El Método Simplex

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

• Cuando no hay Var. Básica que sale : Z no acotada

• Esto puede suceder si la Var. Básica entrante puede crecer de manera
Indefinida sin que ninguna de las Var. Básicas actuales adquiera valores
negativos.
• En la forma tabular significa que todos los coeficientes de la columna pivote (sin contar
el renglón (0)), son negativos o cero.
• El simplex se detiene con un mensaje “Z es no acotada”
• Tal vez el modelo esté mal formulado o error en los cálculos.
 Rompiendo empates en el Método Simplex
• Soluciones Optimas Múltiples
• El simplex se detiene al encontrar una solución óptima.
• Se puede identificar si hay mas soluciones óptimas, si al menos una variable No
Básica tiene coeficiente cero en el renglón (0) final, de manera que si aumenta
su valor, Z no cambia.
• Se las puede identificar haciendo otras iteraciones , en las que cada vez se elige una
variable No básica con coeficiente 0 como variable básica entrante.
• Todas las soluciones son un promedio ponderado de las dos o mas soluciones
FEV óptimas . Los pesos son no negativos y suman 1. Combinación Convexa
2
Combinación Convexa
• En el problema, hacer que la función objetivo sea: Z =
3x1 + 2x2 y las restricciones usuales.
• Tal que la soluciones múltiples están en el segmento
de recta entre (2, 6) and (4, 3)
• Combinación Convexa: (x1, x2) = w1(2, 6) + w2(4, 3)
con w1 + w2 = 1 and w1 ≥ 0, w2 ≥ 0.
• Por ejemplo para w1 =1/3 y w2 = 2/3, otra solución
óptima es.
• (x1, x2) = 1/3*(2, 6) + 2/3*(4, 3) = (10/3, 4)
Rompiendo empates en el Método Simplex

• Empate de la Variable Básica que sale: Degeneración

1. El empate ocurre entre dos o mas variables Básicas . En teoría si importa cuál se elige para
la iteración. Porque:
• Todas las variables empatadas se hacen 0 al mismo tiempo cuando crece el valor de la
Var Básica Entrante. Aquellas que no se eligieron también se hacen 0 en la nueva
solución BF.
– Las variables Básicas = 0 se llaman DEGENERADAS
2. Si una de las variables no cambia de 0, Z permanece igual.
3. Si Z permanece igual, el simplex puede caer en un CICLO que repite la misma secuencia en
forma periódica. Si se puede salir de ellos.
• Se recomienda romper los empates arbitrariamente sin preocuparse por la
Degeneración posible
En simplex tabular en Excel. Escoger 1 iteración y
realizar a mano en hoja y enviar al D2L
Adaptación a otras
Formas del Modelo
Adaptación a otras
Formas del Modelo
Adaptación a otras Formas del Modelo
• Los ajustes se hacen en la Inicialización, para luego aplicar el simplex
como se ha aprendido
• El problema mas serio que presentan las otras formas es identificar la
primera solución BF
• Hasta ahora, la primera solución BF se logra haciendo que las
variables de holgura sean las Variables Básicas iniciales
• Con las otras formas se necesita hacer la Técnica de la Variables
Artificiales
Adaptación a otras
Formas del Modelo
Adaptación a otras Formas del Modelo: Técnica de la
Variable Artificial
• Construye una forma conveniente del problema al
introducir una Variable Ficticia, llamada Variable Artificial,
en cada restricción que necesita una.
• Sirve para ser la variable básica de esa ecuación.
• A la función objetivo modifica y se le impone una
penalidad exorbitante , al tener valores mayores que
cero.
• Las iteraciones del simplex hacen que esta variable(s)
artificiales desaparezcan ( se hagan 0) una a una y luego se
resuelve el problema real
Adaptación a otras Formas del Modelo: Técnica de la
Variable Artificial
• Obtención de la solución BF inicial:
• Introducir una Variable Artificial x5¯ que representa a la variable de holgura
de la restricción (3)
• Poner una penalidad muy grande en la función objetivo Z = 3x + 5y - Mx5¯ por
tener x5¯ > 0
• Para forzar a que x5¯ se haga cero se usa el Método de la M Grande
Adaptación a otras Variable artificial Método de la gran M
Formas del Modelo
Método de la
gran M
 Este sistema no está en la forma
apropiada para hacer la eliminación
Gaussiana, porque una varibale Básica
tiene un coeficiente distinto de cero en
la Ec (0). Recordar que las Var.
Básicas tienen coeficiente 0 en la Ec(0)

Se la debe eliminar de la Ec(0)

A la Variable Artificial, haciendo
Este procedimiento

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:

Donde I es la matriz identidad de tamaño mxm y el

vector 0 es un vector de n+m elementos.
Método Simplex Matricial
• Recordar que para obtener una solución el método general es ir
mejorando con cada iteración la solución.
• Una de las cosas claves del MS es la forma en la cual resuelve para
cada nueva solución BF, luego de identificar las variables Básicas y No
Básicas.
• Dadas estas variables, la solución básica resultante es la solución de
las m ecuaciones.
Método Simplex Matricial
Las m ecuaciones son:

Donde las n variables No Básicas son 0 y queda:

Y el vector de las variables Básicas es:

Obtenido de : Quitadas las variables No básicas

Y la matriz Base B es :

Que es : Quitadas columnas de los coeficientes de

las variables No Básicas
Método Simplex Matricial
𝑍 = 𝒄𝑿
𝑍 = 𝒄𝑵𝑩 𝑿𝑵𝑩 + 𝒄𝑩 𝑿𝑩
𝑍 = 𝒄𝑩 𝑿𝑩

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…