Вы находитесь на странице: 1из 12

UNIVERSIDAD DE LIMA

ESCUELA UNIVERSITARIA DE INGENIERA


INVESTIGACIN DE OPERACIONES
AUTOR: PROF. EZILDA CABRERA
MTODO SIMPLEX
El fundamento del algoritmo puede entenderse a partir de su interpretacin geomtrica.
Cuando se explic el mtodo grfico se indic que la solucin ptima se encuentra
siempre en un punto extremo y que los puntos extremos son soluciones bsicas, es
decir, soluciones en la que existe cierto nmero de variables con valor cero. De acuerdo
con ello, podra afirmarse que es posible hallar la solucin ptima de un modelo de
Programacin Lineal identificando todas las soluciones bsicas factibles y escogiendo
entre ellas la mejor, es decir, la que corresponda el mejor valor de la funcin objetivo,
tal como se har en el ejemplo siguiente:
Max 3x1 + 5x2

El modelo en su forma estndar

X1 + X2 200
X1 + 2X2 300
X1 , X2 positivas

Max 3X1 + 5X2


X1 + x2 + S1
= 200
X1 + 2X2
+S2=300
X1,X2,S1,S2 positivas

El modelo en la forma estndar tiene 4 variables ( n=4) y dos restricciones (m=2) . Cabe
recordar que no se cuentan las restricciones de signo y s las variables de holgura o
exceso. Por lo tanto, las soluciones bsicas deben tener 2 variables no bsicas (n-m).
Las soluciones bsicas que se pueden identificar son:
Nmero
solucin
1
2
3
4
5
6

de X1
0
200
100
0
300
0

X2

S1

S2

0
0
100
150
0
200

200
0
0
50
-100
0

300
100
0
0
0
-100

Valor de la
F.O.
0
600
800
750
INFACTIBLE
INFACTIBLE

Ntese que se pueden encontrar 6 soluciones bsicas haciendo cero las variables de
dos en dos.
El nmero de soluciones bsicas se puede calcular :
n
= n! / (n-m)!m!
m

Al comparar todas las soluciones bsicas halladas es posible identificar la mejor, pero,
evidentemente en problemas de la vida real, con gran nmero de restricciones y
variables no resulta adecuado evaluar cada una de las soluciones bsicas para
encontrar la mejor.
Observando la soluciones bsicas del cuadro anterior, la soluciones No. 5 y No.6 son
no factibles porque determinan valores negativos para algunas de las variables por
tanto tampoco podran ser ptimas. Del resto de las soluciones bsicas halladas, la
mejor es la No. 3 por que determina el mejor valor para la funcin objetivo, que es de
maximizacin. Cada una de las soluciones bsicas factibles corresponde a un vrtice
de la regin factible y puede notarse que las soluciones No.1 y No.2 tienen una variable
no bsica en comn, al igual que las soluciones No.2 y No.3 y las soluciones No. 3 y
No.4, se dice entonces que se trata de soluciones adyacentes.
Si se construyera grficamente el espacio de soluciones factibles, las soluciones 1, 2,3
y 4 corresponderan cada una a un vrtice de la regin factible. Con el mtodo grfico
se utilizara una recta de la familia de rectas de la funcin objetivo para identificar el
punto extremos que determina su valor ptimo, pero tambin podra aplicarse el
siguiente razonamiento:
a)
b)

c)

Se ubica un vrtice inicial, (generalmente el origen de coordinadas inicial) y se


calcula el valor de la Funcin objetivo. (Solucin bsica factible inicial) .
Luego se identifican los vrtices vecinos, que constituyen soluciones bsicas
adyacentes y se comparan los valores de la funcin objetivo para reconocer si
la solucin inicial es mejor o no. (Prueba de optimidad). En caso algn vrtice
vecino tenga un mejor valor para la funcin objetivo , el punto extremo actual no
es ptimo. Por tanto, debe optarse por el traslado a la mejor solucin
adyacente.
Trasladndose al punto extremo vecino de mejor valor para la funcin objetivo,
se vuelve a aplicar la prueba de optimidad hasta verificar que el punto extremo
actual sea el mejor. ( Traslado)

