Universidad Autónoma de Ciudad Juárez

Instituto de Ingeniería y Tecnología

Departamento de Ingeniería Industrial y Manufactura

Métodos y Modelos de Optimización

Maestría en Tecnología

Profesor: Alejandro Alvarado Iniesta

Oficina: H1-304 e-mail: alejandro.alvarado@uacj.mx
Método Simplex

1
Método de eliminación de Gauss-Jordan
• Es un algoritmo de algebra lineal para determinar las soluciones de un
sistema de ecuaciones lineales.

2𝑥1 + 4𝑥2 + 6𝑥3 = 18

4𝑥1 + 5𝑥2 + 6𝑥3 = 24
3𝑥1 + 𝑥2 − 2𝑥3 = 4

Matriz aumentada:

Solución 𝑥1 𝑥2 𝑥3
2 4 6 18 1 0 0 4
𝐴= 4 5 6 24 𝐴= 0 1 0 −2
3 1 −2 4 0 0 1 3

2
 Método de eliminación de Gauss-Jordan

Definición. Matriz identidad.

Una matriz identidad es una matriz cuadrada que contiene solamente 1s en la

diagonal principal, y 0s por todas partes.

𝟏 𝟎
𝑰=
𝟎 𝟏

𝟏 𝟎 𝟎
𝑰= 𝟎 𝟏 𝟎
𝟎 𝟎 𝟏

𝟏 ⋯ 𝟎
𝑰= ⋮ ⋱ ⋮
𝟎 ⋯ 𝟏

3
 Método de eliminación de Gauss-Jordan

Operaciones elementales por renglones.

Las tres operaciones elementales por renglones aplicadas a la matriz aumentada

que representa un sistema de ecuaciones son:

1. Multiplicar (o dividir) un renglón por un número diferente de cero.

2. Sumar un múltiplo de un renglón a otro renglón.
3. Intercambiar dos renglones.

El proceso de aplicar las operaciones elementales por renglones para simplificar

una matriz aumentada se llama reducción por renglones.

4
 Método de eliminación de Gauss-Jordan

Notación

1. 𝑅𝑖 → 𝑐𝑅𝑖 quiere decir “reemplaza el i-ésimo renglón por ese mismo renglón
multiplicando por c”. (Para multiplicar el i-ésimo renglón por c se multiplica
cada número en el i-ésimo renglón por c.)

2. 𝑅𝑗 → 𝑅𝑗 + 𝑐𝑅𝑖 significa sustituye el j-ésimo renglón por la suma del renglón j

más el renglón i multiplicado por c.

3. 𝑅𝑖 ↔ 𝑅𝑗 quiere decir “intercambiar los renglones i y j”.

5
Modelo general de un problema de Optimización continua

min𝑛𝑓 𝑥
𝑥∈ℝ

Sujeto a

𝑔𝑗 𝑥 ≤ 0, 𝑗 = 1,2, … , 𝑚,
ℎ𝑙 𝑥 = 0, 𝑙 = 1,2, … , 𝑝.

Donde 𝑥 es el vector de variables de decisión, 𝑓 𝑥 es la función objetivo,

𝑔𝑗 𝑥 y ℎ𝑙 𝑥 son las restricciones de desigualdad e igualdad,
respectivamente.

6
Modelo de Programación Lineal
𝑛

𝑚𝑖𝑛 𝑓 𝑥 = ෍ 𝑐𝑖 𝑥𝑖
𝑥 ∈ ℝ𝑛
𝑖=1
Sujeto a

σ𝑛𝑖=1 𝑎𝑖𝑗 𝑥𝑖 ≤ 𝑏𝑗 , 𝑗 = 1,2, … , 𝑚,

σ𝑛𝑖=1 𝑐𝑖𝑙 𝑥𝑖 = 𝑑𝑙 , 𝑙 = 1,2, … , 𝑝,

𝑥𝑖 ≥ 0, 𝑖 = 1,2, … , 𝑛,
𝑐𝑖 , 𝑎𝑖𝑗 , 𝑏𝑗 , 𝑐𝑖𝑙 , 𝑑𝑙 son constantes.

