You are on page 1of 23

PROGRAMACION LINEAL

La frase programacin lineal pareciera implicar la escritura de un cdigo computacional.


Sin embargo, aunque la programacin lineal con frecuencia se realiza en computadoras, la palabra
"programacin" de su nombre en realidad proviene de la terminologa militar de la poca de la
Segunda Guerra Mundial, durante la cual el entrenamiento, el abastecimiento y los planes de
despliegue de unidades eran llamados programas. Cada programa era una solucin a un problema
de asignacin de recursos.

Por ejemplo, suponga que las unidades militares que se encuentran en un frente de
combate necesitan combustible diesel. Cada unidad cuenta con un cierto nmero de tanques,
camiones y otros vehculos; cada unidad utiliza sus vehculos para cumplir con la misin que se le
ha encomendado, y cada misin tiene relacin con la meta global de ganar la campaa. Qu
programa de distribucin de combustible contribuir mejor a la victoria global?

La resolucin de este problema requiere de la cuantificacin de sus diferentes elementos.


Contar el nmero de galones de combustible y el nmero de cada tipo de vehculos es fcil, as
como lo es la conversin de galones de combustible a millas que un automotor puede recorrer. La
cuantificacin de la relacin entre millas de vehculo y el xito de la misin de las distintas
unidades incluye la identificacin de restricciones: el mximo de galones que un tanque puede
cargar a la vez, el nmero mnimo de millas que cada unidad debe recorrer para alcanzar su
objetivo de combate, y as sucesivamente. Los factores cuantitativos adicionales incluyen
probabilidades, como las oportunidades de que una unidad gane un combate clave si realiza cierta
maniobra a lo largo de una ruta de viaje en lugar de otra.

La cuantificacin de problemas complicados de la vida real con este enfoque es de la


competencia de la llamada investigacin de operaciones. Se utiliza la programacin lineal, una de
las ms viejas y an una de las ms importantes herramientas de la investigacin de operaciones,
cuando se puede describir un problema mediante ecuaciones y desigualdades que son todas
lineales.
DESIGUALDADES LINEALES DE 2 VARIABLES

Una desigualdad lineal con las variables x e y puede escribirse de una de las siguientes formas

+ + < 0, + + 0 , + + > 0 , + + 0

Donde a, b y c son constantes y ni a ni b son cero

Suponga que un consumidor recibe un ingreso fijo de $60 semanales que utiliza por completo en la
compra de los productos A y B. Si A cuesta $2 por kilogramo y B cuesta $3 por kilogramo y el
consumidor compra kilogramos de A y kilogramos de B, su costo ser 2 + 3. Puesto que
agota sus $60, x y y deben satisfacer

2 + 3 = 60 , 0

Las soluciones de esta ecuacin, llamada ecuacin de presupuesto, dan las posibles combinaciones
de A y B que pueden comprarse con $60. La grfica de esta ecuacin es la recta de presupuesto de
la figura 7.1.

Observe que (15, 10) pertenece a la recta. Esto significa que si se compran 15 kg de A, entonces
deben comprarse 10 kg de B para tener un costo total de $60. Por otro lado, suponga que el
consumidor no necesariamente desea gastar todos los $60. En este caso, las posibles
combinaciones estn descritas por la desigualdad:

2 + 3 60 , 0

Con desigualdades con una variable, se representa geomtricamente su solucin por intervalos
sobre la recta de nmeros reales. Sin embargo, la resolucin para una desigualdad con dos
variables por lo regular est representada por una regin en el plano coordenada Se encontrar la
regin correspondiente a la desigualdad despus de considerar las desigualdades en general.
En forma geomtrica, la solucin (o grfica) de una desigualdad lineal en y consiste en todos
los puntos (, ) en el plano, cuyas coordenadas satisfacen dicha desigualdad. Por ejemplo, una
solucin de + 3 < 20 es el punto (2, 4), puesto que la sustitucin da

