificiales tengan un valor 0 en la solucin final. De esto se encarga
el mtodo de las Dos Fases y por ello siempre que aparezcan este tipo de variables
habr que realizarlo.
En la siguiente tabla se resume segn la desigualdad el tipo de variable que
aparece en la ecuacin normalizada, as como su signo:
Tipo de
desigualdad

Tipo de variable que aparece

- exceso + artificial

+ artificial

+ holgura

Desarrollando el mtodo Simplex

Una vez estandarizado el modelo puede ocurrir que sea necesario aplicar el
mtodo Simplex o el mtodo de las Dos Fases. Vase en la figura la forma de
actuacin para llegar a la solucin del problema modelado.

A continuacin se explican paso a paso los puntos de cada mtodo, concretando

los aspectos a tener en cuenta.

Mtodo Simplex

Construccin de la primera tabla:

Las columnas de la tabla estn dispuestas de la siguiente forma: la primera
columna de la tabla contiene las variables que se encuentran en la base (o
variables bsicas), esto es, aquellas que toman valor para proporcionar una
solucin; la segunda columna recoge los coeficientes que dichas variables
bsicas tienen en la funcin objetivo (esta columna es llamada C b); la tercera
muestra el trmino independiente de cada restriccin (P 0); a partir de sta
aparece una columna por cada una de las variables de decisin y holgura
presentes en la funcin objetivo (P j). Para tener una visin ms clara de la
tabla, se incluye una fila que contiene los ttulos de cada una de las columnas.
Sobre esta tabla se agregan dos nuevas filas: una de ellas, que lidera la
tabla, donde aparecen los coeficientes de las variables de la funcin objetivo, y
una ltima fila que recoge el valor la funcin objetivo y los costes reducidos Z j Cj.
Los costes reducidos muestran la posibilidad de mejora en la solucin Z 0.
Por este motivo tambin son llamados valores indicadores.
Se muestra a continuacin el aspecto general de la tabla del mtodo
Simplex:
Tabla
C1

C2

...

Cn

Base

Cb

P0

P1

P2

...

Pn

P1

Cb1

b1

a11

a12

...

a1n

P2

Cb2

b2

a21

a22

...

a2n

...

...

...

...

...

...

...

Pm

Cbm

bm

am1

am2

...

amn

Z0

Z1-C1

Z2-C2

...

Zn-Cn

Todos los valores incluidos en la tabla vendrn dados por el modelo del
problema salvo los valores de la fila Z (o fila indicadora). Estos se obtienen de
la siguiente forma: Zj = (CbiPj) para i = 1..m, donde si j = 0, P 0 = bi y C0 = 0, y
en caso contrario Pj = aij.

Se observa, al realizar el mtodo Simplex, que en esta primera tabla

ocupan la base todas las variables de holgura y por ello (todos los coeficientes
de las variables de holgura son 0 en la funcin objetivo) el valor inicial de Z es
cero.
Por este mismo motivo tampoco es necesario realizar los clculos de los
costes reducidos en la primera tabla, pudindose determinar directamente
como el cambio de signo de los coeficientes de cada variable en la funcin
objetivo, esto es, -Cj.

Condicin de parada:
Se cumple la condicin de parada cuando la fila indicadora no contiene ningn
valor negativo entre los costes reducidos (cuando el objetivo es la
maximizacin), esto es, no existe posibilidad de mejora.
Si no se cumple la condicin de parada es necesario realizar una iteracin
ms del algoritmo, esto es, determinar la variable que se vuelve bsica y la que
deja de serlo, encontrar el elemento pivote, actualizar los valores de la tabla y
comprobar si se cumple nuevamente la condicin de parada.
Es tambin posible determinar que el problema no se encuentra acotado y
su solucin siempre resultar mejorable. En tal caso no es necesario continuar
iterando indefinidamente y se puede finalizar el algoritmo. Esta situacin ocurre
cuando en la columna de la variable entrante a la base todos los valores son
negativos o nulos.

Eleccin de la variable que entra a la base:

Cuando una variable se vuelve bsica, es decir, entra en la base, comienza a
formar parte de la solucin. Observando los costes reducidos en la fila Z, se
decide que entra a la base la variable de la columna en la que ste sea el de
menor valor (o de mayor valor absoluto) entre los negativos.

Eleccin de la variable que sale de la base:

Una vez obtenida la variable entrante, se determina que sale de la base la
variable que se encuentre en aquella fila cuyo cociente P 0/Pj sea el menor de
los estrictamente positivos (teniendo en cuenta que esta operacin se har
nicamente cuando Pj sea superior a 0).

Elemento pivote:
El elemento pivote de la tabla queda marcado por la interseccin entre la
columna de la variable entrante y la fila de la variable saliente.

