UNIDAD II

FORMULACIN Y SOLUCIN DE MODELOS DE

PROGRAMACIN
LINEAL.

INTRODUCCIN.
La programacin lineal es una clase de modelos de
programacin matemtica destinados a la asignacin eficiente de los
recursos limitados en actividades conocidas, con el objeto de
satisfacer las metas deseadas (tal como maximizar beneficios o
minimizar costos). La caracterstica distintiva de estos modelos es que
las ecuaciones que representan el objetivo y las restricciones son
lineales.

2.1.- VARIABLE DE DECISIN.

Son aquellas letras que utilizamos para presentar cualquier
actividad (bien, producto o servicio) que intervienen en un problema y
que nos generan una ganancia o un costo y pueden ser n variables.

2.2.- ECUACIONES DE RESTRICCIN.

Son las ecuaciones que se forman al interrelacionar las variables
de decisin siempre y cuando todas ellas sean mayores o iguales a
cero.

2.3.- FUNCIN OBJETIVO.

Es el valor de la relacin y de las variables de decisin que en el
caso de maximizar representa las ganancias obtenidas y en el caso de
minimizar representa el costo de estas variables.

2.4.- SOLUCIN PTIMA Y SOLUCIN FACTIBLE.

La solucin factible es la solucin para la cual todas las
restricciones se satisfacen, y la solucin ptima es una solucin
factible que lleva el valor ms favorable, que en el caso de maximizar
es el valor ms grande y en el caso de minimizar es el valor ms
pequeo.

2.5.- INTERPRETACIN DE RESULTADOS.

Este punto est relacionado directamente con la solucin de
cada problema, puesto que representa la solucin del mismo.

2.6.- FORMULACIN DE MODELOS DE P. L.

Requerimientos Bsicos en un modelo de P. L.
Especificar cules son las Variables de Decisin.
Definir claramente la funcin objetivo.
Definir las Ecuaciones de Restriccin o desigualdades, que deben
describir al problema en forma lineal.
Las variables de decisin deben interrelacionarse.
Debe existir un suministro LIMITADO de recursos.
Aplicacin de la Programacin Lineal.
1. Planeacin de la produccin.
2. Mezcla de alimentos.
3. Corte y ajuste de materiales.
4. Control de calidad del agua.
5. Perforaciones de pozos y produccin de petrleo.
6. Balanceo y en el ensamble.
7. Inventarios.
MODELO DE PROGRAMACIN LINEAL.
Consumo de recursos por unidad de actividad.
Actividad.
Recursos
1
2
n

Cantidad
De recursos disponibles.

1
2
3
m
Incremento Z
Nivel de act.

a11
a21
a31
am1
cl
x1

a12
a22
a32
am2
c2
x2

aln
a2n
a3n
amn
cn
xn

b1
b2
b3
bm

Un modelo lineal puede ser de maximizacin o minimizacin, las

restricciones pueden ser del tipo (>=), (=), o (<=). Y las variables
pueden ser no negativas o irrestrictas en signos. Un modelo de P. L.
General, por lo tanto, se define usualmente como sigue.

FORMA CANNICA DEL MODELO DE P. L.

Variable de Decisin. X1, x2.............................. xn.
Funcin Objetivo
Minimizar Z=clx1 + c2x2 +. +cnxn.
Que es equivalente a. maximizar G=Z= -clx1 c2x2........cnxn.
Sujeta a las ecuaciones de Restriccin.
a11x1 + a12x2+.......a1nxn <=b1
a21x1 + a22x2+.......a2nxn <=b2
a31x1 + a32x2+.......a3nxn <=b3
am1x1+ am2x2+.......amnxn <=bm
Siempre y cuando x1, x2, x3, ......xn sean mayores o iguales que cero.
xi>=0
b1, b2, b3 .............................bm.
Son los parmetros del modelo.
Las caractersticas de esta forma son.
1. Todas las variables de decisin son no negativas.
2. Todas las restricciones son del tipo (menor o igual).
3. La funcin objetivo es del tipo de maximizacin.