2 + 3(4) < 20,

10 < 20, que es verdadera

Es claro que existe un nmero infinito de soluciones, esto es comn para toda desigualdad lineal.
Para considerar las desigualdades lineales en general, advierta primero que la grfica de una recta
no vertical = + , separa al plano en tres partes distintas (vea la figura 7.2):

1. La recta misma, que consiste en todos los puntos (, ) cuyas coordenadas satisfacen la
ecuacin = + .
2. La regin por encima de la recta, que consiste en todos los puntos (, ), cuyas
coordenadas satisfacen la desigualdad > + (esta regin se conoce como un
semiplano abierto).
3. El semiplano abierto por debajo de la recta, que consiste en todos los puntos (x, y) cuyas
coordenadas satisfacen la desigualdad < .

En la situacin donde la desigualdad estricta "<" se reemplaza por "" la solucin de +


consiste en la recta = + , as como el semiplano por debajo de ella. En este caso se dice
que la solucin es un semiplano cerrado. Se puede hacer una afirmacin semejante cuando ">" se
reemplaza por " ".
Para una recta vertical = (vea la figura 7.3), se habla de un semiplano a la derecha ( > )
de la recta o a la izquierda ( < ). Como cualquier desigualdad lineal (en dos variables) puede
expresarse en una de las formas que se han analizado, puede decirse que la solucin de una
desigualdad lineal debe ser un semiplano.

Para aplicar estos hechos se resolver la desigualdad lineal

2 + < 5

Del estudio previo se sabe que la solucin es un semiplano. Para encontrarlo se inicia por
reemplazar el smbolo de desigualdad por un signo de igualdad y despus se grafica la recta
resultante, 2 + = 5. Esto es fcil de hacer si se seleccionan dos puntos sobre la recta por
5
ejemplo, las intersecciones (2 , 0) (0, 5) . (Vea la figura 7.4.) Debido a que los puntos sobre la
recta no satisfacen la desigualdad "<", se utiliza una lnea punteada para indicar que la recta no es
parte de la solucin. Ahora debe determinarse si la solucin es el semiplano por encima de la recta
o el semiplano por debajo de ella. Esto puede hacerse al resolver la desigualdad para . Una vez
que est aislada, el semiplano apropiado ser evidente. Se tiene que:
< 5 2

Del enunciado anterior, se concluye que la solucin consiste en el semiplano por debajo de la
recta. La parte de la regin que no satisface la desigualdad est sombreada en la figura 7.4. A
partir de ahora, al graficar desigualdades se sombrear la parte de la regin que no satisface la
condicin. As, cuando (, ) es cualquier punto en esta regin, su ordenada es menor que
el nmero 5 2Xo. (Vea la figura 7.5.) Por ejemplo, (2, 1) est en la regin Y

1 < 5 2(2)

1<9

Si, en lugar de esto, la desigualdad original hubiera sido 5 2, entonces la recta =


5 2 tambin se habra incluido en la solucin. Lo anterior se indicara mediante una lnea
continua en lugar de una lnea punteada. Esta solucin, que es un semiplano cerrado, se muestra
en la figura 7.6. Tenga en mente que una recta continua est incluida en la solucin mientras que
una recta punteada no lo est.

SISTEMAS DE DESIGUALDADES

La solucin de un sistema de desigualdades consiste en todos los puntos cuyas coordenadas


satisfacen de manera simultnea todas las desigualdades dadas. En forma geomtrica, es la regin
comn para todas las regiones determinadas por las desigualdades dadas. Por ejemplo, resuelva el
sistema:

2 + > 3
{
2 1 > 0

Primero se reescribe cada desigualdad de modo que y est aislada. Esto resulta en el sistema
equivalente

