Clase Simplex 20166

Universidad Politcnica de MadridEscuela Tcnica Superior de Ingenieros Industriales
Grado en Ingeniera en Tecnologas Industriales. Curso 2015-2016-3

Matemticas de EspecialidadIngeniera Elctrica
Programacin Lineal. El Mtodo Smplex
Jos Luis de la Fuente OConnor

jldelafuente@etsii.upm.es
joseluis.delafuente@upm.es
Clase_simplex_2016.pdf
1/133
ndice
2/133
Introduccin
Condiciones de punto ptimo
Mejora de una solucin bsica factible
El algoritmo Smplex

Degeneracin y ciclado
Solucin bsica factible inicial
Anlisis de sensibilidad
El mtodo Smplex para variables acotadas
Implementaciones comerciales del mtodo Smplex
El mtodo Smplex en forma de tableau
Otras variantes y mejoras del Smplex
Complejidad computacional del mtodo Smplex
3/133
Introduccin

Para encontrar el ptimo del problema de PL
min. c T x
s. a Ax D b
x 0;
se podran estudiar, uno a uno, los vrtices o puntos extremos del politopo
P D fx 2 Rn W Ax D b; x 0; A 2 Rmn; b 2 Rng
y determinar aqul en el que la funcin objetivo se hace mnima.

Para m y n grandes, considerar todos es prohibitivo pues son
n
:
m.n m/
En 1947 George B. Dantzig culmin la investigacin de un importante

equipo de ingenieros, matemticos y economistas formulando el Mtodo
Smplex.
4/133
George B. Dantzig, EE.UU. 1914-2005.
Sigue una estrategia de bsqueda del punto ptimo que no estudia todos los
vrtices de un problema. Sus claves:

Encontrar un vrtice desde el que comenzar: solucin bsica factible del

politopo P ;
Desplazarse desde ese punto extremo a otro, a lo largo de alguna arista de

P , mejorando con ello la funcin objetivo.
Repetir el paso anterior cuantas veces sea necesario hasta que se alcance la
solucin ptima o la arista escogida lleve a 1.
5/133

Teorema Condiciones de Karush-Kuhn-Tucker x 2 Rn es el ptimo del programa lineal
min. c T x
s. a Ax D b
x 0;
si y slo si existen vectores 2 Rm y 2 Rn tales que
(i) Ax D b; x 0;
(factibilidad del problema primal)
T
(ii)
c D A C ; 0; (factibilidad del problema dual)
(iii) i xi D 0; i D 1; : : : ; n:
(holguras complementarias o gap de dualidad)
La condicin i es la de factibilidad del problema, tal como est planteado.
6/133
La Funcin de Lagrange del problema es

T
L.x; ; / D c x .Ax
b/ x:
Su vector gradiente con respecto a x es c A T

Igualado ste a 0 es la segunda condicin, ii.
Joseph-Louis Lagrange,
1736- Pars, 1813.
Turin,
.
El vector es el de los multiplicadores de Lagrange de las condiciones

Ax D b.
El vector , el de los multiplicadores de Lagrange de las condiciones x 0.
La condicin iii se conoce como la de complementariedad de holguras, u

holguras complementarias.
Exige que sean cero aquellos multiplicadores de las condiciones de no
negatividad que no estn activas (no sean cero) en el ptimo; o, lo
que es equivalente, que sea cero el denominado gap de dualidad: la
diferencia entre el valor de la funcin objetivo del primal y del dual.
Todas estas condiciones fueron formuladas por Harold William Kuhn, EE.UU.,
1925-2014, y Albert William Tucker, Canad, 1905-1995, en 1951, con el fin de
extender la teora de Lagrange a la caracterizacin de los puntos ptimos de
problemas de programacin lineal y no lineal sometidos a restricciones.
Posteriormente se descubri que en 1939 William Karush, EE.UU., 1917-1997,

ya haba trabajado sobre estas condiciones, por lo que desde ese momento se les
pas a denominar
condicionesRichard
de Karush-Kuhn-Tucker,
o KKT.
264
W. Cottle
7/133
William Karush, circa 1987
Fritz John at NYU, circa 1987
Las condiciones KKT generalizan la de la existencia de un mnimo de una

funcin sin restricciones; es decir, que rx f .x / D 0.
8/133
cBT
cNT ,
Si A se ordena de la forma A D B N , y en concordancia c D

como en el ptimo la condicin i xi D 0, i D 1; : : : ; n, implica que Bi D 0,
i D 1; : : : ; m (pues las variables bsicas son positivas), la condicin ii de KKT
se puede reescribir as:

T
0
cB
B

C
; N 0:
D
N
NT
cN
Esto equivale a que cB D B T y que

cN D N C N T ;
N 0:
Es decir, a que
cN
NTB
cB 0
Este vector se denomina de costes reducidos: tienen que ser no negativos en el

punto ptimo.
9/133
Vectores y condiciones clave en PL:

xB D B 1 b
NTB
N D cN
DB
cB 0
cB
1. A N , vector de multiplicadores de Lagrange de las condiciones activas de

x 0, se le denomina de costes reducidos.
2. Que se cumpla que todos los costes reducidos sean positivos, o cero, es la
condicin de haber alcanzado el ptimo.
3. A , vector de multiplicadores de Lagrange de las condiciones Ax D b, se
le denomina de multiplicadores smplex.
Interpretacin econmica de los multiplicadores

smplex

xB
Supongamos que x D 0 D
de min. c T x
10/133
es una solucin ptima no degenerada
s. a Ax D b
x 0:

Al suponer xB > 0, un cambio suficientemente pequeo 4b en b no debe

modificar la base ptima B; la solucin ptima sera
1

xO B
B .b C 4b/
xO D
D
:
0
0
y el cambio en la funcin objetivo 4z D cBT B 14b D T 4b, donde D B T cB

es el ptimo del vector de multiplicadores smplex.
i indica cmo cambia la funcin objetivo al incrementar una unidad la cantidad disponible
del recurso bi de la condicin i-sima.
Su valor es un precio o valor marginal del recurso i-simo en el ptimo: el mximo
que se puede estar dispuesto a pagar por incrementar una unidad su disponibilidad.
ndice
11/133
Introduccin
El algoritmo Smplex

12/133
Mejorar una solucin bsica factible

Supongamos que:

Partimos de una solucin bsica factible: punto extremo o vrtice del

problema.
La matriz A 2 Rmn .m < n/ es de rango completo y la regin factible no
es el conjunto vaco.
En la solucin bsica factible los m primeros coeficientes del vector x son
los que forman la base: todos positivos.
13/133
Ordenando la matriz A D B N y, de la misma manera, c T D cBT cNT , se

tiene que
BxB C N x N D b:
Despejando xB ,
xB D B 1 b
B 1N x N
El valor de la funcin objetivo para este vector es

x
z D cBT ; cNT B D cBT B 1b C .cNT
xN
cBT B 1N /x N :
cost
e
s re
duc
idos
Para que se pueda mejorar la funcin objetivo desde el punto extremo que
define ese vector, debe haber costes reducidos negativos.
En el punto que define ese xB confluyen n m aristas; est en la interseccin

en Rn de los m hiperplanos correspondientes a las condiciones Ax D b y los
n m correspondientes a x N D 0 (no degenerada).
Para mejorar la funcin objetivo, de esas posibles n m aristas habr que

escoger una que consiga hacer decrecer la funcin objetivo desplazndose por
ella hasta otro vrtice.
Esa arista la definir un coste reducido, de los de las variables no en la base,

cNj D cj
cBT B 1aj ;
14/133
j >m
que sea negativo, pues har decrecer la funcin objetivo aumentando el valor de
la variable no bsica correspondiente. Si por ejemplo cNj < 0, la funcin objetivo
decrece al ritmo que marca el incremento desde cero de la variable no bsica xj .

Como a coste reducido ms negativo, decrecimiento ms rpido, se escoge para

la base aquella variable no bsica que tenga el coste reducido ms negativo.
15/133
OJO! Si la solucin es bsica degenerada, pues el valor de alguna variable

bsica es cero, puede ocurrir que en alguna direccin cualquier desplazamiento
haga que
x. / D x C y
viole la factibilidad del problema.
Esto que ocurre pues en una solucin bsica degenerada confluyen ms de m
hiperplanos.
53
13
12
42
d 1 es una direccin de movimiento factible; d 2 no.
16/133
Ejemplo Consideremos el programa lineal:

min. x1 C x2
s. a x1 C 2x2 4
x2 1
x1; x2 0:
Aadamos las variables de holgura x3 y x4 para transformarlo en forma estndar:

min. x1 C x2
s. a x1 C 2x2 C x3
D 4
I
x2
C x4 D 1
x1 ; x2 ; x3 ; x4 0:
1210
A D a1; a2; a3; a4 D 0 1 0 1 :
Consideremos B D a1; a2:

x1
12
xB D
D B 1b D
01
x2

x
0
xN D 3 D
:
x4
0
17/133

1
4
1 2 4
2
D
D
I
1
0 1 1
1
La solucin bsica factible que estamos considerando se puede ver en la figura.

02
79
79
62
3
45
5
61
78
01
Los costes reducidos de las variables no bsicas son

1
2
1
cN3 D c3 cBT B 1a3 D 0 1; 1
D 1
0 1 0

1 2 0
cN4 D c4 cBT B 1a4 D 0 1; 1
D 1:
0 1 1
18/133
La funcin objetivo decrece siguiendo la direccin (d 2 en la figura) que

determina el coste reducido cN3: la de incrementar la variable no bsica x3.
Las variables bsicas se deben mover de la forma

xB D B 1 b
B 1 a3 I
es decir, en la direccin opuesta a (o una cantidad negativa en)

1
2
1
1
B 1 a3 D
D
0 1 0
0
que es la direccin d 2 de la figura anterior.
19/133
Elegida la variable no bsica, xq , de coste reducido ms negativo, que entrar

en la base, cunto moverse en la direccin de la arista que ha definido ese
coste reducido?
La respuesta es hasta que en ese movimiento una variable bsica llegue a su

lmite cero, y bloquee el posible desplazamiento en la direccin escogida: se
habr llegado a otro vrtice.
Siguiendo las ideas que manejamos ya en optimizacin, la direccin de

movimiento del mtodo es la opuesta a
y D B 1 aq
y en ella se avanza una cantidad , amplitud de paso.
De las expresiones de x. / y xB . / se deduce que se mantendr la factibilidad

del problema, es decir,
x. / 0;
20/133
si y slo si
xB

y 0 y 0:
Si las variables bsicas se modifican segn

xB D B 1 b
o, desarrollando,
2
3 2 3
bO1
xB1
6
7 6 7
6xB2 7 6bO2 7
6 :: 7 D 6 :: 7
4 : 5 4 : 5
xBm
bOm
y;
2 3
y1
6 7
6y 7
6 ::2 7 ;
4 : 5
ym
donde bO D B 1b, ese valor mximo de movimiento negativo, vendr dado por
nO
o x
B
bi
D xN q D mKn yi W yi > 0; 1 i m D ypp :
21/133
El valor de la variable no bsica xq se ver incrementado despus de este paso

desde cero a xN q , pasando a ser bsica en detrimento de la variable xBp que
pasar a ser no bsica y por tanto cero.
Para completar una iteracin del mtodo Smplex resta reemplazar el vector ap
por el aq en la base, es decir, hacer
BN D B C .aq
ap /epT :
quedando
BN D aB1 ; aB2 ; : : : ; aBp 1 ; aq ; aBpC1 ; : : : ; aBm :
22/133
El Algoritmo Smplex

El algoritmo Smplex para resolver

min. c T x
s. a Ax D b
x0
parte de una solucin bsica factible xB correspondiente a
B D aj1 ; aj2 ; : : : ; ajm .
B D fj1; : : : ; jmg es el conjunto de ndices de las variables bsicas; xji designa

la variable bsica i -sima; N el de las variables no bsicas.
23/133
Paso 1 Asignacin de precios. Comprobacin de ptimo.

