Nombre:

Vlez Sabando Francisco

Cantua Delgado Katherine
Pilozo Cevallos Elsa


Catedrtico(a):
Ing. Patricia Quiroz



2013-2014

MTODO SIMPLEX
El mtodo Simplex es un procedimiento iterativo que permite ir mejorando la
solucin a cada paso. El proceso concluye cuando no es posible seguir mejorando
ms dicha solucin.
Partiendo del valor de la funcin objetivo en un vrtice cualquiera, el mtodo
consiste en buscar sucesivamente otro vrtice que mejore al anterior. La bsqueda
se hace siempre a travs de los lados del polgono (o de las aristas del poliedro, si
el nmero de variables es mayor). Cmo el nmero de vrtices (y de aristas) es
finito, siempre se podr encontrar la solucin.
El mtodo Simplex se basa en la siguiente propiedad: si la funcin objetivo, f, no
toma su valor mximo en el vrtice A, entonces hay una arista que parte de A, a lo
largo de la cual f aumenta.
Deber tenerse en cuenta que este mtodo slo trabaja para restricciones que
tengan un tipo de desigualdad "" y coeficientes independientes mayores o iguales
a 0, y habr que estandarizar las mismas para el algoritmo. En caso de que despus
de ste proceso, aparezcan (o no varen) restricciones del tipo "" o "=" habr que
emplear otros mtodos, siendo el ms comn el mtodo de las Dos Fases.


PREPARANDO EL MODELO PARA ADAPTARLO AL MTODO
SIMPLEX
Esta es la forma estndar del modelo:
Funcin objetivo: c1x1 + c2x2 + ... + cnxn
Sujeto a: a11x1 + a12x2 + ... + a1nxn = b1
a21x1 + a22x2 + ... + a2nxn = b2
...
am1x1 + am2x2 + ... + amnxn = bm
x1,..., xn 0
Para ello se deben cumplir las siguientes condiciones:
El objetivo es de la forma de maximizacin o de minimizacin.
Todas las restricciones son de igualdad.
Todas las variables son no negativas.
Las constantes a la derecha de las restricciones son no negativas.
Cambio del tipo de optimizacin.
Si en nuestro modelo, deseamos minimizar, podemos dejarlo tal y como est, pero
deberemos tener en cuenta nuevos criterios para la condicin de parada
(deberemos parar de realizar iteraciones cuando en la fila del valor de la funcin

objetivo sean todos menores o iguales a 0), as como para la condicin de salida
de la fila. Con objeto de no cambiar criterios, se puede convertir el objetivo de
minimizar la funcin F por el de maximizar F(-1).
Ventajas: No deberemos preocuparnos por los criterios de parada, o condicin de
salida de filas, ya que se mantienen.
Inconvenientes: En el caso de que la funcin tenga todas sus variables bsicas
positivas, y adems las restricciones sean de desigualdad "", al hacer el cambio se
quedan negativas y en la fila del valor de la funcin objetivo se quedan positivos,
por lo que se cumple la condicin de parada, y por defecto el valor ptimo que se
obtendra es 0.
Solucin: En la realidad no existen este tipo de problemas, ya que para que la
solucin quedara por encima de 0, alguna restriccin debera tener la condicin
"", y entonces entraramos en un modelo para el mtodo de las Dos Fases.
Conversin de signo de los trminos independientes (las constantes
a la derecha de las restricciones)
Deberemos preparar nuestro modelo de forma que los trminos independientes de
las restricciones sean mayores o iguales a 0, sino no se puede emplear el mtodo
Simplex. Lo nico que habra que hacer es multiplicar por "-1" las restricciones
donde los trminos independientes sean menores que 0.
Ventaja: Con sta simple modificacin de los signos en la restriccin podemos
aplicar el mtodo Simplex a nuestro modelo.
Inconvenientes: Puede resultar que en las restricciones donde tengamos que
modificar los signos de las constantes, los signos de las desigualdades fueran ("=",
""), quedando ("=","") por lo que en cualquier caso deberemos desarrollar el
mtodo de las Dos Fases. Este inconveniente no es controlable, aunque nos podra
beneficiar si slo existen trminos de desigualdad ("",""), y los "" coincidieran
con restricciones donde el trmino independiente es negativo.
Todas las restricciones son de igualdad.
Si en nuestro modelo aparece una inecuacin con una desigualdad del tipo "",
deberemos aadir una nueva variable, llamada variable de exceso si, con la
restriccin si 0. La nueva variable aparece con coeficiente cero en la funcin
objetivo, y restando en las inecuaciones.
Surge ahora un problema, veamos cmo queda una de nuestras inecuaciones que
contenga una desigualdad "" :
a11x1 + a12x2 b1 a11x1 + a12x2 - 1xs = b1

Como todo nuestro modelo, est basado en que todas sus variables sean mayores
o iguales que cero, cuando hagamos la primera iteracin con el mtodo Simplex,
las variables bsicas no estarn en la base y tomarn valor cero, y el resto el valor
que tengan. En este caso nuestra variable xs, tras hacer cero a x1 y x2, tomar el
valor -b1. No cumplira la condicin de no negatividad, por lo que habr que aadir
una nueva variable, xr, que aparecer con coeficiente cero en la funcin objetivo, y
sumando en la inecuacin de la restriccin correspondiente. Quedara entonces de
la siguiente manera:
a11x1 + a12x2 b1 a11x1 + a12x2 - 1xs + 1 xr = b1
Este tipo de variables se les llama variables artificiales, y aparecern cuando haya
inecuaciones con desigualdad ("=",""). Esto nos llevar obligadamente a realizar
el mtodo de las Dos Fases, que se explicar ms adelante.
El algoritmo del Simplex
El algoritmo del Simplex busca el ptimo de un problema de P.L. recorriendo slo
algunos de los vrtices del poliedro que representa el conjunto de soluciones
factibles.
En cada iteracin, al algoritmo se desplaza de un vrtice a otro de forma que el
valor de la funcin objetivo mejore con el desplazamiento, esto es, que aumente si
el problema es de maximizacin, o disminuya si el problema es de minimizacin.
La optimizacin de un P.L. puede dar lugar a cuatro posibles resultados:
1. Alcanzar un ptimo nico.
2. Alcanzar un ptimo que no es nico (soluciones alternativas o mltiples).
3. Concluir que el problema es no factible, esto es, que no existe ninguna
solucin que satisfaga simultneamente todas las restricciones del
problema.
4. Concluir que el problema es no acotado, es decir, que el valor de la funcin
objetivo en el ptimo es tan grande como se desee si el problema es de
maximizacin, o tan pequeo como se quiera si el problema es de
minimizacin.
El mtodo Simplex alcanza siempre uno de estos resultados en un nmero finito de
iteraciones. En cada iteracin se pasa de una solucin bsica factible a otra, de
manera que en el proceso, el valor de la funcin objetivo mejora en cada iteracin.
Cuando se determina que no existe ninguna SBF con un mejor valor de la funcin
objetivo que el actual se detiene el proceso puesto que se ha llegado al ptimo.



EJECUCION DEL PROGRAMA
Men

Maximizacin
Primera Iteracin


Segunda Iteracin