En palabras ms simples, la solucin ptima se identifica trasladndose de un punto


extremo a otro mientras se mejore el valor de la funcin objetivo, al no haber mejora, se
habr hallado al punto extremo ptimo. Esta misma lgica es la que emplea el algoritmo
del mtodo smplex, aplicando de forma iterativa los siguientes pasos:
a) Solucin bsica factible inicial
b) Prueba de optimidad
c) Traslado a una solucin bsica factible adyacente mejor y
nuevamente desde (b) hasta que no sea posible mejorar la
solucin actual.
La aplicacin del algoritmo requiere que el modelo se encuentre en su forma estndar:
a) Debe ser de maximizacin.
Una funcin objetivo de minimizacin puede convertirse en una de
maximizacin si se multiplican todos sus miembros por (-1)
b) Todos los lados derechos deben ser no negativos

Un lado derecho negativo se convierte en positivo multiplicando tanto el lado


derecho como el izquierdo por (-1) , invirtiendo el signo de la desigualdad.
c) Todas las restricciones deben ser ecuaciones
Para ello, se agregan las variables de holgura o exceso.
d) Todas las variables deben ser no negativas.
En caso de variables negativas: se sustituyen por el negativo de la misma
variable.
En caso de variables sin restriccin de signo: se sustituyen por la diferencia
de dos variables positivas.
Ejemplo:
Dado el siguiente sencillo modelo lineal:
Max 3X1 + 5X2
X1 + X2
<= 200
X1 + 2X2
<=300
X1,X2 positivas
Suponga que modela el problema de decidir cunto producir de dos productos X1 y
X2, sujetos a la limitada disponibilidad de dos recursos, que corresponden cada uno
a cada una de las restricciones del modelo.
Este modelo en su forma estndar es como sigue:
Max 3X1 + 5X2
X1 + X2 + S1
= 200
X1 + 2X2
+S2=300
X1,X2,S1,S2 positivas
Las soluciones bsicas del modelo deben tener 2 variables no bsicas, ya que n=4 y
m=2.
Aplicando el mtodo smplex:
a) Encontrar la solucin bsica factible inicial
La solucin bsica factible inicial puede encontrarse fcilmente si se tiene en
consideracin que las variables bsicas deben ser tales que aparezcan cada
una en una sola restriccin con coeficiente +1 y no deben aparecer en la funcin
objetivo. Como puede observarse, las variables bsicas de la solucin inicial
pueden ser las variables S1 y S2 que cumplen con tales caractersticas.
Entones la solucin bsica factible inicial es:
S1=200
S2=300
X1=X2=0
Valor de la funcin objetivo=0
Esta solucin no parece ser la mejor, as que corresponde hallar una solucin
bsica factible adyacente mejor, si existe.

Primera Iteracin:
b) Identificar si existe una solucin adyacente que pudiera ser mejor.
Cabe recordar que las soluciones adyacentes se obtienen a partir de un solo
cambio en la base, es decir, que el conjunto de variables bsicas de una
solucin difiere del de la solucin adyacente en solo una variable.
Grficamente, se tratara de dos vrtices formados por una restriccin no
comn.
Para evaluar si existe una solucin mejor, debe aplicarse el concepto de
costo reducido. El costo reducido es un indicador asociado a las
variables no bsicas, el cual seala el efecto que producira cambiar su
condicin de no bsicas, es decir, asignarles valor y convertirlas en
bsicas. Este costo reducido se puede observar en la funcin objetivo
despus de cada iteracin para cada una de las variables no bsicas.
Este indicador resume el efecto neto de dos aspectos:
a) El aporte de la variable al valor de la funcin objetivo (su
coeficiente en la funcin objetivo)
b) El efecto sobre las otras variables bsicas. Cul es este
efecto? Si la variable no bsica observada ingresa a la base, esto
podra modificar el valor de las variables bsicas y con ello
reducir sus aportes a la funcin objetivo, con lo cual dicha funcin
desmejorara.
Si el aporte de la propia variable compensa el efecto sobre las dems,
entonces el cambio en la condicin de la variable es favorable, caso
contrario, no ser conveniente cambiar su condicin.
En esta primera vez, el costo reducido es nicamente el coeficiente de la
variable en la funcin objetivo original, es decir, no existe el efecto que se
seala en (b). Por qu?
Porque, si bien es cierto que si X1 o X2 se volvieran bsicas, las
variables S1 y S2 modificaran sus actuales valores, estas modificaciones
no tienen efecto en la funcin objetivo ya que estas variables no
aparecen en la funcin objetivo.
Entonces, resultara adecuado que la variable X2 dejara de ser no bsica
pues es la que mejor efecto tendra sobre la funcin objetivo, (tiene el
coeficiente mayor, en este caso de maximizacin).
En la nueva solucin bsica debe entrar la variable X2 que se llamar
variable no bsica entrante.
La existencia de una variable que mejore el valor de la funcin objetivo
constituye una prueba de que la solucin actual no es ptima: esto es lo
que se llama la prueba de optimidad.
Si la variable X2 es la variable no bsica entrante, debe haber una variable
bsica que abandone la base actual (variable bsica saliente).

