Teora del Mtodo Simplex

El Mtodo Simplex publicado por George Dantzig en 1947 consiste en un algoritmo iterativo que
secuencialmente a travs de iteraciones se va aproximando al ptimo del problema de
Programacin Lineal en caso de existir esta ltima.
La primera implementacin computacional del Mtodo Simplex es el ano 1952 para un
problema de 71 variables y 48 ecuaciones. Su resolucin tarda 18 horas. Luego, en 1956, un
cdigo llamado RSLP1, implementado en un IBM con 4Kb en RAM, admite la resolucin de
modelos con 255 restricciones.
El mtodo Simplex es un procedimiento iterativo que permite mejorar la solucin de la funcin
objetivo en cada paso. El proceso concluye cuando no es posible continuar mejorando dicho
valor, es decir, se ha alcanzado la solucin ptima (el mayor o menor valor posible, segn el caso,
para el que se satisfacen todas las restricciones).
Partiendo del valor de la funcin objetivo en un punto cualquiera, el procedimiento consiste en
buscar otro punto que mejore el valor anterior. Como se ver en el mtodo Grfico, dichos
puntos son los vrtices del polgono (o poliedro o polcoro, si el nmero de variables es mayor de
2) que constituye la regin determinada por las restricciones a las que se encuentra sujeto el
problema (llamada regin factible). La bsqueda se realiza mediante desplazamientos por las
aristas del polgono, desde el vrtice actual hasta uno adyacente que mejore el valor de la funcin
objetivo. Siempre que exista regin factible, como su nmero de vrtices y de aristas es finito, ser
posible encontrar la solucin.
El mtodo Simplex se basa en la siguiente propiedad: si la funcin objetivo Z no toma su valor
mximo en el vrtice A, entonces existe una arista que parte de A y a lo largo de la cual el valor
de Z aumenta.
Ser necesario tener en cuenta que el mtodo Simplex nicamente trabaja con restricciones del
problema cuyas inecuaciones sean del tipo "" (menor o igual) y sus coeficientes independientes
sean mayores o iguales a 0. Por tanto habr que estandarizar las restricciones para que cumplan
estos requisitos antes de iniciar el algoritmo del Simplex. En caso de que despus de ste proceso
aparezcan restricciones del tipo "" (mayor o igual) o "=" (igualdad), o no se puedan cambiar, ser
necesario emplear otros mtodos de resolucin, siendo el ms comn el mtodo de las Dos
Fases.
Forma tabular del Mtodo Simplex
La forma algebraica del mtodo smplex presentada en la seccin 4.3 puede ser la mejor
para entender la lgica que fundamente el algoritmo. Sin embargo, no es la ms
conveniente para realizar los clculos necesarios. Cuando se tenga que resolver un
problema a mano (o en computadora), se recomienda la forma tabular descrita en esta
seccin.

La forma tabular del mtodo smplex es matemticamente equivalente a la forma
algebraica, nada ms que en lugar de escribir cada conjunto de ecuaciones con todo
detalle, se usa una tabla smplex para registrar slo la informacin esencial, a saber:


1. los coeficientes de las variables
2. las constantes del lado derecho de las ecuaciones
3. las variables bsicas que aparecen en cada ecuacin.
Esto ahorra la escritura de los smbolos de las variables, pero es ms importante en cada
ecuacin. Esto ahorra la escritura de las simbolos de las variables, pero es ms importante
el hecho de que permite hacer que sobresalgan los nmeros que se usan en los clculos
aritmticos y registrarlos en forma muy compacta.


Procedimiento:

Convirtiendo las m restricciones en igualdades e identificando las columnas de una matriz
identidad de m x m.

2. Construir la Tabla Inicial y verificar Optimalidad (ver paso 5)

3. Identificar Nuevas Variable Bsica (NVB) y Nueva variable No Bsica

NVB : mx valor positivo de Cj - Zj (maximizacion)

NVNB: dividir bj entre los coeficientes positivos de la columna de NVB.
La NVNB se encuentra en el rengln que tiene el menor cociente.

