DESCRIPCIÓN BREVE

INVESTIGACION SOBRE EL METODO DE SIMPLEX

ENFOCANDO TODOS LOS PUNTOS NECESARIOS
PARA PODER APLICARLO EN SU CORRECTA
EJECUCION.

INXVESTIGACION DE
OPERACIONES I

EL METODO 15 de septiembre del 2022

DE SIMPLEX

KEVIN ALEXANDRO SANCHEZ ENRIQUEZ

INTRODUCCION. _
Este método que se aborda en el tema de investigación llamado método simplex cuya gran
virtud es su sencillez, método muy práctico, ya que solo trabaja con los coeficientes de la
función objetivo y de las restricciones. Las reglas de decisión para determinar la variable
que entra, la que sale, la gran M, y cómo determinar que estamos en el óptimo; El cual
consiste en un algoritmo iterativo que secuencialmente a través de iteraciones se va
aproximando al optimo del problema de programación lineal en caso de existir esta última.
Todas éstas reglas de decisión fueron deducidas del método algebraico, en la cual el
método algebraico es muy dispendioso, en razón a que trabaja con todos los datos de las
ecuaciones, el solamente que aquí se han acomodado para ser usadas en el tipo de tablero
simplex que se usará.
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.

1 KEVIN ALEXANDRO SANCHEZ ENRIQUEZ

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 y con una mayor capacidad de análisis de
sensibilidad.
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, en la medida en que se pueda satisfacer
el conjunto de restricciones, siempre se hallará como mínimo una solución óptima.

Este popular método fue creado en el

año de 1947 por el estadounidense
George Bernard Dantzig y el ruso Leonid
Vitalievich Kantorovich, con el ánimo de
crear un algoritmo capaz de solucionar
problemas de m restricciones y n
variables.
Simplex es considerado como uno de los
algoritmos más importantes de la
historia, y hoy por hoy sigue siendo la
base en la que se fundamentan la mayor
parte de solucionadores de modelos de
programación lineal.

La importancia de la teoría de matrices en el Método Simplex es fundamental, dado que el

algoritmo se basa en dicha teoría para la resolución de sus problemas. De tal manera que
veremos previamente, en qué consiste una matriz identidad.

¿QUE ES UNA MATRIZ DE IDENTIDAD?

Una matriz puede definirse como una ordenación rectangular de elementos, (o listado finito
de elementos), los cuales pueden ser números reales o complejos, dispuestos en forma de
filas y de columnas.
La matriz idéntica o identidad es una matriz cuadrada (que posee el mismo número tanto
de columnas como de filas) de orden n que tiene todos los elementos diagonales iguales a
uno (1) y todos los demás componentes iguales a cero (0), se denomina matriz idéntica o
identidad de orden n, y se denota por:

2 KEVIN ALEXANDRO SANCHEZ ENRIQUEZ

CONSIDERACIONES IMPORTANTES AL UTILIZAR EL MÉTODO SIMPLEX
VARIABLES DE HOLGURA Y EXCESO
El Método Simplex trabaja basándose en ecuaciones y las restricciones iniciales que se
modelan mediante programación lineal no lo son, para ello hay que convertir estas
inecuaciones en ecuaciones utilizando unas variables denominadas de holgura y exceso
relacionadas con el recurso al cual hace referencia la restricción y que en el tabulado final
representa el «Slack or surplus» al que hacen referencia los famosos programas de
resolución de investigación de operaciones, estas variables adquieren un gran valor en el
análisis de sensibilidad y juegan un rol fundamental en la creación de la matriz identidad,
base del Simplex.
Estas variables suelen estar representadas por la letra «S», se suman (del lado izquierdo
de la restricción) si la restricción es de signo «<= » y se restan (del lado izquierdo de la
restricción) si la restricción es de signo «>=».
Por ejemplo:

Inecuaciones modeladas mediante programación lineal

2x1 + 3x2 + 1x3 ≤ 500

3x1 + 1x2 + 1x3 ≤ 700
4x1 + 2x2 + 2x3 ≤ 800
Inecuaciones transformadas en ecuaciones
2x1 + 3x2 + 1x3 + 1s1 + 0s2 + 0s3 = 500
3x1 + 1x2 + 1x3 + 0s1 + 1s2 + 0s3 = 700
4x1 + 2x2 + 2x3 + 0s1 + 0s2 + 1s3 = 800
MATRIZ IDENTIDAD

Inecuaciones modeladas mediante programación lineal

2x1 + 3x2 + 1x3 ≥ 500
3x1 + 1x2 + 1x3 ≥ 700
4x1 + 2x2 + 2x3 ≥ 800
Inecuaciones transformadas en ecuaciones
2x1 + 3x2 + 1x3 + 1s1 + 0s2 + 0s3 = 500
3x1 + 1x2 + 1x3 + 0s1 + 1s2 + 0s3 = 700
4x1 + 2x2 + 2x3 + 0s1 + 0s2 + 1s3 = 800

