MTODO SIMPLEX

El mtodo Simplex es un procedimiento iterativo que permite ir mejorando la solucin a cada paso. El proceso concluye cuando no es posible seguir mejorando ms dicha solucin. Partiendo del valor de la funcin objetivo en un vrtice cualquiera, el mtodo consiste en buscar sucesivamente otro vrtice que mejore al anterior. La bsqueda se hace siempre a travs de los lados del polgono (o de las aristas del poliedro, si el nmero de variables es mayor). Cmo el nmero de vrtices (y de aristas) es finito, siempre se podr encontrar la solucin. El mtodo Simplex se basa en la siguiente propiedad: si la funcin objetivo, f, no toma su valor mximo en el vrtice A, entonces hay una arista que parte de A, a lo largo de la cual f aumenta. Deber tenerse en cuenta que este mtodo slo trabaja para restricciones que tengan un tipo de desigualdad "" y coeficientes independientes mayores o iguales a 0, y habr que estandarizar las mismas para el algoritmo. En caso de que despus de ste proceso, aparezcan (o no varen) restricciones del tipo "" o "=" habr que emplear otros mtodos, siendo el ms comn el mtodo de las Dos Fases.

Preparando el modelo para adaptarlo al mtodo simplex Esta es la forma estndar del modelo: Funcin objetivo: c1x1 + c2x2 + ... + cnxn

Sujeto a:

a11x1 + a12x2 + ... + a1nxn = b1

a21x1 + a22x2 + ... + a2nxn = b2 ... am1x1 + am2x2 + ... + amnxn = bm x1,..., xn 0 Para ello se deben cumplir las siguientes condiciones: 1. 2. 3. 4. negativas. Cambio del tipo de optimizacin. El objetivo es de la forma de maximizacin o de minimizacin. Todas las restricciones son de igualdad. Todas las variables son no negativas. Las constantes a la derecha de las restricciones son no

Si en nuestro modelo, deseamos minimizar, podemos dejarlo tal y como est, pero deberemos tener en cuenta nuevos criterios para la condicin de parada (deberemos parar de realizar iteraciones cuando en la fila del valor de la funcin objetivo sean todos menores o iguales a 0), as como para la condicin de salida de la fila. Con objeto de no cambiar criterios, se puede convertir el objetivo de minimizar la funcin F por el de maximizar F(-1).

Ventajas: No deberemos preocuparnos por los criterios de parada, o condicin de salida de filas, ya que se mantienen.

Inconvenientes: En el caso de que la funcin tenga todas sus variables bsicas positivas, y adems las restricciones sean de desigualdad "", al hacer el cambio se quedan negativas y en la fila del valor de la funcin objetivo se quedan positivos, por lo que se cumple la condicin de parada, y por defecto el valor ptimo que se obtendra es 0.

Solucin: En la realidad no existen este tipo de problemas, ya que para que la solucin quedara por encima de 0, alguna restriccin debera tener la condicin "", y entonces entraramos en un modelo para el mtodo de las Dos Fases. Conversin de signo de los trminos independientes (las constantes a la derecha de las restricciones) Deberemos preparar nuestro modelo de forma que los trminos independientes de las restricciones sean mayores o iguales a 0, sino no se puede emplear el mtodo Simplex. Lo nico que habra que hacer es multiplicar por "-1" las restricciones donde los trminos independientes sean menores que 0. Ventaja: Con sta simple modificacin de los signos en la restriccin podemos aplicar el mtodo Simplex a nuestro modelo. Inconvenientes: Puede resultar que en las restricciones donde tengamos que modificar los signos de las constantes, los signos de las desigualdades fueran ("=", ""), quedando ("=","") por lo que en cualquier caso deberemos desarrollar el mtodo de las Dos Fases. Este inconveniente no es controlable, aunque nos podra beneficiar si slo existen trminos de desigualdad ("",""), y los "" coincidieran con restricciones donde el trmino independiente es negativo.

