2 Programación Lineal.

2.4. Método Símplex.

El método símplex es un algoritmo. De hecho, cualquier procedimiento iterativo de solución es

un algoritmo. Entonces, un algoritmo es simplemente un proceso en el que se repite (se itera) un

procedimiento sistemático una y otra vez hasta obtener el resultado deseado. Cada vez que se lleva a

cabo el procedimiento sistemático se realiza una iteración. En consecuencia, un algoritmo sustituye

un problema difícil por una serie de problemas fáciles.

Además de las iteraciones, los algoritmos incluyen un procedimiento para iniciar y un criterio

para determinar cuándo detenerse, como se resume enseguida:

Paso inicial Preparación para iniciar iteraciones

Paso iterativo Realización de iteraciones

Regla de detención ¿Es óptima la solución actual?

Si no Si sí
Fin

El método símplex es un procedimiento algebraico en el que cada iteración contiene la

solución de un sistema de ecuaciones para obtener una nueva solución a la que se le aplica la prueba

de optimalidad. No obstante, también tiene una interpretación geométrica muy útil. Para ilustrar los

conceptos geométricos generales se empleará la solución gráfica del siguiente problema:

Max Z = 3x1 + 5x2

s.a.
x1 4
2x2  12
3x1 + 2x2  18
x1  0 x2  0

Solución por el método gráfico:

En la figura anterior pueden observarse los puntos de intersección que son las soluciones en los

vértices del problema. Los cinco puntos que se encuentran en los vértices de la región factible, 
(0,0), (0,6), (2,6), (4,3), (4,0) son las soluciones factibles en los vértices. Algunas de estas

soluciones factibles en un vértice son adyacentes, en el sentido de que están conectadas por una sola

orilla (segmento de línea) de la frontera de la región factible; esto es, tanto (0,6) como (4,3) son

adyacentes a (2,6). Las tres propiedades clave de las soluciones factibles en los vértices y que

forman el fundamento del método símplex se resumen como sigue:

Propiedades de las soluciones factibles en un vértice:

1a. Si existe exactamente una solución óptima, entonces debe ser una solución factible en un

vértice.

1b. Si existen soluciones óptimas múltiples, entonces al menos dos de ellas deben ser soluciones

factibles en vértices adyacentes.

2. Existe sólo un número finito de soluciones factibles en los vértices adyacentes.

3. Si una solución en un vértice es igual o menor (según el valor de Z) que todas las soluciones
factibles en los vértices adyacentes a ella, entonces es igual o mejor que todas las demás

soluciones en los vértices; es decir, es óptima.

 La propiedad 1 significa que la búsqueda de la solución óptima se puede reducir a la

consideración de sólo las soluciones factibles en los vértices, de manera que sólo existe un número

finito de soluciones que es necesario tomar en cuenta (propiedad 2). La propiedad 3 proporciona una

prueba de optimalidad muy conveniente.

El método símplex explota estas tres propiedades al examinar nada más unas cuantas

soluciones factibles en vértices prometedores y al detenerse en cuanto una de ellas pasa la prueba

de optimalidad. En particular, se traslada repetidamente (en forma iterativa) de una solución factible

en un vértice a otra, adyacente y mejor. Esto se puede realizar en forma muy eficiente hasta que la

solución actual no tiene soluciones factibles en vértices adyacentes que sean mejores. Este

procedimiento se resume como sigue:

Bosquejo del método símplex:

1. Paso inicial: inicio en una solución factible en un vértice.

2. Paso iterativo: traslado a una mejor solución factible en un vértice adyacente. (Repítase este
paso las veces que sea necesario).

3. Prueba de optimalidad: la solución factible en un vértice es óptima cuando ninguna de las

soluciones en vértices adyacentes a ella sean mejores.

Este bosquejo muestra la esencia del método símplex,. En el caso del ejemplo, al utilizar

estas reglas de selección el método símplex procede como sigue:

1. Paso inicial: comienza en (0,0).

2a. Iteración 1: se mueve de (0,0) a (0,6)

2b. Iteración 2: se mueve de (0,6) a (2,6).

3. Prueba de optimalidad: ni (0,6) ni (4,3) son mejores que (2,6), entonces se detiene, (2,6) es
óptima.

Preparación para el método símplex.

