LINEAL
Contenidos
6.1. Introducción.
6.2. Requerimientos del modelo de programación lineal.
6.3. El modelo de la Programación Lineal.
6.4. Formulación del modelo de programación lineal.
6.5. El proceso de solución de los programas lineales.
6.6. Solución gráfica y características de un modelo de programa
lineal.
6.7. Solución por computadora.
6.8. Problemas de minimización.
6.9. Casos especiales.
6.10. Análisis de sensibilidad.
6.11. Metodo simplex
6.1 INTRODUCCION
Decisiones administrativas se relacionan con la utilización eficiente de los recursos.
Encontrar la mejor asignación a fin de aumentar al máximo las ganancias o disminuir al
mínimo los costos.
Por lo general los recursos incluyen: maquinaria, mano de obra, dinero, tiempo,
espacios de almacenamiento, materias primas, etc.
Los recursos pueden ser utilizados para producir bienes (maquinaria, mobiliario,
alimentos, ropa, etc.) o servicios (transporte, publicidad, inversiones, etc.)
La Programación lineal (Programación Matemática) es una técnica de modelado
matemático, diseñada para ayudar a los administradores en la planificación y toma de
decisiones con respecto a la asignación de recursos.
Tiene poco que ver con la programación de computadoras, programar se refiere a
modelar y resolver matemáticamente un problema.
Usamos el adjetivo “lineal” para describir una relación entre dos o más variables que
son directa y precisamente proporcionales.
La “Programación” utiliza ciertas técnicas matemáticas para llegar a la mejor solución,
empleando los recursos limitados de la empresa.
Tuvo sus inicios con el método de insumo producto, el modelo de transportación:
Hitchcock, 1941; el problema de la dieta, Stigler, 1945 y Koopmans, 1947, y método
simplex, Dantzing, 1947,
6.2 Requerimientos de un problema de P.L.
Se requieren ciertos requerimientos básicos:
Un objetivo bien definido.
Debe haber un suministro limitado de recursos.
Cursos alternativos de acción.
Las ecuaciones o desigualdades deben describir el problema en forma
lineal.
Debe ser posible establecer relaciones entre las variables mediante
formulaciones matemáticas.
En general es una técnica de optimización que consiste en la
maximización o minimización de una función lineal, llamada
función objetivo, sujeta a restricciones también lineales y a la
condición de no negatividad de las variables de decisión.
El criterio de optimización es por lo general un objetivo
económico
6.2 Requerimientos de un problema de P.L.
Existen cinco requerimientos o condiciones adicionales:
Certeza: se conocen con certeza los números en el
objetivo y restricciones.
Proporcionalidad: entre el objetivo y las restricciones.
Aditividad: El total de todas las actividades es igual a la
suma de las actividades individuales.
Divisibilidad: la solución no tiene que ser en números
enteros , pueden tomar cualquier valor fraccionario.
Variables no negativas: no se puede producir un
numero negativo de producto.
6.3 El modelo de la Programación Lineal
Formulación del problema: proceso de traducir un expresión
verbal de un problema en un enunciado matemático (modelo
matemático).
Entender el problema a fondo: primer paso para el desarrollo de
un modelo matemático.
Una vez entendido el problema se comienza a desarrollar el
enunciado matemático del mismo.
Describir el objetivo.
Describir cada una de las restricciones
Definir las variables de decisión.
Utilizar las variables para escribir las expresiones matemáticas
de la función objetivo y las restricciones.
En general es el proceso de traducir la declaración verbal del
problema en una declaración matemática del mismo
6.3 El modelo de la Programación Lineal
La declaración se denomina modelo matemático.
n
Opt .( Z ) C j X j
j 1
Sujeto a:
m n
a
i 1 j 1
ij X j bi
X j 0
6.3. El Modelo de la Programación Lineal.
La aplicación de la PL implica la ejecución de los siguientes
pasos:
a) Formulación del modelo.
b) Solución del modelo.
La formulación consiste en determinar el valor de los
coeficientes aij, bi, cj y expresar el problema en una de las
formas del modelo de PL.
En la formulación es necesario estudiar el sistema teniendo en
cuenta los objetivos que se desea alcanzar.
