CAPTULO 4.

EL MTODO DEL
SIMPLEX
4.1. Introduccin a los problemas de P.L. ............................................ 2
4.2. Caracterizacin de los problemas de P.L. ...................................... 2
4.3. El algoritmo del Simplex. ................................................................. 7
4.3.1. Costes reducidos y test de optimalidad. ........................................................... 7
4.3.2. Regla de entrada de la Base. ............................................................................. 9
4.3.3. Regla de salida de la Base. ............................................................................... 9
4.3.4. Resumen del algoritmo del Simplex............................................................... 11
4.4. El Mtodo del Simplex en forma de Tableau. ............................. 13
EJEMPLO 4.1. Aplicacin del mtodo Simplex en forma de tableau................ 15
4.5. Determinacin de una solucin bsica factible inicial: el mtodo
de la M grande y el de las 2 fases. ............................................................ 21
4.5.1. El mtodo de eliminacin (o de la M grande). ........................................... 22
EJEMPLO 4.2. Aplicacin del mtodo de eliminacin (o de la M grande)....... 23
4.5.2. El mtodo de las dos fases. ............................................................................. 28
EJEMPLO 4.3. Aplicacin del mtodo de las dos fases......................................... 29
4.6. El mtodo Simplex revisado........................................................... 35
EJEMPLO 4.4. Aplicacin del mtodo del Simplex revisado. .............................. 38
CAPTULO 4. EL MTODO DEL
SIMPLEX
4.1. Introduccin a los problemas de P.L.
4.2. Caracterizacin de los problemas de P.L.
El mtodo ms conocido y habitual para resolver problemas de P.L. es el mtodo
del Simplex debido a Dantzig
1
. Antes de desarrollar este mtodo es preciso enunciar dos
teoremas que no probaremos, aunque en parte vimos como se cumplan en algunos
anlisis grficos del captulo anterior.
1. El conjunto de posibles soluciones o conjunto factible de cualquier problema de
P.L. puede representarse mediante un poliedro convexo.
2. Si un P.L. tiene una solucin ptima y finita, sta estar en un vrtice del
poliedro convexo que representa al problema de P.L.
La expresin general de un P.L. es:
1 1 2 2
11 1 12 2 1 1
1 1
( ) ...
...
n n
n n
2 2
...
m m mn n m
Max z c x c x c x
a x a x a x b
a x
= + + +
+ + + s
#
0
j
x
a x a x b + + + s
>
1
2
n
Siendo las matrices:
x
x
x
x
(
(
(
=
(
(
(

#
1
2
n
c
c
c
c
(
(
(
=
(
(
(

#
11 1
1


n
m mn
a a
A
a a

21 2n
a a
(
(
(
=
(
(
(

"
# #
1
2
m
b
b
b
"
(
(
(
= b
(
(
(

#
De todo lo anterior se deduce que, puesto que el nmero de vrtices de cualquier
poliedro factible es finito, el nmero de posibles soluciones de un P.L. tambin es finito.
Adems, sugiere un posible algoritmo para obtener la solucin ptima. Consistira en
calcular el valor de la funcin objetivo en cada uno de los vrtices del conjunto factible
1
Vid. Dantzig (1963).
y escoger el mejor. Para ilustrar esta idea empezaremos planteando un problema de P.L.
en su forma cannica
2
. A continuacin ilustramos esta idea mediante un ejemplo.
1
( )
n
j j
j
Max z c x
=
=
_
sujeto a:
{ }
1
n
j
{ }
1,...,
0 1,...,
ij j i
j
a x b i m
x j n
s e
> e


=
_
aadiendo variables de holgura a cada una de las restricciones se obtendra la
formulacin equivalente:
1
( )
n
M
j j
j
ax z c x
=
=
_
sujeto a:
{ }
1
1,...,
n
ij j i i
j
a x s b i m
{ }
{ }
0 1,...,
0 1,...,
j
i
x j n
s i m
> e
> e
=
+ = e
_

