COMPONENTES BÁSICOS DEL

ALGORITMO DEL METODO

SIMPLEX TABULAR
MODELOS DE OPTIMIZACIÓN DE RECURSOS
EVIDENCIA 2.2

JOAQUIN GARCÍA BARCELATA

Matrícula: 16990718
Ingeniería Civil
ITBOCA
02 de Julio de 2018
 2

ÍNDICE
¿Qué es el Método Simplex?................................................................................ 3
Variables de entrada ............................................................................................. 4
Variables de salida ................................................................................................ 4
Variable degenerada ............................................................................................. 4
Base ..................................................................................................................... 4
Variable artificial.................................................................................................... 5
Función objetivo .................................................................................................... 5
Solución optima .................................................................................................... 5
Solución óptima múltiple ...................................................................................... 5
Variable superávit ................................................................................................. 5
Variable no restringida ......................................................................................... 5
Variables de holgura y de exceso ........................................................................ 6
Condición de optimalidad..................................................................................... 7
Condición de factibilidad ...................................................................................... 7
Método simplex paso a paso................................................................................ 7
Paso 1 Modelación mediante programación lineal ............................................... 8
Paso 2 Convertir las inecuaciones en ecuaciones ............................................... 8
Paso 3 Definir la solución básica inicial ............................................................... 9
Paso 4 Definir la tabla Simplex inicial .................................................................. 9
Paso 5 Realizar las iteraciones necesarias .......................................................... 9
Método Simplex Tabular (Resumen) procedimiento ........................................ 16
Resumen del algoritmo del método simplex .................................................... 17
Diagrama de flujo de algoritmo del método simplex ........................................... 18
Referencias .......................................................................................................... 19

JOAQUÍN GARCÍA BARCELATA

Matrícula: 16990718
02 de julio de 2018
 3

¿Qué es el Método Simplex?

El Método Simplex es un método analítico de
solución de problemas de programación
lineal capaz de resolver modelos más complejos
que los resueltos mediante el método gráfico sin
restricción en el número de variables.

El Método Simplex es un método iterativo que permite ir mejorando la solución en

cada paso. La razón matemática de esta mejora radica en que el método consiste
en caminar del vértice de un poliedro a un vértice vecino de manera que aumente o
disminuya (según el contexto de la función objetivo, sea maximizar o minimizar),
dado que el número de vértices que presenta un poliedro solución es finito siempre
se hallará solución.
Este popular método fue creado en el año de 1947 por el estadounidense George
Bernard Dantzig y el ruso Leonid Vitalievich Kantorovich, con el ánimo de crear un
algoritmo capaz de solucionar problemas de m restricciones y n variables.

El algoritmo del Simplex busca el óptimo de un problema de P.L. recorriendo sólo

algunos de los vértices del poliedro que representa el conjunto de soluciones
factibles. En cada iteración, al algoritmo se desplaza de un vértice a otro de forma
que el valor de la función objetivo mejore con el desplazamiento, esto es, que
aumente si el problema es de maximización, o disminuya si el problema es de
minimización.
La optimización de un P.L. puede dar lugar a cuatro posibles resultados:
a) Alcanzar un óptimo único.
b) Alcanzar un óptimo que no es único (soluciones alternativas o múltiples).
c) Concluir que el problema es no factible, esto es, que no existe ninguna solución
que satisfaga simultáneamente todas las restricciones del problema.
d) Concluir que el problema es no acotado, es decir, que el valor de la función
objetivo en el óptimo es tan grande como se desee si el problema es de
maximización, o tan pequeño como se quiera si el problema es de minimización.
El método Simplex alcanza siempre uno de estos resultados en un número finito de
iteraciones. En cada iteración se pasa de una solución básica factible a otra, de
manera que en el proceso, el valor de la función objetivo mejora en cada iteración.
Cuando se determina que no existe ninguna SBF con un mejor valor de la función
objetivo que el actual se detiene el proceso puesto que se ha llegado al óptimo.