> 2 + 3

{
1
>
2
1
Enseguida se hace el bosquejo de las rectas correspondientes = 2 + 3, = = 2,
mediante rectas punteadas para la primera y tercera, y una linea continua para la segunda.
Despus se sombra la regin que est por debajo de la primera recta, la regin que est sobre la
segunda lnea y la regin que est por debajo de la tercera recta. La regin que no est sombreada
(vea la figura 7.9) junto con cualquier lnea continua que delimite una regin son puntos de la
solucin del sistema de desigualdades.
PROGRAMACION LINEAL
Algunas veces se desea maximizar o minimizar una funcin sujeta a algunas limitaciones (o
restricciones). Por ejemplo, probablemente un fabricante desee maximizar una funcin de utilidad
sujeta a las restricciones e produccin que imponen las limitaciones sobre el uso de la maquinaria
y la mano de obra.

Ahora se considerar como resolver tales problemas cuando la funcin que ser
maximizada o minimizada es lineal. Una funcin lineal en y tiene la forma

= +

Donde a y b son constantes. Tambin se requerir que las correspondientes restricciones estn
representadas por un sistema de desigualdades lineales (que incluyan "" " ") o ecuaciones
lineales en y , adems de que ninguna de las variables sea negativa. Una situacin que
involucra todas estas condiciones se llama problema de programacin lineal.

Algunas veces una funcin alcanza su valor optimo en ms de un punto factible, en cuyo caso se
dice que existen soluciones optimas mltiples.

La programacin lineal fue desarrollada por George B. Dantzig al final de la dcada de 1940, y la
Fuerza Area de Estados Unidos fue quien la utiliz primero, como una ayuda en la torna de
decisiones. Actualmente tiene una amplia aplicacin en los anlisis industrial y econmico.

En un problema de programacin lineal, la funcin que se debe maximizar o minimizar se llama


funcin objetivo. Aunque por lo regular existe un nmero infinito de soluciones para el sistema de
restricciones, llamadas soluciones factibles o puntos factibles, la meta es encontrar una que sea
una solucin ptima (es decir, una que d el valor mximo o mnimo de la funcin objetivo).

A continuacin se expone un enfoque geomtrico de la programacin lineal. Luego, se presentar


el enfoque matricial, que permitir trabajar con ms de dos variables y, por lo tanto, con una
mayor variedad de problemas.

Considere el problema siguiente. Una compaa produce dos tipos de abrelatas: manuales y
elctricos. Para su fabricacin, cada uno requiere del uso de tres mquinas, A, B y C. En la tabla 7.1
se proporciona la informacin relacionada con la fabricacin de estos artculos. Cada abrelatas
manual requiere del uso de la mquina A durante 2 horas, de la mquina B por 1 hora y de la
mquina C otra hora. Un abrelatas elctrico requiere de 1 hora de la mquina A, 2 horas de la B y 1
hora de la C. Adems, suponga que el nmero mximo de horas disponibles por mes para el uso
de las mquinas A, B y C es de 180, 160 y 10C, respectivamente. La utilidad por un abrelatas
manual es de $4 y por uno elctrico es de $6. Si la compaa vende todos los abrelatas que puede
producir, cuntos de cada tipo debe fabricar con el fin de maximizar la utilidad mensual?
Para resolver el problema, considere que y denotan el nmero de abrelatas manuales y
elctricos, respectivamente, fabricados en un mes. Como el nmero de artculos producidos no es
negativo,

0 0

Para la mquina A, el tiempo necesario para trabajar sobre x abrelatas manuales es 2x horas, y el
tiempo para trabajar sobre y elctricos es 1 horas. La suma de estos tiempos no puede ser mayor
que 180, de modo que

2 180

De manera similar, las restricciones para las mquinas B y C dan

2 160 + 100

La utilidad es una funcin de y , y est dada por la funcin de utilidad

= 4 + 6

En resumen, se desea maximizar la funcin objetivo

= 4 + 6 (1)

Sujeta a las condiciones de que x y y deben ser soluciones del sistema de restricciones:

2 + 180 (2)
2 16 (3)
+ 100 (4)
0 (5)
{ 0 (5)

Por lo tanto, se tiene un problema de programacin lineal. Las restricciones (5) y (6) se llaman
condiciones de no negatividad. La regin que satisface de manera simultnea las restricciones (2) a
(6) no est sombreada en la figura 7.12.
Cada punto de esta regin representa una solucin factible, y dicha regin se llama regin factible.
Aunque existe un nmero infinito de soluciones factibles, debe encontrarse una que maximice la
funcin de utilidad.