La solución consiste en aplicar un método de solución para
hallar el valor del vector Xj que optimice la función objetivo
sujeta a las restricciones estructurales y a la condición de no
negatividad.
6.4. Formulación del modelo de PL.
M/O para 6 4 ≤ 20
estructuras
M/O para tapizado 4 6 ≤ 25
Ganancia 5 6
Max (Z) = 5X1 + 6X2
Sujeto a:
Restricción de mano de obra para estructuras
6X1 + 4X2 ≤ 20
Restricción de mano de obra para tapizado
4X1 + 6X2 ≤ 25
Y a la condición de no negatividad de las variables de decisión
X1 ≥ 0, X2 ≥ 0
6.4. Formulación del modelo de PL.
La CIA XX produce tornillos y clavos. La materia prima para los
tornillos cuesta $ 2 la unidad, mientras que la materia prima
para cada clavo cuesta $ 2,50 . Un clavo requiere dos horas de
mano de obra en el departamento Nº 1 y tres horas en el
departamento Nº 2, mientras que un tornillo requiere cuatro
horas en el departamento Nº 1 y dos horas en el
departamento Nº 2. El jornal por hora en ambos
departamentos es de $ 2. Si ambos productos se venden a $
18, y el número de horas de mano de hora disponibles por
semana en los departamentos es de 160 y 180
respectivamente, expresar el problema propuesto como un PL,
tal que se maximicen las utilidades.
6.4. Formulación del modelo de PL.
PRODUCTOS
Recursos Condición Disponibilidad
Tornillos Clavos
Costo de MP 2 2,50
M/O Dpto 1 4 2 ≤ 160
M/O Dpto 2 2 3 ≤ 180
Jornal 2 2
Precio de 18 18
venta
6.4. Formulación del modelo de PL.
X1 = numero de tornillos por semana
X2 = Numero de clavos por semana
Utilidad = precio de venta – costo
Costo de los tornillos = $ 12/Und. + $ 2 / Und. = $ 14/Und.
Utilidad para los tornillos = $ 18 - $14 = $ 4/Und.
Costo de los clavos = $ 10/Und. + $ 2.5 / Und. = $ 12.50/Und.
Utilidad para los clavos = $ 18 - $ 12.50 = $ 5.50/ Und.
a
i 1 j 1
ij X j bi
x1 + x2 < 8
Restricciones de
x1 > 0 and x2 > 0 No negatividad
Ejemplo 1: Solución gráfica
Primero graficamos las restricciones
x2
8
7 x1 = 6
6
Región sombreada
5 contiene todos los
4 puntos posibles
para esta restricción
3
2
(6, 0)
1
x1
1 2 3 4 5 6 7 8 9 10
Ejemplo 1: Solución gráfica
Segunda restricción
x2
8 (0, 6 1/3)
7
6
5
2x1 + 3x2 = 19
4
3 Región sombreada
2 contiene todos los
puntos posibles (9 1/2, 0)
1 para esta restricción
x1
1 2 3 4 5 6 7 8 9 10
Ejemplo 1: Solución Grafica
Tercera restricción
x2
(0, 8)
8
7
6 x1 + x2 = 8
5
4 Región
sombreada
3 contiene todos
2 los puntos
posibles para (8, 0)
1
esta restricción
x1
1 2 3 4 5 6 7 8 9 10
Ejemplo 1: Solución gráfica
Restricciones graficas combinadas mostrando la región
factible x
2
8
x1 + x2 = 8
7
6 x1 = 6
5
4
3
2x1 + 3x2 = 19
2 Región factible
1
x1
1 2 3 4 5 6 7 8 9 10
Ejemplo 1: Solución gráfica
8
7
(0, 5)
6 Función Objetivo
5 5x1 + 7x2 = 35
4
3
2
(7, 0)
1
x1
1 2 3 4 5 6 7 8 9 10
Ejemplo 1: Solución gráfica
8
7
5x1 + 7x2 = 35
6
5 5x1 + 7x2 = 39
4
3 5x1 + 7x2 = 42
2
1
x1
1 2 3 4 5 6 7 8 9 10
Ejemplo 1: Solución gráfica
Solución optima
x2
Línea de función
objetivo máximo
8
5x1 + 7x2 = 46
7
6 Solución Optima
(x1 = 5, x2 = 3)
5
4
3
2
1
x1
1 2 3 4 5 6 7 8 9 10
Resumen del procedimiento de solución gráfica
para problemas de maximización
Preparar un gráfico de las soluciones viables para cada una de
las restricciones.
