2._metodo_simplex.pdf

Tema 2
El método simplex
Los modelos lineales con dos o tres variables se pueden resolver gráficamente. En
el Tema 1 hemos visto la solución gráfica de modelos lineales de dos variables.
Sin embargo, este método no puede ser utilizado en modelos que tengan más de
tres variables. Para resolver modelos más grandes se necesita un procedimiento
algebráico como el algoritmo simplex, publicado en 1949 por George B. Dantzig,
para dar soluciones numéricas a problemas de programación lineal.
El desarrollo de la teorı́a de la programación lineal se basa en la siguiente
forma de escribir el modelo.
Forma estándar. Un modelo lineal está escrito en forma estándar si todas las
restricciones son del tipo = y todas las variables del modelo y las componentes
del vector b son no negativas. El modelo en forma matricial:
max(min) z = cT
x
sujeto a
Ax = b
x ≥ 0
Si el objetivo es maximizar, entonces se tiene la forma estándar de maxi-
mización y, si el objetivo es minimizar, la forma estándar de minimización.
2.1 Cambios en el modelo
El primer paso en el proceso de encontrar la solución óptima de un modelo li-
neal es escribir el modelo en forma estándar. La mayorı́a de los modelos lineales
19

20 Tema 2. El método simplex
no estan inicialmente escritos en esta forma pero se pueden hacer cambios en la
función objetivo, en las restricciones y en las variables del modelo para obtener la
forma estándar.
1. Función objetivo. Calcular el mı́nimo de la función z es equivalente a
calcular el máximo de la función −z.
min z =
n
X
j=1
cjxj ⇐⇒ max (−z) =
n
X
j=1
−cjxj.
Por ejemplo, calcular el min z = 3x1 − 5x2 es equivalente a calcular el
max (−z) = −3x1 + 5x2. Es decir, los valores de las variables x1 y x2
que dan a z el valor mı́nimo son los mismos que los que dan a −z el valor
máximo, de forma que
min z = − max (−z).
2. Restricciones.
(a) Todas las restricciones del modelo lineal se pueden escribir en el mismo
sentido dado que se verifica
n
X
j=1
aijxj ≥ bi ⇐⇒
n
X
j=1
−aijxj ≤ −bi.
Por ejemplo, dada la restricción 2x1+3x2 ≤ −2, multiplicando por −1
los dos miembros de la desigualdad, se puede escribir −2x1−3x2 ≥ 2.
(b) Las restricciones se pueden escribir con igualdad de la siguiente ma-
nera:
n
X
j=1
aijxj ≤ bi ⇐⇒
n
X
j=1
aijxj + y = bi,
n
X
j=1
aijxj ≥ bi ⇐⇒
n
X
j=1
aijxj − y = bi.
La variable y utilizada en los dos cambios anteriores se llama variable
de holgura; en ambos casos la variable y es mayor o igual que cero.
Por ejemplo, la restricción x1 −4x2 ≤ 4 es equivalente a la restricción
x1 − 4x2 + y = 4, donde y es una variable no negativa.
OpenCourseWare, UPV/EHU

2.1. Cambios en el modelo 21
(c) Una restricción con igualdad es equivalente a escribir dos restricciones
con desigualdad de la siguiente manera:
n
X
j=1
aijxj = bi ⇐⇒
n
X
j=1
aijxj ≤ bi y
n
X
j=1
aijxj ≥ bi.
Por ejemplo, la restricción −2x1 + x2 = 2 es equivalente a escribir las
dos siguientes:
−2x1 + x2 ≤ 2 y − 2x1 + x2 ≥ 2.
3. Variables.
Las variables deben satisfacer la restricción de no negatividad. Para garan-
tizar que se cumple dicha restricción se tienen los siguientes cambios:
• Si xj ≤ 0, entonces se puede hacer el siguiente cambio de variable
xj = −x′
j, donde x′
j ≥ 0.
• Si xj no tiene restricción de signo, se puede escribir como diferencia
de 2 variables positivas de la siguiente forma:
xj = x′
j − x′′
j , donde x′
j, x′′
j ≥ 0.
– Si x′
j > x′′
j , entonces xj > 0.
– Si x′
j < x′′
j , entonces xj < 0.
– Si x′
j = x′′
j , entonces xj = 0.
Ejemplo. Escribir el siguiente modelo lineal en forma estándar de maxi-
mización.
min z = x1 + 2x2 + x3
sujeto a
x1 + x2 − x3 ≥ 2
x1 − 2x2 + 5x3 ≤ −1
x1 + x2 + x3 = 4
x1 ≥ 0 , x2 ≤ 0, x3 : no restringida
Investigación Operativa. Programación Lineal

• Función objetivo. La forma estándar de maximización es
− max (−z) = −x1 − 2x2 − x3.
• Cambios en las restricciones. En la primera restricción restamos una vari-
able de holgura x4,
x1 + x2 − x3 − x4 = 2.
En la segunda restricción sumamos una variable de holgura x5,
x1 − 2x2 + 5x3 + x5 = −1.
Para hacer positivo el segundo miembro de la desigualdad multiplicamos
por −1 en ambos miembros,
−x1 + 2x2 − 5x3 − x5 = 1.
La tercera restricción está en forma estándar,
x1 + x2 + x3 = 4.
• Cambios en las variables.
La variable x1 ≥ 0 verifica la restricción de no negatividad. Para la variable
x2 ≤ 0 se hace el cambio x2 = −x′
2 y para la variable no restringida x3 se
hace el cambio x3 = x′
3 − x′′
3.
El modelo después de estos cambios es el siguiente:
− max (−z) = −x1 + 2x′
2 − x′
3 + x′′
3 + 0x4 + 0x5
sujeto a
x1 − x′
2 − x′
3 + x′′
3 − x4 = 2
−x1 − 2x′
2 − 5x′
3 + 5x′′
3 − x5 = 1
x1 − x′
2 + x′
3 − x′′
3 = 4
x1, x′
2, x′
3, x′′
3, x4, x5 ≥ 0
Sumar o restar variables de holgura no debe cambiar el objetivo, por tanto los
coeficientes de las variables de holgura en la función objetivo deben ser cero. 2

2.2. Soluciones de modelos lineales 23
2.2 Soluciones de modelos lineales
Ya hemos visto que cualquier modelo lineal se puede escribir en forma estándar.
El algoritmo simplex introducido en este capı́tulo está diseñado para maximizar
y, por eso, de ahora en adelante cuando decimos forma estándar nos referimos
a la forma estándar de maximización; recordemos que en la forma estándar las
componentes del vector b son no negativas.
Sea el siguiente modelo lineal en forma estándar:
max z = cT
x
sujeto a
Ax = b
x ≥ 0
donde x y c son vectores n × 1, b es un vector m × 1 y A es una matriz de
tamaño m × n.
Supongamos que m < n y que el rango de la matriz de coeficientes es m. Un
sistema de este tipo tiene infinitas soluciones. El problema es calcular la solución
que da a la función objetivo el valor óptimo.
Veamos las siguientes definiciones que se utilizarán en el desarrollo del método
simplex.
• Definición 1. Un vector x que satisface Ax = b se dice que es solución
para el problema.
• Definición 2. Si x es solución para el problema, es decir, verifica Ax = b,
se dice que es factible si x ≥ 0.
• Definición 3. Dada una matriz base B formada por m columnas de la matriz
A, se dice que xB es solución básica si verifica BxB = b. Todas las
componentes no básicas son 0. Por tanto, una solución básica tiene como
máximo m componentes distintas de cero.
Si, además, xB tiene todas sus componentes no negativas se dice que es una
solución factible básica.
• Definición 4. Una solución factible básica se dice que es degenerada si
alguna componente básica es cero, es decir, si tiene menos de m compo-
nentes estrictamente positivas. Una solución factible básica que tiene m
componentes mayores que cero se llama no degenerada.

• Definición 5. El conjunto de todas las soluciones factibles del problema
lineal se llama región de factibilidad o conjunto convexo de soluciones
factibles. Lo denotaremos por F.
• Definición 6. La solución óptima del problema se denota por x∗
y el valor
óptimo de la función objetivo por z∗
= cT
x∗
.
• Definición 7. El problema lineal es no acotado cuando la función objetivo
no tiene valor óptimo finito, es decir,
z∗
→ +∞ o z∗
→ −∞.
• Definición 8. Se dice que un problema lineal tiene soluciones óptimas
múltiples u óptimos alternativos si tiene más de una solución óptima.
En adelante identificaremos matriz base con base.
Ejemplo. Considerar el modelo lineal en forma estándar
max z = 3x1 + 6x2 + 5x3 + 4x4 + x5
sujeto a
2x1 + 8x2 + 3x3 + x4 + x5 = 6
x1 + x2 + 2x3 + x4 = 4
x1, x2, x3, x4, x5 ≥ 0
Elementos del modelo:
cT
= (3, 6, 5, 4, 1), xT
= (x1, x2, x3, x4, x5),
A =


2 8 3 1 1
1 1 2 1 0

 , b =


6
4

 .
El rango de la matriz A es 2, menor que el número de incognitas. Por tanto,
el sistema de restricciones tiene infinitas soluciones. Sin embargo, el número de
soluciones básicas es finito. Recordemos que para calcular las soluciones básicas
se eligen todas las posibles bases B entre las columnas de la matriz A y se resuelve
el sistema
xB = B−1
b.
xB es el vector de variables básicas.

2.2. Soluciones de modelos lineales 25
1. Si elegimos la matriz B formada por las columnas primera y cuarta de la
matriz A,
B =


2 1
1 1

 ,
se puede comprobar que es base.
xB =


x1
x4

 , N =


8 3 1
1 2 0

 y xN =





x2
x3
x5





.
Entonces,
xB =


2 1
1 1


−1 

6
4

 −


2 1
1 1


−1 

8 3 1
1 2 0







x2
x3
x5





. (2.1)
Las infinitas soluciones del sistema se calculan dando todos los posibles
valores a las variables libres x2, x3 y x5.
• Si damos valores x2 = 0, x3 = 0 y x5 = 0 en la ecuación (2.1),
haciendo cálculos se tiene la siguiente solución básica:
xB =


1 −1
−1 2




6
4

 =


2
2

 .
Esta solución es factible porque no tiene componentes negativas.
• Si damos valores x2 = 0, x3 = 1 y x5 = 0, sustituyendo estos valores
de las variables libres en la ecuación (2.1), se obtienen los valores de
las variables básicas,


x1
x4

 =


2
2

 −


7 1 1
−6 1 −1







0
1
0





=


1
1

 .