En el procedimiento algebraico es mucho más conveniente manejar ecuaciones que

desigualdades. Así, el primer paso para preparar el método símplex es convertir las restricciones

funcionales de desigualdad en restricciones equivalentes. (Las restricciones de no negatividad se

pueden dejar como desigualdades porque el algoritmo las usa sólo indirectamente). Esta conversión
se hace mediante la introducción de variables de holgura. Considérese la primera restricción

funcional del ejemplo:

x1  4

La variable de holgura para esta restricción es x3, que no es otra cosa que la holgura entre los dos

lados de la desigualdad. Entonces:

x1 + x3 = 4

La restricción original x1  4 se cumple siempre que x3  0. Por tanto, x1  4 es totalmente

equivalente al conjunto de restricciones

x1 + x3 = 4

x3  0,

de manera que se usará este conjunto por resultar más conveniente.

Al introducir variables de holgura en las otras restricciones en forma parecida, el modelo de

programación lineal original para este ejemplo se puede sustituir por el modelo equivalente:

Maximizar Z = 3x1 + 5x2,

sujeta a
x1 + x3 = 4
2x2 + x4 = 12
3x1 + 2x2 + x5 = 18
xj  0 para j = 1, 2, …, 5

Aun cuando este problema es idéntico al anterior, esta forma es mucho más conveniente para

la manipulación algebraica y la identificación de las soluciones factibles en los vértices. Ésta se llama

la forma de igualdades del problema, para diferenciarla de la forma de desigualdades original y poder

introducir la siguiente definición:

 Una solución aumentada es una solución para un problema que originalmente se encontraba en

forma de desigualdades y que se ha aumentado con los valores correspondientes de las variables

de holgura para cambiar el problema a la forma de igualdades.

Por ejemplo, al aumentar la solución (3,2) en el ejemplo, se obtiene la solución aumentada

(3,2,1,8,5), puesto que los valores correspondientes de las variables de holgura son x 3 = 1, x4 = 8, x5 =

5.

Una solución básica es una solución en un vértice aumentada.

Para ilustrar esto, considérese la solución no factible en el vértice (4,6) del ejemplo. Al

aumentar con los valores obtenidos para las variables de holgura x 3 = 0, x4 = 0 y x5 = –6, se llega a la

solución básica correspondiente (4,6,0,0,–6). Se permite que las soluciones básicas sean factibles o

no factibles, lo que lleva a la siguiente definición:

Una solución básica factible es una solución factible en un vértice aumentada.

Así, la solución factible en el vértice (0,6) del ejemplo es equivalente a la solución básica

factible (0,6,4,0,6) para la forma de igualdades del problema.

Como los términos solución básica y solución básica factible constituyen partes muy

importantes del vocabulario normal de programación lineal, es necesario aclarar sus propiedades

algebraicas. Nótese que para la forma de igualdades del ejemplo, el sistema de restricciones

funcionales tiene dos variables más (cinco) que ecuaciones (tres). Este hecho proporciona dos grados

de libertad al resolver el sistema, ya que se pueden elegir dos variables cualesquiera y hacerlas
iguales a cualquier valor arbitrario para resolver las tres ecuaciones en términos de las tres

variables restantes (se excluyen redundancias). El método símplex usa cero para este valor

arbitrario. Las variables que por el momento se hacen iguales a cero se llaman variables no básicas;

todas las demás se llaman variables básicas. La solución que resulta es una solución básica. Si todas

las variables básicas son no negativas, entonces se tiene una solución básica factible. Para cualquier

solución básica, la solución en el vértice correspondiente se obtiene simplemente al quitar las

variables de holgura. Dos soluciones básicas son adyacentes si todas menos una de sus variables son

las mismas; la misma aseveración se cumple para las variables básicas. Entonces, trasladarse de una
solución básica factible a una adyacente significa cambiar el estado de una variable de no básica a

básica y viceversa para otra variable.

En términos generales, el número de variables no básicas de una solución básica siempre es

igual a los grados de libertad del sistema de ecuaciones y el número de variables básicas siempre es

igual al número de restricciones funcionales.

Al trabajar con el problema en forma de igualdades, conviene tomar en cuenta y manipular la

ecuación de la función objetivo al mismo tiempo que las nuevas ecuaciones de las restricciones. Antes

de comenzar con el método símplex es necesario escribir el problema una vez más en su forma

equivalente:

Maximizar Z,
sujeta a
Z  3x1  5x2 = 0
x1 + x3 = 4
2x2 + x4 = 12
3x1 + 2x2 + x5 = 18
xj  0 para j = 1, 2, …, 5

Como la ecuación de la función objetivo ya se encuentra en forma de igualdad, no necesita

variable de holgura. Con esta interpretación, las soluciones básicas no cambian, excepto que Z puede

verse como una variable básica adicional permanente.

