Metodo Simplex

APLICACIÓN DEL
ALGORITMO SIMPLEX A
MINERÍA SUBTERRÁNEA
GRUPO: G3 – A1
DOCENTE: Carlos Agreda Turriarte, Ph. D.
INTEGRANTES:
 BONILLA CHAVEZ, Erick

 LANDEO HUAMAN, Jorge
 LAZARO SUAREZ, Jorge
 PALMA RAMIREZ, William
 VELÁSQUEZ JARA, Jorge
16 DE ABRIL DEL 2014

Introducción a la Investigación de Operaciones G3-A1
-------------------------------------------------------------------------------------------------------------------------
I. INTRODUCCIÓN
El método simplex es un método muy práctico, ya que solo trabaja con los
coeficientes de la función objetivo y de las restricciones.
El método Simplex es un procedimiento iterativo que permite mejorar la solución

de la función objetivo en cada paso. El proceso concluye cuando no es posible
continuar mejorando dicho valor, es decir, se ha alcanzado la solución óptima (el
mayor o menor valor posible, según el caso, para el que se satisfacen todas las
restricciones).
Partiendo del valor de la función objetivo en un punto cualquiera, el

procedimiento consiste en buscar otro punto que mejore el valor anterior. Como
en el método Gráfico, dichos puntos son los vértices del polígono o (poliedro, si
el número de variables es mayor de 2) que constituye la región determinada por
las restricciones a las que se encuentra sujeto el problema (llamada región
factible). La búsqueda se realiza mediante desplazamientos por las aristas del
polígono, desde el vértice actual hasta uno adyacente que mejore el valor de la
función objetivo. Siempre que exista región factible, como su número de vértices
y de aristas es finito, será posible encontrar la solución.
El método Simplex se basa en la siguiente propiedad: si la función objetivo Z no

toma su valor máximo en el vértice A, entonces existe una arista que parte de A
y a lo largo de la cual el valor de Z aumenta.
Será necesario tener en cuenta que el método Simplex únicamente 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 habrá
que estandarizar las restricciones para que cumplan estos requisitos antes de
iniciar el algoritmo del Simplex. En caso de que después de éste proceso
aparezcan restricciones del tipo "≥" (mayor o igual) o "=" (igualdad), o no se
puedan cambiar, será necesario emplear otros métodos de resolución, siendo el
más común el método de las Dos Fases.
El objetivo consistirá en maximizar o minimizar el valor de la función objetivo

que genere, incrementar ganancias o reducir pérdidas.
-------------------------------------------------------------------------------------------------------------------------
Facultad de Ingeniería Geológica, Minera y Metalúrgica
-------------------------------------------------------------------------------------------------------------------------
II. MARCO TEÓRICO
MÉTODO SIMPLEX
El método simplex es un procedimiento iterativo que permite tender
progresivamente hacia la solución óptima. Es un procedimiento sistemático y
eficiente para encontrar y probar soluciones situadas en los vértices de
optimalidad.
El método requiere que las restricciones sean ecuaciones en lugar de

inecuaciones, lo cual se añade variables de holgura a cada inecuación del
modelo, variables que nunca pueden ser negativas y tienen coeficiente “0” en la
función objetiva
Conceptos importantes:
 Solución básica: Valores de las variables que satisfacen las restricciones

de igualdad de un programa lineal en forma estándar, después de que las
variables no básicas se toman como cero.
 Solución básica factible inicial: Valores de las variables que satisfacen

las restricciones de igualdad y de no negatividad de un programa lineal
en forma estándar, después de que las variables no básicas se toman
como cero.
 Variable de holgura: variable no negativa que se añade al lado izquierdo

de una restricción menor o igual que, para obtener una restricción de
igualdad equivalente.
 Variable artificial: variable no negativa que se añade al lado izquierdo de

una restricción mayor o igual que, para obtener una restricción de igualdad
equivalente.
 Iteración: una serie de pasos de un algoritmo que se repiten.
 Prueba de optimidad: Método para determinar si la solución obtenida es

la óptima.
 Mejora: proceso de encontrar soluciones factibles con valores de la

función objetivo cada vez mejores.
Preparando el modelo para adaptarlo al método Simplex
La forma estándar del modelo de problema consta de una función objetivo sujeta
a determinadas restricciones:
Función objetivo: c1·x1 + c2·x2 +... + cn·xn
Sujeto a:
-------------------------------------------------------------------------------------------------------------------------
-------------------------------------------------------------------------------------------------------------------------
a11·x1 + a12·x2 + ... + a1n·xn = b1

a21·x1 + a22·x2 + ... + a2n·xn = b2
...
am1·x1 + am2·x2 + ... + amn·xn = bm
x1,..., xn ≥ 0
El modelo debe cumplir las siguientes condiciones:
1. El objetivo consistirá en maximizar o minimizar el valor de la función

objetivo (por ejemplo, incrementar ganancias o reducir pérdidas,
respectivamente).
2. Todas las restricciones deben ser ecuaciones de igualdad (identidades
matemáticas).
3. Todas las variables (xi) deben tener valor positivo o nulo (condición de no
negatividad).
4. Los términos independientes (bi) de cada ecuación deben ser no
negativos.
5. Hay que adaptar el problema modelado a la forma estándar para poder
aplicar el algoritmo del Simplex.
Tipo de optimización.
Como se ha comentado, el objetivo del método consistirá en optimizar el valor

de la función objetivo. Sin embargo se presentan dos opciones: obtener el valor
óptimo mayor (maximizar) u obtener el valor óptimo menor (minimizar).
Además existen diferencias en el algoritmo entre el objetivo de maximización y

el de minimización en cuanto al criterio de condición de parada para finalizar las
iteraciones y a las condiciones de entrada y salida de la base. Así:
• Objetivo de maximización
Condición de parada: cuando en la fila Z no aparece ningún valor negativo.
Condición de entrada a la base: el menor valor negativo en la fila Z (o el de mayor