Un problema de P. L. puede ponerse en la forma cannica por el

uso de 5 transformaciones elementales.
1. La minimizacin de una funcin Z es matemticamente equivalente
a la maximizacin de la expresin negativa de esta funcin, -Z.
2. Una desigualdad en una direccin (<= 0 >=) puede cambiarse a una
desigualdad en la direccin (>= 0 <=), multiplicando ambos lados
por 1, por ejemplo.
a1x1+a2x2 >= b
es equivalente
-a1x1-a2x2 <= -b
3. Una ecuacin puede ser remplazada por dos desigualdades en
direcciones opuestas, por ejemplo.
a1x1+a2x2 = b es equivalente a las dos restricciones simultneas.
a1x1+a2x2<=b y
a1x1+a2x2>=b o bien a.
a1x1+a2x2<=b y
-a1x1-a2x2<= -b

4. Una restriccin de desigualdad con su lado izquierdo en la forma de

valor absoluto puede cambiarse a dos desigualdades regulares, por
ejemplo.
| a1x1+a2x2 | <= b es equivalente a.
a1x1+a2x2>= -b y a1x1 +a2x2<= b
de igual manera
| a1x1+a2x2 | >=b es equivalente a.
a1x1+a2x2 >=b
y a1x1+a2x2 <= -b.
5. Una variable que es irrestricta en signo (esto es, positiva, negativa
o cero) es equivalente a la diferencia entre dos variables no
negativas. Por consiguiente si x es irrestricta en signo puede
reemplazarse por (

X X

) donde

>= 0 y

>= 0.

EJEMPLO.
Considere el problema de programacin lineal.
Minimizar Z= 3x1-3x2+7x3
S.a.
x1+x2 +3x3<=40
x1+9x2-7x3>=50
5x1+3x2

=20

|5x2+8x3|

<=100

x1>=0, x2>=0, x3 es irrestricta en signo.

ste problema se puede poner en la forma cannica

Max G= (-Z) = -3x1+3x2-7(

S.a.

x1+x2+3(

X3 X3

X3 X3

-x1-9x2+ (
5x1+3x2
-5x1-3x2

X3 X3

) <=40

) <= -50
<= 20
<= -20

5x2+8(

X3 X3

-5x2-8 (
x1>=0,

x2>=0,

) <= 100

X3 X3

X3

) <= 100

)>=0,

X3

)>=0.

FORMA ESTNDAR DEL MODELO DE P.L.

Las caractersticas de la forma estndar son:
1. Todas las restricciones son ecuaciones
restricciones de no negatividad que
desigualdades (>=0).

excepto para las

pertenecen como

2. Los elementos de los lados derechos de cada ecuacin son no

negativos.
3. Todas las variables son no negativas.
4. La funcin objetivo es del tipo de maximizacin o de minimizacin.
Las restricciones de desigualdad pueden cambiarse a ecuaciones
introduciendo (sumando o restando) en el lado izquierdo de cada una
de tales restricciones una variable no-negativa. Estas nuevas variables
se conocen como variables de holgura y se suman si la restriccin es
<= o se resta si la restriccin es >=. El lado derecho se puede hacer
siempre positivo, multiplicando ambos lados por (-1) siempre que sea
necesario. Las caractersticas restantes pueden realizarse usando las
transformaciones elementales introducidas en la forma cannica.

2.7.- SOLUCIN DE MODELOS DE P.L. MEDIANTE EL MTODO

GRFICO, SIMPLEX Y VARIABLES ARTIFICIALES.
2.7.1 FORMULACIN DE UN MODELO DE P.L.
EJEMPLO # 1: Una compaa produce artculos de vidrio de alta
calidad, incluyen ventanas y puertas de vidrio, cuenta con tres plantas
para esta produccin. Los marcos y molduras de aluminio se hacen en
la planta 1, los marcos de madera en la planta 2 y en la planta 3 se
fabrica el vidrio y se ensamblan los productos, que son puertas de

vidrio de 8 pies con marco de aluminio y ventanas de 4x6 pies con

vidrio doble y marco de madera. Adems el departamento de ventas
ha estimado que la utilidad para cada puerta ser de 3 dlares y por
cada ventana de 5 dlares. Plantee el problema como un modelo de
P.L y resuelva por el mtodo grfico s la compaa quiere maximizar
su utilidad, a continuacin se da la tabla de requerimientos y
disponibilidad.
Capacidad usada por unidad producida
Planta
puertas
ventanas capacidad disponible
1
1
0
4
2
0
2
12
3
3
2
18
Ganancia unitaria 3
5
Planteamiento del modelo:
1. Variable de decisin
x1= cantidad de puertas a producir
x2= cantidad de ventanas a producir
2. funcin objetivo
Max Z=3x1 + 5x2
3. Ecuaciones de restriccin
x1
<= 4
2x2 <= 12
3x1 + 2x2 <= 18
Donde xi >= 0.

