Teoría del método Simplex

Preparando el modelo para adaptarlo al método Simplex

Tipo de optimización
Cambio de signo de los términos independientes
Normalización de las restricciones
Desarrollando el método Simplex
Método Simplex
Método de las Dos Fases
Identificando casos anómalos y soluciones
Método Gráfico
Ejemplo del método Simplex
Ejemplo del método Gráfico
Comparación del método Simplex y el método Gráfico

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 se verá en el método Gráfico,
dichos puntos son los vértices del polígono (o poliedro o
polícoro, 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.

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.

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 P j 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 (b i)

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 (x 1,..., 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 ≥ 0).
Esta nueva variable aparece con coeficiente cero en la
función objetivo, y restando en la ecuación
correspondiente.

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 x s,
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 x r.
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:

Tipo de
Tipo de variable que aparece
desigualdad

≥ - exceso + artificial

= + artificial

≤ + holgura