El nmero de vrtices del conjunto factible del problema es:
( )
( ) ( )
!
! !
m n m n
m m m n m
+ + | |
=
|
+
\ .
[1]
La cantidad m + n refleja el nmero de variables originales (n) ms las variables
de holgura (una para cada ecuacin, en total m). Las posibles soluciones sern tantas
como combinaciones de m + n variables tomadas en bloques de m. Cada bloque de m
variables con m restricciones dar lugar a la solucin exacta de un sistema de
ecuaciones de dimensin m x m.
El ejemplo del captulo anterior nos ilustra sobre todos los vrtices del
mencionado problema. Recordemos que este problema era:
M
1 2
( ) 100 200 ax z x x = +
sujeto a:
1 2
1 2
80
0,8 2 124
x x
x x
1 2
, 0 x x
+ s
+ s
>
2
La forma cannica de un problema de P.L. es aquella que consiste en una funcin objetivo de
maximizar, todas las restricciones menores o iguales que el lado derecho y todas las variables no
negativas.
EI nmero de vrtices del sistema es, de acuerdo con [1]:
2 2
4!
6
2
+ | |
=
2!2!
=
|
\ .
que se corresponde con las seis soluciones bsicas del sistema de ecuaciones:
1 2 1
1 2 2
80
0,8 2 124
+ + =
+ + =
x x s
x x s
Obsrvese que al sistema original se le han aadido las variables de holgura s
1
y
s
2
.
Las posibles soluciones son:
A) Haciendo s
2
= 0 y x
1
= 0 se obtiene:
2 1
2
80
2 124
x s
x
+ =
=
cuya solucin es x
2
= 62 y s
1
= 18.
B) Haciendo s
1
= 0 y x
1
= 0 se obtiene:
2
2 2
80
2 124
x
x s
=
+ =
cuya solucin es x
2
= 80 y s
2
= -36.
C) Haciendo x
1
= 0 y x
2
= 0 se obtiene:
1
2
124
s
s
80 =
=
D) Haciendo s
2
= 0 y x
2
= 0 se obtiene:
1 1
80
124
1
0,8
x s
x
+ =
=
cuya solucin es x
1
= 155 y s
1
= -75.
E) Haciendo x
2
= 0 y s
1
= 0 se obtiene:
1
0,8
x
x s
1 2
80
124
=
+ =
cuya solucin es x
1
= 80 y s
2
= 60.
F) Haciendo s
1
= 0 y s
2
= 0 se obtiene:
1 2
80
0,8
x x
1 2
2 124 x x
+ =
+ =
cuya solucin es x
1
= 30 y x
2
= 50.
Las seis soluciones indicadas corresponden a los vrtices de la figura 4.1. De las
seis soluciones, la B y la D no son factibles, ya que tienen alguna variable con un valor
negativo. La solucin F es ptima, ya que ninguna de las otras soluciones factibles tiene
asociado un valor mejor de la funcin objetivo.
Figura 4.l. So1uciones de un sistema de m inecuaciones y n incgnitas.
Pese a que el nmero de posibles soluciones de un P.L. es finito, en la prctica
resultara excesivamente costoso comprobadas todas para encontrar el ptimo.
En problemas de tamao ms real que el ejemplo anterior (aunque no muy
grande), el nmero de vrtices se hace enormemente grande. As por ejemplo, un
problema con 50 ecuaciones y 70 variables tiene:
( )
( )
50 70 ! 50 70
1,83617 34
50 50!* 50 70 50 !
E
+ + | |
= = +
|
+
\ .
vrtices.
y uno de 100 ecuaciones y 200 variables:
( )
( )
100 200 ! 100 200 + + | |
= =
100 100!* 100 200 100 !
|
+
\ .
en la prctica es infinito.
El mtodo Simplex no recorre explcitamente todos los vrtices del conjunto
factible sino que, en cada iteracin, comprueba si existe un cambio de vrtice que
mejore la solucin actual. Si no existe ningn vrtice mejor que el actual, el proceso se
detiene puesto que se ha llegado al ptimo.
El concepto de vrtice es de naturaleza geomtrica y resulta, por tanto, poco
adecuado para construir a partir de l un algoritmo utilizable por computadoras. Por
ello, el mtodo Simplex se basa en un concepto algebraico muy similar: el de solucin
bsica factible (SBF).
De una manera ms formal, a partir del sistema de ecuaciones:
{ }
1
1,...,
n
ij j i i
j
a x s b i m
{ } 0 1,...,
j
x j n > e
=
+ = e
_

