Casos de programacin lineal

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 0 1 y

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 x2 se puede hacer crecer en
forma indefinida sin que se infrinja ninguna de las restricciones. Como cada
incremento de una unidad en x2, aumentar z en 1, un incremento infinito en x 2
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 x 2 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 simultanea, 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 practico 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 simultanea, 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