Universidad de Guayaquil

Facultad de Ciencias Matemáticas y Física

Carrera de Ingeniería en sistemas computacionales

Materia:

Investigación de Operaciones

Tema de investigación:

 Método Simplex y análisis de sensibilidad

 Método simplex Dual

 Tabla comparativa sobre las diferencias y semejanzas entre ambos

métodos.

Integrantes:

I. Arroyo Andrés.
II. Coello Sebastián
III. León Bryan
IV. Peñafiel Oscar

Profesora: Ing. Amalia Quintero

Curso:

ISI-S-MA-5-2

Año lectivo: 2019-2020

Método Simplex

Geometría de la programación lineal

• Poliedro: Región definida por la intersección de un conjunto finito de hiperespacios

Hiperespacios
∑ 𝒂𝒊𝒋 . 𝒙𝒋 ≤ 𝒃𝒊
𝒋

∑ 𝒂𝒊𝒋 . 𝒙𝒋 ≥ 𝒃𝒊
𝒋

• La región factible de un problema de programación lineal es un poliedro

• Vértice de un poliedro: punto que no se expresa como combinación lineal convexa

de dos puntos distintos de un poliedro

Si existe un óptimo en un problema

de programación lineal, éste se
encuentra en un VÉRTICE

Ilustración 1: Vértice óptimo

Forma estándar
Problema del artesano

Min Ζ = 𝑐 𝑡 . 𝑥 Min Ζ = −16 . 𝑥1 − 1.4 . 𝑥2 + 0. ℎ1 + 0. ℎ2 +

0. ℎ3
A.x=b sujeto a:
X≥0 10 . 𝑥1 + 20 . 𝑥2 + 0. ℎ1 = 8000
X ∈ 𝑅 𝑛 : 𝐴 ∈ 𝑅 𝑚𝑥𝑛 : 𝑐 ∈ 𝑅 𝑛 : 𝑏 ∈ 𝑅 𝑛 15 . 𝑥1 + 10 . 𝑥2 + ℎ2 = 6000
18 . 𝑥1 + 6 . 𝑥2 + ℎ3 = 6300
𝑥1 . 𝑥2 . ℎ1 . ℎ2 . ℎ3 ≥ 0
 𝑐 𝑡 = (−1.6, −1.4, 0, 0, 0)
𝑥 𝑟 = ( 𝑥1 , 𝑥2 , ℎ1 , ℎ2 , ℎ3 )

10 20 1 0 0 8000
A= 𝑈𝑖 10 0 1 0 B=6000
18 6 0 0 1 6300

El método simplex requiere de iteraciones proporcionales al número de restricciones m y

el tiempo de resolución es proporcional a m3

Transformación a la forma estándar

• Función objetivo:
• Max Ζ → 𝑚𝑖𝑛 − Ζ
1.
• Restricciones <=: Se introduce una variable de holgura 𝑈𝑖
• σ 𝒋 𝒂⬚ ⬚
𝒊𝒋 . 𝒙𝒋 ≤ 𝒃𝒊 → σ 𝒋 𝒂𝒊𝒋 . 𝒙𝒋 + 𝑢𝑖 = 𝒃𝒊 𝒃𝒊 ≥ 0
2. ⬚ ⬚

• Restricciones >=: Se introduce una variable de holgura o exceso 𝑉𝑖

• σ 𝒋 𝒂⬚ ⬚
𝒊𝒋 . 𝒙𝒋 ≥ 𝒃𝒊 → σ 𝒋 𝒂𝒊𝒋 . 𝒙𝒋 − 𝑣𝑖 = 𝒃𝒊 𝒃𝒊 ≥ 0
3. ⬚ ⬚

• Variables negativas:
• −∞ ≤ 𝑥𝑖 ≤ 0 → 𝑥𝑗 = −𝑦𝑗 ; 0 ≤ 𝑦𝑗 ≤ +∞
4.