Es decir, el vector xT
= (1, 0, 1, 1, 0) es solución. Es factible porque no
tiene componentes negativas. Sin embargo, no es solución básica porque la
componente no básica x3 toma un valor distinto de cero.
2. Si elegimos la matriz B formada por las dos primeras columnas de A,
B =


2 8
1 1

 ,
es base y, dando valor cero a todas las variables libres, se tiene la siguiente
solución básica:
xB =


2 8
1 1


−1 

6
4

 =


−1
6
4
3
1
6
−1
3




6
4

 =


13
3
−1
3

 .
La solución básica obtenida no es factible dado que la variable x2 es nega-
tiva.
3. Si elegimos la matriz B formada por las columnas tercera y quinta de la
matriz A,
B =


3 1
2 0

 ,
es base y, dando valor 0 a todas las variables libres, se tiene la solución
básica
xB =


3 1
2 0


−1 

6
4

 =


0 1
2
1 −3
2




6
4

 =


2
0

 .
Esta solución es factible. Además, es degenerada porque una de las compo-
nentes básicas toma el valor 0.
2

2.3. Puntos extremos y soluciones básicas 27
2.3 Puntos extremos y soluciones básicas
En la solución gráfica de modelos lineales hemos visto que la solución óptima
se encuentra en un punto extremo del conjunto convexo de soluciones factibles.
En el caso de que el problema tenga soluciones óptimas múltiples al menos una
será un punto extremo. Para resolver modelos que tienen más de 3 variables no
se puede utilizar la interpretación geométrica y es necesario resolver el problema
algebraicamente. En los dos siguientes teoremas se presentan las demostraciones
de los resultados básicos que permiten pasar de la geometrı́a al álgebra. En las
demostraciones se utilizan los siguientes resultados de conjuntos convexos.
1. El conjunto F de soluciones factibles de un modelo lineal en forma estándar
es un conjunto convexo y cerrado.
2. Se dice que un punto x de un conjunto convexo F es un punto extremo si
no existen x1, x2 ∈ F , x1 6= x2 tales que
x = λx1 + (1 − λ)x2, 0 ≤ λ ≤ 1.
3. Todo punto x de un conjunto convexo cerrado y acotado se puede escribir
como combinación lineal convexa generalizada de los puntos extremos.
x =
q
X
i=1
λixi, 0 ≤ λi ≤ 1,
q
X
i=1
λi = 1.
En el siguiente teorema se demuestra que a cada punto extremo con componentes
no negativas le corresponde una solución factible básica y, reciprocamente, a cada
solución factible básica le corresponde un punto extremo con componentes no
negativas.
Teorema 2.3.1 Sea el modelo lineal en forma estándar
max z = cT
x
sujeto a
Ax = b
x ≥ 0
Un vector x es solución factible básica si y sólo si x es punto extremo de F.

Demostración.
⇒ Si x es una solución factible básica, veamos que es un punto extremo.
Si x es una solución factible básica, como máximo tiene m variables mayores
que cero. Para facilitar la notación supongamos que son las m primeras. Entonces,
x =


xB
0

 .
Supongamos que existen dos puntos x1, x2 ∈ F, tales que
x = λx1 + (1 − λ)x2 , 0 < λ < 1.
Sean
x1 =


y1
y′
1

 y x2 =


y2
y′
2

,
donde yi, i = 1, 2 es de dimensión m × 1, e y′
i, i = 1, 2, es de dimensión
(n − m) × 1. Entonces, de la igualdad


xB
0

 = λ


y1
y′
1

 + (1 − λ)


y2
y′
2


se deduce
0 = λy′
1 + (1 − λ)y′
2.
Por ser y′
1, y′
2 ≥ 0, λ > 0 y 1 − λ > 0, se tiene y′
1 = y′
2 = 0.
De lo anterior se deduce que las soluciones x, x1 y x2 son básicas y asociadas
a la misma base, por tanto, xB = x1 = x2.
Concluimos que no existen 2 puntos distintos x1 y x2 del conjunto de solu-
ciones que permitan escribir x como combinación lineal convexa restringida y, en
consecuencia, x es un punto extremo.
⇐ Si x es un punto extremo, entonces es solución factible básica.
Supongamos que x tiene las k primeras componentes positivas y el resto son
cero. Entonces el sistema de restricciones se puede escribir de la siguiente manera:
k
X
i=1
xiai = b.

Para ver que x es solución básica factible, es suficiente probar que los vectores
ai, i = 1, . . . , k, son linealmente independientes. En caso contrario, existirı́an
escalares α1, . . . , αk, no todos nulos, tales que
k
X
i=1
αiai = 0.
Sea
αT
= (α1, . . . , αk, 0, . . . , 0),
si se definen
x1 = x + ǫα y x2 = x − ǫα,
se puede elegir adecuadamente el valor de ǫ para que los puntos sean factibles.
Además, se verifica que x1 6= x2 y
x =
1
2
x1 +
1
2
x2,
de donde se deducirı́a que x no es un punto extremo. 2
En el siguiente teorema se demuestra que en un modelo lineal en forma estándar
que tenga una región de soluciones acotada la solución óptima se encuentra en un
punto extremo de la región de factibilidad.
Teorema 2.3.2 Considerar el problema lineal en forma estándar
max z = cT
x
sujeto a
Ax = b
x ≥ 0
El valor óptimo de la función objetivo se encuentra en un punto extremo del con-
junto F.
Demostración. Supongamos que tenemos una solución óptima x∗
que no es
un punto extremo y que z∗
= cT
x∗
es el valor óptimo del problema. Entonces, se
verifica que para todo x ∈ F
z = cT
x ≤ cT
x∗
= z∗
.

Sean {x1, . . . , xk} el conjunto de los puntos extremos de F. Todo punto de
la región F, en particular el punto x∗
, se puede escribir como combinación lineal
convexa de los puntos extremos.
x∗
=
k
X
i=1
λixi , λi ≥ 0,
k
X
i=1
λi = 1.
Entonces,
z∗
= cT
x∗
= cT
k
X
i=1
λixi =
k
X
i=1
λicT
xi.
Dado que se verifica max
i
(cT
xi) ≥ cT
xi, i = 1, . . ., k, entonces
z∗
=
k
X
i=1
λicT
xi ≤
k
X
i=1
λi max
i
(cT
xi) = max
i
(cT
xi)
k
X
i=1
λi = max
i
(cT
xi) ≤ z∗
.
Como consecuencia, z∗
= max
i
(cT
xi) y se concluye que el óptimo se alcanza en
un punto extremo. 2
En el siguiente ejemplo veremos que se verifica el resultado del Teorema 2.3.1
y del Teorema 2.3.2. Teniendo en cuenta que el número de soluciones básicas
de un modelo lineal es finito, es posible construir un procedimiento iterativo que
comenzando en una solución factible básica se desplace a otra mejor hasta obtener
la óptima.
Ejemplo. Sea el modelo lineal
max z = x1 + 2x2
sujeto a
−x1 + 4x2 ≤ 4
x1 − x2 ≤ 3
x1, x2 ≥ 0
En primer lugar, calculamos la solución óptima gráficamente.

x1
x2
−x1 + 4x2 = 4
x1 − x2 = 3
A
B
C
O
max
La región de soluciones F tiene cuatro puntos extremos:
O = (0, 0) , A = (0, 1) , B =

16
3
,
7
3

, C = (3, 0).
Desplazando la función objetivo en el sentido de maximización el óptimo se ob-
tiene el punto extremo B.
Para calcular las soluciones básicas y ver que a cada punto extremo de la
gráfica le corresponde una solución básica factible, escribimos la forma estándar
del modelo sumando variables de holgura x3 y x4.
max z = x1 + 2x2 + 0x3 + 0x4
sujeto a
−x1 + 4x2 +x3 = 4
x1 − x2 +x4 = 3
x1, x2, x3, x4 ≥ 0
La matriz de coeficientes del sistema tiene cuatro columnas y, por tanto, el
máximo número de bases que se pueden elegir es 6, eligiendo entre las 4 columnas
todos los posibles grupos de dos columnas linealmente independientes.

• Primera opción. Elegir la base B = (a1 a2).
xB =


−1 4
1 −1


−1 

4
3

 =


1
3
4
3
1
3
1
3




4
3

 =


16
3
7
3

 .
Esta solución básica es factible y corresponde al punto extremo B de la
gráfica.
• Segunda opción. Elegir la base B = (a1 a3).
xB =


−1 1
1 0


−1 

4
3

 =


0 1
1 1




4
3

 =


3
7

 .
Esta solución básica es factible y corresponde al punto extremo C de la
gráfica.
• Tercera opción. Elegir la base B = (a1 a4).
xB =


−1 0
1 1


−1 

4
3

 =


−1 0
1 1




4
3

 =


−4
7

 .
Esta solución básica no es factible porque tiene componentes negativas. Por
tanto, no se corresponde con ningún punto extremo de la gráfica.
• Cuarta opción. Elegir la base B = (a2 a3).
xB =


4 1
−1 0


−1 

4
3

 =


0 −1
1 4




4
3

 =


−3
16

 .
Esta solución básica no es factible porque no todas las componentes son
no negativas. Por tanto, no se corresponde con ningún punto extremo de la
gráfica.

2.4. El método simplex 33
• Quinta opción. Elegir la base B = (a2 a4).
xB =


4 0
−1 1


−1 

4
3

 =


1
4
0
1
4
1




4
3

 =


1
4

 .
Esta solución básica es factible y se corresponde con el punto extremo A de
la gráfica.
• Sexta opción. Elegir la base B = (a3 a4).
xB =


1 0
0 1


−1 

4
3

 =


1 0
0 1




4
3

 =


4
3

 .
Esta solución básica es factible y se corresponde con el punto extremo O de
la gráfica.
2
En el ejemplo anterior todos los conjuntos de dos vectores elegidos entre las
columnas de la matriz de coeficientes del sistema son base, por eso se han obtenido
6 soluciones básicas. En algún caso puede ocurrir que los vectores elegidos no
sean linealmente independientes, entonces no formarán una base y no propor-
cionarán una solución básica. De las 6 soluciones básicas calculadas dos de ellas,
la tercera y la cuarta, no se corresponden con puntos extremos porque no son
factibles.
2.4 El método simplex
En la solución gráfica de modelos lineales se ha visto que para los modelos que
tienen solución se pueden dar los siguientes casos: solución óptima única, solu-
ciones óptimas múltiples y solución no acotada. El objetivo de esta sección es
identificar las condiciones asociadas a cada tipo de solución para poder construir
un procedimiento iterativo, el algoritmo simplex, para resolver modelos lineales.
2.4.1 Definiciones y notación
Antes de dar los resultados importantes, vamos a fijar la notación que se utiliza
en todo el desarrollo de la programación lineal. Considerar el modelo lineal en

forma estándar
max z = cT
x
sujeto a
Ax = b
x ≥ 0
Suponer que la matriz A tiene m filas linealmente independientes y n co-
lumnas, con n m. Se elige una base B formada por m columnas de la matriz A
y el resto de columnas forman la matriz N. Para simplificar la notación suponer
que las columnas elegidas para la base son las m primeras columnas de la ma-
triz A. Denotamos por cB y xB las componentes básicas de los vectores c y x
respectivamente. Y denotamos por cN y xN las componentes no básicas de los
correspondientes vectores. Entonces el modelo lineal se puede escribir de la si-
guiente manera:
max z = (cT
B | cT
N )