Determinar la región factible que satisfaga simultáneamente
todas las restricciones.
Dibuje una línea de función objetivo.
Mover líneas paralelas función objetivo hacia valores más
grandes de función objetivo sin abandonar totalmente la
región factible.
Cualquier solución viable en la línea de la función objetivo con
el valor más grande es una solución óptima.
Ejemplo 2: Solución Grafica
RMC es una pequeña empresa que fabrica una variedad de productos basados en sustancias
químicas. En un proceso de producción particular, se emplea tres materias primas para producir
dos productos: un aditivos para combustible y una base para solvente. El aditivo para
combustible se vende a compañías petroleras y se usa en la producción de gasolina y
combustibles refinados. La base para solvente se vende a una variedad de empresas químicas y
se emplea en productos para limpieza en el hogar e industriales. Las tres materias primas se
mezclan para fabricar el aditivo para combustible y la base para el solvente. Una tonelada de
aditivo para combustible es una mezcla de 0.4 Tn. de material 1 y 0.6 Tn. de material 3. Una Tn.
de base para solvente es la mezcla de 0.5 Tn. de material 1, 0.2 Tn. de material 2 y 0.3 Tn. de
material 3.
La producción de RMC está restringida a una disponibilidad limitada de las tres materias primas .
Para el periodo de producción actual RMC tiene disponibles 20 Tn. de material 1, 5 Tn. de
material 2 y 21 Tn.de material 3.
Debido a los desechos y a la naturaleza del proceso de producción, los materiales que no se
lleguen a usar en una corrida de producción no se pueden almacenar para las subsiguientes ,
son inútiles y deben desecharse.
El departamento de contabilidad, analizo las cifras de producción , asigno todos los costos
relevantes y llego a precios que para ambos productos, producirán una contribución a la utilidad
de $ 40 por Tn. de aditivo para combustible producida y $ 30 por cada Tn. producida de base
para solvente.
Determinar la cantidad de aditivo para combustible y la cantidad de base para solvente por
producir a fin de maximizar la contribución a la ganancia total.
Ejemplo 2: Solución Grafica (RMC)
Max (U) = 40 X1 + 30 X2
Sujeta a:
Restricciones debidas a la disponibilidad de materia prima
0,4 X1 + 0,5 X2 ≤ 20 o 4 X1 + 5 X2 ≤ 200
0,2 X2 ≤ 5 o 2 X2 ≤ 50
0,6 X1 + 0,3 X2 ≤ 21 o 6 X1 + 3 X2 ≤ 210
s.a. x1 + s1 = 6
2x1 + 3x2 + s2 = 19
x1 + x2 + s3 = 8
x1, x2 , s1 , s2 , s3 > 0
s1 , s2 , y s 3
Son variables de
holgura
Solución optima
x2 3ra.
restricción: 1ra.
8 x 1 + x2 = 8 restricción:
7 s3 = 0 x1 = 6
6 s1 = 1
5
2da.
4
restricción:
3 2x1 + 3x2 = 19
Solución Optima
2
(x1 = 5, x2 = 3) s2 = 0
1
x1
1 2 3 4 5 6 7 8 9 10
Puntos extremos y la solución óptima
x2
8
7
5 (0, 6 1/3)
6
5
4
4 (5, 3)
3
Región 3 (6, 2)
2 Factible
1 1 (0, 0) 2 (6, 0)
x1
1 2 3 4 5 6 7 8 9 10
Definiciones
Solución básica: es aquella que se encuentra en la intersección de rectas o
híper planos o en la intersección con los ejes coordenados.
En un sistema donde existen n variables y m restricciones, una solución
básica se obtiene haciendo (n-m) variables iguales a cero y los valores de
las variables restantes se determinan resolviendo las ecuaciones con las n
variables remanentes. Las n variables se llaman variables básicas.