2.7.2.- SOLUCIN GRFICA DE PROGRAMACIN LINEAL CON

DOS VARIABLES.
MTODO GRFICO
El propsito del mtodo grfico no es proveer un mtodo
prctico para resolver problemas de P.L. ya que usualmente los
problemas prcticos incluyen un gran nmero de variables. El mtodo

grfico solo se puede aplicar cuando el ejemplo o problema es lo

suficientemente pequeo como para resolver de manera directa en
una grfica y en dos dimensiones.
El mtodo grfico demuestra los conceptos bsicos para desarrollar la
tcnica algebraica para programas lineales con ms de dos variables.
El vehculo de explicacin es un ejemplo numrico.

EJEMPLO:
Maximizar Z = 4x1+3x2
S.a.
2x1+3x2 <=6
-3x1+2x2 <=3
2x2 <=5
2x1+ x2 <=4
x1, x2 >=0

Ecuacin 1
2
3
4
5

La idea del mtodo grfico es determinar el espacio de solucin

(factible), el cual se define como ele espacio encerrado por las
restricciones 1 a 5. La solucin ptima es el punto (en el espacio de
solucin) que maximiza el valor de la funcin Z.
La restriccin #5 define que la solucin debe estar en el primer
cuadrante definido por x1>=0 y x2>=0
Una observacin interesante es que el valor mximo de Z
siempre ocurre en uno de los puntos esquina, A, B, C, D, y E del
espacio de solucin. La eleccin de un punto esquina especfico como
ptimo depende de la pendiente de la funcin. Matemticamente un
punto esquina se conoce como punto extremo.

2.7.3.- EL MTODO SIMPLEX.

El mtodo simplex es un procedimiento algebraico para resolver
problemas de Programacin Lineal. Es un algoritmo, por lo tanto es un
proceso en el que se repite una y otra vez una operacin hasta
obtener el resultado deseado.

Desarrollo del Mtodo Simplex.

El desarrollo del mtodo simplex est basado en el uso de la
forma estndar (en la cual todas las restricciones se convierten en
ecuaciones) a fin de hacer la transicin de la representacin grfica a
las algebraicas.
Se debern convertir aquellas restricciones que estn en forma
de desigualdades a ecuaciones equivalentes, esto se logra mediante
la introduccin de variables de holgura. Si la desigualdad es <= la
variable de holgura se suma y si la desigualdad es >= la variable de la
holgura se resta y se utilizan variables artificiales, las cuales se suman
para ayudar a formar la matriz idntica del sistema de ecuaciones.
Adems los coeficientes de la funcin objetivo cambian de signo.
Un punto extremo factible, por consiguiente, se define como una
solucin bsica factible.
Propiedad fundamental. Los puntos extremos factibles de un
programa lineal son totalmente determinados por las soluciones
bsicas factibles de las ecuaciones que lo definen.
CONDICIONES DE OPTIMIDAD Y FACTIBILIDAD DEL MTODO
SIMPLEX.
La solucin ptima para un programa lineal con m ecuaciones y
n incgnitas puede obtenerse resolviendo C m=n! [m! (n-m)!] conjunto
de ecuaciones simultneas. Este procedimiento es ineficiente. Primero
el nmero de soluciones bsicas posibles puede ser demasiado
grande. Por ejemplo, si m=5 y n=15, deben resolverse 15!/(5!10!)
=3003 conjuntos de ecuaciones simultneas. Segundo, muchas de
estas soluciones pueden ser infactibles o no existentes. Como prueba,
en el ejemplo 3*3-2 nicamente 5 de los 15 puntos extremos posibles
(=C4) son factibles. Tercero, la funcin objetivo juega un papel pasivo
en el clculo, ya que es utilizada nicamente despus de que todas las
soluciones bsicas factibles han sido determinadas.
El mtodo simplex est diseado especficamente para evitar
estas ineficiencias. El enfoque consiste en partir de una solucin

