M

etodo Simplex

Metodo Simplex
Carlos Javier Uribe

1 / 32

M
etodo Simplex
Introducci
on

Introduccion

El Metodo Simplex es un algoritmo de optimizacion de los

cuales es el mas ampliamente utilizado.
Fue desarrollado por George Dantzig en 1947.
Aprovecha las propiedades especiales de los programas lineales
para producir un algoritmo eficiente capaz de optimizar
globalmente modelos muy grandes.

2 / 32

M
etodo Simplex
Introducci
on

Propiedades de los programas lineales

Propiedades de los programas lineales
De acuerdo con la teora de optimizaci
on:
Las funciones objetivos de los programas lineales tanto para
modelos de maximizaci
on como de minimizacion son
unimodales. Esto quiere decir que, la direcci
on en lnea recta
de cada punto en el dominio hacia otro que representa una
mejor solucion es una direcci
on de mejora.
El espacio de soluciones factibles es un conjunto convexo, ya
que todas las restricciones son lineales.
Si la funcion objetivo de un modelo de optimizacion es
unimodal y las restricciones producen un conjunto convexo,
cada
optimo local es un
optimo global.
3 / 32

M
etodo Simplex
Introducci
on

Puntos de la region factible

Clasificacion de los puntos de la regi
on factible
Una vez vistas las propiedades de los programas lineales, es u
til
realizar la siguiente clasificaci
on de los puntos de la region factible:
Una solucion factible es un punto lmite si al menos una
restriccion de desigualdad se cumple en la igualdad en ese
punto.
Un punto interior es una soluci
on en la cual ninguna
desigualdad se encuentra activa.
En un conjunto convexo, un punto extremo es aquel que no
cae en el segmento de recta conformado por otros dos puntos
del conjunto.

4 / 32

M
etodo Simplex
Introducci
on

Puntos de la region factible

Figura: Puntos lmite, puntos interiores y puntos extremos.

5 / 32

M
etodo Simplex
Introducci
on

Soluciones optimas de un programa lineal

De las soluciones optimas de un programa lineal podemos decir:

Toda solucion optima es un punto lmite de la region factible.
Si un programa lineal tiene una u
nica soluci
on optima,
entonces dicha soluci
on
optima ocurre en un punto extremo
de la region factible.
Si un programa lineal tiene una soluci
on
optima, dicha
solucion optima ocurre en al menos un punto extremo de la
region factible

6 / 32

M
etodo Simplex
Forma Est
andar de un PL

Forma Estandar

Forma Estandar de un PL
Un programa lineal en la forma estandar:
1

Tiene solamente restricciones de igualdad.

Tiene solamente variables no negativas.

Su funcion objetivo y restricciones estan simplificadas de

manera que las variables aparecen como mucho una sola vez,
del lado izquierdo, y todos los terminos constantes
(posiblemente cero) aparecen del lado derecho.

7 / 32

M
etodo Simplex
Forma Est
andar de un PL

Variables artificiales

Las restricciones de desigualdad de un programa lineal pueden

ser convertidas en igualdades sumando una variable de
holgura diferente no negativa con cero contribucion a la
funcion objetivo para cada desigualdad de menor o igual y
restando una variable de excedente por cada desigualdad de
mayor o igual .

8 / 32

M
etodo Simplex
Forma Est
andar de un PL

Variables artificiales

Convertir restricciones de desigualdad en igualdad

Si la i-esima restricci
on de un programa lineal es una
restriccion de menor o igual (), se puede convertir en
igualdad adicionando una variable de holgura si a la i-esima
restriccion y a
nadiendo la restricci
on de no negatividad para si .
Si la i-esima restricci
on de un programa lineal es una
restriccion de mayor o igual (), se puede convertir en
igualdad sustrayendo una variable de excedente (o superavit)
ei a la i-esima restricci
on y a
nadiendo la restriccion de no
negatividad para ei .

