MTODO SIMPLEX DE DANTZIG

CONCEPTOS GENERALES DE OPTIMIZACION

La optimizacin, tambin denominada programacin matemtica, consiste en la seleccin de una

alternativa mejor, en algn sentido que las dems alternativas posibles.
La Programacin Matemtica, en general, aborda el problema de determinar asignaciones
ptimas de recursos limitados para cumplir un objetivo dado. Los recursos pueden corresponder,
por ejemplo, a personas, materiales, dinero o terrenos. Entre todas las asignaciones de recursos
admisibles, queremos encontrar las que maximizan o minimizan alguna cantidad numrica tal
como ganancias o costos.
El objetivo de la optirnzaci 5n global es encontrar la mejor solucin de modelos de decisiones
difciles, frente alas mltiples soluciones locales.
Los problemas de optimizacin se componen generalmente de estos tres ingredientes:

Funcin objetivo

Es la medida cuantitativa de funcionamiento del sistema que se desea optimizar (maximizas

o minimizar). Como ejemplo de funciones objetivo se pueden mencionar: la minimizacin
de los costos variables de operacin de un sistema elctrico, la maximizacin de los
beneficios netos de venta de ciertos productos, la minimizacin del cuadrado de las
desviaciones con respecto a unos valores observados, la minimizacin del material utilizado
en la fabricacin de un producto, etc.

Variables

Representan las decisiones que se pueden tomar para afectar el valor de la funcin objetivo.
Desde un punto de vista funcional se pueden clasificar en variables independientes o
principales o principales o de control y variables dependientes o auxiliares o de estado,
aunque matemticamente todas son iguales. En el caso de un sistema elctrico sern los
valores de produccin de los grupos de generacin o los flujos por las lneas.

Restricciones

Representan el conjunto de relaciones (expresadas mediante ecuaciones e inecuaciones) que

ciertas variables estn obligadas a satisfacer. Por ejemplo, la potencia mxima y mnima de
operacin de un grupo de generacin, la capacidad de produccin de la fbrica para los
diferentes productos, las dimensiones del material bruto del producto, etc.

Resolver un problema de optimizacin consiste en encontrar el valor que deben tomar las
variables para hacer ptima la funcin objetivo satisfaciendo el conjunto de restricciones.

Existen algunos tipos de problemas de optimizacin que alteran ligeramente este esquema:

Sistemas de ecuaciones no lineales

No existe una funcin objetivo como tal. nicamente interesa encontrar una solucin
factible a un problema con un conjunto de restricciones.
 Optimizacin sin restricciones

Se trata de encontrar el conjunto de valores de las variables que determinan el mnimo o el

mximo de una funcin. Algunas de las tcnicas que se vern en programacin no lineal son
para optimizacin sin restricciones.

Optimizacin multi-objetivo

Existe ms de una funcin objetivo. El problema que se plantea es como tratar varias
funciones objetivo a la vez, teniendo en cuenta que el ptimo para un objetivo no lo es para
otro, son objetivos en conflicto entre s.

Desde la dcada de los 40 se ha realizado mucha investigacin sobre mtodos para encontrar
soluciones a problemas de optimizacin, los cuales pueden ser de dos tipos:
a) Continuos: Son aquellos cuyas variables son continuas.
b) Discretos: Son aquellos cuyas variables son discretas.

Otra clasificacin es:

a) Problemas continuos.
b) Problemas combinatorios.

En los combinatorios, se busca algn objeto dentro de un conjunto finito (por lo general
contable); dicho conjunto finito es tpicamente un conjunto de enteros, permutaciones o grafos.

Los problemas continuos y discretos son de naturaleza distinta, de modo que los mtodos para
resolverlos lo son tambin, a grado tal que con frecuencia mtodos de un rea son totalmente
desconocidos en la otra.
Sin embargo, recientemente, se han hecho esfuerzos de unir mtodos de las dos reas. Aqu
acentuaremos nuestro anlisis en las tcnicas de Optimizacin.
Combinatoria, sin embargo, veremos algunos principios de Optimizacin Continua.

PROGRAMACION LINEAL

La programacin lineal muchas veces es uno de los temas preferidos tanto de profesores como
de alumnos. La capacidad de introducir la PL utilizando un abordaje grfico, la facilidad relativa
del mtodo de solucin, la gran disponibilidad de paquetes de software de PL y la amplia gama
de aplicaciones hacen que la PL sea accesible incluso para estudiantes con poco conocimiento de
matemtica. Adems, la PL brinda una excelente oportunidad para presentar la idea del anlisis
what-if o anlisis de hiptesis ya que se han desarrollado herramientas poderosas para el anlisis
de post optimalidad para el modelo de PL.

