Programación Lineal

Método Simplex
 Introducción al Método Simplex
• Solución optima asociada con punto de
esquina (solución grafica).
• Se requiere convertir el modelo a la forma
estándar de PL.
• Soluciones de las ecuaciones lineales
simultaneas.
• La solución identifica los puntos de esquina
• El método simplex haya el optimo.
 Forma Estándar de PL y Soluciones
Básicas
• Forma estándar de programación lineal

• Soluciones básicas
 Forma estándar de programación
lineal
• Propiedades de la forma estándar:
1. Todas las restricciones son ecuaciones
con un lado derecho no negativo.
2. Todas las variables son no negativas
3. La función objetivo puede ser del tipo
de maximización o de minimización
 Conversión de desigualdades a
ecuaciones
• Ejemplo de <= Holgura

Superávit
• Ejemplo de >=

• El lado derecho siempre se puede hacer no

negativo multiplicándolo por -1 (cambio de
dirección de la desigualdad)
 Conversión de no restringida a no
negativa

• Se puede expresar como:

• donde
Conversión de Maximización a
Minimización
 Ejemplo
• Exprese el siguiente modelo en la forma
estándar
Solución
 Soluciones Básicas
• La forma estándar de programación lineal
incluye m ecuaciones lineales simultaneas con
n incógnitas o variables ( m<n). Dividimos las
variables n en dos series:
• n-m variables a las cuales asignamos valor 0
• restantes m variables cuyos valores se
determinan resolviendo las m ecuaciones
resultantes
 Soluciones Básicas
• Si las m ecuaciones producen una solución
única , entonces las m variables asociadas se
llaman variables básicas y las n-m variables
restantes se conocen como variables no
básicas.
• Si todas las variables asumen valores no
negativos, entonces la solución básica es
factible.
 Ejemplo
• Considere la siguiente serie de dos ecuaciones
con cinco incógnitas (m=2, n=5).

• Identifique una solución básica factible,

infactible y soluciones no básicas.
 El algoritmo Simplex
• Procedimiento creado por el matemático George
Dantzing
• Es posible enumerar todas las soluciones básicas
factibles y seleccionar la optima
• Procedimiento ineficiente
• El método simplex empieza en una solución
básica factible
• Luego encuentra una solución básica factible que
mejore el objetivo
• Variable de entrada y variable de salida
 El algoritmo Simplex
• Utilizamos el modelo del caso Vencedor S.A.
para ilustrar la aplicación del método simplex
 Modelo completo de Vencedor

Sujeta a:
Forma estándar del modelo
 El algoritmo Simplex
• La forma estándar se resume en forma de una
tabla simplex como:
 El algoritmo Simplex
• La solución no es optima debido a que en el
renglón –Z existen coeficientes negativos.
• Seleccionamos la variable de entrada como la
que tiene el coeficiente mas negativo, para
nuestro caso X1.
• La variable de salida se determina calculando
las siguientes razones:
 El algoritmo Simplex
• Elegimos, de las no negativas, la menor
 El algoritmo Simplex
• La variable de salida se determina como la
variable básica asociada con la razón mínima
calculada en la tabla anterior, para nuestro
caso S1.
• El reemplazo de la variable de salida (S1) por
la variable de entrada (X1), produce una
nueva solución básica, cuya solución se basa
en las operaciones de renglón de Gauss-
Jordán
 El algoritmo Simplex
• Renglón, columna y elemento pivote:
Elemento pivote
 Operaciones de Gauss - Jordan
En matemáticas, la eliminación de Gauss-Jordan, llamada
así debido a Carl Friedrich Gauss y Wilhelm Jordan, es un
algoritmo del álgebra lineal para determinar las
soluciones de un sistema de ecuaciones lineales,
encontrar matrices e inversas.

Carl Friedrich Gauss

Wilhelm Jordan
 El algoritmo Simplex
• Cálculos de Gauss-Jordan:

1.- Renglón pivote

Nuevo renglón pivote = renglón pivote actual / elemento pivote

2.- Todos los demás renglones incluyendo Z

Nuevo renglón= (renglón actual) – (su coeficiente de la columna
pivote)x(nuevo renglón pivote)
 El algoritmo Simplex
• Cálculos de Gauss-Jordán del tipo 1:
 El algoritmo Simplex
• Cálculos de Gauss-Jordán del tipo 2:
 El algoritmo Simplex
• Nueva tabla simplex con la nueva solución
básica (X1, S2,S3,S4)
 El algoritmo Simplex
• La nueva solución básica no es optima dado
que en el renglón –Z tenemos una variable
con coeficiente negativo, X2, la cual se
convierte en la nueva variable de entrada para
la siguiente iteración.
• Calculamos las razones según:
 El algoritmo Simplex
• Elegimos la mínima de las no negativas
definiendo la variable de salida como la
asociada (S2)
 El algoritmo Simplex
• Renglón pivote: S2
• Columna pivote : X2
• Elemento pivote 4/3
• Operaciones de renglón de Gauss_Jordan:
 El algoritmo Simplex
• Las operaciones de renglón de Gauss-Jordán
anteriores arrojan la siguiente tabla simplex
optima en el sentido de que todos los
coeficientes en el renglón z son no negativos.
 El algoritmo Simplex
• La solución optima se puede leer en la tabla
simplex de la siguiente manera:

• La cual concuerda con nuestros resultados

gráficos y mediante software.
 El algoritmo Simplex
• Condición de Optimalidad: La variable de entrada
en un problema de maximización(minimización)
es la variable no básica que tiene el coeficiente
mas negativo(positivo).
• Condición de Factibilidad: Tanto para los
problemas de maximización como de
minimización, la variable de salida es la variable
básica asociada con la razón no negativa mínima.
 Pasos del Método Simplex
• Paso 0: Determine una solución básica factible
inicial
• Paso 1: Seleccione una variable de entrada
empleando la condición de optimalidad,
deténgase si no hay una variable de entrada. La
solución básica del paso 0 es optima.
• Paso 2: Seleccione una variable de salidad
utilizando la condición de factibilidad
• Paso 3: Determine las nuevas soluciones básicas
empleando las operaciones de Gauss- Jordán
 Practica
• Modele matemáticamente el plan de
producción de solventes de la empresa
PETROPERU como un programa lineal,
soluciónelo mediante el algoritmo simplex.
 Método simplex de PL

Solución artificial de inicio – Método M

 Clasificación de los PL
• Los PL se pueden clasificar como:

• Tipo 1: PL con restricciones <= que requieren

una variable de holgura

• Tipo 2: PL con restricciones <=, >= y = que

requieren además de variables de holgura,
variables de superávit.
 Clasificación de los PL
PL del tipo 1 PL del tipo 2
Solución inicial básica factible PL tipo 1
PL del tipo 1 Ejemplo
• Los programas lineales del tipo
1 generan una solución básica
factible inicial que no requiere
de los cálculos de Gauss-
Jordan para su determinación
• Se requiere hacer no básicas (=
cero) las variables reales del
modelo y la solución básica
factible inicial se obtiene con
las variables de holgura
Solución inicial básica factible PL tipo 2
Ejemplo
PL del tipo 2

• Los programas lineales del

tipo 2 generan una solución
básica infactible inicial
• Se estandariza el modelo
• X3 (superávit) y X4(holgura)
ingresando variables de
holgura y superávit
• Se requiere hacer no
básicas (= cero) las variables
reales del modelo y la
solución básica inicial es
infactible • X1=0 y X2=0
• X3=-6 y X4=4 (solución infactible)
Solución inicial básica factible PL tipo 2
• La metodología consiste
en agregar variables
artificiales R en aquellas
restricciones >= o = en las • X1=0 y X2=0
que no existen variables • X3=-6 y X4=4 (solución infactible)

de holgura
• Luego penalizamos dichas
variables en la FO con una
coeficiente M grande de
tal manera que en el
proceso de optimización
su valor final sea cero.
• X1=0,X2=0 y X3=0
• R1=3,R2=6 y X4=4 (solución factible)
 Solución método simplex
• A continuación preparamos la tabla simplex
inicial:
 Solución método simplex
X1=0,X2=0 y X3=0
R1=3,R2=6 y X4=4 (solución factible)

Esta solución factible genera una inconsistencia

Z = 4 (0) + 0 + 3M + 6M = 9M
En el tablero simplex tenemos Z = 0
 Solución método simplex
• Eliminamos R1 y R2 del renglón z mediante la
siguiente sustitución:

• La nueva tabla inicial modificada es:

Esta solución factible es consistencia

Z = 4 (0) + 0 + 3M + 6M = 9M
En el tablero simplex tenemos Z = 9M
 Solución método simplex
• La ultima tabla esta lista para aplicarle el
algoritmo simplex con las condiciones de
optimalidad y factibilidad:
• Variable de entrada : X1
• Variable de salida : R1
• Aplicamos las operaciones de Gauss-Jordan
 Solución método simplex
• En la ultima tabla:
• Variable de entrada : X2
• Variable de salida : R2
• Al continuar con los cálculos del método
simplex se requieren dos iteraciones
adicionales para llegar al optimo:
 Actividades
• “Practica: Algoritmo simplex, método M”