Mtodo simplex

El Mtodo Simplex es un algoritmo de resolucin para modelos de Programacin

Lineal y como todo algoritmo cuenta con un proceso iterativo que secuencialmente
a travs de pasos o iteraciones va aproximando el valor ptimo del problema lineal
en caso de existir este ltimo. Para aplicar el Mtodo Simplex a un modelo de
Programacin Lineal se requiere que ste ltimo se encuentre en una forma
estndar.
El Mtodo Simplex se utiliza mayormente para problemas lineales en los que
intervienen mltiples variables, los cuales no pueden ser resueltos de manera
grfica pues se hara demasiado complejo. Para ello, este mtodo hace uso de la
propiedad de que la solucin ptima de un problema de Programacin Lineal se
encuentra en un vrtice o frontera del dominio de puntos factibles (esto ltimo en
casos muy especiales), por lo cual, la bsqueda secuencial del algoritmo se basa
en la evaluacin progresiva de estos vrtices hasta encontrar el ptimo. Cabe
destacar que para aplicar el Mtodo Simplex a un modelo lineal, este debe estar
en un formato especial conocido como formato estndar.

Mtodo dual simplex

Este mtodo se aplica a problemas ptimos pero infactibles. En este caso, las
restricciones se expresan en forma cannica (restricciones).
La funcin objetivo puede estar en la forma de maximizacin o de minimizacin.
Despus de agregar las variables de holgura y de poner el problema en la tabla, si
algn elemento de la parte derecha es negativo y si la condicin de optimidad est
satisfecha, el problema puede resolverse por el mtodo dual simplex. Note que un
elemento negativo en el lado derecho significa que el problema comienza ptimo
pero infactible como se requiere en el mtodo dual simplex. En la iteracin donde
la solucin bsica llega a ser factible esta ser la solucin ptima del problema.

Identificar las variantes del mtodo simplex

Para la solucin de un problema de programacin lineal usando el mtodo
SIMPLEX el planteamiento con esta forma toma el nombre de forma cannica y
una vez eliminado las desigualdades entonces se denomina forma estndar.
Adems te recuerdo que se deben agregar las variables de Holgura en la funcin
objetiva con coeficientes 0.

Hasta ahora hemos visto cmo resolver un problema usando el mtodo simplex,
as como dos de sus variantes, el mtodo M y el mtodo de dos fases, sin
embargo existen otros casos, considerados especiales, que son los de
degeneracin, ptimos alternativos, soluciones no acotadas y soluciones
inexistentes o no factibles.

Para resolver estos problemas debemos utilizar variantes distintas del mtodo
simple, es aqu donde entran los mencionados hace un momento, y de los cuales
hablaremos en esta ocasin.

El mtodo de degeneracin, es cuando al aplicar la condicin de factibilidad del

mtodo simplex, se puede romper un empate en la razn mnima en forma
arbitraria, entonces, cuando se presenta un empate al menos una variable bsica
ser cero en la siguiente iteracin y se dice que la nueva solucin es degenerada.
Si esto sucede, la solucin degenerada nos lleva a un ciclado, ya que la condicin
indica que el modelo tiene al menos una restriccin redundante.

Por otro lado, un modelo de ptimos alternativos se da cuando la funcin

objetivo es paralela a una restriccin obligatoria, es decir, una restriccin que se
satisface como ecuacin en la solucin ptima, donde la funcin objetivo asumir
el mismo valor ptimo en ms de un punto de solucin.

Soluciones ptimas mltiples

Existen problemas que tienen ms de una solucin ptima. En este caso se dice
que se tienen soluciones ptimas mltiples debido a que la solucin ptima se
encuentra en un segmento de recta que es acotado por una de las restricciones.

En el caso de la solucin no acotada, se da cuando en algunos modelos de

programacin lineal los valores de las variables pueden aumentar en forma
indefinida sin violar alguna de las restricciones, y eso significa que el espacio de
soluciones es no acotado al menos en una direccin.

El resultado es que el valor objetivo puede aumentar en caso de tratarse de una

maximizacin o disminuir si se trata de un problema de minimizacin en forma
indefinida. En ese caso, el espacio de soluciones y el valor ptimo no estn
acotados, lo que apunta a la posibilidad de que el modelo est mal construido,
siendo las irregularidades ms probables en esos modelos, que no se hayan
tomado en cuenta restricciones no redundantes y que los parmetros o constantes
de algunas restricciones puedan no haberse estimado en forma correcta.

Finalmente, la solucin no factible se da cuando los modelos de programacin

lineal con restricciones inconsistentes no tienen solucin factible. Estos casos
suceden si todas las restricciones son del tipo menor o igual que, lo que hace
suponer que los lados derechos son no negativos porque las holguras permiten
tener una solucin factible. Para otros tipos de restricciones se usan variables
artificiales. Aunque estas se penalizan en la funcin objetivo, para obligarlas a ser
cero en el ptimo, lo que solo puede suceder si el modelo tiene un espacio que
sea factible, ya que en caso contrario al menos una variable artificial ser positiva
en la iteracin ptima, este tipo de caso tambin indica la posibilidad de que el
modelo no fue bien formulado.

Condicin de factibilidad
La variable que sale es la variable bsica que tiene el valor ms negativo (los
empates se rompen arbitrariamente si todas las variables bsicas son no
negativas, el proceso termina y esta ltima tabla es la solucin ptima factible).

Condicin de optimidad
La variable que entra se elige entre las variables no bsicas como sigue. Tome los
cocientes de los coeficientes de la funcin objetivo entre los coeficientes
correspondientes a la ecuacin asociada a la variable que sale.
Ignore los cocientes asociados a denominadores positivos o cero.
La variable que entra es aquella con el cociente ms pequeo si el problema es de
minimizar o el valor absoluto ms pequeo si el problema es de maximizacin
(rompa los empates arbitrariamente). Si los denominadores son ceros o positivos
el problema no tiene ninguna solucin factible.