INSTITUTO TECNOLOGICO DE CUAUTLA

INGENIERIA INDUSTRIAL

INVESTIGACION DE OPERACIONES I

TAREA : INVESTIGACION Caso especiales del

Método Simplex.

 Degeneración
 Óptimos alternativos
 Soluciones No Acotadas
 Soluciones No Existentes

Prof. Ing. ROBERTO GONZALES CASTILLO

Alumno: Fco. Estéfano Cisneros Fernández

Matrícula : 14680007

Fecha:martes 03/11/2015
 Casos Especiales del Método Simplex.

Consideraremos casos especiales que pueden presentarse en la aplicación

del método simplex, entre los que se encuentran:

1. Degeneración.
2. Opciones óptimas.
3. Soluciones no acotadas.
4. Soluciones inexistentes (o infactibles).

Nuestro interés en el estudio de estos casos especiales es doble:

1. Presentar una explicación teórica de la razón de estas situaciones y

2. Proporcionar una interpretación práctica de lo que podrían

significar estos resultados especiales en un problema de la vida real.
 DEGENERACION

En la aplicación de la condición de factibilidad, una coincidencia de la

razón mínima se debe descomponer en forma arbitraria para los fines de
determinar la variable que sale. Cuando suceda esto una o más veces de
las variables básicas, será necesariamente igual a cero en la siguiente
iteración. En este caso, decimos que la nueva solución es degenerada. En
la aplicación de las condiciones factibles del método simplex, un empate
de la razón mínima debe romperse arbitrariamente con el propósito de
determinar la variable de salida.

Cuando esto sucede, una o más de las variables básicas serán cero en lo
siguiente. En este caso, la nueva solución es degenerada.

No hay nada alarmante en el hecho de enfrentarnos a una solución

degenerada, con excepción de un pequeño inconveniente teórico que en
breve saldrá a la luz en un ejemplo. Desde el punto de vista práctico, la
condición revela que el modelo tiene por lo menos una restricción
redundante. Para poder proporcionar más perspectivas de los impactos
teóricos y prácticos de la degeneración, consideramos un ejemplo
numérico. La ilustración gráfica debe mejorar la comprensión de las ideas
que son la base de esta situación especial.

Ejemplo (Solución óptima degenerada)

Maximizar z = 3x1 +9x2

Sujeto a las siguientes condiciones:

x1 + 4x2 <= 8

x1 + 2x2 <= 4

x1,x2 >= 0
 Tres rectas cruzan el óptimo. Como éste es un problema bidimensional,
se dice que el punto está más que determinado (o sobre determinado),
ya que solo necesitamos dos rectas para identificarlo. Por este motivo,
concluimos que una de las restricciones es redundante.
Desafortunadamente no existen técnicas confiables para identificar
restricciones redundantes directamente a partir de la tabla.

Desde el punto de vista teórico, la degeneración tiene dos implicaciones.

La primera tiene que ver con el fenómeno del ciclaje o reciclaje. Si se
observan las iteraciones 1 y 2 de la tabla 3-2, se verá que el valor de la
función objetivo no ha mejorado (z=18). Por lo tanto, es posible, en
términos generales, que el procedimiento simplex repetiría la misma
sucesión de iteraciones, sin mejorar nunca el valor de la función objetivo
ni poner fin a los cálculos.

El segundo punto teórico se presenta en el examen de las iteraciones 1 y

2. Ambas iteraciones, pese a diferir en la clasificación de las variables
como básicas y no básicas, producen valores idénticos de todas las
variables y el valor de la función objetivo, es decir,

x1 = 0, x2 = 2, x3 = 0, x4 = 0, z = 18

Por lo tanto, se genera un argumento relacionado con la posibilidad de

suspender los cálculos en la iteración 1 (cuando aparece la degeneración),
aunque no es óptima. Este argumento no es válido porque, en general,
una solución puede ser temporalmente degenerada.
OPTIMOS ALTERNATIVOS:

Cuando la función objetivo es paralela a una restricción de enlace (o sea,

una restricción que se satisface en el sentido de la igualdad a través de la
solución óptima), la función objetivo tomará el mismo valor optimo en
más de un punto de solución. Por esta razón reciben el nombre
de opciones óptimas.

Existen problemas que tienen más de una solución óptima. En este caso se
dice que se tienen soluciones óptimas múltiples debido a que la solución
óptima se encuentra en un segmento de recta que es acotado por una de
las restricciones.

Maximizar

Sujeto a:

V. Básica Z X1 X2 S1 S2 Solución
Z 1 -4 -14 0 0 0
S1 0 2 7 1 0 21
S2 0 7 2 0 1 21

V. Básica Z X1 X2 S1 S2 Solución
Z 1 0 0 2 0 42
X2 0 2/7 1 1/7 0 3
S2 0 4/7 0 -5/7 1 15
Nota: Si existe un cero en el primer renglón significa que hay soluciones
óptimas múltiples.

