Teora del mtodo Simplex

Preparando el modelo para adaptarlo al mtodo Simplex

Tipo de optimizacin
Cambio de signo de los trminos independientes
Normalizacin de las restricciones
Desarrollando el mtodo Simplex
Mtodo Simplex
Mtodo de las Dos Fases
Identificando casos anmalos y soluciones
Mtodo Grfico
Ejemplo del mtodo Simplex
Ejemplo del mtodo Grfico
Comparacin del mtodo Simplex y el mtodo Grfico
El mtodo Simplex es un procedimiento iterativo que permite mejorar la solucin de la
funcin objetivo en cada paso. El proceso concluye cuando no es posible continuar
mejorando dicho valor, es decir, se ha alcanzado la solucin ptima (el mayor o menor
valor posible, segn el caso, para el que se satisfacen todas las restricciones).
Partiendo del valor de la funcin objetivo en un punto cualquiera, el procedimiento consiste
en buscar otro punto que mejore el valor anterior. Como se ver en el mtodo Grfico,
dichos puntos son los vrtices del polgono (o poliedro o polcoro, si el nmero de variables
es mayor de 2) que constituye la regin determinada por las restricciones a las que se
encuentra sujeto el problema (llamada regin factible). La bsqueda se realiza mediante
desplazamientos por las aristas del polgono, desde el vrtice actual hasta uno adyacente
que mejore el valor de la funcin objetivo. Siempre que exista regin factible, como su
nmero de vrtices y de aristas es finito, ser posible encontrar la solucin.
El mtodo Simplex se basa en la siguiente propiedad: si la funcin objetivo Z no toma su
valor mximo en el vrtice A, entonces existe una arista que parte de A y a lo largo de la
cual el valor de Z aumenta.
Ser necesario tener en cuenta que el mtodo Simplex nicamente trabaja con
restricciones del problema cuyas inecuaciones sean del tipo "" (menor o igual) y sus
coeficientes independientes sean mayores o iguales a 0. Por tanto habr que estandarizar
las restricciones para que cumplan estos requisitos antes de iniciar el algoritmo del
Simplex. En caso de que despus de ste proceso aparezcan restricciones del tipo ""
(mayor o igual) o "=" (igualdad), o no se puedan cambiar, ser necesario emplear otros
mtodos de resolucin, siendo el ms comn el mtodo de las Dos Fases.

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 P0/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 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 P0/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 (x1,..., 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: x s 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: x s 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 x s, 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 xr, 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 Cb); 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 (Pj). 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
Base
P1
P2
...
Pm
Z

Cb
Cb1
Cb2
...
Cbm

P0
b1
b2
...
bm
Z0

C1
P1
a11
a21
...
am1
Z1-C1

C2
P2
a12
a22
...
am2
Z2-C2

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: Z j =
(CbiPj) para i = 1..m, donde si j = 0, P0 = 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, -C j.

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 P j 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).

Base
P1
P2
...
Pm
Z

Cb
Cb1
Cb2
...
Cbm

C0
P0
b1
b2
...
bm
Z0

C1
P1
a11
a21
...
am1
Z1

Tabla
C2
P2
a12
a22
...
am2
Z2

...
...
...
...
...
...
...

Cn-k
Pn-k
a1n-k
a2n-k
...
amn-k
Zn-k

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 Z0 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 AX 1 + 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).

Aplicacin del Mtodo Simplex

en investigacin de operaciones y simulacin
El mtodo smplex cuya gran virtud es su sencillez, es un mtodo muy prctico, ya que solo trabaja con
los coeficientes de la funcin objetivo y de las restricciones.
Ilustraremos su funcionamiento mediante un ejemplo, pero previamente mostraremos las reglas de
decisin para determinar la variable que entra, la que sale, la gran M, y cmo determinar que estamos en
el ptimo; Todas stas reglas de decisin fueron deducidas del mtodo algebraico, solamente que aqu se
han acomodado para ser usadas en el tipo de tablero smplex que se usar.
.
.
.
.

.
Criterio de
decisin

Maximizar

Minimizar

Gran M en la
- MXj
funcin objetivo

+MXj

Variable que entra La ms negativa de los Zj - Cj

La ms positiva de los Zj - Cj

Variable que sale

La menos positiva de los b/a ,Siendo La menos positiva de los b/a ,Siendo a > 0 , de
a > 0 , de lo contrariono restringe
lo contrariono restringe a la variable queentra

Solucin ptima Cuando todos los Zj Cj > 0

Cuando todos los Zj Cj < 0

TIPOS DE RESTRICCIONES

Restricciones

Se aade una variable de holgura, con costo (o ganancia) en la funcin objetivo igual a 0.
Ejm:
2X1 - 4X2 <= 1, queda:
2X1 - 4X2 + X3 = 1

Cj de X3 en la funcin objetivo ser 0.

Restricciones

Se resta una variable de exceso, con costo (o ganancia) en la funcin objetivo igual a 0, y se suma una
variable artificial con costo +M M segn sea maximizacin o minimizacin.
Ejm:
2X1 + 3X2 >= 1, queda:
2X1 + 3X2 - X3 + X4= 1

Cj de X3 en la funcin objetivo ser 0. y Cj de X4 (artificial) es M

Restricciones =

Se le aade una variable artificial con costo +M M segn sea maximizacin o minimizacin.
Ejm:
2X1 + 3X2 = 8, queda:
2X1 + 3X2 + X3= 8

Cj de X3 en la funcin objetivo ser M

Adicionalmente se presentan las siguientes notas a tener en cuenta:

Si en el tablero simplex de la solucin ptima queda al menos una variable de

supervit artificial dentro de las variables bsicas, con un valor > 0 , el problema
no tiene solucin, esto quiere decir que al menos existen dos restricciones

excluyentes, por lo tanto no existe rea de soluciones factible y menos una solucin ,
en ste caso se debe revisar la formulacin del problema.

Si al escoger la variable que sale, ninguna de las variables bsicas restringe el

crecimiento de la variable no bsica escogida para entrar, el problema tiene solucin
indeterminada y se debe revisar la formulacin en busca de una nueva restriccin
que no se tuvo en cuenta en la formulacin inicial.

Si en el tablero simplex del ptimo, al menos una de las variables no bsicas tiene
coeficiente cero (0) en la funcin objetivo, esto es su Zj Cj = 0, el problema tiene
mltiples soluciones y se nos est ofreciendo una de ellas.