valor absoluto entre los negativos) indica la variable Pj que entra a la base.
Condición de salida de la base: una vez obtenida la variable entrante, la variable

que sale se determina mediante el menor cociente P0/Pj de los estrictamente
positivos.
• Objetivo de minimización
Condición de parada: cuando en la fila Z no aparece ningún valor positivo.
Condición de entrada a la base: el mayor valor positivo en la fila Z indica la

variable Pj que entra a la base.
-------------------------------------------------------------------------------------------------------------------------
-------------------------------------------------------------------------------------------------------------------------
Condición de salida de la base: una vez obtenida la variable entrante, la variable
que sale se determina mediante el menor cociente P0/Pj de los estrictamente
negativos.
No obstante, es posible normalizar el objetivo del problema con el fin de aplicar

siempre los mismos criterios en lo referente a la condición de parada del
algoritmo y a las condiciones de entrada y salida de las variables de la base. De
esta forma, si el objetivo es minimizar la solución, se puede cambiar el problema
a otro equivalente de maximización simplemente multiplicando la función objetivo
por "-1". Es decir, el problema de minimizar Z es equivalente al problema de
maximizar (-1) •Z. Una vez obtenida la solución será necesario multiplicarla
también por (-1).
Ventajas: No hay que preocuparse por nuevos criterios de parada, condición de

entrada y salida de la base ya que se mantienen.
Inconvenientes: En el caso de que la función tenga todos los coeficientes de sus

variables básicas positivos, y además las restricciones sean del tipo de
desigualdad "≤", al hacer el cambio dichos coeficientes quedan negativos
cumpliéndose la condición de parada en la primera iteración (en la fila del valor
de la función objetivo todos los valores son positivos o cero). Obteniéndose en
este caso por defecto un valor óptimo para la función igual a 0.
Solución: Realmente no existe este problema dado que para que la solución sea
superior a 0 es necesario que alguna restricción tenga impuesta la condición "≥"
(y se trataría de un modelo para el método de las Dos Fases). En el caso
planteado, la solución real debe ser cero.
Cambio de signo de los términos independientes.
También se ha dicho que los términos independientes (bi) de cada ecuación

deben ser no negativos para poder emplear el método Simplex. A tal fin, si alguna
de las restricciones presenta un término independiente menor que 0 habrá que
multiplicar por "-1" ambos lados de la inecuación (teniendo en cuenta que esta
operación también afecta al tipo de restricción).
Ventajas: Con ésta simple modificación de signos en las restricciones

correspondientes se posibilita la aplicación del método Simplex al problema
modelado.
Inconvenientes: Puede resultar que en las restricciones donde tengamos que

modificar los signos de las constantes, los tipos de desigualdad fueran "≤"
(quedando tras la operación del tipo "≥") siendo necesario desarrollar el método
de las Dos Fases. Este inconveniente no es controlable, aunque podría ocurrir el
caso contrario y resultar beneficioso si los términos independientes negativos se
presentan en todas aquellas restricciones con desigualdad de tipo "≥". Si existe
alguna restricción del tipo "=" no supondría ninguna ventaja ni desventaja puesto
que siempre sería de necesaria aplicación el método de las Dos Fases.
-------------------------------------------------------------------------------------------------------------------------
-------------------------------------------------------------------------------------------------------------------------
Normalización de las restricciones
Otra de las condiciones del modelo estándar del problema es que todas las
restricciones sean ecuaciones de igualdad (también llamadas restricciones de
igualdad), por lo que hay que convertir las restricciones de desigualdad o
inecuaciones en dichas identidades matemáticas.
La condición de no negatividad de las variables (x1,..., xn ≥ 0) es la única

excepción y se mantiene tal cual.
 Restricción de tipo "≤"
Para normalizar una restricción con una desigualdad del tipo "≤", hay que añadir una
nueva variable, llamada variable de holgura xs (con la condición de no negatividad:
xs ≥ 0). Esta nueva variable aparece con coeficiente cero en la función objetivo, y
sumando en la ecuación correspondiente (que ahora sí será una identidad
matemática o ecuación de igualdad).
a11·x1 + a12·x2 ≤ b1 a11·x1 + a12·x2 + 1·xs = b1
 Restricción de tipo "≥"
En caso de una desigualdad del tipo "≥", también hay que añadir una nueva variable
llamada variable de exceso xs (con la condición de no negatividad: xs ≥ Esta nueva
variable aparece con coeficiente cero en la función objetivo, y restando en la
ecuación correspondiente.). 0
Surge ahora un problema con la condición de no negatividad con esta nueva variable
del problema. Las inecuaciones que contengan una desigualdad de tipo "≥"
quedarían:
a11·x1 + a12·x2 ≥ b1 a11·x1 + a12·x2 - 1·xs = b1

Al realizar la primera iteración con el método Simplex, las variables básicas no
estarán en la base y tomarán valor cero. En este caso la nueva variable xs, tras
hacer cero a x1 y x2, tomará el valor -b1 y no cumpliría la condición de no
negatividad. Es necesario añadir otra nueva variable xr, llamada variable artificial,
que también aparecerá con coeficiente cero en la función objetivo y sumando en la
restricción correspondiente. Quedando entonces de la siguiente manera:
a11·x1 + a12·x2 ≥ b1 a11·x1 + a12·x2 - 1·xs + 1·xr = b1
 Restricción de tipo "="
Al contrario de lo que cabría pensar, para las restricciones de tipo "=" (aunque ya
son identidades) también es necesario agregar variables artificiales xr. Como en el
-------------------------------------------------------------------------------------------------------------------------
-------------------------------------------------------------------------------------------------------------------------
caso anterior, su coeficiente será cero en la función objetivo y aparecerá sumando
en la restricción correspondiente.
a11·x1 + a12·x2 = b1 a11·x1 + a12·x2 + 1·xr = b1
En el último caso se hace patente que las variables artificiales suponen una violación
de las leyes del álgebra, por lo que será necesario asegurar que dichas variables
artificiales tengan un valor 0 en la solución final. De esto se encarga el método de
las Dos Fases y por ello siempre que aparezcan este tipo de variables habrá que
realizarlo.
En la siguiente tabla se resume según la desigualdad el tipo de variable que aparece