Determinacin de la variable bsica saliente:


Como es lgico suponer, si el ingreso de X2 a la base es favorable a la funcin
objetivo, ser nuestro inters que ingrese a la base con el mayor valor posible.
Cul es ese mayor valor posible?
Observemos las restricciones del modelo, las mismas que imponen lmites al
valor de todas las variables del modelo y por supuesto, tambin a la variable X2:
X1 + X2 + S1
= 200
X1 + 2X2
+S2=300
Dado que X1 es no bsica, y dado que los lados derechos con constantes,
puede observarse que si X2 tomara el mximo valor posible en la primera
restriccin este sera 200 y, en ese caso, el valor que tomara S1 sera cero.
En la segunda restriccin sin embargo, el mximo valor posible sera solo 150 y
en ese caso, S2 tomara valor cero. Si el valor que vaya a tomar X2 debe
satisfacer todas las restricciones, entonces solo podra ser 150, con lo cual el
valor de S2 es el que sera cero, el de S1 sera 50 y por consiguiente, S2 sera
la variable bsica saliente.
Entonces tenemos una nueva solucin, en la cual X2=150, S1=50 (variables
bsicas) y S2=X1=0 (variables no bsicas) . El valor de la funcin objetivo ser:
750.
El cambio en la base, hace necesario revisar el modelo para que muestre la
solucin bsica factible actual. Esto implica que las variables bsicas aparezcan
solo una vez, cada una en una restriccin diferente y con coeficiente +1 y que no
aparezcan en la funcin objetivo ya que no podran aportar ms a ella al tener su
mejor valor posible.
Por lo tanto, si el valor de X2 ha quedado acotado por la siguiente restriccin,
X1 + 2X2 +S2=300
puede establecerse que:
X1 + X2 + S2 =150 (ntese que X1 y S2 son no bsicas)
Con esta expresin: x2 = 150 1/2S2-1/2X1, reemplazaremos a X2 en la primera
restriccin y en la funcin objetivo:
En la primera restriccin:
X1 + (150-1/2S2-1/2X1) + S1
= 200
X1 -1/2S2 + S1= 50 (note que X1 y S2 son no bsicas)
En la funcin objetivo:
Max 3X1 + 5(150-1/2S2-1/2X1)
Max 3X1 + 750 - 5/2 S2 - 5/2 X1
Max X1 5/2 S2 + 750 (note que X1 y S2 son no bsicas)

Segunda Iteracin
Aplicaremos la prueba de optimidad, es decir, evaluaremos los nuevos costos reducidos
en la funcin objetivo, para evaluar si existe la posibilidad de mejorar la solucin actual:
Max X1 5/2 S2 + 750
Si S2 tomara valor, es decir, si fuera esta la variable no bsica entrante, el valor de la
funcin objetivo se reducir en 5/2 por cada unidad de valor de S2. (Ntese que el
coeficiente de S2 tiene signo negativo)
Si X1 tomara valor, es decir, si fuera esta la variable no bsica entrante, el valor de la
funcin objetivo aumentara en por cada unidad de valor de X1, por lo tanto dado
que se busca maximizar el valor de la funcin objetivo, sta mejorara si hiciramos
bsica a X1. Por lo tanto la solucin actual no es ptima, puede mejorar.
Cabe en este momento volver a explicar el concepto de costo reducido. Obsrvese el
costo reducido que X1, que es igual a ,
Cmo se explica este costo?
Se entiende que cuando X1 ingrese a la base, por cada unidad de valor de X1 la
funcin objetivo aumenta en $3 pero, observando las restricciones, se nota que
si X1 tomara valor, reducira el valor de X2 y de S1