Se dice que una solucin bsica es aquella que tiene al menos n-m componentes
nulos o variables no bsicas a las que llamamos x
N
. Las m variables restantes se
denominan variables bsicas y las denominamos x
B
. Formalmente, a partir del sistema: B
Ax = b
se dice que x
B
es una solucin bsica del mismo si puede realizarse la particin:
| |
| |
| |
B N
B
A = B| N
x = x | x
x
Ax = b B | N =Bx +Nx =b
(

( B N
N
x

y si x
N
= 0, entonces
-1 -1
B
-1
B
B Bx =B b
x =B b
Existen varios tipos de solucin bsica:
a) Solucin bsica factible (SBF). Todas las variables bsicas son mayores o
iguales que cero.
b) Solucin bsica factible no degenerada. Todas las variables bsicas son
estrictamente positivas.
c) Solucin bsica factible degenerada. Alguna variable bsica toma un valor nulo.
Puede demostrarse que cada SBF representa un vrtice del conjunto factible. Sin
embargo, un vrtice puede ser representado por ms de una SBF, si la solucin es
degenerada.
4.3. El algoritmo del Simplex.
El algoritmo del Simplex busca el ptimo de un problema de P.L. recorriendo slo
algunos de los vrtices del poliedro que representa el conjunto de soluciones factibles.
En cada iteracin, al algoritmo se desplaza de un vrtice a otro de forma que el valor de
la funcin objetivo mejore con el desplazamiento, esto es, que aumente si el problema
es de maximizacin, o disminuya si el problema es de minimizacin.
La optimizacin de un P.L. puede dar lugar a cuatro posibles resultados:
a) Alcanzar un ptimo nico.
b) Alcanzar un ptimo que no es nico (soluciones alternativas o mltiples).
c) Concluir que el problema es no factible, esto es, que no existe ninguna solucin
que satisfaga simultneamente todas las restricciones del problema.
d) Concluir que el problema es no acotado, es decir, que el valor de la funcin
objetivo en el ptimo es tan grande como se desee si el problema es de
maximizacin, o tan pequeo como se quiera si el problema es de minimizacin.
El mtodo Simplex alcanza siempre uno de estos resultados en un nmero finito
de iteraciones. En cada iteracin se pasa de una solucin bsica factible a otra, de
manera que en el proceso, el valor de la funcin objetivo mejora en cada iteracin.
Cuando se determina que no existe ninguna SBF con un mejor valor de la funcin
objetivo que el actual se detiene el proceso puesto que se ha llegado al ptimo.
A continuacin se desarrolla el algoritmo del Simplex teniendo en cuenta tres
reglas para llegar al ptimo: regla de entrada en la base, regla de salida de la base y
test de optimalidad.
4.3.1. Costes reducidos y test de optimalidad.
Sea un P.L. en el que todas las restricciones han sido reducidas a igualdades
mediante las transformaciones adecuadas:
T
= c x ( ) Max z
sujeto a:
Ax = b
x 0 s
A partir de una SBF cualquiera puede realizarse la descomposicin:

T T
z = c x + c x
B B N N
(4.1.)