La Programacin Lineal (PL) es un procedimiento matemtico para determinar la asignacin

ptima de recursos escasos. La PL es un procedimiento que encuentra su aplicacin prctica en
casi todas las facetas de los negocios, desde la publicidad hasta la planificacin de la produccin.
Problemas de transporte, distribucin, y planificacin global de la produccin son los objetos
ms comunes del anlisis de PL. La industria petrolera
3. Las restricciones tambin deben ser lineales las cuales deben adoptar algunas de las siguientes
formas (es decir que la restricciones de PL estn siempre cerradas).

Cada actividad consume o probablemente contribuye cantidades adicionales de recursos.

Debe haber una funcin objetivo, es decir, una manera de discriminar una mala de una buena o
una mejor decisin. El problema es determinar la mejor combinacin de niveles de actividades,
que no utilice ms recursos de los disponibles.

Mtodo simplex

Es un algoritmo de solucin muy utilizado para resolver programas lineales.

Que es un algoritmo?

Un algoritmo es una serie de pasos para cumplir con una tarea determinada.

Proceso de formulacin de un problema de PL y su aplicacin:

Para formular un problema de PL, se recomienda seguir los siguientes lineamientos despus de
leer con atencin el enunciado del problema varas veces:
Todo programa lineal consta de cuatro partes:

1. Conjunto de variables de decisin.

2. Los parmetros.
3. La funcin objetivo.
4. Conjunto de restricciones.

Pasos:

Definir las variables de decisin con precisin utilizando nombres descriptivos, ya que sern las
actividades o entradas controlables.
Definir los parmetros de entrada, por lo general son los valores constantes dados, estos son las
entradas no controlables.

MTODO SIMPLEX

Es una tcnica iterativa que comienza con una solucin bsica viable para las ecuaciones de

restricciones y emplea el procedimiento de eliminacin de Gauss Jordan para calcular una

mejor solucin bsica viable. Si el problema no tiene una solucin ptima, el mtodo lo sealar.
La optimizacin toma en cuenta el aspecto tcnico y el aspecto econmico:

Recursos
Demanda
parece ser el usuario ms frecuente de la PL. Un gerente de procesamiento de datos de una
importante empresa petrolera recientemente calcul que del 5% al 10% del tiempo de
procesamiento informtico de la empresa es destinado al procesamiento de modelos de PL y
similares.

La programacin lineal aborda una clase de problemas de programacin donde tanto la funcin
objetivo a optimizar como todas las relaciones entre las variables correspondientes a los recursos
son lineales. Este problema fue formulado y resuelto por primera vez a Emes de la dcada del
40. Rara vez una nueva tcnica matemtica encuentra una gama tan diversa de aplicaciones
prcticas de negocios, comerciales e industriales y a la vez recibe un desarrollo terico tan
exhaustivo en un perodo tan corto. Hoy en da, esta teora se aplica con xito a problemas de
presupuestos de capital, diseo de dietas, conservacin de recursos, juegos de estrategias,
prediccin de crecimiento econmico y sistemas de transporte. Recientemente la teora de la
programacin lineal tambin contribuy a la resolucin y unificacin de diversas aplicaciones.

Es importante que el lector entienda desde el comienzo que el trmino programacin tiene un
significado distinto cuando se refiere a Programacin Lineal que cuando hablamos de
Programacin Informtica. En el primer caso, significa planificar y organizar mientras que en el
segundo caso, significa escribir las instrucciones para realizar clculos. La capacitacin en una
clase de programacin tiene muy poca relevancia directa con la otra clase de programacin. De
hecho, el trmino programacin lineal se acu antes de que la palabra programacin se
relacionara con el software de computacin. A veces se evita esta confusin utilizando el trmino
optimizacin lineal como sinnimo de programacin lineal.

Cualquier problema de PL consta de una funcin objetivo y un conjunto de restricciones. En la

mayora de los casos, las restricciones provienen del entorno en el cual usted trabaja para lograr
su objetivo. Cuando usted quiere lograr el objetivo deseado, se dar cuenta de que el entorno fija
ciertas restricciones (es decir, dificultades, limitaciones) para cumplir con su deseo (vale decir, el
objetivo). Es por eso que las religiones, como el Budismo entre otras, prescriben vivir una vida
abstemia. Sin deseo, no hay dolor. Puede usted seguir este consejo con respecto a su objetivo de
negocios?