bsica factible (esto es, un punto extremo factible) y luego pasar

sucesivamente a travs de una sucesin de soluciones bsicas
factibles (no redundantes), de tal manera que cada nueva solucin
tenga la facultad de mejorar el valor de la funcin objetivo.
La base del mtodo simplex que garantiza generar tal sucesin
de solucin bsica est formada por dos condiciones fundamentales.
1) Condicin de OPTIMIDAD.- Asegura que nunca se encontrar una
solucin inferior (relativa al punto de solucin actual).
2) Condicin de FACTIBILIDAD.- Garantizar que partiendo de una
solucin bsica factible nicamente se encontrar durante el clculo
soluciones bsicas factibles.
Para ayudar a desarrollar las dos condiciones, el programa lineal en
forma estndar se representa en una forma tabular conveniente. El
ejemplo 3*2-1 se utiliza en la discusin de tal manera que el lector
pueda comparar las soluciones grficas y algebraicas. La
representacin da una explicacin particularmente lcida de la
condicin de factibilidad.
La forma estndar del ejemplo 3*2-1 est dada como.
Maximizar Z = 4x1 + 3x2 + 0s1 + 0s2 + 0s3 + 0s4
Sujeta a:
2x1 + 3x2 + s1
-3x1 + 2x2
+s2
0x1 + 2x2
+s3
2x1 + x2
+s4
x1, x2, s1, s2, s3, s4 > 0

=6
=3
=5
=4

El mtodo simplex inicia con una solucin bsica factible (o

punto extremo) la cual para este ejemplo debe tener dos variables
iguales a ser (de las seis). Se obtiene as una solucin bsica factible
inicial obvia x1 = x2 = 0, esto inmediatamente da (sin ningn clculo
adicional) la solucin de inicio con todas las variables de holgura con
valores s1 =6, s2=3, s3=5, s4=4. Las variables de holgura
proporcionan una solucin obvia de inicio en este caso porque (1) sus
coeficientes en las relaciones forman una matriz identidad, donde los
elementos diagonales son unos y todos los elementos restantes son
ceros y (2) las constantes del lado derecho de las ecuaciones siempre
son no negativas (propiedad de la forma estndar)

Una forma conveniente para registrar la informacin sobre la

solucin de inicio es la tabla siguiente.
BSICA E X1 X2 S1 S2 S3 S4 SOLUCIN
Z
S1
S2
S3
S4

1 -4
0 2
0 -3
0 0
0 2

-3
3
2
2
1

0
1
0
0
0

0
0
1
0
0

0
0
0
1
0

0
0
0
0
1

0
6
3
5
4

Observe que para el objeto de la tabla, la funcin objetivo se

expresa en forma de ecuacin como
Z 4x1 3x2 0s1 0s2 0s3 0s4 = 0
La columna titulada Bsica contiene las variables bsicas
(actuales) s1, s2, s3, s4, la columna Solucin da los valores actuales
de las variables bsicas; de tal manera que s1=6, s2=3, s3=5, s4=4,
cada ecuacin en la tabla estar identificada por la variable asociada
en la columna marcada Bsica y sus valores son cero, esto es ,
x1=x2=0 los valores asignados a las variables proporcionan Z=0, como
se muestra en la columna Solucin.
El arreglo especial de la tabla anterior proporciona informacin
til y por consiguiente ser utilizada en todo el libro. Las columnas
asociadas a las variables bsicas de inicio (s1, s2, s3 y s4 en este
ejemplo) siempre aparecen inmediatamente a la izquierda de la
columna Solucin y su coeficiente de restricciones constituye una
matriz identidad.
Por conveniencia, la representacin grfica del espacio de
soluciones para el ejemplo 3*2-1 est dada en la figura 3-2, la anterior
solucin de inicio corresponde al punto A en el espacio de soluciones.
El paso siguiente es determinar una nueva solucin bsica
factible (punto extremo) con un valor mejorado de la funcin objetivo.
El mtodo simplex hace esto eligiendo una variable actual no bsica
que se va a aumentar arriba de cero siempre que su coeficiente en la
funcin objetivo tenga la virtud de mejorar el valor Z, ya que un punto
extremo (en este ejemplo) debe tener dos variables no bsicas, una de

