METODO DEL SIMPLEX MULTICRITERIO

Introduccin

El mtodo simplex multicriterio, como su nombre lo indica, aplica el mtodo Simplex para resolver problemas con
mltiples objetivos. Para ello se emplea una matriz de decisin o cuadro del Simplex, en donde se agregan filas
adicionales por encima y por debajo de la matriz de decisin. Las inferiores corresponden a los diferentes
objetivos en tanto que las superiores pertenecen a los coeficientes de esos mismos objetivos. En general se
utiliza el algoritmo de Zeleny (1974).

Una forma de resolver modelos de programacin lineal con mltiples objetivos es el mtodo simplex
multicriterios. Este mtodo es una extensin del mtodo simplex, que genera soluciones extremas eficientes
(soluciones que no son claramente dominadas por otras). Usualmente el nmero de estas soluciones es muy
grande, lo que hace difcil escoger una de ellas.

Entre las tcnicas generadoras de soluciones eficientes o no dominadas cabe destacar, por su importancia y
utilidad, el Mtodo Simplex Multicriterio (Multiple Simplex Method). Esta tcnica es aplicable a la Programacin
Lineal Multiobjetivo (PLM), es decir, a un modelo lineal con varias funciones objetivo, tambin lineales. Es, por
tanto, una til extensin de la programacin lineal simple o de un nico objetivo.

El Mtodo Simplex Multiobjetivo (MSM) permite generar los puntos extremos eficientes del poliedro convexo que
constituye el espacio de las soluciones del problema. Esta generacin es exhaustiva, es decir, se obtiene todos los
puntos extremos eficientes. En un paso posterior, es posible generar tambin el conjunto total de soluciones
eficientes, es decir, incluyendo aquellas que no constituyen puntos extremos.
 El modelo de programacin lineal multiobjetivo

Planteamiento formal del modelo

Tal y como acabamos de mencionar, el MSM es un mtodo aplicable a un modelo de PLM. Este tipo de
programacin se diferencia de la programacin lineal por la existencia de varias funciones objetivo. As pues, un
modelo general de Programacin Lineal Multiobjetivo puede ser el siguiente:

. 1 () = 11 1 + 21 2 + + 1

. 2 () = 12 1 + 22 2 + + 2

. () = 1 1 + 2 2 + +

Sujeto a:

11 1 + 12 2 + + 1 1
21 1 + 22 2 + + 2 2 .. [1]

1 1 + 2 2 + +

1 , 2 , , 0

Donde es coeficiente correspondiente a la j-sima variable en la i-sima funcin objetivo. El resto de elementos
son similares a los de un modelo de programacin lineal.

En cuanto a las restricciones del modelo, pueden ser tipo menor igual, mayor igual o simplemente igual. Se ha
presentado solamente el primer caso, pero esta situacin no implica que solo se admita este tipo de restriccin.

El modelo [1] puede expresarse, en forma resumida, con notacin matricial, del siguiente modo:

= .
: . .. [2]

Donde:

F.- es un vector columna de p componentes.

C.- es una matriz (p x n) de los coeficientes de la funcin objetivo.

X.- es un vector de n componentes que recoge las variables de decisin del problema.

A.- es la matriz (m x n) de coeficientes tcnicos de las restricciones.

b.- es un vector de m componentes relativos a los trminos independientes de las restricciones.

Es posible obtener el conjunto de restricciones en forma de estricta igualdad.

Para ello basta con introducir las variables de holgura y artificiales que sea preciso. El modelo quedara:

= .
: . = ..... [3]

El vector X incluye, en este caso, el conjunto total de las variables del problema, es decir, incluye las de holgura y
artificiales. Suponiendo que se introducen m variables de este tipo (una por cada restriccin), el vector X tendr n
+ m componentes. Del mismo modo, la matriz A recoge los coeficientes tcnicos de dichas variables. Su
dimensin ser ahora, m x (m+n).

En la programacin lineal simple o de nico objetivo, el mtodo del simplex investiga los distintos puntos
extremos del espacio de las soluciones, ya que se demuestra, matemticamente, la solucin ptima del problema
estar siempre en uno o varios de los puntos extremos.

En la programacin lineal multiobjetivo no existe solucin optima, sino solo eficientes, tal y como se ha visto
anteriormente. Es por ello por lo que el MSM investiga los distintos puntos extremos del espacio de las
soluciones, determinando la eficiencia o no eficiencia de los mismos. Lo peculiar, por tanto, del MSM, y que lo
diferencia del mtodo del simplex habitual, es su forma de investigar puntos extremos o criterio a seguir para
pasar de uno a otro, as como la determinacin de la eficiencia o no de cada una de las soluciones bsicas
analizadas.