xB
−
xN





sujeto a
(B | N)





xB
−
xN





= b
xB, xN ≥ 0
Haciendo cálculos se tiene el modelo
max z = cT
BxB + cT
N xN
sujeto a
BxB + NxN = b
xB, xN ≥ 0
• Solución básica. Haciendo xN = 0, se tiene BxB = b y se calcula la
solución básica
xB = B−1
b,

donde
xB =








xB1
xB2
.
.
.
xBm








.
• Valor de la función objetivo. Si cT
B = (cB1, cB2, . . . , cBm), entonces
z = cT
BxB = (cB1, cB2, . . . , cBm)








xB1
xB2
.
.
.
xBm








=
m
X
i=1
cBixBi.
• Vector de coordenadas. Si a1, a2, . . ., an son los vectores columna de la
matriz A, para cada vector se pueden calcular sus coordenadas en función
de la base B. Para ello, se utiliza la siguiente notación:
aj = y1ja1 + y2ja2 + · · · + ymjam =
m
X
i=1
yijai.
El vector de coordenadas de aj es
yj =








y1j
y2j
.
.
.
ymj








y se calcula resolviendo el sistema aj = Byj. Es decir,
yj = B−1
aj.
• Cálculo de zj − cj. La necesidad de este cálculo aparece en los teoremas
posteriores. A este valor se le llama valor indicador. Asociado a cada vector
aj se calcula el escalar zj de la siguiente manera:
zj = cT
Byj = cB1y1j + cB2y2j + · · · + cBmymj =
m
X
i=1
cBiyij.

Ejemplo. Considerar el modelo lineal en forma estándar
max z = 3x1 + 4x2 + 5x3 + 6x4
sujeto a
2x1 + x2 + x3 + 8x4 = 6
x1 + x2 + 2x3 + x4 = 4
x1, x2, x3, x4 ≥ 0
Si consideramos la base formada por las dos primeras columnas de la matriz de
coeficientes del sistema podemos escribir el modelo en forma matricial, separando
la parte básica de la no básica.
max z = (3, 4 | 5, 6)











x1
x2
−
x3
x4











sujeto a


2 1 1 8
1 1 2 1













x1
x2
−
x3
x4











=


6
4


x1, x2, x3, x4 ≥ 0
• Solución básica.
xB = B−1
b =


2 1
1 1


−1 

6
4

 =


2
2

 .

• Valor de la función objetivo. Teniendo en cuenta que cT
B = (3, 4)
z = cT
BxB = (3, 4)


2
2

 = 14.
• Coordenadas de un vector que no sea básico, por ejemplo a4, en función de
la base B.


8
1

 = y14


2
1

 + y24


1
1

 =


2 1
1 1




y14
y24

 .
Resolviendo el sistema se obtienen la coordenadas
y4 =


y14
y24

 =


2 1
1 1


−1 

8
1

 =


7
−6

 .
• Cálculo del valor indicador z4 − c4.
z4 − c4 = cT
By4 − c4 = (3, 4)


7
−6

 = −3 − 6 = −9.
2
2.4.2 Mejora de una solución factible básica
La solución óptima para un modelo lineal se alcanza en una solución factible
básica del conjunto de restricciones del modelo. El siguiente teorema da las
condiciones para ir de una solución factible básica a otra que mejore el valor
de la función objetivo. Comenzando por una solución factible básica, el método
simplex utilizará este teorema para moverse de una solución factible básica a otra
adyacente hasta que no sea posible mejorar el valor de la función objetivo.

Teorema 2.4.1 (Mejora de una solución factible básica) Sea el modelo lineal en
forma estándar
max z = cT
x
sujeto a
Ax = b
x ≥ 0
Sea B una base elegida en la matriz A y sean xB = B−1
b la solución factible
básica asociada y z = cT
BxB el valor de la función objetivo. Si existe un vector aj
de la matriz A que no esté en la base y tal que zj − cj 0 y, para ese vector aj,
alguna de sus coordenadas yij, i = 1, . . ., m, es positiva, entonces existe otra
solución factible básica
∧
xB tal que
∧
z =
∧
c
T
B
∧
xB ≥ z = cT
BxB.
Demostración. Para facilitar la notación podemos suponer que los vectores
de la base B son los m primeros vectores de la matriz A, es decir,
B = (a1, . . . , ar, . . . , am).
Si xB es una solución factible básica, entonces verifica las restricciones del mo-
delo.
xB1a1 + xB2a2 + · · · + xBmam = b =
m
X
i=1
xBiai. (2.2)
Los sumandos del sistema que no aparecen en la ecuación anterior son cero porque
las variables asociadas no son básicas.
Los vectores am+1, . . . , aj, . . . , an no están en la base y se pueden escribir en
combinación lineal de los vectores de B,
aj =
m
X
i=1
yijai , j = m + 1, . . . , n. (2.3)
Para j = m + 1, . . . , n, se tiene que el vector aj 6= 0, por tanto, tiene alguna
componente yij distinta de cero. Supongamos que la componente distinta de cero
del vector aj es yrj. Separando el sumando r en la ecuación (2.3)
aj =
m
X
i=1
i6=r
yijai + yrjar, (2.4)

se puede despejar el sumando r y expresar el vector ar en combinación lineal de
los vectores de
∧
B= (a1, . . . , aj, . . . , am),
ar =
1
yrj
aj −
m
X
i=1
i6=r
yij
yrj
ai.
Como hemos visto en el teorema A.3.2 del Apéndice el conjunto
∧
B es base.
Para calcular la nueva solución básica
∧
xB separamos en la expresión (2.2) el
sumando r,
m
X
i=1
i6=r
xBiai + xBrar = b.
Sustituyendo el vector ar,
m
X
i=1
i6=r
xBiai + xBr[
1
yrj
aj −
m
X
i=1
i6=r
yij
yrj
ai] = b.
Reordenando los sumandos,
m
X
i=1
i6=r
(xBi −
yij
yrj
xBr)ai +
xBr
yrj
aj = b.
En función de
∧
B se ha obtenido un conjunto de m componentes que verifican las
restricciones del modelo lineal y, por tanto, es la nueva solución básica
∧
xB=





xBi − xBr
yij
yrj
xBr
yrj
i 6= r
i = r
(2.5)
Ahora el problema es comprobar en qué condiciones
∧
xB es factible. Para ser
factible debe cumplir que todas las componentes sean mayores o iguales que 0.
Es decir, se tiene que cumplir
1.
∧
xBi= xBi − xBr
yij
yrj
≥ 0, i = 1, . . ., m, i 6= r,

2.
∧
xBr
xBr
yrj
≥ 0.
En primer lugar, dado que yrj 6= 0 y xBr ≥ 0, entonces
xBr
yrj
≥ 0 ⇐⇒ yrj 0.
Para analizar las condiciones que se deben cumplir para que el resto de com-
ponentes de la nueva solución sean no negativas, tengamos en cuenta que xBi ≥
0, xBr ≥ 0 e yrj 0. Entonces, se dan los siguientes casos:
• Si yij 0, entonces se cumple
∧
xBi= xBi − xBr
yij
yrj
≥ 0.
• Si yij = 0, entonces se cumple
∧
xBi= xBi − xBr
yij
yrj
= xBi ≥ 0.
• Si yij 0, entonces
∧
xBi= xBi − xBr
yij
yrj
≥ 0 ⇐⇒
xBi
yij
−
xBr
yrj
≥ 0 ⇐⇒
xBi
yij
≥
xBr
yrj
.
Teniendo en cuenta todas las condiciones, el vector ar que es sustituido en la
base por aj debe cumplir la siguiente condición:
xBr
yrj
= min
i

xBi
yij
/yij 0

. (2.6)
Hasta ahora se ha probado que el vector ar que verifique el criterio (2.6) puede
ser sustituı́do en la base y se obtiene una nueva solución factible básica. Veamos
en qué condiciones la solución
∧
xB es mejor que xB. Es decir, en qué condiciones
se verifica
∧
z=
∧
c
T
B
∧
xB≥ cT
BxB = z.
Calculamos el valor de
∧
z separando el sumando r,
∧
z=
m
X
i=1
∧
cBi
∧
xBi=
m
X
i=1
i6=r
∧
cBi
∧
xBi +
∧
cBr
∧
xBr .

Teniendo en cuenta que para i = 1, . . . , m, i 6= r se tiene
∧
cBi= cBi y que
∧
cBr= cj,
sustituyendo en la fórmula anterior,
∧
z=
m
X
i=1
i6=r
cBi(xBi − xBr
yij
yrj
) + cj
xBr
yrj
= (∗).
Dado que si i = r
cBr(xBr − xBr
yrj
yrj
) = 0,
en el sumatorio se puede quitar la condición i 6= r y se tiene
(∗) =
m
X
i=1
cBi(xBi − xBr
yij
yrj
) + cj
xBr
yrj
.
Haciendo cálculos
∧
z=
m
X
i=1
cBixBi −
xBr
yrj
m
X
i=1
cBiyij + cj
xBr
yrj
= z −
xBr
yrj
(zj − cj).
Se puede concluir que
∧
z= z −
xBr
yrj
(zj − cj). (2.7)
Por tanto,
∧
z≥ z ⇐⇒ −
xBr
yrj
(zj − cj) ≥ 0 ⇐⇒
xBr
yrj
(zj − cj) ≤ 0.
Como xBr ≥ 0 e yrj 0, si zj − cj 0, entonces
∧
z≥ z.
El criterio que debe cumplir un vector aj para entrar en la base a sustituir al
vector ar es tener un valor asociado zj − cj 0. Es usual elegir entre todos los
valores negativos el menor, seleccionando para entrar en la base el vector ak que
cumpla el siguiente criterio:
zk − ck = min
j
{zj − cj/zj − cj 0}. (2.8)
2

2.4.3 Reglas de selección para el cambio de base
El proceso demostrado en el teorema de mejora consiste en elegir una base B,
calcular la solución factible básica asociada y el valor de la función objetivo; a
continuación se elige un vector ak para entrar en la base a sustituir al vector ar
de la base; ası́ se obtiene una nueva base
∧
B que proporciona una solución factible
y tal
∧
z es mayor o igual que z. Las reglas de selección de los vectores son las
siguientes:
1. Regla para elegir el vector que entra en la base. Entra el vector ak tal que
zk − ck = min
j
{zj − cj/zj − cj 0}
Esta regla garantiza que cuando se calcula una nueva solución el nuevo valor
de la función objetivo es mejor, es decir
∧
z≥ z.
2. Regla para elegir el vector que sale de la base. El vector ak sustituye en la
base a un vector ar tal que
xBr
yrk
= min
i

xBi
yik
/yik 0

Esta regla garantiza que la nueva solución es factible, es decir
∧
xB≥ 0.
2.4.4 Fórmulas para el cálculo de
∧
xB y
∧
z
Teniendo en cuenta las anteriores reglas de selección del vector de entrada y de
salida, las fórmulas (2.5) y (2.7) para calcular la nueva solución factible básica y
el nuevo valor de la función objetivo quedan fijadas de la siguiente forma:
1. Cálculo de la nueva solución.
∧
xB=



xBi − xBr
yik
yrk
xBr
yrk
i 6= r
i = r
(2.9)