Qu es una funcin:

Una funcin traza, traduce el dominio de entrada (denominado regin factible) en un rango
de salida con dos valores finales denominados valores mximo y mnimo.

Cuando se formula un problema de toma de decisiones como un programa lineal, se deben

verificar las siguientes condiciones:

1. La funcin objetivo debe ser lineal, vale decir que se debe verificar que todas las
variables estn elevadas a la primera potencia.

2. El objetivo debe ser ya sea la maximizacin o minimizacin de una funcin lineal.

Restricciones: Son condiciones dadas para resolver problemas:
C1 1X1 + C12X2 + C13X3 + C13X13 = b
C21X1 + C22X2 + C23X3 + .C13X13 = b2
C31X1 + C32X2 + C33X3 + C13X13 = b3
a a a
a a
a a a
a a a a

Cm1X1+Cm2X2+Cm3X3+.. CmnXn = bm

Funcin a optimizar:

z=C X +C X +C X +. C X
1 2 2 2 3 3 n n

El objetivo del mtodo es tratar de hacer el valor de Z lo mas grande posible K maximizacin .

El algoritmo simplex da inicio en el origen que suele llamarse solucin inicial. Despus se
desplaza a un punto extremo adyacente. La eleccin especfica de uno a otro depende de los
coeficientes de la funcin objetivo hasta encontrar el punto ptimo.

Existen reglas que rigen la seleccin del siguiente punto extremo del mtodo simplex:

Al aplicar la condicin para optimizar la tabla inicial seleccionamos a X, como la variable que
entra. En este punto la variable que sale debe ser una de las variables artificiales.

Pasos del mtodo Simplex:

Paso 1. Definir la funcin objetivo que debe optimizarse en funcin de las variables de
decisin
Paso 2. Definir las limitaciones del problema en funcin de las desigualdades
Paso 3. Convertir las desigualdades en ecuaciones sumando variables de holgura
Paso 4. Conformar una matriz insertando la funcin Z
Paso 5. Determinar la columna clave (que viene a ser el coeficiente mayor positivo)
Paso 6. Determinar la fila clave (que viene a ser la restriccin ms cercana al eje de
coordenadas)
Paso 7. Determinar el nmero clave (ste es el que se encuentra en la interseccin de la
columna clave y la fila clave)
Paso 8. Realizar operaciones de fila y columna hasta convertir la columna clave en un vector
unitario (se debe incluir en el proceso la funcin objetivo)
Paso 9. Repetir el proceso hasta que los coeficientes de la funcin objetivo sean cero O
negativo.

Ejemplo:

Consideremos una pequea industria de metal mecnica que construye varios tipos de
carroceras para autobuses. Normalmente el taller trabaja 5 meses en forma continua y dedica un
mes reacondicionar sus equipos. Cada seccin tiene un lmite de trabajo por lo tanto un tiempo
de trabajo unitario, datos que se muestran en las tablas:
Seccin A B C
C

Cortado y modelado Ensamblado de piezas Acabado de pintura

Lmite de. trabajo (hrs) 756 432 300

TIEMPOS DE TRABAJO UNITARIO

Seccin A B C
Carrocera grande 20 10 9
Carrocera e uea 10 10 3

El valor unitario dc las carroceras es dc 15000 $ para carroceras grandes y 10000 $ para
carroceras pequeas
En estas condiciones determinaremos la cantidad de carroceras a producir

Solucin:

z = 15000x1+10000x2
20X1 + 10X2<756
10X1 10X2 <432
5X1 3X2<300

Donde Xl Carrocera grande

X2 = Carrocera pequea

Xi X2 UI U2 U3 bi
20 10 1 0 0 756
l0 l0 0 1 0 432
5 3 0 0 1 300
15000 100000 0 0 0

Xl X2 UI U2 U3 bi

1 0.5 0.05 0 0 37.8 f12

0 5 - 0.5 1 0 54 f2-10f1
0 0.5. -0.25 0 1 111 f3-5f1
0 2500 -750 0 0 567000 f4-15000f1

Xi X2 U! U2 U3 bi
1 0 0.1 -0.1 0 32.4 fI-f2/2
0 1 -0.1 0.2 0 10.8 f2/5
o 0 -0.2 -0.1 1 105.6 f3-fT2/2
o 0 -500 -500 0 -594000 14-2500f2
Por tanto:
Xl =32.4
X2 = 10.8
Z=594000 $(valor absoluto)

