1. Consultar sobre el mtodo simplex de dos fases y hacer un ejemplo.

El Mtodo de las Dos Fases es una variante del algoritmo simple que es usado
como alternativa al Mtodo de la Gran M, donde se evita el uso de la constante
M para las variables artificiales.
Metodologa.
Fase 1.
Se considera un problema auxiliar que resulta de agregar tantas variables
auxiliares a las restricciones del problema, de modo de obtener una solucin
bsica factible. Resolver por Simplex un nuevo problema que considera como
funcin objetivo la suma de las variables auxiliares. Si el valor ptimo es cero ir
a la Fase 2. En caso contrario, no existe solucin factible.
Fase 2.
Resolver por Simplex el problema original a partir de la solucin bsica factible
hallada en la Fase1.
Algunos casos especiales.
1) Problema Infactible. Esta situacin se detecta cuando el valor ptimo del
problema de la Fase 1 da mayor que cero.
2) Mltiples soluciones ptimas. Esta situacin se detecta cuando existen
costos reducidos iguales a cero en una o ms de las variables bsicas ptimas.
2) Problema no acotado. Esta situacin se detecta cuando al realizar el
clculo de la variable que deja la base, todos los elementos ykj de la
columna j en la tabla, son negativos para j el ndice de una variable no
bsica con costo reducido negativo.
Ejemplo.

Se agregan a las restricciones las variables artificiales necesarias

(exactamente como en el mtodo M) para asegurara una solucin
bsica de inicio.
Minimizar:

Sujeto a:

Minimizamos la funcin Z que es la que contiene la suma de las

variables artificiales; restamos nuestra funcin Z con las restricciones
que contienen las variables artificiales para as eliminarlas y este
resultado ser el que se pondr en la primera fila para la tabla con la
que se inicia la fase I, y se comienza la eliminacin gaussiana.

V. Bsica

V. Bsica

-1
0
0

E.N

0
1
2

X1

-5
2
3

E.N

X2

-4
1
3

X1

-8
3
5

X2

0
1
0

X3

X5

1
0
-1

LD
-180
60
120

0
0
1

X5

-1

LD
-20

X3

20

-1

20

V. Bsica

E.N

X1

X2

X3

0
1

X3

-1
0

0
0

0
1

X2

X3

X5

LD
0
15
15

Como mnimo de Z=0 la fase I produce la solucin bsica factible X3 =

15, X2 =15. Llegados a este punto las variables artificiales ya cumplieron
su misin y se puede eliminar de la tabla por completo y pasar a la
segunda fase.

V. Bsica

E.N

X1

X2

X3

0
1

X3

-1
0

0
0

0
1

X2

X5

LD
0

0
15
15

Despus de eliminar las columnas artificiales el problema original se

escribe as:
Minimizar:
Sujeta a:

Se sustituye en Z la funcin objetivo para la fase II , La tabla asociada a la

fase II es por consiguiente:
V. Bsica

E.N

X1

X2

X3

0
1

X3

-1
0

2
0

4
1

X2

V. Bsica

E.N

-1

X3

X1

LD
0

0
15
15

X2

X3

LD
-30

15

X2

15

V. Bsica

E.N

X2

X3

X1

X5

X5

X5

LD

-1

-90

X3

15

X2

15

La solucin optima es

X1 = 0, X2 =15 y X3 =15, con z mnima de 90.

2. Ejercicio 4.6.4. de Hiller sptima edicin.

Minimizar:
+
Sujeto a:

Primero se adicionan las restricciones, las variables artificiales necesarias para

asegurar una solucin bsica de inicio.
Minimizar:
+
Sujeto a:

Minimizamos la funcin Z que es la que contiene la suma de las variables

artificiales; restamos nuestra funcin Z con las restricciones que contienen las
variables artificiales para as eliminarlas y este resultado ser el que se pondr en
la primera fila para la tabla con la que se inicia la fase I, y se comienza la
eliminacin gaussiana.

Fase 1.
Minimizar

Sujeto a:

Como mnimo de Z=0 la fase I produce la solucin bsica factible X1 =0.8, X2 =1.8.
Llegados a este punto las variables artificiales ya cumplieron su misin y se
pueden eliminar de la tabla por completo y pasar a la segunda fase.
Fase 2.
Minimizar:
+
Sujeto a:

V. Bsica

X1

X2

1
0
0

X2
X1
V. Bsica

2
0
1
X1

X2

1
0
0

X2
X1

V. Bsica

X3

1
0,6
-0,4
X3

2
0
1

X4

3
1
0

X1

X2

0
0,1
-0,4

X4

0
1
0

-0,9
-0,3
0,2

X4

0
1,8
0,8
LD

X6

0,8
0,6
-0,4

X3

LD

X6

0
-0,3
0,2

-0,3
0,1
-0,4

-5,4
1,8
0,8

LD

X6

0,5

0,5

-7

X2

0,6

-0,3

0,1

1,8

X1

-0,4

0,2

-0,4

0,8

Solucin.
X1=0,8; X2=1,8; y X3=0 con un Z =7
3. Ejercicios 3.44 del libro taha sptima edicin. (7 y 8.)

a. Minimizar:

Sujeto a:

Se adicionan las restricciones, las variables artificiales necesarias para asegurar

una solucin bsica de inicio.
-Max(-z) = Min(z).