Actualizacin de la tabla:

Las filas correspondientes a la funcin objetivo y a los ttulos permanecern

inalteradas en la nueva tabla. El resto de valores debern calcularse como se
explica a continuacin:
En la fila del elemento pivote cada nuevo elemento se calcula como:

Nuevo Elemento Fila Pivote = Anterior Elemento Fila Pivote / Pivote.

En el resto de las filas cada elemento se calcula:

Nuevo Elemento Fila = Anterior Elemento Fila - (Anterior Elemento Fila

en Columna Pivote * Nuevo Elemento Fila Pivote).
De esta forma se consigue que todos los elementos de la columna de la
variable entrante sean nulos salvo el de la fila de la variable saliente cuyo valor
ser 1. (Es anlogo a utilizar el mtodo de Gauss-Jordan para resolver
sistemas de ecuaciones lineales).

Mtodo de las Dos Fases

El mtodo de las Dos Fases se utiliza cuando aparecen variables artificiales en la
forma cannica o estndar del problema. La primera fase trata de resolver el problema
auxiliar Z' de minimizar la suma de las variables artificiales y conseguir que sea cero
(con objeto de evitar incongruencias matemticas). Una vez resuelto este primer
problema, y siempre y cuando el resultado sea el esperado, se reorganiza la tabla
resultante para utilizarla en la segunda fase sobre el problema original.
En caso contrario el problema no es factible, es decir, no tiene solucin y no ser
necesario continuar con la segunda fase.

FASE 1
Esta primera fase es muy similar al mtodo Simplex, con la excepcin de la
construccin de la primera tabla, adems de la necesidad de estudiar el resultado
obtenido para determinar si se desarrolla la segunda fase.
En tal caso, la ltima tabla de esta fase ser, con algunas modificaciones, la
utilizada como tabla inicial para la segunda fase.

Construccin de la primera tabla:

Se elabora de manera anloga a la tabla inicial del mtodo Simplex, pero con
algunas diferencias.
Como se ha comentado, en esta primera fase se resuelve un problema
auxiliar (la minimizacin de la suma de las variables artificiales) con una

funcin objetivo auxiliar. Por lo tanto en la primera fila de la tabla, donde se

muestran los coeficientes de las variables de la funcin objetivo, aparecern
todos los trminos a cero excepto los coeficientes de variables artificiales. El
valor de cada uno de estos coeficientes es "-1" debido a que se est
minimizando la suma de dichas variables (recuerde que minimizar Z' es igual
que maximizar (-1)Z').
La otra diferencia para la primera tabla radica en que ahora s es
necesario calcular la fila Z (o fila indicadora).
Tabla
C0

C1

C2

...

Cn-k

...

Cn

Base

Cb

P0

P1

P2

...

Pn-k

...

Pn

P1

Cb1

b1

a11

a12

...

a1n-k

...

a1n

P2

Cb2

b2

a21

a22

...

a2n-k

...

a2n

...

...

...

...

...

...

...

...

...

Pm

Cbm

bm

am1

am2

...

amn-k

...

amn

Z0

Z1

Z2

...

Zn-k

...

Zn

Siendo Zj = (CbiPj) - Cj para i = 1..m, donde si j = 0, P 0 = bi y C0 = 0, y en

caso contrario Pj = aij.

Condicin de parada y paso a la fase 2:

La condicin de parada es la misma que en el mtodo Simplex normal. Esto
es, cuando en la fila indicadora ninguno de los valores de los costes reducidos
es negativo (ya que tal y como se ha planteado el objetivo es la maximizacin
de (-1)Z').
Cumplida la condicin de parada es necesario determinar si es posible
pasar a la segunda fase para obtener la solucin ptima del problema original.
Esto se hace observando el resultado obtenido en la primera fase: si su valor
es 0, significa que el problema original tiene solucin y es posible calcularla, en
caso contrario indica que se trata de un problema no factible y no tiene
solucin.

FASE 2
La segunda fase del mtodo de las Dos Fases se desarrolla exactamente igual
que el mtodo Simplex, con la salvedad de que antes de iniciar las iteraciones hay
que eliminar las columnas correspondientes a las variables artificiales, y reconstruir la
tabla inicial.

Eliminar Columna de variables artificiales:

Si hemos llegado a la conclusin de que el problema original tiene solucin,
debemos preparar nuestra tabla para la segunda fase. Este paso es muy
sencillo, se trata nicamente de eliminar las columnas correspondientes a las
variables artificiales.

Construccin de la tabla inicial:

La tabla inicial en este caso se mantiene casi igual a la ltima tabla de la
primera fase. nicamente habr que modificar la fila de la funcin objetivo por
la del problema original y calcular nuevamente la fila Z (de la misma forma que
en la primera tabla de la fase 1).

A partir de este punto, todas las iteraciones hasta llegar a la solucin ptima del
problema no presentan ninguna diferencia con el mtodo Simplex.

