Beruflich Dokumente
Kultur Dokumente
El método Simplex
• Desarrollado por George Dantzig en 1947.
• Sirve para resolver programas lineales.
• Es un procedimiento algebraico aunque se basa en conceptos
geométricos.
Vista geométrica
del Simplex
• Cada restricción es un limite de la región
factible, una frontera de restricción.
• Los puntos de cruce de las fronteras de
restricción se convierten en vértices y son
los candidatos para encontrar la solución
óptima.
• Los vértices en la región factible son las
soluciones factibles en los vértices (FEV).
Los vértices fuera de la región factible son
las soluciones no factibles en un vértice.
• La recta de (0,0) a (0,6) se conoce como
arista de la región factible y las FEV en sus
extremos se conocen como adyacentes.
• De cada solución FEV salen 2 aristas y por
lo tanto cada FEV tiene 2 FEV adyacentes
Soluciones adyacentes
por cada FEV
Por qué verificar las soluciones adyacentes por
cada FEV?
• Nos ayuda a verificar si una solución es óptima a través de la prueba
de optimalidad.
• “Si una solución FEV no tiene soluciones FEV adyacentes con mejores
valores en la función objetivo, entonces esta FEV debe ser la solución
óptima.”
Simplex desde el punto
de vista geométrico
Conceptos clave de solución Simplex
1. El método simplex solo analiza soluciones FEV.
2. El método simplex es un algoritmo iterativo
3. De ser posible, elegir (0,0) como solución inicial para simplificar el inicio del algoritmo para
encontrar una FEV.
4. Es más fácil encontrar soluciones FEV adyacentes a un punto actual que de otras FEV no
relacionadas con el punto actual. Se sigue el camino sobre las aristas.
5. Se observa la taza de mejoramiento de la función objetivo para moverse.
6. Para una taza positiva el algoritmo continua y para una taza negativa el algoritmo termina y
se queda con su FEV actual como óptima.
Simplex desde el punto de vista algebraico
• El procedimiento algebraico se base en la solución de sistemas de
ecuaciones.
• El primer paso es transformar las restricciones funcionales de
desigualdad en igualdades equivalentes. Esto se realiza a través de las
variables de holgura.
Forma aumentada del modelo
Forma aumentada del modelo
Variables de Variables de
decisión holgura
Solución (𝑋1 , 𝑋2 , 𝑋3 , 𝑋4 , 𝑋5 )
aumentada (3 , 2 , 1 , 8 , 5)
Solución (𝑋1 , 𝑋2 , 𝑋3 , 𝑋4 , 𝑋5 )
básica (4 , 6 , 0 , 0 , −6 )
Solución
(𝑋1 , 𝑋2 , 𝑋3 , 𝑋4 , 𝑋5 )
Básica
(0 , 6 , 4 , 0 , 6)
Factible BF
Una BF es un FEV
aumentada
Cómo resolvemos este modelo?
• Grados de libertad = número de variables
– número de ecuaciones
• Grados de libertad = 5 - 3 = 2
• Para resolver el sistema de ecuaciones, 2 de
las 5 variables se pueden asignar cualquier
valor y se pueden resolver para las otras tres
variables. Las 2 variables son las variables no
básicas y las otras 3 son variables básicas.
• En el método simplex, las variables no básicas
se igualan a cero y si las variables básicas
satisfacen las restricciones de no negatividad,
la solución básica es una solución BF.
• Dos soluciones BF son adyacentes si todas
(𝑋1 , 𝑋2 , 𝑋3 , 𝑋4 , 𝑋5 ) menos una de sus variables no básicas son
(0 , 6 , 4 , 0 , 6) las mismas. Esto implica que todas menos
una de sus variables básicas son también las
(𝑋1 , 𝑋2 , 𝑋3 , 𝑋4 , 𝑋5 )
mismas.
(0 , 0 , 4 , 12 , 18)
Algebra del método Simplex
Algebra del método Simplex
0 𝑍 − 3𝑥1 − 5𝑥2 =0
1 𝑥1 + 𝑥3 =4 𝑉𝐸 = 𝑥2 1 𝑥3 = 4 − 𝑥1
VS = Min para VE
2 2𝑥2 + 𝑥4 = 12 𝑉𝑆 = 𝑥4 2 𝑥4 = 12 − 2𝑥2
3 3𝑥1 + 2𝑥2 + 𝑥5 = 18 3 𝑥5 = 18 − 2𝑥2 − 3𝑥1
5
0 𝑍 − 3𝑥1 + 𝑥4 = 30
2
1 𝑥1 + 𝑥3 =4 𝑉𝐸 = 𝑥1 1 𝑥3 = 4 − 𝑥1
VS = Min para VE
1 1
2 𝑥2 + 𝑥4 =6 𝑉𝑆 = 𝑥5 2 𝑥2 = 6 − 𝑥4
2 2
3 3𝑥1 − 𝑥4 + 𝑥5 = 6 3 𝑥5 = 6 − 𝑥4 − 3𝑥1
3
0 𝑍 + 𝑥4 + 𝑥5 = 36
2
1 1
1 + 𝑥3 + 𝑥4 − 𝑥5 = 2
3 3
1
2 𝑥2 + 𝑥4 =6
2
1 1
3 𝑥1 − 𝑥4 + 𝑥5 = 2
3 3
Simplex en forma tabular
Variable Coeficiente de: Lado
Iteración básica Ec. Z x1 x2 x3 x4 x5 derecho
Z (0) 1 -3 -2 0 0 0 0
x3 (1) 0 1 0 1 0 0 4
0
x4 (2) 0 1 3 0 1 0 15
x5 (3) 0 2 1 0 0 1 10
Z (0) 1 0 -2 3 0 0 12
x1 (1) 0 1 0 1 0 0 4
1
x4 (2) 0 0 3 -1 1 0 11
x5 (3) 0 0 1 -2 0 1 2
Z (0) 1 0 0 -1 0 2 16
x1 (1) 0 1 0 1 0 0 4
2
x4 (2) 0 0 0 5 1 -3 5
x2 (3) 0 0 1 -2 0 1 2
Z (0) 1 0 0 0 0.2 1.4 17
x1 (1) 0 1 0 0 -0.2 0.6 3
2
x3 (2) 0 0 0 1 0.2 -0.6 1
x2 (3) 0 0 1 0 0.4 -0.2 4
Su turno… en forma tabular en Excel
Rompiendo empates en el Método Simplex
Rompiendo empates en el Método Simplex
• Empate de la Variable Entrante
• Se tienen dos o mas variables No 3
Básicas que tienen el coeficiente
negativo mas grande ( en valor
absoluto).