B N
Bx + Nx = b (4.2.)
Suponiendo que la matriz B admite inversa, puede despejarse x
B
en (4.2.) de forma que
se obtiene:
B

- 1 - 1
B N
x = B b-B Nx (4.3.)
y sustituyendo x
B
en (4.1.) B
( )
( )
-
j j j
c z x
e
_
N
N B N
j V
+ c - c B N x =
+
T - 1 T - 1 T
B B N N N
0 T T - 1
0
z = c B b - c B Nx + c x =
= z
= z
(4.4.)
donde:
0 T -1
B
z = c B b es el valor de la funcin objetivo correspondiente a la SBF actual.
N
V : Conjunto de subndices correspondientes a las variables no bsicas.
A los valores -
j j
c z se les denomina costes reducidos. Pueden interpretarse como
derivadas, ya que miden el efecto sobre la funcin objetivo de un aumento unitario en el
valor de cada una de las variables no bsicas (indicadas como
j
x en 4.4). Por tanto:
- Si una variable no bsica que tenga asociado un coste reducido positivo entrara
en la base (esto es, si tomara un valor positivo), el valor de la funci6n objetivo
aumentara en
( )
-
j j
c z por cada unidad de
j
x .
- Si una variable no bsica que tenga asociado un coste reducido negativo entrara
en la base, el valor de la funcin objetivo disminuira
( )
-
j j
c z por cada unidad
de
j
x .
- Si una variable no bsica que tenga asociado un coste reducido nulo entraran en
la base, el valor de la funcin objetivo permanecera inalterado.
Dado que el nmero de vrtices del poliedro factible es finito, puede asegurarse
que, en ausencia de degeneracin, el mtodo Simplex alcanza la conclusin de
optimalidad o la de no acotamiento en un nmero finito de iteraciones. En concreto, se
habr alcanzado un ptimo cuando no sea posible mejorar el valor de la funcin
objetivo cambiando las variables que estn en la base. Esto es, cuando en un problema
de maximizacin:
: - 0
N j j
j V c z e s
Como ya comentamos anteriormente, la idea fundamental del mtodo Simplex es
la de ir explorando los vrtices del poliedro factible hasta llegar a una solucin ptima.
De esta forma, teniendo en cuenta que el nmero de vrtices es finito, puede asegurarse
que, tarde o temprano, se alcanzar la optimalidad. Sin embargo, si el valor de
r
x en la
base antigua fuera cero, se producira un pivoteo degenerado, en el que:
0 =
k
x , la nueva SBF tambin es degenerada. -
-1
x = B b, no cambian los valores de las variables bsicas. -
B
0
= z z , no mejora el valor de la funcin objetivo. Por tanto, la nueva SBF
representa al mismo punto extremo que la antigua SBF.
-
Es concebible, por tanto en teora, una situacin en la que, a partir de una base
determinada, se realice una sucesin infinita de pivoteos degenerados (ciclado). Esta
situacin se puede resolver fcilmente mediante un procedimiento que, sin embargo no
desarrollaremos por estar fuera del objetivo de este libro.
4.3.2. Regla de entrada de la Base.
El mtodo Simplex emplea los costes reducidos para determinar si la solucin
actual es ptima y, en caso de que no lo sea, qu variable debe entrar en la base. El
criterio para elegir la variable que entra en la base, en el caso de maximizacin, es el de
introducir en la base una variable tal que
3
:
k
x
} {
| 0
j j j j
k ArgMax c z c z = >