las variables bsicas actuales debe hacerse no bsica en el nivel cero

siempre que la nueva solucin sea factible. La variable no bsica
actual debe hacerse bsica; usualmente se le conoce como variable
que entra y est determinada por la condicin de optimidad. La
variable bsica actual que va a ser no bsica se conoce como la
variable que sale y est determinada por la condicin de factibilidad.
Condicin de Optimidad: Dada la ecuacin Z expresada en funcin
de la variable no bsica solamente, se elige la variable que entra en
maximizacin (minimizacin) como la variable no bsica que tiene el
mayor coeficiente negativo (el ms positivo) en la ecuacin Z. Un
empate entre dos variables no bsicas debe descomponerse
arbitrariamente. Cuando todos los coeficientes del lado izquierdo de la
ecuacin Z son no negativos (no positivos) se ha llegado al ptimo.
Condicin de Factibilidad: La variable que sale es la variable bsica
correspondiente al cociente ms pequeo de los valores actuales de
las variables bsicas entre los coeficientes positivos de las
restricciones de la variable que entra. Un empate puede romperse
arbitrariamente.
Algoritmo
1. En cada interacin el mtodo se mueve de una solucin bsica
factible actual a una solucin bsica factible mejor. Este movimiento
incluye el reemplazo de una variable no bsica por una nueva y la
identificacin de la nueva solucin factible.
2. Seleccin de la variable bsica entrante.
La variable no bsica actual debe hacerse bsica, usualmente se le
conoce como variable que entra y est determinada por la condicin
de optimidad. Y se elige como la que tiene el coeficiente mayor, con
signo negativo, ya que es la que hace que la funcin objetivo se
incremente a tasas ms rpidas.
3. Identificacin de la variable bsica que sale.
Debe ser la variable bsica actual cuya restriccin de no negatividad
impone la cota superior ms pequea sobre la que puede aumentar el
valor de la variable bsica entrante.
Y se determina dividiendo bi sobre v.e.
La variable bsica actual que va a ser no bsica se conoce como la
variable que sale y est determinada por la condicin de factibilidad.

4. Se ejecuta el clculo con una conversin de slo dos tipos de

operaciones algebraicas (mtodo de gauss jordan).
5. Comprobacin de la optimidad.
La nica diferencia entre maximizar y minimizar ocurre en la
condicin de optimidad. En minimizacin la variable que entra es
aquella con el mayor coeficiente positivo en la funcin objetivo. La
condicin de factibilidad permanece igual ya que depende de la
restriccin y no de la funcin objetivo.
Los valores de la ecuacin cero Z tendrn que ser mayores o iguales
que cero, es decir no debe de haber ningn coeficiente con signo
negativo en el caso de maximizar y ninguno con signo positivo en el
caso de minimizar.
RESUMEN DEL PROCEDIMIENTO SIMPLEX.
1. Exprese la forma estndar del programa lineal en formato de tabla.
2. Elija una solucin factible bsica inicial. Este paso involucra dos
casos:
* Si todas las restricciones en el problema son<= la variable de
holgura se utiliza para una solucin de inicio.
* Si las restricciones son >=o=, una tcnica conocida como la
tcnica de variables artificiales, se utiliza para dar una base de
principio.
3. Genere nuevas soluciones bsicas factibles utilizando las
condiciones optimidad y factibilidad hasta que se obtenga la
solucin ptima.
TCNICA DE VARIABLES ARTIFICIALES.
ste ser el caso cuando al menos una de las restricciones es
del tipo (=) o (>=). Se desarrollan para este propsito mtodos (muy
relacionados) basados en el uso de variables artificiales.
1) Tcnica M o Mtodo de penalizacin.
2) Tcnica de dos fases

La Tcnica M.
Los pasos son los siguientes.
1. Exprese el problema en la forma estndar dada anteriormente.
2. Agregue variables no negativas al lado izquierdo de cada una de
las restricciones del tipo (>=) y (=). Estas variables se denominan
variables artificiales y su adicin hace que se infrinja las
restricciones correspondientes.
Esta dificultad se elimina asegurando que la variable artificial sea cero
en la solucin final.
Esto se logra asegurando una penalizacin muy grande y por unidad a
esta variable en la funcin objetivo. Tal penalizacin se designar
como M para problemas de maximizacin y +M para problemas de
minimizacin, M>0.
3. Utilice las variables artificiales en la solucin bsica inicial. Sin
embargo, a fin de que la tabla inicial se prepare adecuadamente, la
funcin objetivo deber expresarse en trminos de las variables no
bsicas nicamente (compare con la tabla de partida cuando todas
las variables bsicas son de holgura). Esto significa que los
coeficientes de las variables artificiales en la funcin objetivo deben
ser 0, un resultado que puede lograrse sumando mltiplos
adecuados de las ecuaciones de restriccin al rengln objetivo.
4. Proceda con los pasos regulares del mtodo simplex.
La Tcnica de las dos fases

