JOSÉ JEREMÍAS CABALLERO CANTU Programación Lineal 2018-I

SEMANA 9 Fechas: 02-05-18

CASOS ESPECIALES.- SOLUCIONES MÚLTIPLES, NO FACTIBLES, NO
ACOTADOS, DEGENERADOS.- APLICACIONES.
Solución óptima múltiple
La solución óptima múltiple no es tan frecuente en la práctica como la solución óptima
única. Si realmente encontramos este tipo de solución, tendríamos una gran
flexibilidad para tomar la decisión, puesto que con diferentes valores de las
variables, podemos obtener el mismo valor de la función objetivo, pudiendo de
esta manera “escoger la solución” que más nos convenga en un momento
determinado, en consideración a otros factores no cualitativos del problema.
Como ilustración, consideremos el siguiente modelo:
1).Maximizar. Z ( x1 , x2 )  14 x1  6 x2
s. a. 3x1  5 x2  15
8 x1  12 x2  12
7 x1  3x2  14
x1  0, x2  0
Z ( x1 , x2 )  14 x1  6 x2
Z (0,0)  14(0)  6(0)  0
Z (1.5,0)  14(1.5)  6(0)  21
Z (1.89,0.26)  14(1.89)  6(0.26)  28 (Valor Máximo)
Z (0.96, 2.42)  14(0.96)  6(2.42)  28 (Valor Máximo)
Z (0,3)  14(0)  6(3)  18

Solución infactible (no factible)

Consideremos el siguiente modelo:
2). Maximizar Z ( x1 , x2 )  2 x1  3x2
s. a. x1  x2  3
x1  4 x2  4
x1  x2  1
x1  0, x2  0
Observamos que la región de puntos que cumplen
todas las restricciones no cumplen la condición de
no negatividad de las variables. En este caso se
puede decir que el modelo tiene solución
matemática, pero no tiene una solución real ya
que los puntos que cumplen las restricciones,
tienen una o más componentes negativas.

Se dice que un problema de programación lineal tiene solución infactible, cuando no

pueden encontrarse soluciones que además de cumplir con las restricciones
estructurales, cumplan con la condición de no negatividad de las variables.

_________________________________________________________________________
UCSS Facultad de Ingeniería jcaballero@ucss.edu.pe
Pág. 1
JOSÉ JEREMÍAS CABALLERO CANTU Programación Lineal 2018-I

Geométricamente, esto implica que la región de los puntos que cumplen todas las
restricciones se halla fuera del primer cuadrante
Su aparición se debe a errores tales como:
a. Hay restricciones en conflicto, ó sea que ellas no pueden satisfacerse
simultáneamente.
b. Fallas en la modelación.
c. Errores en los valores de los parámetros.

Solución ilimitada (no acotada)

Se presenta solución ilimitadamente óptima, o simplemente solución ilimitada, cuando
una o más variables y la función objetivo toman un valor ilimitado, cumpliendo con las
restricciones estructurales. Cuando se obtiene solución ilimitada, es debido a
una de las siguientes causas:
a. Omisión de una o más restricciones.
b. Fallas en la formulación.
c. Errores en el valor de los parámetros.
De manera que ningún problema real de programación lineal tiene este tipo de
solución y cuando se presenta es porque se ha cometido alguno de los errores
descritos.
Consideremos el siguiente modelo:

3).Maximizar Z ( x1 , x2 )  10 x1  5 x2
s. a.  3x1  4 x2  12
x1  2 x2  2
x1  2 x2  8
x1  0, x2  0

Nótese que la gráfica de la región factible es abierta por encima, y como la dirección
de mejoría de la función objetivo es hacia arriba, se concluye que esta crecerá
indefinidamente, pues no encuentra un tope en su crecimiento. De esta manera, las

variables
x1 y x2 , así como la función objetivo tendrán un valor infinito.

La existencia de una región ilimitada es condición necesaria pero no suficiente para

que tengamos solución ilimitada, ya que la dirección de mejoría de la función objetivo
puede ser en el sentido contrario a aquel en donde está abierta la región de
factibilidad.

Inexistencia de una solución:

La última situación que puede presentarse, durante la solución de un problema, es que
este no tenga ninguna solución. Se presenta el caso cuando no pueden hallarse
puntos que cumplan las restricciones tecnológicas.