Como la funcin objetivo, = 4 6 , es equivalente a

2
= +
3 6

define una familia de rectas paralelas, cada una corresponde a un posible valor de P, cada una
2
tiene pendiente de 3 e interseccin (0, 6 ). Por ejemplo, si P=600, entonces se obtiene la recta

2
= + 100
3
que se muestra en la figura 7.13. Esta recta, llamada de lnea de isoutilidad, proporciona todas las
combinaciones posibles de y con las que se obtiene la misma utilidad, $600. Observe que esta
lnea de isoutilidad no tiene puntos en comn con la regin factible, mientras que la lnea de
isoutilidad para P = 300 tiene un nmero infinito de puntos en comn con la regin factible. Ahora
se buscar un elemento de la familia que tenga un punto factible y cuyo valor de P sea mximo.
sta ser la recta cuya interseccin sea la ms lejana del origen (lo que da un valor mximo de
P), y que al mismo tiempo tenga al menos un punto en comn con la regin factible. No es difcil
observar que tal recta contendr al vrtice A. Cualquier recta de isoutilidad con una utilidad mayor
no contendr puntos de la regin factible.

A partir de 1a figura 7.12 se observa que A pertenece a las rectas + = 100 y + 2 = 160.
Sus coordenadas pueden hallarse al resolver el sistema

+ = 100
{
+ 2 = 160

Esto da = 40 y 60. Al sustituir estos valores en = 4 + 6, se encuentra que la


utilidad mxima sujeta a las restricciones es de $520, que se obtiene al producir 40 artculos
manuales y 60 elctricos cada mes. Si una regin factible puede estar contenida dentro de un
crculo, como la de la figura 7.13, se denomina entonces regin factible acotada .De otra manera
es no acotada. Cuando una regin factible contiene al menos un punto, se dice que es no vaca; en
caso contrario es vaca. As, la regin de la figura 7.13 es una regin factible acotada no vaca.

Puede demostrarse que:

Una funcin lineal definida sobre una regin factible acotada no vaca., tiene un valor
mximo (mnimo) que puede encontrarse en un vrtice.
Este enunciado proporciona una forma de encontrar una solucin ptima sin dibujar las
rectas de isoutilidad como se hizo antes. Basta con evaluar la funcin objetivo en cada uno de los
vrtices de la regin factible, y despus seleccionar un vrtice en el que la funcin sea ptima.

Por ejemplo, en la figura 7.13 los vrtices son A, B, C, D y E. Se encuentra como antes, que
A es (40, 60). Para encontrar B, de la figura 7.12 debe resolverse de manera simultnea 2 +
= 180 y + = 100. Esto da el punto B (80, 20), De manera similar se obtiene que todos
los vrtices:

= (40, 60) = (80, 20) = (90, 0) = (0, 0) = (0, 80)

Ahora se evala la funcin objetivo = 4 + 6, en cada uno de los puntos:

() = 4(40) + 6(60) = 520

() = 4(80) + 6(20) = 440

() = 4(90) + 6(0) = 360

() = 4(0) + 6(0) = 0

() = 4(0) + 6(80) = 480

As, P tiene un valor mximo de 520 en A, donde = 40 y = 60

La solucin ptima para un problema de programacin lineal esta dad por el valor ptimo
de la funcin objetivo y el punto donde ocurre dicho valor.
METODO SIMPLEX
Hasta ahora se han resuelto problemas de programacin lineal por un mtodo geomtrico; el cual
no es prctico cuando el nmero de variables aumenta a tres y, desde luego, es imposible usarlo si
las variables son ms de tres. Ahora se ver una tcnica diferente, el mtodo simplex, cuyo
nombre est ligado, en estudios ms avanzados, a un objeto geomtrico al que se denomina
simple (simplex).