FASE I.
Formule un nuevo problema reemplazando la funcin
objetivo original por la suma de las variables artificiales. La
nueva funcin objetivo entonces se minimiza sujeta a las
restricciones del problema original. Si el problema tiene un
espacio factible el valor mnimo de la nueva funcin
objetivo ser 0 (lo cual indica que todas las variables
artificiales son ceros). Ahora pase a la fase II.
De otra manera si el valor mnimo es mayor que 0, el
problema se termina con la informacin de que no existe
solucin factible.
FASE II.
Utilice la solucin bsica ptima de la fase I como una
solucin de inicio para el problema original. En este caso la
funcin objetivo original se expresa en trminos de la
variable no bsica utilizando las eliminaciones usuales de
Gauss-Jordan.
EJEMPLO:
Minim Z=4x1+x2
S a.
3x1+x2=3
4x1+3x2>=6
x1+2x2<=3
x1, x2>=0
CASOS ESPECIALES EN LA APLICACIN DEL MTODO SIMPLEX
EN MODELOS DE P.L.
DEGENERACIN
Empates en el Mtodo Simplex:
Cundo en el paso iterativo que elige la variable que entra hay
un empate, o sea que hay dos o ms variables no bsicas con
coeficiente negativo ms grande, como se debe romper el empate? La
eleccin entre estas dos se puede hacer de manera arbitraria. Tarde o
temprano se llegar a una solucin ptima, no existe un mtodo
conveniente para predecir cual nos lleva a una solucin ms rpida.
Pero si dicho empate ocurre entre dos o ms variables bsicas al

elegir la variable que sale en la interaccin, se importa la variable a

escoger debido a que puede ocurrir lo siguiente:
Todas las variables empatadas se hacen cero al mismo
tiempo cuando aumenta el valor de la variable entrante. Por lo
tanto, aquellas que no se eligieron como variable bsica que
sale tambin tendr un valor de cero en la nueva solucin
bsica factible. (Las variables bsicas con valor de cero se
llaman degeneradas y el mismo nombre se le da a la solucin
bsica factible correspondiente)
Si una de estas variables bsicas degeneradas sigue con
valor de cero hasta que se selecciona como variable bsica
que sale en una interaccin posterior, la variable bsica
entrante deber tambin quedar con valor de cero (ya que no
puede crecer sin que la variable bsica que sale se vuelva
negativa), entonces el valor de Z permanecer sin cambio.
Si Z permanece igual en lugar de mejorar cada interaccin, el mtodo
simplex puede caer en un ciclo que repite la misma secuencia de
soluciones peridicamente, en lugar de aumentar en algn momento
para llegar a la solucin ptima.
Para poder dar mayor penetracin en los impactos prcticos y tericos de la
degeneracin, consideremos dos ejemplos prcticos los cuales deben aclarar
mejor las ideas correspondientes a esta situacin.
Ejemplos:
Maximizar Z=3X1+9X2
S.a.
Ecuaciones de restriccin
Ecuaciones bsicas
X1+4X2< 8
X1+4X2+S1=8
X1+2X2< 4
X1+2X2+S2=4
X1, X2> 0
X1, X2, S1, S2> 0
Interacci V.B.
n
Z
0
S1
S2

