INSTITUTO TECNOLOGICO DE AGUASCALIENTES INGENERIA INDUSTRIAL INVESTIGACION DE OPERACIONES

UNIDAD II

EL MTODO SIMPLEX
Profesor (a): Galindo Carren Samuel Alumnos:
Jorge Juan Zamora vila Luis Antonio Silva Moreno Christian Lenin Hernndez Calvillo

Grupo: Industrial I

Aguascalientes, Ags. 19 de Septiembre del 2013

TEMAS

2.1 Teora del mtodo Simplex. 2.2 Forma tabular del mtodo Simplex. 2.3 El mtodo de las dos fases. 2.4 Casos especiales. 2.5 Uso de software.

INTRODUCCIN

El Mtodo Simplex es un mtodo analtico de solucin de problemas de programacin lineal capaz de resolver modelos ms complejos que los resueltos mediante el mtodo grfico sin restriccin en el nmero de variables. El mtodo Simplex es un procedimiento iterativo que permite ir mejorando la solucin a cada paso. El proceso concluye cuando no es posible seguir mejorando ms dicha solucin. Partiendo del valor de la funcin objetivo en un vrtice cualquiera, el mtodo consiste en buscar sucesivamente otro vrtice que mejore al anterior. La bsqueda se hace siempre a travs de los lados del polgono (o de las aristas del poliedro, si el nmero de variables es mayor). Cmo el nmero de vrtices (y de aristas) es finito, siempre se podr encontrar la solucin. (Vase mtodo Grfico) El mtodo Simplex se basa en la siguiente propiedad: si la funcin objetivo, f, no toma su valor mximo en el vrtice A, entonces hay una arista que parte de A, a lo largo de la cual f aumenta. Deber tenerse en cuenta que este mtodo slo trabaja para restricciones que tengan un tipo de desigualdad "" y coeficientes independientes mayores o iguales a 0, y habr que estandarizar las mismas para el algoritmo. En caso de que despus de ste proceso, aparezcan (o no varen) restricciones del tipo "" o "=" habr que emplear otros mtodos, siendo el ms comn el mtodo de las Dos Fases.

2.1 Teora del mtodo Simplex.

Es un procedimiento iterativo que permite ir mejorando la solucin a cada paso. El proceso concluye cuando no es posible seguir mejorando ms dicha solucin. El mtodo del simplex fue creado en 1947 por el matemtico George Dantzig .

El mtodo del simplex Partiendo del valor de la funcin objetivo en un vrtice se utiliza, sobre todo, cualquiera, el mtodo consiste en buscar sucesivamente otro para resolver problemas vrtice que mejore al anterior. La bsqueda se hace siempre a de programacin lineal travs de los lados del polgono (o de las aristas del poliedro, en los que intervienen si el nmero de variables es mayor). Cmo el nmero de tres o ms variables. vrtices (y de aristas) es finito, siempre se podr encontrar la solucin. El lgebra matricial y el proceso de eliminacin El mtodo del simplex se basa en la siguiente propiedad: si la de Gauss-Jordan para funcin objetivo, f, no toma su valor mximo en el vrtice A, resolver un sistema de entonces hay una arista que parte de A, a lo largo de la ecuaciones lineales cual f aumenta. constituyen la base del mtodo simplex.

El mtodo simplex para solucin de problemas de programacin lineales un procedimiento iterativo que permite ir mejorando la solucin a cada paso. el proceso concluye cuando no es posible seguir mejorando ms dicha solucin. Partiendo del valor de la funcin objetivo en un vrtice cualquiera, el mtodo consiste en buscar sucesivamente otro vrtice que mejore al anterior. la bsqueda se hace siempre a travs de los lados del polgono(o de las aristas del poliedro, si el nmero de variables es mayor). Cmo el nmero de vrtices (y de aristas) es finito, siempre se podr encontrar la solucin. El mtodo del simplex se basa en la siguiente propiedad: si la funcin objetivo, f, no toma su valor mximo en el vrtice a, entonces hay una arista que parte de a, a lo largo de la cual f aumenta. El mtodo del simplex fue creado en 1947 por el matemtico George dantzig El mtodo del simplex se utiliza, sobre todo, para resolver problemas de programacin lineal en los que intervienen tres o ms variables. El lgebra matricial y el proceso de eliminacin de Gauss-Jordn para resolver un sistema de ecuaciones lineales constituyen la base del mtodo simplex. Con miras a conocer la metodologa que se aplica en el Mtodo SIMPLEX, vamos a resolver el siguiente problema: Maximizar Z= f(x,y)= 3x + 2y sujeto a: 2x + y 182x + 3y 423x + y 24x0 , y 0Se consideran las siguientes fases:1. Convertir las desigualdades en igualdades Se introduce una variable de holgura por cada una de las restricciones, para convertirlas en igualdades, resultando el

