Universidad Tecnológica de Santiago
(UTESA)
Nombre: Carlos Daniel Bautista Brito
Matricula: 1-18-4120
Asignatura: Inv. Operativa II
Introducción al método Simplex
Método 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.
El Método Simplex corresponde a un algoritmo iterativo publicado por George Bernard Dantzig
en el año 1947 en donde se busca alcanzar el máximo (o mínimo) de una función lineal
compuesta por un conjunto de variables que deben satisfacer condiciones impuestas por
restricciones lineales en forma de inecuaciones.
En este contexto, el objetivo de este artículo es definir en detalle distintas aproximaciones para
la resolución de un modelo de Programación Lineal utilizando el Método Simplex, además de
discutir sobre sus principales características.
Esencia del método simplex
El método simplex es un procedimiento algebraico. Sin embargo, sus conceptos fundamentales
son geométricos. La comprensión de estos conceptos geométricos proporciona una fuerte
intuición sobre la forma en que opera el método simplex y las razones de su elevada eficiencia.
Forma Aumentada
Para poder utilizar el método simplex, lo primero que hay que hacer es convertir las
restricciones de desigualdad en restricciones de igualdad equivalentes. Para ello es necesario
añadir unas variables ficticias llamadas variables holgura. El modelo equivalente, que se obtiene
al añadir las variables holgura en las restricciones, se llama forma aumentada del modelo.
Si en una solución, el valor de la variable holgura es cero, entonces, esta se encuentra en la
frontera de la restricción, si la variable holgura es mayor que cero, entonces, la solución
pertenece al conjunto factible y, si es menor que cero la solución se encuentra en el lado no
factible de la frontera de restricción.
Una vez planteado el problema en su forma aumentada es necesario obtener la solución. Pero
antes de desarrollar los pasos necesarios para la obtención de la solución es necesario definir los
siguientes conceptos:
a) Solución aumentada es una solución para las variables de decisión del problema
junto con los valores de las variables de holgura.
b) Solución básica es una solución en un vértice aumentada, es decir, es una solución
que contiene valores de las variables de decisión del problema y de las variables
holgura.
c) Grados de libertad del problema es la diferencia que existe entre el número de
variables y el número de ecuaciones.
El método simplex revisado conserva las mismas características que el
método simplex:
1) Las variables de decisión tienen que ser mayor a cero
2) Las restricciones tienen que tener la forma <=
La diferencia entre el método simplex normal y el revisado es que
la mayoría de los números que aparecen en la tabla del método normal no
se usan realmente en las iteraciones, por lo cual en el método revisado solo
se calculan los valores necesarios para encontrar la solución optima
a través de matrices.
Sin embargo, este método requiere muchas operaciones de matrices y deja
de estar tan estructurado como el método simplex, por lo cual es
muy posible confundirse durante las iteraciones
Antes de aplicar el método es necesario pasar el modelo planteado a su
forma estándar matricial:
max z=Cx
Ax=b
x>=0
Donde:
C es una vector de n filas cuyos elementos son todos los valores de la
función objetivo.
x, que es un vector de n columnas cuyos valores son todas las variables de
x que aparecen en la función objetivo
A es una matriz que representa a todos los coeficientes que
se encuentran del lado izquierdo de las igualdades, incluyendo a
las variables de holgura.
b es un vector que tiene todas las equivalencias de las igualdades en el lado
izquierdo, por lo cual el numero de columnas de A y son iguales
Los pasos para hallar la solución optima son los mismos que en el método
simplex. pero ahora se usan diferentes formulas:
1) Comenzamos por ubicar la solución inicial y los vectores de las
matrices:
Donde B es es una matriz que tiene los coeficientes correspondientes a las
variables de decisión en las restricciones
2)Calculamos la variable de entrada con lo que seria la fila Zj-Cj, pero
aplicamos esta formula:
Zj-Ch=(Cb)(B^-1)(aj)-Cj
Donde
Cb son los valores de las variables no básicas en la función objetivo
aj es una matriz que corresponde a los valores en las restricciones
que corresponden a las variables no básicas
Cj son los valores de las variables no básica que en la función objetivo
Se utiliza el mismo criterio que en el método simplex: elegimos al valor
mas pequeño si tenemos que maximizar la función o bien el mas grande si
hay que minimizar.
3)Primero hay que calcular el nuevo valor de las variables básicas:
Para calcular la variable de salida utilizamos la siguiente formula:
Yi=(B^-1)(ai)
Donde
ai es un vector que corresponde a los valores de las restricciones de la
variable de entrada
Entonces hay que utilizar el mismo criterio para elegir a la variable de
salida que ene le método simplex:
Donde Xb e el vector con las soluciones actuales de las igualdades
4) Por ultimo hay que calcular el nuevo valor de las variables básicas, para
eso hay que cambiar la matriz B, pues el vector de las variables básicas
cambio, por lo tanto hay que cambiar los elementos de la matriz B para que
correspondan a lo valores de las restricciones en su correspondiente
variable básica.
Problema Dual, esencia de la teoría de dualidad
La teoría de la dualidad establece que un problema dual de programación lineal se origina
directamente del modelo original denominado problema primal.
Ambos se encuentran muy relacionados, de modo que la solución óptima de uno de ellos
proporciona la solución óptima del otro.
La importancia de la teoría de la dualidad radica en tres razones:
1. El planteamiento dual de un problema de programación lineal puede dar como resultado una
reducción considerable en los cálculos.
2. La posibilidad de obtener información económica acerca del valor de recursos que son
escasos y de cómo se utilizan cuando se analiza el problema dual.
3. La relación dual tiene un nexo importante con el análisis de sensibilidad.
Precio sombra
Precio sombra, precio marginal, precio dual, precio: al nivel o valor óptimo de la variable del
problema dual asociada a una restricción del problema primal se le llama precio sombra.
El precio sombra de una restricción es la tasa de cambio en el valor de la función objetivo como
consecuencia del cambio en el valor del lado derecho de la restricción. La calificación de
sombra pretende enfatizar que no se trata de valores tomados del mercado sino que son
imputados o asignados.
Los precio sombra representa el costo de oportunidad de producir o consumir un bien o servicio
en un problema de programación lineal
Un bien o servicio puede no tener un precio de mercado; sin embargo, siempre es posible
asignarle un precio sombra, que permite hacer un análisis de costo-beneficio.
Es el significado del multiplicador de Lagrange, el cual representa la variación de un objetivo
dado cuando se cuenta con una unidad adicional de un cierto recurso limitado.
El precio sombra, es el valor por una unidad extra del recurso, ya que el costo del recurso no es
incluido en el cálculo de los coeficientes de la función objetivo. Cuando se tienen las dos
soluciones, la solución dual se denomina de precios sombra.
Los valores de las variables duales en la optimización corresponden al valor de las tasas
marginales de variación del valor de la función objetivo ante las variaciones unitarias del lado
derecho de una restricción. Por este motivo se le llama precio sombra al vector de variables
duales en el valor óptimo.
Se podría incrementar la función objetivo en la magnitud del precio sombra si se tuviera una
unidad adicional de ese recurso, o sea, el fabricante puede aumentar su ganancia total en el
precio sombra de un recurso, si dispone de una unidad adicional de ese recurso. El precios
sombra de un recurso es la cantidad máxima que debe pagar un fabricante por una unidad
adicional de ese recurso.