Ejemplo 1

Examinemos el pequeo caso de una fbrica de cermica que produce dos tipos diferentes de
ladrillo esmaltado cuya produccin se encuentra limitada por la escasez de algunas materias
primas.
Los ingredientes escasos son tres tipos de esmaltes (A, B, C). La proporcin en el cual entran los
esmaltes dependen del tipo de producto (M, N) las existencias actuales de esmaltes son las
siguientes. Esmalte A 432 Lb. esmalte B 400 Lb. esmalte C 360 Lb.
En la elaboracin de un lote de mil unidades de la variedad M se utilizan 27 Lb. esmalte A 16
Lb. de B y 20 Lb. de C en el producto N utilizan 16 Lb. de A, 25 Lb. de B y 18 Lb. de C. La
ganancia por lote de producto es M = 260 Bs. y N = 340 Bs. Determinar la cantidad optima de
productos a producir y el costo total.

A = 432 A = 27 A = 16
B = 400 B = 16 B = 25
C = 360 C = 20 C = 18
M = 260
N = 348

Solucin Analtica:

Realizando el 10 paso tenemos:

Z = 260X1 + 348X2

Realizando el 2 paso tenemos:

27X1 + 16X2 < 432
16X + 25X2 < 400
20X + 18X2 < 360

Realizando el 3 paso tenemos:

27X1 +16X2 +U1 =432
I6X~ + 25X2 + U2 400
20X~ +18X2 +U3 =360

Realizando el 40, 50 60 y 70 paso tenemos :(Mtodo de Gauss-Jordn)

U1 U2 U3 bi
27 16 1 0 0 432
16 25 0 1 0 400/25
20 18 0 0 1 360
260 348 0 0 0 0 Fila Z
kkk

Ahora debemos convenir en ceros la columna donde esta el vector unitario

X1 X2 U1 U2 U3 bi
(419/25 0 1 -6/25 0 176
(16125) 1 0 1/25 0 16
1 0 0 -9/106 25/212 450/53 (-16/25)
(932/25) 0 0 (-348/25) 0 -5568 (419125)(-932/25)

X1 X2 U1 U2 U3 bi
0 0 1 83/106 419/212) (1786/53)
0 1 0 5/53 -4/53 (560/53)
1 0 0 -9/106 25/212 (450153)
0 0 0 570/53 -233/53 (-311880/53) Fila Z

X1 = (450/53)
X2 = (560/53)
U1 = (1786/53)
U2 =0
U3 =0
Z = (311880/53)

MTODO SIMPLEX REVISADO

El mtodo del simplex bsico, se desarrolla a travs de cada iteracin transformando

completamente una sucesin de tableros al ir cambiando la base, Teniendo en cuenta que muchos
de estos clculos no hacen falta para la determinacin de cada nueva base y basados en el
algoritmo del simplex revisado, el cual es realmente un esquema de ordenacin de los clculos
que se llevan a cabo con el mtodo del simplex bsico, prescindiendo y evitando aquellos que
sean innecesarios en relacin con la solucin final del problema. El inconveniente es que por la
forma en que se lleva a cabo induce a errores en los clculos a mano que el simplex bsico.

En el mtodo simplex revisado partimos como en el bsico, del problema lineal en forma
estndar:

MAXZ = cTx

Sujeta a: Ax = b
 x>0
Dada la base factible B, hay que evaluar si alguna variable no bsica Xj puede entrar a la base
para mejorar la funcin objetivo; para ello utilizamos el costo reducido:

ZjCj = CBTB-1 aj-Cj

El vector CB est formado por los coeficientes de la funcin objetivo de las variables y 13-1 aj
representa el vector aj en trminos de la actual base. El mtodo simplex revisado no cambia los
vectores yj en cada tabla como el bsico, sino que utiliza siempre el vector aj inicial con los
multiplicadores del sinplex.

S=CBTB-1

que si cambian con la base. Es claro que se alcanza una solucin ptima cuando:

ST ajCj>O para todo j

La seleccin de la variable de salida se hace con el mismo criterio que en el simplex bsico:
si Xk es la variable seleccionada para entrar a la base, la columna pivote es 13-1 ak y los valores
actuales de las variables bsicas B-1 b. Se aplica la regla de la mnima razn a estos elementos
quedando as determinada la variable Xr que sale de a base. Finalmente, la nueva matriz bsica
se obtiene sustituyendo la columna ar por la ak en la anterior matriz B.