(a) Calcular los multiplicadores smplex resolviendo el sistema B T D cB .
(b) Calcular los costes reducidos de las variables no bsicas, cNj D cj T aj , para todo j 2 N .
(c) Comprobar que se ha llegado al ptimo: si cNj 0 para todo j 2 N , PARAR: la solucin es ptima.
Paso 2 Determinar columna de pivotacin.

(a) Determinar la variable no bsica xq que debe entrar en la base (encontrar una direccin de descenso):
escoger q 2 N tal que cNq D mKnj 2N fcNj < 0g:
(b) Resolver
By D aq :
Si y 0, PARAR; hay un rayo factible de soluciones a lo largo del cual c T x !
1. Si no, seguir.
Paso 3 Determinar fila de pivotacin. Anlisis de Ratios. Determinar la variable bsica xjp que sale de la
base: calcular

xjp
xji
D
D mKn
W yi > 0 :
1i m yi
yp
Paso 4 Pivotacin. Adaptar la solucin, la matriz B y las estructuras de datos. Hacer:
xq
D xjp =yp
xji
xji
B C .aq
B [ fqgnfjp g
yi ;
1i m
ajp /epT
N [ fjp gnfqg; e ir al paso 1.
Algoritmo Smplex revisado
24/133
function [sol fobj la c_r iters B N Binv] = ProgLineal_3(c,A,b,eps1,bfs)

% Resuelve min. cx sujeto a Ax=b, x >= 0 (problema estndar)
% B_i, vector de columnas de A en la base = B; bfs=base factible
% N_i, vector de columnas de A fuera de la base = N
disp(It. Sale B Entra B
Cos. red.
fobj
Inf. dual);
[m n]=size(A); iters=0; c=c(:); B_i=bfs; N_i=setdiff(1:n,B_i);
[L U]=lu(A(:,B_i));
% LU de la base inicial
while 1==1
% Itera Smplex
xb =U\(L\b);
% xb=B^-1*b vector solucin actual
la =L\(U\c(B_i));
% Multiplicadores smplex
c_r=zeros(n,1);
c_r(N_i)=c(N_i)-A(:,N_i)*la;
% Costes reducidos: c_r=c_N-c_B*B^-1*N
[cj j]=min(c_r);
% Cos. redu. ms negativo; entra j. Bland implcita
if cj>-eps1
% si todos cj >= 0, ptimo;
sol=zeros(n,1); sol(B_i)=xb;
% dar solucin
fobj=c(B_i)*xb;
N = N_i; B=B_i;
if nargout==8, Binv=U\(L\eye(m)); end
return
% Salir; FIN algoritmo
end
y=U\(L\A(:,j));
% y = B^-1 * a[j]
zz=find(y>eps1);
% Sale de base: mn d(i)/y(i), y(i)>0;
if isempty(zz), error(Problema no acotado.); end
% Direc. de no acotado
[yy ii]=min((xb(zz)./y(zz)));
% Sale i
i=zz(ii);
% Regla de Bland implcita: primera i
k=B_i(i); B_i(i)=j; N_i(j==N_i)=k;
% Adaptacin datos
[L U]=lu(A(:,B_i)); iters=iters+1; Di=norm(c_r(c_r<0));
fprintf(%3d%6d%7d %20.6f %20.6f %20.6f\n,iters,k,j,cj,c(B_i)*xb,Di); % Info. itera
end
end
Ejemplo 1 Resolvamos el problema de programacin lineal:

min. x1
25/133
3x2
s. a 2x1 C 3x2 6
x1 C x2 1
x1; x2 0:

Introduciendo variables de holgura, la base queda:

min. x1
3x2
s. a 2x1 C 3x2 C x3
D6
I
x1 C x2 C
x4 D 1
x1 ; x2 ; x3 ; x4 0:
10
B D a3; a4 D 0 1

y N D a1 ; a2 D
La solucin inicial, xB D B 1b, x N D 0, es pues

2 3 23
x1
4x25
x3
x4
0
405 I y la funcin objativo
6
1
zD
cBT B 1b
D 0; 0
hi
6
1
D 0:
23
:
11
Iteracin 1. Paso 1

Calculemos los multiplicadores smplex resolviendo B T D cB :

1
10
0
0
D
D
:
01
0
0

2
cN1 D c1 T a1 D 1 0; 0
D 1
1

3
cN2 D c2 T a2 D 3 0; 0
D 3:
1
26/133
Todava no se ha llegado al ptimo pues los costes reducidos de las variables no

bsicas son negativos.
Iteracin 1. Paso 2
27/133
Elijamos la variable no bsica x2 como aquella que ha de entrar en la base pues

tiene el coste reducido ms negativo.
Resolvamos el sistema By D a2:

10
yD
01
1

3
3
D
:
1
1
Iteracin 1. Paso 3

La variable bsica a salir de la base se obtendr de calcular

xB1 xB2
6 1
D mKn
;
D mKn ;
D 1:
y1 y2
3 1
28/133
Es decir, saldr xB2 D x4. Esto se puede deducir tambin analizando la expresin

3
xB1
x
6

;
D 3 D B 1b y D
xB2
x4
1
1
comprobndose que x4 es la primera variable que llega a cero al incrementar x2.
Iteracin 1. Paso 4

Readaptemos la solucin y las estructuras correspondientes:

x2
x3
x4
D1
x3 y1 D 6
x4 y2 D 1
13D3
1 1 D 0:
29/133
La solucin queda, por tanto,

2 3 2 3
x1
0
6 7 6 7
6x27 617
6 7D6 7
4x35 435
x4
0
con

13
B D a3; a2 D
01

y N D a1; a4 D
20
:
11
La nueva funcin objetivo es

z D cBT B 1b D 0;

1 3 6
3
D
0 1 1
3:
30/133
Iteracin 2. Paso 1

Calculemos los nuevos multiplicadores smplex resolviendo B T D cB :

1

10
0
10
0
0
D
D
D
:
31
3
31
3
3

2
cN1 D c1 T a1 D 1 0; 3
D
1

0
cN4 D c4 T a4 D 0 0; 3
D 3:
1
Como todava existe un coste reducido negativo, no se ha llegado al ptimo.
Iteracin 2. Paso 2

Elegimos la nica variable no bsica capaz de mejorar la funcin objetivo, x1,

como aquella que ha de entrar en la base.

1

13
2
1 3
2
5
yD
D
D
:
01
1
0 1
1
1
Iteracin 2. Paso 3


xB1
3
3
D mKn
D mKn
D :
y1
5
5
Es decir, saldr xB1 D x3.
31/133
Analizando el porqu de esto mediante la expresin

x3
3
xB1
D
D B 1b y D
xB2
x2
1
32/133

5
;
1
se comprueba que x3 es la primera variable que llega a cero al incrementar x1.

Iteracin 2. Paso 4


x1
x2
x3
D 35
x2 y2 D 1
x3 y1 D 3
3
5
3
5
. 1/ D
5 D 0:
La solucin queda:
2 3 2 3
x1
3=5
6 7 6 7
6x27 68=57
6 7D6 7
4x35 4 0 5
0
x4
8
5
con

B D a1; a2 D
23
11

10
y N D a3; a4 D
:
01

z D cBT B 1b D 1;

"
D 1;
23
11
3
3
1
5
1
5
1
6
D
1
#
3
27
6
5
:
D
2
1
5
5
Iteracin 3. Paso 1

Calculemos los nuevos multiplicadores smplex resolviendo B T D cB :

1 " 1 1#

2 1
1
1
4=5
5 5
D
D
D
:
3
2
3 1
3
3
3=5
5 5
33/133
34/133

cN3 D c3
T a3 D 0
cN4 D c4
T a4 D 0

1
4=5; 3=5
D 54
0

0
4=5; 3=5
D 53 :
1
Todos los costes reducidos son positivos por lo que se ha llegado al nico
ptimo del problema.

La solucin ptima es
3
2 3 2
x1
3=5
6 7 6
7
6x27 68=57
6 7D6
7:
4x35 4 0 5
x4
0
La funcin objetivo

6
z D cBT B 1b D T b D 4=5; 3=5
D
1
27
:
5
35/133
Las soluciones bsicas factibles que se han ido obteniendo en el proceso se

indican en la figura.
02
569
8
9
578

3
4
568
7
01
Con el programa ProgLineal_3 de Matlab que hemos presentado antes sera:

min. x1
3x2
s. a 2x1 C 3x2 C x3
D6
x1 C x2 C
x4 D 1
x1 ; x2 ; x3 ; x4 0:
>> cEje1=[-1 -3 0 0];

>> AEje1=[2 3 1 0;-1 1 0 1];
>> bEje1=[6;1];
>> bfsEje1=[3 4];
>> [sol fobj pi cr iters B N]=ProgLineal_3(cEje1,AEje1,bEje1,...
sqrt(eps),bfsEje1)
36/133
Se obtiene:
>> [sol fobj pi cr iters B N]=ProgLineal_3(cEje1,AEje1,bEje1,...

sqrt(eps),bfsEje1)
It. Sale B Entra B
Cos. red.
fobj
1
4
2
-3.000000
-3.000000
2
3
1
-4.000000
-6.000000
sol =
0.600000000000000
1.600000000000000
0
0
fobj =
-5.400000000000000
pi =
-0.800000000000000
-0.600000000000000
cr =
0
0
0.800000000000000
0.600000000000000
iters =
2
B =
1
2
N =
3
4
Inf. dual
3.162278
4.000000
Con la rutina linprog de Matlab, la sesin sera la1 siguiente.
37/133
>> cEje1=[-1 -3 0 0];

>> AEje1=[2 3 1 0;-1 1 0 1];
>> bEje1=[6;1];
>> lb=[0 0 0 0];
>> options = optimset(LargeScale, off, Simplex, on, Display, Iter);
>> [x fval exitflag output]=linprog(cEje1,[],[],AEje1,bEje1,lb,[],[],options)
Phase 1: Compute initial basic feasible point.
Iter
Infeasibility
0
1
1
-0
Phase 2: Minimize using simplex.
Iter
Objective
Dual Infeasibility
f*x
A*y+z-w-f
0
-5.4
0
Optimization terminated.
x =
0.6000
1.6000
0
0
fval =
-5.4000
exitflag =
1
output =
iterations: 0
algorithm: medium scale: simplex
cgiterations: []
message: Optimization terminated.
Obsrvese que con Matlab no sera necesario suministrar el problema en forma estndar pues admite dos conjuntos de
condiciones: de igualdad y desigualdad. Si, en cambio, hay que explicitar que las cotas inferiores de las variables son cero.
Ejemplo 2 Solucin no acotada. Hay que resolver:

min. x1
s. a
3x2
x1 2x2 4
x1 C x2 3
x1; x2 0:
Con las variables de holgura, la base inicial queda:

min. x1
s. a
38/133
3x2
x1 2x2 C x3
D4
I
x1 C x2 C
x4 D 3
x1 ; x2 ; x3 ; x4 0:
10
B D a3; a4 D 0 1

y N D a1 ; a2 D
La solucin inicial, xB D B 1b, x N D 0, es

2 3 23
x1
4x25
x3
x4
0
405 ;
4
3
de funcin objetivo
zD
cBT B 1b
D 0; 0
hi
4
3
D 0:
1 2
:
1 1
La regin factible de este problema es la que se ilustra en la figura.
02

9
3
6
45 78
79
01
Iteracin 1. Paso 1


1
10
0
0
D
D
:
01
0
0
39/133

1
cN1 D c1 T a1 D 1 0; 0
D
1

2
cN2 D c2 T a2 D 3 0; 0
D
1
40/133
3:
Al ser negativos los costes reducidos, esta solucin no es ptima.

