Académique Documents
Professionnel Documents
Culture Documents
FACULTAD DE INGENERIA
Ingeniera en
sistemas
Tarea #3
Ejercicios S.B.F
CATEDRATICO
M.I. Jos Alejandro Jimnez Gordillo
ALUMNO
Juan Flix Coutio Cordero
GRADO Y GRUPO
6 C
Ingeniera en
sistemas
Tarea #4
Mtodo simplex
CATEDRATICO
M.I. Jos Alejandro Jimnez Gordillo
ALUMNO
Juan Flix Coutio Cordero
GRADO Y GRUPO
6 C
Mtodo simplex
El Mtodo Simplex es un mtodo analtico de solucin de problemas
de programacin lineal capaz de resolver modelos ms complejos que los
resueltos mediante elmtodo grfico sin restriccin en el nmero de variables.
+
+
a1nxn =
a2nxn =
b1
b2
amnxn =
bm
Hay que adaptar el problema modelado a la forma estndar para poder aplicar
el algoritmo del Simplex.
Tipo de optimizacin.
Como se ha comentado, el objetivo del mtodo consistir en optimizar el valor
de la funcin objetivo. Sin embargo se presentan dos opciones: obtener el valor
ptimo mayor (maximizar) u obtener el valor ptimo menor (minimizar).
Adems existen diferencias en el algoritmo entre el objetivo de maximizacin y
el de minimizacin en cuanto al criterio de condicin de parada para finalizar las
iteraciones y a las condiciones de entrada y salida de la base. As:
Objetivo de maximizacin
Condicin de parada: cuando en la fila Z no aparece ningn valor negativo.
Condicin de entrada a la base: el menor valor negativo en la fila Z (o el
de mayor valor absoluto entre los negativos) indica la variable Pj que entra
a la base.
Condicin de salida de la base: una vez obtenida la variable entrante, la
variable que sale se determina mediante el menor cociente P0/Pj de los
estrictamente positivos.
Objetivo de minimizacin
Condicin de parada: cuando en la fila Z no aparece ningn valor positivo.
Condicin de entrada a la base: el mayor valor positivo en la fila Z
indica la variable Pj que entra a la base.
Condicin de salida de la base: una vez obtenida la variable entrante, la
variable que sale se determina mediante el menor cociente P0/Pj de los
estrictamente negativos.
a11x1 + a12x2 b1
a11x1 + a12x2 b1
a11x1 + a12x2 = b1
En el ltimo caso se hace patente que las variables artificiales suponen una
violacin de las leyes del lgebra, por lo que ser necesario asegurar que dichas
variables artificiales tengan un valor 0 en la solucin final. De esto se encarga
el mtodo de las Dos Fases y por ello siempre que aparezcan este tipo de
variables habr que realizarlo.
En la siguiente tabla se resume segn la desigualdad el tipo de variable que
aparece en la ecuacin normalizada, as como su signo:
Tipo de desigualdad
- exceso + artificial
+ artificial
+ holgura
Desarrollando el mtodo Simplex
Una vez estandarizado el modelo puede ocurrir que sea necesario aplicar el
mtodo Simplex o el mtodo de las Dos Fases. Vase en la figura la forma de
actuacin para llegar a la solucin del problema modelado.
Mtodo Simplex
C2
...
Cn
Base
Cb
P0
P1
P2
...
Pn
P1
Cb1
b1
a11
a12
...
a1n
P2
Cb2
b2
a21
a22
...
a2n
...
...
...
...
...
...
...
Pm
Cbm
bm
am1
am2
...
amn
Z0
Z1-C1
Z2-C2
...
Zn-Cn
Todos los valores incluidos en la tabla vendrn dados por el modelo del
problema salvo los valores de la fila Z (o fila indicadora). Estos se obtienen
de la siguiente forma: Zj = (CbiPj) para i = 1..m, donde si j = 0, P0 = bi y
C0 = 0, y en caso contrario Pj = aij.
Se observa, al realizar el mtodo Simplex, que en esta primera tabla
ocupan la base todas las variables de holgura y por ello (todos los
coeficientes de las variables de holgura son 0 en la funcin objetivo) el valor
inicial de Z es cero.
Por este mismo motivo tampoco es necesario realizar los clculos de
los costes reducidos en la primera tabla, pudindose determinar
directamente como el cambio de signo de los coeficientes de cada variable
en la funcin objetivo, esto es, -Cj.