• Variables negativas acotadas:

• 𝐿𝑗 ≤ 𝑥𝑗 ≤ 0 → 𝑥𝑗 = 𝑦𝑗 + 𝐿𝑗 ; 0 ≤ 𝑦𝑗 ≤ −𝐿𝑗
5.
• Variables libres: Se sustituye por 2 variables
• 𝑥𝑗 = 𝑥𝑗+ − 𝑥𝑗−
6. • 0 ≤ 𝑥𝑗+ ≤ ∞ 0 ≤ 𝑥𝑗− ≤ ∞
Tipos de Soluciones

Solución
Solución Factible:
Infactible: Viola al
Satisface todas las
menos una
restricciones
restricción
Pertenece a la
No pertenece a la
región factible
región factible

Solución Básica
Factible: Tiene m
variables básicas
Solución Óptima:
asociadas a la
Solución básica
Matriz no singular
factible con mejor
de restricciones A
valor de la F.O.
de rango m que
toman valor # 0 y
el resto = 0

Teorema fundamental de la Programación Lineal

• Si admite solución factible, ésta es Solución Básica

• Si admite solución óptima finita, ésta es Solución Básica Óptima
ANÁLISIS DE SENSIBILIDAD

Elaborado por: Oscar Ivan Peñafiel Chele

Análisis de postoptimalidad
 Dado que el análisis de sensibilidad se ocupa de la forma en que los cambios
anteriores afectan a la solución óptima, el análisis no comienza hasta que se
obtiene, precisamente, la solución óptima al problema de programación lineal
original.
 Por esto último al análisis de sensibilidad con frecuencia se le denomina análisis
de postoptimalidad.
 Así pues, pese al cambio en alguno de los parámetros de la formulación original
que dan paso a un nuevo problema, no será necesario volver a resolver el
problema desde el principio.

Fases:
 Introducción de los cambios en la tabla simplex
 Adecuación a la forma estándar de la tabla
 Prueba de factibilidad (var. básicas no negativas)
 Prueba de optimalidad (costes reducidos no negativos var. no básicas)
 Nueva iteración método simplex o método simplex dual
Importancia del análisis

Elaborado por: Oscar Ivan Peñafiel Chele

Resumen del procedimiento para análisis de sensibilidad.

1. Revisión del modelo: se hacen los cambios deseados en el modelo que se va a

investigar.
2. Revisión de la tabla simplex final: se emplea la idea fundamental para
determinar los cambios que resultan en la tabla simplex final.
3. Conversión a la forma apropiada: se convierte esta tabla en la forma
apropiada para identificar y evaluar la solución básica actual aplicando (según
sea necesario) eliminación de Gauss.
4. Prueba de factibilidad: se prueba la factibilidad de esta solución verificando
que todas las variables básicas sigan teniendo valores no negativos en la
columna del lado derecho.
5. Prueba de optimalidad: se verifica si esta solución es óptima (si es factible),
comprobando que todos los coeficientes de las variables no básicas en el renglón
0 sigan siendo no negativos.
6. Re-optimización: si esta solución no pasa cualquiera de las pruebas, se puede
obtener (si se desea) la nueva solución óptima partiendo de la tabla actual como
tabla simplex inicial (haciendo las conversiones necesarias) para el método
simplex o el simplex–dual.
Cambios en cotas de las restricciones
• Pueden afectar a:

1. la factibilidad de la solución óptima alcanzada anterior

2. la función objetivo

Ilustración 1: https://www.iit.comillas.edu/aramos/simio/transpa/t_lp_ps.pdf

Cambios en cotas de las restricciones (cont.)

𝑋𝐵 = 𝐵−1 . 𝑏̅ = 𝐵−1 . (𝑏 + ∆𝑏) = 𝑋𝐵0 + ∆𝑋𝐵

ℎ3 0.45 −1.5 1 8000
−1
𝑋𝐵 = [𝑥2 ] 𝐵 = [ 0.075 −0.05 0] 𝑏 = [6000]
𝑥1 −0.05 0.1 0 6300

