Mtodo Simplex y M

El mtodo smplex es un procedimiento general para resolver problemas de programacin lineal. Fue
desarrollado por George Dantzig en 1947. El mtodo smplex es un algoritmo iterativo
(procedimiento de solucin sistemtico que repite una serie de pasos fija, llamada iteracin, hasta
que se obtiene el resultado deseado.

El diseo de la tabla simplex provee automticamente la solucin en la iteracin inicial. La solucin

se inicia en el origen (x1, x2) = (0,0), por lo que x1 y x2se definen como variables no bsicas. Y las
variables de holgura se definen como variables bsicas. La variable objetivo z y las variables bsicas
aparecen en la columna de la extrema izquierda (Bsica). Los lados derechos de las ecuaciones del
modelo dan sus valores, como se muestra en la columna de la extrema derecha (Solucin) de la
tabla.
El proceso de intercambio se basa en las operaciones de filas de Gauss-Jordan. Identifica la
columna de la variable de entrada como columna pivote y la fila de la variable de salida como fila
pivote. La interseccin de la columna pivote y la fila pivote se conoce como elemento pivote.

Operaciones de filas de Gauss-Jordan

1. Fila pivote: a. Reemplace la variable de entrada en la columna Bsica con la variable de entrada,
b. Nueva fila pivote 5Fila pivote actual 4 Elemento pivote
2. Todas las dems filas, incluida la z: Nueva fila 5(Fila actual) 2(Su coeficiente en la columna pivote)
3. (Nueva fila pivote).

Pasos del mtodo simplex

1. Determine la solucin factible bsica inicial.
2. Seleccione una variable de entrada utilizando la condicin de optimalidad. Detngase si no
hay variable de entrada; la ltima condicin es ptima. De otro modo, prosiga con el paso 2.
3. Seleccione una variable de salida utilizando la condicin de factibilidad.

4. Aplique los clculos de Gauss-Jordan para determinar la nueva solucin bsica. Vaya al
paso 1.

Mtodo M
El mtodo M se inicia con la PL en forma de ecuacin. Si la ecuacin i no tiene una holgura (o una
variable que pueda desempear el papel de una), se agrega una variable artificial, Ri, para formar
una solucin inicial parecida a la solucin bsica de total holgura. Sin embargo, las variables
artificiales no forman parte del problema original, y se requiere un artificio de modelado para
igualarlas a cero en el momento en que se alcance la iteracin ptima (suponiendo que el problema
tenga una solucin factible). La meta deseada se logra penalizando estas variables en la funcin
objetivo utilizando la siguiente regla:

Regla de penalizacin para variables artificiales

Dado M, un valor positivo suficientemente grande (matemticamente (M tiende al infinito), el
coeficiente objetivo de una variable artificial representa una penalizacin apropiada si:
Coeficiente objetivo de la variable artificial es igual a:
-M, en problemas de maximizacin
M, en problemas de minimizacin

Conceptos Claves

Variable de Holgura: variables que se agregan a la restriccin para que la relacin de la

restriccin sea de igualdad (representa el valor que le hace falta al lado izquierdo para ser
igual al lado derecho).

Variable de entrada: En la terminologa del algoritmo simplex, x1 se conoce como la

variable de entrada porque ingresa la solucin bsica.

Variable de salida: La mecnica para determinar la variable de salida implica calcular las
relaciones del lado derecho de las ecuaciones (columna Solucin) con los coeficientes de
restriccin estrictamente positivos (imposibilitando as al cero) bajo la variable de entrada x1.

 Ejercicios. Conjunto de problemas 3.3b

1. Este problema est diseado para reforzar su comprensin de la condicin de factibilidad
simplex. En la primera tabla del ejemplo 3.3-1 utilizamos la prueba de relacin mnima (no
negativa) para determinar la variable de salida. La condicin garantiza la factibilidad (todos
los nuevos valores de las variables bsicas permanecen no negativos segn lo estipulado
por la definicin de la PL). Para demostrar este punto, haga que s2, en lugar de s1, salga de
la solucin bsica, y realice los clculos de Gauss-Jordan. En la tabla s. resultante, s1 es no
factible (= -12).

Sensibilidad

En PL, los parmetros (datos de entrada) del modelo pueden cambiar dentro de
ciertos lmites sin que cambie la solucin ptima. Esto se
conoce como anlisis de sensibilidad.
El anlisis de sensibilidad o post-optimal para los modelos de Programacin
Lineal, tiene por objetivo identificar el impacto que resulta
en los resultados del problema original luego de
determinadas variaciones en los parmetros, variables o
restricciones del modelo, sin que esto pase por resolver el
problema nuevamente.
Es decir, ya sea si resolvemos nuestro modelo grficamente o utilizando el
Mtodo Simplex, lo que se busca es que estas variaciones o
sensibilidad hagan uso de la solucin y valor ptimo actual,
sin tener la necesidad de resolver para cada variacin un
nuevo problema. En especial nos concentraremos en el
anlisis de sensibilidad o post-optimal que hace uso de la
tabla final del Mtodo Simplex.

Tcnicas de Post-Optimizacin y Sensibilidad

Re-optimizacin: Afina el modelo y la solucin ptima con versiones ms

completas del problema. Se utiliza para probar variaciones del modelo y
demostrar la validez de un modelo final.

Precios Sombra: Realiza una apropiada divisin de los recursos

organizacionales estudiados y otras actividades importantes. Se utiliza
para tomar decisiones administrativas finales de asignacin de recursos

Anlisis de Sensibilidad: Determina estimados cruciales que puedan

afectar la solucin ptima para estudios futuros. Evala los estimados de
los parmetros del modelo.

Programacin lineal paramtrica: Determinar las mejores negociaciones

a realizar. Evala las compensaciones de negociar los parmetros

Factores que afectan el tiempo para resolver el modelo:

# de restricciones: El tiempo de computacin es proporcional al cubo

Cantidad de variables: Su efecto es menor, normalmente doblar el

Densidad de la tabla de coeficientes de las restricciones (cuantos

coeficientes son diferentes de cero) Aumenta la cantidad de
computaciones por iteracin.

En general, la cantidad de iteraciones necesarias tiende a ser igual al

doble del nmero de restricciones funcionales.

Ejercicios