_________________________________________________________________________
UCSS Facultad de Ingeniería jcaballero@ucss.edu.pe
Pág. 2
JOSÉ JEREMÍAS CABALLERO CANTU Programación Lineal 2018-I

Cuando se tiene esta solución, puede ser debido a

alguna de las siguientes causas:
a. Fallas en la formulación.
b. Errores en los parámetros.
c. Hay restricciones en conflicto.
Consideremos el siguiente modelo:
4).Minimizar Z ( x1 , x2 )  4 x1  7 x2
s. a.  2 x1  3x2  6
3x1  2 x2  6
 5x1  1x2  5
x1  0, x2  0

Se observa que la región de factibilidad es un espacio vacío, pues ningún punto cumple
simultáneamente con las restricciones estructurales. A veces se denomina tanto a la
solución infactible como a la inexistente con el nombre genérico de solución
inconsistente.
Soluciones degenerados.
Es cuándo al menos una variable tiene valor cero en el punto solución.
5). Max. Z ( x1 , x2 )  3x1  9 x2
s. a. x1  4 x2  8
x1  2 x2  4
x1  0, x2  0
Z ( x1 , x2 )  3x1  9 x2
Z (0,0)  3(0)  9(0)  0
Z (0, 2)  3(0)  9(2)  18 (Valor Máximo)
Z (4,0)  3(4)  9(0)  12

6).Max. Z ( x1 , x2 )  2 x1  x2
s. a. 4x1  3x2  12
4x1  x2  8
4x1  x2  8
x1  0, x2  0
7). Max. Z ( x1 , x2 )  3 x1  2 x2
s. a. x1  x2  6
2x1  x2  0
x1  2,
x1  0, x2  0
Soluciones no degenerados.

_________________________________________________________________________
UCSS Facultad de Ingeniería jcaballero@ucss.edu.pe
Pág. 3
JOSÉ JEREMÍAS CABALLERO CANTU Programación Lineal 2018-I

Se identifica en la tabla simplex porque todos sus variables tienen valor positivo en la
columna de solución

6).Max. Z ( x1 , x2 )  2 x1  x2 Z X1 X2 S1 S2 S3 Solución
s. a. 4x1  3x2  12 1 0 0 1/4 1/4 0 5
4x1  x2  8
0 0 1 1/2 -1/2 0 2
4x1  x2  8
0 1 0 -1/8 3/8 0 3/2
x1  0, x2  0
1. SOLUCIONES FACTIBLE. 0 0 0 1 -2 1 4
En Programación Lineal una Solución Básica Factible (SBF)es aquella que además de
pertenecer a la región o área factible del problema se puede representar a través de una
solución factible en la aplicación del Método Simplex satisfaciendo las condiciones de no
negatividad. En este contexto una solución básica factible corresponderá a uno de los
vértices del dominio de factibilidad cuya coordenada o solución se puede representar a
través de un conjunto de restricciones activas para el modelo. Para desarrollar el concepto
anterior consideremos el siguiente problema de optimización matemática (lineal):
EJEMPLO:

El área achurada corresponde al dominio de factibilidad del problema, identificándose en

particular 5 vértices que hemos llamado arbitrariamente A, B, C, D y E. La solución
óptima del modelo lineal se alcanza en el vértice C donde X=100 e Y=350 con valor
óptimo V(P)=3.100.

EJEMPLO:

_________________________________________________________________________
UCSS Facultad de Ingeniería jcaballero@ucss.edu.pe
Pág. 4
JOSÉ JEREMÍAS CABALLERO CANTU Programación Lineal 2018-I

EJEMPLO:

2. SOLUCIÓN NO FACTIBLE
Cuando no existe región factible por falta de zona común que encierren un área de
soluciones. Este caso se presenta cuando entre las restricciones existen al menos dos de
ellas que sean excluyentes, tal como: X1 ≤ 2 y X1 ≥ 4. Aquí nunca podremos encontrar
un número que al mismo tiempo sea menor ó igual a 2 y mayor ó igual a 4, las dos
restricciones son excluyentes y por lo tanto no existe área de soluciones
factible, gráficamente se observa de la siguiente manera:

_________________________________________________________________________
UCSS Facultad de Ingeniería jcaballero@ucss.edu.pe
Pág. 5
JOSÉ JEREMÍAS CABALLERO CANTU Programación Lineal 2018-I

EJEMPLO:

3. SOLUCIÓN NO ACOTADA
EJEMPLO:

EJEMPLO:
la empresa IO Ltda se dedica a la fabricación de tanque a presión verticales para lo
cual se necesitan láminas de acero, tornillos y láminas q resistan altas presiones y
temperaturas, la empresa fabrica dos tipos de tanques a presión Tipo A y Tipo B, Cada
uno de estos tanques tiene una ganancia de $55 y $48 se cuenta con una
disponibilidad mensual de 280 láminas y 120 tornillos y solo se puede fabricar un
máximo de 35 tanques tipo uno

El Método Simplex
Esta técnica se fundamenta en dos principios:
1. Condición de Optimalidad. Esta nos asegura que nunca encontraremos soluciones
inferiores a la del punto considerado.
2. Condición de Factibilidad. Nos garantiza únicamente solo encontraremos soluciones
factibles durante el proceso.
Ejemplo:
Max Z = 4X1 + 3X2
s.a.
2X1 + 3X2 <= 6
3X1 + 2X2 <= 3
2X2 <= 5
2X1 + X2 <= 4
X1, X2 > 0
er
1 Paso: Obtenemos la forma estándar
Max Z = 4X1 + 3X2
_________________________________________________________________________
UCSS Facultad de Ingeniería jcaballero@ucss.edu.pe
Pág. 6
JOSÉ JEREMÍAS CABALLERO CANTU Programación Lineal 2018-I

s.a.
2X1 + 3X2 + S1 = 6
-3X1 + 2X2 + S2 = 3
2X2 + S3 = 5
2X1 + X2 + S4 = 4
X1, X2, S1, S2, S3, S4 > 0

Pregunta: ¿Tenemos 4 holguras positivas que nos permitan conformar una matriz identidad? SI
2° Paso: Igualamos a cero la función objetivo
Z - 4X1 - 3X2 = 0
3° Paso: Hacemos una tabla

Observaciones Importantes:
1. Que los coeficientes de las variables básicas en la función objetivo de la tabla inicial son 0
2. Que se conforma una matriz identidad
1ª. LEY
 Una tabla es óptima para el caso de Maximización cuando todos los elementos de la zona
alfa son positivos ó 0 y viceversa para el caso de la minimización.
2ª. LEY
 Para definir la variable de entrada se elige el coeficiente más negativo de la zona alfa para
el caso de maximización y viceversa para el caso de minimización.

Puesto que no es una solución óptima hagamos una primera iteración.

Criterios para definir la variable de salida:

- Hacemos coeficientes

Una vez que sabemos que esta no es una solución óptima, intentaremos una 1ª iteración.
a) Definimos la variable de entrada con la lógica de la condición de Optimalidad.

_________________________________________________________________________
UCSS Facultad de Ingeniería jcaballero@ucss.edu.pe
Pág. 7
JOSÉ JEREMÍAS CABALLERO CANTU Programación Lineal 2018-I

Al punto de cruce de las dos variables se le llama elemento pivote y la ecuación que lo contiene se
llama ecuación pivote.
6° Paso: Construimos la estructura de la 1ª iteración

a. Calculamos la nueva ecuación pivote ( que nos va a servir para todos los cálculos de la 1ª
iteración) dividiendo la vieja ecuación pivote entre el propio elemento pivote, de tal manera
que obtenemos un elemento unitario.
b. Deslizamos la nueva ecuación pivote a la derecha y ahí queda la nueva ecuación pivote.

2ª Iteración

Ejemplo (Solución óptima degenerada)

Maximizar z = 3x1 +9x2
Sujeto a
x1 + 4x2  8
x1 + 2x2  4
x1,x2  0
Tabla 3-2

_________________________________________________________________________
UCSS Facultad de Ingeniería jcaballero@ucss.edu.pe
Pág. 8
JOSÉ JEREMÍAS CABALLERO CANTU Programación Lineal 2018-I

Tres rectas cruzan el óptimo. Como éste es un problema bidimensional, se dice que el punto está
más que determinado (o sobre determinado), ya que solo necesitamos dos rectas para identificarlo.
Por este motivo, concluimos que una de las restricciones es redundante. Desafortunadamente no
existen técnicas confiables para identificar restricciones redundantes directamente a partir de la
tabla.

