METODO SIMPLEX Y GRAN M

INVESTIGACION DE OPERACIONES

PRESENTADO A:

JOSE LUIS CONSUEGRA

POR:

JUAN DIEGO RUMBO

FUNDACION UNIVERSITARIA DEL AREANDINA

SEDE VALLEDUPAR
 INTRODUCCION

En el siguiente trabajo se busca identificar los problemas operacionales de los

distintos métodos existentes y darle un enfoque y solución a través de los
métodos prácticos, trabajando de manera ordenada y sencilla, se ilustrara el
funcionamiento mediante ejemplos, pero antes se mostraran algunas
observaciones importantes a tener en cuenta cuando se realiza todo el
procedimiento, además, se integraran las subdivisiones que son sensibilidad y
dualidad para cada uno de los métodos.
METODO SIMPLEX

El método simplex es un método iterativo que nos posibilita mejorar la

solución de una función objetivo a través de cada paso.

Este método fue creado por el estadounidense George Bernard Dantzig y el

ruso Leonid Vitalievich Kantorovich, con el ánimo de crear un algoritmo
capaz de solucionar problemas de M restricciones y N variables.

Es necesario tener en cuenta que el método Simplex únicamente trabaja con

restricciones del problema cuyas inecuaciones sean del tipo "≤" 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.

La razón matemática de este método radica en que se pueda caminar de un

vértice a otro en la manera de que este pueda disminuir o aumentar, sabiendo
que el número de vértices que se presentan es finito y por tanto se hallará
solución.
VENTAJAS DEL MÉTODO SIMPLEX

1) Es un Método heurístico. Se basa en consideraciones geométricas y no

requiere el uso de derivadas de la función objetivo.
2) Es de gran eficiencia incluso para ajustar gran número de parámetros.
3) Se puede usar con funciones objetivo muy sinuosas pues en las primeras
iteraciones busca el mínimo más ampliamente y evita caer en mínimos locales
fácilmente.
4) Es fácil implementar y usar, y sin embargo tiene un alta eficacia.

DESVENTAJAS DEL MÉTODO SIMPLEX

Converge más lentamente que otros métodos, pues requiere más número de
iteraciones.

En el caso de que la función tenga todas sus variables básicas positivas, y

además las restricciones sean de desigualdad "≤", al hacer el cambio se quedan
negativas y en la fila del valor de la función objetivo se quedan positivos, por
lo que se cumple la condición de parada, y por defecto el valor óptimo que se
obtendría es 0.

Ejercicio:

Maximizar Z = f(x,y) = 3x + 2y
sujeto a: 2x + y ≤ 18
2x + 3y ≤ 42
3x + y ≤ 24
x≥0,y≥0

Se realiza un cambio en la nomenclatura de las variables. Estableciéndose la

correspondencia siguiente:
x pasa a ser X1
y pasa a ser X2
Se normaliza las restricciones convirtiendo las inecuaciones en ecuaciones.

Tipo de desigualdad Tipo de variable que aparece

≥ - exceso + artificial
= + artificial
≤ + holgura

Para este caso se utiliza una variable de holgura para convertirlas en

igualdades.

2·X1 + X2 + X3 = 18
2·X1 + 3·X2 + X4 = 42
3·X1 + X2 + X5 = 24

Igualamos la función objetivo a cero.

Z - 3·X1 - 2·X2 - 0·X3 - 0·X4 - 0·X5 = 0
Luego escribimos la tabla inicial del método Simplex.

Tabla I . Iteración nº 1
3 2 0 0 0
Base Cb P0 P1 P2 P3 P4 P5
P3 0 18 2 1 1 0 0
P4 0 42 2 3 0 1 0
P5 0 24 3 1 0 0 1
Z 0 -3 -2 0 0 0

Y la elección de las variables entrantes y salientes de la base.

Luego actualizamos la tabla.
Tabla II . Iteración nº 2
3 2 0 0 0
Base Cb P0 P1 P2 P3 P4 P5
P3 0 2 0 1/3 1 0 -2/3
P4 0 26 0 7/3 0 1 -2/3
P1 3 8 1 1/3 0 0 1/3
Z 24 0 -1 0 0 1

Al comprobar la condición de parada se observa que no se cumple ya que

entre los elementos de la última fila hay uno negativo, -1. Se continúa iterando
nuevamente los pasos.
Actualizando nuevamente los valores de la tabla se obtiene:

Tabla III . Iteración nº 3

3 2 0 0 0
Base Cb P0 P1 P2 P3 P4 P5
P2 2 6 0 1 3 0 -2
P4 0 12 0 0 -7 1 4
P1 3 6 1 0 -1 0 1
Z 30 0 0 3 0 -1
Como aún hay elementos negativos en la parte inferior de la tabla se continua
itinerando hasta que nos quede positivo
Para obtener como resultado:

Tabla IV . Iteración nº 4
3 2 0 0 0
Base Cb P0 P1 P2 P3 P4 P5
P2 2 12 0 1 -1/2 1/2 0
P5 0 3 0 0 -7/4 1/4 1
P1 3 3 1 0 3/4 -1/4 0
Z 33 0 0 5/4 1/4 0
METODO DE LA GRAN M

consiste en modificar el problema original para dar lugar a un nuevo problema

agregando unas variables llamadas artificiales y que se penalizaran mediante
un costo M de valores grandes y positivos permitiendo que la función objetivo
tome valores muy grandes.