3 KEVIN ALEXANDRO SANCHEZ ENRIQUEZ

Una consideración importante consiste en que el sistema de restricciones debe ser
restrictivo, y esto significa solo una cosa: El lado derecho de las restricciones no puede
contener variables, solo un número mayor o igual a 0.
En el caso en que, por ejemplo, tengamos la siguiente restricción:
2X1 + 1X2 + 1X3 + 2X4 <= -24
Procederemos, primero a convertir la desigualdad en igualdad añadiendo una variable de
holgura:
2X1 + 1X2 + 1X3 + 2X4 + 1S1 = -24
Segundo, a multiplicar ambos lados de la igualdad por (-1), de tal manera que el lado
derecho cumpla con la condición: positivos mayores o iguales a 0.
-2X1 – 1X2 – 1X3 – 2X4 – 1S1 = 24
De esta manera lograríamos estandarizar esta restricción para nuestro algoritmo Simplex.
VARIABLE ARTIFICIAL / MÉTODO DE LA «M»
Una variable artificial es un truco matemático para convertir inecuaciones «>=» en
ecuaciones, o cuando aparecen igualdades en el problema original, la característica
principal de estas variables es que no deben formar parte de la solución, dado que no
representan recursos. El objetivo fundamental de estas variables es la formación de la
matriz identidad.
Esta variable se representa por la letra «A», siempre se suman a las restricciones, su
coeficiente es M (por esto se le denomina Método de la M grande, donde M significa un
número demasiado grande muy poco atractivo para la función objetivo), y el signo en la
función objetivo va en contra del sentido de la misma, es decir, en problemas de
Maximización su signo es menos (-) y en problemas de Minimización su signo es (+),
repetimos con el objetivo de que su valor en la solución sea cero (0).
VARIABLES NO NEGATIVAS
Todas las variables del método Simplex deben cumplir con la condición de no negatividad.
Cuando existe alguna variable del modelo que no tiene restricción de no-negatividad, se
debe reemplazar por la diferencia de dos variables positivas.
Por lo tanto, en el modelo donde aparezca esta variable, se debe cambiar por:
Sea Xi una variable sin restricción de no-negatividad (puede ser mayor, igual o menor que
cero), se debe cambiar por:
(Xi(+) – Xi(-)) donde Xi(+) >= 0 y Xi(-) >= 0
Este tipo de variables son poco comunes, y se utilizan mucho en la programación por metas.

4 KEVIN ALEXANDRO SANCHEZ ENRIQUEZ

EL ALGORITMO SIMPLEX AL SERVICIO DE LA OPTIMIZACIÓN
MATEMÁTICA DE PROCESOS Y RECURSOS
En el año 1947, George Bernard Dantzig desarrolló el llamado Algoritmo Simplex,
un procedimiento iterativo utilizado para resolver problemas complejos de optimización de
funciones lineales. El Algoritmo Simplex es un método secuencial de optimización que
permite, de manera iterativa, ir mejorando la solución a cada paso. El proceso concluye
cuando se ha encontrado la solución óptima.
La toma de decisiones en una empresa acerca de cómo planificar y organizar a su personal,
cómo distribuir la producción, cómo organizar los recursos o las rutas son ejemplos de
campos de aplicación para la optimización matemática mediante el Algoritmo Simplex: Se
trata de maximizar o minimizar una cantidad, cumpliendo una serie de restricciones
impuestas.
MDS, en continuo desarrollo de sus productos para lograr el estado del arte en la
planificación inteligente de personal, incorpora soluciones basadas en el Algoritmo Simplex.
Pero, ¿Qué relación existe entre todos estos conceptos? En los siguientes apartados lo
explicaremos de manera sencilla y resumida.

LOS MÉTODOS DE OPTIMIZACIÓN

El objetivo de los métodos de optimización es encontrar la mejor solución de modelos de
decisiones difíciles frente a múltiples soluciones locales.
Los métodos de optimización son empleados para encontrar un juego de parámetros de
diseño x = [x1, x2,…, xn] que hacen que una función objetivo f(x) alcance un valor óptimo.

El problema general de optimización es el siguiente:

Existen diversos métodos de optimización, clasificados en tres grandes grupos [1]:

 Métodos de optimización matemática

 Procesos estocásticos
 Métodos estadísticos
Dentro de los métodos de optimización matemática, cuando la función objetivo y las
restricciones son funciones lineales de la variable de diseño, el problema se conoce como
programación lineal (PL).

