Mtodo Simplex

El Mtodo Simplex como herramienta de programacin lineal fue desarrollado para la

poca de los aos cuarenta por George Dantzing, un joven matemtico. El mtodo
constituye una forma sistemtica y de bsqueda intensiva a travs de todas las posibles
soluciones para obtener una solucin ptima. Ello resulta de gran utilidad debido a su
eficiencia. Adems, es fcil programarlo en una computadora. En contraste con el anlisis
grfico, este mtodo permite el uso de muchas variables. Tambin permite la aplicacin de
cantidades de restricciones lineales con signos; mayores e igual, menores e igual y de
igualdad. En comparacin con el mtodo grfico, el mtodo simplex tiene como punto de
partida el origen siendo este la solucin inicial al problema. El mtodo prueba todos los
puntos extremos grficos, aunque no necesariamente se detiene en todos los vrtices. Por
otro lado, utiliza el concepto de lgebra de matrices en una serie de tablones.

Forma Estndar
Un modelo de PL se dice que est en su forma estndar si cada restriccin es una igualdad
y las restricciones de signo para cada variable son del tipo mayor o igual que cero. Muchos
de nuestros modelos recin construidos no estn en su forma matricial. No est en la
forma estndar:
Max z = 3 x + 2 y
sujeto a
2 x + y 100
x + y 80
x 40
x0
y0
El algoritmo Simplex para resolver modelos de programacin lineal requiere que el modelo
est en su forma estndar. Lo que se hace es convertir el modelo a la forma estndar. Esto
se logra introduciendo nuevas variables, algunas de las cuales reemplazarn a las variables
originales.
Para cada restriccin del tipo se introduce una nueva variable de holgura (slack variable)
si que se suma al primer miembro y la desigualdad se convierte en igualdad; se aade la
restriccin de signo a la nueva variable si 0.
Para cada restriccin del tipo se introduce una nueva variable de exceso (excess variable)
ei que se resta al primer miembro y la desigualdad se convierte en igualdad; se aade la
restriccin de signo a la nueva variable e 0.
Continuando con la conversin:
Para cada variable xi que tiene restriccin de signo del tipo 0, se cambian todas las
apariciones de xi en el modelo por la expresin x i donde xi es una nueva variable con
restriccin de signo xi 0.
Para cada variable xi que no tiene restriccin de signo se cambian todas las apariciones de
ella en el modelo por la expresin x i xi donde xi y xi son dos nuevas variables con
restriccin de signo xi 0 y xi 0.
La conversin se realiza en dos fases: en la primera se convierten las desigualdades y en la
segunda se aplican las reglas para las variables que en el modelo original tiene signo no
positivo o no tienen restriccin de signo.

Solucin bsica
Una solucin bsica (SB) a un sistema de ecuaciones A x = b con m ecuaciones y con n
incgnitas, es decir m n (n m) es una solucin al sistema que se obtiene haciendo cero
n m variables y que resulta en un sistema con solucin nica. A una variable de decisin
que deliberadamente se hace cero se le llama variables no bsicas (VNB) y mientras que a
aquella que se conserva dentro del nuevo sistema se le llama variable bsica (VB).
En trminos de Algebra Lineal, este concepto equivale a seleccionar m columnas de A y
que estas formen una base para Rm. Las columnas no seleccionadas corresponden a
aquellas variables que se hacen cero deliberadamente. Una vez seleccionadas las
columnas el nuevo sistema con el mismo vector de constantes debe resolverse. La solucin
obtenida se llama solucin bsica. En trminos de matrices, tiene el significado que las
variables que no se hacen cero deliberadamente forman una matriz invertible. El proceso
para obtener una solucin factible corresponde a tomar de A columnas para formar una
matriz cuadrada que resulte invertible.
Una solucin bsica factible (SBF) a un sistema de ecuaciones A x = b m n (n m) es una
solucin bsica con valores no negativos para las variables de decisin.
Algoritmo Simplex
El algoritmo Simplex procede de la siguiente manera:
1. Convierta el modelo PL a su forma estndar.
2. Obtenga una SBF a la forma estndar.
3. Determine si la SBF es optima: Si hay una variable no bsica cuyo aumento hace
que el valor actual de la funcin a maximizar suba, entonces la solucin actual no
es ptima.
4. Si la SBF no es optima, determine la variable no-bsica que debera convertirse en
bsica (la de mayor impacto en la funcin objetivo) y cual variable bsica debera
convertirse en una no-bsica (la que impone una restriccin mayor a la variable de
 mayor impacto). Con la seleccin anterior y usando operaciones elementales de
rengln determine una SBF nueva adyacente a la anterior.
5. Reinicie con el paso 3 con la nueva SBF.

Anlisis de sensibilidad simplex

El anlisis de sensibilidad simplex se conoce como anlisis post ptimo o anlisis de
cambios a la solucin ptima. Su propsito es ver como cambios en diferentes parmetros
afectan la solucin ptima sin que estos violenten la solucin y poder as leer los
resultados de estos efectos en la solucin. Es decir, se desea ver los efectos de cambios en
los parmetros de la solucin ptima sin tener que reformular el problema y tener que
volver hacer los clculos simplex. Para efectos de este trabajo analizaremos tres tipos de
cambios, estos son; cambios en los coeficientes (Cj) de las variables no bsicas, cambios en
los coeficientes (Cj) de las variables bsicas y cambios en los niveles de los recursos o
valores al lado derecho de las restricciones (bi).

Conclusin
El mtodo simplex es un algoritmo eficiente y confiable para resolver problemas de
programacin lineal. Aunque tiene una interpretacin geomtrica til, el mtodo smplex
es un procedimiento algebraico. En cada iteracin se mueve de la solucin BF actual a una
adyacente mejor mediante la eleccin de la variable bsica entrante y de la saliente;
despus recurre a la eliminacin de Gauss para resolver el sistema de ecuaciones lineales.
Cuando la solucin actual no tiene una solucin BF adyacente que sea mejor, la solucin
actual es ptima y el algoritmo se detiene.
La implantacin en computadoras personales del mtodo simplex y sus variantes se han
convertido en herramientas tan poderosas que se emplean a menudo para resolver
problemas de programacin lineal con cientos de miles de restricciones funcionales y
variables de decisin y, en ocasiones, para encarar problemas mucho ms grandes. Los
algoritmos de punto interior proporcionan una nueva herramienta poderosa para resolver
problemas muy grandes