9 / 32

M
etodo Simplex
Forma Est
andar de un PL

Variables no positivas e irrestrictas

Las variables no positivas de programas lineales pueden ser

eliminadas sustituyendolas por nuevas variables iguales a sus
negativos.
Las variables no restringidas en programas lineales pueden ser
eliminadas sustituyendolas por la diferencia de dos nuevas
variables no negativas.

10 / 32

M
etodo Simplex
Forma Est
andar de un PL

Notacion Estandar
Una vez un programa lineal se ha colocado en forma estandar es
facil identificar los siguientes elementos:
Notacion
xj
cj

,
,
ai,j ,
bi ,
m ,
n ,

j-esima variable de decisi

on
coeficiente de costo o de la funci
on objetivo de xj
coeficiente de restricci
on de xj en la i-esima restriccion
constante de lado derecho de la i-estima restriccion
n
umero de restricciones
n
umero de variables de decisi
on

11 / 32

M
etodo Simplex
Forma Est
andar de un PL

Forma estandar de un LP

Un programa lineal en su forma estandar tiene la siguiente forma

generica:
Min (o Max) Z =

n
X

cj xj

j=1

Sujeto a:

n
X

ai,j xj = bi

i = 1, 2, . . . , m

j=1

xj 0

j = 1, 2, . . . , m

12 / 32

M
etodo Simplex
Forma Est
andar de un PL

Notacion matricial de la forma estandar de un LP

En una forma a
un mas compacta, utilizando vectores y matrices,
un programa lineal en su forma estandar se puede expresar como:
Min (o Max) ~c T ~x
Sujeto a:
A~x = ~b
~x ~0
Donde ~c representa el vector de costo o vector de coeficientes de la
funcion objetivo cj , la matriz A es la matriz compuesta por los
coeficientes de restricci
on ai,j , el vector ~b contiene las constantes
de lado derecho bi y el vector ~x las variables de decision xj .

13 / 32

M
etodo Simplex
Puntos Extremos y Soluciones B
asicas

Cada punto extremo de la regi

on factible en un programa
lineal esta determinado por un conjunto de restricciones que
se encuentran activas simultaneamente solo en dicha solucion.
Dos puntos extremos de la regi
on factible de un programa
lineal son adyacentes si se encuentran determinados por un
conjunto de restricciones activas que se diferencian solo en un
elemento.
Una arista de la regi
on factible es un conjunto unidimensional
de puntos factibles a lo largo de una lnea determinada por un
conjunto de restricciones activas.
Los puntos extremos adyacentes se encuentran conectados por
una arista determinada por las restricciones activas que los
puntos extremos tienen en com
un.

14 / 32

M
etodo Simplex
Puntos Extremos y Soluciones B
asicas

Soluciones basicas

Soluciones basicas
Una soluci
on b
asica de un programa lineal en forma estandar es
una solucion obtenida fijando (igualando) suficiente variables en
cero de tal forma que las restricciones de igualdad del modelo
puedan ser resueltas en un valor u
nico. Las variables fijadas en cero
se denominan no b
asicas mientras que las obtenidas resolviendo el
sistema de ecuaciones se conocen como la base.

15 / 32

M
etodo Simplex
Puntos Extremos y Soluciones B
asicas

Existencia de soluciones basicas

Una solucion basica existe si y solo si las columnas de las

restricciones de igualdad correspondientes a variables basicas
forman un base, esto es, un conjunto linealmente independiente
mas grande posible.

16 / 32

M
etodo Simplex
Puntos Extremos y Soluciones B
asicas

Soluciones basicas factibles

Soluciones basicas factibles

Una solucion basica factible de un programa lineal en su forma
estandar es una solucion basica que satisface todas las restricciones
de no negatividad. Las soluciones basicas factibles de un programa
lineal en su forma estandar representan exactamente a todos los
puntos extremos de su regi
on factible.

17 / 32

M
etodo Simplex
Puntos Extremos y Soluciones B
asicas

Motivacion para el Metodo Simplex

Una manera de encontrar una soluci

on
optima a un problema
de programacion lineal dado es generar todas las soluciones
basicas de este y seleccionar aquella que siendo factible
corresponde al valor
optimo de la funci
on objetivo.
Esto es debido al hecho de que si una soluci
on optima existe,
esta debe ocurrir en un punto extremo o vertice de su region
factible.

