4.

2 Casos especiales en la aplicacin del mtodo simplex

Consideraremos casos especiales que pueden presentarse en la aplicacin del
mtodo simplex, entre los que se encuentran:
1. Degeneracin.
2. Opciones ptimas.
3. Soluciones no acotadas.
4. Soluciones inexistentes (o infactibles).
DEGENERACION
En la aplicacin de la condicin de factibilidad, una coincidencia de la razn
mnima se debe descomponer en forma arbitraria para los fines de determinar
la variable que sale. Cuando suceda esto una o ms veces de las
variables bsicas, ser necesariamente igual a cero en la siguiente iteracin.
En este caso, decimos que la nueva solucin es degenerada.
Ejemplo (Solucin ptima degenerada)
Maximizar z = 3x1 +9x2
Sujeto a
x1 + 4x2 8
x1 + 2x2 4
x1,x2 0
Tabla 3-2

Tres rectas cruzan el optimo. Como ste es un problema bidimensional, se dice

que el punto esta ms que determinado (osobredeterminado), ya que solo
necesitamos dos rectas para identificarlo. Por este motivo, concluimos que una
de las restricciones es redundante. Desafortunadamente no existen tcnicas
confiables para identificar restricciones redundantes directamente a partir de la
tabla.

Figura 3-4
Desde el punto de vista terico, la degeneracin tiene dos implicaciones. La
primera tiene que ver con el fenmeno del ciclaje o reciclaje. Si se observan
las iteraciones 1 y 2 de la tabla 3-2, se ver que el valor de la funcin objetivo
no ha mejorado (z=18). Por lo tanto, es posible, en trminos generales, que el
procedimiento simplex repetira la misma sucesin de iteraciones, sin mejorar
nunca el valor de la funcin objetivo ni poner fin a los clculos.
El segundo punto terico se presenta en el examen de las iteraciones 1 y 2.
Ambas iteraciones, pese a diferir en la clasificacin de las variables como
bsicas y no bsicas, producen valores idnticos de todas las variables y el
valor de la funcin objetivo, es decir,
x1 = 0, x2 = 2, x3 = 0, x4 = 0, z = 18
Por lo tanto, se genera un argumento relacionado con la posibilidad de
suspender los clculos en la iteracin 1 (cuando aparece la degeneracin),
aunque no es ptima. Este argumento no es vlido porque, en general, una
solucin puede ser temporalmente degenerada.
OPCIONES PTIMAS:
Cuando la funcin objetivo es paralela a una restriccin de enlace (o sea, una
restriccin que se satisface en el sentido de la igualdad a travs de la solucin
ptima), la funcin objetivo tomara el mismo valor optimo en ms de un punto
de solucin. Por esta razn reciben el nombre de opciones ptimas.
Ejemplo (Infinidad de soluciones)

Maximizar z = 2x1 + 4x2

Sujeto a
x1 + x2 5
x1 + x2 4
x1, x2 0

En trminos algebraicos sabemos que el mtodo simplex es capaz de

encontrar soluciones en puntos extremos exclusivamente.

Figura 3-5
Como es de esperarse, el mtodo simplex slo determina los puntos extremos
B y C. Matemticamente podemos determinar todos los puntos (x 1, x2), del
segmento de recta BC, como un promedio ponderado no negativo de los
puntos B y C. Esto es, dada la relacin 0 1 y
B: x1 =0, x2=5/2
C: X1=3, x2=1
Tabla 3-3

SOLUCION NO ACOTADA
En algunos modelos de programacin lineal los valores de las variables se
pueden aumentar en forma indefinida sin violar ninguna de las restricciones, lo
que significa que el espacio de soluciones es no acotado cuando menos en una
direccin. Como resultado, el valor de la funcin objetivo puede crecer (caso de
maximizacin) o de crecer (caso de minimizacin) en forma indefinida. En este
caso decimos que el espacio de soluciones y el valor "ptimo" de la funcin
objetivo son no acotados.
La falta de explicacin en un modelo puede sealar solo una cosa: el modelo
est mal construido. Evidentemente resulta irracional hacer que un modelo
produzca una ganancia " infinita". Las irregularidades ms probables en estos
modelos son: 1) N o se toman en cuenta una ms restricciones redundantes, y
2) No se determinan correctamente los parmetros (constantes) de algunas
restricciones.
La regla general para reconocer la falta de acotacin es la siguiente. Sien
cualquier iteracin los coeficientes de las restricciones de una variable no
bsica son no positivos, entonces el espacio de soluciones no est acotado en
esa direccin. Adems, si el coeficiente de la funcin objetivo de esa variable
en el caso de la maximizacin o positivo en el caso de la minimizacin,
entonces el valor de la funcin objetivo tampoco est acotado.
Ejemplo (Funcin objetivo no acotada)
Maximizar z = 2x1 + x2
Sujeto a
x1 - x2 10
2x1 40
x1, x2 0
Iteracin inicial