en la ecuación normalizada, así como su signo
Desarrollando el método Simplex

Una vez estandarizado el modelo y se determina que hay que utilizar el
método simplex
A continuación se explican paso a paso los puntos de cada método,

concretando los aspectos a tener en cuenta.
 Construcción de la primera tabla:
Las columnas de la tabla están dispuestas de la siguiente forma: la primera

columna de la tabla contiene las variables que se encuentran en la base (o
variables básicas), esto es, aquellas que toman valor para proporcionar una
solución; la segunda columna recoge los coeficientes que dichas variables
básicas tienen en la función objetivo (esta columna es llamada Cb); la tercera
muestra el término independiente de cada restricción (P0); a partir de ésta
aparece una columna por cada una de las variables de decisión y holgura
presentes en la función objetivo (Pj). Para tener una visión más clara de la
tabla, se incluye una fila que contiene los títulos de cada una de las columnas.
Sobre esta tabla se agregan dos nuevas filas: una de ellas, que lidera la
tabla, donde aparecen los coeficientes de las variables de la función objetivo,
y una última fila que recoge el valor la función objetivo y los costes reducidos
Zj - Cj.
Los costes reducidos muestran la posibilidad de mejora en la solución

Z0. Por este motivo también son llamados valores indicadores.
Se muestra a continuación el aspecto general de la tabla del método

Simplex:
-------------------------------------------------------------------------------------------------------------------------
-------------------------------------------------------------------------------------------------------------------------
Tabla
C1 C2 ... Cn
Base Cb P0 P1 P2 ... Pn
P1 Cb1 b1 a11 a12 ... a1n
P2 Cb2 b2 a21 a22 ... a2n
... ... ... ... ... ... ...
Pm Cbm bm am1 am2 ... amn
Z Z0 Z1-C1 Z2-C2 ... Zn-Cn
Todos los valores incluidos en la tabla vendrán dados por el modelo del
problema salvo los valores de la fila Z (o fila indicadora). Estos se obtienen
de la siguiente forma: Zj = Σ(Cbi·Pj) para i = 1..m, donde si j = 0, P0 = bi y C0 =
0, y en caso contrario Pj = aij.
Se observa, al realizar el método Simplex, que en esta primera tabla

ocupan la base todas las variables de holgura y por ello (todos los
coeficientes de las variables de holgura son 0 en la función objetivo) el valor
inicial de Z es cero.
Por este mismo motivo tampoco es necesario realizar los cálculos de los
costes reducidos en la primera tabla, pudiéndose determinar directamente
como el cambio de signo de los coeficientes de cada variable en la función
objetivo, esto es, -Cj.
 Condición de parada:
Se cumple la condición de parada cuando la fila indicadora no contiene

ningún valor negativo entre los costes reducidos (cuando el objetivo es la
maximización), esto es, no existe posibilidad de mejora.
Si no se cumple la condición de parada es necesario realizar una iteración

más del algoritmo, esto es, determinar la variable que se vuelve básica y la
que deja de serlo, encontrar el elemento pivote, actualizar los valores de la
tabla y comprobar si se cumple nuevamente la condición de parada.
Es también posible determinar que el problema no se encuentra acotado y

su solución siempre resultará mejorable. En tal caso no es necesario
continuar iterando indefinidamente y se puede finalizar el algoritmo. Esta
situación ocurre cuando en la columna de la variable entrante a la base todos
los valores son negativos o nulos.
-------------------------------------------------------------------------------------------------------------------------
-------------------------------------------------------------------------------------------------------------------------
 Elección de la variable que entra a la base:
Cuando una variable se vuelve básica, es decir, entra en la base, comienza

a formar parte de la solución. Observando los costes reducidos en la fila Z,
se decide que entra a la base la variable de la columna en la que éste sea el
de menor valor (o de mayor valor absoluto) entre los negativos.
 Elección de la variable que sale de la base:
Una vez obtenida la variable entrante, se determina que sale de la base la

variable que se encuentre en aquella fila cuyo cociente P0/Pj sea el menor de
los estrictamente positivos (teniendo en cuenta que esta operación se hará
únicamente cuando Pj sea superior a 0).
 Elemento pivote:
El elemento pivote de la tabla queda marcado por la intersección entre la

columna de la variable entrante y la fila de la variable saliente.
 Actualización de la tabla:
Las filas correspondientes a la función objetivo y a los títulos permanecerán

inalteradas en la nueva tabla. El resto de valores deberán calcularse como
se explica a continuación:
 En la fila del elemento pivote cada nuevo elemento se calcula como:
 Nuevo Elemento Fila Pivote = Anterior Elemento Fila Pivote / Pivote.
 En el resto de las filas cada elemento se calcula:
Nuevo Elemento Fila = Anterior Elemento Fila - (Anterior Elemento Fila

en Columna Pivote * Nuevo Elemento Fila Pivote).
De esta forma se consigue que todos los elementos de la columna de la

variable entrante sean nulos salvo el de la fila de la variable saliente cuyo
valor será 1. (Es análogo a utilizar el método de Gauss-Jordan para
resolver sistemas de ecuaciones lineales).
Aplicaciones del algoritmo simplex
Para poder solucionar un problema mediante un algoritmo primero se

debe extraer toda la información que aporta el enunciado y preparar el
problema de acuerdo a las necesidades del método resolutivo.
Los pasos para modelar un problema son los siguientes:
• Paso 1: Determinar las variables de decisión y expresarlas