sistema de ecuaciones lineales:2x + y + h = 18 2x + 3y + s = 42 3x +y + d = 242. Igualar la funcin objetivo a cero- 3x - 2y + Z = 03. Escribir la tabla inicial simplex En las columnas aparecern todas las variables del problema y, en las filas, los coeficientes delas igualdades obtenidas, una fila para cada restriccin y la ltima fila con los coeficientes de la funcin objetivo: Tabla I . Iteracin n 1 Base Variable de decisin Variable de holgura Valores solucin y h s dh 2 1 1 0 0 18 s 2 3 0 1 0 42 d 3 1 0 0 1 24 Z 3 2 0 0 0 04. Encontrar la variable de decisin que entra en la base y la variable de holgura que sale de lavase Para escoger la variable de decisin que entra en la base, nos fijamos en la ltima fila, la de los coeficientes de la funcin objetivo y escogemos la variable con el coeficiente negativo mayor (en valor absoluto). En nuestro caso, la variable x de coeficiente - 3. Si existiesen dos o masco eficientes iguales que cumplan la condicin anterior, entonces se elige uno cualquiera de ellos. Si en la ltima fila no existiese ningn coeficiente negativo, significa que se ha alcanzado la solucin ptima. Por tanto, lo que va a determinar el final del proceso de aplicacin del mtodo del simplex, es que en la ltima fila no haya elementos negativos. La columna de la variable que entra en la base se llama columna pivote (En color azulado)

2.2 Forma tabular del mtodo Simplex.

2.3 El mtodo de las dos fases.

MTODO DE LAS DOS FASES Un segundo mtodo para solucionar problemas con variables artificiales es el mtodo de las dos fases; tal como su nombre lo dice, resolver el problema en dos etapas: Una para minimizar el valor de las variables artificiales y dar una solucin inicial bsica factible. La segunda, si es que se logra obtener una solucin bsica factible, para optimizar el problema original. FASE I. Se realiza la minimizacin de una funcin que est compuesta por la suma de los valores de las variables artificiales; para el sistema aumentado del problema original. (Independientemente de qu funcin objetivo tenga el problema original). Si en la solucin ptima de la FASE I, el valor de las variables artificiales es de cero, se procede con la FASE II tomando la solucin bsica factible resultante.

Si alguna de las variables artificiales tiene un valor distinto a cero, el problema original es infectable. FASE II. Utilizando la solucin bsica factible final de la FASE I, se resuelve el problema original, esto es, se resuelve para la funcin objetivo del problema original; si se desea, se pueden eliminar las columnas artificiales. Ntese que primeramente debe actualizarse correctamente el rengln cero para el conjunto de variables bsicas que defini la FASE I. Con la tabla en forma correcta se procede a optimizar de forma habitual siguiendo el algoritmo Simplex.

2.4 Casos especiales.

El Mtodo simplex es un procedimiento iterativo que permite ir mejorando la solucin a cada p a s o . E l p r o c e s o c o n c l u y e c u a n d o n o e s p o s i b l e s e g u i r m e j o r a n d o m s d i c h a s o l u c i n o cuando esta es ptima. Este mtodo, permite analizar cada variable del problema planteado, sus variaciones, para determinar cul es la decisin ms acertada a tomar en cualquiera que sea el rea de la empresa sobre la cual se presente la incertidumbre. Existen casos especiales de solucin de problemas por medio del simplex, tales como: Soluciones Mltiples Solucin Degenerada Solucin Infactible Sin Solucin A continuacin se presenta un anlisis detallado de cada caso especial de solucin con un ejemplo prctico. CASO DE SOLUCIONES MLTIPLES Cuando la funcin objetivo es paralela a una restriccin que se satisface en el sentido de la igualdad a travs de la solucin ptima, la funcin objetivo tomar el mismo valor ptimo en ms de un punto de la solucin. Por esta razn reciben el nombre de Mltiples alternativas ptimas. CASO DE SOLUCIN DE GENERADA La degeneracin ocurre cuando en alguna iteracin del mtodo simplex existe un empate en la seleccin de la variable que sale. Este empate se rompe arbitrariamente. En este caso decimos que la nueva solucin es degenerada. Sin