JOAQUÍN GARCÍA BARCELATA

Matrícula: 16990718
02 de julio de 2018
 4

Variables de entrada
Estas suelen encontrarse en un criterio que se
conoce como “Condición de optimalidad”, en un
modelo, ya sea de maximización o
minimización, y se refiere a la variable no
básica en el renglón “z” con el coeficiente más
negativo, si se trata de una maximización, o el
coeficiente más positivo, si se trata de una
minimización, la cual, en la tabla de solución
anterior, a excepción de la primera tabla, esta
variable era una variable básica.
Ejemplo de un Modelo de
Maximización en su Forma
Ampliada
Variables de salida
Esta variable es un punto extremo que se encuentra en un criterio conocido como
“Condición de factibilidad”, en un modelo, ya sea de optimización o minimización, y
se refiere a la variable básica asociada con la mínima razón no negativa con el
coeficiente más negativo, si se trata de una maximización, o el coeficiente más
positivo, si se trata de una minimización, la cual, en la tabla de solución siguiente,
pasará a ser variable no básica.

Variables básicas Variables no básicas Variable de entrada Variable de salida

A X3, X4, X5, X6 X1, X2 X1 X2

B X3, X4, X5, X1 X6, X2 X2 X3

C X2, X4, X5, X1 X6, X3 X6 X4

D X2, X6, X5, X1 X4, X3 X3 X1

E X2, X6, X5, X3 X4, X1 X4 X2

Variable degenerada
Una variable degenerada es una variable básica que vale 0. Gráficamente esto
puede ocurrir cuando más de dos rectas se intersequen en el mismo punto.
Base
Conjunto de variables básicas. En el ejemplo anterior, la base es {X3, X4, X5, X6}
JOAQUÍN GARCÍA BARCELATA
Matrícula: 16990718
02 de julio de 2018
 5

Variable artificial
Se usa una variable artificial cuando las restricciones son = y ≥ y sucede cuando el
origen no se encuentra dentro de la región factible, tratando de llevar el modelo a
otra dimensión en la cual el origen si exista en la región.
Es aquella que puede tomar toda clase de valores positivos, cero y negativos
puede escribirse como la diferencia de dos variables no-negativas.
Función objetivo:
Define la efectividad del modelo como función de las variables de decisión.

Solución óptima
Siempre está asociada a un punto extremo
de la región factible y satisface todas las
restricciones si se evalúa en ellas así como
es el punto que en el caso de maximización
hace que el valor de z sea el máximo (más
grande) y el caso de minimización sea el
mínimo (más pequeño).

Solución óptima múltiple Ejemplo gráfico de la solución óptima

Existen problemas lineales que no
tienen una solución óptima única, sino que al contrario, tienen un número infinito de
soluciones. Para detectar una solución múltiple en la tabla óptima, se deberá tener
al menos una variable con su Zj-Cj=0 no básica

Variable de superávit.
Las restricciones del tipo ( ) por lo común determinan requerimientos mínimos de
especificaciones. En este caso, un superávit representa el exceso mínimo del lado
izquierdo, sobre el requerimiento mínimo. Por ejemplo, en el modelo de la dieta, la
restricción que representa los requerimientos mínimos del alimento, x1 + x2 > 800,
es matemáticamente equivalente a x 1 + x2 — S 1 = 800, siempre y cuando S1 > 0.
Un valor positivo de S1 significa que se producirá una cantidad excedente de
alimento (por encima del requerimiento mínimo de 800 libras).

Variable no restringida.
Tanto en el modelo de Reddy Mikks como en el de la dieta, la naturaleza de las
variables requiere que asuman valores no negativos. Hay situaciones en las cuales
una variable puede asumir cualquier valor real. El siguiente ejemplo ilustra una
posible aplicación

JOAQUÍN GARCÍA BARCELATA

Matrícula: 16990718
02 de julio de 2018
 6

Variables de holgura y exceso

El Método Simplex trabaja basándose en ecuaciones y las restricciones iniciales

que se modelan mediante programación lineal no lo son, para ello hay que convertir
estas inecuaciones en ecuaciones utilizando unas variables denominadas de
holgura y exceso relacionadas con el recurso al cual hace referencia la restricción y
que en el tabulado final representa el "Slack or surplus" al que hacen referencia los
famosos programas de resolución de investigación de operaciones, estas variables
adquieren un gran valor en el análisis de sensibilidad y juegan un rol fundamental
en la creación de la matriz identidad base del Simplex.

Estas variables suelen estar representadas por la letra "S", se suman si la restricción
es de signo "<= " y se restan si la restricción es de signo ">=".