18 / 32

M
etodo Simplex
Puntos Extremos y Soluciones B
asicas

Motivacion para el Metodo Simplex

Si hay m restricciones de igualdad y n variables con n > m,
una solucion basica se puede obtener igualando un conjunto
de n m variables a cero. Por lo que el n
umero de soluciones
basicas a inspeccionar sera igual al n
umero de formas en las
cuales se pueda esccoger m variables de un un grupo de n
variables o
 
n
n!
=
m
(n m)!m!
Por ejemplo, si n = 10 y m = 5, hay 252 soluciones basicas, si
n = 20 y m = 10, entonces hay 184.756 soluciones basicas.
Normalmente, no hay que evaluarlas todas ya que
seguramente muchas no seran factibles, sin embargo sigue
siendo un n
umero muy grande para inspeccionarlas una a una.
19 / 32

M
etodo Simplex
Algoritmo Simplex

Algoritmo Simplex

El algoritmo simplex es un algoritmo de b

usqueda de mejora
adaptado para explotar las propiedades de los programas
lineales en su forma estandar.
Se mueve de una soluci
on a otra, mantienendo la factibilidad
y mejorando el valor de la funci
on objetivo hasta que
encuentra un optimo local.
La caracterstica diferente del algoritmo es que en cada paso
del metodo simplex se termina en un punto extremo de la
solucion.

20 / 32

M
etodo Simplex
Algoritmo Simplex

Algoritmo Simplex
Para ilustrar las diferentes iteraciones en el metodo Simplex se
utiliza una representaci
on conocida como Tableau. De la cual
existen muchas versiones.
El procedimiento inicia en punto extremo de la region factible,
esto es una soluci
on basica factible para el modelo en su
forma estandar. De forma arbitraria y por lo general, se inicia
con el origen1 .
Posteriormente se determina una arista como una direccion de
movimiento Simplex, hacia un punto extremo adyacente a la
solucion actual.
1

Si el origen no hace parte de la regi

on factible, debe emplearse el metodo
de las Dos-Fases o el metodo de la Gran-M para encontrar dicha soluci
on
factible inicial.
21 / 32

M
etodo Simplex
Algoritmo Simplex

Algoritmo Simplex
Cada direccion Simplex se construye incrementando el valor
de una variable no basica, dejando las otras variables no
basicas sin modificar, y calculando el cambio correspondiente
en las variables basicas necesario para preservar la igualdad de
las restricciones.
Despues de determinar las direcciones Simplex se debe
determinar si alguna de ellas se puede seguir desde la solucion
actual para mejorar el valor de la funci
on objetivo.
El costo reducido cj asociado a cada variable basica debe
calcularse posteriormente2 .
2

Formalmente, el costo reducido es el producto punto del gradiente (vector

de coeficientes) de la funci
on objetivo por la direcci
on de movimiento que
se
nala la variable no b
asica correspondiente.
22 / 32

M
etodo Simplex
Algoritmo Simplex

Algoritmo Simplex
La direccion Simplex incrementando la variable no basica xj
mejora la funcion objetivo para un programa lineal de
maximizacion si el correspondiente costo reducido es mayor
que cero (cj > 0), y para un programa lineal de minimizacion
si es menor que cero (cj < 0).
La longitud del paso () queda determinada por el primer
componente de la soluci
on revisada que viola alguna
restriccion de no negatividad.

x (t)

j
= mn
: xj < 0
xj

23 / 32

M
etodo Simplex
Algoritmo Simplex

Algoritmo Simplex

Si ning
un componente es negativo en la direccion Simplex
para la solucion basica actual, la soluci
on se puede mejorar
ilimitadamente. Esto indica el problema es no acotado.
Despues de cada movimiento en la b
usqueda, la variable no
basica que genera la direcci
on de movimiento entra a la base,
y alguna de las variables basicas (posiblemente sean varias)
que fijan la longitud del paso abandona la base.

