Casos especiales en la aplicacin

del mtodo simplex

INVESTIGACIN OPERATIVA

INTRODUCCION

Entre los distintos procesos que existen en la investigacin de

operaciones existen casos especiales que se dan y hay que revisarlos de
la manera correcta y entender para poder saber el mtodo correcto que
se debe aplicar

OBJETIVOS

Desarrollar este mtodo para conocer las propiedades del mismo y su

alcance en la investigacin de operaciones

Maximizar y Minimizar las funciones objetivos que nos plantea el

problema para obtener beneficios en cualquier campo

Dar solucin a los problemas de la vida cotidiana mediante un mtodo

muy interesante como es el mtodo de casos especiales

Consideraremos casos especiales que pueden presentarse en la aplicacin

del mtodo simplex, entre los que se encuentran:

Degeneracin.

Opciones ptimas.

Soluciones no acotadas.

Soluciones inexistentes (o infactibles).

DEGENERACIN.

La degeneracin ocurre cuando en alguna iteracin del mtodo simplex

existe un empate en la seleccin de la variable que sale este empate se
rompe arbitrariamente. Sin embargo 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

DEGENERACIN TEMPORAL.

El seleccionar arbitrariamente lavariable salientepuede conducir a que,

en la siguiente interaccin una o ms de las variables bsicas sean cero,
sin embargo, puede ocurrir que la degeneracin se presente en una
tabla intermedia y que en la solucin final ptima la degeneracin
desaparezca, si esto sucede, se dice que se tiene unasolucin ptima
condegeneracin temporal.

Ejemplo (Solucin ptima degeneracin temporal)

Maximizar

Z = 2x1+ x2

Sujeto a
4x1+3x2=12
4x1+x2=8
4x1+x2=8
xj>=0; (j =1,2)

SOLUCIONES PTIMAS ALTERNAS MLTIPLES.

Cuando la funcin objetivo es paralela a una restriccin que se satisface en el

sentido de la igualdad a travs de la solucin ptima, la funcin objetivo
tomar el mismo valor ptimo en ms de un punto de la solucin. Por esta
razn reciben el nombre de Mltiples alternativas ptimas.

Cuando en los coeficientes de las variables no bsicas en el rengln z de la

tabla ptima existe una variable con valor de cero, lo que indica que esa
variable no bsica puede entrar a la solucin bsica sin alterar el valor de z
pero provoca un cambio en el valor de las variables.

Se identifican en la tabla simplex porque alguna(s)variable(s) no bsica(s)

presenta(n) el valor cerocomo coeficiente en el rengln Z de la tabla. Esto se
debe a que la funcin objetivo es paralela a una de las restricciones que
limitan el conjunto de soluciones factibles. En tal caso, se pueden calcular las
soluciones ptimas alternas, metiendo a la base, la variable no bsica, con
cero de coeficiente en el rengln Z de la tabla; tambin se pueden obtener
mltiples soluciones ptimas, calculando puntos P como combinacin
convexa lineal de dos de las soluciones bsicas que optimizan con el simplex:

SOLUCIONES NO ACOTADAS.

En algunos modelos de programacin lineal, los valores de las variables se pueden

aumentar en forma indefinida sin infringir 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 la minimizacin en forma
indefinida.

Cuando en la tabla del simplex en el rengln de la z existe una variable no bsica que
puede entrar pero al determinar la variable que sale nos damos cuenta que en la su
columna existen solo valores de ceros o negativos lo que significa que esa variable puede
hacer crecer en forma indefinida a z sin que se infrinja ninguna de las restricciones.

Ejemplo:Problema consolucin ptimano-acotada, siempre existir una mejor

solucin.

Maximizarz= 36X1 +30X2-3X3-4X4

S.A
X1+X2-X3<=5
6X1+5X2-X4<=10
X1,X2,X3,X4>=0

SOLUCIN 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 Menor igual (suponiendo valores positivos en el segundo
miembro) ya que las variables de holgura producen siempre una 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 hacen provisiones a travs del uso de
penalizaciones para hacer que estas 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.

Ejemplo.
MaximizarZ= 3x1+ 2x2

S.A
2x1+x2=2
3x1+4x2=12
xj>=0 ;(j =1,2)