algebraicamente.
o X1,..., Xn
-------------------------------------------------------------------------------------------------------------------------
-------------------------------------------------------------------------------------------------------------------------
• Paso 2: Determinar las restricciones y se expresarlas como
ecuaciones o inecuaciones dependientes de las variables de decisión:
O A11•X1 + A12•X2 +... + A1n•Xn ≥, ≤, ó = b1
O A21•X1 + A22•X2 +... + A 2n•Xn ≥, ≤, ó = b2
o Am1•X1 + Am2•X2 + ... + Amn•Xn ≥, ≤, ó = bm
• Paso 3: Expresar todas las condiciones implícitamente establecidas

por la naturaleza de las variables: que no puedan ser negativas, que
sean enteras, que solo puedan tomar determinados valores, ...
o X1,..., Xn ≥ 0
o X1,..., Xn son números enteros, o son booleanos,...
• Paso 4: Determinar la función objetivo.
O Maximizar o minimizar Z = C1•X1 + C2•X2 +... + Cn•Xn
A modo de ejemplo se explica cómo se modelan algunos problemas

típicos:
• Problema de la dieta
• Problema de transporte de mineral
• Problema de transporte de mercancías
• Problema de los árboles frutales
• Problema de asignación de personal
• Problema del camino mínimo
• Problema de localización
• Problema de inversión en bolsa, etc.
DESCRIPCIÓN de los PROGRAMAS EMPLEADOS
SOFTWARE TORA:
TORA es un software basado en windows, creado esencialmente para darle
solución a problemas de programación lineal de forma sencilla y muy rápida.
-------------------------------------------------------------------------------------------------------------------------
-------------------------------------------------------------------------------------------------------------------------
Entre los problemas que se pueden procesar con TORA están soluciones de
sistemas de ecuaciones, problemas de programación lineal (incluyendo método
simplex, dos fases, dual), modelo de transporte, programación entera, modelo
de redes (incluyendo ruta más corta, flujo máximo), planeamiento de proyectos
(CPM, PERT), análisis de teoría de cola y juegos de suma de ceros.
VENTAJAS
1. Se visualiza bien, como es el funcionamiento de los algoritmos.
2. Es una herramienta muy útil que le permite al estudiante comprobar los

resultados obtenidos en un problema de P.L. y corregir errores que se
puedan cometer.
3. Es de fácil accesibilidad ya que se encuentra de manera gratuita en la

web.
III. ENUNCIADO del PROBLEMA N°1
En una empresa minera del sur del país que opera por el método de explotación
subterránea, actualmente desea implementar su extracción y se ha propuesto
iniciar con la explotación de dos unidades mineras, con las cuales se han
propuesto extraer dos tipos de minerales, se sabe también que la capacidad de
la chancadora en la unidad A es de 45 tm/hr y en la unidad B de 80 tm/dia, y la
capacidad del molino para la unidad A es de 70tm/hr y en la unidad B de 50 tm/hr.
En la unidad B la máxima producción de dicho mineral es de 800 tm/dia. El
gerente de operaciones pide maximizar la venta.
CAPACIDAD DE CAPACIDAD DE VALOR DEL

CHANCADORA MOLIENDA MINERAL
(TM/HR) (TM/HR) (US$/TM)
GALERIA 45 70 25
A
GALERIA 80 50 35
B
22HR/DIA 22HR/DIA
-------------------------------------------------------------------------------------------------------------------------
-------------------------------------------------------------------------------------------------------------------------
IV. SOLUCIÓN
Sea X1 el mineral explotado por día en la unidad A
Sea X2 el mineral explotado por día en la unidad B
Max Z = 25X1 + 35X2
St:
5X1+ 7X2<=7700 …………(1)
16X1+ 9X2 <= 15840…….(2)
X2<=800…………………….…(3)
TABLA INICIAL
BASE Variables de VARIABLES DE SOLUCIÓN OPERACIÓN

DECISIÓN HOLGURA
X1 X2 S1 S2 S3
S1 5 7 1 0 0 7700 1100
S2 16 9 0 1 0 15840 1760
-------------------------------------------------------------------------------------------------------------------------
-------------------------------------------------------------------------------------------------------------------------
S3 0 1 0 0 1 800 800
Z -25 -35 0 0 0 0
ITERACIÓN No 1

DECISIÓN HOLGURA
X1 X2 S1 S2 S3
S1 5 7 1 0 0 7700 1100
S2 16 9 0 1 0 15840 1760
S3 0 1 0 0 1 800 800
Z -25 -35 0 0 0 0
RESULTADO DE ITERACIÓN No 1

DECISIÓN HOLGURA
X1 X2 S1 S2 S3
X1 5 0 1 0 -7 2100 (6)÷ X1
S2 16 0 0 1 -9 8640
S3 0 1 0 0 1 800
-------------------------------------------------------------------------------------------------------------------------
-------------------------------------------------------------------------------------------------------------------------
Z -25 0 0 0 35 28000
ITERACIÓN No 2

DECISIÓN HOLGURA
X1 X2 S1 S2 S3
X1 5 0 1 0 -7 2100 420
S2 16 0 0 1 -9 8640 540
S3 0 1 0 0 1 800
Z -25 0 0 0 35 28000
RESULTADO DE ITERACIÓN No 2