Para esto debemos pasar a la forma estándar el modelo matemático, seguido

agregar variables artificiales en las ecuaciones que no tienen variables de
holgura. se debe penalizar a las variables artificiales en la función objetivo
asignándoles coeficientes positivos muy grandes, y por último, con la solución
artificial aplicar el método simplex de la forma acostumbrada generando las
tablas para obtener solución.

Algunos problemas de programación lineal no proporcionan una solución

básica inicial es decir no solo tienen restricciones de ≤ las cuales se pueden
resolver usando variables de holgura, además involucran restricciones de tipo
≥ que se le añade variable artificial, para esto se a diseñado un método basado
en variables artificiales correspondiente a la técnica M o de penalización
definidas como un valor muy grande.

EJERCICIO:
una compañía fabrica y vende cinco productos en la tabla se da los costos por
unidad.

Producto
A B C D E
Costo por 50 80 300 25 10
unidad
Precio de 70 90 350 50 12
venta

Objetivo maximizar las utilidades. Produciendo un mínimo de 20 und del

producto A y 10 und del B, siendo que no haya mayor producción de 75 und.
C y E deben ser iguales.
Función objetivo.

Max Z= (70-50) x1+(90-80)x2+(350-300)x3+(52-25)x4+(12-10)xs

Max Z= (20)x1+(10)x2+(50)x3+(25)x4+(2)xs

Sujeto a:

X1>=20

X2>=10

X1+x2+x3+x4+x5<=75

X3+x5=0

Condición de no negatividad
x1, x2, x3, x4, x5>=0

Solución del problema:

Z=20x1+10x2+50x3+25x4+2x5-Mx7-Mx9-Mx11

Z-20x1+10x2+50x3+25x4+2x5-Mx7-Mx9-Mx11=0

x1 -x6+x7 =20

x2 -x8+x9 =10

x1+x2+x3+x4+x5 +x10 =75

x3 -x5 + x11=0

las variables de holgura queda con coeficiente 0 en la función objetivo y las

variables artificiales con coeficiente M. si es minimización queda positiva y si
es maximización queda negativa. Seguido se hace una prueba de optimidad
evaluando si hay una variable que entra
PARA DUALIDAD
La dualidad es optimización consiste en asociar a un problema P (primal), a
otro problema D (dual), de modo que al resorberlo se obtiene información, no
solo sobre su solución sino también sobre la del problema original. Las
relaciones entre el problema dual y el original (primal) son útiles en gran
variedad de situaciones.
La solución óptima del problema dual es la que proporciona los precios
sombra, otro aspecto importante de la teoría de la dualidad es la interpretación
y realización del análisis de sensibilidad.
Relaciones PRIMAL-DUAL:
La relación entre el problema dual y su asociado, es decir el problema
original llamado primal, presenta varias utilidades:
Aporta elementos que aumentan sustancialmente la compresión de la PL
(jugar con el problema)
El análisis de dualidad es una herramienta útil en la solución de problema de
PL (mas restricciones)
El problema dual tiene interpretaciones e informaciones importantes.
Demostración
PROBLEMA PRIMAL
Max Z = CX
Sujeto a:
AX ≤ b
x≥0 W≥0
PRIMAL DUAL

SENSIBILIDAD
Consiste en determinar cuál es el rango de variación de los parámetros del
problema de modo que la base optima encontrada siga siendo óptima.

Parámetro:
Un objetivo fundamental del análisis es identificar los parámetros sensibles.
Importancia (sensibilidad)
Es importante porque nos permite investigar el efecto que tendrá la solución
óptima proporcionada por el método simplex en el hecho de que los
parámetros (datos de entrada) tomaron otros valores posibles.
Cambios (análisis de sensibilidad)
Intervalo de optimalizad
Intervalo de factibilidad
Precio sombra.
Procedimiento para el análisis de sensibilidad
Revisión del modelo
Revisión de la tabla simplex final
Conversión a la forma apropiada
Prueba de factibilidad
Prueba de optimalizad
Re optimización.

Ejemplo:

cj 200 150 120 0 0 0

Y¹ Y² Y³ S¹ S² S³ b
0 S¹ 15 7,5 5 -1 0 0 3150 210
0 S² 2 3 2 0 -1 0 110 55
0 S³ 1 1 1 0 0 -1 50 50
zj 0 0 0 0 0 0 0
cj-zj 200 150 120 0 0 0
cj 200 150 120 0 0 0
Y¹ Y² Y³ S¹ S² S³ b
0 S¹ 0 -7,5 -10 -1 0 15 2400
0 S² 0 1 0 0 -1 0 10
200 Y¹ 1 1 1 0 0 -1 50
zj 200 200 200 0 0 -200 -10000
cj-zj 0 -50 -80 0 0 0