Iteracin 1. Paso 2

Elegimos la variable no bsica x2 como aquella que ha de entrar en la base pues

su coste reducido es el ms negativo.

10
yD
01
1

2
2
D
:
1
1
41/133
Iteracin 1. Paso 3


3
xB2
D mKn
D 3:
D mKn
y2
1
Es decir saldr xB2 D x4.
Como venimos haciendo, esto tambin de puede comprobar a partir de la
expresin

xB1
x
4
2
D 3 D B 1b y D

;
3
1
xB2
x4
constatndose que, efectivamente, x4 es la primera variable que llega a cero al
incrementar x2.
42/133
Iteracin 1. Paso 4


x2
x3
x4
D3
x3 y1 D 4
x4 y2 D 3
3 . 2/ D 10
3 1 D 0:
La solucin queda:
2 3 2 3
x1
0
6 7 6 7
6x27 6 37
6 7D6 7
4x35 4105
x4
0
con

1 2
B D a3; a2 D
0 1

y N D a1; a4 D

10
:
11
43/133
Iteracin 2. Paso 1


1
10
0
10
0
0
D
D
D
:
21
3
21
3
3

1
cN1 D c1 T a1 D 1 0; 3
D
1

0
cN4 D c4 T a4 D 0 0; 3
D 3:
1
Como existe un coste reducido negativo, todava no se ha alcanzado el ptimo.
44/133
Iteracin 2. Paso 2

Elegimos la nica variable no bsica posible, x1, como aquella que ha de entrar
en la base.

1
1 2
1
12
1
1
yD
D
D
:
0 1
1
01
1
1
Como todos los yi ; i D 1; 2 son negativos, hay un rayo de soluciones factibles a

u
lo largo del cual c T x ! 1. La solucin es pues no acotada.
Ejemplo 3 Soluciones ptimas alternativas. Hay que resolver:

min. 2x1
s. a
x1 C 2x2 4
x1 C x2 1
x1; x2 0:
Introduzcamos las variables de holgura x3 y x4. El problema queda:

min. 2x1
s. a
4x2
4x2
x1 C 2x2 C x3 D 4
x1 C x2 C x4 D 1
x1; x2; x3; x4 0:
Escojamos como base de partida

10
B D a1; a4 D
11

21
y N D a2; a3 D
:
10
45/133
46/133
La solucin inicial, xB D B 1b, x N D 0, es pues

1
x1
10
4
10 4
4
D
D
D
x4
10
1
11 1
5
y

x2
0
D
:
x3
0
La funcin objetivo para esta solucin es

4
z D cBT B 1b D 2; 0
D
5
8:
47/133
Iteracin 1. Paso 1


1
1 1
2
11
2
2
D
D
D
:
0 1
0
01
0
0

2
cN2 D c2 T a2 D 4 2; 0
D0
1

1
cN3 D c3 T a3 D 0 2; 0
D 2:
0
Hemos llegado a un punto ptimo.
48/133
El ptimo, sin embargo, no es nico.
02
!"
#!"

$

34567849

4 8

01
Si incrementamos x2, manteniendo x3 D 0, las variables x1 y x4 se modifican

de la siguiente manera:
h i
h ih i h ih i
hi hi
x1
10 4
10 2
4
2
1
1
D
B
b
B
a
x
D
x
D
2
2
2
x4
11 1
11 1
5
3 x2 :
49/133
Para cualquier x2 < 35 , la solucin

2 3 2
3
x1
4 2x2
6 7 6
7
6x27 6 x2 7
6 7D6
7
4x35 4 0 5
x4
5 3x2
es ptima con funcin objetivo z D
8.
50/133

Aunque hasta ahora se ha supuesto que la solucin bsica x de un programa

lineal no es degenerada, el que lo sea no causa grandes dificultades prcticas
en el proceso de obtencin del ptimo.
Lo peor que puede ocurrir es que. en el Paso 3, la variable que salga de la base,
xjp , tenga un valor cero, lo que dar lugar a una iteracin con desplazamiento
D 0: x no cambiar.
Aunque x no cambie, si lo har la base.
Como x, y por tanto c T x, no cambian, es tericamente posible que el

algoritmo entre en un ciclo infinito a travs de una sucesin de bases, y sus
correspondientes soluciones, volviendo a esta base.
El problema
51/133
min.
s. a x1
x2
x3
3
x
4 4
C 20x5
C 14 x4
C 21 x4
8x5
12x5
1
x
2 6
C 6x7
El ptimo es x D
objetivo ptima -5/4.
3=4; 0; 0; 1; 0; 1; 0T
y su funcin
C 9x7 D 0
C 3x7 D 0
C x6
D1
x1 ; x2 ; x3 ; x4 ; x5 ; x6 ; x7 0:
x6
1
x
2 6
expuesto por E.M.L. Beale en 1955, muestra cmo el mtodo Smplex puede
quedar atrapado en un ciclo infinito, si se escoge como variable a entrar en la
base aquella que posee el coste reducido ms negativo y para salir de ella una de
las que proporcionan el mnimo .

Si se comienza a resolver partiendo de la base B D a1; a2; a3, siguiendo el

mtodo Smplex ordinario se obtienen las bases a4; a2; a3, a4; a5; a3,
a6; a5; a3, a6; a7; a3, a1; a7; a3 y otra vez a1; a2; a3.
Si se vuelve a utilizar la misma secuencia de variables a entrar y salir de la base,

el mtodo entra en un ciclo infinito.
52/133
La regla de Bland (1977)
Robert G. Bland, EE.UU. 1948-.
Mediante esta regla la ms habitualmente usada se elige como variable que

ha de entrar en la base, de entre las de coste reducido negativo, aquella con
menor ndice.
Para salir de la base, si el ratio es igual en varias, tambin aquella con menor
ndice.
ndice
53/133
Introduccin
El algoritmo Smplex

54/133

Cmo obtener una eficazmente?
Si las condiciones del problema son de la forma Ax b; x 0, donde b tiene

todos sus coeficientes no negativos, el problema es trivial: aadiendo las
variables de holgura a las condiciones se tendr que
Ax C x h D b
x; x h 0:

Una solucin bsica factible ser x h D b, x D 0; la matriz bsica

correspondiente, B D I.
55/133
Normalmente no es tan sencillo. Por ejemplo, si se diesen las mismas

condiciones de antes pero el vector b tuviese algn coeficiente negativo, la
solucin obtenida no sera vlida pues violara la condicin de no negatividad.
Si las condiciones son de la forma Ax b; x 0, aadiendo el vector de

variables de holgura, x h, se tendra que Ax x h D b; x 0; x h 0.

Si el vector b no tuviese todos sus coeficientes negativos o cero, difcilmente

se podra determinar una base B a partir de la matriz A I, de tal forma
que xB D B 1b cumpliese la condicin de no negatividad.
56/133
Ejemplo 1 Consideremos las condiciones siguientes:

x1 C 2x2 4
x1 C x2 1
x1; x2 0:
Aadiendo las variables de holgura x3 y x4 las condiciones se transforman en

x1 C 2x2 C x3 D 4
x1 C x2 C x4 D 1
x1; x2; x3; x4 0:
Una solucin inicial bsica factible sera

10
x3
1
0
4
41 D
B D a3 ; a4 D
W xB D
D B 1b D
01
x4
01
1

x
0
xN D 1 D
:
x2
0
57/133
Ejemplo 2 Sean ahora las siguientes condiciones:

x1 C x2 C x3 6
2x1 C 3x2 C 3x3 3
x2; x3 0:
Cuando como aqui x1 una variable no est restringida a tomar valores no

negativos, podemos sustituirla por xi0 xi00, xi0 0, xi00 0. Si lo hacemos e
introducimos las variables de holgura x4 y x5, las condiciones quedan:
x100 C x2 C x3 C x4
D6
x10
2x10 C 2x100 C 3x2 C 3x3
x5 D 3
x10 ; x100; x2; x3; x4; x5 0:
No es inmediato determinar una base B que nos permita obtener una solucin
inicial bsica factible.
58/133
Ejemplo 3 Consideremos ahora las siguientes condiciones:

x1 C x2 2x3 3
2x1 C x2 C 3x3 7
x1; x2; x3 0:
Si para hacer todos los coeficientes del vector b no negativos multiplicamos la

primera condicin por 1 e introducimos las variables de holgura x4 y x5, las
condiciones resultarn:
x1 x2 C 2x3 x4
D3
2x1 C x2 C 3x3
C x5 D 7
x1; x2; x3; x4; x5 0:
Tampoco de aqu se puede determinar de una manera sencilla una base inicial
del problema.
59/133
Variables artificiales

La forma ms inmediata de determinar una solucin bsica factible de partida

consiste en introducir temporalmente, adems de las variables de holgura, un
nuevo conjunto similar de variables artificiales.
Si el problema es
min. c T x
s. a Ax D b
x 0;
donde, sin prdida de generalidad, se supone que b 0, se le aade un vector
de variables artificiales, x a , resultando
Ax C x a D b;
con x 0 y x a 0.
Si se quiere conseguir una solucin factible del problema original habr que
forzar a que los coeficientes del vector x a sean cero. Es decir, resolver tambin
con el mtodo Smplex el problema
60/133
min.
m
X
x ai
iD1
s. a Ax C x a D b
x; x a 0:
Si el problema original admite una solucin factible, en la solucin del

transformado se tendr que x a D 0.
Si tal solucin factible no existe, el problema transformado acabar con

algn coeficiente de x a positivo.
El mtodo Smplex completo, por consiguiente, consta de las dos fases que se
indican en la tabla.
61/133
Fase I Partiendo de la solucin inicial x D 0, x a D b, resolver

min.
m
X
xai
i D1
s. a Ax C x a D b
x; x a 0:
Si x a 0, parar: el problema no tiene solucin bsica factible.
Si x a D 0, ir a la fase II tomando como B inicial la de la ltima iteracin de
esta fase.
Fase II Partiendo de xB D B 1 b y x N D 0, resolver
min. cBT xB C cNT x N
s. a BxB C N x N D b
xB ; x N 0:
Algoritmo Smplex revisado en dos Fases
62/133
Al final de la Fase I, si la solucin tiene alguna variable artificial en la base y

xai D 0 (degenerada), dicha variable se puede intercambiar por una no bsica
de las originales xj , o suprimirse sin ms que eliminar la condicin redundante
correspondiente. Concretamente:

Si la variable bsica xak D 0 y se cumple que e Tk B 1aj 0, la variable xak

se puede reemplazar por la xj .
Si para todo aj 2 N , e Tk B 1aj D 0, el sistema Ax D b tiene una
condicin redundante y se puede eliminar la fila k-sima de la matriz A
original (as como la fila y columna k-simas de B).
Circunstancias de este tipo se evitan con un mecanismo de preproceso para

aligerar el problema de redundancias, incoherencias, etc.
63/133
Ejemplo Hay que resolver el siguiente problema:

min. x1
s. a
2x2
x1 C x2 2
x1 C x2 1
x2 3
x1; x2 0:
Para empezar, introduzcamos como siempre las variables de holgura:

min. x1
s. a
2x2
x1 C x2 x3
D2
x1 C x2
x4
D1
x2
C x5 D 3
x1; x2; x3; x4; x5 0:
64/133
Como la base de partida no es de fcil obtencin, introducimos las variables

artificiales y planteamos el siguiente problema dentro de la fase I:
x6 C x7
min.
s. a
x1 C x2
x1 C x2
x2
D2
x4
C x7 D 1
C x5
D3
x1; x2; x3; x4; x5; x6; x7 0:
x3
C x6
Obsrvese que en la tercera condicin no es necesario introducir variable

artificial alguna.

Del problema as planteado se puede obtener inmediatamente la base de partida;

sta es
0 1 0
1 1 1 0
B D a5; a6; a7 D 0 0 1 y N D a1; a2; a3; a4 D 1 1 0 1 :
100
01
65/133
La solucin inicial, xB D B 1b, x N D 0, es:

x 0 1 0 1 2 0 0 1 2 3
5
x6 D 0 0 1
1 D 100
1 D 2 :
x7
100
010
Por tanto,
2 3
2 3
x1
0
6x27 607
6x37 607
6 7 6 7
6x47 D 607 :
6 7 6 7
6x57 637
4x 5 425
6
x7
1
Fase I. Iteracin 1. Paso 1


3
2
001
D 41 0 05
010
66/133
12
32 3 2 3
3 2
1
010
0
0
4 15 D 40 0 15 4 15 D 41 5 :
0
100
1
1

3
1
0 4 15 D 0;
0
2 3
1
0 415 D 2;
1
2 3
1
0 4 05 D 1
0
2 3
0
0 4 15 D 1:
0
2
cN1 D c1
T a1 D 0
1; 1;
cN2 D c2
T a2 D 0
1; 1;
cN3 D c3
T a3 D 0
1; 1;
cN4 D c4
T a4 D 0
1; 1;
67/133
No se ha llegado todava al ptimo pues existe un coste reducido negativo.

Elegimos la nica variable no bsica posible, x2, como aquella que ha de entrar
en la base.
Resolvemos el sistema By D a2:

2
3 12 3 2
32 3 2 3
010
1
001
1
1
y D 40 0 15 415 D 41 0 05 415 D 415 :
100
1
010
1
1
68/133


xB1 xB2 xB3
3 2 1
D mKn
;
;
D mKn ; ;
D 1I
y1 y2 y3
1 1 1
es decir, saldr xB3 D x7.
O, como solemos utilizar, de evaluar la expresin xB D B 1b
y.
Es decir,
2 3 2 3 2 3
xB1
x5
3
4xB2 5 D 4x65 D 425
xB3
x7
1
2 3
1
415 ;
1
comprobndose que x7 es la primera variable que llega a cero al incrementar x2.
69/133

Readaptemos la solucin y las estructuras de datos:

x2
x5
x6
x7
D1
x5 y1 D 3
x6 y2 D 2
x7 y3 D 1
11D2
11D1
1 1 D 0:
La solucin queda por tanto,

2 3
2 3
x1
0
6x27 617
6x37 607
6 7 6 7
6x47 D 607
6 7 6 7
6x57 627
4x 5 415
6
x7
0
70/133
siendo
2
3
011
B D a5; a6; a2 D 40 0 15
101
y
2
10 1 0
N D a1; a7; a3; a4 D 4 1 1 0 15 :
00 0 0

Calculemos de nuevo los multiplicadores

2
3 12 3 2
001
0
D 41 0 05 4 15 D 4
111
0
smplex resolviendo B T D cB :
32 3 2 3
0 10
0
1
1 1 1 5 4 15 D 4 1 5 :
0
0
1 00
71/133
cN1 D c1
T a1 D 0
1;
1;
cN7 D c7
T a7 D 1
1;
1;
cN3 D c3
T a3 D 0
1;
1;
cN4 D c4
T a4 D 0
1;
1;
3
1
0 4 15 D 2;
0
2 3
0
4
0 15 D 2;
0
2 3
1
4
05 D 1
0
y
0
2 3
0
0 4 15 D 1:
0
No se ha llegado todava al ptimo; hay dos costes reducidos negativos.


Elegimos la variable no bsica x1 para entrar en la base pues su coste reducido

es el ms negativo.

3 12 3 2
32 3 2 3
2
1
0 11
1
1
011
y D 40 0 15 4 15 D 41 1 05 4 15 D 4 25 :
101
0
0 10
0
1
72/133


nx x o

B
B
D mKn y11 ; y22 D mKn 21 ; 21 D 12 I
es decir, saldr xB2 D x6. Esto se deduce tambin de
2 3 2 3
2 3
xB1
x5
2
4xB2 5 D 4x65 D B 1b y D 415
xB3
x2
1
3
1
4 25 ;
1
constatndose que x6 es la primera variable que llega a cero al incrementar x1.

Readaptemos la solucin y las estructuras de datos correspondientes:

x1
x5
x6
x2
73/133
D D 21
D x5 y1 D 2
D x6 y2 D 1
D x2 y3 D 1
1
2
1
2
1
2
1 D 23
2D0
. 1/ D 23 :
La solucin queda por tanto

2 3
x1
6x27
6x37
6x47
6x 7
4 55
x6
x7
siendo
2
0
4
B D a5 ; a1 ; a2 D 0
1
1
1
0
2
D
1=2
63=27
607
607
63=27
4 5
0
0
3
2
1
10
5
4
1 y N D a6 ; a7 ; a3 ; a4 D 0 1
1
00
1
0
0
3
0
15 :
0
74/133


2
0
4
D 1
1
3
01
1 05
11
12
3 2 1
0
2
1
4 05 D 6
4 2
0
1
1
2
1
2
1 2 3
0
2
17 4 5
0
25
00
2 3
0
4
D 05:
0

cN6 D c6
T a6 D 1
0; 0;
cN7 D c7
T a7 D 1
0; 0;
cN3 D c3
T a3 D 0
0; 0;
cN4 D c4
T a4 D 0
0; 0;
2 3
1
0 405 D 1;
0
2 3
0
4
0 15 D 1;
0
2 3
1
4
05 D 0;
0
0
2 3
0
0 4 15 D 0:
0
Todos los costes reducidos son no negativos: ptimo de la fase I.
La base de partida de la fase II es

0
B D a5; a1; a2 D 0
11
11
01

y
N D a3; a4 D
1
0
0
Fase II. Iteracin 1. Paso 1


2
0
4
D 1
1
0
1
1
3
1
05
1
12
3 2 1
0
2
4 15 D 6
4 21
2
1
1
2
1
2
1 2
2
17 4
25
0 0
3 2
3
1=2
0
15 D 4 3=25 :
2
0

2
cN3 D c3
T a3 D 0
1=2;
cN4 D c4
T a4 D 0
1=2;
3
1
3=2; 0 4 05 D
2 03
0
3=2; 0 4 15 D
0
1
2;
3
2:
75/133
0
1
0
Como cN3 y cN4 son negativos, no se ha llegado an al ptimo.


Elegimos la variable no bsica x4 como la que entra en la base.

2
0
4
yD 0
1
1
1
0
3
1
15
1
12
3 2
0
4 15 D 4
0
1
2
1
2
1
2
1
2
1
2
1
2
32 3 2
3
1
0
1=2
05 4 15 D 4 1=25 :
0
1=2
0


(
)

3 1
xB1 xB2
D mKn
;
D mKn 21 ; 21 D 1:
y1 y2
2 2
76/133
77/133
Es decir, saldr xB2 D x1. Si se analiza la expresin

2 3
xB1
4xB2 5 D B 1 b
xB3
3
2 3 2
3=2
x5
y D 4x1 5 D 41=25
x2
3=2
3
1=2
4 1=25 ;
1=2
tambin se comprueba que, efectivamente, la primera variable que llega a cero

al incrementar x4 es x1, con D 1.


x4
x5
x1
x2
D1
x5 y1 D
x1 y2 D
x2 y3 D
3
2
1
2
3
2
1 12 D 1
1 12 D 0
C 1 12 D 2:
78/133
La nueva solucin es, por tanto,

2 3
2 3
0
x1
6x27 627
6 7 6 7
6x37 D 607
4x45 415
x5
1
con
0
B D a5; a4; a2 D
0
1
01
11 y
01

N D a3; a1 D
1
0
0


2
0
D 40
1
3
01
1 05
11
12
3 2
0
1
4 05 D 4 0
2
1
32 3 2 3
11
0
2
1 05 4 05 D 4 0 5 :
00
2
0
1
1
0

:

2
cN3 D c3
T a3 D 0
cN1 D c1
T a1 D 1
3
1
2; 0; 0 4 05 D 2;
2 03
1
2; 0; 0 4 15 D 3:
0
79/133
Todava no se ha llegado al ptimo.


Elegimos la variable no bsica x3 como la que entra en la base.