DECISIÓN HOLGURA
X1 X2 S1 S2 S3
X1 1 0 1/5 0 -7/5 420
S2 0 0 -16/5 1 67/5 1920
X2 0 1 0 0 1 800
Z 0 0 5 0 0
38500
-------------------------------------------------------------------------------------------------------------------------
-------------------------------------------------------------------------------------------------------------------------
TABLA FINAL
DECISIÓN HOLGURA
X1 X2 S1 S2 S3
X1 1 0 1/5 0 -7/5 420
S2 0 0 -16/5 1 67/5 1920
X2 0 1 0 0 1 800
Z 0 0 5 0 0
38500
Como todos los coeficientes de la fila de la función objetivo son positivos, hemos llegado
a la solución óptima. La solución óptima viene dada por el valor de Z en la columna de
los valores solución, en nuestro caso: 38500.
DONDE X1 = 420
DONDE X2 = 800
PROBLEMAS PROPUESTOS
Problema Nº2:
Impala Gold Company operaba una mina de oro en el Estado Libre de Orange,
Sudáfrica. La operación consistía en minería subterránea, a una profundidad de
1400 metros, para la extracción de mineral de oro. Las rocas se transportaban
por los piques de la mina a un molino que trituraba la roca y extraía el oro.
La mina Impala tenía tres piques. La información acerca de estos piques se

presenta en la tabla adjunta. Observe que el mineral que se obtiene de cada una
de las áreas de los Piques tiene diferente contenido de oro y distinto costo.
Las rocas que extraían de los tres piques subterráneos se enviaban al molino
para ser trituradas y refinadas. La capacidad del molino dependía de la finura del
molido de las rocas. Si las rocas se molían finamente, la capacidad del molino
era de 240000 toneladas mensuales y se recuperaba el 95% del oro en la
operación. Las rocas de cada túnel se podían moler por separado. El costo de
molido fino de una tonelada de roca era $1.12 por tonelada. Si el molido de las
rocas era grueso, la capacidad del molino era de 250000 toneladas, pero la
-------------------------------------------------------------------------------------------------------------------------
-------------------------------------------------------------------------------------------------------------------------
recuperación de oro bajaba al 90%. El costo de molido grueso de una tonelada
de roca era de $0.85. La mina podía vender todo el oro que produjera, a $0.80
el gramo.
El gerente de la mina estaba preocupado por la cantidad de mineral que debía

extraer de cada una de las áreas de los Piques. Había observado que la
capacidad del molino no era suficiente para manejar todos los Piques si éstos
operaban a toda su capacidad. El problema se complicaba aún más por el
requisito legal de que la mina no podía operar “por encima del grado promedio”
de las reservas de mineral. En la mina Impala este grado promedio era de 20
gramos por tonelada. Por lo tanto, existía la restricción legal de que la mezcla de
rocas de los tres Piques no podía exceder un promedio de 20 gramos de oro por
tonelada de mineral.
Formule un modelo de programación lineal para maximizar los beneficios de la