Ejemplo:

MAXZ = 2X1 +X2 + 3X3

con sus restricciones:

3X1+2 X2+ X3 <7

Xl+3X2+2X3< 8

X1,X2 X3>O

Solucin:

Agregamos variables de holgura X4 y X5 a cada restriccin con coeficientes cero en la funcin

objetivo para tener el problema en la forma estndar, la base inicial 13 y el vector CD son:

1 0 0 1 0 0
B C 1/B= S
0 1 0 0 1 0
 Z1C1=-2; Z2C2=-l; Z3C3=-3
El valor que ms se aleja de cero por la izquierda es Z3 C3 X3 es la variable que entra a la base;

la razn mnima es 8/2, luego S2 es la variable que sale de la base.

Las variables bsicas son ahora (Si, X3) con matriz bsica (sustituyendo a5 por a3):

1 0 1 0.5

B= 1/B =

0 1 0 0.5

CB = (0, 3); 5 = (0, 3/2) y los indicadores de las variables no bsicas son:

Zl CI =3/22 -112; 72 C2 912 -1 = 7/2; 13- C3 3/2

Xl es la variable que entra a la base. Para determinar la variable de salida calculamos: B-1 b = (3,
4) y B-l al = (5i2, 1i2); la razn mnima es 6/5, luego X4 es la variable que sale de la base.

Las variables bsicas son ahora (Xl, X3) y a nueva matriz bsica (reemplazando en la anterior
a4 por al) es:

CB = (2, 3); 5 = (1/5, 7/5) y los indicadores de las variables no bsicas son:

Z2 C2 = 23/5 1 = 18/5; Z4 C4 = 1/5; Z5 C5 = 7/5

y al ser todos positivos se ha alcanzado la optimalidad. La solucin ptima es:

XB = (Xl , X3 )=B-1 b =(1.2,3.4)

Solucin ptima nica:

Xl = 1.2

X2=0

X3=3.4

Si =0

52=0

Z= 12.6
El problema del carpintero.

Durante un par de sesiones de brain-storming con un carpintero, este nos comunica que solo
fabrica mesas y sillas y que vende todas las mesas y las sillas que fabrica en un mercado. Sin
embargo, no tiene un ingreso estable y desea optimizar esta situacin.

El objetivo es determinar cuantas mesas y sillas debera fabricar para maximizar sus ingresos
netos. Comenzamos concentrndonos en un horizonte de tiempo, es decir, un plazo de
planificacin, para revisar nuestra solucin semanalmente si fuera necesario.

El problema del carpintero se trata de determinar cuantas mesas y sillas debe fabricar por
semana; pero primero se debe establecer una funcin objetivo. La funcin objetivo es: 5X1 + 33(3 ,
donde X1 y X2 representan la cantidad de mesas y sillas; 5 y 3 representan los ingresos netos de la
venta de una mesa y una silla, respectivamente.

Se miden los tiempos de produccin requeridos para una mesa y una silla en distintos momentos
del da y se calculan en 2 horas y 1 hora, respectivamente. Las hors laborales totales por semana
son solo 40. La materia prima requerida para una mesa y una silla es de 1 y 2 unidades,
respectivamente. El abastecimiento total de materia prima es de 50 unidades por semana. En
consecuencia, la formulacin de PL es la siguiente:

Maximizar 5X1 y 3X2

Sujeta a: 2 X1 + X2 _ 40 restriccin de mano de obra
X1 + 2 X2 _ 50 restriccin de materiales

Tanto X, corno X2 son no negativas.

Todas las funciones empleadas en este modelo son lineales(las variables de decisin estn
elevadas a le primera potencia). E coeficiente de estas restricciones se denomina Factores
Tecnolgicos (matriz).El periodo de revisin es de tina semana, un periodo conveniente dentro
del cual es menos probable que cambie (flucten) las entradas controlables (todos los parmetros
tales como 5,50,2,...).

Ntese que dado que el carpintero no va a ir a la quiebra al final del plazo de planificacin,
agregamos las condiciones que tanto X1 como X2 deben ser no negativas en lugar de los
requerimientos que X1 y X2 deben ser nmeros enteros positivos. Recuerde que las condiciones
de no negatividad tambin se denominan restricciones implcitas.
Nuevamente, un programa lineal funcionaria bien para este problema si el carpintero continua
fabricando estos productos.