En la tabla inicial x1 y x2 son los candidatos para entrar en la solucin. Como x1

tiene el coeficiente ms negativo. Normalmente se selecciona como la variable
que entra. Sin embargo, ntese que todos los coeficientes de
las restricciones por debajo de x2 son negativos o cero, esto significa que x2 se
puede hacer crecer en forma indefinida sin que se infrinja ninguna de las
restricciones. Como cada incremento de una unidad en x 2, aumentar z en 1,
un incremento infinito en x2tambin dar lugar a un incremento infinito en z. Por

lo tanto, concluimos que el problema no tiene solucin acotada. Este resultado

se puede apreciar en la figura 3-6. El espacio de soluciones no est acotado en
la direccin de x2 y el valor de z puede crecer en forma indefinida.

Figura 3-6
La regla general para reconocer la falta de acotacin es la siguiente. Si en
cualquier iteracin los coeficientes de las restricciones de una variable no
bsica son no positivos, entonces el espacio de soluciones no est acotado en
esa direccin. Adems, si el coeficiente de la funcin objetivo de esa variable
es negativo en el caso de la maximizacin o positivo en el caso de la
minimizacin, entonces el valor de la funcin objetivo est acotado.
SOLUCION INFACTIBLE
Si las restricciones no se pueden satisfacer en forma simultnea, se dice que el
modelo no tiene solucin factible. Esta situacin nunca puede ocurrir si todas
las restricciones son del tipo (suponiendo constantes no negativas en el
segundo miembro) ya que la variable de holgura produce siempre alguna
solucin factible. Sin embargo, cuando empleamos los otros tipos de
restricciones, recurrimos al uso de variables artificiales que, por su mismo
diseo, no ofrecen una solucin factible al modelo original. Aunque se toman
medidas (a travs del uso de la penalizacin) para hacer que las variables
artificiales sean cero en el nivel ptimo, esto slo puede ocurrir si el modelo
tiene un espacio factible. Si no lo tiene, cuando menos una variable artificial
ser positiva en la iteracin ptima. Esta es nuestra indicacin que el problema
no tiene solucin factible.
Desde el punto de vista prctico un espacio infactible apunta a la posibilidad de
que el modelo no se haya formulado correctamente en virtud de que las
restricciones estn en conflicto. Tambin es posible que las restricciones no
estn destinadas a cumplirse en forma simultnea, en este caso, quina se
necesite una estructura del modelo totalmente deferente que no admita todas
las restricciones al mismo tiempo.
Tabla 3-4

Ejemplo de espacio de solucin infactible

Maximizar z = 3x1 + 2x2
Sujeto a
2x1 + x2 2
3x1 + 4x2 12
x1, x2 0
Las iteraciones simplex de la tabla 3-4 muestran que la variable artificial R es
positiva (= 4) en la solucin ptima. Esta es una indicacin de que el espacio
de soluciones es infactible. La figura 3-7 muestra el espacio de soluciones
infactible.
El mtodo simplex, haciendo posible que la variable artificial sea positiva, ha
invertido en esencia la direccin de la desigualdad de 3x 1+ 4x2 12 a 3x1 +
4x2 12. El resultado lo podemos llamar la solucin pseudoptima, como se
muestra en la figura 3-7.
Figura 3-7

http://148.204.211.134/polilibros/portal/polilibros/P_Terminados/InvOperChave/
Documentos/Unidad4/UNIDAD42.htm

Casos especiales en la aplicacin del mtodo simplex

Publicado en junio 9, 2013 por Editorial
Esta seccin considera cuatro casos especiales que se presentan en la
aplicacin del mtodo simplex.
1. Degeneracin
2. Optima alternativa
3. Soluciones no acotadas
4. Soluciones inexistentes (o no factibles)
Nuestro inters en el estudio de estos casos especiales es doble:
1. presentar una explicacin terica de la razn de estas situaciones y
2. proporcionar una interpretacin practica de lo que podran significar estos
resultados especiales en un problema de la vida real.
Degeneracin
En la aplicacin de las condiciones factibles del mtodo simplex, un empate de
la razn mnima debe romperse arbitrariamente con el propsito de
determinar la variable de salida.
Cuando esto sucede, una o ms de las variables bsicas sern cero en lo
siguiente. En este caso, la nueva solucin es degenerada.
No hay nada alarmante en el hecho de abordar una solucin degenerada, con
excepcin de un pequeo inconveniente terico que en breve expondremos.
Desde el punto de vista prctico, la condicin revela que el modelo tiene por lo
menos una restriccin redundante. Para poder proporcionar ms
perspectivas de los impactos tericos y prcticos de la degeneracin,
consideramos un ejemplo numrico. La ilustracin grfica debe mejorar la
comprensin de las ideas que son la base de esta situacin especial.
ptimos alternativos
Cuando la funcin objetivo es paralela a una restriccin no acotada (es decir,
una restriccin que se satisface como una ecuacin por medio de la solucin

