Método simplex
Inroducion
aborda problemas de optimización en los
cuales entran en juego las restricciones.
Primero, se analizarán problemas donde
la función objetivo y las restricciones son
lineales. Para tales casos, hay métodos
especiales que aprovechan la linealidad
de las funciones, llamados métodos de
programación lineal. Los algoritmos
resultantes resuelven con gran eficiencia
problemas muy grandes con miles de
variables y restricciones. Dichos métodos
se utilizan en una gran variedad de
problemas en ingeniería y en
administración. Después, se verá en
forma breve el problema más general de
optimización restringida no lineal.
Finalmente, se proporcionará una visión
general de cómo se emplean los
paquetes de software y las bibliotecas en
la optimización.
Además, es posible reconocer que no
todo punto extremo es factible; es decir,
satisface todas las restricciones. Por
ejemplo, observe que el punto F en la
figura 15.1a es un punto extremo; pero
no es factible. Limitándonos a puntos
extremos factibles, se reduce todavía
más el campo factible. Por último, una
vez que se han identificado todos los
puntos extremos factibles, el que ofrezca
el mejor valor de la función objetivo
representará la solución óptima. Se
podría encontrar esta solución óptima
mediante la exhaustiva (e ineficiente)
evaluación del valor de la función
objetivo en cada punto extremo factible.
En la siguiente sección se analiza el
método simplex, que ofrece una mejor
estrategia para trazar un rumbo selectivo,
a través de una secuencia de puntos
extremos factibles, para llegar al óptimo
de una manera extremadamente
eficiente.
http://curso.unach.mx/~rarceo/docs/Chap
ra.pdf
Historia
El método simplex , fue creado en el año de
1947 por el matemático George Dantzing,
con el fin de resolver problemas
de programación lineal, en los cuales
intervienen tres o mas variables.
Este procedimiento permite mejorar las
respuestas paso a paso, con el fin de alcanzar
la solución optima de un problema.
http://metodosimplexminimizar.blogspot.com
.co/2015/05/origen-el-metodo-simplex-fue-
creadoen.html
Nació el 8 de Noviembre de 1914 en
Portland, Oregon, EEUU. Su padre era
profesor de Matemáticas, en la Universidad
de Maryland
El trabajo de Dantzig generalizó lo hecho por
el economista, ganador del Premio Nobel,
Wassily Leontief. Dantzig pronto se dio
cuenta de que los problemas de planeación
con los que se encontraba eran demasiado
complejos para las computadoras más veloces
de 1947.
Habiéndose ya establecido el problema
general de Programación Lineal, fue
necesario hallar soluciones en un tiempo
razonable. Aquí rindió frutos la intuición
geométrica de Dantzig: “Comencé
observando que la región factible es un
cuerpo convexo, es decir, un conjunto
poliédrico. Por tanto, el proceso se podría
mejorar si se hacían movimientos a lo largo
de los bordes desde un punto extremo al
siguiente. Sin embargo, este procedimiento
parecía ser demasiado ineficiente. En tres
dimensiones, la región se podía visualizar
como un diamante con caras, aristas y
vértices. En los casos de muchos bordes, el
proceso llevaría a todo un recorrido a lo largo
de ellos antes de que se pudiese alcanzar el
punto de esquina óptimo del diamante”.
Esta intuición llevó a la primera formulación
del método simplex en el verano de 1947. El
primer problema práctico que se resolvió con
este método fue uno de nutrición.
http://www.ingenieria.unam.mx/industriales/h
istoria/carrera_historia_dantzig.html
Y una de sus primeras aplicaciones en
La primera aplicación importante de este
método ocurrió poco después del verano
de 1947, cuando J. Laderman resolvió,
en la National Bureau of Standards, un
programa lineal de plantación de una
dieta con nueve restricciones y 27
variables. Usando calculadoras
de escritorio, para resolver este problema
se requirieron 120 días-hombre, y
cuando con dificultad las hojas de datos
fueron unidas entre sí, semejaban un
“mantel”. Actualmente, usando la
computadora y un programa del método
Simplex (TORA, MICROMANAGER,
LINDO, PROLIN, QSB, otro) es fácil
resolver problemas de PL con muchas
variables y muchas restricciones.
Explicacion
El Método Simplex hace uso de la
propiedad de que la solución óptima de
un problema de Programación Lineal se
encuentra en un vértice o frontera del
dominio de puntos factibles (esto último
en casos muy especiales), por lo cual, la
búsqueda secuencial del algoritmo se
basa en la evaluación progresiva de
estos vértices hasta encontrar el óptimo.
Cabe destacar que para aplicar el
Método Simplex a un modelo lineal, este
debe estar en un formato especial
conocido como formato estándar el cual
definiremos a continuación.
https://darkjrof.wordpress.com/2010/06/2
5/metodo-simplex/
El Método Simplex es un método
analítico de solución de problemas
de programación lineal capaz de resolver
modelos más complejos que los
resueltos mediante el método gráfico sin
restricción en el número de variables.
El Método Simplex es un método
iterativo que permite ir mejorando la
solución en cada paso. La razón
matemática de esta mejora radica en
que el método consiste en caminar del
vértice de un poliedro a un vértice vecino
de manera que aumente o disminuya
(según el contexto de la función objetivo,
sea maximizar o minimizar), dado que el
número de vértices que presenta un
poliedro solución es finito siempre se
hallará solución.
https://www.ingenieriaindustrialonline.co
m/herramientas-para-el-ingeniero-
industrial/investigaci%C3%B3n-de-
operaciones/m%C3%A9todo-simplex/