El mtodo simplex empieza con una solucin factible y la pone a prueba para descubrir si es
ptima o no. Si no lo es, se procede a obtener una mejor solucin. Se dice "mejor" en el sentido de
que la nueva solucin est ms cerca de la optimizacin de la funcin objetiva.Si no es ptima,
entonces se repite el procedimiento. En algn momento el mtodo simplex conduce a una
solucin ptima, si es que existe. Adems de ser eficiente, el mtodo simplex tiene otras ventajas.
Es completamente mecnico (se usan matrices, operaciones elementales con renglones y
aritmtica bsica).

Adems, no es necesario dibujar grficas; lo que permite resolver problemas de programacin


lineal con cualquier nmero de restricciones y variables.

Ahora se considerarn slo los llamados problemas estndar de programacin lineal, que pueden
expresarse en la forma siguiente.

Problema estndar de programacin lineal

Maximizar la funcin lineal = 1 1 + , sujeta a las restricciones

11 1 + 1 1
21 1 + 2 2 }
.
1 1 + 2

Donde 1 , 1 , son no negativas.

Resulta til formular el problema en notacin matricial de manera que su estructura sea ms fcil
de recordar. Sea
1
= [1 2 ] = [ ]

Entonces la funcin objetivo puede escribirse como

=
Ahora, si se escribe

11 1 1
=[ ] =[]
1

Entonces puede decirse que un problema de programacin lineal es aqul que puede expresarse
en la forma


{
0

(Las desigualdades matriciales deben entenderse como igualdad de matrices. Las comparaciones
se refieren a matrices del mismo tamao y se requiere de la desigualdad para contener todas las
entradas correspondientes).

Observe que una solucin factible para un problema estndar de programacin lineal siempre es
1 = 0, 2 = 0, , = 0 y que en esta solucin factible el valor de la funcin Z es 0.

PROBLEMA

Maximizar = 1 1 + 2 2 + 3 3 ; sujeta a

11 1 + 12 2 + 13 3 1
21 1 + 22 2 + 23 3 2
}
31 1 + 23 2 + 33 3 3
41 1 + 24 2 + 43 3 4

Donde 1 , 2 , 3 y 1 , 2 , 3 , 4 son no negativos

Mtodo:

1. Configure la tabla simplex inicial

Existen cuatro variables de holgura: 1 , 2 , 3 4 (una por cada restriccin).


2. Si todos los indicadores en el ltimo rengln son no negativos, entonces Z tiene un valor
mximo con la lista actual de variables bsica y el valor actual de Z. (En el caso de la tabla
simplex inicial 1 = 0, 2 = 0 3 = 0, con un valor mximo de Z=0).Si existen indicadores
negativos, localice y marque la columna en la que aparezca el indicador ms negativo. Esta
columna pivote proporciona la variable entrante (si ms de una columna tiene el indicador
ms negativo, la eleccin de la columna pivote se hace de manera arbitraria).

3. Divida cada entrada positiva por encima del rengln objetivo en la columna de la variable
entrante, con el correspondiente valor de la columna R.

4. Marque la entrada en la columna pivote que corresponda al cociente ms pequeo del


paso 3. sta es la entrada pivote y el rengln en el que se encuentra es el rengln pivote.
La variable saliente es aqulla que da nombre a la etiqueta del rengln pivote.

5. Utilice operaciones elementales con renglones para transformar la tabla en una nueva
tabla equivalente, que tenga un 1 en donde estaba la entrada pivote y 0 en las otras
entradas de esa columna.