esto es, se introduce en la base la variable que tenga el mayor coste reducido positivo o,
lo que es lo mismo, aquella que ms rpidamente mejora el valor de la funcin objetivo.
Anlogamente, el criterio de entrada en el caso de minimizacin es introducir la variable
k
x tal que:
} {
| 0
j j j j
k ArgMin c z c z = <
4.3.3. Regla de salida de la Base.
Como la dimensin de la base es necesariamente igual al nmero de restricciones
del problema, la introduccin de una variable en la base deber acompaarse con la
salida de otra variable de la base. El criterio de salida se determina estudiando el efecto
del crecimiento de
k
x sobre las variables bsicas, de forma que se mantenga la
factibilidad de la solucin. Particularizando (4.3.) para valores nulos de todas las
variables no bsicas excepto la k, se obtiene:
-
-1 -1 -1
B k k
x = B b - B a x = B b
k k
y x
3
La funcin ArgMax significa el nmero subndice que hace mxima la condicin que aparece entre {}.
siendo
k
a la k-sima columna de la matriz N. Esta expresin proporciona un sistema de
m ecuaciones de la forma:
0
: -
B Bi Bi ik k
i V x x y x e =
siendo
0
Bi
x la i-sima componente del vector
0 -1
= B b
Bi
x e
ik
y la k-sima componente
del vector
k
y . Esta expresin refleja el efecto sobre la variable bsica
B
x
i
del
crecimiento de
k
x debido a la necesidad de mantener las condiciones de factibilidad
Ax = b . En concreto:
- Si
ik
y es negativo, para mantener la factibilidad la variable i debe crecer a la vez
que aumenta el valor de la variable k.
- Si
ik
y es nulo, puede mantenerse el valor de la variable i sin perder factibilidad.
- Si
ik
y es positivo, el mantener la factibilidad exige que la variable i decrezca a la
vez que aumenta el valor de la variable k.
Por tanto, a medida que
k
x crece, todas las variables que tengan un factor
ik
y ,
positivo disminuirn. Llegar un momento en que alguna de estas variables valdr cero
y, por tanto, no podr aumentarse ms el valor de
k
x sin violar las condiciones de no
negatividad. En este momento, el crecimiento de la variable entrante quedar
bloqueado. Ahora bien, 0
Bi
x = slo si:
0
Bi
ik
k
x
x =
y
luego la variable que bloquea el crecimiento de
k
x ser
Br
x , siendo r el elemento de
B
V
tal que:
0
rk
y > a)
0 0
| 0
Bi Bi
B ik
rk ik
x x
i V y
y y
s e > b)
Esto es, el crecimiento de
k
x es bloqueado por la primera variable bsica que
llega a valer cero. Si no existe ningn
ik
y estrictamente positivo, el problema es no
acotado, ya que la variable
k
x puede crecer indefinidamente sin prdida de factibilidad,
mejorando el valor de la funcin objetivo. Una vez que el crecimiento de
k
x ha sido
bloqueado, la variable k se considera bsica y su valor se fija en:
0
Br
k
rk
x
x =
y
que es el mximo valor que puede tomar
k
x sin que ninguna variable bsica se anule.
La variable r pasa a ser no bsica y se inicia de nuevo el proceso. Estos cambios pueden
tabularse de la forma que se muestra en la tabla 4.1.
Antes de la iteracin Despus de la iteracin
(
0
z z =
)
0
k k k
z z c z x = +
0 |
j N
x j V j e k = = x 0 |
j N
j V j k = e =
0
k
x =
0
|
k r rk
x x y =
0
r r
x x = 0
r
x =
0
B
x =
-1
B b
0
B
x