A fin de deshacer las desigualdades agregamos una variable de holgura a
cada restricción, de igual manera a la función objetivo pero con coeficiente
cero, de esta manera el programa se convierte en:
Max (U) = 40 X1 + 30 X2 + 0S1 + 0S2 + 0S3
4 X1 + 5 X2 + S1 = 200
2 X2 + S2 = 50
6 X1 + 3 X2 + S3 = 210
Por este método las variables de holgura toman un valor de CERO (0) lo
que supone que todos los recursos se utilizan a su máxima capacidad
Definiciones
Región Factible: es aquella que cumple con todas las
restricciones y la condición de no negatividad.
Solución factible: cualquier punto situado en la región factible.
Vector X de n componentes que pertenece a la región factible.
Solución factible básica: es una solución básica que pertenece
a la región factible.
Solución factible básica degenerada: es una solución factible
básica, en la que una o más variables básicas toman el valor de
cero. Si todas las variables básicas, son positivas, se tendrá una
solución factible básica no degenerada.
Solución optima: es una solución factible que maximiza o
minimiza la función objetivo
Propiedades de una solución al problema de P.L.
De acuerdo a lo anterior , sabemos que para hallar la solución
de un P.L., es necesario hallar la región factible y luego el
punto (o puntos) optimo sobre la región factible.
Teorema 1. el conjunto de todas las soluciones factibles al
problema de la PL es un conjunto convexo.
Teorema 2. la función objetivo alcanza su máximo (mínimo) en
un punto extremo del conjunto convexo, generado por el
conjunto de soluciones factibles al problema de la PL. Si
alcanza este máximo (mínimo) en más de un punto extremo,
entonces, toma el mismo valor para toda combinación
convexa de estos puntos particulares.
Diversos tipos de restricciones
Restricciones de “mayor o igual que” o límite mínimo: se
presentan generalmente en problemas de minimización donde
el optimo se encuentra en un punto extremo mínimo del
conjunto convexo formado por el conjunto de restricciones.
Restricciones de “igual que” : los problemas reales presentan
generalmente en forma simultánea restricciones de límite
mínimo o igualdades. La igualdad vuelve, al problema muy
restrictivo, ya que la solución debe no sólo estar en el campo
común a las restricciones, sino, además encontrarse sobre la
línea que representa la igualdad.
6.7. Solución por computadora
Caso expuesto
Valor de la solucion5 3
6.8. Problemas de minimización.
Muchos problemas de Pl implican minimizar un objetivo, tal
como el costo en lugar de maximizar una función de utilidad.
Ej. Desarrollar un horario de trabajo para satisfacer las
necesidades del personal al mismo tiempo que minimiza el
numero total de empleados; un fabricante que pretenda
distribuir sus productos de varias fabricas a sus almacenes
regionales de modo tal que se reduzcan al mínimo los costos
de embarque.; un hospital que desee proporcionar un plan de
alimentación diario para sus pacientes que satisfaga ciertos
estándares nutricionales al mismo tiempo que reduce al
mínimo los costos de adquisición de alimentos.
Resolver gráficamente implica, primero establecer la región de
soluciones factibles y luego utilizar el método de la esquina o
el método de línea de isocoste para encontrar los valores de
las variables de decisión que den el costo mínimo
Ejemplo 2: Un Simple problema de minimización
Formulación del PL
x1, x2 > 0
Ejemplo 2: Solución gráfica
Grafico de restricciones
Restricción 1: Cuando X1 = 0, entonces X2 = 2; cuando X2 = 0,
entonces X1 = 5. Conectar (5,0) y (0,2). El ">" lado está por
encima de esta línea.
Restricción 2: Cuando X2 = 0, entonces X1 = 3. Pero
establecer voluntad X1 a 0 rendimiento X2 =-12, que no
aparece en el gráfico. Por lo tanto, para obtener un segundo
punto de esta línea, establecer X1 a cualquier número mayor
que 3 y resolver para X2 : cuando X1 = 5, entonces X2 = 8.
Conectar (3,0) y (5,8). El "≥" lado está a la derecha.
Restricción 3: Cuando X1 = 0, entonces X2 = 4; cuando X2 = 0,
entonces X1 = 4. Conectar (4,0) y (0,4). El "≥" lado está por
encima de esta línea.