X1

X2

S1

S2

OP

Sol
.
0

-3

-9

8/4=2

4/2=2

-3/4

9/4

18

X2

1/4

1/4

2/4

S2

1/2

-1/2

0/2

3/2

3/2

18

X2

1/2

-1/2

X1

-1

X2

Solucin
Degenerada
ptima
X1+4X2< 8 (Redundante)
X1+2X2< 4

X1

En la interaccin inicial, existe una coincidencia de la variable

que sale entre S1 y S2. Esa es la razn por la que la variable bsica
S2 tiene un valor de cero en la interaccin 1, con lo que se produce
una solucin bsica degenerada. Se llega a lo ptimo despus de que
se realiza una interaccin adicional.
Desde el punto de vista terico, la degeneracin tiene dos
implicaciones. La primera tiene que ver con el fenmeno de ciclaje. Si
se observa la tabla se ver que las interacciones 1 y 2 el valor de la
funcin objetivo no se mejor por lo tanto es posible que el mtodo
simplex repetir la misma sucesin de interaccin sin mejorar el valor
de la funcin objetivo ni poner fin a los clculos. El segundo punto se
presenta en el examen de las interacciones 1 y 2, ambas interacciones
producen valores idnticos de todas las variables del valor de la
funcin objetivo. Por lo tanto se genera la posibilidad de suspender los
clculos en la interaccin 1, aunque no es ptimo ni vlida porque
puede ser una solucin temporalmente degenerada.
SOLUCIONES PTIMAS MLTIPLES.

Un problema puede tener ms de una solucin ptima. El

mtodo simplex se detiene automticamente al encontrar una solucin
ptima. Sin embargo, en muchas aplicaciones de programacin lineal
existen factores intangibles que no se incorporan al modelo y que
pueden ser tiles para tomar decisiones significativas respecto a cul
de las soluciones ptimas alternativas que proporciona el modelo es la
mejor. En esos casos, tambin deben identificarse las otras soluciones
ptimas. Una vez que el mtodo simplex encuentra una solucin
bsica factible ptima. La forma en como reconoce que existen otras y
cmo se encuentran, es siempre que un problema tiene ms de una
solucin bsica factible ptima, al menos una variable no bsica tiene
coeficiente cero en la ecuacin (0) final, de manera que si aumenta su
valor, el valor el valor de la funcin Z no cambia. Por lo tanto, estas
otras soluciones adicionales del mtodo simplex, en las que cada vez
se elige una variable no bsica con coeficiente cero como variable
bsica entrante.
El siguiente ejemplo demuestra el significado prctico de
encontrar soluciones ptimas.
Ejemplo:
Maximizar Z=2X1+4X2
S.a.
Ecuaciones de restriccin
X1+2X2< 5
X1+ X2< 4
X1, X2> 0
Interacci
n

Ecuaciones bsicas
X1+2X2+S1=5
X1+ X2+S2=4
X1, X2, S1, S2> 0

V.B.

X1

X2

S1

S2

Sol.

OP

-2

-4

S1

5/2

S2

10

X2

1/2

1/2

5/2

S2

1/2

-1/2

3/2

10

X2

-1

X1

-1

X2
X1+X2< 4
Soluciones bsicas ptimas
B X1+2X2< 5

X1

En trminos algebraicos, sabemos que el mtodo es capaz de

encontrar soluciones en puntos extremos exclusivamente; la tabla
muestra que el ptimo se encuentra en la interaccin 1. Para saber por
medio de la tabla que hay otras opciones ptimas observamos los
coeficientes de las variables no bsicas en la funcin Z de la
interaccin 1. El coeficiente de x1 es cero, lo que indica que x1 puede
en la solucin sin alterar el valor Z, pero provoca un cambio en los
valores de las variables, la interaccin 2 hace precisamente eso, lo
cual da origen al nuevo punto de soluciones.
SOLUCIONES NO ACOTADAS.
En algunos modelos de programacin lineal, los valores de las
variables se pueden aumentar en forma indefinida sin violar ninguna
de las restricciones, lo que significa que el espacio de soluciones es
no acotado cuando menos en una direccin. Como resultado, el valor
de la funcin objetivo puede crecer (caso de maximizacin) o
decrecer (caso de la minimizacin) en forma indefinida. En este caso
decimos que es espacio de soluciones y el valor ptimo de la funcin
es no acotado.

La falta de explicacin en un modelo puede sealar slo una

cosa: el modelo est mal construido. Evidentemente resulta irracional
hacer que un modelo produzca una ganancia infinita. Las
irregularidades ms probables en estos modelos son:
No se toma en cuenta una o ms restricciones redundantes.
No se determina correctamente los parmetros (constante) de
algunas restricciones.
FUNCIN OBJETIVO NO ACOTADA
Maximizar Z=2X1+X2
Sujeta a:
X1-X2< 10
2X1 < 40