Todas las restricciones son de igualdad. Si en nuestro modelo aparece una inecuacin con una desigualdad del tipo "", deberemos aadir una nueva variable, llamada variable de exceso si, con la restriccin si 0. La nueva variable aparece con coeficiente cero en la funcin objetivo, y restando en las inecuaciones. Surge ahora un problema, veamos cmo queda una de nuestras inecuaciones que contenga una desigualdad "" : a11x1 + a12x2 b1 a11x1 + a12x2 - 1xs = b1

Como todo nuestro modelo, est basado en que todas sus variables sean mayores o iguales que cero, cuando hagamos la primera iteracin con el mtodo Simplex, las variables bsicas no estarn en la base y tomarn valor cero, y el resto el valor que tengan. En este caso nuestra variable xs, tras hacer cero a x1 y x2, tomar el valor -b1. No cumplira la condicin de no negatividad, por lo que habr que aadir una nueva variable, xr, que aparecer con coeficiente cero en la funcin objetivo, y sumando en la inecuacin de la restriccin correspondiente. Quedara entonces de la siguiente manera: a11x1 + a12x2 b1 a11x1 + a12x2 - 1xs + 1 xr = b1

Este tipo de variables se les llama variables artificiales, y aparecern cuando haya inecuaciones con desigualdad ("=",""). Esto nos llevar

obligadamente a realizar el mtodo de las Dos Fases, que se explicar ms adelante.

Del mismo modo, si la inecuacin tiene una desigualdad del tipo "", deberemos aadir una nueva variable, llamada variable de holgura si, con la restriccin si "" 0. La nueva variable aparece con coeficiente cero en la funcin objetivo, y sumando en las inecuaciones. A modo resumen podemos dejar esta tabla, segn la desigualdad que aparezca, y con el valor que deben estar las nuevas variables. Tipo de desigualdad = Mtodo Simplex - Construccin de la primera tabla: En la primera columna de la tabla aparecer lo que llamaremos base, en la segunda el coeficiente que tiene en la funcin objetivo cada variable que aparece en la base (llamaremos a esta columna Cb), en la tercera el trmino independiente de cada restriccin (P0), y a partir de sta columna aparecern cada una de las variables de la funcin objetivo (Pi). Para tener una visin ms clara de la tabla, incluiremos una fila en la que pondremos cada uno de los nombres de las columnas. Sobre sta tabla que tenemos incluiremos dos nuevas filas: una que ser la que liderar la tabla donde aparecern las constantes de los coeficientes de la funcin objetivo, y otra que ser la ltima fila, donde tomar valor la funcin objetivo. Nuestra tabla final tendr tantas filas como restricciones. Tipo de variable que aparece - exceso + artificial + artificial + holgura

Tabla . C1 Base Pi1 Pi2 ... Pim Cb Ci1 Ci2 ... Cim P0 bi1 bi2 ... bim Z0 P1 a11 a21 ... am1 Z1-C1 C2 P2 a12 a22 ... am2 Z2-C2 ... ... ... ... ... ... ... Cn Pn a1n a2n ... amn Zn-Cn

Los

valores de

la fila Z se obtienen de la siguiente forma: El valor Z0 ser el de sustituir Cim en la funcin objetivo (y cero si no aparece en la base). El resto de columnas se obtiene restando a este valor el del coeficiente que aparece en la primera fila de la tabla. Se observar al realizar el mtodo Simplex, que en esta primera tabla, en la base estarn las variables de holgura. - Condicin de parada: Comprobaremos si debemos de dar una nueva iteracin o no, que lo sabremos si en la fila Z aparece algn valor negativo. Si no aparece ninguno, es que hemos llegado a la solucin ptima del problema. - Eleccin de la variable que entra: Si no se ha dado la condicin de parada, debemos seleccionar una variable para que entre en la base en la siguiente tabla. Para ello nos fijamos en los valores estrictamente negativos de la fila Z, y el menor de ellos ser el que nos de la variable entrante. - Eleccin de la variable que sale: Una vez obtenida la variable entrante, obtendremos la variable que sale, sin ms que seleccionar aquella fila cuyo cociente P0/Pj sea el menor de los estrictamente positivos (teniendo en cuenta que slo se har cuando Pj sea mayor de 0). La interseccin entre la columna entrante y la fila saliente nos determinar el elemento pivote.