2. Cálculo del nuevo valor de la función objetivo.
∧
z= z −
xBr
yrk
(zk − ck) (2.10)
Ejemplo. Aplicar el teorema anterior al problema lineal
max z = 4x1 + 5x2 + x3
sujeto a
x1 + x2 + x3 ≤ 8
−x1 − 2x2 + x3 ≤ −2
x1, x2, x3 ≥ 0
El primer paso es obtener la forma estándar del modelo sumando las variables de
holgura x4 y x5 y haciendo todas las componentes del vector b no negativas.
max z = 4x1 + 5x2 + x3 + 0x4 + 0x5
sujeto a
x1 + x2 + x3 +x4 = 8
x1 + 2x2 − x3 −x5 = 2
x1, x2, x3, x4, x5 ≥ 0
Comenzamos eligiendo una base, por ejemplo la formada por las columnas
primera y cuarta de la matriz de coeficientes. Calculamos la solución básica
xB = B−1
b =


1 1
1 0


−1 

8
2

 =


0 1
1 −1




8
2

 =


2
6

 .
Esta solución es factible y, por tanto, pertenece a la región de soluciones. El valor
de la función objetivo es
z = cT
BxB = (4, 0)


2
6

 = 8.
Veamos si el valor de la función objetivo puede mejorar.
Selección del vector de entrada. Calcular los valores z2 −c2, z3 −c3 y z5 −c5
asociados a los vectores no básicos a2, a3 y a5.

• Cálculo de z2 − c2.
a2 =


1
2

 , y2 = B−1
a2 =


0 1
1 −1




1
2

 =


2
−1

 ,
z2 − c2 = cT
By2 − c2 = (4, 0)


2
−1

 − 5 = 3 0.
a3 =


1
−1

 , y3 = B−1
a3 =


0 1
1 −1




1
−1

 =


−1
2

 ,
z3 − c3 = (4, 0)


−1
2

 − 1 = −5 0 → Puede mejorar.
• Calculo de z5 − c5.
a5 =


0
−1

 , y5 = B−1
a5 =


0 1
1 −1




0
−1

 =


−1
1

 ,
z5 − c5 = (4, 0)


−1
1

 − 0 = −4 0 → Puede mejorar.
Tenemos dos opciones para mejorar el valor de la función objetivo: el vector
a3 y el vector a5. Se elige el que debe entrar en la base utilizando la regla de
entrada
zk − ck = min
j
{zj − cj / zj − cj 0} =
= min{z3 − c3 = −5 , z5 − c5 = −4} = −5.
Entra en la base el vector a3.
Selección del vector de salida. Para determinar el vector que debe salir de la
base, tenemos en cuenta el vector de coordenadas y3 y el vector solución xB:
y3 =


y13
y23

 =


−1
2

 , xB =


xB1
xB2

 =


2
6

 .

Sale de la base el vector ar que verifique la regla de salida,
xBr
yr3
= min
i

xBi
yi3
/ yi3 0

= min

xB2
y23
=
6
2

= 3.
Se elige para salir el segundo vector de la base, es decir, a4. Cambia la base, la
solución básica y el valor objetivo.
• Calculamos la nueva solución con la fórmula (2.9).
∧
xB1= xB1 − xB2
y13
y23
= 2 − 6

−
1
2

= 5,
∧
xB2=
xB2
y23
=
6
2
= 3.
• Calculamos el valor de la función objetivo con la fórmula (2.10).
∧
z= z −
xB2
y23
(z3 − c3) = 8 −
6
2
(−5) = 23.
La nueva solución
∧
xB es factible y mejora el valor de la función objetivo. El
teorema se puede aplicar nuevamente (nueva iteración) y repetir hasta que todos
los valores zj −cj sean no negativos. Cuando se cumple esa condición la solución
es óptima; esta condición se recoge en el siguiente teorema. 2
Teorema 2.4.2 (Condiciones de optimalidad). Sea el problema lineal en forma
estándar
max z = cT
x
sujeto a
Ax = b
x ≥ 0
BxB el valor de la función objetivo. Si para todos los
vectores aj de la matriz A los valores zj − cj son mayores o iguales que cero,
entonces xB es solución factible básica óptima para el problema.

2.4.5 Solución óptima no acotada
Como observamos en la solución gráfica, en algunos casos el valor óptimo de la
función objetivo no es finito. Las condiciones para que la solución sea no acotada
son las del siguiente teorema.
Teorema 2.4.3 Sea el problema lineal en forma estándar
max z = cT
x
sujeto a
Ax = b
x ≥ 0
BxB el valor de la función objetivo. Si existe un vector ak
en la matriz A, tal que zk − ck 0 y, para ese vector ak, todas las coordenadas
yik, i = 1, . . . , m, son menores o iguales que cero, entonces la solución del
modelo es no acotada.
Demostración. Sea xB una solución factible básica. Por ser solución verifica las
restricciones del problema
xB1a1 + xB2a2 + · · · + xBmam = b. (2.11)
Si existe ak tal que zk − ck 0, es posible mejorar el valor de la función objetivo.
Pero, dado que yik ≤ 0 para todo i = 1, . . ., m, no es posible sustituir ningún
vector de la base para obtener una nueva solución básica que sea factible. Sin
embargo, se puede dar una solución (no básica) factible que da a z un valor que
tiende a infinito, es decir, el valor de la función objetivo será no acotado.
En la fórmula 2.11 se puede sumar y restar θak, siendo θ cualquier valor real
positivo. Se obtiene
xB1a1 + xB2a2 + · · · + xBmam − θak + θak = b,
m
X
i=1
xBiai − θak + θak = b. (2.12)
ak es un vector que no está en B y se puede escribir como combinación lineal de
los vectores de B,
ak =
m
X
i=1
yikai.

Sustituyendo en la ecuación (2.12) el vector ak por su expresión en función de la
base, la solución se puede escribir de la forma
m
X
i=1
xBiai − θ
m
X
i=1
yikai + θak = b.
Haciendo cálculos m
X
i=1
(xBi − θyik)ai + θak = b.
Ası́, se obtiene la siguiente solución que depende de m + 1 vectores y, por tanto,
es una solución no básica.
∧
x=























xB1 − θy1k
xB2 − θy2k
.
.
.
xBm − θymk
0
.
.
.
θ
.
.
.
0























. (2.13)
Teniendo en cuenta que xBi ≥ 0, yik ≤ 0 para i = 1, . . ., m y que θ 0
xBi − θyik ≥ 0 , i = 1, . . . , m.
y, por tanto, la solución es factible. El valor de la función objetivo en esa solución
∧
z=
m
X
i=1
cBi(xBi − θyik) + ckθ =
m
X
i=1
cBixBi − θ
m
X
i=1
cBiyik + ckθ =
= z − θzk + θck = z − θ(zk − ck).
Como zk − ck 0,
∧
z crece en función de θ y la solución óptima del problema es
no acotada. 2

Ejemplo. Calcular la solución del problema
max z = −3x1 + 2x2
sujeto a
x1 − x2 ≤ 5
2x1 − 3x2 ≤ 10
x1, x2 ≥ 0
La forma estándar
max z = −3x1 + 2x2 + 0x3 + 0x4
sujeto a
x1 −x2 +x3 = 5
2x1 −3x2 +x4 = 10
x1, x2, x3, x4 ≥ 0
Elegimos la base B = (a3 a4) y calculamos la solución básica
xB = B−1
b =


5
10

 .
Esta solución es factible y el valor de la función objetivo es
z = cT
BxB = (0, 0)


5
10

 = 0.
Aplicamos el teorema de mejora.
a1 =


1
2

 , y1 = B−1
a1 =


1 0
0 1




1
2

 =


1
2

 ,
z1 − c1 = cT
By1 − c1 = (0, 0)


1
2

 − (−3) = 3.

a2 =


−1
−3

 , y2 = B−1
a2 =


1 0
0 1




−1
−3

 =


−1
−3

 ,
z2 − c2 = cT
By2 − c2 = (0, 0)


−1
−3

 − 2 = −2.
Aplicando la regla de selección,
min
j
{zj − cj/zj − cj 0} = min{z2 − c2 = −2} = −2,
se elige para entrar en la base el vector a2.
Para elegir el vector de salida vemos que todas las coordenadas del vector y2
son negativas y, por tanto, ningún vector puede salir de la base. Se cumplen las
condiciones del Teorema 2.4.3 y la solución es no acotada.
Como el problema tiene sólo dos variables originales, podemos resolverlo
gráficamente para observar que la solución es no acotada.
x1
x2
x1 − x2 = 5
2x1 − 3x2 = 10
max
2

2.4.6 Soluciones óptimas múltiples
En la solución gráfica hemos visto que puede existir más de una solución óptima
para el problema; se dice que el problema tiene soluciones óptimas múltiples u
óptimos alternativos. Este tipo de soluciones se puede encontrar para variables
acotadas, o para variables no acotadas.
En los siguientes teoremas se dan las condiciones de existencia de óptimos
múltiples.
max z = cT
x
sujeto a
Ax = b
x ≥ 0
BxB el valor de la función objetivo. Si para todo vector
aj de la matriz A se verifica que zj − cj ≥ 0, entonces xB es solución óptima.
Si, además, existe un vector ak no perteneciente a la base tal que zk − ck = 0 y
alguna coordenada yik 0, i = 1, . . . , m, entonces existen soluciones óptimas
múltiples.
Demostración. Sea xB una solución factible básica. Dado que para todo aj ∈ A
se verifica que zj −cj ≥ 0, por el Teorema 2.4.2 podemos decir que xB es óptima.
Si existe ak que no pertenece a la base B y tal que zk − ck = 0 y, para ese k
existe yrk 0, entonces ak puede entrar en la base y sustituir a ar que verifica
xBr
yrk
= min
i

xBi
yik
/yik 0

.
Se tiene una nueva base
∧
B y una nueva solución factible básica
∧
xB.
El valor de la función objetivo en la nueva solución
∧
z= z −
xBr
yrk
(zk − ck) = z − 0 = z.
Por tanto,
∧
xB es también óptima, dado que el valor de la función objetivo es el
mismo que el obtenido en xB. 2

max z = cT
x
sujeto a
Ax = b
x ≥ 0
Sean x1, . . . , xp soluciones factibles básicas óptimas. Entonces las combina-
ciones lineales convexas generalizadas son soluciones factibles óptimas.
Demostración. Sea x el vector de todas las combinaciones lineales convexas.
x =
p
X
i=1
µixi , µi ≥ 0, i = 1, . . . , p ,
p
X
i=1
µi = 1.
Probemos que x es solución, factible y óptima.
1. x es solución.
Dado que xi, i = 1, . . ., p, es solución, se verifica Axi = b. Entonces,
Ax = A
p
X
i=1
µixi
!
=
p
X
i=1
µiAxi = b
p
X
i=1
µi = b.
Por tanto, x es solución.
2. x es factible.
Por ser xi ≥ 0 y µi ≥ 0, i = 1, . . ., p, entonces
x =
p
X
i=1
µixi ≥ 0.
Por tanto, x es factible.
3. x es óptima.
Se tiene que xi, i = 1, . . . , p, es óptima, es decir, z∗
= cT
xi. Entonces,
cT
x = cT
p
X
i=1
µixi =
p
X
i=1
µicT
xi = z∗
p
X
i=1
µi = z∗
.
Por tanto, x es óptima. 2