B k k
x y = x
0
B B
V V = } { } {
0
B B
V V = r k +
0
=
N N
V V } { } {
0
N N
V V r k = +
Tabla 4.1. Cambios que se producen al iterar.
4.3.4. Resumen del algoritmo del Simplex.
En resumen, el mtodo Simplex opera iterativamente a travs de los siguientes
pasos:
a) Test de optimalidad. En problemas de maximizacin, el P.L. es ptimo si todos
los costes reducidos
( )
j j
c z son menores o iguales que cero. En problemas de
minimizacin cada coste reducido debe ser mayor o igual que cero.
b) Regla de entrada en la base. La variable que entra en la base debe ser aquella
que tenga el mayor coste reducido positivo en el caso de maximizacin (o mayor
coste reducido negativo, en el caso de minimizacin), ya que sta es la que
aumenta (disminuye) ms rpidamente el valor de la funcin objetivo.
Supongamos que la variable entrante es la k-sima.
c) Regla de salida de la base. Despus de decidir qu variable entra en la base, es
preciso determinar qu variable sale de la base. El criterio consiste en
seleccionar aqulla que tiene un menor cociente entre su valor y el coeficiente de
k
y correspondiente a la columna k-sima, siempre y cuando este coeficiente sea
estrictamente positivo. La interpretacin de este cociente es clara: representa el
mximo valor que puede tomar la variable entrante antes de que la variable que
se est considerando viole su restriccin de no negatividad. Si todos los
coeficientes de la columna k-sima son nulos o negativos, estaramos en el caso
de solucin no acotada o ilimitada, ya que la variable entrante puede crecer
indefinidamente sin prdida de factibilidad.
En la figura 4.2 se presenta un diagrama de flujo que resume el funcionamiento
del algoritmo del Simplex.
COMI ENZO
Determinar una SBF inicial
Determinar los costes reducidos de
las v. bsicas
Introducir en l a base la variable entrante
Extraer de la base la variable que bloquee
el crecimiento de la variable entrante
Actualizar x
B
Seleccionar l a variable entrante.
Calcular Y
ik
Existe alguna
SBF?
No FIN I nfactible
Si
Existe algun coste
reducido
positivo(Maximizacin)
o negati vo
(Minimi zacin)?
FIN Optimo No
Si
Existe algn Y
ik
positivo
(Maximizacin) onegativo(Minimizacin)?
No
FIN No acotado
Si
Figura 4.2. Diagrama de flujo del algoritmo del Simplex.
4.4. El Mtodo del Simplex en forma de Tableau.
El mtodo Simplex se implementa en programas de ordenador (software) y resulta
transparente para el usuario, esto es, el usuario no precisa tener un conocimiento de
cmo funciona. Sin embargo, a los efectos de interpretar los resultados, resulta
conveniente tener un conocimiento ms detallado y prctico sobre su funcionamiento
que el desarrollo terico de apartados anteriores. Por estas razones, en este apartado
estudiamos la resolucin de problemas sencillos de P.L. mediante el mtodo del Simplex
en forma manual. En este caso, se utiliza el llamado formato de tableau. Esta tcnica
proporciona una forma cmoda de resolver ejercicios sencillos.
Un problema de P.L. en forma estndar o cannica puede expresarse como:
T
Max(z) = c x
sujeto a:
Ax = b
x 0 >
Esta formulacin equivale a:
Max(z)
sujeto a:

B B N N
z - c x - c x = 0 (4.4.)

-1
B
x + B b
-1
N
Nx = B (4.5.)
x 0 >
sustituyendo (4.5.) en (4.4.) y despejando se obtiene:
( )
-1
z = c B b +
-1
B N B N
c -c B N x
Por definicin,
-1
B
z = c B b , luego:
( )
-1
N B N
c -c B N x = 0 (4.6.)
Las operaciones anteriores pueden ordenarse en una tabla, a la que llamaremos tableau
de la siguiente forma:
c c c
j B N
B
B
c

B
x
N
x
B
x
B
c
-1
B b
I
-1
B N
z B
c
-1
B
c B N
j
j j
0
c -z
-1
N B
c -c B N
donde:
-1
N B
c -c B N: Costes reducidos.
-1
B b: Valores de las variables bsicas.
Esta tabla contiene todos los elementos necesarios para aplicar el mtodo
Simplex. Adems, forma un sistema de ecuaciones y, por consiguiente,
pueden aplicrsele una serie de transformaciones elementales, que no
cambian su solucin. Esto es:
- Intercambiar dos filas.
- Multiplicar una fila por un valor distinto de cero.
- Sustituir la fila i por la fila i ms K veces la fila j, siendo K un
escalar arbitrario.
El mtodo Simplex aplicado a problemas en formato de tableau se reduce a
aplicarle a la tabla estas operaciones de forma que:
- El nuevo tableau representa una nueva solucin bsica factible.
- Salvo en el caso de soluciones degeneradas, el valor de la funcin objetivo
mejora en cada iteracin.
Cuando se aplica este mecanismo de resolucin, a cada iteracin se la denomina
pivoteo. En cada pivoteo se lleva a cabo el paso de una SBF a otra. Si la variable x
k
entra en la base y x
r
sale de la base, al elemento y
rk
se le denomina pivote. El pivoteo
sobre y
rk
consiste en la ejecucin sucesiva de las siguientes operaciones:
1. Dividir la fila r entre y
rk
.
2. Actualizar las filas ( ) 1,..., i m i r = = restndoles la fila r multiplicada por
y
rk
.
3. Actualizar la ltima fila restndole la fila r multiplicada por (z
k
- c
k
).
Como puede verse, los pasos 1 y 2 suponen la transformacin de la columna k en
una columna de la matriz identidad, con ceros en todas las posiciones salvo la k-sima.
El paso 3 actualiza los valores de (z
k
- c
k
), lo cual nos sirve para comprobar si hemos
alcanzado el ptimo. En definitiva, se trata de un mtodo que actualiza la inversa
correspondiente a las columnas de las variables bsicas. A este mtodo se le conoce
como Gauss-Seidel.
Esta operatoria no altera el contenido del sistema, ya que se limita a aplicar a las
distintas ecuaciones una sucesin de transformaciones elementales (multiplicar una
ecuacin por un elemento y sumar o restar dos ecuaciones). A lo largo de los sucesivos
pivoteos, lo nico que se cambia es la base considerada, y este cambio se realiza de
forma que la solucin nunca empeora. En el caso no degenerado, la solucin obtenida
tras un pivoteo siempre es mejor que la solucin correspondiente a la base anterior.
A lo largo de1 proceso iterativo es posible reconocer todos los casos que pueden
darse en la resolucin de un P.L.:
a) Solucin nica. En el ltimo tableau, los costes reducidos de las variables no
bsicas son estrictamente negativos (maximizacin) o estrictamente
positivos (minimizacin).
b) Soluciones alternativas. En el ltimo tableau, alguno de los costes reducidos
de las variables no bsicas es igual a cero. Esto quiere decir que la variable
no bsica cuyo coste reducido es cero podra introducirse en la base sin
perjudicar el valor de la funcin objetivo.
c) Solucin no acotada. Si al efectuar el test de salida de la base, todos los
coeficientes de la columna correspondiente a la variable entrante son no
positivos. Esto querra decir que la variable entrante puede aumentarse hasta
el infinito sin que su crecimiento resulte bloqueado.
d) Problema infactible. Se reconoce porque alguna variable de apoyo queda en
la base en el tableau final.
e) Solucin degenerada. Alguna variable bsica vale cero.
EJEMPLO 4.1. Aplicacin del mtodo Simplex en forma de tableau
Partimos del programa lineal siguiente:
1 2
M ) 100 200 ax(z x x = +
sujeto a:
1 2
80
0,8
x x
1 2
1 2
2 124
, 0
x x
x x
+ s
+ s
>
Para convertir las inecuaciones en ecuaciones se aade una variable de holgura
por cada ecuacin, con lo que queda:
M
1 2 1 2
) 100 200 ax(z x x s s = + + +
sujeto a:
1 2 1
1 2 2
80
0,8 2 124
+ + =
+ + =
x x s
x x s
1 2 1 2
, , , 0 > x x s s
El proceso de clculo de la solucin utilizando el mtodo del Simplex en forma de
tableau es el siguiente:
PASO 1. Solucin inicial. Empezamos con la solucin bsica:
Si hacemos
1 2
0, 0, x x = = el sistema de ecuaciones es anterior es equivalente a
resolver:
1 2
1 2
0 80
124
s s + =
+ = 0s s
cuya solucin es
1 2
80, 124 s s = = .
Esta solucin corresponde al vrtice sealado con un en la figura 4.3.:
Figura 4.3. SBF inicial (Iteracin 0).
A esta primera SBF inicial la podemos representar en el siguiente tableau:
c
j
100 200 0 0
x
B
B c
B
B | x
1
x
2
s
1
s
2
RATIOS
s
1
0 80 1 1 1 0 80
s
2
0 124 0,8 2 0 1 62
z
j
0 0 0 0
c
j
-z
j
100 200 0 0
Tableau 4.1 Iteracin 0.
Obsrvese que, de acuerdo con la estructura del tableau definida en el apartado
4.4., debajo de | aparece
-1
B b, esto es, los valores de x
B
en esta iteracin (en este caso
de s
B
1
y s
2
). Asimismo, la ltima fila contiene el vector
-1
N B
c -c B N (los costes
reducidos). El valor de la funcin objetivo
-1
B
c B b no se calcula hasta el final del
proceso iterativo.
En trminos numricos el valor de los costes reducidos se calcula de la siguiente
forma:
z
1
= 0*1 + 0*0,8 = 0
z
2
= 0*1 + 0*2 = 0
z
3
=0*1 + 0*0 = 0
z
4
= 0*0 + 0*1 = 0
c
1
z
1
= 100 0 = 100
c
2
z
2
= 200 0 = 200
c
3
z
3
= 0 0 = 0
c
4
z
4
= 0 0 = 0
PASO 2. Test de optimalidad. Los costes reducidos de las variables (no bsicas)
x
1
y x
2
son positivos. Luego no estamos en el ptimo y debe aplicarse la regla de entrada
en la base.
PASO 3. Regla de entrada. Se introduce en la base la variable con mayor coste
reducido, en este caso, la variable x
2
(200).
PASO 4. Regla de salida. A continuacin debemos determinar qu variable sale
de la base. Para ello se calculan los ratios:
0
B
x
i
ik
y
para todos los 0
ik
y > . En la solucin inicial estos ratios son
80 124
80; 62
1 2
| |
= =
|
\ .
2
rk
y =
. El
mnimo es 62 y, por tanto, sale de la base la variable s
2
. La prxima Base est formada,
por lo tanto, por las variables (s
1
, x
2
). En el tableau iteracin 0 se ha marcado el pivote
( ) en la celda sombreada.
PASO 5. Actualizacin de la solucin. Lo que en realidad haremos ahora ser
recalcular la nueva Base. El clculo de la nueva solucin se realiza de la siguiente
manera:
1. Se divide la fila entrante por el pivote (coeficiente que est en la confluencia de
la variable entrante y saliente). Esto es:
Fila s
2
: |=124/2 x
1
= 0,8/2 x
2
= 2/2 s
1
= 0/2 s
2
= 1/2
2. El resto de la filas se actualizan restndoles la fila correspondiente a la nueva
variable bsica, multiplicada por
ik
y .Obsrvese que tenemos un nico s
1
restante
que corresponde a la fila s
1
y que es igual a 1.
Fila s
1
: |=80-(62*1) = 18 x
1
= 1-(0,4*1) = 0,6 x
2
= 1-(1*1) = 0
s
1
= 1-(0*1) = 1 s
2
= 0-(1/2*1) = -1/2
Una vez que se ha actualizado el nuevo tableau, la fila correspondiente a la
variable entrante (x
2
en nuestro caso) debe quedar con un 1 en la confluencia de su
fila y columna y ceros en el resto de los coeficientes de su columna.
3. Se recalcula z
j
y los costes reducidos (c
j
z
j
) de forma anloga a como hicimos
en la iteracin inicial.
z
1
= 0*0,6 + 200*0,4 = 80 z
2
= 0*0 + 200*1 = 200
z
3
= 0*1 + 200*0 = 0
z
4
= 0*(-1/2) + 200*1/2 = 100
c
1
z
1
= 100 80 = 20
c
2
z
2
= 200 200 = 0
c
3
z
3
= 0 0 = 0
c
4
z
4
= 0 100 = -100
La solucin grfica correspondiente a la iteracin 1 est sealada con una cruz
en la figura 4.4. como puede verse, nos hemos desplazado del vrtice x
1
= 0 ; x
2
= 0 a otro adyacente cuya solucin es x
2
= 62 ; x
1
= 0.
Figura 4.4. Solucin correspondiente a la iteracin 1
Esto es, nos hemos desplazado al vrtice adyacente que tena mayor ganancia a
partir de la solucin inicial.
El tableau resultante es:
c
j
100 200 0 0
x
B
c
B
| x
1
x
2
s
1
s
2
RATIOS
s
1
0 18 0,6 0 1 -1/2 30
x
2
200 62 0,4 1 0 1/2 155
z
j
80 200 0 100
c
j
-z
j
20 0 0 -100
Tableau 4.2. Iteracin 1.
PASO 6. Test de optimalidad. El coste reducido de la variable (no bsica) (x
1
=20)
es positivo. Luego no estamos en el ptimo y debe aplicarse la regla de entrada en la
base.