Sujeto a:

Minimizamos la funcin Z que es la que contiene la suma de las variables

artificiales; restamos nuestra funcin Z con las restricciones que contienen las
variables artificiales para as eliminarlas.

Este resultado ser el que se pondr en la primera fila para la tabla con la que se
inicia la fase I, y se comienza la eliminacin gaussiana.
Fase1.
V. Bsica

X1

X2

X3

X4

X5

-3
1
2

-5
4
1

-1
1
0

-1
0
1

1
-1
0

V. Bsica

X1

X2

X3

X4

X5

-7/4
1/4
7/4

0
1
0

-1/4
0
0

-1
0
1

-1/4
-1/4
1/4

V. Bsica

X1

X2

X3

X4

X5

0
0
1

0
1
0

2/7
-1/7

0
-1/7
4/7

0
-1/4
1/4

X2

X2
X1

0
1
0

5/4
1/4
-1/4

1
2/7
-1/7

X7

1
0
-1

X7

1
0
-1

X7

0
1/7
-4/7

0
0
1

LD
-17
7
-10

0
0
1

LD
-33/4
-7/4
33/4

1
-11/7
4/7

LD
0
4/7
33/7

Como mnimo de Z=0 la fase I produce la solucin bsica factible X1 =33/7, X2

=4/7. Llegados a este punto las variables artificiales ya cumplieron su misin y se
pueden eliminar de la tabla por completo y pasar a la segunda fase.
Fase 2.
Min (z).

Sujeto a:

V. Bsica

X1

X2

X3

X4

X5

X7

-3
0
1

-2
1
0

-3
2/7
-1/7

0
1/7
4/7

0
-1/4
1/4

0
1/7
-4/7

X2
X1

V. Bsica

X1

X2

X3

X4

X5

X7

Z
X2
X1

0
0
1

0
1
0

20/7
2/7
-1/7

-10/7
-1/7
4/7

1/7
-2/7
-4/7

10/7
1/7
-4/7

V. Bsica

X1

X2

X3

X4

X5

X7

0
0
1

0
1
0

5/2
1/4
-1/4

0
0
1

1/2
1/4
1/4

0
0
-1

X2
X4

Solucin.
X2 = 7/4, X4 = 33/4. Con un Z = -7/2
b. Maximizar:
Sujeto a:

Transformamos el modelo para iniciar la fase i

Min (Z) = X4 + X5
Sujeto a:

LD
0
4/7
33/7

LD
-107/7
4/7
33/7

LD
-7/2
7/4
33/4

X1 + 2X2 + X3 + X4 = 3
2X1 X 2 + X5 = 4
Ahora convertimos el modelo de la siguiente forma

Reemplazando en la tabla tenemos:

FASE I
Z
x4
x5

Z
x4
x1

Z
x2
x1

X1

X2

X3

X4

X5

LD

-3

-1

-1

-7

-1

X1

X2

X3

X4

X5

LD

-2,5

-1

1,5

-1

-1

X1

X2

X3

X4

X5

LD

-1

-1

2/5

2/5

2/5

2/5

1/5

1/5

1/5

2,2

Como la solucin de la primera fase nos dio como resulto Z = 0 procedemos al

fase 2.
FASE II
Z
x2
x1

Z
x2
x1

X1

X2

X3

LD

-1

-5

-3

2/5

2/5

1/5

2,2

X1

X2

X3

LD

-1

-1

2/5

2/5

1/5

2,2

X1

X2

X3

LD

-0,8

4,20

X2

2/5

2/5

x1

1/5

2,2

Z
x3
x1

X1
0
0
1

X2
0
1
0

X3
0
1
0

LD
5
2/5
4/5

La solucin optima que maximiza la funcin es x1=2/5 y x3=4/5 que da como

resultado a z=5

4. Ejercicios 3.4B del libro taha sptima edicin.

Maximizar:
Sujeto a:

Se adicionan las restricciones, las variables artificiales necesarias para asegurar

una solucin bsica de inicio.
Maximizar:
Sujeto a:

Maximizar la funcin Z que es la que contiene la suma de las variables artificiales;

restamos nuestra funcin Z con las restricciones que contienen las variables
artificiales para as eliminarlas y este resultado ser el que se pondr en la primera
fila para la tabla con la que se inicia la fase I, y se comienza la eliminacin
gaussiana.