En las condiciones del Teorema 2.4.4 y del Teorema 2.4.5, se obtienen solu-
ciones óptimas múltiples con variables acotadas pero, pueden existir soluciones
óptimas múltiples para valores no acotados de las variables y que den a la función
objetivo un valor acotado. El siguiente teorema da las condiciones en las que se
obtienen ese tipo de soluciones al aplicar el teorema de mejora.
max z = cT
x
sujeto a
Ax = b
x ≥ 0
BxB el valor de la función objetivo. Si para todo vector
aj de la matriz A se verifica que zj − cj ≥ 0, entonces la solución xB es óptima.
Si existe un vector ak que no esté en la base tal que zk − ck = 0 y todas sus
coordenadas yik, i = 1, . . . , m, son menores o iguales que cero, entonces existen
soluciones óptimas múltiples con valores no acotados para las variables.
Demostración. Las soluciones se calculan como en el Teorema 2.4.3 y son
del tipo (2.13).
De la misma forma que en el mencionado teorema el valor de la función obje-
tivo es
∧
z= z − θ(zk − ck).
En este caso como zk − ck = 0, se cumple
∧
z= z. En estas condiciones las
soluciones del tipo
∧
x obtenidas como en el Teorema 2.4.3 son óptimas. 2
2.4.7 Solución factible básica inicial
Para dar la solución óptima de un modelo lineal en forma estándar, comenzaremos
con una solución factible básica. Si se elige como primera base B = I, la solución
factible básica asociada se calcula fácilmente dado que B−1
= B = I. Una vez
calculada la primera solución se aplica el Teorema de mejora hasta que se verifican
las condiciones de optimalidad dadas en el Teorema 2.4.2.
Para elegir como primera base B = I se pueden dar dos casos.

Caso 1. Primera base formada por variables de holgura.
Si el modelo inicial es
max z = cT
x
sujeto a
Ax ≤ b
x ≥ 0
con b ≥ 0, para escribirlo en forma estándar sumamos un vector y de
variables de holgura.
max z = cT
x + 0T
y
sujeto a
Ax + Iy = b
x, y ≥ 0
Ası́ podemos elegir la base B = I. Entonces, B−1
= I y hacemos los
cálculos correspondientes a esta base.
• Cálculo de la solución.
xB = B−1
b = Ib = b ≥ 0.
La solución es factible.
• Valor de la función objetivo.
z = cT
BxB = 0T
xB = 0.
• Para todos los vectores aj de la matriz A se realizan los siguientes
cálculos:
– Vector de coordenadas.
yj = B−1
aj = Iaj = aj.
– Cálculo de zj − cj. Por ser todos los vectores de la base elegida
B de holgura, el vector cT
B = 0.
zj − cj = cT
Byj − cj = 0 − cj = −cj.

La ventaja de elegir como primera base la canónica es que los cálculos aso-
ciados a esta primera base coinciden con los parámetros del problema.
max z = 2x1 + 3x2
sujeto a
3x1 + x2 ≤ 2
x1 − x2 ≤ 3
x1, x2 ≥ 0
Sumando variables de holgura, la forma estándar del modelo es
max z = 2x1 + 3x2 + 0x3 + 0x4
sujeto a
3x1 + x2 +x3 = 2
x1 − x2 +x4 = 3
x1, x2, x3, x4 ≥ 0
Elegimos B = (a3 a4) = I.
• Cálculo de la solución.
xB = B−1
b = I


2
3

 =


2
3

 .
La solución es factible.
• Cálculo del valor de la función objetivo.
z = cT
BxB = (0, 0)


2
3

 = 0.

• Calculo de los vectores de coordenadas yj y de zj − cj para todos los
vectores de la matriz A.
a1 =


3
1

 → y1 = B−1
a1 =


1 0
0 1




3
1

 =


3
1

 ,
z1 − c1 = cT
By1 − c1 = (0, 0)


3
1

 − 2 = −2.
a2 =


1
−1

 → y2 = B−1
a2 =


1 0
0 1




1
−1

 =


1
−1

 ,
z2 − c2 = cT
By2 − c2 = (0, 0)


1
−1

 − 3 = −3.
a3 =


1
0

 → y3 = B−1
a3 =


1 0
0 1




1
0

 =


1
0

 ,
z3 − c3 = cT
By3 − c3 = (0, 0)


1
0

 − 0 = 0.
a4 =


0
1

 → y4 = B−1
a4 =


1 0
0 1




0
1

 =


0
1

 ,
z4 − c4 = cT
By4 − c4 = (0, 0)


0
1

 − 0 = 0.
2
Caso 2. Variables artificiales en la base inicial
Si el modelo tiene restricciones con igualdad o restricciones del tipo ≥ y
con la componente del vector b no negativa, entonces no es posible obtener

como primera base la canónica formada por vectores de holgura. Para re-
solver este inconveniente y poder elegir como primera base la canónica uti-
lizaremos variables auxiliares, a las que se les da el nombre de variables
artificiales. Lo vemos en el siguiente ejemplo.
max z = 3x1 + x2
sujeto a
x1 + x2 ≤ 3
x1 + 2x2 ≥ 2
x1, x2 ≥ 0
Para obtener la forma estándar sumamos y restamos a la primera y segunda
restricciones, respectivamente, las variables de holgura x3 y x4.
max z = 3x1 + x2 + 0x3 + 0x4
sujeto a
x1 + x2 +x3 = 3
x1 + 2x2 −x4 = 2
x1, x2, x3, x4 ≥ 0
No podemos elegir en la matriz de coeficientes del sistema la identidad. Para
poder hacerlo sumaremos tantas variables artificiales como sean necesarias.
En este caso si sumamos a la segunda restricción la variable artificial w1 ≥
0, las restricciones son
x1 + x2 +x3 = 3
x1 + 2x2 −x4 + w1 = 2
Ası́ podemos elegir la base canónica B = (a3 aw1) y la solución asociada
es factible.
xB = B−1
b =


1 0
0 1




3
2

 =


3
2

 .
El vector xB no es solución para el problema inicial porque w1 = 2 0 y, por
tanto, la restricción x1 + 2x2 − x4 = 2 no se verifica. 2

2.4.8 Tabla del método simplex
Una forma ordenada de proceder para calcular la solución óptima de un modelo
lineal en forma estándar es recoger los cálculos asociados a cada base en una tabla,
llamada Tabla del simplex. El proceso siempre empieza eligiendo la base canónica
en la matriz de coeficientes A. Si una vez obtenida la forma estándar no es posible
elegir la base canónica formada por variables de holgura se añaden tantas variables
artificiales como sean necesarias. La tabla del simplex es la siguiente:
Variables originales Variables auxiliares
x1 . . . xn xn+1 . . . xj . . .
z1 − c1 . . . zn − cn zn+1 − cn+1 . . . zj − cj . . . z
cB1 aB1 y11 . . . y1n y1,n+1 . . . y1,j . . . xB1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
cBi aBi yi1 . . . yin yi,n+1 . . . yi,j . . . xBi
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
cBm aBm ym1 . . . ymn ym,n+1 . . . ym,j . . . xBm
• Sobre la tabla se tienen las variables originales del modelo, x1, . . . , xn y las
de holgura y/o artificiales que se han añadido al modelo xn+1, . . . , xj, . . . ,.
• En la primera columna los vectores básicos: aB1, . . . , aBi, . . . , aBm. Fuera
de la tabla están las componentes básicas de c: cB1, . . . , cBi, . . . , cBm.
• En el resto de las columnas aparecen las coordenadas yj de todos los vec-
tores aj del modelo en función de la base.
• La última columna de la tabla contiene las componentes de la solución
factible básica: xB1, . . ., xBi, . . . , xBm.
• En la primera fila los valores indicadores zj − cj. El último valor de la fila,
z, es el valor de la función objetivo.
Ejemplo. Para el ejemplo de la página 54 escrito en forma estándar, la tabla
del simplex asociada a la base canónica es la siguiente:

x1 x2 x3 x4
−2 −3 0 0 0
0 a3 3 1 1 0 2
0 a4 1 −1 0 1 3
2
Si, como en el ejemplo, sólo se utilizan variables de holgura para obtener la
primera base, la tabla del método simplex se puede escribir en función de B de la
siguiente manera:
x1 x2 . . . xn xn+1 xn+2 . . . xn+m
cT
BB−1
A − cT
cT
BB−1
cT
BxB
cB B B−1
A B−1
xB
En la primera tabla B−1
= I. Pero, sea cual sea la base para la que se estén
haciendo los cálculos, en esas mismas columnas (las correspondientes a la ma-
triz identidad de la primera tabla) siempre se encuentra la matriz B−1
de la base
correspondiente a la tabla. Si, como en el ejemplo anterior, la primera base está
formada por variables de holgura, B−1
se encuentra donde se expresa en la tabla
anterior. En el caso de utilizar variables artificiales, hay que identificar las colum-
nas que proporcionan B−1
.
2.5 Método de penalización
Este método se debe utilizar cuando en la forma estándar no es posible elegir
como primera base la canónica. Para resolver este problema se añaden variables
artificiales como hemos visto en el ejemplo de la página 56.
Las variables artificiales en las restricciones cambian la formulación original
del problema. Una solución para el problema con variables artificiales no será
solución del problema original si alguna variable artificial es mayor que cero.
Para evitar la existencia de este tipo de variables en la base óptima es necesario