7
Solución del modelo:
Métodos para la solución de problemas de Programación Lineal.

• Método gráfico

• Método Simplex

8
Método Simplex – Solución de problemas de Programación Lineal

• El método Simplex es un método analítico de solución de problemas de

programación lineal capaz de resolver modelos más complejos que los
resueltos mediante el método grafico sin restricción en el número de
variables de decisión.

• Es un método iterativo que permite ir mejorando la solución a cada paso.

La razón matemática de esta mejora radica en que el método consiste en
caminar del vértice de un poliedro a un vértice vecino de manera que
aumente o disminuya (según el contexto de la función objetivo), dado
que el número de vértices que presenta un poliedro es finito siempre se
hallará la solución.

• Este método fue creado en 1947 por el estadounidense George B.

Dantzig y el ruso Leonid V. kantorovich, con el ánimo de crear un
algoritmo capaz de solucionar problemas de 𝑛 variables y 𝑚
restricciones.

9
Método Simplex – Solución de problemas de Programación Lineal

Pasos del método Simplex:

1. Modelación mediante Programación Lineal (PL).

2. Obtener la forma estándar del modelo de PL (convertir las inecuaciones
en ecuaciones).
3. Definir la tabla Simplex inicial.
4. Definir la solución básica inicial.
5. Realizar las iteraciones necesarias.
1. Evaluar que variable entra y cual sale de la solución básica inicial.
2. Evaluar condición de paro.

10
Método Simplex – Solución de problemas de Programación Lineal

Forma estándar del modelo de PL: Variables de holgura (slack)

y exceso (surplus)

• El método simplex trabaja basándose en ecuaciones y las restricciones

iniciales que se modelan mediante PL no lo son, para ello hay que
convertir estas inecuaciones en ecuaciones utilizando unas variables
denominadas de holgura y exceso relacionadas con el recurso al cual
hace referencia la restricción.

• Estas variables suelen estar representadas por la letra 𝑠 y se toma en

cuenta lo siguiente:

11
Método Simplex – Solución de problemas de Programación Lineal

Forma estándar del modelo de PL: Variables de holgura (slack)

y exceso (surplus)

• Si la restricción es de signo ≤, entonces la variable 𝑠 se suma a la

restricción correspondiente.
• Si la restricción es de signo ≥, entonces la variable 𝑠 se resta a la
restricción correspondiente.

12
Método Simplex – Solución de problemas de Programación Lineal

≤ → +𝑠𝑖 → =

≥ → −𝑠𝑖 →=
 Pasos del método Simplex

1. Modelación mediante PL

max 𝑓 𝑥 = 5000𝑥1 + 4000𝑥2

s.a.
6𝑥1 + 4𝑥2 ≤ 24
𝑥1 + 2𝑥2 ≤ 6
𝑥1 , 𝑥2 ≥ 0
 Pasos del método Simplex

2. Obtener la forma estándar del modelo de PL (Convertir las inecuaciones en

ecuaciones).

6𝑥1 + 4𝑥2 ≤ 24 → 6𝑥1 + 4𝑥2 + 𝑠1 = 24

𝑥1 + 2𝑥2 ≤ 6 → 𝑥1 +2𝑥2 + 𝑠2 = 6
 Pasos del método Simplex

Forma estándar del modelo de PL

max 𝑓 𝑥 = 5000𝑥1 + 4000𝑥2

s.a.
6𝑥1 + 4𝑥2 + 𝑠1 = 24
𝑥1 + 2𝑥2 + 𝑠2 = 6
𝑥1 , 𝑥2 , 𝑠1 , 𝑠2 ≥ 0
 Pasos del método Simplex

3. Definir la tabla Simplex Inicial

-f(x) x1 x2 s1 s2 Solución
1 5000 4000 0 0 0 Renglón 0 o Renglón Función Objetivo
0 6 4 1 0 24 Renglón 1
0 1 2 0 1 6 Renglón2
 Pasos del método Simplex

4. Definir la solución básica inicial

Variables
básicas -f(x) x1 x2 s1 s2 Solución
f(x) 1 5000 4000 0 0 0 Renglón 0 o Renglón Función Objetivo
s1 0 6 4 1 0 24 Renglón 1
s2 0 1 2 0 1 6 Renglón2

s1=24
s2=6
x1=0 Solución básica inicial
x2=0
f(x)=0

Variables básicas y variables no básicas.