Identificando casos anmalos y soluciones

Solucin ptima: cuando se cumple la condicin de parada y no hay variables
artificiales en la base con valor positivo (los valores se indican en la columna P 0), se
ha conseguido la optimizacin. El valor Z 0 actual es la solucin ptima del problema,
cumplindose para las variables que se encuentran en la base. Si se trata de un
problema de minimizacin, el valor ptimo obtenido se multiplicar por "-1".
Infinitas soluciones: cumplida la condicin de parada, si alguna variable de
decisin no bsica tiene un valor 0 en la fila Z, significa que existe otra solucin que
aporta el mismo valor ptimo para la funcin objetivo. Es este caso el problema
admite infinitas soluciones, estando todas ellas comprendidas dentro del segmento (o
porcin del plano, regin del espacio, etc. dependiendo del nmero de variables del
problema) definido por AX1 + BX2 = Z0. Mediante una nueva iteracin y haciendo que
la variable de decisin que tiene el 0 en la fila Z entre en la base se obtendr otra
solucin diferente para el mismo valor ptimo.
Solucin ilimitada (no acotada): si toda la columna de la variable que entra a la
base tiene todos sus elementos negativos o nulos se trata de problema no acotado, es
decir, que tiene solucin ilimitada. No hay valor ptimo concreto para la funcin
objetivo sino que a medida que se aumenta el valor de las variables tambin se
incrementa el valor Z sin violar ninguna restriccin.
No existe solucin: cuando ningn punto satisface todas las restricciones del
problema se produce la infactibilidad no existiendo ninguna solucin posible para l.
En este caso, una vez terminadas todas las iteraciones del algoritmo, existen en la
base variables artificiales cuyo valor es superior a cero.
Empate de variable entrante: cuando se produce un empate en la condicin de
decisin de la variable entrante se puede optar por cualquiera de ellas sin que esto

afecte a la solucin final. Por contra si influye en el nmero de iteraciones necesarias

para obtener dicha solucin. Se aconseja optar a favor de las variables bsicas ya que
ellas son las que formarn parte de la solucin ptima.
Empate de variable saliente: se puede nuevamente optar por cualquiera de
ellas. Sin embargo, a fin de no alargar el problema y evitar la entrada en un bucle
infinito (caso degenerado), se discrimina a favor de las variables de decisin haciendo
que permanezcan en la base. En el caso de estar en la primera fase del mtodo de
las Dos Fases, se optar por sacar de la base las variables artificiales.
Curiosidad en la Fase 1: al finalizar la fase 1, si el problema original tiene
solucin, todas las variables artificiales en la fila indicadora deben tener el valor "1".
El elemento pivote puede ser nulo?: No, el elemento pivote siempre ser
estrictamente positivo ya que nicamente se realizan los cocientes entre valores no
negativos y mayores que cero (ante un problema de maximizacin).

Mtodo de la M o de Penalizacin.
Hasta este momento se han presentado los detalles del mtodo smplex con la
suposicin de que el problema se encuentra en nuestra forma estndar (maximizar Z
sujeta a las restricciones funcionales de la forma y restricciones de no negatividad
sobre todas las variables) con bi 0 para toda i = 1, 2, ..., m. En esta seccin se
establecer cmo hacer los ajustes requeridos a otras formas legtimas de modelos de
Programacin Lineal. Se ver que todos estos ajustes se pueden hacer en el paso inicial, de
manera que el resto del mtodo smplex se aplica justo como se aprendi.
El nico problema serio que introducen las otras formas de restricciones funcionales
(= ) es identificar una solucin inicial bsica factible. Antes, esta solucin inicial se
encontraba en forma muy conveniente al hacer que las variables de holgura fueran las
variables bsicas iniciales, donde cada una era igual a la constante no negativa del lado
derecho de la ecuacin correspondiente. Ahora debe hacerse algo ms. El enfoque estndar
que se utiliza es estos casos es la tcnica de variables artificiales. sta construye
un problema artificial ms conveniente introduciendo una variable ficticia
(llamada variable artificial) en cada restriccin que lo requiera. Esta nueva variable se
introduce slo con el fin de que sea la variable bsica inicial para esa ecuacin. Las
restricciones usuales de no negatividad tambin se aplican sobre estas variables y la funcin