Por ejemplo:

Condición de Optimalidad.
JOAQUÍN GARCÍA BARCELATA
Matrícula: 16990718
02 de julio de 2018
 7

La variable de entrada en un problema de maximización es la variable no basica

que tiene el coeficiente más negativo en la fila Z o función objetivo. En el caso
de minimización, la variable de entrada se define como la variable no básica que
tiene que tiene el coeficiente más positivo en la fila Z.

Condición de factibilidad.
Tanto para los problemas de maximización como de minimización, la variable de
salida es la variable básica asociada con la razón no negativa más pequeña. En
caso de empates se rompen arbitrariamente y se descartan las razones negativas
o indefinidas. Cuando se refiere a razón se entiende por la división de los limites del
lado derecho entre los coeficientes de la columna de la variable de entrada.

Método simplex paso a paso

La empresa el SAMÁN Ltda. Dedicada a la fabricación de muebles, ha ampliado su

producción en dos líneas más. Por lo tanto actualmente fabrica mesas, sillas, camas
y bibliotecas. Cada mesa requiere de 2 piezas rectangulares de 8 pines, y 2 piezas
cuadradas de 4 pines. Cada silla requiere de 1 pieza rectangular de 8 pines y 2
piezas cuadradas de 4 pines, cada cama requiere de 1 pieza rectangular de 8 pines,
1 cuadrada de 4 pines y 2 bases trapezoidales de 2 pines y finalmente cada
biblioteca requiere de 2 piezas rectangulares de 8 pines, 2 bases trapezoidales de
2 pines y 4 piezas rectangulares de 2 pines. Cada mesa cuesta producirla $10000
y se vende en $ 30000, cada silla cuesta producirla $ 8000 y se vende en $ 28000,
cada cama cuesta producirla $ 20000 y se vende en $ 40000, cada biblioteca cuesta
producirla $ 40000 y se vende en $ 60000. El objetivo de la fábrica es maximizar las
utilidades.
(Problema planteado por Edwin Bastidas - Ingeniero Industrial)
PASO 1:

MODELACIÓN MEDIANTE PROGRAMACIÓN LINEAL

JOAQUÍN GARCÍA BARCELATA
Matrícula: 16990718
02 de julio de 2018
 8

Las variables:

X1 = Cantidad de mesas a producir (unidades)

X2 = Cantidad de sillas a producir (unidades)
X3 = Cantidad de camas a producir (unidades)
X4 = Cantidad de bibliotecas a producir (unidades)

Las restricciones:

2X1 + 1X2 + 1X3 + 2X4 <= 24

2X1 + 2X2 + 1X3 <= 20
2X3 + 2X4 <= 20
4X4 <= 16

La función Objetivo:

ZMAX = 20000X1 + 20000X2 + 20000X3 + 20000X4

PASO 2: CONVERTIR LAS INECUACIONES EN ECUACIONES

En este paso el objetivo es asignar a cada recurso una variable de Holgura, dado
que todas las restricciones son "<=".

2X1 + 1X2 + 1X3 + 2X4 + 1S1 + 0S2 + 0S3 + 0S4 = 24

2X1 + 2X2 + 1X3 + 0X4 + 0S1 + 1S2 + 0S3 + 0S4 = 20
0X1 + 0X2 + 2X3 + 2X4 + 0S1 + 0S2 + 1S3 + 0S4 = 20
0X1 + 0X2 + 0X3 + 4X4 + 0S1 + 0S2 + 0S3 + 1S4 = 16

De esta manera podemos apreciar una matriz identidad (n = 4), formado por las
variables de holgura las cuales solo tienen coeficiente 1 en su respectivo recurso,
por el ejemplo la variable de holgura "S1" solo tiene coeficiente 1 en la restricción
correspondiente a el recurso 1.

La función objetivo no sufre variaciones:

ZMAX = 20000X1 + 20000X2 + 20000X3 + 20000X4

PASO 3: DEFINIR LA SOLUCIÓN BÁSICA INICIAL

JOAQUÍN GARCÍA BARCELATA

Matrícula: 16990718
02 de julio de 2018
 9

El Método Simplex parte de una solución básica inicial para realizar todas sus
iteraciones, esta solución básica inicial se forma con las variables de coeficiente
diferente de cero (0) en la matriz identidad.