X1 + X2 +1/2 S2=150
X1 -1/2S2 + S1= 50

Por cada unidad de X1, se reduce en el valor de X2, con lo cual la funcin objetivo
se reducira en * 5, es decir 2,5.
Por cada unidad de X1 se reduce en el valor de S1, pero como S1 no afecta a la
funcin objetivo, sto no reduce su valor.
El efecto neto es : +3 2.5 = 0.5 que es lo que seala el respectivo costo reducido.
En esta segunda iteracin, ya ha quedado establecido que la variable no bsica
entrante ser X1. La variable bsica saliente, debe determinarse observando la
restriccin que determina el mximo valor posible de X1:
X1 + X2 +1/2 S2=150.. X1 podra tomar el valor mximo de 300
X1 -1/2S2 + S1= 50. X1 podra tomar el valor mximo de 100

Comparando ambas cotas, 100 es el valor que puede tomar X1, debe tenerse en
cuenta que si en alguna restriccin, no apareciera la variable no bsica entrante o su
coeficiente fuera negativo, dicha restriccin de deber ser considerada al determinar
las cotas al valor de la variable no bsica entrante que determinarn la variable bsica
saliente.
En esta iteracin, dado que la cota la establece la segunda restriccin, es la variable S1
la que ser la variable bsica saliente.
Por lo tanto, si el valor de X2 ha quedado acotado por la siguiente restriccin,
X1 -1/2S2 + S1= 50
puede establecerse que:
X1 S2 + 2 S1 =100 (ntese que S1 y S2 son no bsicas)
Con esta expresin: X1 = 100 2S1 + S2, reemplazaremos a X1 en la primera
restriccin y en la funcin objetivo:
En la primera restriccin:
(100 2 S1 + S2) + X2 +1/2 S2=150
50 - S1 + S2 + X2 + S2 =150
X2 - S1 + S2 = 100 (ntese que S1 y S2 son no bsicas)
En la funcin objetivo:
Max (100 2 S1 + S2) 5/2 S2 + 750
Max 50 S1 + S2 5/2 S2 + 750
Max 800 S1 - 2 S2
La nueva solucin es
X1 = 100
X2 = 100
S1=S2=0
El valor de la funcin objetivo: 800
Si observamos la funcin objetivo, las variables no bsicas tienen ambas coeficientes
negativos. Cabe sealar que cuando se trata de las variables de holgura o exceso,
estos coeficientes finales en la funcin objetivo representan los precios sombra, que
sealan el valor relativo de los recursos que corresponden a las respectivas
restricciones.
Cmo se explica esto? , si se observan las restricciones, puede notarse que si alguna
de las variables S1 o S2 toman valor, es decir, se deja de utilizar alguna unidad de los
recursos respectivos, se afecta el valor de las variables bsicas, con lo cual, con
seguridad, cambiar el valor de la funcin objetivo. Dicho cambio reflejara el impacto

de una variacin en la disponibilidad de cada recurso. Por ejemplo, si S1 tomara el


valor 1, eso significara que se dejara de utilizar una unidad del recurso 1, lo cual
implica que:
X1 +2S1-S2=100
X2 S1+S2= 100
X1 tomara el valor de 98 para que siguiera siendo factible la primera restriccin y X2 el
valor 101 para que siga siendo factible tambin la segunda restriccin, esto implica que
en la funcin objetivo se observara los siguientes cambios:
Por la reduccin del valor de X1, el valor de la funcin objetivo disminuira en 2* 3 = 6
Por el incremento del valor de X2, la funcin objetivo aumentara en 1*5 = 5
El efecto neto de hacer S1=1, es una reduccin del valor de la funcin objetivo en $1.
Puede afirmarse que el valor del recurso es $1 por que es el impacto que causa sobre
la funcin objetivo; no es el precio de mercado, sino el valor que tiene para el modelo.
Aplicacin del mtodo smplex en otros casos
El ejemplo que se ha presentado es un modelo de maximizacin con restricciones solo
del tipo , pero qu pasara si el modelo fuera distinto?
Veamos un segundo ejemplo:
Min 4x1 + x2
3x1+ x2 =3
4x1+3x2 6
X1+2x2 4
Xi 0
Al pasar a la forma estndar las restricciones, por ejemplo, la primera restriccin es ya
una ecuacin y no habr una variable que, como las de holgura que hemos agregado
en el caso de las restricciones , cumpla la condicin de aparecer solo en una de las
restricciones con coeficiente +1. Lo mismo ocurre con la segunda restriccin que es ,
a la que corresponde una variable de exceso que se coloca con coeficiente -1. En
ambos casos hay que recurrir a adicionar variables ARTIFICIALES, tal como se
muestra:
3x1+ x2 +