Ejemplo 2: Solución gráfica
Grafico de restricciones
x2
6
Region factible
5
4x1 - x2 > 12
4
x1 + x2 > 4
3
x1
1 2 3 4 5 6
Ejemplo 2: Solución gráfica
5
4x1 - x2 > 12
4
x1 + x2 > 4
3
x1
1 2 3 4 5 6
Ejemplo 2: Solución gráfica
Resolver el punto extremo en la intersección de las dos
limitaciones de enlace
4x1 - x2 = 12
x1+ x2 = 4
Añadir estas dos ecuaciones da:
5x1 = 16 o x1 = 16/5
Sustituyendo esto en
X1 + X2 = 4 da: x2 = 4/5
Solución Optima
x2
6
4x1 - x2 > 12
5
x1 + x2 > 4
4
Solución Optima:
3 x1 = 16/5, x2 = 4/5,
5x1 + 2x2 = 17.6
2
2x1 + 5x2 > 10
1
x1
1 2 3 4 5 6
Resumen del procedimiento de solución
gráfica para problemas de minimización
Preparar un gráfico de las soluciones viables para cada
una de las restricciones.
Determinar la región factible que satisfaga
simultáneamente todas las restricciones.
Dibuje una línea de función objetivo.
Mover líneas paralelas función objetivo hacia los
valores más bajos de función objetivo sin abandonar
totalmente la región factible.
Cualquier solución viable en la línea de la función
objetivo con el menor valor es una solución óptima.
6.9 Casos especiales
No factibilidad.
Ninguna solución al problema de la Pl satisface todas las
restricciones, incluyendo las restricciones de no negatividad.
Gráficamente no existe una región de solución factible, es decir
ningún punto satisface todas las ecuaciones de restricción y las
condiciones de no negatividad de manera simultanea.
Situación que puede ocurrir si el problema fuera formulado con
restricciones conflictivas.
Es frecuente en problemas de PL a gran escala de la vida real que
implican cientos de restricciones.
Ej. Considere 3 restricciones siguientes:
X1 + 2X2 ≤ 6
2X1 + X2 ≤ 8
X1 ≥7
Un problema sin solución factible
X2
X1 ≥ 7
8
2X1 + X2 ≤ 8
6 Región satisfactoria tercera
restricción
4
X1 + 2X2 ≤ 6
2
0
2 4 6 8 X1
Región satisfactoria de las dos primeras © 2006 by
Prentice Hall,
restricciones
To accompany Quantitative Analysis for
Inc.
Upper Saddle
Management, 9e River, NJ
by Render/Stair/Hanna 7-54 07458
6.9 Casos especiales
Ilimitado o no acotado:
En ocasiones un problema de PL no tiene soluciones finitas.
una solución es ilimitada si el valor de la solución puede
hacerse infinitamente grande sin violar ninguna de las
restricciones.
Esta condición podría denominarse utopía gerencial , ello
significa que el problema ha sido formulado en forma
impropia.
Max (Z) = 3X1 + 5X2
S.A. X1 ≥5
X2 ≤ 10
X1 + 2X2 ≥ 10
X1 , X2 ≥ 0
Región de solución que es radicalismo
hacia la derecha
X2
15 X1 > 5
X2 < 10
10
Feasible Region
5 X1 + 2X2 > 10
0
5 10 15 X1
© 2006 by
Prentice Hall,
Inc.
To accompany Quantitative Analysis for Upper Saddle
Management, 9e River, NJ
by Render/Stair/Hanna 7-56 07458
6.9 Casos especiales
Redundancia
Situación común que ocurre en grandes formulaciones de PL
No provoca dificultades importantes para solucionar de
manera grafica los problemas de PL, pero se debe ser capaz de
identificar su ocurrencia
Una restricción redundante es una que no afecta la región de
solución factible.
Una restricción puede ser mas limitante o restrictiva que otra ,
lo cual niega la necesidad de ser considerada.
Max (Z) = X1 + 2X2
S.A. X1 + X2 ≤ 20
2X1 + X2 ≤ 30
X1 ≤ 25
X1 , X2 ≥ 0
Un problema con una restricción
redundante
X2
30
2X1 + X2 < 30 Restricción
redundante
20 X1 < 25
X1 + X2 < 20
Región
Factible
© 2006 by X1
0 5 10 15 20 25 Prentice Hall,
Inc.