Condicin de parada:
Se cumple la condicin de parada cuando la fila indicadora no contiene
ningn valor negativo entre los costes reducidos (cuando el objetivo es la
maximizacin), esto es, no existe posibilidad de mejora.
Si no se cumple la condicin de parada es necesario realizar una
iteracin ms del algoritmo, esto es, determinar la variable que se vuelve
bsica y la que deja de serlo, encontrar el elemento pivote, actualizar los
valores de la tabla y comprobar si se cumple nuevamente la condicin de
parada.
Es tambin posible determinar que el problema no se encuentra
acotado y su solucin siempre resultar mejorable. En tal caso no es
necesario continuar iterando indefinidamente y se puede finalizar el
algoritmo. Esta situacin ocurre cuando en la columna de la variable
entrante a la base todos los valores son negativos o nulos.
Elemento pivote:
El elemento pivote de la tabla queda marcado por la interseccin entre la
columna de la variable entrante y la fila de la variable saliente.
Actualizacin de la tabla:
Las filas correspondientes a la funcin objetivo y a los ttulos permanecern
inalteradas en la nueva tabla. El resto de valores debern calcularse como
se explica a continuacin:
o En la fila del elemento pivote cada nuevo elemento se calcula como:
Nuevo Elemento Fila Pivote = Anterior Elemento Fila Pivote / Pivote.
o En el resto de las filas cada elemento se calcula:
Nuevo Elemento Fila = Anterior Elemento Fila - (Anterior Elemento
Fila en Columna Pivote * Nuevo Elemento Fila Pivote).
De esta forma se consigue que todos los elementos de la columna de
la variable entrante sean nulos salvo el de la fila de la variable saliente cuyo
valor ser 1. (Es anlogo a utilizar el mtodo de Gauss-Jordan para
resolver sistemas de ecuaciones lineales).
Tabla
C0
C1
C2
...
Cn-k
...
Cn
Base
Cb
P0
P1
P2
...
Pn-k
...
Pn
P1
Cb1
b1
a11
a12
...
a1n-k
...
a1n
P2
Cb2
b2
a21
a22
...
a2n-k
...
a2n
...
...
...
...
...
...
...
...
...
Pm
Cbm
bm
am1
am2
...
amn-k
...
amn
Z0
Z1
Z2
...
Zn-k
...
Zn
FASE 2
La segunda fase del mtodo de las Dos Fases se desarrolla exactamente
igual que el mtodo Simplex, con la salvedad de que antes de iniciar las
iteraciones hay que eliminar las columnas correspondientes a las variables
artificiales, y reconstruir la tabla inicial.
A partir de este punto, todas las iteraciones hasta llegar a la solucin ptima
del problema no presentan ninguna diferencia con el mtodo Simplex.
Identificando casos anmalos y soluciones
Solucin ptima: cuando se cumple la condicin de parada y no hay
variables artificiales en la base con valor positivo (los valores se indican en la
columna P0), se ha conseguido la optimizacin. El valor Z0 actual es la solucin
ptima del problema, cumplindose para las variables que se encuentran en la
base. Si se trata de un problema de minimizacin, el valor ptimo obtenido se
multiplicar por "-1".
Infinitas soluciones: cumplida la condicin de parada, si alguna variable de
decisin no bsica tiene un valor 0 en la fila Z, significa que existe otra solucin
que aporta el mismo valor ptimo para la funcin objetivo. Es este caso el
problema admite infinitas soluciones, estando todas ellas comprendidas dentro del
segmento (o porcin del plano, regin del espacio, etc. dependiendo del nmero
de variables del problema) definido por AX1 + BX2 = Z0. Mediante una nueva
iteracin y haciendo que la variable de decisin que tiene el 0 en la fila Z entre en
la base se obtendr otra solucin diferente para el mismo valor ptimo.
Ejemplo:
Un orfebre fabrica dos tipos de joyas. Las del tipo A precisan 1 g de oro y 1,5 g de plata,
vendindolas a 40 dlares cada una. Para la fabricacin de las de tipo B emplea 1,5 g de oro y
1 g de plata, y las vende a 50 dlares. El orfebre tiene solo en el taller 750 g de cada uno de los
metales.
Calcula cuntas joyas ha de fabricar de cada clase para obtener un beneficio mximo
Tipo A (x)
Tipo B (y)
Variables de decisin
Tipo A X
Tipo B Y
Funcin objetivo
Max Z= 40x + 50y
Restricciones
oro
1
3/2
750
plata
3/2
1
750
Precio $
40
50