A1 = 3

4x1+3x2 - S1 + A2 6
X1+2x2 +

S2 4

Con estas variables intentaremos conseguir una solucin bsica factible inicial que
satisfaga las condiciones necesarias. El modelo tiene 6 variables y 3 restricciones, por
lo tanto corresponden 3 variables no bsicas y 3 variables bsicas. Entonces, las
variables bsicas inicialmente sern A1, A2 y S2 que tendrn valores 3, 6 y 4.
Teniendo en cuenta que las variables A1 y A2 son artificiales, es decir, no tienen
significado en el modelo y han sido introducidas solo para conseguir una solucin
inicial conveniente, la solucin que se consigue de esta forma es en realidad no factible,
no podemos considerarla vlida. Debe llegarse a una solucin bsica factible inicial en
la que se pueda prescindir de tales variables artificiales. Para ello desarrollaremos el
algoritmo smplex en DOS FASES, la primera hasta encontrar una solucin bsica
factible inicial en la que no existen A1 y A2 y luego a partir de los resultados de esta
primera fase, intentar la bsqueda de la solucin ptima
Primera fase:
Para eliminar las variables A1 y A2, se propone una funcin objetivo que ser siempre
de minimizacin de las variables artificiales, ya que el objetivo en el fondo es eliminarlas
del modelo. Las restricciones sern las mismas del modelo original para asegurar que
la solucin inicial que se encuentre sea factible.
Min A1 + A2
3x1+ x2 +

A1 = 3

4x1+3x2 - S1 + A2 6
X1+2x2 +

S2 4

Dado que la base est formada por A1, A2 y S2, estas variables no deben aparecer en
la funcin objetivo, as que procederemos a reemplazarlas por las siguientes
expresiones que se obtienen a partir de la primera y segunda restriccin:
A1= 3 - 3X1 - X2
A2= 6 + S1- 3X2 4X1
La funcin objetivo quedar expresada de la siguiente forma:
Min 3 -3X1 X2 + 6 +S1 3X2 4X1
MIn 9 7X1 4X2 +S1
Entonces el modelo que debe resolverse en la primera fase ser:
MIn 9 7X1 4X2 +S1
3x1+ x2 +

A1 = 3

4x1+3x2 - S1 + A2 6
X1+2x2 +

S2 4

El valor de la funcin objetivo en la solucin inicial es 9 ya que X1=X2=S1=0, sin


embargo, observando los coeficientes de las variables no bsicas, es posible mejorar
este valor (reducirlo, ya que es un modelo de minimizacin) si X1 se convierte en
variable bsica.
Primera Iteracin:
Variable no bsica entrante: X1

Cul es la variable bsica saliente?


menor cota

3x1+ x2 +

A1 = 3 . Cota que determina para X1: 1

4x1+3x2 - S1 + A2 6 Cota que determina para X1: 3/2


X1+2x2 +

S2 4. Cota que determina para X1: 4

Entonces la variable que dejar de ser bsica es A1.


La nueva base contiene a X1, a A2 y a S2, con los siguientes valores:
De la primera restriccin : ..X1 + 1/3 X2 + 1/3 A1 = 1
De la segunda restriccin, reemplazando a X1 por la expresin que la define a
partir de la primera restriccin:
4 ( 1-1/3 X2 1/3 A1) + 3X2 S1 + A2 = 6
5/3 X2 4/3 A1 S1 +A2 =2
De la tercera restriccin, reemplazando igualmente a X1:
(1-1/3 X2 1/3 A1) +2X2 + S2 =4
5/3 X2 1/3 A1 + S2 =3
El valor de la funcin objetivo ser:
Min

9 7(1-1/3 X2 1/3 A1) -4X2 + S1

Min

2 5/3 X2 + 7/3 A1 + S1

Puede observarse que la funcin objetivo tiene un valor menor que el anterior, 2, y que
se ha hecho cero la variable artificial A1 ya que ha pasado a ser no bsica. Sin
embargo, evaluando los coeficientes de las variables no bsicas en la funcin objetivo,
el coeficiente de X2 indica que esta solucin puede mejorar si esta variable entra a la
base, por lo cual debe realizarse una segunda iteracin. Si la funcin objetivo ya no
pudiera mejorar y todava es bsica una variable artificial estaramos frente a un
modelo sin solucin factible. Esto no sucede en este caso.
Segunda iteracin
Entra a la base X2.
Cul es la variable bsica saliente?
X1 + 1/3 X2 + 1/3 A1 = 1 Cota que determina para X2: 3
menor cota