2.5. Método de penalización 59
penalizar la función objetivo. Esta penalización debe asegurar que el valor de la
función objetivo será muy desfavorable si alguna variable artificial es positiva.
max z = −5x1 + 6x2 + 7x3
sujeto a
2x1 + 10x2 − 6x3 ≥ 30
5
2
x1 − 3x2 + 5x3 ≤ 10
2x1 + 2x2 + 2x3 = 5
x1, x2, x3 ≥ 0
La forma estándar sumando las variables artificiales necesarias para obtener la
matriz identidad y penalizando la función objetivo es la siguiente:
max z = −5x1 + 6x2 + 7x3 + 0x4 + 0x5 − Mw1 − Mw2
sujeto a
2x1 + 10x2 − 6x3 −x4 +w1 = 30
5
2
x1 − 3x2 + 5x3 +x5 = 10
2x1 + 2x2 + 2x3 +w2 = 5
x1, x2, x3, x4, x5, w1, w2 ≥ 0
Para obtener B = I se han añadido 2 variables artificiales, w1, w2 y se ha
penalizado la función objetivo con M positivo y todo lo grande que sea necesario.
La base canónica inicial es B = (aw1 a5 aw2 ) y el vector cT
B = (−M, 0, −M).
La tabla para este ejemplo es la siguiente:
x1 x2 x3 x4 x5 w1 w2
−4M + 5 −12M − 6 4M − 7 M 0 0 0 −35M
−M aw1 2 10 −6 −1 0 1 0 30
0 a5
5
2
−3 5 0 1 0 0 10
−M aw2 2 2 2 0 0 0 1 5
2

2.6 Algoritmo simplex
Consideremos un problema escrito en forma estándar de maximización, con las
variables artificiales que sean necesarias, para poder elegir como primera base
B = I.
Paso 1. Construir la tabla inicial.
Paso 2.
• Si existe zj −cj 0, entonces la solución se puede mejorar. Ir al Paso
4.
• Si para todo vector aj de la matriz A se cumple zj − cj ≥ 0, entonces
no se puede mejorar. Ir al Paso 3.
Paso 3.
• Si en la base hay alguna variable artificial con valor positivo 1
, el pro-
blema es infactible. Parar.
• Si no hay variables artificiales en la base, la solución xB de la tabla es
óptima.
* Si para todos los vectores aj de la matriz A que no están en la
base se cumple zj − cj 0, entonces xB es solución óptima
única. Parar.
* Si existe un vector ak de la matriz A que no está en la base tal
que zk − ck = 0 y, para ese vector, alguna coordenada yik, i =
1, . . ., m, es mayor que cero, entonces se puede calcular una nueva
solución factible básica óptima. Ir al Paso 5.
* Si existe un vector ak en la matriz A que no está en la base tal
que zk − ck = 0 y, para ese vector, yik ≤ 0, i = 1, . . . , m,
entonces el problema tiene soluciones óptimas múltiples, pero
no son soluciones básicas. Parar.
1
Si no hay variables artificiales con valor positivo y hay alguna variable artificial con valor 0 se
pueden dar dos casos: solución degenerada o ecuaciones redundantes. (Ver ejemplos en la página
79)

2.6. Algoritmo simplex 61
Paso 4.
• Si existe un vector aj tal que zj −cj 0 y su vector de coordenadas yj
no tiene componentes positivas, entonces la solución es no acotada.
Parar.
• Si existe un vector aj tal que zj − cj 0 y para ese vector alguna
coordenada yij es mayor que cero, ir al paso 5.
Paso 5. Selección de la nueva base.
• Entra en la base el vector ak que cumple
zk − ck = min
j
{zj − cj/zj − cj ≤ 0}.
La columna k es la columna pivote.
• Sale de la base el vector ar que cumple
xBr
yrk
= min
i

xBi
yik
/yik 0

.
La fila r es la fila pivote.
Pivote: yrk, pertenece a la columna pivote y a la fila pivote.
Paso 6. Calcular la nueva tabla
• La fila r de la nueva tabla se calcula dividiendo la fila r de la tabla
actual por el pivote yrk.
• Para i = 1, . . . , m, i 6= r, nueva fila i= fila i actual− mi × fila pivote.
El multiplicador mi = yik
yrk
, i = 1, . . . , m, i 6= r
• Nueva fila de indicadores= fila de indicadores actual− m0 × fila pivo-
te. El multiplicador para esta fila es m0 = zk−ck
yrk
.
Ir al Paso 2.
En el caso de que el problema tenga óptimos múltiples se calcularán las nuevas
bases óptimas hasta que no se repitan las ya calculadas.

2.7 Solución de modelos lineales
Ejemplo 1. Solución óptima única.
max z = 6x1 + 4x2 + 5x3 + 5x4
sujeto a
x1 + x2 + x3 + x4 ≤ 3
2x1 + x2 + 4x3 + x4 ≤ 4
x1 + 2x2 − 2x3 + 3x4 ≤ 10
x1, x2, x3, x4 ≥ 0
La forma estándar del modelo es
max z = 6x1 + 4x2 + 5x3 + 5x4 + 0x5 + 0x6 + 0x7
sujeto a
x1 + x2 + x3 + x4 +x5 = 3
2x1 + x2 + 4x3 + x4 +x6 = 4
x1 + 2x2 − 2x3 + 3x4 +x7 = 10
x1, x2, x3, x4, x5, x6, x7 ≥ 0
Elegimos la base canónica B = (a5 a6 a7). Hemos visto en el ejemplo de la
página 54 que los cálculos asociados a esta base coinciden con los parámetros del
modelo y son los que se recogen en la primera tabla. La segunda y tercera tablas
corresponden a las dos iteraciones necesarias para obtener la solución óptima. El
pivote aparece recuadrado y los multiplicadores fuera de la tabla a la derecha.

2.7. Solución de modelos lineales 63
x1 x2 x3 x4 x5 x6 x7
−6 −4 −5 −5 0 0 0 0 m0 = −3
0 a5 1 1 1 1 1 0 0 3 m1 = 1
2
0 a6 2 1 4 1 0 1 0 4
0 a7 1 2 −2 3 0 0 1 10 m3 = 1
2
0 −1 7 −2 0 3 0 12 m0 = −4
0 a5 0 1
2
−1 1
2
1 −1
2
0 1
6 a1 1 1
2
2 1
2
0 1
2
0 2 m2 = 1
0 a7 0 3
2
−4 5
2
0 −1
2
1 8 m3 = 5
0 1 3 0 4 1 0 16
5 a4 0 1 −2 1 2 −1 0 2
6 a1 1 0 3 0 −1 1 0 1
0 a7 0 −1 1 0 −5 2 1 3
Observamos que zj −cj ≥ 0 para todos los vectores aj de la matriz A. Han ter-
minado las iteraciones del algoritmo simplex. El problema tiene solución óptima
única.
x∗
1 = 1, x∗
2 = 0, x∗
3 = 0, x∗
4 = 2, x∗
5 = 0, x∗
6 = 0, x∗
7 = 3 y z∗
= 16.
A continuación se detallan los cálculos de cada iteración.
Primera iteración.
En la primera tabla existen valores indicadores negativos y, por tanto, la solución
puede mejorar.
• Vector ak que entra en la base. zk − ck = min
j
{zj − cj/zj − cj ≤ 0},
min{−6, −4, −5, −5} = −6 = z1 − c1 → a1 entra.

• Vector ar que sale.
xBr
yr1
= min
i

xBi
yi1
/yik 0

,
min

3
1
,
4
2
,
10
1

= min{3, 2, 10} = 2 =
xB1
y21
→ a6 sale.
• El pivote es y21 = 2.
Los cálculos necesarios para obtener la segunda tabla, es decir, la asociada
a la nueva base B = (a5 a1 a7) son los siguientes:
• Nueva fila 2: fila 2 dividida por el pivote.
1
2
(2, 1, 4, 1, 0, 1, 0, 4) = (1,
1
2
, 2,
1
2
, 0,
1
2
, 0, 2).
• Nueva fila 1: fila 1 − fila pivote × m1. En este caso es m1 =
y11
y21
=
1
2
.
(1 , 1 , 1 , 1 , 1 , 0 , 0 , 3) −
1
2
(2 , 1 , 4 , 1 , 0 , 1 , 0 , 4) =
= (0 ,
1
2
, −1 ,
1
2
, 1 , −
1
2
, 0 , 1).
• Nueva fila 3: fila 3 − fila pivote × m3. En este caso es m3 =
y31
y21
=
1
2
.
(1 , 2 , −2 , 3 , 0 , 0 , 1 , 10) −
1
2
(2 , 1 , 4 , 1 , 0 , 1 , 0 , 4) =
= (0 ,
3
2
, −4 ,
5
2
, 0 , −
1
2
, 1 , 8).
• Nueva fila de indicadores: fila de indicadores − fila pivote × m0. En este
caso es m0 =
z1 − c1
y21
= −
6
2
= −3.
(−6 , −4 , −5 , −5 , 0 , 0 , 0 , 0) − (−3)(2 , 1 , 4 , 1 , 0 , 1 , 0 , 4) =
= (0 , −1 , 7 , −2 , 0 , 3 , 0 , 12).

Segunda iteración.
En la segunda tabla existen valores indicadores negativos y, por tanto, la solución
puede mejorar. Los cálculos se hacen como en la iteración anterior.
• Vector que entra:
min{−1, −2} = −2 = z4 − c4 → entra a4.
• Vector que sale:
min{1 :
1
2
, 2 :
1
2
, 8 :
5
2
} = min{2, 4,
16
5
} = 2 =
xB1
y14
→ sale a5.
• El pivote es y14 =
1
2
.
• Nueva fila 1:
2(0 ,
1
2
, −1 ,
1
2
, 1 , −
1
2
, 0 , 1) = (0 , 1 , −2 , 1 , 2 , −1 , 0 , 2).
• Nueva fila 2. Multiplicador: m2 =
y24
y14
= 1,
(1 ,
1
2
, 2 ,
1
2
, 0 ,
1
2
, 0 , 2) − 1(0 ,
1
2
, −1 ,
1
2
, 1 , −
1
2
, 0 , 1) =
= (1 , 0 , 3 , 0 , −1 , 1 , 0 , 1).
• Nueva fila 3. Multiplicador: m3 =
y34
y14
= 5,
(0 ,
3
2
, −4 ,
5
2
, 0 , −
1
2
, 1 , 8) − 5(0 ,
1
2
, −1 ,
1
2
, 1 , −
1
2
, 0 , 1) =
= (0 , −1 , 1 , 0 , −5 , 2 , 1 , 3).
• Nueva fila de indicadores. Multiplicador: m0 =
z4 − c4
y14
= −4,
(0 , −1 , 7 , −2 , 0 , 3 , 0 , 12) + 4(0 ,
1
2
, −1 ,
1
2
, 1 , −
1
2
, 0 , 1) =
= (0 , 1 , 3 , 0 , 4 , 1 , 0 , 16).
2

Ejemplo 2. Problema infactible. Ejemplo de la página 59.
max z = −5x1 + 6x2 + 7x3 + 0x4 + 0x5 − Mw1 − Mw2
sujeto a
2x1 + 10x2 − 6x3 −x4 +w1 = 30
5
2
x1 − 3x2 + 5x3 +x5 = 10
2x1 + 2x2 + 2x3 +w2 = 5
x1, x2, x3, x4, x5, w1, w2 ≥ 0
x1 x2 x3 x4 x5 w1 w2
−4M + 5 −12M − 6 4M − 7 M 0 0 0 −35M m0 = −12M−6
2
−M aw1 2 10 −6 −1 0 1 0 30 m1 = 5
0 a5
5
2 −3 5 0 1 0 0 10 m2 = −3
2
−M aw2 2 2 2 0 0 0 1 5
8M + 11 0 16M − 1 M 0 0 6M + 3 −5M + 15
−M aw1 −8 0 −16 −1 0 1 −5 5
0 a5
11
2 0 8 0 1 0 3
2
35
2
6 a2 1 1 1 0 0 0 1
2
5
2
Se observa en la tabla que zj − cj ≥ 0 para todos los vectores aj de la matriz
A. Las iteraciones del algoritmo simplex han finalizado y se puede concluir que
el problema original no tiene solución porque hay una variable artificial en la
base óptima con valor positivo, w1 = 5. 2