A partir de este momento ya estamos listos para pasar los coeficientes de nuestro problema

a lo que conoceremos como la Tabla Símplex:

Variable Lado
Básica Z x1 x2 x3 x4 x5 derecho Cociente ¿Es óptima?
Z 1 –3 –5 0 0 0 0
x3 0 1 0 1 0 0 4 (0, 0, 4, 12, 18)
x4 0 0 2 0 1 0 12 Z=0
x5 0 3 2 0 0 1 18

La tabla anterior ilustra una propiedad clave que toda tabla símplex debe tener para estar en

la forma apropiada; se trata del patrón especial de los coeficientes de las variables básicas. En

particular, nótese cómo las columnas de x 3, x4 y x5 (al igual que la columna de Z) contiene

exactamente un +1 en el renglón que corresponde a esa variable básica (véase la primera columna), y
todos los demás coeficientes en esa columna son cero. De la misma manera, cada ecuación contiene
exactamente una variable básica con coeficiente distinto de cero, en donde este coeficiente es +1.

Esta propiedad es significativa, ya que permite identificar de inmediato la solución básica factible

actual a partir de la tabla; esto es, cada variable básica es igual a la constante del lado derecho de su

ecuación. Esta primera solución básica factible actual se muestra en la figura anterior en la columna

de ¿Es óptima?. De aquí en adelante, para cada nueva iteración del método símplex mostraremos la

solución básica factible actual en esta columna de la tabla símplex. (Recuérdese que las variables no

básicas son iguales a cero). La tabla símplex inicial quedará automáticamente en esta forma

apropiada (a menos que el problema original de programación lineal no esté en nuestra forma

estándar).
El método símplex construye una tabla símplex para cada solución básica factible que se

obtiene, hasta alcanzar la solución óptima. A continuación describimos el procedimiento para

problemas que ya están en la forma estándar, con bi  0 para toda i = 1, 2, …, m.

PASO INICIAL. Se introducen variables de holgura. Después se seleccionan las variables originales

como variables no básicas iniciales (se igualan a cero) y las variables de holgura como las variables

básicas originales. Esta selección lleva a la tabla símplex inicial anterior. Como esta tabla está en la
forma apropiada, de inmediato se obtiene la solución básica factible inicial para el ejemplo,
(0,0,4,12,18). Ahora debe realizarse la prueba de optimalidad para determinar si la solución es

optima.

PRUEBA DE OPTIMALIDAD. La solución básica factible actual es óptima si y sólo si todos los

coeficientes de la ecuación de la función objetivo (renglón de Z) son no negativos (  0 ). Si es así, el

proceso termina; de otra manera, se lleva a cabo otra iteración para obtener la nueva solución básica

factible, lo que significa el cambio de una variable no básica por una básica (parte 1) y viceversa

(parte 2), y después despejar las variables de la nueva solución (parte 3).

En este ejemplo, hay dos coeficientes negativos en la ecuación de Z, 3 para x1 y 5 para x2

de manera que debe irse al paso iterativo. Tacharemos la solución básica factible actual como se

muestra en la tabla anterior para indicar que esta solución no es óptima.

PASO ITERATIVO.
 Parte 1. Se determina la variable básica entrante mediante la elección de la variable con el
coeficiente negativo (automáticamente se refiere a una variable no básica) que tiene el mayor valor
absoluto en la ecuación de Z. Se enmarca la columna correspondiente a este coeficiente; esta

columna recibe el nombre de columna pivote. En el ejemplo, el coeficiente negativo más grande (en

términos de valor absoluto) es –5 para x2 (5>3), por lo que x2 debe convertirse en variable básica.

Este cambio se indica en la siguiente tabla con el recuadro en la columna de x 2 abajo del –5:

Variable Lado
Básica Z x1 x2 x3 x4 x5 derecho Cociente ¿Es óptima?
Z 1 –3 –5 0 0 0 0
x3 0 1 0 1 0 0 4
x4 0 0 2 0 1 0 12 12/2 = 6 mínimo
x5 0 3 2 0 0 1 18 18/2 = 9

Parte 2. Se determina la variable básica que sale; para esto, a) se toma cada coeficiente
estrictamente positivo (>0) de la columna enmarcada, b) se divide el lado derecho de cada renglón

entre estos coeficientes, c) se identifica la ecuación con el menor coeficiente y d) se selecciona la

variable básica para esta ecuación. (Esta variable básica es la que llega a cero primero cuando se

incrementa la variable básica entrante). Se enmarca el renglón de esta ecuación en la tabla símplex

sin incluir la columna Z y se le da el nombre de renglón pivote. El número que está en la intersección

de los dos recuadros se llama pivote.