Desde el punto de vista teórico, la degeneración tiene dos implicaciones. La primera tiene que ver
con el fenómeno del ciclaje o reciclaje. Si se observan las iteraciones 1 y 2 de la tabla 3-2, se
verá que el valor de la función objetivo no ha mejorado (z=18). Por lo tanto, es posible, en términos
generales, que el procedimiento simplex repetiría la misma sucesión de iteraciones, sin mejorar
nunca el valor de la función objetivo ni poner fin a los cálculos.
El segundo punto teórico se presenta en el examen de las iteraciones 1 y 2. Ambas iteraciones,
pese a diferir en la clasificación de las variables como básicas y no básicas, producen valores
idénticos de todas las variables y el valor de la función 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 cálculos en
la iteración 1 (cuando aparece la degeneración), aunque no es óptima. Este argumento no es
válido porque, en general, una solución puede ser temporalmente degenerada.

OPCIONES ÓPTIMAS:

_________________________________________________________________________
UCSS Facultad de Ingeniería jcaballero@ucss.edu.pe
Pág. 9
JOSÉ JEREMÍAS CABALLERO CANTU Programación Lineal 2018-I

Cuando la función objetivo es paralela a una restricción de enlace (o sea, una restricción que se
satisface en el sentido de la igualdad a través de la solución óptima), la función objetivo tomara el
mismo valor optimo en más de un punto de solución. Por esta razón reciben el nombre de
Opciones óptimas.

Ejemplo (Infinidad de soluciones)

Maximizar z = 2x1 + 4x2
Sujeto a
x1 + x2  5
x1 + x2 4
x1, x2 0

En términos algebraicos sabemos que el método simplex es capaz de encontrar soluciones en

puntos extremos exclusivamente.

Figura 3-5
Como es de esperarse, el método simplex sólo determina los puntos extremos B y C.
Matemáticamente 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 relación 0    1 y
B: x1 =0, x2=5/2
C: X1=3, x2=1

Tabla 3-3

_________________________________________________________________________
UCSS Facultad de Ingeniería jcaballero@ucss.edu.pe
Pág. 10
JOSÉ JEREMÍAS CABALLERO CANTU Programación Lineal 2018-I

SOLUCION NO ACOTADA
En algunos modelos de programación 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 dirección. Como resultado, el valor de la función
objetivo puede crecer (caso de maximización) o de crecer (caso de minimización) en forma
indefinida. En este caso decimos que el espacio de soluciones y el valor "óptimo" de la función
objetivo son no acotados.
La falta de explicación en un modelo puede señalar solo una cosa: el modelo está mal construido.
Evidentemente resulta irracional hacer que un modelo produzca una ganancia " infinita". Las
irregularidades mas probables en estos modelos son: 1) N ose toman en cuenta una mas
restricciones redundantes, y 2) No se determinan correctamente los parámetros ( constantes ) de
algunas restricciones.
La regla general para reconocer la falta de acotación es la siguiente. Sien cualquier iteración los
coeficientes de las restricciones de una variable no básica son no positivos, entonces el espacio de
soluciones no esta acotado en esa dirección. Además, si el coeficiente de la función objetivo de
esa variable en el caso de la maximización o positivo en el caso de la minimización, entonces el
valor de la función objetivo tampoco esta acotado.
Ejemplo (Función objetivo no acotada)
Maximizar z = 2x1 + x2
Sujeto a
x1 - x2  10
2x1  40
x1, x2  0
Iteración inicial

En la tabla inicial x1 y x2 son los candidatos para entrar en la solución. Como x1 tiene el coeficiente
más negativo. Normalmente se selecciona como la variable que entra. Sin embargo, nótese 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 x2, aumentará z en 1, un incremento infinito en x2 también dará
lugar a un incremento infinito en z. Por lo tanto, concluimos que el problema no tiene solución
acotada. Este resultado se puede apreciar en la figura 3-6. El espacio de soluciones no está
acotado en la dirección de x2 y el valor de z puede crecer en forma indefinida.

_________________________________________________________________________
UCSS Facultad de Ingeniería jcaballero@ucss.edu.pe
Pág. 11
JOSÉ JEREMÍAS CABALLERO CANTU Programación Lineal 2018-I

Figura 3-6
La regla general para reconocer la falta de acotación es la siguiente. Si en cualquier iteración los
coeficientes de las restricciones de una variable no básica son no positivos, entonces el espacio de
soluciones no está acotado en esa dirección. Además, si el coeficiente de la función objetivo de
esa variable es negativo en el caso de la maximización o positivo en el caso de la minimización,
entonces el valor de la función objetivo está acotado.