V. Básica Z X1 X2 S1 S2 Solución
Z 1 0 0 2 0 42
X2 0 0 1 7/45 -2/45 7/3
X1 0 1 0 -2/45 7/45 7/3
SOLUCION NO ACOTADA
En algunos modelos de programación 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 dirección. Como resultado, el valor de la función
objetivo puede crecer (caso de maximización) o de crecer (caso de
minimización) en forma indefinida. En este caso decimos que el espacio de
soluciones y el valor "óptimo" de la función objetivo son no acotados.

La falta de explicación en un modelo puede señalar solo una cosa: el

modelo está mal construido. Evidentemente resulta irracional hacer que
un modelo produzca una ganancia " infinita". Las irregularidades mas
probables en estos modelos son:

1) No se toman en cuenta una más restricciones redundantes, y

2) No se determinan correctamente los parámetros ( constantes ) de

algunas restricciones.

La regla general para reconocer la falta de acotación es la siguiente. Sien

cualquier iteración los coeficientes de las restricciones de una variable no
básica son no positivos, entonces el espacio de soluciones no esta acotado
en esa dirección. Además, si el coeficiente de la función objetivo de esa
variable en el caso de la maximización o positivo en el caso de la
minimización, entonces el valor de la función objetivo tampoco esta
acotado.

Ejemplo (Función objetivo no acotada)

Maximizar z = 2x1 + x2

Sujeto a

x1 - x2 <= 10

2x1 <=40

x1, x2 > 0
Iteración inicial

En la tabla inicial x1 y x2 son los candidatos para entrar en la solución.

Como x1 tiene el coeficiente más negativo. Normalmente se selecciona
como la variable que entra. Sin embargo, nótese que todos los
coeficientes de las restricciones por debajo de x2 son negativos o cero,
esto significa 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, aumentará z en 1, un incremento infinito en x2también dará lugar a
un incremento infinito en z. Por lo tanto, concluimos que el problema no
tiene solución acotada. Este resultado se puede apreciar en la figura 3-6.
El espacio de soluciones no está acotado en la dirección de x2 y el valor de
z puede crecer en forma indefinida.

La regla general para reconocer la falta de acotación es la siguiente. Si en

cualquier iteración los coeficientes de las restricciones de una variable no
básica son no positivos, entonces el espacio de solucionesno está acotado
en esa dirección. Además, si el coeficiente de la función objetivo de esa
variable es negativo en el caso de la maximización o positivo en el caso de
la minimización, entonces el valor de la función objetivo está acotado.
SOLUCION NO FACTIBLE

Si las restricciones no se pueden satisfacer en forma simultánea, se dice

que el modelo no tiene solución factible. Esta situación nunca puede
ocurrir si todas las restricciones son del tipo (suponiendo constantes no
negativas en el segundo miembro) ya que la variable de holgura produce
siempre alguna solución factible. Sin embargo, cuando empleamos los
otros tipos de restricciones, recurrimos al uso de variables artificiales que,
por su mismo diseño, no ofrecen una solución factible al modelo original.
Aunque se toman medidas (a través del uso de la penalización) para hacer
que las variables artificiales sean cero en el nivel óptimo, esto sólo puede
ocurrir si el modelo tiene un espacio factible. Si no lo tiene, cuando menos
una variable artificial será positiva en la iteración óptima. Esta es nuestra
indicación que el problema no tiene solución factible.

Desde el punto de vista práctico un espacio no factible apunta a la

posibilidad de que el modelo no se haya formulado correctamente en
virtud de que las restricciones estén en conflicto. También es posible que
las restricciones no estén destinadas a cumplirse en forma simultánea, en
este caso, quina se necesite una estructura del modelo totalmente
deferente que no admita todas las restricciones al mismo tiempo.
Ejemplo de espacio de solución no factible

Maximizar z = 3x1 + 2x2

Sujeto a

2x1 + x2 <= 2

3x1 + 4x2 >= 12

x1, x2 > 0

Las iteraciones simplex de la tabla muestran que la variable artificial R es

positiva (= 4) en la solución óptima. Esta es una indicación de que el
espacio de soluciones es infactible. La figura muestra el espacio de
soluciones infactible.

El método simplex, haciendo posible que la variable artificial sea positiva,

ha invertido en esencia la dirección de la desigualdad de 3x1+
4x2 >= 12 a 3x1 + 4x2 <= 12. El resultado lo podemos llamar la solución
pseudoóptima, como se muestra en la figura .