- Actualizacin de la tabla: Las filas correspondientes a la funcin objetivo y a los ttulos permanecern inalterados en la nueva tabla. El resto deber calcularse de dos formas diferentes:

Si es la fila pivote cada nuevo elemento se calcular:

Nuevo Elemento Fila Pivote = Elemento Fila Pivote actual / Pivote.

Para

el

resto

de

elementos

de

filas

se

calcular:

Nuevo Elemento Fila = Elemento Fila Pivote actual - (Elemento Columna Pivote en la fila actual * Nuevo Elemento Fila).

Conceptos bsicos. Forma estndar Es la igualacin de las restricciones del modelo planteado, as como el aumento de variables de holgura, o bien la resta de variables de exceso.

Forma cannica

En el mtodo Simplex es de bastante utilidad la forma cannica, especialmente para explorar la relacin de dualidad. Un problema de Programacin Lineal se encuentra en la forma cannica si se cumplen las siguientes condiciones: Para el caso de la forma cannica de maximizacin: - La funcin objetivo debe ser de maximizacin. - Las restricciones son del tipo . - Las variables de decisin son mayores o iguales a cero. Para el caso de la forma cannica de la dieta: - La funcin objetivo es minimizada. - Las restricciones son de tipo . - Las variables de decisin son mayores o iguales a cero.
.

Variables de entrada Estas suelen encontrarse en un criterio que se conoce como Condicin de optimilidad, en un modelo, ya sea de optimizacin o minimizacin, y se refiere a la variable no bsica en el rengln z con el coeficiente ms negativo, si se trata de

una maximizacin, o el coeficiente ms positivo, si se trata de una minimizacin, la cual, en el la tabla de solucin anterior, a excepcin de la primer tabla, esta variable era una variable bsica. 'Variables de salida Esta variable es un punto extremo que se encuentra en un criterio conocido como Condicin de factibilidad, en un modelo, ya se a de optimizacin o minimizacin, y se refiere a la variable bsica asociada con la mnima razn no negativa con el coeficiente ms negativo, si se trata de una maximizacin, o el coeficiente ms positivo, si se trata de una minimizacin, la cual, en el la tabla de solucin siguiente, pasar a ser variable no bsica.

Variables bsicas Variables no bsicas Variable de entrada Variable de salida

A X3, X4, X5, X6

X1, X2

X1

X2

B X3, X4, X5, X1

X6, X2

X2

X3

C X2, X4, X5, X1

X6, X3

X6

X4

D X2, X6, X5, X1

X4, X3

X3

X1

E X2, X6, X5, X3

X4, X1

X4

X2

Variable degenerada

Una variable degenerada es una variable bsica que vale 0. Grficamente esto puede ocurrir cuando ms de dos rectas se intersequen en el mismo punto.

Base Conjunto de variables bsicas. En el ejemplo anterior, la base es {X3, X4, X5, X6} Variable no restringida Variable artificial Se usa una variable artificial cuando las restricciones son = y y sucede cuando el origen no se encuentra dentro de la regin factible, tratando de llevar el modelo a otra dimensin en la cual el origen si exista en la regin. Es aquella que puede tomar toda clase de valores positivos, cero y negativos puede escribirse como la diferencia de dos variables no-negativas. Funcin objetivo: Define la efectividad del modelo como funcin de las variables de decisin. Solucin ptima Siempre est asociada a un punto extremo de la regin factible y satisface todas las restricciones si se evala en ellas as como es el punto que en el caso de maximizacin hace que el valor de z sea el mximo (ms grande) y el caso de minimizacin sea el mnimo (ms pequeo).