El método Simplex se basa en la
siguiente propiedad: si la función objetivo
Z no toma su valor máximo en el vértice
A, entonces existe una arista que parte
de A y a lo largo de la cual el valor de Z
aumenta.
Será necesario tener en cuenta que
el método Simplex únicamente trabaja
con restricciones del problema cuyas
inecuaciones sean del tipo “≤” (menor o
igual) y sus coeficientes independientes
sean mayores o iguales a 0. Por tanto
habrá que estandarizar las restricciones
para que cumplan estos requisitos antes
de iniciar el algoritmo del Simplex. En
caso de que después de éste proceso
aparezcan restricciones del tipo “≥”
(mayor o igual) o “=” (igualdad), o no se
puedan cambiar, será necesario emplear
otros métodos de resolución, siendo el
más común el método de las Dos Fases.
La forma estándar del modelo de
problema consta de una función objetivo
sujeta a determinadas restricciones:
Función c1·x1 + c2·x2 + … +
objetivo: cn·xn
Sujeto a: a11·x1 + a12·x2 + … +
a1n·xn = b1
a21·x1 + a22·x2 + … +
a2n·xn = b2
… variable, llamada variable de
am1·x1 + am2·x2 + …
+ amn·xn = bm
x1,…, xn ≥ 0
El modelo debe cumplir las
siguientes condiciones:
1. El objetivo consistirá en
maximizar o minimizar el valor de
la función objetivo (por ejemplo,
incrementar ganancias o reducir
pérdidas, respectivamente).
2. Todas las restricciones deben ser
ecuaciones de igualdad
(identidades matemáticas).
3. Todas las variables (xi) deben
tener valor positivo o nulo
(condición de no negatividad).
4. Los términos independientes (bi)
de cada ecuación deben ser no
negativos.
Hay que adaptar el problema
modelado a la forma estándar para poder
aplicar el algoritmo del Simplex.
Otra de las condiciones del modelo
estándar del problema es que todas las
restricciones sean ecuaciones de
igualdad (también llamadas restricciones
de igualdad), por lo que hay que convertir
las restricciones de desigualdad o
inecuaciones en dichas identidades
matemáticas.
La condición de no negatividad de
las variables (x1,…, xn ≥ 0) es la única
excepción y se mantiene tal cual.
 Restricción de tipo “≤”
Para normalizar una restricción
con una desigualdad del tipo “≤”,
hay que añadir una nueva
holgura xs (con la condición de no
negatividad: xs ≥ 0). Esta nueva
variable aparece con coeficiente
cero en la función objetivo, y
sumando en la ecuación
correspondiente (que ahora sí
será una identidad matemática o
ecuación de igualdad).
A11·x1 + a12·x2 ≤
b1 a11·x1 + a12·x2 +
1·xs = b1
 Restricción de tipo “≥”
 En caso de una desigualdad del
tipo “≥”, también hay que añadir
una nueva variable llamada
variable de exceso xs (con la
condición de no negatividad: xs ≥
0). Esta nueva variable aparece
con coeficiente cero en la función
objetivo, y restando en la
ecuación correspondiente.
Surge ahora un problema
con la condición de no
negatividad con esta nueva
variable del problema. Las
inecuaciones que contengan una
desigualdad de tipo “≥”
quedarían:
a11·x1 + a12·x2 ≥
b1 a11·x1 + a12·x2 –
1·xs = b1
Al realizar la primera
iteración con el método Simplex,
las variables básicas no estarán
en la base y tomarán valor cero.
En este caso la nueva variable xs,
tras hacer cero a x1 y x2, tomará
el valor –b1 y no cumpliría la
condición de no negatividad. Es
necesario añadir otra nueva
variable xr, llamada variable
artificial, que también aparecerá
con coeficiente cero en la función
objetivo y sumando en la
restricción correspondiente.
Quedando entonces de
siguiente manera:
a11·x1 + a12·x2 ≥
b1 a11·x1 + a12·x2 –
1·xs + 1·xr = b1
 Restricción de tipo “=”
Al contrario de lo que cabría
pensar, para las restricciones de
tipo “=” (aunque ya son
identidades) también es
necesario agregar variables
artificiales xr. Como en el caso
anterior, su coeficiente será cero
en la función objetivo y aparecerá
sumando en la restricción
correspondiente.
A11·x1 + a12·x2 =
b1 a11·x1 + a12·x2 +
1·xr = b1
En el último caso se hace patente
que las variables artificiales suponen una
violación de las leyes del álgebra, por lo
que será necesario asegurar que dichas
variables artificiales tengan un valor 0 en
la solución final. De esto se encarga
el método de las Dos Fases y por ello
siempre que aparezcan este tipo de
variables habrá que realizarlo.
En la siguiente tabla se resume
según la desigualdad el tipo de variable
que aparece en la ecuación normalizada,
así como su signo:
Tipo de
Tipo de
variable que
desigualdad
aparece
- exceso +
≥
artificial
= + artificial
la
≤ + holgura
Metodo simplex dual
El Método Simplex Dual nos ofrece una
alternativa algorítmica para abordar la
resolución de modelos de Programación
Lineal. En particular este método se
puede utilizar cuando luego de llevar a la
forma estándar un modelo de
Programación Lineal no se dispone de
una solución básica factible inicial con
la cual se pueda dar inicio a las
iteraciones del algoritmo. En este
contexto a continuación se presenta un
ejemplo con los detalles de la aplicación
de este procedimiento.
http://www.gestiondeoperaciones.net/pro
gramacion_lineal/como-resolver-un-
modelo-de-programacion-lineal-con-el-
metodo-simplex-dual/
Considere el siguiente modelo de
Programación Lineal:
Paso 2: Se selecciona el lado derecho
"más negativo" lo cual indicará cuál de
las actuales variables básicas deberá
abandonar la base. En el ejemplo el lado
derecho más negativo se encuentra en la
primera fila, por tanto S1 deja la base.
Para determinar cual de las actuales
variables no básicas (A, B, C) entrará a
la base se busca el mínimo de {-Yj/aij}
donde aij es el coeficiente de la
respectiva variable no básica en la fija i
(del lado derecho más negativo, marcado
en verde) y donde Yj es el costo reducido
de la respectiva variable no básica. De
esta forma se obtiene: Min {-315/-15, -
110/-2, -50/-1} = 21, donde el pivote
(marcado en rojo) se encuentra al hacer
el primer cuociente, por tanto A entra a la
base.