To accompany Quantitative Analysis for Upper Saddle
Management, 9e River, NJ
by Render/Stair/Hanna 7-58 07458
6.9 Casos especiales
Soluciones optimas alternativas:
Caso en donde la línea de la función objetivo optima coincide
con una de las líneas de restricción confinantes.
Mas de una solución proporciona el valor optimo para la
función objetivo.
Max (Z) = 3X1 + 2X2
S.A. 6X1 + 4X2 ≤ 24
X1 ≤3
X1 , X2 ≥ 0
Un ejemplo de soluciones óptimas
alternativas
Maximize 3X1 + 2X2
Subj. To: 6X1 + 4X2 < 24
X1 <3
X1, X2 > 0
0 3 4
© 2006 by
Prentice Hall,
Inc.
To accompany Quantitative Analysis for Upper Saddle
Management, 9e River, NJ
by Render/Stair/Hanna 7-60 07458
6.10. Teoría de la Dualidad
Tiene un rol muy importante en la teoría de optimización.
Es más amplia que la teoría de la programación matemática
Todo programa matemático, lineal o no lineal, existe asociado a otro llamado
programa dual.
Definición: dado el programan lineal P en forma canoníca, entonces el programa D es
el dual o programa dual de P, y este es referido como programa primal.
Primal Dual
Max (Z) = Ct X Min (W) = bt Y
Sujeto a: AX ≤ b Sujeto a: At Y ≥ C
X≥0 Y≥ 0
Donde se tiene que:
C : es un vector fila de n componentes
b: es un vector columna de m componentes
A: es una matriz de orden n x m; At , es la transpuesta de A
X: es un vector columna de m componentes cuyos valores deben ser hallados para
maximizar la función Z
Y: es un vector columna de m componentes, cuyos valores deben ser hallados para
minimizar la función W
Teoría de la Dualidad
Podemos realizar las siguientes observaciones:
a. La función económica Z del programa primal está dada por Z=Ct X, las
restricciones del dual están dadas por At Y≥ C; como C es un vector de n
componentes , entonces el primal tiene n variables (X1 ,X2 ,…….., Xn )
mientras que el dual tiene n restricciones, por tanto a cada variable del
primal le corresponde una restricción en el dual.
b. Como b es un vector de m componentes, entonces el primal tiene m
restricciones (AX ≤ b); mientras que el dual tiene m variables (Y1 , Y2
,…….., Yn ). Por tanto a cada restricción del primal, corresponde una
variable en el dual.
c. En el primal el objetivo es maximizar el funcional Z, mientras que en el
dual el objetivo es minimizar el funcional W.
d. El rol del vector C en el primal, corresponde al rol de b del programa dual
y viceversa.
e. A todo programa lineal primal corresponde un programa dual y viceversa.
f. El programa primal utiliza la matriz A, mientras el dual usa At
6.11. Análisis de Sensibilidad
Estudio de la forma en la que afectan a la solución optima los cambios en
los coeficientes de un programa lineal.
Cambios en los coeficientes de la función objetivo, Cj
Cambios en los coeficientes restrictivos ( lado derecho), bi
Cambios en los coeficientes técnicos del programa, aij
Convierte una solución estática de la PL en un instrumento dinámico que
evalúa las condiciones cambiantes, cambian los precios de las materias
primas, cambian los precios de los productos, las empresas adquieren
nueva maquinaria, fluctúan los precios de los valores, rota el personal, etc.
Que tanto pueden variar los coeficientes antes de que pueda obtenerse
una nueva solución optima.
Solo se inicia cuando se ha obtenido la solución optima analisis de post
optimalidad.
Cuando los coeficiente que representan costo, beneficio, tiempo, etc.
toman individualmente cualquier valor dentro de este rango, la solución
sigue siendo optima.
Se resuelve con un analisis de pendiente de cada restricción. Y de la
función objetivo.
6.11. Análisis de Sensibilidad
Analisis grafico:
Rango de optimalidad: nos da el rango de valores para el coeficiente en el
cual se conservara como optima la solución actual.
La administración deberá enfocarse en aquellos coeficientes de la función
objetivo que tiene un rango estrecho de optimalidad y en aquellos
coeficientes cercanos a los extremos del rango. Un pequeño cambio en
estos pudiera requerir la modificación de la solución optima.