5/3 X2 4/3 A1 S1 +A2 = 2 Cota que determina para X2: 6/5


5/3 X2 1/3 A1 + S2 =3 Cota que determina para X2:9/5

Como la menor cota la establece la segunda restriccin, es A2 la variable bsica


saliente.
La nueva base contiene a X1, X2 y S2 con los siguientes valores:

De la primera restriccin:
X1 + 1/3(6/5 + 4/5 A1+ 3/5 S1-3/5 A2) + 1/3 A1 =1
X1 + 3/5 A1 + 1/5 S1 1/5 A2 = 3/5
De la segunda restriccin:
X2 4/5 A1 3/5 S1 3/5 A2 =6/5
De la tercera restriccin:
A1 + S1 A2 + S2 = 1
El valor de la funcin objetivo ser:
Min 2- 5/3 (6/5 + 4/5 A1 + 3/5 S1 3/5 A2 ) + 7/3 A1 + S1
Min 2 2 - 4/3 A1 S1 + A2 + 7/3 A1 + S1
Min A1 + A2
Con esta solucin en la que son no bsicas las variables A1 y A2, hemos conseguido
una solucin bsica factible inicial para el modelo original.
En esta ltima iteracin se verifica que se ha llegado a la solucin ptima del modelo
planteado para esta fase, toda vez que el valor ptimo de la funcin objetivo no puede
mejorar. La solucin hallada en esta primera fase, es solucin inicial para la segunda.
Si se hubiera verificado la prueba de optimidad y todava permanecieran en la base
variables artificiales, se podra afirmar que el modelo original carece de una solucin
factible.
Segunda fase :
En esta segunda fase la funcin objetivo que se optimiza, ser la del modelo original, y
retiraremos del modelo las variables artificiales que han quedado reducidas a cero:
Min 4X1 + X2
X1 + 1/5 S1 = 3/5
X2 3/5 S1 = 6/5
S1

S2 = 1

En el modelo, ahora se tienen 4 variables y tres restricciones por lo que debemos tener
una variable no bsica y tres bsicas. De los resultados de la fase anterior, las variables
bsicas son X1, X2 y S2 y la que qued como no bsica es la variable S1.
Siendo que X1 y X2 son bsicas, no deberan aparecer en la funcin objetivo por lo que
habr que reemplazarlas por las expresiones que las definen a partir de la primera y
segunda restriccin:
X1 = 3/5 - 1/5 S1
X2 = 6/5 + 3/5 S1
En la funcin objetivo:
Min 4(3/5 1/5S1) + (6/5 + 3/5 S1)
Min

12/5 - 4/5 S1 + 6/5 + 3/5 S1

Min

18/5 1/5 S1

Aplicando la prueba de optimidad se establece que esta solucin inicial puede mejorar
(reducirse ya que es de minimizacin) si S1 entra a la base.
Primera iteracin
S1 entra a la base
Cul es la variable bsica saliente?
X1 + 1/5 S1 = 3/5 cota que se determinara para S1: 3
X2 3/5 S1 = 6/5 cota que se determinara para S1 : 2
menor cota

S2

S1 = 1 cota que se determinara para S1 : 1

La menor cota la establece la tercera restriccin, entonces es S2 la variable bsica


saliente. La nueva base la forman las variables X1, X2 y S1 con los siguientes valores:
De la primera restriccin:
X1 + 1/5 (1-S2)

= 3/5

X1 + 1/5 1/5 S2 = 3/5


X1 1/5 S2 = 2/5
De la segunda restriccin:
X2 3/5 (1-S2) = 6/5
X2 + 3/5 S2 = 9/5
De la tercera restriccin:
S1 + S2 = 1
En la funcin objetivo:
Min 18/5 1/5(1-S2)
Min 18/5 1/5 + 1/5 S2
Min

17/5 + S2

Observando el coeficiente de la nica variable no bsica se afirma que la solucin no


puede mejorar y por tanto sta es la ptima.
X1 = 2/5
X2 = 9/5
S1 = 1
Valor ptimo de la funcin objetivo: 17/5
Con lo cual se concluye la segunda fase y se ha resuelto el modelo.