operación de la mina.
Pique N° 1 Pique N°2 Pique N°3

Capacidad de 85000 90000 95000
transporte del
Pique(tn/mes)
Grado del 25 20 15
mineral(grAu/tn)
Costo de 6 5 4
extracción($/tn)
Solución
Solución del problema usando el tablero simplex:
Identificación de las variables de decisión:
X1F: toneladas de roca fina en el Pique N°1
X1G: toneladas de roca gruesa en el Pique N°1
-------------------------------------------------------------------------------------------------------------------------
-------------------------------------------------------------------------------------------------------------------------
Capacidad de transporte de los Piques:
Capacidad del pique N°1: X1F +X1G<=85000…..(1)
Capacidad del pique N°2: X2F +X2G<=90000……(2)
Capacidad del pique N°3: X3F +X3G<=95000……(3)
Capacidad del molino cuando la roca es fina: 240000 tn
Capacidad del molino cuando la roca es gruesa: 250000 tn
Ecuación de la recta:
𝐹 𝐺
+ =1
24000 25000
Inecuación de la recta:
𝐹 𝐺
+ ≤1
24000 25000
250000
𝐹 + 𝐺 ≤ 25000
240000
1.04𝐹 + 𝐺 ≤ 25000
Donde:
F=X1F +X2F +X3F
G= X1G +X2G +X3G
Reemplazando tenemos la restricción (4):
1.04 (X1F) +1.04 (X2F) +1.04 (X3F) + (X1G) +(X2G) +(X3G) <= 250000 …….. (4)
Restricción del grado del mineral:
-------------------------------------------------------------------------------------------------------------------------
-------------------------------------------------------------------------------------------------------------------------
25(X1F +X1G) +20(X2F +X2G) +15(X3F +X3G) <=20(X1F +X2F +X3F +X1G +X2G
+X3G)
5 (X1F) -5 (X3F) +5 (X1G) -5(X3G) <=0
Función objetivo:
[(grAu/tn) x (precioAu/grAu) x (rendimiento) - (costo de extraacion/tn) - (costo de molienda/tn)] x [tn extraidas]
gr de Au/tn extraida precio Au/gr Au rendimiento costo de extraccion/tn costo de molienda Utilidad tn extraidas
(gr/tn) ($/gr) 100% ($/tn) ($/tn) ($/tn) (tn)
25 0.8 0.95 6 1.12 11.88 X1F
20 0.8 0.95 5 1.12 9.08 X2F
15 0.8 0.95 4 1.12 6.28 X3F
25 0.8 0.9 6 0.85 11.15 X1G
20 0.8 0.9 5 0.85 8.55 X2G
15 0.8 0.9 4 0.85 5.95 X3G
Maximizar:
Z = 11.88(X1F) + 9.08(X2F) + 6.28(X3F) + 11.15(X1G) + 8.55(X2G) + 5.95(X3G)
Sujeto a:
X1F +X1G<=85000
X2F +X2G<=90000
X3F +X3G<=95000
1.04(X1F) + 1.04(X2F) + 1.04(X3F) + (X1G) + (X2G) + (X3G) <= 250000
5 (X1F) - 5(X3F) + 5(X1G) -5(X3G) <=0
Transformamos todas las inecuaciones a las ecuaciones:
Z - 11.88(X1F) - 9.08(X2F) - 6.28(X3F) - 11.15(X1G) - 8.55(X2G) - 5.95(X3G) = 0
X1F +X1G +S1 = 85000
X2F +X2G +S2 = 90000
-------------------------------------------------------------------------------------------------------------------------
-------------------------------------------------------------------------------------------------------------------------
X3F +X3G +S3 =95000
1.04(X1F) + 1.04(X2F) + 1.04(X3F) + (X1G) + (X2G) + (X3G) + S4 = 250000
5 (X1F) - 5(X3F) + 5(X1G) -5(X3G) + S5 = 0
Llenamos la tabla:
Primero la columna pivote en la fila objetivo el cual será el elemento mas negativo de
dicha fila
TABLA INICIAL
X1F X2F X3F X1G X2G X3G S1 S2 S3 S4 S5 VB
S1 1 0 0 1 0 0 1 0 0 0 0 85000
S2 0 1 0 0 1 0 0 1 0 0 0 90000
S3 0 0 1 0 0 1 0 0 1 0 0 95000
S4 1.04 1.04 1.04 1 1 1 0 0 0 1 0 250000
S5 5 0 -5 5 0 -5 0 0 0 0 1 0
Z -11.88 -9.08 -6.28 -11.15 -8.55 -5.95 0 0 0 0 0 0
Luego dividimos la columna del extremo derecho con la columna pivote para ubicar cual
será nuestra fila pivote el cual será escogiendo al menor número positivo de dicha
operación:
TABLA INICIAL
X1F X2F X3F X1G X2G X3G S1 S2 S3 S4 S5 VB ratio
S1 1 0 0 1 0 0 1 0 0 0 0 85000 85000
S2 0 1 0 0 1 0 0 1 0 0 0 90000 #¡DIV/0!
S3 0 0 1 0 0 1 0 0 1 0 0 95000 #¡DIV/0!
S4 1.04 1.04 1.04 1 1 1 0 0 0 1 0 250000 240384.615
S5 5 0 -5 5 0 -5 0 0 0 0 1 0 0
Z -11.88 -9.08 -6.28 -11.15 -8.55 -5.95 0 0 0 0 0 0
Una vez ubicados la fila y columna pivote, la intersección será nuestro elemento pivote
el cual tendremos que convertirlo en la unidad, para hacer dicha operación debemos
dividir el número que convierte a la unidad, a toda la fila.
Luego procedemos a iterar con nuestra fila pivote las demás filas convirtiendo a cero a
todos los elementos que estén arriba o abajo del elemento pivote, obteniéndose la
siguiente tabla:
PRIMERA ITERACION
X1F X2F X3F X1G X2G X3G S1 S2 S3 S4 S5 VB
S1 0 0 1 0 0 1 1 0 0 0 -0.2 85000
S2 0 1 0 0 1 0 0 1 0 0 0 90000
S3 0 0 1 0 0 1 0 0 1 0 0 95000
S4 0 1.04 2.08 -0.04 1 2.04 0 0 0 1 -0.208 250000
X1F 1 0 -1 1 0 -1 0 0 0 0 0.2 0
Z 0 -9.08 -18.16 0.73 -8.55 -17.83 0 0 0 0 2.376 0
-------------------------------------------------------------------------------------------------------------------------
-------------------------------------------------------------------------------------------------------------------------
Ubicamos nuestra fila y columna pivote y asi obtener nuestro elemento pivote
PRIMERA ITERACION
X1F X2F X3F X1G X2G X3G S1 S2 S3 S4 S5 VB ratio
S1 0 0 1 0 0 1 1 0 0 0 -0.2 85000 85000
S2 0 1 0 0 1 0 0 1 0 0 0 90000 #¡DIV/0!
S3 0 0 1 0 0 1 0 0 1 0 0 95000 95000
S4 0 1.04 2.08 -0.04 1 2.04 0 0 0 1 -0.208 250000 120192.308
X1F 1 0 -1 1 0 -1 0 0 0 0 0.2 0 0
Z 0 -9.08 -18.16 0.73 -8.55 -17.83 0 0 0 0 2.376 0
Iteramos la tabla obteniendo la siguiente tabla:
Iteramos la tabla obteniendo la siguiente tabla:
-------------------------------------------------------------------------------------------------------------------------
-------------------------------------------------------------------------------------------------------------------------
Iteramos la tabla hasta logra obtener que todos los coeficientes de la función objetivo
sea positivo, obteniendo la siguiente tabla:
Por lo tanto la solución óptima del problema será:
X1F = 85000 tn
X2F = 73653.8 tn
X3G = 85000 tn
Con lo que se maximiza la utilidad
Z = $ 2184327
Problema Nº3:
La empresa Minas Poracota S.A.Ubicado en la región Arequipa, provincia de
Condesuyo distrito de Cayarani tiene asentada su unidad minera Poracota la
cual se dedica a la explotación y transporte de mineral.Sierto día se le asigna al
ingeniero de turno que se encargue de transportar los materiales extraídos de
dos labores mineras una de chimenea y la otra de cruzero hacia tres plantas
concentradoras, sabiendo que la primera labor minera tiene una producción de
10Tn y la segunda de 15Tn de material por turno ,además las dos primeras
plantas concentradoras pueden procesar 8Tn de material ,mientras que la
tercera necesita 9 toneladas por turno. El costo de transporte desde cada labor
minera a la planta concentradora viene dado por el siguiente cuadro:
Labor minera Planta concentradora Planta concentradora Planta concentradora