900 0.45 ∗ ∆𝑏1 − 1.5 ∗ ∆𝑏2 + 𝑏3

𝑋𝐵0 = [300] ∆𝑋𝐵 = [ 0.075 ∗ ∆𝑏1 − 0.05 ∗ ∆𝑏2 ]
200 −0.05 ∗ ∆𝑏1 + 0.1 ∗ ∆𝑏2

RANGO DE ℎ3 = 900 + 0.45 ∗ ∆𝑏1 − 1.5 ∗ ∆𝑏2 + 𝑏3 ≥ 0

VARIACIÓN
{ 𝑥2 = 300 + 0.075 ∗ ∆𝑏1 − 0.05 ∗ ∆𝑏2 ≥ 0
∆𝑏1 , ∆𝑏2 , ∆𝑏3 𝑥1 = 200 + −0.05 ∗ ∆𝑏1 + 0.1 ∗ ∆𝑏2 ≥ 0
Cambios en coeficientes de variables no básicas
 No afectan a la factibilidad, pero si a la optimalidad
 Los coeficientes de las variables no básicas son:

𝐶̂𝑁𝑇 = 𝐶𝑁𝑇 − 𝐶𝐵̅ 𝑇 . 𝐵−1 . 𝑁

 Si 𝐶̂𝑁𝑇 ≥ 0 la solución sigue siendo óptima.
 Si 𝐶̂𝑁𝑇 < 0 la variable no básica es variable básica entrante

Intervalo de variación de 𝑐𝑁 para

𝐶̂𝑁𝑇 = 𝐶𝑁𝑇 − 𝐶𝐵̅ 𝑇 . 𝐵−1 . 𝑁 el cual se mantiene solución
óptima

Introducción de una variable nueva

Se calcula su coste reducido:

 Si es ≤ 0 se introduce en la base y
 Se calcula 𝐵 −1 . 𝑎𝑗 añadiéndose como columna de la tabla
 Se continúan las iteraciones del simplex

Cambio en un coeficiente en la f.o. de una variable básica

𝐶̂𝑁𝑇 = 𝐶𝑁𝑇 − 𝐶𝐵̅ 𝑇 . 𝐵−1 . 𝑁
Si algún coste reducido resulta ≤ 0 entonces se sigue iterando.

Ejemplo:
El artesano juguetero puede devolver al proveedor de tornillos, bloques y ruedas
aquellos componentes que le sobren. El proveedor le devuelve 0.01 €/tornillo, 0.05
€/bloque y 0.03 €/rueda.

 Cambian coeficientes de variables básicas y no básicas

𝐶̂𝑁𝑇 = 𝐶𝑁𝑇 − 𝐶𝐵̅ 𝑇 . 𝐵−1 . 𝑁
ℎ3
ℎ1 ̅ 𝑇
𝑋𝑁 = [ ] 𝐶𝐵 = (−0.01 , −0.05) 𝑋𝐵 = [𝑥2 ] 𝐶𝐵̅ 𝑇 = (−0.03, −1.6, −1.4)
ℎ2
𝑥1
0.45 −1.5 1 1 0
𝐶̂𝑁𝑇 = (−0.01, −0.05) − (−0.03, −1.4 − 1.6) [ 0.075 −0.05 0] . [0 1]
−0.05 0.1 0 0 0
= (0.0285, −0.005)

La solución no es óptima, la ℎ2 es variable básica entrante

 Ilustración 2: https://www.iit.comillas.edu/aramos/simio/transpa/t_lp_ps.pdf

Cambio en un coeficiente de una variable básica en B

 La tabla se pone en la forma estándar eliminación gaussiana
 Estos cambios pueden hacer perder factibilidad y/o optimalidad

Introducción de nuevas restricciones

 Se comprueba si la nueva restricción se satisface con la solución

 Si la satisface, la solución sigue siendo óptima
 Si no la satisface, se introduce la restricción en la tabla
 Su variable de holgura o artificial es variable básica entrante
 Se aplica eliminación gaussiana y se sigue con “simplex dual”

Nota: La variable básica asociada a la nueva restricción toma valores ≤ 0.

Bibliografía
Sánchez, P. (2016). Programación Lineal. Madrid, España: Universidad pontificia
comillas
Bustos Farías, E. (2013). En Análisis de Dualidad (págs. 13-24). Cartagena: ESCOM