Base matemtica del mtodo

Definicin de variables y notacin utilizada

Antes de plantear los fundamentos matemticos del MSM as como su desarrollo algortmico, parece conveniente
definir algunos conceptos y variables que hemos de utilizar, as como aclarar la notacin que ser empleada en lo
sucesivo.

Llamaremos X al conjunto de soluciones factibles de un problema. Su definicin es la misma que para un modelo
de programacin lineal, ya que es una consecuencia del conjunto de restricciones, siendo, por tanto,
independiente de la o las funciones objetivo. El conjunto X recoge todas aquellas combinaciones de variables
1 , 2 , , + que cumplen simultneamente las restricciones del problema, as como las condiciones de no
negatividad:

1 +

= { = ( ) | = , = 1, 2, , 0 , = 1, 2, , + } . [4]
+ =1

Supondremos que no estamos ante un caso de ausencia de solucin, es decir X y tampoco ante una
redundancia (rango de A igual a m).
Cada iteracin vendr representada por una tabla al igual que ocurre en la programacin lineal. La diferencia
fundamental entre las dos tablas es que en el MSM se trabaja simultneamente con p funciones objetivo, por lo
que aparecen p filas de coeficientes , as como p filas de indicacin. Suponiendo que la base est formada por
las m variables de holgura (en su caso, artificiales), la tabla general del MSM representarse como sigue:

1 2 1 +1 +2 + +

11 21 1 1
1 1
1 +1 1
+2 1
+ 1
+
1 2 1 +1 +2 + +
1 +1 1 11 12 1 1,1 1 1
+1 +1 0 0 0
1 +2 2 21 22 2 2,1 2 0 1 0 0
+2 +2

,1 0
1
+ 1 2 0 1 0
+ +
+ 1 2 ,1 0 0 0 1
1
+ +
1 11 12 1 11 1 0 0 0 0
2 12 22 2 2
1 2
0 0 0 0



1 2 1 0 0 0 0

Detengmonos por un momento en las filas de indicacin, ya que, como antes se dijo, es la arte mas especifica
del MSM con respecto al mtodo del Simplex habitual. Cada elemento viene definido como diferencia entre
los rendimientos indirectos y directos para cada funcin objetivo, k. As:

= = , = 1 + = 1 . [5]
=1

Este valor, representa el rendimiento marginal (cambiando de signo tomando la diferencia al revs) de la
variable j-sima en a funcin objetivo k-sima. Es decir, el incremento ( < 0) o decremento (si > 0) que
experimentara la funcin objetivo k-sima como consecuencia de introducir una unidad de la variable j-sima en
la solucin bsica. El malor se define, por tanto para todas las variables y para todas las funciones objetivo.

Asi, para cada solucin bsica, aparece asociado a cada variable un vector p de componentes que recoge,
precisamente, los valores .

1
2
= [6]



( )
Para el caso particular de que Xj sea una variable bsica, su vector mj asociado tiene todas sus componentes
nulas. El vector mj va a ser una importante herramienta que permitir analizar la eficiencia o ineficiencia de cada
solucin bsica, as como el camino a seguir en la bsqueda de nuevas soluciones eficientes.
Algoritmo de solucin
Presentacin de Datos

Representacin Tabular

Es una forma elemental de presentacin de resultados. Consiste en disponer los mismos en una tabla de un modo
organizado. Una posible disposicin de la informacin es la que aparece en el cuadro a continuacin. En el mismo,
hace referencia a una solucin eficiente cualquiera y ( ) al valor que toma la funcin objetivo k-esima
para dicha solucin.

Solucin
1 () 2 () ()
Eficiente
1 ( 0 ) 2 ( 0 ) ( 0 )
0
1 1 (1 ) 2 (1 ) (1 )

1 ( ) 2 ( ) ( )

1 ( ) 2 ( ) ( )

La ventaja que ofrece este mtodo es la no limitacin en cuanto al nmero de funciones objetivo del problema. El
inconveniente principal viene dado por la posibilidad de amontonamiento de datos numricos, especialmente en
problemas de gran dimensin.