embargo, cuando suceda esto una o ms veces delas variables bsicas, ser necesariamente igual a cero en la siguiente iteracin. En el mtodo simplex, la presencia de una variable bsica igual a cero, no requiere ninguna accin especial;e n t o d o c a s o , e s n e c e s a r i o n o d e s c u i d a r l a s c o n d i c i o n e s de degeneracin. En trminosg e o m t r i c o s , l a d e g e n e r a c i n o curre cuando un vrtice est definido por demasiadas restricciones. CASO DE SOLUCIN INFACTIBLE En un modelo de Programacin Lineal, cuando las restricciones no se pueden satisfacer en f o r m a s i m u l t n e a , s e d i c e q u e e s t e n o t i e n e s o l u c i n f a c t i b l e . E s t a s i t u a c i n n u n c a p u e d e ocurrir si todas las restricciones son del tipo MENOR O IGUAL ( ), esto, suponiendo valores positivos en el segundo miembro, ya que las variables de h o l g u r a p r o d u c e n s i e m p r e u n a solucin factible. Sin embargo, cuando empleamos los otros tipos de restricciones, recurrimos al uso de variables artificiales, que por su mismo diseo no ofrecen una solucin factible al modelo original. Aunque se hacen provisiones (a travs del uso de penalizaciones) para hacer que estas variables artificiales sean cero en el nivel ptimo, esto slo puede ocurrir si el modelo tiene una espacio factible. Si no lo tiene, cuando menos una variable artificial ser positiva en la iteracin ptima. Desde el punto de vista prctico, un espacio infectable, apunta a la posibilidad de que el modelo no se haya formulado correctamente, en virtud de que las restricciones estn en conflicto. Tambin es posible que las restricciones no estn destinadas a cumplirse en forma simultnea. En este caso, quizs se necesite una estructura del modelo totalmente diferente que no admita todas las restricciones al mismo tiempo CASO DE NO SOLUCIN En algunos modelos de Programacin Lineal, los valores de las variables, se pueden aumentar en forma indefinida sin violar ninguna de las restricciones, lo que significa que el espacio es sin solucin cuando menos en una direccin. Como resultado, el valor de la funcin objetivo puede crecer (Maximizacin) o decrecer (Minimizacin) en forma indefinida. En este caso, decimos que el espacio en el cual se espera sea resuelto el modelo, y el valor ptimo de la funcin objetivo no tiene solucin. La falta de explicacin de un modelo puede sealar solo una cosa, que este se encuentra mal construido. Evidentemente resulta irracional hacer que un modelo produzca una ganancia infinita. Las irregularidades ms probables en este modelo son: 1. No se toman en cuenta una o ms restricciones redundantes 2. No se determinan adecuadamente los parmetros (constantes) de alguna restriccin.

2.5 Uso de software.

En lo que sigue se relata la experiencia adquirida al utilizar software en el curso de Investigacin de Operaciones (IO) y sus Aplicaciones en la Universidad Nacional de Costa Rica. Se trata de un primer curso de IO en el que se estudian los temas Programacin Lineal, Teora de Inventarios, Teora de Colas y Simulacin. El proceso ha sido rico en experiencias. Estamos todava en un perodo de pruebas. Ha sido necesario preparar mucho material para este proyecto y lo ms estimulante es que cada esfuerzo que se hace enriquece el producto que se les ofrece a los estudiantes. Sin embargo hay tantas cosas por hacer que el proyecto es verdaderamente absorbente. Es necesario aclarar que en un principio no se contaba con ninguna gua sobre la forma de apoyar el curso con software y la manera de realizar las evaluaciones. Lo cierto es que es necesario establecer una estrategia o metodologa sobre los pasos o procesos que deben contemplarse a la hora de introducir el computador en el aula. Por supuesto que no se pretende postular la experiencia obtenida con el curso de IO como una metodologa de insercin de software en un curso, sin embargo es un tema interesante, para una tesis de grado, elaborar a partir de este trabajo y otros similares una estrategia o metodologa que busque reducir los tropiezos normales que se topa a la hora de emprender este periplo. Antes de exponer la forma en que se abord mediante software el curso de IO es necesario aclarar que este trabajo no ha terminado an, que los resultados estn todava lejos de las expectativas, que estos procesos se convierten en una caja de Pandora en la que aparecen nuevas posibilidades, nuevos retos, que es demanda muchsimo tiempo y que el docente se garantiza de que por mucho tiempo no se aburrir de hacer siempre lo mismo. Adems aunque se adopte un orden para sugerir la forma de orden no corresponde necesariamente al vivido en este proyecto. CONCLUSIN Nuestra conclusin se basa en darnos cuenta que la investigacin de operaciones es un anlisis para poder solucionar problemas en este caso como lo es mediante le mtodo simplex en los cuales queremos aumentar alguna ganancia La Investigacin de Operaciones aspira determinar la mejor solucin (optima) para un problema de decisin con la restriccin de recursos limitados. En la Investigacin de Operaciones utilizaremos herramientas que nos permiten tomar una decisin a la hora de resolver un problema tal es el caso de los modelos e Investigacin de Operaciones que se emplean segn sea la necesidad. La investigacin de operaciones es la aplicacin, por grupos interdisciplinarios, del mtodo cientfico a problemas relacionados con el control de las organizaciones o proceder, este

sistemas, a fin de que se produzcan soluciones que mejor sirvan a los objetivos de la organizacin. La Investigacin de Operaciones ha desarrollado modelos especficos para solucionar problemas generales clasificados como de inventario, lneas de espera, reemplazo, mantenimiento, asignacin de recursos.