objetivo se modifica para que imponga una penalizacin exorbitante en el caso de que
adquieran valores mayores que cero. Las iteraciones del mtodo smplex automticamente
fuerzan a las variables artificiales a desaparecer (a volverse cero) una a una, hasta que
todas quedan fuera de la solucin; despus de esto se resuelve el problema real.
Para ilustrar la tcnica de las variables artificiales, primero se considerar el caso en
que la nica forma no estndar en el problema es la presencia de una o ms restricciones en
forma de igualdad.
Restricciones en forma de igualdad.
En realidad, cualquier restriccin en forma de igualdad:
ai1x1 +ai2x2 + . . . + ainxn = bi
es equivalente a dos restricciones de desigualdad:
ai1x1 + ai2x2 + . . . + ainxn bi,
ai1x1 + ai2x2 + . . . + ainxn bi
Sin embargo, en lugar de hacer esta sustitucin e incrementar con ello el nmero de
restricciones, es ms conveniente usar la tcnica de la variable artificial. Suponga que se
modifica el problema de ejemplo presentado y resuelto en la seccin anterior. El nico
cambio que sufre el modelo de programacin lineal es que la tercera restriccin, 3x 1 +
2x2 18, se convierte en una restriccin de igualdad:
3x1 + 2x2 = 18
Aplicando la tcnica de las variables artificiales se introduce una variable
artificial no negativa (denotada por x5) en la ltima ecuacin, como si fuera una variable
de holgura:
3x1 + 2x2 + x5 =18
En resumen si tenemos una restriccin funcional en forma de igualdad y
deseamos pasarla a su forma de igualdad, nicamente debemos sumar una variable
artificial.

Restricciones funcionales de la forma

Para ilustrar la manera en que la tcnica de las variables artificiales maneja las
restricciones de la forma usaremos el siguiente ejemplo:
Minimizar
sujeta a

0.4x1
0.3x1
0.5x1
0.6x1
x1 0,

+
+
+
+

0.5x2
0.1x2
0.5x2 =
0.4x2
x2 0

2.7
6
6

Notemos que la tercera restriccin es del tipo , por lo que para cambiarla a su
forma de igualdad tendramos que restar una variable de supervit (o de excedente),
quedando de la siguiente manera:
0.6x1 + 0.4x2 x5 = 6
Se ha restado la variable de excedente x5 (se utiliz x5 porque en la primera
restriccin agregamos una variable de holgura que sera x 3 y en la segunda restriccin
agregamos tambin una variable artificial que sera x 4; todo esto con el fin de convertir las
desigualdades a su forma de igualdades) para que consuma el exceso de 0.6x1 + 0.4x2, o
sea, lo que se pasa de 6. No obstante en este caso debe agregarse otra variable. Esta variable
extra, llamada variable artificial se aumenta como sigue:
0.6x1 + 0.4x2 x5 + x6 = 6
La razn de esto es que, si no se agrega la variable artificial, no se estaran
cumpliendo las restricciones de no negatividad. Para comprenderlo, se dejar sin aumentar.
El mtodo smplex comienza por hacer todas las variables reales (originales) iguales a cero.
Entonces:
0.6x1 + 0.4x2 x5 = 6
Sea x1 = 0 y x2 = 0, entonces:
x5 = 6

de no negatividad)

x5 = 6 (que no cumple la restriccin

La variable artificial opera para mantener todas las variables no negativas cuando
0.6x1 + 0.4x2 es menor que 6. Si x1 = 0 y x2 = 0, entonces x5 = 0 y
0.6x1 + 0.4x2 x5 + x6 = 6
x6 = 6
En resumen, una restriccin de la forma se convierte a su forma de igualdad
restando una variable de excedente y sumando una variable artificial.
Consideremos el siguiente problema:
Maximizar
sujeta a

3x1
x1

5x2

2x2
+
=
3x1
2x2
x1 0,
x2 0

4
12
18

Como explicamos anteriormente, para resolver este problema, debemos construir

un problema artificial que tiene la misma solucin ptima que el problema real, haciendo
dos modificaciones a este problema real.
1.

Se aplica la tcnica de las variables artificiales introduciendo una variable

artificial no negativa (denotada por x5) en la ltima ecuacin, como si fuera una variable
de holgura:
3x1 + 2x2 + x5 =18

2. Se asigna una penalizacin enorme al hecho de tener x5 0, cambiando la funcin

objetivo
Z = 3x1 + 5x2 a:
Z = 3x1 + 5x2 Mx5,
donde M simblicamente representa un nmero positivo muy grande. Este mtodo
que fuerza a x5 hasta el nivel de x5 = 0 en la solucin ptima se llama mtodo de la M.
Nota: Para el caso de minimizacin, penalizamos a la variable artificial, hacindola
aparecer en la funcin objetivo con un coeficiente de +M.

Ahora se encuentra la solucin ptima para el problema real aplicando el

mtodo smplex al problema artificial.
Como x5 juega el papel de la variable de holgura en la tercera restriccin del
problema artificial, esta restriccin es equivalente a 3x1 + 2x2 18.
En particular, el sistema de ecuaciones despus de aumentar el problema artificial
(en otras palabras, pasarlo a su forma de igualdades) es:
Maximizar Z,
sujeta a
Z

3x1
x1

5x2
+
2x2

x3

+ Mx5 =
=

0
4