6. En las etiquetas de la columna B de esta tabla, la variable entrante reemplaza a la variable


saliente.

7. Si los indicadores de la nueva tabla son todos negativos, se tiene una solucin ptimas El
valor mximo de Z es la entrada en el ltimo rengln y la ltima columna. Esto ocurre
cuando las variables bsicas que se encuentran en la columna de etiquetas, B, son iguales
a las entradas correspondientes en la columna R. Todas las dems variables son iguales a
0. Si al menos uno de los indicadores es negativo, repita el proceso a partir del paso 2,
aplicado a la nueva tabla.

Para entender el mtodo simplex, es til dar una interpretacin para ciertas entradas de la tabla.
Suponga que se obtiene una tabla cuyo ltimo rengln es el que se indica a continuacin.
La entrada b, por ejemplo, puede interpretarse corno sigue: si x2 es no bsica y se fuera a
convertir en bsica, entonces por cada aumento de 1 unidad en x2,

< 0, ||

> 0, ||

= 0 , .
DEGENERACION, SOLUCIONES NO ACOTADAS Y SOLUCIONES
OPTIMAS MULTIPLES
Ya se estableci que una solucin bsica factible se denomina degenerada si adems de las
variables no bsicas, una de las variables bsicas es 0. Suponga que xv x2, 13 y x4 son las variables
en una SBF degenerada, donde xi y x2 son bsicas, donde1 , 2 , 3 4 son no bsicas, y donde
3 es la variable entrante. La tabla simplex correspondiente tiene la forma

As, la SBF es

1 = 0, 2 = , 3 = 0 , 4 = 0

Suponga que 13 > 0. Entonces el cociente ms pequeo es 0 y puede elegirse a 13 como la


entrada pivote. As, 1 es la variable saliente. Mediante operaciones elementales con renglones se
obtiene la tabla siguiente, donde los smbolos de interrogacin representan nmeros por
determinar:

Para la SBF correspondiente a esta tabla, 2 3 son variables bsicas y 1 y 4 son no bsicas. La
SBF es :

3 = 0, 2 = , 1 = 0 , 4 = 0

que es la misma SBF de antes, En la prctica se consideran diferentes SBF, aunque la nica
distincin es que 1 es bsica en la primera SBF, mientras que en la segunda es no bsica. El valor
de Z para ambas es el mismo, 3 . As, no se obtuvo "mejora" en Z.
En una situacin de degeneracin pueden presentarse algunos problemas con el mtodo simplex.
Es posible que se obtenga una secuencia de tablas que correspondan a las SBF que dan el mismo
valor de Z. Adems, en un momento dado puede regresarse a la primera tabla de la secuencia. En
la figura 7.24 se llega a la 1 , se prosigue a la 3 , despus a la 3 , y finalmente de vuelta a
la 1 .Esto se llama ciclo. Cuando ocurre, es posible que nunca se obtenga el valor ptimo de Z.
Este fenmeno se encuentra muy pocas veces en problemas de programacin lineal prcticos; sin
embargo, existen tcnicas para resolver tales dificultades.

Una SBF degenerada ocurrir cuando dos cocientes en la tabla simplex empaten con los cocientes
ms pequeos. Por ejemplo, considere la tabla siguiente (parcial):


Aqu 1 2 son variables bsicas, Suponga que3 es no bsica y entrante, y que 1 = 2son los
1 2
cocientes ms pequeos. Al seleccionar 1 como la entrada pivote, mediante operaciones
elementales con renglones, se obtiene


Como 1 = 2 , se tiene que2 2 (1 ) = 0 .Por lo que la SBF correspondiente a esta tabla tiene
1 2 1
2 = 0, lo que da una SBF degenerada
SOLUCIONES NO ACOTADAS