4. Actualizar la Tabla

- Identificar elemento Pivote

- Nuevos valores en el rengln de NVB se obtienen al dividir el rengln que sale entre el pivote

- Otros renglones se obtienen por:
Nuevo renglon = Renglon anterior -
[elemento en columna del pivote] x renglon de NVB

- Calcular Zj como la suma de productos de C por las tasas de sustitucion

5. Verificar Optimalidad (maximizacin)

La base es ptima si todos los valores de Cj - Zj son cero o negativos.
6. Volver al paso 3
El mtodo de las 2 fases
Este es otra variante del simplex que se aplica para resolver modelos de PL que requieren una
matriz unitaria de base artificial para poder iniciar el algoritmo. El nombre indica que consiste de
dos fases: En la 1, se reducen las artificiales Wi a cero y en tal caso se optimiza en la 2, o bien,
se concluye que no hay solucin factible para el problema porque Wi es diferente de cero en fase
1, y por lo tanto no es necesaria la fase2.
Primera fase.- En este mtodo siempre se minimiza una funcin objetivo constituido por la suma
de las variables artificiales utilizadas para completar la matriz I:

Las variables artificiales son tiles para formar la primera base del simplex, pero si se logra que
toda Wi=0, entonces Z=0 representa lo deseable u ptimo, pues lo contrario significa un
problema que no tiene solucin factible, en tal caso no aplica la segunda fase. Si todo va bien, las
variables artificiales Wi deben salir de la base, excepto en algn caso degenerado en que Wi=cero,
es bsica, vea en el programa CaVa (prximo a liberarse) los ejemplos Artbs0deg3v4r(16),
Artabs02f(2), Ciclodeg(27). La solucin ptima de fase 1 se identifica, con variables artificiales
cero que implica Z=0 para la funcin.
Segunda fase.- Se contina con sta slo si ocurre la optimizacin del problema en la fase
anterior. Para ello sirve la tabla simplex ptima de la primera, que se ajusta eliminando las
columnas de las variables artificiales Wi; adems, el rengln Z se cambia a los coeficientes de la
funcin Z original. El procedimiento contina con el arreglo de la tabla simplex inicial para
cumplir los requisitos necesarios de una solucin bsica factible; es decir, coeficientes cero para
las variables bsicas en el rengln Z de la tabla. A veces esto es suficiente para lograr el ptimo del
problema; si no es as, se aplican los criterios del simplex para el objetivo original del problema.
En resumen, la fase1 intenta lograr un punto extremo factible; la fase 2, el punto extremo ptimo:



Casos especiales.
Consideraremos casos especiales que pueden presentarse en la aplicacin del mtodo simplex,
entre los que se encuentran:
1. Degeneracin.
2. Opciones ptimas.
3. Soluciones no acotadas.
4. Soluciones inexistentes (o infactibles).
DEGENERACION
En la aplicacin de la condicin de factibilidad, una coincidencia de la razn mnima se debe
descomponer en forma arbitraria para los fines de determinar la variable que sale. Cuando suceda
esto una o ms veces de las variables bsicas, ser necesariamente igual a cero en la siguiente
iteracin. En este caso, decimos que la nueva solucin es degenerada.
Ejemplo (Solucin ptima degenerada)
Maximizar z = 3x1 +9x2
Sujeto a
x
1
+ 4x
2
8
x
1
+ 2x
2
4
x
1
,x
2
0

Tres rectas cruzan el optimo. Como ste es un problema bidimensional, se dice que el punto esta
ms que determinado (o sobredeterminado), ya que solo necesitamos dos rectas para
identificarlo. Por este motivo, concluimos que una de las restricciones es redundante.
Desafortunadamente no existen tcnicas confiables para identificar restricciones redundantes
directamente a partir de la tabla.


Desde el punto de vista terico, la degeneracin tiene dos implicaciones. La primera tiene que
ver con el fenmeno del ciclaje o reciclaje. Si se observan las iteraciones 1 y 2 de la tabla 3-2, se
ver que el valor de la funcin objetivo no ha mejorado (z=18). Por lo tanto, es posible, en
trminos generales, que el procedimiento simplex repetira la misma sucesin de iteraciones, sin
mejorar nunca el valor de la funcin objetivo ni poner fin a los clculos.
El segundo punto terico se presenta en el examen de las iteraciones 1 y 2. Ambas iteraciones,
pese a diferir en la clasificacin de las variables como bsicas y no bsicas, producen valores
idnticos de todas las variables y el valor de la funcin 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 clculos en
la iteracin 1 (cuando aparece la degeneracin), aunque no es ptima. Este argumento no es
vlido porque, en general, una solucin puede ser temporalmente degenerada.
OPCIONES OPTIMAS:
Cuando la funcin objetivo es paralela a una restriccin de enlace (o sea, una restriccin que se
satisface en el sentido de la igualdad a travs de la solucin ptima), la funcin objetivo tomara el
mismo valor optimo en ms de un punto de solucin. Por esta razn reciben el nombre de
opciones optimas.
Ejemplo (Infinidad de soluciones)
Maximizar z = 2x1 + 4x2
Sujeto a
x
1
+ x
2
5
x
1
+ x
2
4
x
1
, x
2
0
En trminos algebraicos sabemos que el mtodo simplex es capaz de encontrar soluciones en
puntos extremos exclusivamente.