En la tabla anterior, se muestran los resultados de las partes 1 y 2 para el ejemplo (antes de

enmarcar el renglón); la prueba del cociente mínimo para determinar la variable básica que sale se

muestra a la derecha de la tabla. Entonces la variable básica que sale es x4.

Parte 3. Se determina la nueva solución básica factible al construir una nueva tabla símplex
en la forma apropiada, abajo de la que se tiene. Las primeras dos columnas no cambian, excepto que

la variable básica entrante sustituye a la variable básica que sale en la columna de Variable Básica.

Para cambiar el coeficiente de la nueva variable básica en el renglón pivote a +1, se divide todo el

renglón pivote entre el número pivote:

Renglón pivote nuevo = Renglón pivote antiguo / pivote

 En este punto, la tabla símplex para el ejemplo se ve como la que se muestra enseguida. Para

obtener un coeficiente 0 para la nueva variable básica en las otras ecuaciones, cada renglón [inclusive

el de la ecuación de Z] excepto el renglón pivote, se cambia por la nueva tabla símplex usando la

siguiente fórmula:

Renglón nuevo = renglón antiguo  (coeficiente en la columna pivote  renglón pivote nuevo)

en donde el coeficiente en la columna pivote es el número en la columna pivote correspondiente a

este renglón.

Variable Lado
Básica Z x1 x2 x3 x4 x5 derecho Cociente ¿Es óptima?
Z 1 –3 –5 0 0 0 0
x3 0 1 0 1 0 0 4 (0, 0, 4, 12, 18)
x4 0 0 2 0 1 0 12 Z=0
x5 0 3 2 0 0 1 18
Z 1
x3 0
x2 0 0 1 0 1/2 0 6
x5 0

Para ilustrar con el ejemplo, los nuevos renglones se obtienen de la forma siguiente:

Renglón de Z: 3 5 0 0 0, 0
(5)  0 1 0 1/2 0, 6
Renglón nuevo = 3 0 0 5/2 0, 30

Renglón 1: Sin cambio porque su coeficiente en la columna pivote es cero.

Renglón 3: 3 2 0 0 1, 18
(2) 0 1 0 1/2 0, 6
Renglón nuevo = 3 0 0 1 1, 6

Estos cambios llevan a la nueva tabla símplex que se muestra en la siguiente tabla para la

iteración 1:

Variable Lado
Básica Z x1 x2 x3 x4 x5 derecho Cociente ¿Es óptima?
Z 1 –3 –5 0 0 0 0
x3 0 1 0 1 0 0 4 (0, 0, 4, 12, 18)
x4 0 0 2 0 1 0 12 Z=0
 x5 0 3 2 0 0 1 18
Z 1 –3 0 0 5/2 0 30
x3 0 1 0 1 0 0 4 (0, 6, 4, 0, 6)
x2 0 0 1 0 1/2 0 6 Z = 30
x5 0 3 0 0 –1 1 6
Como las variables básicas siempre son iguales al lado derecho de la ecuación que le

corresponde, la nueva solución básica factible es (0, 6, 4, 0, 6) con Z = 30.

Este trabajo completa el paso iterativo, así que debe proseguirse a la prueba de optimalidad.

Como la ecuación de Z todavía tiene coeficientes negativos (–3 para x1), la prueba de optimalidad

indica que la solución no es óptima, (lo cual se muestra en la figura anterior) por lo que manda al

algoritmo de regreso al paso iterativo para obtener la siguiente solución básica factible. El paso

iterativo comienza de nuevo en la tabla símplex actual para encontrar la nueva solución. Si se siguen

las instrucciones de las partes 1 y 2, se encuentra que x 1 es la variable básica entrante y x5 la

variable básica que sale, como se muestra en la siguiente tabla:

Variable Lado
Básica Z x1 x2 x3 x4 x5 derecho Cociente ¿Es óptima?
Z 1 –3 0 0 5/2 0 30
x3 0 1 0 1 0 0 4 4/1 = 4 (0, 6, 4, 0, 6)
x2 0 0 1 0 1/2 0 6 Z = 30
x5 0 3 0 0 –1 1 6 6/3 = 2
mín.