Para cualquier sistema lineal, una variable que aparece con coeficiente de 1 en una
sola ecuación y coeficiente de 0 en las demás ecuaciones es denominada variable
básica.
Cualquier otra variables que no sea básica se le denomina variable no básica (todas
las variables no básicas son iguales a cero).
 Pasos del método Simplex

5. Realizar las iteraciones necesarias.

a. Evaluar que variable entra y cual sale de la solución básica inicial (apartir
del Renglón 1, -f(x) siempre será variable básica.

MAX MIN
ENTRA Más Positiva del R0 Más Negativa del R0

SALE Menos positiva b/a Menos positiva b/a

b: valor de la columna de Solución

a: valor de la columna de la variable que entra
 Pasos del método Simplex

b. Evaluar Condición de paro

Se encontró la solución óptima si en el R0 (Función objetivo)

MAX MIN
Todos los valores ≤ 0 Todos los valores ≥ 0

Nota: Sin tomar en cuenta la columna de –f(x)

 Ejemplos

2)
𝒎𝒂𝒙 𝑓 𝑥 = 3,000𝑥1 + 5,000𝑥2

sujeto a

1𝑥1 ≤ 4
2𝑥2 ≤ 12
3𝑥1 + 2𝑥2 ≤ 18

𝑥1 ≥ 0
𝑥2 ≥ 0
 Ejemplos

2)
𝒎𝒂𝒙 𝑓 𝑥 = 3,000𝑥1 + 5,000𝑥2

sujeto a

1𝑥1 ≤ 4
2𝑥2 ≤ 12
3𝑥1 + 2𝑥2 ≤ 18

𝑥1 ≥ 0
𝑥2 ≥ 0

𝒙∗𝟏 = 𝟐
𝒙∗𝟐 = 𝟔
𝒇 𝒙∗ = 𝟑𝟔, 𝟎𝟎𝟎
 Ejemplos

3)
𝐦𝐚𝐱 𝑓 𝑥 = 5𝑥1 + 17𝑥2 + 30𝑥3

sujeto a

𝑥1 + 3𝑥2 + 4𝑥3 ≤ 100

𝑥1 + 4𝑥2 + 6𝑥3 ≤ 180
𝑥1 + 𝑥2 + 4𝑥3 ≤ 60
𝑥1 , 𝑥2 , 𝑥3 , ≥ 0
 Ejemplos

3)
𝐦𝐚𝐱 𝑓 𝑥 = 5𝑥1 + 17𝑥2 + 30𝑥3

sujeto a

𝑥1 + 3𝑥2 + 4𝑥3 ≤ 100

𝑥1 + 4𝑥2 + 6𝑥3 ≤ 180
𝑥1 + 𝑥2 + 4𝑥3 ≤ 60
𝑥1 , 𝑥2 , 𝑥3 , ≥ 0

𝒙∗𝟏 = 𝟎
𝒙∗𝟐 = 𝟐𝟎
𝒙∗𝟑 = 𝟏𝟎

𝒇 𝒙∗ = 𝟔𝟒𝟎
 Ejemplos

4)
𝐦𝐚𝐱 𝑓 𝑥 = 280𝑥1 + 40𝑥2 + 500𝑥3 + 510𝑥4

sujeto a

30𝑥1 + 5𝑥2 + 45𝑥3 + 60𝑥4 ≤ 300

20𝑥1 + 8𝑥2 + 60𝑥3 + 30𝑥4 ≤ 180
10𝑥1 + 20𝑥2 + 10𝑥3 + 120𝑥4 ≤ 300

𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 ≥ 0
 Ejemplos

4)
𝐦𝐚𝐱 𝑓 𝑥 = 280𝑥1 + 40𝑥2 + 500𝑥3 + 510𝑥4

sujeto a

30𝑥1 + 5𝑥2 + 45𝑥3 + 60𝑥4 ≤ 300

20𝑥1 + 8𝑥2 + 60𝑥3 + 30𝑥4 ≤ 180
10𝑥1 + 20𝑥2 + 10𝑥3 + 120𝑥4 ≤ 300

𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 ≥ 0 𝒙∗𝟏 = 𝟔
𝒙∗𝟐 = 𝟎
𝒙∗𝟑 = 𝟎
𝒙∗𝟒 = 𝟐
𝒇 𝒙∗ = 𝟐, 𝟕𝟎𝟎