SOLUCION INFACTIBLE
Si las restricciones no se pueden satisfacer en forma simultanea, se dice que el modelo no tiene
solución factible. Esta situación 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 solución factible. Sin embargo, cuando empleamos los otros tipos de
restricciones, recurrimos al uso de variables artificiales que, por su mismo diseño, no ofrecen una
solución factible al modelo original. Aunque se toman medidas (a través del uso de la penalización)
para hacer que las variables artificiales sean cero en el nivel óptimo, esto sólo puede ocurrir si el
modelo tiene un espacio factible. Si no lo tiene, cuando menos una variable artificial será positiva
en la iteración óptima. Esta es nuestra indicación que el problema no tiene solución factible.
Desde el punto de vista practico un espacio infactible apunta a la posibilidad de que el modelo no
se haya formulado correctamente en virtud de que las restricciones estén en conflicto. También es
posible que las restricciones no estén destinadas a cumplirse en forma simultanea, 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 solución infactible

Maximizar z = 3x1 + 2x2
Sujeto a
2x1 + x2  2
_________________________________________________________________________
UCSS Facultad de Ingeniería jcaballero@ucss.edu.pe
Pág. 12
JOSÉ JEREMÍAS CABALLERO CANTU Programación Lineal 2018-I

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
solución óptima. Esta es una indicación de que el espacio de soluciones es infactible. La figura 3-7
muestra el espacio de soluciones infactible.
El método simplex, haciendo posible que la variable artificial sea positiva, ha invertido en esencia la
dirección de la desigualdad de 3x1 + 4x2  12 a 3x1 + 4x2  12. El resultado lo podemos llamar la
solución pseudoóptima, como se muestra en la figura 3-7.

Figura 3-7

http://148.204.211.134/polilibros/portal/Polilibros/P_terminados/InvOperChave/DOCU
MENTOS/Unidad4/UNIDAD42.htm

Ejercicio.
Resolver el siguiente modelo de programación lineal por el método Simplex.

Min Z= X1 - 3X2 – 2X3

s.a
3X1 - X2 + 2X3 <=7
-2X1 + 4X2 <=12
-4X1 + 3X2 + 8X3 <=10
X1, X2, X3 > 0

Forma Estándar.
Min Z= -X1 + 3X2 + 2X3 =0
3X1 - X2 + 2X3 + S1 =7
-2X1 + 4X2 +S2 =12
-4X1 + 3X2 +8X3 + S3=10

_________________________________________________________________________
UCSS Facultad de Ingeniería jcaballero@ucss.edu.pe
Pág. 13
JOSÉ JEREMÍAS CABALLERO CANTU Programación Lineal 2018-I

Ejercicio.
Resuelve el siguiente problema de programación lineal e identifique algún caso especial en la tabla
Simplex.
Max Z = 20X1 – 10X2 + X3
s.a.
3X1 – 3X2 + 5X3  50
X1 X3  10
X1 – X2 + 4X3  20
X1, X2, X3  0

Z = 20X1 – 10X2 + X3
Z – 20X1 + 10X2 – X3 = 0

Z – 20X1 + 10X2 – X3 = 0
3X1 – 3X2 + 5X3 + S1 = 50
X1 X3 + S2 = 10
X1 – X2 + 4X3 + S3 = 20
X1, X2, X3, S1, S2, S3  0
En el área de solución factible es no acotada en la dirección de X2.
Por lo tanto la solución factible es No Acotada

_________________________________________________________________________
UCSS Facultad de Ingeniería jcaballero@ucss.edu.pe
Pág. 14
JOSÉ JEREMÍAS CABALLERO CANTU Programación Lineal 2018-I

Ejercicio.
La aplicación del método simplex a este modelo, nos genera la siguiente iteración:

http://148.204.211.134/polilibros/portal/Polilibros/P_terminados/InvOperChave/DOCU
MENTOS/Unidad4/UNIDAD4EJER.htm

JOSE JEREMIAS CABALLERO CANTU

Docente UCSS
Programador en Matlab.
Asesor de proyectos con Matlab

_________________________________________________________________________
UCSS Facultad de Ingeniería jcaballero@ucss.edu.pe
Pág. 15