1S1 = 24
1S2 = 20
1S3 = 20
1S4 = 16

PASO 4: DEFINIR LA TABLA SIMPLEX INICIAL

Solución: (segundo término)= En esta fila se consigna el segundo término de la

solución, es decir las variables, lo más adecuado es que estas se consignen de
manera ordenada, tal cual como se escribieron en la definición de restricciones.
Cj = La fila "Cj" hace referencia al coeficiente que tiene cada una de las variables
de la fila "solución" en la función objetivo.
Variable Solución = En esta columna se consigna la solución básica inicial, y a
partir de esta en cada iteración se van incluyendo las variables que formarán parte
de la solución final.
Cb = En esta fila se consigna el valor que tiene la variable que se encuentra a su
derecha "Variable solución" en la función objetivo.
Zj = En esta fila se consigna la contribución total, es decir la suma de los productos
entre término y Cb.
Cj - Zj = En esta fila se realiza la diferencia entre la fila Cj y la fila Zj, su significado
es un "Shadow price", es decir, la utilidad que se deja de recibir por cada unidad de
la variable correspondiente que no forme parte de la solución.

JOAQUÍN GARCÍA BARCELATA

Matrícula: 16990718
02 de julio de 2018
 10

Solución inicial:
PASO 5: REALIZAR LAS ITERACIONES NECESARIAS
Este es el paso definitivo en la resolución por medio del Método Simplex, consiste

en realizar intentos mientras el modelo va de un vértice del poliedro objetivo a otro.

El procedimiento a seguir es el siguiente:

1. Evaluar que variable entrará y cual saldrá de la solución óptima:

Maximizar Minimizar
Variable La más positiva de los Cj - Zj La más negativa de los Cj - Zj
que entra
Variable Siendo b los valores bajo la celda solución Siendo b los valores bajo la celda solución
que sale y a el valor correspondiente a la intersección y a el valor correspondiente a la intersección
entre b y la variable que entra. La menos entre b y la variable que entra. La más positiva
positiva de los b/a. de los b/a.

JOAQUÍN GARCÍA BARCELATA

Matrícula: 16990718
02 de julio de 2018
 11

2. El hecho de que una variable distinta forme parte de las variables solución implica
una serie de cambios en el tabulado Simplex, cambios que se explicarán a
continuación.

- Lo primero es no olvidar el valor del "a" correspondiente a la variables a entrar, en

este caso el "a = 4".

- Lo siguiente es comenzar a rellenar el resto de la tabla, fila x fila.

JOAQUÍN GARCÍA BARCELATA

Matrícula: 16990718
02 de julio de 2018
 12

- Se repite este procedimiento con las dos filas restantes, ahora se harán los
cálculos correspondientes en el resto de las celdas.

JOAQUÍN GARCÍA BARCELATA

Matrícula: 16990718
02 de julio de 2018
 13

De esta manera se culmina la primera iteración, este paso se repetirá cuantas

veces sea necesario y solo se dará por terminado el método según los siguientes
criterios.
.
Maximizar Minimizar

Solución Óptima Cuando todos los Cj - Zj sean <= 0 Cuando todos los Cj - Zj sean >= 0

- Continuamos con las iteraciones para lo cual tenemos que repetir los pasos anteriores.

JOAQUÍN GARCÍA BARCELATA

Matrícula: 16990718
02 de julio de 2018
 14

En esta última iteración podemos observar que se cumple con la consigna Cj - Zj

<= 0, para ejercicios cuya función objetivo sea "Maximizar", por ende hemos llegado
a la respuesta óptima.

X1 = 3
X2 = 4
X3 = 6
X4 = 4
Con una utilidad de: $ 340000

Sin embargo una vez finalizado el Método Simplex se debe observar una matriz
identidad en el rectángulo determinado por las variables de decisión, el hecho de
que en este caso no se muestre la matriz identidad significa que existe una solución
óptima alterna.

La manera de llegar a la otra solución consiste en alterar el orden en que cada una
de las variables entro a la solución básica, recordemos que el proceso fue decidido
al azar debido a la igualdad en el Cj - Zj del tabulado inicial. Aquí les presentamos
una de las maneras de llegar a la otra solución

JOAQUÍN GARCÍA BARCELATA

Matrícula: 16990718
02 de julio de 2018
 15

Podemos observar como existe una solución óptima alternativa en la cual la

combinación de variables es distinta y existe un menor consumo de recursos, dado
que el hecho de que se encuentre la variable "S1" en la solución óptima con un
coeficiente de "3" significa que se presenta una holgura de 3 unidades del recurso
(pieza rectangular de 8 pines).