Caso Prctico

Una empresa del sector qumico se plantea la definicin de un programa de produccin en base a los tres
productos que fabrica y que denominaremos, por simplicidad, A, B, C. Tres criterios se consideran relevantes y
quisieran ser alcanzados simultneamente por la empresa. En primer lugar, obviamente, se quiere conseguir el
mayor beneficio posible con la produccin y venta de los tres tipos de productos. En segundo lugar, y por razones
de imagen pblica, quisiera la direccin empresarial reducir al mnimo la polucin del medio ambiente derivada
de los diferentes procesos productivos. En tercer y ltimo lugar, tratara de aprovechar al mximo la capacidad
productiva buscando fabricar el mayor nmero posibles de unidades, ya que se espera que la demanda tienda
acrecer un breve plazo de tiempo.

Adems de los anteriores objetivos, la empresa debe respetar algunas limitaciones o condiciones importantes
relacionadas con la disponibilidad de las dos materias primas ms importantes que se utilizan en el proceso
productivo y que denominaremos X e Y. de la primera dispone de 1000 unidades y de la segunda de 800. Adems,
y con el fin de mantener un cierto nivel de actividad, se considera que la produccin total ha de superar el
mnimo nivel de 400 unidades de producto.

La restante informacin que se requiere es escogida en el siguiente cuadro:

A B C
Beneficios unitarios 3 5 4
Polucin / ud. De producto 3 2 3
Consumo unitario Mat. Prima X 2 3 1
Consumo unitario Mat. Prima Y 1 1 2
Solucin.

Dada la anterior informacin, el modelo de Programacin Lineal Multiobjetivo puede ser formulado como sigue:

. 1 () = 31 + 52 + 43
. 2 () = 31 + 22 + 33
. 3 () = 1 + 2 + 3
:
21 + 32 + 3 1000
1 + 2 + 23 800
1 + 2 + 3 400
1 , 2 , 3 0
Introduciendo las variables de holgura para las restricciones y multiplicando la segunda funcin objetivo por (-1)
para tratarla como mximo, el modelo queda:

. 1 () = 31 + 52 + 43
. [2 ()] = 31 22 33
. 3 () = 1 + 2 + 3
:
21 + 32 + 3 + 4 = 1000

1 + 2 + 23 + 5 = 800
1 + 2 + 3 6 = 400
1 , 2 , 3 , 4 , 5 , 6 0
El algoritmo del MSM comienza con la obtencin de una solucin bsica de partida. Una posibilidad interesante
consiste en optimizar individualmente un objetivo. Hacemos esto tomando el primero de los objetivos. La
solucin ptima para el mismo se muestra en la tabla continuacin:

3 5 4 0 0 0
3 2 3 0 0 0
1 1 1 0 0 0
1 2 3 4 5 6
5 2 1 2 240 3/5 1 0 2/5 1/5 0
4 3 1 3 280 1/5 0 1 1/5 3/5 0
0 0 0 6 120 1/5 0 0 1/5 2/5 1
2320 0,8 0 0 1,2 1,4 0
1320 1,2 0 0 0.2 1,4 0
520 0.2 0 0 0,2 0,4 0
Como puede observarse, la solucin es ptima y nica para 1 (), por lo esta solucin 1 que hemos hallado es
eficiente:

1 = (0, 240, 280); (1 ) = (2320, 1320, 520)

A partir de esta solucin, proseguiremos el anlisis. As, desde 1 puede accederse a las siguientes soluciones
bsicas adyacentes:

) 1 : 2 = (400, 0, 200)

) 4 : 3 = (0, 0, 400)

) 5 : 4 = (0, 300, 100)

Veamos qu informacin puede obtenerse de estas soluciones. Puesto que ningn vector mj es comparable con el
vector nulo, as:
320
1 = 400; 1 1 = ( 480 )
80
1 1 ~ 4 4 720
1 1 ~ 5 5 4 = 600; 4 4 = (120)
4 4 5 5 120
420
5 = 300; 5 5 = (420)
{ 120

De esta comparacin se deduce que la solucin resultante de introducir 4 esta dominada por la que se deriva de
introducir 5 .

Luego, 3 es no eficiente al estar dominada por 4 [ 3 = (0, 0, 400); ( 3 ) = (1600, 1200, 400)].

De 2 y 4 , sin embargo, no puede deducirse nada respecto de su eficiencia.

Almacenando, por tanto, estas soluciones para su consideracin posterior.