(1) (2) (3)
Labor 10 15 20
minera(1)CH
Labor 15 10 10
minera(2)CZ
Los datos de la tabla hacen referencia a miles de dólares.
-------------------------------------------------------------------------------------------------------------------------
-------------------------------------------------------------------------------------------------------------------------
En base a las condiciones del problema se pide planificar el trasporte de tal forma
que el costo de este sea mínimo.
Solucion:
El problema que se muestra a continuación involucra un total de 6 variables de

decisión y cinco restricciones por lo cual ya no es posible utilizar el método
grafico en su solución por tanto es conveniente pensar en métodos matemáticos
de solución de problemas de programación lineal más generales como el método
algebraico, algoritmo simplex, algoritmo del tablero simplex o agenciarnos de la
ayuda de software de optimización tales como el Lindo, Winqsb, Tora, Solver,
entre otros.
Enunciando las variables:
X1= Cantidad de toneladas de material de la labor 1 a la planta concentradora 1.
Función objetivo: Z (min)=10x1+15x2+15x3+10x4+20x5+10x6
Restricciones:
X1+x2+x3<=10……………………… (1)
X2+x4+x6<=15…………………….. (2)
X1+x2>=8………………………. (3)
X3+x4>=8………………………. (4)
X5+x6>=9………………………. (5)
Condición de no negatividad: x1; x2; x3; x4; x5; x6>=0
Esquema grafico de solución. Planta concentradora
-------------------------------------------------------------------------------------------------------------------------
-------------------------------------------------------------------------------------------------------------------------
(Labor minera de Chimenea) 1
10000$
15000$
15000$
20000$
2
(Labor minera de Cruzero) 10000$
10000$ 3
Utilizando el programa de investigación de operaciones “TORA”

para la solución del problema.
-------------------------------------------------------------------------------------------------------------------------
-------------------------------------------------------------------------------------------------------------------------
1° Ingresar al programa.
2° Presionar el botón “click Here”, ingresar a la opción Linear Programming .
3° Presionar el botón “Go to input screen”.
4° Se abrira la siguiente ventana en donde se debe poner titulo al problema ,luego se ingresara
el numero de variables y resticiones a continuacion se aciona “Enter”.
-------------------------------------------------------------------------------------------------------------------------
-------------------------------------------------------------------------------------------------------------------------
5°Al abrirse la siguiente ventana se elegirá la acción que se desee realizar sea esta
maximizar o minimizar, luego se llenara la tabla con las restricciones del problema.
6°Luego de haber llenado la tabla por completo se hace click en el botón “SOLVE Menu”.
7°Dar click en “SI“, luego seguir el siguiente orden: Solve Problem, Algebraic, Iterations,
Bounded Simplex.
-------------------------------------------------------------------------------------------------------------------------
-------------------------------------------------------------------------------------------------------------------------
8° Al abrirse la siquente tabla se hara click en “All Iterations”, mostrandose inmediatamente el

numero de iteraciones con la cual se llega al optimo en el caso de nuestro problema se llega al
optimo luego de 11 iteraciones.
-------------------------------------------------------------------------------------------------------------------------
-------------------------------------------------------------------------------------------------------------------------
9°Luego de haber seguido ordenadamente los pasos anteriores se encontrara la solución
en la última iteración.
De la tabla siquiente se llega a la conclusion que si se quiere aminorar los costos

de traslado del material desde la laborminera a la planta consentradora se
deberian repartir desde la labor de cruzero 8Tn a la concentradora (1) ,2Tn a la
concentradora (2) y 0 Tn a la concentradora (3);De igual forma para la labor
minera de chimenea se deberian repartir 0Tn a la concentradora (1),6Tn ala
concentradora(2)y9Tn a la concentradora (3).
PROGRAMA LINDO
LINDO es una aplicación para computadoras que se utiliza para resolver
problemas de programación lineal, cuadrática y entera.
Desde 1979 el programa LINDO ha sido una de las herramientas de optimización

favoritas de las comunidades Educativas y Empresariales. LINDO Systems se
ha dedicado a proveer poderosas e innovativas herramientas de optimización
que también son flexibles y muy fáciles de usar. LINDO tiene una larga historia
y es uno de los pioneros en crear poderosos programas de optimización.
En 1979 se vendió en México la primer copia comercial de LINDO, la ayuda que

este proporcionó en aquel momento, le hizo ganar popularidad muy rápidamente
para luego ser utilizado en aplicaciones industriales. En 1983 la versión
LINDO/PC fue el primer paquete para programación lineal, este manejaba 60
restricciones y 120 variables. En 1996 apareció la versión 6.0 para WINDOWS.
-------------------------------------------------------------------------------------------------------------------------
-------------------------------------------------------------------------------------------------------------------------
Antes que aparecieran Lotus 1-2-3 o Excel, LINDO había sido incorporado a la
planilla de cálculo VisiCalc, el paquete se llamó VINO y es el equivalente del
SOLVER que viene con Excel. En estos momentos existe una hoja de cálculo
llamada WHAT´S Best! la cual se integra a EXCEL o LOTUS 1-2-3; ésta resuelve
problemas de optimización con algoritmos de LINDO Systems.
Esta imagen es una pantalla obtenida del programa LINDO:
La siguiente pantalla muestra una versión de la Hoja de Cálculo EXCEL a la que se le

ha integrado el paquete de optimización de LINDO "WHAT´S Best!":
-------------------------------------------------------------------------------------------------------------------------
-------------------------------------------------------------------------------------------------------------------------
VII. RECOMENDACIONES
 Para una mejor compresión del método del algoritmo del tablero simplex
se recomienda tener conocimientos previos de algebra vectorial o algebra
lineal para poder comprender de mejor manera algunas definiciones que
están involucradas en el algoritmo como definición de rango de una
matriz, operaciones elementales fila columna, sistema de ecuaciones
lineales entre otros.
 En lo posible se debería utilizar más de un software en la solución delos

problemas de programación lineal porque de esa forma se puede
comparar resultados y darse cuenta que programa es más idóneo para
cada tipo particular de problema.
VIII. CONCLUSIONES
 El método simplex, emplea básicamente, la estrategia de resolver los