24 / 32

M
etodo Simplex
Algoritmo Simplex

Algoritmo Simplex
Algoritmo Simplex
Paso 0: Inicializaci
on. Seleccione cualquier soluci
on basica factible inicial.
Paso 1: Direcciones Simplex. Calcule los costos reducidos asociados a
incrementar cada una de las variables no basicas. Estos
determinan las posibles direcciones de movimiento a traves
de las aristas de las regi
on factible.
Paso 2: Optimalidad. Si ninguna de las direcciones de movimiento
mejora la funci
on objetivo (ninguna cj > 0 para problemas
de maximizaci
on, o ninguna cj < 0 para un problema de
minimizaci
on), pare; la soluci
on actual es optima. De lo
contrario, seleccione cualquiera de las direcciones simplex
que mejoran la funci
on objetivo y denote la variable
asociada como aquella que debe entrar a la base.
25 / 32

M
etodo Simplex
Algoritmo Simplex

Algoritmo Simplex

Algoritmo Simplex (continuaci

on)
Paso 3: Longitud del paso. Si no hay lmite en la longitud del
movimiento para que permanezca factible, pare; el
problema es no acotado. De lo contrario, seleccione la
variable que debe abandonar la base como aquella con el
radio (parametro de factibilidad) mas cercano a cero.
Paso 4: Actualizar soluci
on y base. Determine la nueva solucion basica y
realice el intercambio de las variables en la base (la que
debe entrar por la que debe salir) y regrese al Paso 1.

26 / 32

M
etodo Simplex
Ejemplos

Ejemplo de Maximizacion

Ejemplo 1
Resuelva el siguiente problema de maximizaci
on empleando el
metodo Simplex:
Maximizar

Z
S.A.:

= 8x1 + 10x2 + 7x3

x1 + 3x2 + 2x3 10
x1 + 5x2 + x3 8
x1 , x2 , x3 0

27 / 32

M
etodo Simplex
Ejemplos

Otro ejemplo de Maximizacion

Ejemplo 2
Resuelva el siguiente problema de maximizaci
on empleando el
metodo Simplex:
Maximizar

Z
S.A.:

= 20x1 +
3x1 +
2x1 +
x1 +
5x1 +
x1 , x2 , x3

10x2
2x2
x2
x2
2x2
0

+ 15x3
+ 5x3
+ x3
+ 3x3
+ 4x3

55
26
30
57

28 / 32

M
etodo Simplex
Ejemplos

Ejemplo de Minimizacion

Ejemplo 3
Resuelva el siguiente problema de minimizaci
on empleando el
metodo Simplex:
Minimizar

W
S.A.:

= 3y1 +
2y1 +
y1 +
y1 , y2 , y3

2y2 + 3y3
3y2 + 6y3 60
4y2 + 5y3 40
0

29 / 32

M
etodo Simplex
Ejemplos

Ejemplo 4
Resuelva el siguiente problema de maximizaci
on empleando el
metodo Simplex:
Maximizar

Z
S.A.:

20x1 + 10x2
x1
x2

x1
+ x2
x1
+ x2
x1
0.5x1 + x2
x1 , x2 0

17
17
17
17
10

30 / 32

M
etodo Simplex
Ejemplos

Ejemplo 5
Resuelva el siguiente problema de maximizaci
on empleando el
metodo Simplex:
Max Z
S.A.:

= 2x1 4x2 + 5x3 6x4

x1 + 4x2 2x3 + 8x4 2
x1 + 2x2 + 3x3 + 4x4 1
x1 , x2 , x3 , x4 0

31 / 32

M
etodo Simplex
Bibliografa

Bibliografa

GONZALEZ,
A.L. (2003). Manual Practico de Investigacion
de Operaciones. Ediciones Uninorte.
RAO, S. (2009). Engineering optimization: theory and
practice. John Wiley & Sons.
RARDIN, R. (1998). Optimization in Operations Research.
Prentice-Hall.
WINSTON, W. (2004). Operations Research Applications and
Algorithms 4ed. Cengage.

32 / 32