Scribd
Cargar
79 vistas9 páginas

Introducción al Método Simplex

El método simplex es un proceso iterativo para optimizar una función objetivo sujeto a restricciones. En cada iteración, se mejora la solución actual encontrando un vértice adyacente que mejore el valor de la función. El método concluye cuando no es posible mejorar más la solución. Puede usarse para maximizar o minimizar, y las condiciones de entrada, salida y parada varían ligeramente entre ambos objetivos.

Cargado por

Monserrat Montenegro
Derechos de autor
© All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
79 vistas9 páginas

Introducción al Método Simplex

El método simplex es un proceso iterativo para optimizar una función objetivo sujeto a restricciones. En cada iteración, se mejora la solución actual encontrando un vértice adyacente que mejore el valor de la función. El método concluye cuando no es posible mejorar más la solución. Puede usarse para maximizar o minimizar, y las condiciones de entrada, salida y parada varían ligeramente entre ambos objetivos.

Cargado por

Monserrat Montenegro
Derechos de autor
© All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd

Método simplex

Es un proceso iterativo que


permite mejorar la solución a cada
paso, concluye cuando no es
posible seguir mejorando dicha
solución.
Partiendo del valor de la función
objetivo en un vértice cualquiera,
el método consiste en buscar
sucesivamente otro vértice que
mejore al anterior.
Propiedad Restricciones

El método de simplex se El método únicamente se


basa en la siguiente trabaja con restricciones
propiedad: del problema cuyas
Si la función objetivo, f, inecuaciones sean del
no toma su valor máximo tipo “≤” y sus
en el vértice A, entonces coeficientes
existe una arista que independientes sean
parte de A y a lo largo de
la cual f aumenta. mayores o iguales a 0.
Tipo de optimización

El objetivo del método es optimizar el valor de la función


objetivo. Se presentan las opciones:
❖ Obtener el valor óptimo mayor (maximizar).
❖Obtener el valor óptimo menor (minimizar).
existen diferencias en el algoritmo entre el objetivo de
maximización y el de minimización en cuanto al criterio de
condición de parada para finalizar las iteraciones y a las
condiciones de entrada y salida de la base.
Objetivo de minimización

Condición de parada: cuando en la fila Z no aparece ningún valor


positivo.
Condición de entrada a la base: el mayor valor positivo en la fila Z
indica la variable Pj que entra a la base.
Condición de salida de la base: una vez obtenida la variable entrante, la
variable que sale se determina mediante el menor cociente P0/Pj de los
estrictamente negativos.
Objetivo de maximización

Condición de parada: cuando en la fila Z no aparece ningún valor


negativo.
Condición de entrada a la base: el menor valor negativo en la fila Z (o el
mayor valor absoluto entre los negativos) indica la variable Pj que entra
a la base.
Condición de salida de la base: una vez obtenida la variable entrante, la
variable que sale se determina mediante el menor cociente P0/Pj de los
estrictamente positivos.
Ejemplo de maximización

A continuación se muestra el
problema en la forma estándar.
Para encontrar la variable que entra a la
base elegimos el valor más negativo del
vector de costes reducidos: -5. Por lo tanto
la variable de entrada sería X2.
Para la variable de salida dividiremos los
valores de la columna R con los de la
columna X2 (20/6).
Se debe elegir el menor valor de la
división, por lo tanto la variable de salida
se encuentra en la fila S1.

El elemento pivote se encuentra en


X2 y S1 = 6
Realizamos las reducciones de Gauss Jordan:

Ingresa la variable X1 y sale de la base la variable X2. El elemento


pivote es 1/6.
Repetimos las operaciones de Gauss Jordan:

En esta matriz, todos los


valores del vector de costes
reducidos son positivos lo
que indica que nos
encontramos en el punto
óptimo.

Entonces el resultado es:


Z = 40
X1 = 20, X2= 0, S1 = 0, S2 = 40, S3 = 20

Método simplex Es un proceso iterativo que permite mejorar la solución a cada paso, concluye cuando no es posible seguir mej
Propiedad El método de simplex se basa en la siguiente propiedad: Si la función objetivo, f, no toma su valor máximo en el vé
Tipo de optimización El objetivo del método es optimizar el valor de la función objetivo. Se presentan las opciones: Obtener
Objetivo de minimización Condición de parada: cuando en la fila Z no aparece ningún valor positivo. Condición de entrada a la
Objetivo de maximización Condición de parada: cuando en la fila Z no aparece ningún valor negativo. Condición de entrada a l
Ejemplo de maximización A continuación se muestra el problema en la forma estándar.
Para encontrar la variable que entra a la base elegimos el valor más negativo del vector de costes reducidos: -5. Por lo tant
Realizamos las reducciones de Gauss Jordan: Ingresa la variable X1 y sale de la base la variable X2. El elemento pivote es 1
Repetimos las operaciones de Gauss Jordan: En esta matriz, todos los valores del vector de costes reducidos son positivos lo

También podría gustarte