En las siguientes tablas se muestra el conjunto completo de las tablas del método símplex

para este ejemplo. La nueva solución básica factible es (2, 6, 2, 0, 0), con Z = 36. Al hacer la prueba

de optimalidad, se encuentra que la solución es óptima porque no hay coeficientes negativos en la

ecuación de Z, de manera que el algoritmo ha terminado. En consecuencia, la solución óptima para

este ejemplo (sin tomar en cuenta las variables de holgura) es x 1 = 2, x2 = 6.

Variable Lado
Básica Z x1 x2 x3 x4 x5 derecho Cociente ¿Es óptima?
Z 1 –3 –5 0 0 0 0
x3 0 1 0 1 0 0 4 (0, 0, 4, 12, 18)
x4 0 0 2 0 1 0 12 12/2 = 6 Z=0
mín.
x5 0 3 2 0 0 1 18 18/2 = 9
Z 1 –3 0 0 5/2 0 30
x3 0 1 0 1 0 0 4 4/1 = 4 (0, 6, 4, 0, 6)
 x2 0 0 1 0 1/2 0 6 Z = 30
x5 0 3 0 0 –1 1 6 6/3 = 2
mín.
Z 1 0 0 0 3/2 1 36
x3 0 0 0 1 1/3 –1/3 2 (2, 6, 2, 0, 0)
x2 0 0 1 0 1/2 0 6 Z = 36
x1 0 1 0 0 –1/3 1/3 2 Óptima

Anteriormente no se dijo qué hacer cuando las reglas de selección del método símplex no

llevan a una decisión clara, ya sea porque existen empates (valores iguales) o por otras ambigüedades

parecidas.

Empate para la variable básica entrante.

El paso 1 de cada iteración elige la variable básica que tiene el coeficiente negativo con el

mayor valor absoluto en la ecuación de Z actual como la variable básica entrante. Ahora suponga que
dos o más variables no básicas tienen el coeficiente negativo más grande (en valor absoluto), es

decir, que hay un empate entre ellas. Por ejemplo, esto ocurriría en la primera iteración del ejemplo

anterior si se cambiara la función objetivo a Z = 3x 1 + 3x2, con lo que la ecuación del renglón de Z

inicial sería Z3x13x2 = 0. ¿Cómo debe romperse este empate?

La respuesta es que la elección entre estos dos contendientes se puede hacer de manera

arbitraria . Tarde o temprano se llegará a la solución óptima, sin importar cuál de las variables
empatadas se haya escogido, y no existe un método conveniente para predecir cuál lleva ahí más

rápidamente. En este ejemplo ocurre que si se escoge x 1 como variable entrante, el método símplex

alcanza la solución óptima (2, 6) en tres iteraciones y si se elige x 2, llega en dos.

Empate para la variable básica que sale  degeneración.

Ahora suponga que el empate ocurre entre dos o más variables básicas al elegir la variable

que sale en el paso 2 de una iteración. ¿Importa cuál se escoge? En teoría sí, y en una forma crítica

debido a que puede ocurrir la siguiente sucesión de eventos. Primero, todas las variables empatadas

se hacen cero al mismo tiempo cuando aumenta el valor de la variable entrante. Por tanto, aquellas

que no se eligieron como variable básica que sale también tendrán un valor de cero en la nueva

solución básica factible. (Las variables básicas con valor de cero se llaman degeneradas y el mismo

nombre se da a la solución básica factible correspondiente.) Segundo, si una de estas variables

básicas degeneradas sigue con valor de cero hasta que se selecciona como variable básica que sale en

una iteración posterior, la variable básica entrante deberá también quedar con valor de cero (ya que
no puede crecer sin que la variable básica que sale se vuelva negativa), entonces el valor de Z

permanecerá sin cambio. Tercero, si Z permanece igual en lugar de mejorar cada iteración, el método

símplex puede caer en un ciclo que repite la misma secuencia de soluciones periódicamente, en lugar

de aumentar en algún momento para llegar a la solución óptima.

Por fortuna, aunque en teoría es posible que haya ciclos perpetuos, ha sido en extremo raro

que tenga lugar en problemas reales. Si ocurriera un ciclo siempre se puede salir de él cambiando la

elección de la variable básica que sale. Por lo tanto se recomienda romper los empates

arbitrariamente y seguir el proceso sin preocuparse de las variables que puedan resultar.

Cuando no hay variable básica que sale  Z no acotada.