Se realiza a través de un analisis de la pendiente de la función objetivo en
relación a las pendientes de las restricciones a partir del punto optimo de
solución:
La pendiente de la tercera restricción debe ser menor o igual a la
pendiente de la función objetivo y esta menor a la pendiente de la primera
restricción.
mB ≤ f(o) ≤ mA
6.12. El Método SIMPLEX
Provee un sistema rápido y efectivo para resolver problemas
de PL de n variables.
Permite resolver problemas de real importancia industrial.
Llega a la solución optima por medio de iteraciones a pasos
sucesivos.
Utiliza los conceptos básicos del algebra matricial para
determinar la intersección de dos o más líneas hiperplanas .
Comienza con una solución factible y sucesivamente obtiene
soluciones en las intersecciones que ofrecen mejores
resultados de la función objetivo.
Proporciona un indicador que determina el punto en el cual se
logra una solución optima.
6.12. Formulación de la solución simplex inicial
Elegir la variable que entra y la que sale en la nueva etapa de
solución.
Determinar los valores de fila entrante.
Aplicar el método de Jordán y Gauss para determinar los valores
de las demás filas. “Cada uno e los valores de fila menos el
producto del semipivote por cada uno de los elementos de la fila
entrante”.
Completar hasta que cada uno de los elementos de la fila Zij – Cij
sean nulos o positivos, en cuyo caso hemos encontrado la
solución optima.
6.12. Procedimiento de cómputo simplex
Planteamos el modelo general de la Pl en su forma estandarizada.
Max (Z) = C1X1 + C2X2 +… + CnXn + Cn+1Xn+1 +….+ Cn+mXn+m
Sujeto a:
a11X1 + a12X2 + ……. + a1n + Xn+1 = b1
a21X1 + a22X2 +…….. + a2n + Xn+2 = b2
……. ……. ……. ….. …… …..
am1X1 + am2X2 + …… + amn + Xn+m = bm
Xj ≥ 0 j: 1,……, n+m
Para iniciar el procedimiento simplex , arreglamos la matriz del problema
como se muestra en el tablero siguiente:
6.12. Procedimiento de cómputo simplex
Cj 3 2.5 0 0 M M
Cj Xj bi X1 X2 S1 S2 a1 a2
M a1 40 2 4 -1 0 1 0 10
M a2 50 3 2 0 -1 0 1 25
Zj 90M 5M 6M (-M) (-M) M M
Zj -Cj 5M-3 6M-2.5 (-M) (-M) 0 0
para M=1 2 3.5 -1 -1 0 0
2.5 X2 10 0.5 1 -0.25 0 0.25 0 20
M a2 30 2 0 0.5 -1 -0.5 1 15
Zj 25+30M 1.25 + 2M 2.5 (-0.625 + 0.5M) (-M) 0.625 - 0.5M M
Zj -Cj (-1.75 +2M) 0 (-0.625-0.5M) (-M) (0.625 -1.5M) 0
para M=1 0.25 0 -1.125 -1 -0.875 0
2.5 X2 2.5 0 1 -0.375 0.25 0.375 -0.25
3 X1 15 1 0 0.25 -0.5 -0.25 0.5
Zj 51.25 3 2.5 -0.1875 -0.875 0.1875 0.875
Zj -Cj 0 0 -0.1875 -0.875 (0.1875-M) (0.875-M)
Conclusiones
Todos los problemas de PL, deben de cumplir dos condiciones:
1. Todo elemento de la columna bi debe ser positivo
2. Los coeficientes de las variables de holgura deben formar una
matriz unidad, es decir de igual número de filas y de columnas , con
unos a lo largo de la diagonal principal y ceros en los demás lugares.
• Por otro lado, si el problema es de maximización y una o mas
restricciones es de la forma “mayor o igual que” se debe hacer uso de
las variables artificiales a fin de formar la matriz identidad en las
restricciones, luego se agrega estas variables artificiales en la función
objetivo pero con coeficiente –M, y + M si el problema es de
minimización.
• En ambos casos M es una cantidad positiva de valor indefinido pero
superior a cualquiera de las cifras que aparezcan en el problema.