• Se puede elegir entre dos
“competidores” (variables empatadas),
de manera arbitraria.
• Tarde o temprano se llegará a la solución
óptima
Rompiendo empates en el Método Simplex
Se procede con el simplex usando este set de Ec. Para hacer la reducción
(Eliminación Gaussiana)
Adaptación a otras Formas del Modelo:
Adaptación a otras Formas del Modelo: multiplicación
por -1 para obtener el lado derecho positivo
• Lado derecho negativo.
Adaptación a otras Formas del Modelo: Variable de
superávit
• Lado derecho negativo.
• Variable de Superávit porque resta el exceso del lado derecho para convertir la
restricción de desigualdad en una de igualdad equivalente.
Adaptación a otras Formas del Modelo: Variable de
superávit
• Lado derecho negativo.
• Variable de Superávit porque resta el exceso del lado derecho para convertir la
restricción de desigualdad en una de igualdad equivalente.
• Una vez lograda esta conversión se aplica el Método de la Variable Artificial como
antes
Adaptación a otras Formas del Modelo: maximizar = -
minimizar
• Lado derecho negativo.
• Variable de Superávit porque resta el exceso del lado derecho para convertir la
restricción de desigualdad en una de igualdad equivalente.
• Una vez lograda esta conversión se aplica el Método de la Variable Artificial como
antes
Adaptación a otras Formas del Modelo: maximizar = -
minimizar
• Lado derecho negativo.
• Variable de Superávit porque resta el exceso del lado derecho para convertir la
restricción de desigualdad en una de igualdad equivalente.
• Una vez lograda esta conversión se aplica el Método de la Variable Artificial como
antes
• Minimización Una manera es cambiar los roles de los coeficientes negativos y positivos
en el renglón 0, tanto para la prueba de optimalidad como para el paso 1 de una
iteración
Adaptación a otras formas del modelo
Adaptación a otras formas del modelo
Gran M -> 2 Fases
Gran M -> 2 Fases
Gran M -> 2 Fases
Resumen del método de las 2 fases
1. Introducir variables de holgura, exceso o artificiales.
2. Fase 1: Encontrar una BF inicial para el problema de la gran M.
3. Fase 2: Usar la BF inicial para encontrar la solución óptima del
problema real.
Método de las 2 fases
Fase 1
Fase 1
Pasos
para
cambio
de fases
Fase 2
Su turno en Excel…
Minimizar
Sin soluciones factibles
Minimizar
LA VARIABLE ARTIFICIAL NO SE HACE 0, POR LO QUE EL PROBLEMA REAL NO ES FACTIBLE
Método Simplex Matricial
• El método simplex visto hasta ahora (forma tabular, forma
algebraica), no es la forma mas eficiente computacionalmente,
de trabajar el problema.
• Calcula y guarda muchos números que no son necesarios en la iteración
actual y que pueden no ser importantes en el proceso de iterativo.
• Las únicas piezas relevantes en cada iteración son:
• los coeficientes de las variables No Básicas en Ec. (0),
• Los coeficientes de las variable básica entrante en las otras ecuaciones
• Lado derecho de las ecuaciones.
Método Simplex Matricial
• Este método guarda únicamente la información
necesaria.
• El simplex revisado usa Matrices
Método Simplex Matricial
• Para obtener la forma aumentada se tiene que introducir
el vecto xs y las restricciones son:
Y la matriz Base B es :
𝑨𝑿𝑵𝑩 + 𝑩𝑿𝑩 = 𝒃
𝑩𝑿𝑩 = 𝒃
𝑩−𝟏 𝑩𝑿𝑩 = 𝑩−𝟏 𝒃
𝑿𝑩 = 𝑩−𝟏 𝒃
𝑍 = 𝒄𝑩 𝑩−𝟏 𝒃
𝑍 𝒄𝑩 𝑩−𝟏 𝒃
=
𝑿𝑩 𝑩−𝟏 𝒃
𝑍 1 0 𝒄𝑩 𝑩−𝟏 𝒃
= =
𝑿𝑩 𝟎 𝒃 𝑩−𝟏 𝒃
1 × 0 + 𝒀 × 𝒃 = 𝒄𝑩 𝑩−𝟏 𝒃
𝒀 = 𝒄𝑩 𝑩−𝟏
𝟎 × 0 + 𝑾 × 𝒃 = 𝑩−𝟏 𝒃
𝑾 = 𝑩−𝟏
𝑍 1 𝒄𝑩 𝑩−𝟏 0 𝒄𝑩 𝑩−𝟏 𝒃
= =
𝑿𝑩 𝟎 𝑩−𝟏 𝒃 𝑩−𝟏 𝒃
En simplex matricial…
Su turno…