Existe otra posibilidad en el paso 2 de una iteración, de la que no se ha hablado: aquella en la

que ninguna variable califica como variable básica que sale. Esta situación puede ocurrir si la variable

básica entrante puede crecer indefinidamente sin que ninguna de las variables básicas actuales

adquiera valores negativos. En la forma tabular, esto significa que todos los coeficientes en la

columna pivote (se excluye el renglón de Z) son negativos o cero.

Como se ilustra en la siguiente tabla, esta situación surge cuando se considera el siguiente

ejemplo:

Maximizar Z = 3x1 + 5x2,

sujeta a x1  4
y x1  0, x2  0

En este ejemplo se ignoraron las dos últimas restricciones funcionales del ejemplo resuelto

anteriormente. Vea en la tabla que x2 es la variable básica entrante pero el único coeficiente en la

columna pivote es cero. Como la prueba del cociente mínimo usa sólo coeficientes mayores que cero,

no se cuenta con un cociente que proporcione una variable básica que sale.

La interpretación de una tabla símplex como la que se muestra en la siguiente tabla es que las

restricciones no impiden el crecimiento indefinido de la función objetivo Z, de manera que el método

símplex se detiene con el mensaje de que Z es no acotada. Debido a que ni siquiera la programación

lineal ha descubierto la manera de lograr ganancias infinitas, el mensaje real en problemas prácticos

es: ¡Se ha cometido un error! Tal vez el modelo esté mal formulado, ya sea por haber omitido una

restricción relevante o por haberla establecido incorrectamente. De otra manera, pudo haber

ocurrido un error en los cálculos.

 Variable Lado
Básica Z x1 x2 x3 derecho Cociente ¿Es óptima?
Z 1 –3 –5 0 0
X3 0 1 0 1 4 Sin mínimo

Soluciones óptimas múltiples.

En la definición de solución óptima se mencionó que un problema puede tener más de una

solución óptima. Si en el ejemplo cambiamos la función objetivo a Z = 3x 1 + 2x2 resulta que todos los

puntos sobre el segmento de recta entre (2,6) y (4,3) son soluciones óptimas. Entonces todas las

soluciones son un promedio ponderado de estas dos soluciones factibles en los vértices óptimas:

(x1, x2) = w1(2, 6) + w2(4, 3),

donde los pesos w1 yw2 son números que satisfacen las relaciones:

w1 + w2 = 1 y w1  0, w2  0

Por ejemplo, w1 = 1/3 y w2 = 2/3 da:

(x1, x2) = 1/3(2, 6) + 2/3(4, 3) = (2/3+8/3, 6/3+6/3) = (10/3, 4)

como una solución óptima.

En general, cualquier promedio ponderado de dos o más soluciones (vectores) donde los pesos

son no negativos y suman 1 se llama combinación convexa de estas soluciones. Entonces, toda solución

óptima en el ejemplo es una combinación convexa de (2, 6) y (4, 3).

Este ejemplo es representativo de problemas con soluciones óptimas múltiples.

Cualquier problema de Programación Lineal con soluciones óptimas múltiples (y una

región factible acotada) tiene al menos dos soluciones factibles en los vértices que

son óptimas. Toda solución óptima es una combinación lineal de estas soluciones

factibles en los vértices óptimas. En consecuencia, en la forma aumentada, toda

 solución óptima es una combinación convexa de las soluciones básicas factibles

óptimas.

El método símplex se detiene automáticamente al encontrar una solución básica factible

óptima. Sin embargo, en muchas aplicaciones de Programación Lineal existen factores intangibles que

no se incorporan al modelo y que pueden ser útiles para tomar decisiones significativas sobre las

soluciones óptimas alternativas. En esos casos, también deben identificarse las otras soluciones

óptimas. Esto requiere encontrar todas las demás soluciones básicas factible óptimas, y entonces

toda solución óptima es una combinación convexa de las soluciones básicas factibles óptimas.

Una vez que el método símplex encuentra una solución básica factible óptima, se puede

detectar si existen otras y, si así es, se encuentra como sigue:

Siempre que un problema tiene más de una solución básica factible óptima, al menos

una variable no básica tiene coeficiente cero en la ecuación de Z final, de manera

que si aumenta su valor, el valor de la función Z no cambia. Por lo tanto, estas otras

soluciones básicas factibles óptimas se pueden identificar (si se desea) realizando

iteraciones adicionales del método símplex, en las que cada vez se elige una variable

no básica con coeficiente cero como variable básica entrante. Si una de estas

iteraciones no tiene una variable básica que sale esto indica que la región factible es

no acotada y la variable básica entrante puede crecer indefinidamente sin cambiar el

valor de Z.