Ahora se pondr atencin en "problemas no acotados". Se vio que un problema de programacin


lineal puede no tener un valor mximo cuando su regin factible es tal que la funcin objetivo
puede ser arbitrariamente grande. En este caso, se dice que el problema tiene una solucin no
acotada. sta es una forma de especificar que no existe solucin ptima. Esta situacin ocurre
cuando no existen cocientes posibles en una tabla simplex para una variable que entra. Por
ejemplo considere la tabla siguiente:

Aqu 2 es la variable que entra y por cada aumento de una unidad en 2 , Z aumenta en 5. Como
no existen entradas positivas en los primeros dos renglones de la columna 2 , no existe cociente
alguno. De los renglones 1 y 2, se obtiene

1 = 5 + 32 24

3 = 1 44

Si se trata de pasar a la siguiente SBF, cul es una cota superior para 2 ? En esa SBF, 4
5
permanecer como no bsica (4 = 0). As, 1 = 5 + 32 3 = 1. 1 0, 2 .
3

Por lo tanto, no existe cota superior sobre2 . De aqu que Z pueda ser arbitrariamente grande y se
tenga una solucin no acotada.

Si no existen cocientes en una tabla simplex, entonces el problema de programacin lineal tiene
una solucin no acotada.
SOLUCIONES PTIMAS MULTIPLES

Se concluye esta seccin con un estudio de "soluciones ptimas mltiples".

Suponga que

1 = 1 , 2 = 2 , , =

1 = 1 , 2 = 2 , , =

son dos SBF diferentes para las cuales un problema de programacin lineal es ptimo. Por "SBF
diferentes" se entiende que , alguna , donde 1 . Puede demostrarse que los
valores

1 = (1 )1 + 1

2 = (1 )2 + 2

= (1 ) +

Para cualquier t tal que 0 1

Tambin dan una solucin ptima (aunque no necesariamente ser una SBF). As, existen
soluciones mltiples (ptimas) para el problema.

Puede determinarse la posibilidad de hallar soluciones ptimas mltiples a partir de una tabla
simplex que d una solucin ptima, corno en la tabla (parcial) que se muestra a continuacin:

Aqu a debe ser no negativa. La correspondiente SBF, es

1 = 1 , 2 = 1 , 3 = 0 , 4 = 0

Y el valor mximo de Z es r. Si 4 se convirtiese en bsica, el indicador 0 en la columna 4 ,


significara que por cada aumento unitario en x4, Z no cambiara. As que puede encontrarse una
STF en la que 4 es bsica y el correspondiente valor de Z es el mismo que antes. Esto se logra si 4
se trata como la variable entrante en la tabla anterior. Si, por ejemplo, 1 es la variable que sale,
entonces el elemento pivote ser el del rengln 1 y la columna 4 . La nueva SBF, tiene la forma

1 = 0, 2 = 2 , 3 = 0 , 4 = 2
Donde 2 , y 2 , son nmeros que resultan del proceso de pivote. Si esta SBF, es diferente de la
anterior, entonces existen soluciones mltiples. De hecho, de acuerdo con las ecuaciones (1) una
solucin ptima est dada por cualesquiera valores de x1, x2,, x3 y x4, tales que

1 = (1 )1 + . 0 = (1 )1

2 = (1 )1 + 2

3 = (1 ). 0 + . 0 = 0

4 = (1 ). 0 + 2 = 2

donde 0 1

Observe que cuando t =0 se obtiene la primera SBF ptima; cuando t =1, se obtiene la segunda. Es
posible repetir el procedimiento mediante la tabla correspondiente a la ltima SBF, y obtener
soluciones ptimas con base en las ecuaciones.