Paso 3: Se actualiza la tabla anterior

siguiendo un procedimiento similar al
utilizado en el Método Simplex. En el
ejemplo se debe dejar a la variable A
como básica y S1 como no básica. La
tabla que resulta es la siguiente:
Paso 1: Se lleva el modelo a su forma
estándar. En nuestro ejemplo esto se A B C S1 S2 S3
logra agregando variables de exceso en 1 2/15 1/15 - 0 0 40/3
cada una de las restricciones (3 1/15
primeras: S1, S2, S3, respectivamente). 0 -2 -1/2 -1/2 1 0 -50
Luego, se multiplica cada fila de las 0 -4/3 -2/3 -1/3 0 1 -
restricciones por -1 de modo de disponer 160/3
una solución básica inicial (infactible) en 0 68 29 21 0 0 -
las variables de exceso S1, S2 y S3. De 4.200
esta forma se obtiene la siguiente tabla
inicial. Paso 4: Continuar las iteraciones y
siguiendo el mismo procedimiento hasta
A B C S1 S2 S3 disponer de una solución básica factible.
-15 -2 -1 1 0 0 - Luego de unas iteraciones se obtiene la
200 siguiente tabla final:
-7,5 -3 -1 0 1 0 -
150 A B C S1 S2 S3
-5 -2 -1 0 0 1 - 1 0 0 - 0 1/10 8
120 1/10
315 110 50 0 0 0 0 0 1 0 1/4 -1 3/4 10
0 0 1 0 2 -3 60
0 0 0 4 10 36 -
 6.620
La solución óptima
es A=8, B=10, C=60 (marcado en verde)
con valor óptimo V(P)=6.620 (marcado
en rojo - se obtiene con signo cambiado).
También es interesante notar que los
costos reducidos de las variables
artificiales S1, S2 y S3 (marcado en
amarillo), corresponde a la solución
óptima del modelo presentado en
el tutorial de solver, esto dado que dicho
modelo resulta ser el problema dual de
nuestro ejemplo.
http://www.investigaciondeoperaciones.n
et/metodo_simplex_dual.html
limonero. </li></ul><ul><li>los beneficios
unitarios son de 50, 25, 20, y 30 € por
cada naranjo, peral, manzano y limonero
respectivamente. </li></ul>
https://es.slideshare.net/eileen017/el-
metodo-simplex-3189293
asos especiales del metodo simplex<br
/>Existen casos especiales que se
encuentran a menudo en las aplicaciones
del método simplex, los más importantes
son:<br />1. Degeneración.<br />2.
Soluciones óptimas múltiples.<br />3.
Soluciones óptimas no acotadas.<br />4.
Soluciones factibles no existentes.<br />

ejemplos ha mano:

aplicaciones de uso diario

n agricultor tiene una parcela de 640m²

para dedicarla al cultivo de árboles
frutales: naranjos, perales, manzanos y
limoneros. Se pregunta de qué forma
debería repartir la superficie de la parcela
entre las variedades para conseguir el
máximo beneficio sabiendo que:
</li></ul><ul><li>cada naranjo necesita
un mínimo de 16m², cada peral 4m²,
cada manzano 8m² y cada limonero
12m². </li></ul><ul><li>dispone de 900
horas de trabajo al año, necesitando
cada naranjo 30 horas al año, cada peral
5 horas, cada manzano 10 horas, y cada
limonero 20 horas. </li></ul><ul><li>a
causa de la sequía, el agricultor tiene
restricciones para el riego: le han
asignado 200m³ de agua anuales. Las
necesidades anuales son de 2m³ por
cada naranjo, 1m³ por cada peral, 1m³
por cada manzano, y 2m³ por cada