2
0
4
yD 0
1
0
1
0
3
1
15
1
12
3 2
1
1
4 05 D 4 1
0
1
0
1
0
32 3 2 3
1
1
1
5
4
5
4
0
0 D
15 :
0
0
1
80/133


xB1
1
D mKn
D mKn
D 1I
y1
1
es decir, saldr xB1 D x5. Vindolo a partir de la expresin
2 3 2 3
2 3
2 3
xB1
x5
1
1
4xB2 5 D 4x45 D b 1b y D 415 4 15 ;
xB3
x2
2
1
se comprueba tambin que la primera variable que llega a cero al incrementar x3
es x5.
81/133


x3
x5
x4
x2
La nueva solucin es
D1
x5 y1 D 1 1 1 D 0
x4 y2 D 1 C 1 1 D 2
x2 y3 D 2 C 1 1 D 3:
2 3
2 3
0
x1
6x27 637
6 7 6 7
6x37 D 617 :
4x45 425
0
x5
Las nuevas matrices:
82/133
3
2
3
1 01
0 1
B D a3; a4; a2 D 4 0 1 15 I N D a5; a1 D 40 15 :
0 01
1 0

Calculemos los multiplicadores; resolvamos B T D cB :

2
1
4
0
D
1
0
1
1
3
0
05
1
12
3 2
0
1
4 05 D 4 0
2
1
0
1
1
32 3 2 3
0
0
0
5
4
5
4
0
0 D
05:
1
2
2

cN5 D c5
T a5 D 0
0; 0;
cN1 D c1
T a1 D 1
0; 0;
2 3
0
4
2 05 D 2;
1
2 3
1
2 4 15 D 1:
0
83/133
Todos los costes reducidos de las variables no bsicas son positivos por lo que se
ha alcanzado el nico ptimo del problema.
La solucin final es
2 3
2 3
0
x1
6x27 637
6 7 6 7
6x37 D 617 :
4x45 425
x5
0

El valor ptimo de la funcin objetivo es cBT B 1b D
6.
84/133
El proceso iterativo que se ha seguido se representa en la figura
528
7
x
568
7
58 59
68
9 7
6
x1
85/133
Mtodo de penalizacin o de la M grande

Consiste en combinar en un proceso nico las fases I y II del mtodo Smplex y

resolver
n
m
X
X
min.
ci xi C M
xaj
i D1
j D1
s. a Ax C x a D b
x; x a 0:
La constante M se elige suficientemente grande de tal forma que est muy
penalizado que en el ptimo x a 0.

Eventualmente, si existe solucin factible del problema original, las variables

artificiales tendern a cero en el proceso de obtencin del ptimo de este
problema.
86/133
Esta alternativa tiene dos pegas:

La necesidad de escoger un determinado valor fijo de M que asegure que las

variables artificiales no van a estar en la base de la solucin ptima.

Un valor excesivamente grande de M, con respecto a los coeficientes del

vector c y de la matriz A, puede hacer que los errores de redondeo de los
clculos y la inestabilidad numrica del proceso lleguen a ser importantes.
Que el nmero de variables del problema se incrementa notablemente.
Resolvamos con esta tcnica un ejemplo anterior:

min. x1
s. a
1000x6 C 1000x7
2x2
x1 C x2
x1 C x2
x2
87/133
x3
D2
x4
C
x7 D 1
C x5
D3
x1 ; x2 ; x3 ; x4 ; x5 ; x6 ; x7 0:
x6
Con el programa ProgLineal_3 de Matlab que usamos sera:

sol =
>> cM=[1 -2 0 0 0 1000 1000];

>> AM=[1 1 -1 0 0 1 0;-1 1 0 -1 0 0 1;0 1 0 0 1 0 0];
>> bM=[2;1;3];
>> bfsM=[5 6 7];
>> [sol fobj pi cr iters B N]=ProgLineal_3(cM,AM,bM,sqrt(eps),bfsM)
It. Sale B Entra B
Cos. red.
fobj
1
7
2
-2002.000000
1998.000000
2
6
1
-2001.000000
-1.000000
3
1
4
-1.500000
-3.000000
4
5
3
-2.000000
-4.000000
0
3
1
2
0
0
0
fobj =
-6
pi =
0
0
-2
cr =
1000
iters =
4
B =
3
N =
6
1000
88/133
La solucin ptima que obtiene el mtodo Smplex de un problema de PL es

como una fotografa fija de una situacin real que habitualmente evoluciona en
el tiempo, incluso a corto o muy corto plazo.
Con un pequeo esfuerzo, una vez obtenida la solucin con el Smplex, se puede
conocer hasta qu punto ese ptimo seguir sindolo y qu pueden representar,
en costes o beneficios, determinadas variaciones de los parmetros del problema.
Esto es frecuente estudiarlo cuando los costes de produccin de un artculo

deben variar en el tiempo al fluctuar el precio de una materia prima o, en
general, cuando los datos del problema son estimaciones ms o menos
imprecisas de una realidad en la que oscilan entre determinados mrgenes.
Estudiemos cmo afecta a la solucin de un problema de PL el que varen los
coeficientes de la funcin objetivo c o el vector b.
89/133
Cambios en el vector de costes

Consideremos la familia de programas, funcin de un vector de parmetros ,

definida por
min. c C T x
s. a Ax D b
x 0:
La base B de la solucin ptima del problema original (sin los parmetros)

seguir sindolo mientras los costes reducidos de las variables no bsicas sigan
siendo no negativos; es decir, mientras que
cN C N T
cB C B T B 1N 0T :
90/133
Consideraremos los dos casos ms generales: 1. Que la variable cuyo coeficiente

de coste vara no est en la base; 2. Que est en la base.
1. La variable cuyo coeficiente de coste vara no est en la base. Para que los
costes reducidos sigan siendo ptimos, es decir,
cN C N T
cBT B 1N 0T ;
se tiene que cumplir que

cNT
cBT B 1N C TN D cNNT C TN 0T :
Esto obliga a que el coeficiente del vector coste slo pueda variar hacia
abajo (decrecer), en una cantidad i igual al coste reducido de la variable i
que vara. Es decir
i cNi :
Hacia arriba podra variar hasta el infinito.
91/133
2. La variable cuyo coeficiente de coste vara est en la base. La condicin de

optimalidad para los costes reducidos es ahora
cNT
cB C B T B 1N D cNNT
BT B 1N 0T :
El intervalo de valores i ; i de la posible variacin en el coste de una

variable en la base ser

i D mKax mKax f cNk =dk ; dk > 0g ; 1
1kn m

mKn mKn
1kn m
expresin en la que d D
de la inversa de B por N .

f cNk =dk ; dk < 0g ; 1 D i
1
B.i;W/
N
T
,es el vector fila i -simo del producto
92/133
Cambios en el vector b

Consideremos el problema:
min. c T x
s. a Ax D b C
x 0:
Al cambiar b, la solucin ptima variara as
h

T
T T
N B 1 T
x D xB x N D bC
0T
iT
donde bN D B 1b y B es la base ptima.

Esa base seguir siendo ptima en tanto y cuando sus coeficientes sigan siendo
no negativos.
93/133
Para cada modificacin i del coeficiente i del vector b, si

2 3
0
6 ::: 7
6 7
16 7
columna i -simo
d D B 617
i D B 1e i ; vector
de
la
inversa
de la base
6 :: 7
4:5
0
el intervalo i ; i en el cual la solucin sigue siendo ptima es

i D mKax mKax
bNk =dk ; dk > 0 ; 1
1km

mKn
mKn
1km

bNk =dk ; dk < 0 ; 1 D i
94/133
Ejemplo Supongamos que hemos resuelto el problema

min. 40x C 53y
s. a
60x C 80y 360

160x C 120y 680
x; y 0:
La solucin completa es
2 3
2

637
60
80
120
80
1
1
7
xB D 6
;
405 ; B D 160 120 ; B D 5600
160 60
0

1 0
368
368
1
1
N D
; D 560
y cN D 560
:
0 1
2
2
La funcin objetivo es 239.
1. Para que rango de costes de x la solucin sigue siendo ptima.

Como x est en la base, cualquier cambio cx

cx C afecta al vector
N
y al vector de costes reducidos de las variables no bsicas, c.
El vector d de las expresiones anteriores es
1
1
120 80
d D B.1;W/
N D 5600

1
120 80 :
D 5600
1
0

0
1

1
1
368 2 C
120 80 :
560
5600
Para que la solucin ptima anterior lo siga siendo, debe cumplirse que

Los costes reducidos variarn de la siguiente manera.

cN
95/133
3680 120 0
20 C 80 0:
Esto se cumple en ; D 1=4; 92=3. El coeficiente de x puede

moverse pues en el rango 39;75 70;67 para que la solucin siga siendo
ptima.
2. Cunto puede variar el coeficiente 360 del trmino independiente sin

que cambie la base ptima, es decir b1
b1 C .
El vector d es en este caso
96/133
por lo que xB

1
120
1
;
d DB 1
D
160
0
5600

2
120
1
C 5600
.
3
160
La base ptima original seguir siendo ptima mientras xB sea positiva;

es decir, mientras
(
2
120
5600
0
3C
160
5600
0:
Esto se cumple en el intervalo ; D 105 280=3, por lo que el

coeficiente 360 puede variar entre 360 105 y 360 C 280=3 sin que cambie
la solucin ptima del problema original.
El valor del multiplicador smplex 1 indica cmo vara la funcin objetivo
cuando coeficiente 360 se mueve en ese rango de valores:
z
zC
33
368
D 239 C :
560
35

Nos ocupamos ahora del problema

min. c T x
s. a Ax D b
l x u:
Las variables estn as acotadas, encajadas o box constrained. Si la xj tiene
lj D 1 y uj D 1, se dice libre.
Se podran introducir variables de holgura y aplicar el mtodo habitual,

cT x
Ax D b
x C x1 D u
x x2 D l
x; x 1 ; x 2 0:
min.
s. a
Actuando as, el nmero de variables se triplica

y el nmero de condiciones pasa a ser m C 2n.
97/133
98/133
Considrese a continuacin el sistema de inecuaciones

Ax D b
l x u;
donde la matriz A mn es, sin prdida de generalidad, de rango m.
Definicin Una solucin bsica factible de ese sistema es aquella en la que n
m
variables no bsicas tienen el valor de uno de sus lmites, l u, y las restantes m variables
bsicas corresponden a vectores columnas linealmente independientes de A.
Descompongamos la matriz A en B Nl Nu, con rango.B/ D m, y el vector x

en xBT x TNl x TNu :
99/133
Un vector x se dice solucin bsica factible del sistema de inecuaciones

Ax D b
l x u;
si xB es solucin del sistema
BxB D b;
y
x Nl D l Nl
x N u D uN u :
Si adems l B < xB < uB , entonces x es una solucin bsica factible no

degenerada; si algn coeficiente de xBj es igual a lj o uj , la solucin se dice
bsica factible degenerada.
Expresemos las condiciones de la forma BxB C Nl x Nl C Nux Nu D b. El vector

xB es entonces:
100/133
xB D B 1 b
B 1 N l x Nl
B 1 N u x Nu :
La funcin objetivo:
z D c T x D cBT xB C cNT l x Nl C cNT u x Nu

D cBT B 1b B 1Nl x Nl B 1Nux Nu C cNT l x Nl C cNT u x Nu

D cBT B 1b C cNT l cBT B 1Nl x Nl C cNT u cBT B 1Nu x Nu :
cost.
reducid
o
cost.
reducid
os
Supongamos que partimos de una solucin bsica factible.

En ese punto se examinan los costes reducidos de las variables2 no bsicas.