Para completar el anlisis, observamos cuales son las soluciones bsicas adyacentes a las que se puede acceder
desde 2 :

) 2 : 1 = (0, 240, 280)

) 4 : 3 = (0, 0, 400)

) 5 : 5 = (500, 0, 0)
Puesto que el vector 5 es no comparable con el vector nulo, aplicamos al mismo la definicin de un teorema:
320
2 = 240; 2 2 = (480)
60
2 2 ~ 5 5 400
4 = 600; 4 4 = (600)
4 4 ~ 5 5
120
500
5 = 300; 5 5 = (600)
{ 100
De esta comparacin no se deduce nada acerca de la eficiencia de 5 , por lo que almacenamos dicha solucin
para su posterior consideracin. En estos momentos, tenemos almacenadas las soluciones 4 5 . Continuemos
el anlisis a partir de 4 , que se obtiene introduciendo la variable 5 en la solucin 1 (primera tabla) y que queda
reflejada en la siguiente tabla:

3 5 4 0 0 0
3 2 3 0 0 0
1 1 1 0 0 0
1 2 3 4 5 6
5 2 1 2 300 1/2 1 0 1/2 0 1/2
4 3 1 3 100 1/2 0 1 1/2 0 3/2
0 0 0 5 300 1/2 0 0 1/2 1 5/2
1900 3/2 0 0 1/2 0 7/2
900 1/2 0 0 1/2 0 1
400 0 0 0 0 0 1

Como se puede observar, la solucin 4 proporciona un ptimo nico para el segundo objetivo, por lo que la
solucin es eficiente:

4 = (0, 300, 100); ( 2 ) = (1900, 900, 400)

Desde esta solucin 4 puede accederse a las siguientes soluciones bsicas:

) 1 : 6 = (200, 200, 0)

) 4 : 3 = (0, 0, 400)

) 6 : 1 = (0,24 0, 280)

Dado que 1 = (32 , 12 , 0) 0, la solucin 6 no permite mejorar ningn objetivo respecto de 4 , por lo que
podemos deducir que es no eficiente:

6 = (200, 200, 0); ( 6 ) = (1600, 1000, 400)

En este momento solo tenemos almacenada y pendiente de analizar la solucin 5 , obtenida a partir de la
solucin 2 (tabla anterior) mediante la introduccin de la variable 5 . El resultado de esta iteracin aparece en
la siguiente tabla:

3 5 4 0 0 0
3 2 3 0 0 0
1 1 1 0 0 0
1 2 3 4 5 6
3 3 1 1 500 1 3/2 0 1/2 1/2 0
0 0 0 5 300 0 1/2 3/2 1/2 1 0
0 0 0 6 100 0 1/2 1/2 1/2 0 1
1500 0 1/2 5/2 3/2 0 0
1500 0 5/2 3/2 3/2 0 0
500 0 1/2 1/2 1/2 0 0

Como puede observarse, en esta solucin no se presenta ningn optimo individualizado para ningn objetivo,
por lo que es preciso resolver el subproblema de eficiencia para determinar el carcter de dicha solucin. Tal
subproblema puede formularse como sigue:

. = 1 + 2 + 3
:

31 + 52 + 43 1 = 1500
31 22 33 2 = 1500
1 + 2 + 3 3 = 500
21 + 32 + 3 1000
1 + 2 + 23 800
1 + 2 + 3 400
1 , 2 , 3 , 1 , 2 , 3 0
La solucin ptima para el anterior modelo de programacin lineal implica los siguientes valores:

1 = 0, 2 = 240, 3 = 280, 1 = 820, 2 = 180, 3 = 20

Y = 1020 > 0. Dado que la funcin objetivo toma en el ptimo un valor positivo, la solucin puede ser
mejorada sin empeorar alguno de los objetivos, de modo que puede ser calificada de no eficiente.

Puesto que 5 es no eficiente, habr que comprobar si existe alguna variable no bsica, , que domine a todas
las dems ( ).

Puede comprobarse que tal variable no existe, por lo que, dado que no quedan soluciones bsicas almacenadas
para su anlisis, el algoritmo ha finalizado.
Como resumen de los desarrollos realizados en este ejemplo, se recogen en este ltimo cuadro las distintas
soluciones bsicas que han sido analizadas indicando el carcter de eficiente o no de las mismas. A efecto de
presentacin de resultados al decisor, solo las soluciones eficientes deben ser tenidas en cuenta, prescindiendo
del resto.

NUMERO SOLUCION OBJETIVOS

CRACTER
DE
EFICIENTE 1 2 3 4 5 6 1 () 2 () 3 ()
SOLUCION
1 SI 0 240 280 0 0 120 2320 1320 520
2 SI 400 0 200 0 0 200 2000 1800 600
3 NO 0 0 400 600 0 0 1600 1200 400
4 SI 0 300 100 0 300 0 1900 900 400
5 NO 500 0 0 0 300 100 1500 1500 500
6 NO 200 200 0 0 400 0 1600 1000 400