Motivación grafica del método Simplex

El método grafico de resolución nos garantiza que, si la región de soluciones posibles es

acotada, existe al menos un vértice del conjunto de soluciones posibles que es solución
óptima. Cuando la región de soluciones posibles es no acotada pueden ocurrir dos cosas,
que el problema sea no acotado o que sea acotado. Si el problema es acotado significa,
como ya dijimos en el primer tema, que existe al menos una solución óptima en el que la
función objetivo alcanza el mejor valor posible, siendo este valor finito. En este caso nos
podemos encontrar ante una cualquiera de las tres situaciones siguientes: que exista una
única solución óptima, que ser a necesariamente un vértice del poliedro de soluciones que
existan infinitas soluciones optimas, debido a que la función objetivo es paralela a una de
las restricciones, que puede ser,

• un segmento, en cuyo caso existirán al menos dos vértices adyacentes que son
soluciones óptimas.

• o una semirrecta, en cuyo caso existirá al menos un vértice que es solución óptima.

Lo que acabamos de decir no es únicamente valido para el problema de programación

lineal con dos variables, sino que es generalizable a cualquier problema de Programación
Lineal. En resumen, podemos decir que las propiedades claves que dan fundamento al
método Simplex ´ son:

1. Si el problema de programación lineal tiene una única solución óptima, será

necesariamente un vértice del conjunto de soluciones posibles.

2. Si el problema tiene más de una solución optima y el conjunto de soluciones posibles es

acotado, al menos dos de ellas son vértices adyacentes El método Simplex. Algoritmo de
las dos fases del conjunto de soluciones posibles. Si la región es no acotada, solo podemos
garantizar que al menos una de las soluciones ´optimas es un vértice.

3. Existe un numero finito de vértices en el conjunto de soluciones posibles del problema.

4. Si un vértice proporciona un valor objetivo mejor o igual que el resto de vértices

adyacentes entonces proporciona un valor objetivo mejor o igual que cualquier otra
solución posible del problema, luego es una solución óptima para el problema.

Las dos primeras propiedades garantizan que a la hora de resolver un PL no necesitamos

evaluar la función objetivo en todas y cada una de las soluciones posibles del problema,
sino que basta con limitarnos a los vértices. La tercera propiedad garantiza que tenemos
un numero finito de vértices, y, por último, la cuarta propiedad nos proporciona el criterio
de optimalizad que nos permitirá detectar si un vértice es o no solución óptima. El
algoritmo Simplex es un proceso iterativo en el que en cada iteración se evalúa la función
objetivo en un vértice del conjunto de soluciones posibles y se comprueba utilizando un
criterio de optimalidad si ese vértice es o no solución óptima. Si lo es, el método se
detiene y en otro caso se itera para alcanzar otro vértice adyacente. Para garantizar una
exploración eficiente del conjunto de soluciones posibles el algoritmo se mueve de un
vértice a otro que proporciona un valor de la función objetivo al menos tan bueno como el
que ya tenía. Lo que acabamos de decir nos permite aplicar gráficamente el método
Simplex, bastara con elegir un vértice arbitrario del conjunto de soluciones posibles e ir
desplazándonos a un vértice adyacente que mejore el valor de la función objetivo hasta
que encontremos el valor optimo o detectemos que no hay ningún vértice adyacente pero
sí una dirección en la que desplazarnos tanto como queramos mejorando la función
objetivo. En esta última situación concluiríamos que el problema es no acotado.