Si puede ser mejorada en un problema de minimizacin, alguna variable
no bsica que est en su lmite inferior tendr un coste reducido negativo, u
otra en su lmite superior un coste reducido positivo.
En uno de sus lmites.
101/133
La funcin objetivo se puede mejorar (decrementar) si

T
1
cj cB B aj < 0 para alguna xj D lj

T
1
cj cB B aj > 0 para alguna xj D uj :
Si se elige una variable no bsica, xq por ejemplo, como aquella que ha de

mejorar la funcin objetivo, y su valor se modifica desde la cota en el que est
en la direccin hacia la otra cota, la funcin objetivo mejorar (decrecer)
mientras se puedan modificar las variables bsicas de tal manera que persista la
factibilidad del problema (se satisfagan las condiciones); es decir, hasta que:
a) una variable bsica llegue a uno de sus lmites, en cuyo caso se har no
bsica, pasando a ocupar su sitio en la base la no bsica que se modifica; o
b) la variable no bsica que se modifica llegue al lmite opuesto del que parte
antes de que ocurra lo anterior. La base entonces no se modifica.
Si ocurren a) y b) a la vez: solucin bsica factible degenerada.
Si Nl es el conjunto de los ndices de las variables no bsicas en su lmite inferior

y Nu el de las no bsicas en su lmite superior, y se modifica xq , se tendr que
102/133
xB D B 1 b B 1 Nl x Nl
D bO y;
con bO D B

B 1 Nl x Nl
B 1 Nu x Nu
B 1 Nu x Nu y y D B 1 aq .
B 1 aq
Opciones: que q 2 Nu; o q 2 Nl .
Si q 2 Nl , el incremento posible, , de xq desde su lmite inferior lq , ha de ser

positivo para seguir manteniendo la factibilidad; el mximo ser
8

bO i lBi

D
mK
n
W
y
>
0I
1
W
y

0
1
1i m
i
i
yi
<

bO i uBi
D mKn

D
mK
n
W
y
<
0I
1
W
y

0
2
1i m
i
i
yi
:
uq lq :
Si q 2 Nu, el incremento desde uq ha de ser negativo. El mximo:

8
bO i lBi
1 D mKn1i m
W yi < 0I 1 W yi 0
yi
<

D mKn
bO i uBi
2 D mKn1i m
W yi > 0I 1 W yi 0
yi
:
lq uq :
103/133
El ltimo paso es modificar las estructuras de datos correspondientes, a fin de

reflejar los cambios habidos en la base.
Todos los cdigos comerciales del mtodo Smplex lo hacen para variables
acotadas:

En un ordenador, una variable en forma estndar, xj 0, en realidad se

trata como si 0 xj 1020, por ejemplo, ya que en una mquina que
trabaje con precisin finita la cantidad 1020 es suficientemente grande.
En la tabla que sigue se expone el algoritmo Smplex revisado para variables

acotadas.
Paso 1 Asignacin de precios. Comprobacin de ptimo.

(a) Calcular los multiplicadores smplex resolviendo el sistema B T D cB .
(b) Calcular los costes reducidos de las variables no bsicas, cNj D cj T aj , para todo j B.
(c) Comprobar que se ha llegado al ptimo: si cNj 0 para todo j 2 Nl y cNj 0 para todo j 2 Nu , PARAR; la
solucin es ptima.
Paso 2 Obtener columna de pivotacin.
(a) Determinar la variable no bsica xq que debe entrar en la base (encontrar una direccin de descenso): escoger
q B tal que

cNq D mKax j mKn fcNj < 0gj; mKax fcNj > 0g :
j 2Nl
j 2Nu
(b) Resolver By D aq . Si q 2 Nl , ir al paso 3; si q 2 Nu , al 3.

Paso 3 Obtener fila de pivotacin. Determinar qu variable bsica xjp sale de la base: calcular W

xji lji
xji uji
D mKn mKn
W yi > 0 ; mKn
W yi < 0 ; uq lq :
1i m
1i m
yi
yi
Si T ol:: PARAR; el problema es no acotado. Si no, ir al paso 4.
Paso 3 Obtener fila de pivotacin. Determinar qu variable bsica xjp sale de la base: calcular W

xji uji
xji lji
W yi > 0 ; mKn
W yi < 0 ; lq uq :
D mKn mKn
1im
1i m
yi
yi
Si T ol:: PARAR; el problema es no acotado.
Paso 4 Pivotacin. Adaptar la solucin y la matriz B e ir al paso 1:
xq
lq C uq C ;
xji
xji yi ; 1 i m ;
B
B C .aq ajp /epT ;
(slo
B
B [ fqgnfjp g ;
(slo
Nl
Nl [ fjp gnfqg ;
(slo
Nu
Nu [ fjp gnfqg ;
(slo
jp
q;
(slo
si
si
si
si
si

6D uq
6D uq
6D uq
6D uq
6D uq
lq )
lq )
lq y q 2 Nl )
lq y q 2 Nu )
lq ).
104/133
function [fobj niters x] = Rsimplex_1(file,A,b,c,lb,ub);

% Resuelve min cx st Ax=b, lb<=x<=ub con Simplex revisado en dos FASES
if nargin>2
if nargin<4, error(Si no se lee de fichero, se requieren al menos,...
cuatro argumentos en entrada); end
if nargin<6, ub = Inf*ones(size(c)); end
if nargin<5, lb = zeros(size(c)); end
A = sparse(A);
else
% Lectura de los datos desde fichero file en MPS
eval([!copy file d:\Matlab2010b\work\tmp\in.mps]);
LIPSO = d:\Matlab2010b\work; exit=mps2mat(LIPSO); fprintf(\n);
load d:\Matlab2010b\work\tmp\default;
lb=lbounds; ub=ubounds;
end
[m n] = size(A); zer_tol = 1.0e-5; piv_tol = 1.0e-8; niters=0; t=cputime;
f=fopen(Salida_Rsimplex,w);
fprintf(f, It. Fase
Sinf/Fobj
Nopt\n);
fprintf(f,----------------------------------\n);
% FASE I
v
= zeros(n,1);
lbdd = find(lb>-Inf);
v(lbdd) = lb(lbdd); free = setdiff(1:n,lbdd);
ubdd = free(ub(free)<Inf); v(ubdd) = ub(ubdd);
if isempty(ubdd), N = -lbdd;
% Var no en la base: en cota inf. No hay en u
else N = [-lbdd ubdd]; free = setdiff(free,ubdd);
end;
f = length(free);
if f>0
% OJO! Hay variables libres
[L U P Q] = lu(A(:,free));
% Q es matriz de permutacin
free = free*Q;
i = length(find(abs(diag(U))>piv_tol)); j = free(i+1:f);
if ~isempty(j)
N = [N j]; free = setdiff(free,j); f = length(free);
lb(j) = zeros(size(j)); ub(j) = zeros(size(j));
end;
[k i] = find(P(1:f,:));
% relies on diag(U) having zeros at end
v(free) = U(1:f,1:f)\(L(1:f,1:f)\(P(1:f,:)*(b - A*v)));
k = setdiff(1:m,k); m = m-f; B = [free n+1:n+m];
A = [A sparse(k,1:m,sign(b(k)-A(k,:)*v+eps),m+f,m)];
else
% No hay variables libres
B = n+1:n+m; j = []; A = [A sparse(1:m,1:m,sign(b-A*v+eps*ones(size(b))))];
end
lb = [lb; zeros(m,1)]; ub = [ub; Inf*ones(m,1)];
w = [zeros(n,1); ones(m,1)];
% Variables + artificiales para FASE I
[x niters B N L U] = rsmbdd(A,b,w,lb,ub,B,N,1,niters);
% FASE I
if w*x>zer_tol, error(El problema no es factible); end
% Adaptar para FASE II
ub(n+1:n+m) = zeros(m,1); c = [c; zeros(m,1)];
if ~isempty(j)
c_r = c(j)-c(B)*(U\(L\A(:,j)));
if norm(c_r,inf)>zer_tol, error(Problema no acotado); end
end
[x niters] = rsmbdd(A,b,c,lb,ub,B,N,2,niters);
% FASE II
x = x(1:n); fobj=c(1:n)*x;
fclose(all);
fprintf([m n]=[%g %g]. Tiempo CPU:%10.4f; fun. obj.=%17.4e\n,m,n,cputime-t,fobj);
function [x niters B N L U] = rsmbdd(A,b,c,lb,ub,B,N,fase,niters)

% Rutina de Smplex revisado para min cx s.a Ax=b, lb<=x<=ub.
% B vector 1xm con los ndices de las variables (columnas) en la base.
% N vector 1x(l-m) con los ndices de las variables no bsicas,
%
es decir, en sus lmites (+/-1).
[m l]
= size(A); f=fopen(Salida_Rsimplex,a);
zer_tol = 1.0e-5; piv_tol = 1.0e-8;
[L U] = lu(A(:,B));
if any(abs(diag(U))<piv_tol), error(La base inicial no es invertible); end
x = lb; upper = N(N>0); x(upper) = ub(upper);
x(B) = U\(L\(b-A(:,abs(N))*x(abs(N))));
while 1
if any(x(B)<lb(B)-zer_tol | x(B)>ub(B)+zer_tol), error(Punto no factible); end
u = L\(U\c(B));
c_r = c(abs(N))-u*A(:,abs(N));
% Costes reducidos no bsicas
if ~any(c_r.*N>zer_tol), return, end
% SE HA LLEGADO A UNA SOLUCIN
Nopt=sum(c_r.*N>zer_tol);
[min_red_cost s] = max(c_r.*sign(N)); % Entra var. s no bsica con>coste reducido
blk = abs(N(s));
min_ratio = ub(blk) - lb(blk); order = -sign(N(s)); % Puede s ir de u a l o l a u
d = order*U\(L\A(:,blk));
block_lb = find(d>=piv_tol & lb(B)>-1e32); % Comprobar bsica que llega a lb
if ~isempty(block_lb)
[min_lb index_r] = min((x(B(block_lb))-lb(B(block_lb)))./d(block_lb));
if min_lb<min_ratio
r=block_lb(index_r);
min_ratio = min_lb;
blk = B(r);
end
end
block_ub = find(d<=-piv_tol & ub(B)<1e32); % Comprobar bsica que llega a ub
if ~isempty(block_ub)
[min_ub,index_r] = min((x(B(block_ub))-ub(B(block_ub)))./d(block_ub));
if min_ub<min_ratio
r=block_ub(index_r);
min_ratio = min_ub;
blk = B(r);
end
end
if min_ratio>1e32, error(Problema no acotado); end
% Readaptar solucin y datos
x(B) = x(B)-min_ratio*d;
x(abs(N(s))) = x(abs(N(s))) + order*min_ratio;
if blk == abs(N(s)), N(s) = -N(s);
% Se bloquea la no bsica
else swap = B(r); B(r) = abs(N(s)); N(s) = -sign(d(r))*swap;
[L U] = lu(A(:,B));
end
niters=niters+1;
fprintf(f,%5d%4d%18.9e%6d\n,niters,fase,c*x,Nopt);
end
105/133
Ejemplo Resolvamos
min. 2x1
s. a
x3
2x1 C x2 C x3 10
x1 C x2 x3 4
0 x1 4
0 x2 6
1 x3 4:
Se introducen las variables de holgura:

min. 2x1
s. a
4x2
4x2
x3
2x1 C x2 C x3 C x4
D 10
x1 C x2 x3
C x5 D 4
0 x1 4
0 x2 6
1 x3 4
x4; x5 0:
Como es inmediato obtener una solucin factible y una base de partida,

entramos directamente en la fase II del mtodo Smplex.
106/133
107/133
Partiremos de:

10
B D a4; a5 D
; Nl D a1; a2; a3 ; Nu D ;
01
y de la solucin inicial x D 0; 0; 1; 9; 5T . La funcin objetivo en este punto es
1.
Iteracin 1. Paso 1

Calculemos los multiplicadores smplex:

10 0
0
D B T cB D
D
:
01 0
0
108/133
Los costes reducidos de las variables no bsicas son:

2
cN1 D c1 T a1 D 2 0; 0
D 2;
1

1
cN2 D c2 T a2 D 4 0; 0
D 4
y
1

1
cN3 D c3 T a3 D 1 0; 0
D 1:
1
Todava no se ha llegado al ptimo del problema pues las variables x1, x2 y x3
estn en sus lmites inferiores y sus costes reducidos son negativos.
Iteracin 1. Paso 2

Se elige la variable x2 para entrar en la base por ser la no bsica de coste

reducido ms negativo.
109/133
Se resuelve By D a2:

10 1
1
y D B 1 a2 D
D
:
01 1
1
Iteracin 1. Paso 3

La variable a salir de la base de determinar de calcular el incremento :

)

(
D mKn
1 D mKn
u2
xB1
l2 D 6
y1
0
lB1 xB2
;
lB2
y2
0 5
;
D 5:
Saldr, por tanto, la variable de nmero de ndice 2 en la base, x5, pues es la

que antes llega a su lmite inferior.
110/133
Iteracin 1. Paso 4


x2
x4
x5
l2 C D 0 C 5 D 5
x4 y1 D 9 5 1 D 4
x5 y2 D 5 5 1 D 0:
La nueva solucin es x D 0; 5; 1; 4; 0T , con

11
B D a4; a2 D
; Nl D a1; a3; a5 y Nu D ;:
01
21.
Iteracin 2. Paso 1
111/133

1
0
0
10
0
10
D
D
:
D B T cB D
11
4
11
4
4

2
cN1 D c1 T a1 D 2 0; 4
D 2;
1

1
cN3 D c3 T a3 D 1 0; 4
D 5
1

0
cN5 D c5 T a5 D 0 0; 4
D 4:
1
Como la variable x3 est en su lmite inferior y su coste reducido es negativo,

todava no se ha llegado al ptimo.
Iteracin 2. Paso 2

Se elige la variable x3 para entrar en la base. Se resuelve By D a3:

1 1
1
2
y D B 1 a3 D
D
:
0 1
1
1
Iteracin 2. Paso 3

La variable a salir de la base de determinar de calcular :

8
nx l o 9
B
B
1 D mKn 1y1 1 D 4 2 0 >

>
>
>
<
nx u o =
D 1:
D mKn 2 D mKn B2 B2 D 5 6
y
1
>
2
>
>
>
;
:
u3 l3 D 4 1
Saldr, por tanto, la variable de nmero de ndice 2 en la base, x2, pues es la
que antes llega a uno de sus lmites: el superior.
112/133
113/133
Iteracin 2. Paso 4


x3
x4
x2
l3 C D 1 C 1 D 2
x4 y1 D 4 1 2 D 2
x2 y2 D 5 C 1 1 D 6:
La nueva solucin es x D 0; 6; 2; 2; 0T , con

1 1
B D a4; a3 D
; Nl D a1; a5 y Nu D a2:
0 1
26.
114/133
Iteracin 3. Paso 1


1

1 0
0
1 0
0
0
D B T cB D
D
D
:
1 1
1
1
1 1
1

2
cN1 D c1 T a1 D 2 0; 1
D 3;
1

1
cN2 D c2 T a2 D 4 0; 1
D 5
1

0
cN5 D c5 T a5 D 0 0; 1
D 1:
1
Como las variables x1 y x5, que estn en sus lmites inferiores, tienen costes
reducidos negativos, todava no se ha llegado al ptimo del problema.
Iteracin 3. Paso 2

Se elige la variable x1 para entrar en la base. Se resuelve By D a1:

1

1
1
2
1
1
2
3
y D B 1 a1 D
D
D
:
0 1
1
0 1 1
1
Iteracin 3. Paso 3

La variable a salir de la base de determinar de calcular :

8
nx l o 9
B1 B1

D
mK
n
D 230 >
>
1
y
>
>
<
nx u o = 2
D :
D mKn 2 D mKn B2 B2 D 2 4
y
1
>
3
2
>
>
>
;
:
u1 l 1 D 4 0
Saldr x4 pues es la que antes llega a uno de sus lmites: el inferior.
115/133
116/133
Iteracin 3. Paso 4


x1
x4
x3
La nueva solucin es:
l1 C D 0 C 2=3 D 2=3
x4 y1 D 2 .2=3/ 3 D 0
x3 y2 D 2 C .2=3/ 1 D 8=3:
2 3
x1
2=3
6x27 6 6 7
6 7 6 7
6x37 D 68=37 :
4x45 4 0 5
x5
0
117/133
Tambin,

2 1
B D a1; a3 D
; Nl D a4; a5 y Nu D a2:
1 1
28.
Iteracin 4. Paso 1

Calculemos los nuevos multiplicadores smplex:

1

2
1
2
1=3
1=3
2
1
D B T cB D
D
D
:
1 1
1
1=3 2=3
1
0
118/133

1
cN2 D c2 T a2 D 4 1; 0
D 3;
1

1
cN4 D c4 T a4 D 0 1; 0
D1
y
0

0
D 0:
cN5 D c5 T a5 D 0 1; 0
1
Los costes reducidos de las variables no bsicas en sus lmites inferiores, x4 y x5,
son 1 y 0, y el de la variable en su lmite superior, x2, es -3.
Se ha llegado, por tanto, a un ptimo del problema, aunque no es el nico.
119/133
En efecto, si se incrementa x5, manteniendo x2 D 6 y x4 D 0 fijos, las variables

x1 y x3 se modificarn de la forma:

x1
2=3
1=3
D B 1 b B 1 a5 x 5 D
x:
x3
8=3
2=3 5
Para cualquier x5 < 2, la solucin

2 3
x1
2=3 1=3x5
7
6x27 6
6
6 7 6
7
6x37 D 68=3 C 2=3x57
5
4x45 4
0
x5
0
es ptima. El valor de la funcin objetivo ptimo es
28.
120/133
Con el programa Rsimplex_1 presentado antes, se consigue esto:

>>
>>
>>
>>
>>
A=[2 1 1;1 1 -1];

b=[10;4];
c=[-2 -4 -1];
l=[0 0 1];
u=[4 6 4];
>> [fobj niters x]=Rsimplex_1([],A,b,c,l,u)

[m n]=[2 3]. Tiempo CPU:
0.0312; fun. obj.=
fobj =
-28
niters =
4
x =
0.666666666666667
6.000000000000000
2.666666666666667
-2.8000e+001
Para otro ejemplo mucho ms grande:

[fobj niters]=Rsimplex_1(etam-mi.mps)
1 archivo(s) copiado(s).
NAME done ROWS done COLUMNS done RHS done RANGES done BOUNDS done reading done mps2mat doneStatus=0
[m n]=[400 816]. Tiempo CPU:
3.0888; fun. obj.=
-7.5572e002+
fobj =
-7.557152331775660e+002
niters =
2009
Implementaciones comerciales del Smplex
121/133
Forma de tableau
z
1
xB
0
xB
cNT
xN
cBT B 1 N
TD
cBT B 1 b
El tableaux es as:
B 1N
B 1b
Si TD designa Trmino de la Derecha y T es una matriz cuyos coeficientes son

los del tableau, en realidad ste representa el sistema
3
2
z
7
6
6 xB 7
T6
7 D 0;
4 xN 5
TD
de m C 1 ecuaciones lineales y n C 1 variables: las n de x y z.
Esta es una de las primeras formas en que se explicit computacionalmente el

mtodo Smplex, con vistas a su mejor comprensin. Se diferencia de lo
expuesto en que el clculo de y cNN del Paso 1, y el de y del Paso 2 se
eliminan y el Paso 4 de pivotacin se lleva a cabo directamente en el tableau.
Si suponemos que las variables bsicas que entran y salen de la base en una
determinada iteracin son la q y la p, y que las filas y las columnas del tableau
de esa iteracin estn numeradas partiendo de cero, la operacin de pivotacin
conlleva:
122/133
i) dividir la fila p de T por tpq , el coeficiente que ocupa la fila p y la columna

q de la matriz T , y
ii) para 0 i m, i p, restar de la fila i la p multiplicada por tiq a fin de
hacer cero el elemento q de esa fila.
Los costes reducidos, cNN , y el vector de variables bsicas, B 1b, se obtienen

directamente del tableau.
Ejemplo Resolvamos:
min.
x1 C x2
s. a
x1 C x2 C 2x3 9
x1 C x2
x3 2
x1 C x2 C x3 4
x1 ; x2 ; x3 0:
123/133
4x3
Iteracin 1
z
x4
x5
x6
con variables de
holgura
z
1
0
0
0
x1
1
1
1
1
x2
1
1
1
1
x3
4
2
1
min.
x1 C x2
s. a
x1 C x2 C 2x3 C x4
D9
x1 C x2
x3
C x5
D2
x1 C x2 C x3
C x6 D 4
x1 ; x2 ; x3 ; x4 ; x5 ; x6 0:
x4
0
1
0
0
x5
0
0
1
0
4x3
x6
0
0
0
1
TD
0
9
2
4
La variable que entra en la base es la no bsica cuyo coste reducido es ms

negativo: x3.
El indica que de entre las relaciones posibles, 9/2 y 4/1, (la otra afecta a un
nmero negativo) se elige esta ltima, por lo que saldr de la base aquella
variable que pivota en la tercera fila: x6.
Iteracin 2
124/133
z
x4
x5
x3
z
1
0
0
0
x1
3
0
1
x2
5
1
2
1
x3
0
0
0
1
x4
0
1
0
0
x5
0
0
1
0
x6
4
2
1
1
TD
z
1
0
0
0
x1
0
1
0
0
x2
4
x3
0
0
0
1
x4
1
x5
0
0
1
0
x6
2
TD
2
3
1
3
16
1
6
4
Iteracin 3
z
x1
x5
x3
1
3
2
2
3
1
3
0
1
3
17
1
3
13
3
Se ha llegado a un punto en el que todos los costes reducidos de las variables no

bsicas son positivos por lo que se ha conseguido el ptimo del problema.