Ejemplo 3. Soluciones óptimas múltiples.
min z = 3x1 + 6x2
sujeto a
x1 + 2x2 ≥ 4
x1 + x2 ≤ 5
3x1 + 4x2 ≥ 10
x1, x2 ≥ 0
El problema en forma estándar de maximización y añadiendo las variables artifi-
ciales necesarias es
max (−z) = −3x1 − 6x2 + 0x3 + 0x4 + 0x5 − Mw1 − Mw2
sujeto a
x1 +2x2 −x3 +w1 = 4
x1 +x2 +x4 = 5
3x1 +4x2 −x5 +w2 = 10
x1, x2, x3, x4, x5, w1, w2 ≥ 0
En la solución gráfica podemos ver que el problema tiene soluciones óptimas
múltiples.
000
000
111
111
000
000
111
111
x1
x2
x1 + 2x2 = 4
x1 + x2 = 5
3x1 + 4x2 = 10
A
B
min

x1 x2 x3 x4 x5 w1 w2
−4M + 3 −6M + 6 M 0 M 0 0 −14M m0 = −6M+6
2
−M aw1 1 2 −1 0 0 1 0 4
0 a4 1 1 0 1 0 0 0 5 m2 = 1
2
−M aw2 3 4 0 0 −1 0 1 10 m3 = 2
−M 0 −2M + 3 0 M 3M − 3 0 −2M − 12 m0 = −2M+3
2
−6 a2
1
2
1 −1
2
0 0 1
2
0 2 m1 = −1
4
0 a4
1
2
0 1
2
1 0 −1
2
0 3 m2 = 1
4
−M aw2 1 0 2 0 −1 −2 1 2
−3
2
0 0 0 3
2
M M − 3
2 −15 m0 = −15
−6 a2
3
4
1 0 0 −1
4
0 1
4
5
2
m1 = 3
2
0 a4
1
4
0 0 1 1
4
0 −1
4
5
2
m2 = 1
2
0 a3
1
2
0 1 0 −1
2
−1 1
2
1
0 0 3 0 0 M − 3 M −12 m0 = 0
−6 a2 0 1 −3
2
0 1
2
3
2
−1
2
1
0 a4 0 0 −1
2
1 1
2
1
2
−1
2
2 m2 = 1
−3 a1 1 0 2 0 −1 −2 1 2 m3 = −2
En la última tabla se tiene zj − cj ≥ 0 para todos los vectores de la matriz del
sistema; no hay variables artificiales en la base óptima y, por tanto, en la tabla se
tiene una solución factible básica óptima para el problema. Una solución óptima:
x∗
1 = 2, x∗
2 = 1, x∗
3 = 0, x∗
4 = 2, x∗
5 = 0, z∗
= 12.
Esta solución corresponde al punto A de la gráfica.
Este problema tiene soluciones óptimas múltiples porque z5 − c5 = 0. Una
nueva iteración nos proporciona la siguiente tabla óptima.

x1 x2 x3 x4 x5 w1 w2
0 0 3 0 0 M − 3 M −12
0 a5 0 2 −3 0 1 3 −1 2
0 a4 0 −1 1 1 0 −1 0 1
−3 a1 1 2 −1 0 0 1 0 4
Nueva solución óptima:
x∗
1 = 4, x∗
2 = 0, x∗
3 = 0, x∗
4 = 1, x∗
5 = 2, z∗
= 12.
Esta solución corresponde al punto B de la gráfica. Los puntos del segmento que
unen A y B son también soluciones óptimas.
2
Ejemplo 4. Solución no acotada.
max z = x1 − 3x2
sujeto a
2x1 + 2x2 ≥ 4
−4x1 − 2x2 ≤ −6
x1, x2 ≥ 0
Forma estándar con penalización
max z = x1 − 3x2 + 0x3 + 0x4 − Mw1 − Mw2
sujeto a
2x1 + 2x2 −x3 +w1 = 4
4x1 + 2x2 −x4 +w2 = 6
x1, x2, x3, x4, w1, w2 ≥ 0
Las tres iteraciones del método simplex necesarias para obtener la solución
son las siguientes

x1 x2 x3 x4 w1 w2
−6M − 1 −4M + 3 M M 0 0 −10M
−M aw1 2 2 −1 0 1 0 4 1
2
−M aw2 4 2 0 −1 0 1 6
0 −M + 7
2 M −1
2 M − 1
4 0 3
2 M + 1
4 −M + 3
2
−M aw1 0 1 −1 1
2
1 −1
2
1
1 a1 1 1
2
0 −1
4
0 1
4
3
2
1
2
0 0 7
2
−2 M − 7
2 M + 2 −2
−3 a2 0 1 −1 1
2
1 −1
2
1
1 a1 1 0 1
2
−1
2
−1
2
1
2
1 −1
0 4 −1
2
0 M + 1
2 M 2
0 a4 0 2 −2 1 2 −1 2
1 a1 1 1 −1
2
0 1
2
0 2
z3 − c3 0 y todas las coordenadas yi3 ≤ 0. La solución es no acotada.
x1
x2
2x1 + 2x2 = 4
−4x1 − 2x2 = −6
max
2

2.8. El método de las dos fases 71
2.8 El método de las dos fases
Este método es análogo al método de penalización. Se utiliza, también, cuando
es necesario el uso de variables artificiales para la primera base B = I. Si el
problema tiene solución se trata de obtener una tabla en la que se cumplan las
condiciones de optimalidad y en la que no haya vectores artificiales en la base.
En el método de penalización ésto se consigue penalizando la función objetivo,
y en el de las dos fases minimizando la suma de las variables artificiales en una
primera fase del método.
1. Primera fase En esta primera fase se tienen en cuenta las restricciones del
problema pero, en lugar de utilizar la misma función objetivo se optimiza
la suma de las variables artificiales. El objetivo será minimizar esta función
y el mı́nimo, si el problema original tiene solución, debe ser cero. Para
obtener la solución en esta primera fase se utiliza el algoritmo simplex que
puede conducir a una de las dos siguientes posibilidades:
• Si el valor de la función objetivo de esta primera fase es mayor que
cero, entonces el problema inicial no tiene solución.
• En caso contrario, existe solución y para calcularla se continúa en la
segunda fase.
2. Segunda fase En esta segunda fase la función objetivo que se optimiza
es la del problema inicial partiendo de la tabla óptima de la primera fase.
En esa tabla óptima sólo cambia la fila de indicadores. Una vez calculada
la nueva fila de indicadores, se continúa con las iteraciones del algoritmo
simplex hasta conseguir las condiciones de optimalidad.
Ejemplo 1.
max z = 2x1 + 3x2 − 5x3
sujeto a
2x1 + 2x2 + 2x3 = 14
−2x1 + 5x2 − x3 ≤ −10
x1, x2, x3 ≥ 0

Primera fase. Para aplicar el algoritmo escribimos las restricciones en
forma estándar utilizando las variables artificiales necesarias para elegir
como primera base la canónica. La función objetivo de la primera fase
es
min z′
= w1 + w2.
El problema en forma estándar es
max (−z′
) = 0x1 +0x2 +0x3 +0x4 −w1 −w2
sujeto a
2x1 + 2x2 + 2x3 +w1 = 14
2x1 − 5x2 + x3 −x4 +w2 = 10
x1, x2, x3, x4, w1, w2 ≥ 0
x1 x2 x3 x4 w1 w2
−4 3 −3 1 0 0 −24
−1 aw1 2 2 2 0 1 0 14 1
−1 aw2 2 −5 1 −1 0 1 10
0 −7 −1 −1 0 2 −4
−1 aw1 0 7 1 1 1 −1 4
0 a1 1 −5
2
1
2
−1
2
0 1
2
5 − 5
14
0 0 0 0 1 1 0
0 a2 0 1 1
7
1
7
1
7
−1
7
4
7
0 a1 1 0 6
7
−1
7
5
14
1
7
45
7
Se ha obtenido el óptimo para la primera fase, dado que para todos los
vectores de la matriz A se tiene zj − cj ≥ 0. El valor de la función objetivo
es cero y, por tanto, el problema inicial tiene solución.

2.8. El método de las dos fases 73
Segunda fase. Optimizar la función objetivo del problema inicial
max z = 2x1 + 3x2 − 5x3.
Partimos de la tabla óptima de la primera fase. Al considerar la nueva
función objetivo, la fila de indicadores cambia y se tiene
• z1 − c1 = (3 , 2)


0
1

 − 2 = 0,
• z2 − c2 = (3 , 2)


1
0

 − 3 = 0,
• z3 − c3 = (3 , 2)


1
7
6
7

 + 5 =
50
7
,
• z4 − c4 = (3 , 2)


1
7
−1
7

 − 0 =
1
7
,
• z = (3 , 2)


4
7
45
7

 − 0 =
102
7
.
En la primera tabla de la segunda fase no aparecen las columnas asociadas
a las variables artificiales porque dichas variables no forman parte de la
función objetivo.
x1 x2 x3 x4
0 0 50
7
1
7
102
7
3 a2 0 1 1
7
1
7
4
7
2 a1 1 0 6
7
−1
7
45
7
En esta primera tabla ya se tiene que zj − cj ≥ 0 para todos los vectores de
la matriz A y, por tanto, ya se tiene la solución óptima del problema
x∗
1 =
45
7
, x∗
2 =
4
7
y z∗
=
102
7
.