X1 = 0 (Cantidad de mesas a producir = 0)

X2 = 7 (Cantidad de sillas a producir = 7)
JOAQUÍN GARCÍA BARCELATA
Matrícula: 16990718
02 de julio de 2018
 16

X3 = 6 (Cantidad de camas a producir = 6)

X4 = 4 (Cantidad de bibliotecas a producir = 4)
S1 = 3 (Cantidad de piezas rectangulares de 8 pines sin utilizar =3)

Con una utilidad de: $ 340000

METODO SIMPLEX -TABULAR

PROCEDIMIENTO
1. Encontrar una Solución Básica Factible inicial
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 Básica (NVB) y Nueva variable No Básica
NVB : máx valor positivo de Cj - Zj (maximización)
NVNB: dividir bj entre los coeficientes positivos de la columna de NVB. La NVNB
se encuentra en el renglón que tiene el menor cociente.
4. Actualizar la Tabla
- Identificar elemento Pivote
- Nuevos valores en el renglón de NVB se obtienen al dividir el renglón que sale
entre el pivote
- Otros renglones se obtienen por:
Nuevo renglón = Renglón anterior
- [elemento en columna del pivote] x renglón de NVB - Calcular Zj como la suma
de productos de CB por las tasas de sustitución
5. Verificar Optimalidad (maximización)
La base es óptima si todos los valores de Cj - Zj son cero o negativos.
6. Volver al paso 3

JOAQUÍN GARCÍA BARCELATA

Matrícula: 16990718
02 de julio de 2018
 17

Resumen del algoritmo del Método Simplex.

En resumen, el método Simplex opera iterativamente a través de los siguientes
pasos:
a) Test de optimalidad. En problemas de maximización, el P.L. es óptimo si todos
los costes reducidos (Cj – Zj) son menores o iguales que cero. En problemas de
minimización 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 maximización (o mayor
coste reducido negativo, en el caso de minimización), ya que ésta es la que aumenta
(disminuye) más rápidamente el valor de la función objetivo. Supongamos que la
variable entrante es la k-ésima.
c) Regla de salida de la base. Después de decidir qué variable entra en la base, es
preciso determinar qué variable sale de la base. El criterio consiste en seleccionar
aquélla que tiene un menor cociente entre su valor y el coeficiente de k y
correspondiente a la columna k-ésima, siempre y cuando este coeficiente sea
estrictamente positivo. La interpretación de este cociente es clara: representa el
máximo valor que puede tomar la variable entrante antes de que la variable que se
está considerando viole su restricción de no negatividad. Si todos los coeficientes
de la columna k-ésima son nulos o negativos, estaríamos en el caso de solución no
acotada o ilimitada, ya que la variable entrante puede crecer indefinidamente sin
pérdida de factibilidad.

JOAQUÍN GARCÍA BARCELATA

Matrícula: 16990718
02 de julio de 2018
 18

Diagrama de flujo del algoritmo Simplex

JOAQUÍN GARCÍA BARCELATA

Matrícula: 16990718
02 de julio de 2018
 19

Referencias
1) https://www.ingenieriaindustrialonline.com/herramientas-para-el-ingeniero-
industrial/investigaci%C3%B3n-de-operaciones/m%C3%A9todo-simplex/

2) http://www.conocimientosweb.net/dcmt/ficha8427.html

3) https://es.wikipedia.org/wiki/Algoritmo_s%C3%ADmplex

4) http://investigaciondeoperacionesind331.blogspot.com/p/metodo-simplex.html

5) https://www.ingenieriaindustrialonline.com/herramientas-para-el-ingeniero-
industrial/investigaci%C3%B3n-de-operaciones/m%C3%A9todo-simplex/
6)
http://www.mate.unlp.edu.ar/practicas/66_13_0804200912835.pdf

7) http://allman.rhon.itam.mx/~cacosta/modelado/simplex.pdf

JOAQUÍN GARCÍA BARCELATA

Matrícula: 16990718
02 de julio de 2018