La solucin final es por tanto

x1; x2; x3; x4; x5; x6T D 1=3; 0; 13=3; 0; 6; 0T :
El valor de la funcin objetivo es z D
17.
125/133
x1
x2
x3
4
1
3
x1
x5
2
3
x3
La base ptima la constituyen los

2
10
B D a1; a5; a3 D 4 1 1
10
x6
TD
17
2
3
1
3
x4
x5
1
3
1
3
1
3
13
3
vectores columna a1, a5 y a3. Es decir,

3
min. x C x
4x
2
s. a
x C x C 2x C x
D 9
x C x
x
C x
D 2
15
x C x C x
C x D 4
x
;
x
;
x
;
x
;
x
; x 0:
1
1
La inversa de B es la submatriz que en el tableau final ocupa el lugar que en el

inicial ocupaba la submatriz identidad; es decir,
2
3
1=3 0 2=3
B 1 D 4 0 1 1 5:
1=3 0 1=3
126/133

Implementacin de la inversa de la base en forma de productos
matriciales

En problemas grandes, resolver los sistemas B T D cB y By D aq es costoso.

La modificacin de B 1 en una iteracin es
BN
donde
E DI
.y
ep /epT
yp
6
6
6
6
D6
6
6
6
4
D E B 1;
3
y1 =yp
::
:::
7
:
7
7
1 yp 1 =yp
7
7 y y D B 1 aq :
1=yp
7
7
ypC1 =yp 1
7
::
::: 5
:
ym =yp
1
"
columna p
127/133
Si el Smplex se inicia con una matriz B igual a la identidad, despus de k

iteraciones la matriz B 1 se puede expresar en una forma producto, de la
siguiente manera
Bk 1 D E k E k 1 E 1 B 1 :
Para implementar este esquema operativo se requiere almacenar los valores de
los coeficientes de la columna de la matriz E i que la hace diferente de la matriz
identidad, y el propio valor del ndice i .
Para evitar errores de redondeo, conforme avanza el proceso es aconsejable

refactorizar peridicamente la matriz B 1.
La variante del Smplex que incluye esta forma de actuar es la que sigue.
128/133
Paso 1 Operacin BTRAN (backward transformation). Calcular los multiplicadores smplex a partir de
T
T D cB
B

T
cB
Ek Ek

1

E1 :
Determinar los costes reducidos de las variables no bsicas a partir de

cNj D cj
T aj ;
para todo j 2 N:
Si cNj 0 para todo j B, PARAR; la solucin es ptima.

Paso 2 Operacin FTRAN (forward transformation). Escoger q 2 N tal que cNq D mKnj 2N fcNj < 0g. Calcular
yDB
aq D .E k .E k
.E 1 aq ///:
Si y 0, PARAR; el problema es no acotado.

Paso 3 Operacin CHUZR. Si xj D B 1 b, establecer la variable bsica xjp que sale de la base determinando la fila p sobre la que pivota
la columna q a partir de la relacin

xjp
xji
D mKn
W yi > 0 :
yp
1i m yi
Paso 4 Operacin WRETA. Adaptar la matriz inversa de la base y la solucin a partir de
E kC1
La nueva inversa de la base ser B
2
1
6 :
::
6
6
6
1
6
D6
6
6
6
6
4
3
y1 =yp
7
::
7
:
7
7
yp 1 =yp
7
7:
1=yp
7
7
ypC1 =yp 1
7
7
::
::
5
:
:
ym =yp
1
E kC1 E k E 2 E 1 y la nueva solucin xj
E kC1 xj .
129/133
Implementacin de la base y su inversa mediante factorizacin LU

La idea es factorizar la matriz bsica en la forma LU e ir aplicndole a ella una

sucesin de matrices elementales que difieren de la identidad en un solo
elemento debajo de la diagonal principal y matrices de permutacin.
Si, por ejemplo,

2
3
321
U D 4 3 55 ;
4
las matrices U 1, U 2 y U 3 sern

2
3
12
U1 D 4 1 5;U2 D 4 3 5
1
1
3
Es fcil comprobar que U D U 3U 2U 1.
3
1
y U 3 D 4 1 55 :
4
1
130/133
Despus de k iteraciones se tendr que

Bk D B0 E 1 1 E 2 1 E k 1 I
es decir, que
L m P m L 1 P 1 Bk D U m U m
1 U 1E 1
E 2 1 E k 1:
Para almacenar las matrices E i , Lj y U j en la memoria del ordenador slo es

necesario guardar el valor de los subndices y los elementos distintos de cero de
las columnas que designan esos subndices.
De las matrices de permutacin P i slo es necesario guardar un puntero que

indique con qu fila se intercambia la i .
131/133
Complejidad computacional del Smplex

Cada iteracin requiere alrededor de m.n m/ C .m C 1/2 multiplicaciones y

m.n C 1/ sumas o restas: O.mn/ en los dos casos pues n m..
El nmero de puntos extremos de un programa lineal en forma estndar con n

variables y m condiciones es C.n; m/. Si n 2m, se tiene que
n m
n

2m :
C.n; m/ D
m.n m/
m
De acuerdo con esto, en el peor de los casos, parece lgico temerse un nmero
de iteraciones exponencial.
Un problema clsico es el estudiado por Klee y Minty [1972]:

maximizar xn
s. a
0 x1 1
xi 1 xi 1
xi 0;
132/133
i D 2; : : : ; n; 0 < < 1=2;

i D 1; 2; : : : ; n:
xi 1;
Tiene 2n puntos extremos. Para n D 2 y n D 3 es el de la figura.

Comenzando en x D 0 (factible), con precisin absoluta, el mtodo recorrera

los 2n puntos extremos.
x2
x(3) =

x2
0
1
x(2) =
x(1) =
x(0)
1
1
x(6)
x(5)
x(4)
x3

x1
x(7)
x(3)
x(2)
x(1)
x(0)
x1
La prctica de los ltimos cincuenta aos ha permitido constatar que los casos
extremos, como el ejemplo de Klee y Minty, rara vez ocurren en la realidad.
Grosso modo, en problemas de tamao moderado, el mtodo Smplex requiere

un nmero de iteraciones real comprendido entre 4m y 6m.
En problemas muy grandes, el nmero de iteraciones que cabe esperar llevar a

cabo para resolverlos es m, donde e < log2.2 C n=m/.
En resumen, la complejidad computacional prctica esperada del mtodo

Smplex es del O.m2n/.
133/133
Teniendo tambin en cuenta el efecto que el tratamiento de la dispersidad de los problemas puede acarrear en la
complejidad del mtodo, diversos estudios han establecido que la complejidad del mtodo la define la ecuacin
Km nd 0;33 , donde K es una constante, 1;25 < < 2;5 y d es el nmero de elementos distintos de cero en la matriz
A, dividido por nm.

Clase Simplex 20166

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Clase Simplex 20166

Caricato da

Copyright:

Formati disponibili

Universidad Politcnica de MadridEscuela Tcnica Superior de Ingenieros Industriales

Grado en Ingeniera en Tecnologas Industriales. Curso 2015-2016-3

Programacin Lineal. El Mtodo Smplex

Jos Luis de la Fuente OConnor

Condiciones de punto ptimo

Mejora de una solucin bsica factible

Solucin bsica factible inicial

El mtodo Smplex para variables acotadas

Implementaciones comerciales del mtodo Smplex

El mtodo Smplex en forma de tableau

Otras variantes y mejoras del Smplex

Complejidad computacional del mtodo Smplex

Para encontrar el ptimo del problema de PL

Para m y n grandes, considerar todos es prohibitivo pues son

En 1947 George B. Dantzig culmin la investigacin de un importante

George B. Dantzig, EE.UU. 1914-2005.

Encontrar un vrtice desde el que comenzar: solucin bsica factible del

Desplazarse desde ese punto extremo a otro, a lo largo de alguna arista de

Condiciones de punto ptimo

La condicin i es la de factibilidad del problema, tal como est planteado.

La Funcin de Lagrange del problema es

Su vector gradiente con respecto a x es c A T 

El vector  es el de los multiplicadores de Lagrange de las condiciones

El vector , el de los multiplicadores de Lagrange de las condiciones x  0.

La condicin iii se conoce como la de complementariedad de holguras, u

Posteriormente se descubri que en 1939 William Karush, EE.UU., 1917-1997,

William Karush, circa 1987

Fritz John at NYU, circa 1987

Las condiciones KKT generalizan la de la existencia de un mnimo de una

Si A se ordena de la forma A D B N , y en concordancia c D

Esto equivale a que cB D B T  y que

Este vector se denomina de costes reducidos: tienen que ser no negativos en el

Vectores y condiciones clave en PL:

1. A  N , vector de multiplicadores de Lagrange de las condiciones activas de

Interpretacin econmica de los multiplicadores

es una solucin ptima no degenerada

Al suponer xB > 0, un cambio suficientemente pequeo 4b en b no debe

y el cambio en la funcin objetivo 4z D cBT B 14b D T 4b, donde  D B T cB

Condiciones de punto ptimo

Mejora de una solucin bsica factible

Solucin bsica factible inicial

El mtodo Smplex para variables acotadas

Implementaciones comerciales del mtodo Smplex

El mtodo Smplex en forma de tableau

Otras variantes y mejoras del Smplex

Complejidad computacional del mtodo Smplex

Mejorar una solucin bsica factible

Partimos de una solucin bsica factible: punto extremo o vrtice del

Ordenando la matriz A D B N y, de la misma manera, c T D cBT cNT , se

El valor de la funcin objetivo para este vector es

En el punto que define ese xB confluyen n m aristas; est en la interseccin

Para mejorar la funcin objetivo, de esas posibles n m aristas habr que

Esa arista la definir un coste reducido, de los de las variables no en la base,

Como a coste reducido ms negativo, decrecimiento ms rpido, se escoge para

OJO! Si la solucin es bsica degenerada, pues el valor de alguna variable

d 1 es una direccin de movimiento factible; d 2 no.

Ejemplo Consideremos el programa lineal:

Aadamos las variables de holgura x3 y x4 para transformarlo en forma estndar:

Consideremos B D a1; a2:

La solucin bsica factible que estamos considerando se puede ver en la figura.

Los costes reducidos de las variables no bsicas son

La funcin objetivo decrece siguiendo la direccin (d 2 en la figura) que

Las variables bsicas se deben mover de la forma

es decir, en la direccin opuesta a (o una cantidad negativa en)

Su vector gradiente con respecto a x es c A T

El vector es el de los multiplicadores de Lagrange de las condiciones

El vector , el de los multiplicadores de Lagrange de las condiciones x 0.

Esto equivale a que cB D B T y que

1. A N , vector de multiplicadores de Lagrange de las condiciones activas de

y el cambio en la funcin objetivo 4z D cBT B 14b D T 4b, donde D B T cB

De las expresiones de x. / y xB . / se deduce que se mantendr la factibilidad

Calculemos los multiplicadores smplex resolviendo B T D cB :

Calculemos los nuevos multiplicadores smplex resolviendo B T D cB :

Calculemos los nuevos multiplicadores smplex resolviendo B T D cB :

Calculemos los multiplicadores smplex resolviendo B T D cB :

Calculemos los multiplicadores smplex resolviendo B T D cB :

Calculemos los multiplicadores smplex resolviendo B T D cB :