Puede ocurrir que sean necesarias algunas iteraciones del algoritmo simplex
en la segunda fase hasta conseguir las condiciones de optimalidad.
Ejemplo 2. Resolver el ejemplo de la página 69.
Primera fase. Para aplicar el algoritmo escribimos las restricciones en forma
estándar utilizando las variables artificiales necesarias para elegir como primera
base la canónica. La función objetivo de la primera fase es
min z′
= w1 + w2.
El modelo en forma estándar
max −z′
= 0x1 +0x2 +0x3 +0x4 −w1 −w2
sujeto a
2x1 + 2x2 −x3 +w1 = 4
4x1 + 2x2 −x4 +w2 = 6
x1, x2, x3, x4, w1, w2 ≥ 0
x1 x2 x3 x4 w1 w2
−6 −4 1 1 0 0 −10
−1 aw1 2 2 −1 0 1 0 4 1
2
−1 aw2 4 2 0 −1 0 1 6
0 −1 1 −1
2
0 3
2
−1
−1 aw1 0 1 −1 1
2
1 −1
2
1
0 a1 1 1
2
0 −1
4
0 1
4
3
2
1
2
0 0 0 0 1 1 0
0 a2 0 1 −1 1
2
1 −1
2
1
0 a1 1 0 1
2
−1
2
−1
2
1
2
1
Segunda fase. Partiendo de la tabla óptima de la primera fase tomamos la
función objetivo del modelo inicial
max z = x1 − 3x2.
Al considerar la nueva función objetivo, la fila de indicadores cambia y se tiene

2.9. Método simplex revisado 75
x1 x2 x3 x4
0 0 7
2
−2 −2
−3 a2 0 1 −1 1
2
1
1 a1 1 0 1
2
−1
2
1 −1
0 4 −1
2
0 2
0 a4 0 2 −2 1 2
1 a1 1 1 −1
2
0 2
En la última tabla se tiene z3 − c3 0 con todas las componentes del vector
y3 negativas y, por tanto, el problema es no acotado. 2
2.9 Método simplex revisado
El algoritmo simplex tal como se ha presentado en las secciones anteriores realiza
más cálculos de los estrictamente necesarios para obtener la solución óptima de un
modelo lineal. Una revisión de dicho algoritmo evitando los cálculos innecesarios
es la que se presenta en el método simplex revisado.
Sea el modelo lineal en forma estándar
max z = cT
x
sujeto a
Ax = b
x ≥ 0
Dada una base B y xB solución factible básica, para mejorarla se calculan los
valores indicadores zj − cj = cT
BB−1
aj − cj. Entra en la base el vector ak tal que
zk − ck = min
j
{zj − cj/zj − cj ≤ 0}.
Para determinar el vector de salida se calcula el vector de coordenadas de ak. Sale
de la base ar tal que
xBr
yrk
= min
i

xBi
yik
/yik 0

.
Observamos que en los dos criterios los cálculos se hacen utilizando los datos
del enunciado y B−1
que cambia en cada iteración. Podemos recoger los cálculos
en la siguiente tabla que es más reducida que la tabla del método simplex.

xn+1 xn+2 . . . xn+m
cT
BB−1
cT
BxB
cB B B−1
xB
Ejemplo. Consideremos el ejemplo de la página 62
max z = 6x1 + 4x2 + 5x3 + 5x4 + 0x5 + 0x6 + 0x7
sujeto a
x1 + x2 + x3 + x4 +x5 = 3
2x1 + x2 + 4x3 + x4 +x6 = 4
x1 + 2x2 − 2x3 + 3x4 +x7 = 10
x1, x2, x3, x4, x5, x6, x7 ≥ 0
B =





1 0 0
0 1 0
0 0 1





, cT
B = (0 , 0 , 0), N =





1 1 1 1
2 1 4 1
1 2 −2 3





,
cT
BB−1
= (0, 0, 0),
xB = B−1
b =





1 0 0
0 1 0
0 0 1










3
4
10





=





3
4
10





.

2.9. Método simplex revisado 77
La tabla inicial es
x5 x6 x7
0 0 0 0
0 a5 1 0 0 3
0 a6 0 1 0 4
0 a7 0 0 1 10
Cálculo de los valores indicadores para vectores no básicos.
cT
BB−1
N − cT
N = (0, 0, 0)





1 1 1 1
2 1 4 1
1 2 −2 3





− (6, 4, 5, 5) = (−6, −4, −5, −5).
z1 − c1 = min{−6, −4, −5, −5} = −6 → entra a1.
Calculamos la columna pivote
y1 = B−1
a1 =





1 0 0
0 1 0
0 0 1










1
2
1





=





1
2
1





.
Sale de la base el vector ar tal que
xBr
yr1
= min

3
1
,
4
2
,
10
1

= 2 → sale a6.
• La fila 2 es la fila pivote, el pivote es 2.
• Multiplicador de la fila de indicadores: −6
2
.
• Multiplicador de la primera fila: 1
2
.
• Multiplicador de la tercera fila: 1
2
.

La nueva tabla es
x5 x6 x7
0 3 0 12
0 a5 1 −1
2
0 1
6 a1 0 1
2
0 2
0 a7 0 −1
2
1 8
cT
BB−1
N − cT
N = (0, 3, 0)





1 1 1 0
1 4 1 1
2 −2 3 0





− (4, 5, 5, 0) =
= (−1, 7, −2, 3).
z4 − c4 = min{−1, −2} = −2 → entra a4.
La columna pivote es
y4 = B−1
a4 =





1 −1
2
0
0 1
2
0
0 −1
2
1










1
1
3





=





1
2
1
2
5
2





.
• Pivote: 1
2
.
• Multiplicador de la fila de indicadores: −4.
• Multiplicador de la segunda fila: 1.
• Multiplicador de la tercera fila: 5.
La nueva tabla
x5 x6 x7
4 1 0 16
5 a4 2 -1 0 2
6 a1 -1 1 0 1
0 a7 -5 2 1 3

2.10. Observaciones 79
cT
BB−1
N − cT
N = (4, 1, 0)





1 1 1 0
1 4 0 1
2 −2 0 0





− (4, 5, 0, 0) =
= (1, 3, 4, 1).
No existe ningún valor indicador negativo y, por tanto, la solución es óptima.
2
2.10 Observaciones
1. Errores de redondeo: Si en las iteraciones del algoritmo simplex los cál-
culos se hacen a mano, no es necesario utilizar aproximaciones. Pero, dado
que los ordenadores utilizan aproximaciones para representar las fracciones,
puede suceder que la solución factible básica óptima obtenida no satisfaga
las restricciones del modelo o, siendo de la región de factibilidad, no sea
óptima. El error se puede evaluar de la siguiente manera. Si BxB 6= b, se
puede concluir que hay errores de redondeo. Si el error es significativo, se
puede corregir calculando directamente B−1
para corregir los errores acu-
mulados y seguir con las iteraciones.
2. Variables artificiales en la solución óptima. La existencia de variables
artificiales con valor cero en la base óptima indica la existencia de ecua-
ciones redundantes o bien que la solución es degenerada, tal como se puede
observar en los dos siguientes ejemplos.
Ejemplo 1. Ecuaciones redundantes.
max z = x1 + 2x2 − x3
sujeto a
2x1 − x2 + x3 = 12
−x1 + 2x2 + x3 = 10
x1 + x2 + 2x3 = 22
x1, x2, x3 ≥ 0

Se añaden las variables artificiales w1, w2 y w3, se penaliza la función obje-
tivo y se hacen tres iteraciones del algoritmo simplex necesarias hasta lograr
las condiciones de optimalidad.
x1 x2 x3 w1 w2 w3
−2M − 1 −2M − 2 −4M + 1 0 0 0 −44M
−M aw1 2 −1 1 1 0 0 12 1
−M aw2 −1 2 1 0 1 0 10
−M aw3 1 1 2 0 0 1 22 2
−6M 6M − 4 0 0 4M − 1 0 −4M − 10
−M aw1 3 −3 0 1 −1 0 2
−1 a3 −1 2 1 0 1 0 10 −1
3
−M aw3 3 −3 0 0 −2 1 2 1
0 −4 0 2M 2M − 1 0 −10
1 a1 1 −1 0 1
3
−1
3
0 2
3
−1
−1 a3 0 1 1 1
3
2
3
0 32
3
−M aw3 0 0 0 −1 −1 1 0 0
0 0 4 2M + 4
3 2M + 5
3 0 98
3
1 a1 1 0 1 2
3
1
3
0 34
3
2 a2 0 1 1 1
3
2
3
0 32
3
−M aw3 0 0 0 −1 −1 1 0
La variable artificial w3 se mantiene en la base óptima pero toma valor
cero. En este caso, se tienen ecuaciones redundantes. Si analizamos el
modelo nos daremos cuenta de que la tercera restricción es suma de las
dos restantes. Si eliminamos la tercera restricción, el modelo lineal tiene
solución. 2

2.10. Observaciones 81
Ejemplo 2. Solución degenerada.
max z = x1 + x2 + 3x3
sujeto a
x1 + 5x2 + x3 ≤ 7
x1 − x2 + x3 = 5
1
2
x1 − 2x2 + x3 = 5
x1, x2, x3 ≥ 0
Se añade la variable de holgura x4 y las variables artificiales w1 y w2 , se
penaliza la función objetivo y se hace una iteración.
x1 x2 x3 x4 w1 w2
−3
2
M − 1 3M − 1 −2M − 3 0 0 0 −10M
0 a4 1 5 1 1 0 0 7
−M aw1 1 −1 1 0 1 0 5
−M aw2
1
2
−2 1 0 0 1 5
1
2
M + 2 M − 4 0 0 2M + 3 0 15
0 a4 0 6 0 1 −1 0 2
3 a3 1 −1 1 0 1 0 5
−M aw2 −1
2
−1 0 0 −1 1 0
En la última tabla ya se dan las condiciones de optimalidad pero la variable
artificial w3 está en la base óptima. La variable artificial en la base toma el
valor cero, sin embargo, no nos encontramos ante el caso de restricciones
redundantes, ya que no todos los valores de la tercera fila (los correspon-
dientes a las columnas de variables del modelo original) son cero. En este
caso la solución óptima es degenerada.

Se puede observar esa solución degenerada en la siguiente tabla, eligiendo
en la base anterior la tercera fila como pivote y la segunda columna como
columna pivote.
x1 x2 x3 x4 w1 w2
4 0 0 0 7 + M −4 + M 15
0 a4 −3 0 0 1 −7 6 2
3 a3
3
2
0 1 0 2 −1 5
1 a2
1
2
1 0 0 1 −1 0
2
3. Problema de ciclado: Al elegir el vector que debe entrar en la base el
criterio puede ser satisfecho por más de un vector. Cualquiera que verifique
el criterio puede entrar a la base sin que esta elección tenga una influencia
significativa en el número de iteraciones.
No ocurre lo mismo con el vector que sale de la base. Si hay más de un
vector que verifica el criterio de salida no se puede elegir al azar en todos
los casos. La razón es que de no elegir adecuadamente se puede producir
ciclado, es decir, regresar después de un número de iteraciones a la primera
base sin alcanzar el óptimo. Este problema se produce cuando la solución
es degenerada y el empate en el criterio de vector de salida es 02
. Las reglas
lexicográficas y la regla de Bland permiten una buena elección de la variable
que debe dejar la base para evitar el ciclado.
4. Eficiencia del método simplex. Se han llevado a cabo un buen número de
estudios que muestran que la eficiencia computacional del método simplex
es más sensible al número de restricciones que al número de variables.
2
Se puede ver un ejemplo en Linear programming and network flows. M. S. Bazaraa et al.

2._metodo_simplex.pdf

Más contenido relacionado

Similar a 2._metodo_simplex.pdf (20)

Último (20)

2._metodo_simplex.pdf