optima), la funcin objetivo asumir el mismo valor optimo en mas de un

punto de la solucin. Por esta razn se conocen como ptimos alternativos.
Solucin no acotada
En algunos modelos de PL, los valores de las variables se pueden incrementar
indefinidamentesin violar ninguna de las restricciones, lo que significa que el
espacio de la solucin es no acotado por lo menos en una direccin. Como
resultado, el valor objetivo aumentara (un caso de maximizacin) o disminuir
(un caso de minimizacin) indefinidamente. En este caso, tanto el espacio de la
solucin como el valor objetivo optimo son no, acotados.
La no acotacin en un modelo solo indica una cosa: el modelo esta mal
construido. Las irregularidades mas probables en estos modelos son que no
se han tornado en cuenta una o mas restricciones no redundantes y que los
parmetros (constantes) de algunas restricciones no se calcularon
correctamente.
Solucin no factible
Si las restricciones no se satisfacen simultneamente, el modelo no tiene una
solucin factible. Esta situacin nunca puede ocurrir (suponiendo constantes no
negativas en el lado derecho), debido a que las holguras proporcionan una
solucin factible.
Para otros tipos de restricciones, utilizamos variables artificiales. Aun cuando
las artificiales se penalizan para forzarlas a cero en la optima, esto solo puede
ocurrir si el modelo tiene un espacio factible. De lo contrario, por lo menos una
variable artificial ser positiva en la iteracin optima.
Desde el punto de vista practico, un espacio no factible indica la posibilidad de
que el modelo no este formulado correctamente.
http://www.conocimientosweb.net/dcmt/ficha8435.html
Casos especiales en la aplicacin del SIMPLEX:
Tipos de soluciones y su identificacin en el mtodo simplex.
Estudiaremos los casos especiales que se pueden presentar en la aplicacin
del mtodo simplex, entre los que se cuentan:
1. Degeneracin:
La degeneracin ocurre cuando en alguna iteracin del mtodo simplex existe
un empate en la seleccin de la variable que sale este empate se rompe

arbitrariamente. Sin embargo, cuando suceda esto una o ms veces de las

variables bsicas, ser necesariamente igual a cero en la siguiente iteracin.
En este caso decimos que la nueva solucin es degenerada.
2. Mltiples alternativas optimas:
Cuando la funcin objetivo es paralela a una restriccin que se satisface en el
sentido de la igualdad a travs de la solucin ptima, la funcin objetivo tomar
el mismo valor ptimo en ms de un punto de la solucin. Por esta razn
reciben el nombre de Mltiples alternativas ptimas.
Cmo sabemos en las tablas que existen mltiples alternativas ptimas ?
Cuando en los coeficientes de las variables no bsicas en el rengln z de la
tabla ptima existe una variable con valor de cero, lo que indica que esa
variable no bsica puede entrar a la solucin bsica sin alterar el valor de z ,
pero provoca un cambio en el valor de las variables.
3. Soluciones no acotadas:
En algunos modelos de programacin lineal, los valores de las variables se
pueden aumentar en forma indefinida sin violar ninguna de las restricciones, lo
que significa que el espacio de soluciones es no acotado cuando menos en una
direccin. Como resultado el valor de la funcin objetivo puede crecer (caso de
la minimizacin) en forma indefinida.
Cmo sabemos en las tablas que existen solucin no acotada ?
Cuando en la tabla del simplex en el rengln de la z existe una variable no
bsica que puede entrar pero al determinar la variable que sale nos damos
cuenta que en la su columna existen solo valores de ceros o negativos lo que
significa que esa variable puede hacer crecer en forma indefinida a z sin que se
infrinja ninguna de las restricciones. Por lo tanto concluimos sin hacer ms
clculos que el problema no tiene solucin acotada.
4. Solucin Infactible:
Si las restricciones no se pueden satisfacer en forma simultnea, se dice que el
modelo no tiene solucin factible. Esta situacin nunca puede ocurrir si todas
las restricciones son del tipo Menor igual (suponiendo valores positivos en el
segundo miembro) ya que las variables de holgura producen siempre una
solucin factible. Sin embargo, cuando empleamos los otros tipos de
restricciones, recurrimos al uso de variables artificiales, que por su mismo
diseo no ofrecen una solucin factible al modelo original. Aunque se hacen
provisiones ( a travs del uso de penalizaciones) para hacer que estas
variables artificiales sean cero en el nivel ptimo, esto slo puede ocurrir si el
modelo tiene una espacio factible. Si no lo tiene, cuando menos una variable
artificial ser positiva en la iteracin ptima.
http://www.oocities.org/siliconvalley/pines/7894/modelos/tipos.html