Fase 1.
Maximizar:

Sujeto a:

Fase 2.
Maximizar:

Sujeto a:

V. Bsica

1
0
0

X2
X1

V. Bsica

X1

X2

-2
0
1

X1

X3

-2
1
0

X2

X4

-4
0,2
0,4

X3

LD

X5

0
-0,6
0,8

X4

0
-0,4
0,2

0
2
0

LD

X5

-2,8

0,4

-0,4

X2

0,2

-0,6

-0,4

X3

0,4

0,8

0,2

V. Bsica

Z
X2
X3

X1

7
0
0

X2

0
0
1

X3

0
1
0

X4

-2,8
0,2
2,5

LD

X5

0,4
-0,6
0,8

-0,4
-0,4
0,2

Solucin:
x1=0,; x2=2 ; y x3=0 con un z =4.
5. Ejercicios 3 y 4 de la seccin 4.12 grupo A del libro de investigacin de
operaciones de Wiston Wayney.
a. Maximizar:
Sujeto a:

Se agregan a las restricciones las variables artificiales necesarias para asegurar

una solucin bsica de inicio.
Maximizar:

Sujeto a:

4
2
0

Maximizamos la funcin Z que es la que contiene la suma de las variables

artificiales; restamos nuestra funcin Z con las restricciones que contienen las
variables artificiales para as eliminarlas y este resultado ser el que se pondr en
la primera fila para la tabla con la que se inicia la fase I, y se comienza la
eliminacin gaussiana.

Fase 1.
Maximizar.

Sujeto a:

V. Bsica

V. Bsica

X1

-4
1
2
1

X1

X2

X3

-3
1
1
1

1
-1
0
0

0
1
0
0

X2

X3

-1

X5

X6
0
0
1
0

0
0
0
1

1
0
-1
0

X5

LD
-10
3
4
3

LD
-2

-1

1/2

-1/2

-1/2

1/2

V. Bsica

X1

X2

X3

0
0
0

1
-1
0

1/2

-1/2

0
0
-1

1
0
1

2
-1
-1

-1

X5

LD
0
0
1
2

Como mnimo de Z=0 la fase I produce la solucin bsica factible X1 = 1, X2 =2.

Llegados a este punto las variables artificiales ya cumplieron su misin y se
pueden eliminar de la tabla por completo y pasar a la segunda fase.
Fase 2.
Maximizar.
Sujeto a:

V. Bsica

X1
X2
V. Bsica

X1
X2
V. Bsica

X1
X2

X1

-3
0
1
0

X2

0
0
0
1
X1

0
0
1
0

0
-1
0
0
X2

-1
0
0
1
X1

0
0
1
0

X3

0
0
-1
1
X3

1
-1
0
0
X2

0
0
0
1

X5

-3
0
-1
1
X3

-1
-1
0
0

X5

X5

-2
0
-1
1

LD
0
0
1
2
LD
3
0
1
2
LD
5
0
1
2

La solucin ptima es

X1 = 1, X2 =2 con z mnima de 5.

b. Minimizar

Sujeto a:
2

Se agregan a las restricciones las variables artificiales necesarias para asegurar

una solucin bsica de inicio.

Minimizar

Sujeto a:

Minimizamos la funcin Z que es la que contiene la suma de las variables

artificiales; restamos nuestra funcin Z con las restricciones que contienen las
variables artificiales para as eliminarlas y este resultado ser el que se pondr en
la primera fila para la tabla con la que se inicia la fase I, y se comienza la
eliminacin gaussiana.

V. Bsica

X1

-5
2
3

V. Bsica

X1

0
0
1

X2

-3
1
2
X2

9/2
-2
3/2

X3

1
-1
0

0
1
0

X3

1
-1
0

0
1
0

0
0
1

5/3
-2/3
10/3

LD
-10
6
4
LD
-10/3
10/3
4/3

El problema no tiene solucin factible.

6. Que es el mtodo simplex condesado con un ejemplo.
Simplex condensado.
Esta tcnica permite darle solucin a los problemas de programacin lineal
tomando como base las tablas originales y haciendo intercambio fsico de
variables.

Desarrollo de la tcnica. Este mtodo es semejante al aplicado

anteriormente.
Formulacin del modelo. Se define las variables de decisin (x i), la
funcin objetivo (f(xi)), y las restricciones (g(xi) Bi y xi 0), para i =
1,2,...n.
Romper desigualdades.
Las desigualdades se rompen con Si.
Las desigualdades
se rompen con SI +AI.
Las igualdades se rompen con +AI.