X1-X2+S1=10
2X1 +S2=40

X1, X2> 0
Bsicas
Z
S1
S2
Z
X1
S2
Z
X1
X2

X1, X2, S1, S2> 0

X1
-2
1
2
0
1
0
0
1
0

X2
-1
-1
0
-3
-1
2
0
0
1

S1
0
1
0
2
1
-2
-1
0
-1

S2
0
0
1
0
0
1
3/2
1/2
1/2

SOL
OP.
0
10 10/1=10
40 40/2=20
20
10
-10
20
10
50
20
10

En la tabla inicial, X1 y X2 son candidatos para entrar en la

solucin. Como X1 tiene el coeficiente ms negativo, normalmente se
selecciona como la variable que entra. Sin embargo, ntese que todos
los coeficientes de las restricciones por debajo de X2 son negativos o
cero, lo que quiere decir que X2, se puede hacer crecer en forma
indefinida sin que se infrinja ninguna de las restricciones. Como cada
incremento de una unidad en X2 aumentar Z en 1, un incremento
infinito en X2 tambin dar lugar a un crecimiento infinito en Z. Por lo
tanto, concluimos sin hacer ms operaciones que el problema no tiene
solucin acotada. Esto se puede apreciar en la siguiente figura. El

espacio de soluciones no est acotado en la direccin de X2 y el valor

de Z puede crecer en forma indefinida.

X2
Z=2X1+X2
Valor de la funcin
Objetivo No Acotada
Espacio de
Soluciones
No Acotadas

2X1< 40
X1 X2< 10

X1

La regla general para reconocer la falta de acotacin es la

siguiente. Si en cualquier interaccin los coeficientes de las
restricciones de una variable no bsica son no positivos, entonces el
espacio de soluciones no est acotado en esa direccin. Adems si el
coeficiente de la funcin objetivo de esa variable es negativo es en el
caso de la maximizacin o positivo en el caso de la minimizacin,
entonces el valor de la funcin objetivo tampoco est acotado.
SOLUCIONES INFACTIBLES
Si las recomendaciones no se pueden satisfacer en forma
simultnea, se dice que el modelo no tiene solucin factible. Esta
situacin nunca puede ocurrir si todas las restricciones son de tipo <
(menor igual, suponiendo constantes no negativas en el segundo
miembro), ya que la variable de holgura produce siempre una solucin
factible. Sin embargo, cuando empleamos los otros tipos de
restricciones, recurrimos al uso de variables artificiales que, por su
mismo diseo, no ofrece una solucin factible del modelo original.
Aunque se toman medidas (a travs del uso de la penalizacin) para
hacer que las variables artificiales sean cero en el nivel, ptimo, esto
solo puede ocurrir si el modelo tiene un espacio factible. Si no lo tiene,

cuando menos una variable artificial ser positiva en la interaccin

ptima. Esta es nuestra indicacin de que el problema no tiene
solucin factible.
Desde el punto de vista prctico, un espacio infactible apunta a
la posibilidad de que el modelo no se haya formulado correctamente,
en virtud de que las restricciones estn en conflicto. Tambin es
posible que las restricciones no estn destinadas a cumplirse en forma
simultnea. En este caso, quiz se necesite una estructura del modelo
totalmente diferente que no admita todas las restricciones al mismo
tiempo.
En el ejemplo que a continuacin se presenta se ilustra el caso
del espacio de solucin infactible.
Maximizar Z=3X1+2X2
Sujeta a:
2X1+X2< 2
2X1+X2+S1=2
3X1+4X2 > 12
3X1+4X2-S2+A1=12
X1, X2 >0
Interaccin

0 (Inicial)
X2 entra
S1 sale
1
(seudo-op
tima)

X1, X2, S1, S2 >0

Bsica

X1

-3-3M

X2

S1

S2

A1

SOL.

-2- M

-12M

4M

S1
A1
Z

4
0

1
0

12
4-4M

-4

X2

-1 0
M 2+4
M
1
0

A1

-5

-1

1+5M

Las interacciones simplex de la tabla muestran que la variable A

es positiva en la solucin ptima. Esta es una indicacin que el
espacio de soluciones es infactible. La tabla muestra el espacio de
soluciones infactibles. El mtodo simplex, haciendo posible que la
variable artificial sea positiva, ha invertido en esencia la direccin de la
desigualdad de 3X1+4X2 >12 a 3X1+4X2 < 12.

El resultado de lo que podemos llamar la solucin pseudoptima, se muestra en la siguiente figura.

X2

Solucin
Seudo-ptima

3X1+4X2< 12
Z=3X1+2X2

2X1+X2 > 2
0

X1