En una tabla que da una solucin ptima, un indicador igual a 0 para una variable no bsica
sugiere la posibilidad de soluciones ptimas mltiples.
VARIABLES ARTIFICIALES

Para iniciar el mtodo simplex se requiere de una solucin bsica factible, SBF(lgebraicamente, se
comienza en un vrtice con el uso de la tabla simplex inicial y cada tabla subsecuente conduce a
otro vrtice hasta que se llega al punto que representa una solucin ptima. Para un problema de
programacin lineal estndar, se empieza con la SBF, en la que todas las variables de decisin son
0. Sin embargo, para un problema de maximizacin que no est en la forma estndar, tal SBF
podra no existir. Se presentar la forma en que se utiliza el mtodo simplex en estas situaciones.
Considere el problema siguiente:

= 1 + 22

Sujeta a

1 + 2 9

1 2 1

1 , 2 0

Dado que la restriccin no puede escribirse como 1 1 + 2 2 , donde b es no negativa, este


problema no puede expresarse en la forma estndar. Observe que (0, 0) no es un punto factible,
pues no satisface la restriccin. (Puesto que 0 0 = 0 1 es falso!) Para resolver este
problema, se comienza por escribir las restricciones como ecuaciones. La restriccin se convierte
en:

1 + 2 + 1 = 9

donde 1 0 es una variable de holgura. Para la rustriccin (2),xi 22 ser igual a 1 si se resta una
variable de holgura no negativa s2 de x1 xnt Es decir, al restar s2 se compensa el "excedente"
sobre el lado izquierdo de (2) de modo que se tiene la igualdad. De esta manera

donde sin 0. Ahora,.

sujeta a

xi

X1 X2, s1, 542

X2 51

s, 1

problema puede replantearse: Maximizar Z x I 2x,,


2 S2 I

Corno (O, O) no est en la regin factible, no se tiene una SEIF eu la que x x2 O. De hecho, si x1-= O
y x2 - O se sustituyen en la ecuacin (7), entonces O Oax 1, lo que da s2 1. Pero ahora esto
contradice la condicin de que s2 O. Para poner en marcha el me-todo simplex, se necesita una
Sfir inicial. ~quo nine guna es obvia, existe un mtodo ingenioso para llegar a una en forma
artificial. Requiere de considerar un problema de programacin lineal relacionado que se conoce
como problema artificial. Primero se forma una nuevaecuacin al sumar una variable no ne-gativa
t al lado izquierdo de la ecuacin en la que cl coeficiente de la variable de holgura cs La variable t
Se llama variable artificial, En este caso, se reemplaza la ecuacin (7) por x1 x7 t 1. As, las
ecuaciones (6) y (7) se convierten en

- 1 t

rl X2 +Si

X1 9 t >aP O

Se encuentra una solucin obvia para las ecuaciones (8) y (9) al considerar x s2 iguales a O. Esto da

2Y

O t Xi V2 2 Observe que estos valeses no satisfacen la ecuacin (7). Sin embargo, es claro que cual-
quier solucin de las ecuaciones (8) y (9) para la cual t O dar una solucin para las ~aciones (6) y
(7), y viceversa. En algn momento puede forzarse que t sea O si se altera la funcin objetivo origi-
nal_ Se define la funcin objetivo artificial como

x1 -I- 2x2 Mt

donde la constante M es un nmero positivo muy grande. No hay necesidad de preocu-parse por
el valor particular tic A4, y puede procederse a maximizar W con el mtodo sirnplex. Como hay ni
2 restricciones (si se excluyen las condiciones de no negativi-dad) y 11 5 variables en las
ecuaciones (8) y (9), cualquier SEF debe tener al menos n ni 3 variables iguales a O. Se comienza
con la siguiente SI-1F:

2 2 si 9 Xi x s,

"rn 1

En esta SIEW inicial, las variables no bsicas son las variables de decisin y la variable de "holgura"
s El correspondiente valor de W es W = x1 2x2 Mt = M, que es un nmero
"extremad.amenten negativo dado que se supuso que Me era un nmero positivo muy grande.
Una mejora significativa de W ocurrir si os posible encontrar otra SBF para la cual t -- O. Como el
mtodo simplex busca mejorar los valores de W en cada etapa, se aplicar hasta llegar a tal SBF si
es posible. Esa solucin ser una SBF para el problema

You might also like