Formulacin de un modelo de programacin lineal.

Nota: las variables que van en la columna de VB no se colocan en la fila

donde esta Ci por lo cual hay un intercambio fsico de variables.
Determinacin de la celda pivote.

Seleccionar la columna pivote a partir del Ci ZI ms alejado del cero

positivo, para problemas de maximizacin, y ms alejado del cero negativo
para problemas minimizacin.

Seleccionar la fila pivote a partir del i mas cercano a 0 para cualquier

criterio de optimizacin.
En la intercepcin de la columna y la fila pivote se encuentra la celda
pivote.
Intercambio fsico de variables.
Se introduce a la base la variable correspondiente a la columna pivote en el
puesto donde est la fila pivote, y esta, a su vez, pasa a ser variable no
bsica.

El procedimiento en esta etapa es el siguiente.

En la celda pivote de la siguiente tabla se coloca el inverso del numero
correspondiente a esta.
Las variables por encima y por debajo de la nueva celda pivote se estima
con la formula (1) y los demas elementos con la formula (2).
EO + ECP(Fi) = 0 (1)
FO + FP(Fi) = NF (2)

Dnde.
EO: elemento original.
ECP: elemento de la celda pivote.
Fi : factor (Fi) que hace cero el valor original
FO: fila original.
NF: nueva fila.
FP: fila pivote.
Estimar los valores de Ci ZI. el proceso simplex condensado se termina
cuando todos los Ci Zi sean negativos, en problema de maximizacin, y
positivo en problemas de minimizacin. En caso contrario se repite
Ejemplo.
Minimizar:
Sujeto a:
25

Anlisis.
Estandarizacin del modelo.
- Convertir las inecuaciones en ecuaciones:

Sujeto a:
25

La tabulacin del problema: se realiza teniendo en cuenta los pasos

explicados anteriormente.
Hacer un seguimiento cuidadoso del problema en el cual se explique con
detalle la forma como se desarrolla este.

Ci
M
M
M

VB
A1
A2
A3
Zj
Cj-Zj

Ci
Bi

3
X1

25
10
6
41M
-

0.1
0.1
0.3
0.5M
3-0.5M

Tabla inicial
2
0
X2
S1

0
S2

0
S3

0.2
0.3
0
0.5M
2-0.5M

0
-1
0
-M
M

0
0
-1
-M
M

-1
0
0
-M
M

125
33.33
-

Iteracin 1.

Ci
M
2
M

VB
A1
X2
A3
Zj

Ci
Bi

3
X1

M
A2

0
S1

0
S2

0
S3

18.33
33.33
6
66.67+24.3M

0.03
0.33
0.3
0.67+0.3M

-1
0
0
0-M

2.33-0.3M

0.67
-3.33
0
6.67+0.7M
6.67-0.7M

0
0
-1
0-M

Cj-Zj

-0.67
3.33
0
6.670.7M
1.7M6.67

27.5
-

Iteracin 2

Ci
M
2
M

VB
S1
X2
A3
Zj
Cj-Zj

Ci
Bi

3
X1

M
A2

0
S1

0
A2

0
S3

27.5
125
6
250+6M
-

0.05
0.5
0.3
1+0.3M
2-0.3M

-1
0
0
0
M

-1.5
-5
0
-10
10

1.5
5
0
-10
M-10

0
0
-1
-M
M

550
250
20

Iteracin 3

Ci
0
2
3

VB
S1
X2
X1
Zj
Cj-Zj

Ci
Bi

M
A3

M
A2

0
S1

M
A1

0
S3

26.5
115
20
290
-

-0.17
-1.67
3.33
6.67
M-6.67

-1
0
0
0
M

-1.5
-5
0
-10
10

1.5
5
0
-10
M-10

0.17
1.67
-3.33
-6.67
6.67

550
250
20

Tabla optima.
Conclusin. Para minimizar la funcin, los valores ptimos obtenidos son:
X1 = 20.
X2 = 115.
Como resultado de la funcin objetivo se tiene:
Z(min) = 3X1 + 2X2 = 3(20) + 2(115)
Z(min) = 290.

TRABAJO DE OPERACIONES
MTODO DE LAS DOS FASES Y SIMPLEX CONDENSADO

ALEXA MISATH
LINA REYES
ISIS GMEZ GONZLEZ
LINA VILLADIEGO GONZLEZ
LAURA BOCANEGRA

ING. ESP JAIRO DANIEL OCHOA GUERRA

UNIVERSIDAD DE CRDOBA
FACULTAD DE INGENIERAS
PROGRAMA DE INGENIERA INDUSTRIAL
MONTERIA
2012