Como es de esperarse, el mtodo simplex slo determina los puntos extremos B y C.
Matemticamente podemos determinar todos los puntos (x1, x2), del segmento de recta BC,
como un promedio ponderado no negativo de los puntos B y C. Esto es, dada la relacin 0
1 y










SOLUCION NO ACOTADA
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 de
soluciones es no acotado cuando menos en una direccin. Como resultado, el valor de la funcin
objetivo puede crecer (caso de maximizacin) o de crecer (caso de minimizacin) en forma
indefinida. En este caso decimos que el espacio de soluciones y el valor "ptimo" de la funcin
objetivo son no acotados.
La falta de explicacin en un modelo puede sealar solo una cosa: el modelo est mal construido.
Evidentemente resulta irracional hacer que un modelo produzca una ganancia " infinita". Las
irregularidades mas probables en estos modelos son: 1) N ose toman en cuenta una mas
restricciones redundantes, y 2) No se determinan correctamente los parmetros ( constantes ) de
algunas restricciones.
La regla general para reconocer la falta de acotacin es la siguiente. Sien cualquier iteracin los
coeficientes de las restricciones de una variable no bsica son no positivos, entonces el espacio de
soluciones no esta acotado en esa direccin. Adems, si el coeficiente de la funcin objetivo de
esa variable en el caso de la maximizacin o positivo en el caso de la minimizacin, entonces el
valor de la funcin objetivo tampoco esta acotado.
Ejemplo (Funcin objetivo no acotada)
Maximizar z = 2x1 + x2
Sujeto a
x
1
- x
2
10
2x
1
40
x
1,
x
2
0
Iteracin inicial

En la tabla inicial x1 y x2 son los candidatos para entrar en la solucin. Como x1 tiene el
coeficiente ms negativo. Normalmente se selecciona como la variable que entra. Sin embargo,
ntese 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, aumentar z en 1, un incremento
infinito en x2 tambin dar lugar a un incremento infinito en z. Por lo tanto, concluimos que el
problema no tiene solucin acotada. Este resultado se puede apreciar en la figura 3-6. El espacio
de soluciones no est acotado en la direccin de x2 y el valor de z
puede crecer en forma indefinida.
La regla general para reconocer la falta de acotacin es la siguiente. Si
en cualquier iteracin los coeficientes de las restricciones de una
variable no bsica son no positivos, entonces el espacio de soluciones
no est acotado en esa direccin. Adems, si el coeficiente de la
funcin objetivo de esa variable es negativo en el caso de la
maximizacin o positivo en el caso de la minimizacin, entonces el
valor de la funcin objetivo est acotado.

SOLUCION INFACTIBLE
Si las restricciones no se pueden satisfacer en forma simultanea, se dice que el modelo no tiene
solucin factible. Esta situacin 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 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 toman medidas (a travs del uso de la
penalizacin) para hacer que las variables artificiales sean cero en el nivel ptimo, esto slo puede
ocurrir si el modelo tiene un espacio factible. Si no lo tiene, cuando menos una variable artificial
ser positiva en la iteracin ptima. Esta es nuestra indicacin que el problema no tiene solucin
factible.
Desde el punto de vista practico un espacio infactible 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 simultanea, 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 solucin infactible
Maximizar z = 3x1 + 2x2
Sujeto a

2x
1
+ x
2
2
3x
1
+ 4x
2
12
x
1,
x
2
0
Las iteraciones simplex de la tabla 3-4 muestran que la variable artificial R es positiva (= 4) en la
solucin ptima. Esta es una indicacin de que el espacio de soluciones es infactible. La figura 3-7
muestra el espacio de soluciones infactible.
El mtodo simplex, haciendo posible que la variable artificial sea positiva, ha invertido en esencia
la direccin de la desigualdad de 3x1 + 4x2 12 a 3x1 + 4x2 12. El resultado lo podemos
llamar la solucin pseudoptima, como se muestra en la figura 3-7.