problemas de programación lineal por medio de sistemas de ecuaciones
lineales simultáneas siempre que se tenga una solución factible.
 El óptimo, si es que existe, se determina avanzando un punto esquina
adyacente a la vez y comprobando si aún existe un punto esquina que
pueda mejorar el valor de la función objetivo.
-------------------------------------------------------------------------------------------------------------------------
-------------------------------------------------------------------------------------------------------------------------
 Es vital el uso de este algoritmo simplex en la minería y en cualquier
industria porque optimiza las operaciones y genera las mayores
ganancias con los menores costos.
 Su importancia está en que es un método que se puede encontrar el
óptimo sin importar el número de variables con las que se trabaje a
comparación de otros métodos como la programación Lineal que sus
variables queda restringido a un número finito muy pequeño
 Se comprueba que el método del algoritmo del tablero simplex es idóneo

para la solución de problemas de programación lineal de más de 2 o 3
variables si es que se realiza el cálculo en forma manual; por encima de
otros métodos como el método algebraico que generalmente se torna
tedioso con el ingreso de mayor cantidad de variables de decisión.
 Se comprendió que para problemas con múltiples variables como es el
caso de problemas relacionados con la industria minero metalurgia se
hace indispensable el uso de software que nos permitan calcular de
manera eficiente los resultados esperados tales como
Lindo,winqsb,Tora,Solver.
IX.BIBLIOGRAFÍA
 Investigación de Operaciones Handy A. Taha
 1. Introducción a La Investigación De Operaciones, Sexta Edición,

Hamdy a. Taha, 1997
 2. Investigación de operaciones, Wayne L. Winston
 Apuntes de clase curso introducción a la investigación de operaciones

Mineras – universidad Nacional de Ingeniería
 Investigación operativa: Modelo, técnica y software; Concepción Maroto

Alvares. Programación lineal .Primera edición 1997.
-------------------------------------------------------------------------------------------------------------------------

Metodo Simplex

Încărcat de

Informații document

Descriere originală:

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Metodo Simplex

Încărcat de

Drepturi de autor:

Formate disponibile

APLICACIÓN DEL

DOCENTE: Carlos Agreda Turriarte, Ph. D.

 BONILLA CHAVEZ, Erick

16 DE ABRIL DEL 2014

El método Simplex es un procedimiento iterativo que permite mejorar la solución

Partiendo del valor de la función objetivo en un punto cualquiera, el

El método Simplex se basa en la siguiente propiedad: si la función objetivo Z no

El objetivo consistirá en maximizar o minimizar el valor de la función objetivo

El método requiere que las restricciones sean ecuaciones en lugar de

 Solución básica: Valores de las variables que satisfacen las restricciones

 Solución básica factible inicial: Valores de las variables que satisfacen

 Variable de holgura: variable no negativa que se añade al lado izquierdo

 Variable artificial: variable no negativa que se añade al lado izquierdo de

 Iteración: una serie de pasos de un algoritmo que se repiten.

 Prueba de optimidad: Método para determinar si la solución obtenida es

 Mejora: proceso de encontrar soluciones factibles con valores de la

Preparando el modelo para adaptarlo al método Simplex

Función objetivo: c1·x1 + c2·x2 +... + cn·xn

a11·x1 + a12·x2 + ... + a1n·xn = b1

El modelo debe cumplir las siguientes condiciones:

1. El objetivo consistirá en maximizar o minimizar el valor de la función

Como se ha comentado, el objetivo del método consistirá en optimizar el valor

Además existen diferencias en el algoritmo entre el objetivo de maximización y

Condición de parada: cuando en la fila Z no aparece ningún valor negativo.

Condición de entrada a la base: el menor valor negativo en la fila Z (o el de mayor

Condición de salida de la base: una vez obtenida la variable entrante, la variable

Condición de parada: cuando en la fila Z no aparece ningún valor positivo.

Condición de entrada a la base: el mayor valor positivo en la fila Z indica la

No obstante, es posible normalizar el objetivo del problema con el fin de aplicar

Ventajas: No hay que preocuparse por nuevos criterios de parada, condición de

Inconvenientes: En el caso de que la función tenga todos los coeficientes de sus

Cambio de signo de los términos independientes.

También se ha dicho que los términos independientes (bi) de cada ecuación

Ventajas: Con ésta simple modificación de signos en las restricciones

Inconvenientes: Puede resultar que en las restricciones donde tengamos que

La condición de no negatividad de las variables (x1,..., xn ≥ 0) es la única

 Restricción de tipo "≤"

a11·x1 + a12·x2 ≤ b1 a11·x1 + a12·x2 + 1·xs = b1

 Restricción de tipo "≥"

a11·x1 + a12·x2 ≥ b1 a11·x1 + a12·x2 - 1·xs = b1

a11·x1 + a12·x2 ≥ b1 a11·x1 + a12·x2 - 1·xs + 1·xr = b1

 Restricción de tipo "="

a11·x1 + a12·x2 = b1 a11·x1 + a12·x2 + 1·xr = b1

En la siguiente tabla se resume según la desigualdad el tipo de variable que aparece

Desarrollando el método Simplex

A continuación se explican paso a paso los puntos de cada método,

 Construcción de la primera tabla:

Las columnas de la tabla están dispuestas de la siguiente forma: la primera

Los costes reducidos muestran la posibilidad de mejora en la solución

Se muestra a continuación el aspecto general de la tabla del método

Se observa, al realizar el método Simplex, que en esta primera tabla

Se cumple la condición de parada cuando la fila indicadora no contiene

Si no se cumple la condición de parada es necesario realizar una iteración

Es también posible determinar que el problema no se encuentra acotado y

Cuando una variable se vuelve básica, es decir, entra en la base, comienza

 Elección de la variable que sale de la base:

Una vez obtenida la variable entrante, se determina que sale de la base la

El elemento pivote de la tabla queda marcado por la intersección entre la

Las filas correspondientes a la función objetivo y a los títulos permanecerán

 En la fila del elemento pivote cada nuevo elemento se calcula como:

 Nuevo Elemento Fila Pivote = Anterior Elemento Fila Pivote / Pivote.

 En el resto de las filas cada elemento se calcula:

Nuevo Elemento Fila = Anterior Elemento Fila - (Anterior Elemento Fila