5 KEVIN ALEXANDRO SANCHEZ ENRIQUEZ

MÉTODO SIMPLEX PASO A PASO
Lo primero que diremos es que la resolución de un problema mediante Método Simplex
manual carece de sentido práctico, y solo se utiliza hoy por hoy con fines académicos. Dicho
de otro modo, para que el estudiante reconozca el funcionamiento del algoritmo.
Dicho esto, veamos el problema objeto de estudio:
EL PROBLEMA
La empresa el SAMÁN Ltda. Dedicada a la fabricación de muebles, ha ampliado su
producción en dos líneas más. Por lo tanto, actualmente fabrica mesas, sillas, camas y
bibliotecas. Cada mesa requiere de 2 piezas rectangulares de 8 pines, y 2 piezas
cuadradas de 4 pines. Cada silla requiere de 1 pieza rectangular de 8 pines y 2 piezas
cuadradas de 4 pines, cada cama requiere de 1 pieza rectangular de 8 pines, 1 cuadrada
de 4 pines y 2 bases trapezoidales de 2 pines y finalmente cada biblioteca requiere de 2
piezas rectangulares de 8 pines, 2 bases trapezoidales de 2 pines y 4 piezas
rectangulares de 2 pines. Cada mesa cuesta producirla $10000 y se vende en $ 30000,
cada silla cuesta producirla $ 8000 y se vende en $ 28000, cada cama cuesta producirla
$ 20000 y se vende en $ 40000, cada biblioteca cuesta producirla $ 40000 y se vende en
$ 60000. El objetivo de la fábrica es maximizar las utilidades.

REQUERIMIENTO DE PIEZAS POR PRODUCTO

Paso 1: Modelación mediante programación lineal

Variables:
X1 = Cantidad de mesas a producir (unidades)
X2 = Cantidad de sillas a producir (unidades)
X3 = Cantidad de camas a producir (unidades)
X4 = Cantidad de bibliotecas a producir (unidades)

6 KEVIN ALEXANDRO SANCHEZ ENRIQUEZ

Restricciones:
2X1 + 1X2 + 1X3 + 2X4 <= 24
2X1 + 2X2 + 1X3 <= 20
2X3 + 2X4 <= 20
4X4 <= 16

Función Objetivo:

ZMAX = 20000X1 + 20000X2 + 20000X3 + 20000X4

Paso 2: Estandarizar el modelo

Este paso consiste en cumplir las consideraciones del modelo para que se ajuste al método
Simplex:

 Convertir inecuaciones en ecuaciones

 Pasar, de ser necesario, el lado derecho de las restricciones a números positivos.
 Verificar que todas nuestras variables sean de naturaleza no-negativa.

Convertir las inecuaciones en igualdades (Variables de Holgura y Exceso)

En este paso el objetivo es asignar a cada recurso una variable de Holgura, dado que todas
las restricciones son «<=».

2X1 + 1X2 + 1X3 + 2X4 + 1S1 + 0S2 + 0S3 + 0S4 = 24

2X1 + 2X2 + 1X3 + 0X4 + 0S1 + 1S2 + 0S3 + 0S4 = 20
0X1 + 0X2 + 2X3 + 2X4 + 0S1 + 0S2 + 1S3 + 0S4 = 20
0X1 + 0X2 + 0X3 + 4X4 + 0S1 + 0S2 + 0S3 + 1S4 = 16

En cuyo caso:
S1 = Cantidad de piezas rectangulares de 8 pines que no se utilizarán (holgura)
S2 = Cantidad de piezas cuadradas de 4 pines que no se utilizarán (holgura)
S3 = Cantidad de bases trapezoidales que no se utilizarán (holgura)
S4 = Cantidad de piezas rectangulares de 2 pines que no se utilizarán (holgura)

7 KEVIN ALEXANDRO SANCHEZ ENRIQUEZ

De esta manera podemos apreciar una matriz identidad (n = 4), formado por las variables
de holgura las cuales solo tienen coeficiente 1 en su respectivo recurso, por ejemplo, la
variable de holgura «S1» solo tiene coeficiente 1 en la restricción correspondiente al recurso
1.
La función objetivo no sufre variaciones, dado que es un problema de maximización (más
adelante veremos qué pasaría si se tratara de un problema de minimización).
ZMAX = 20000X1 + 20000X2 + 20000X3 + 20000X4

PASO 3: DEFINIR LA SOLUCIÓN BÁSICA INICIAL

El Método Simplex parte de una solución básica inicial para realizar todas sus iteraciones,
esta solución básica inicial se forma con las variables cuyo coeficiente es 1 en la matriz
identidad.
1S1 = 24
1S2 = 20
1S3 = 20
1S4 = 16
Esto en términos de solución significaría que todos los recursos permanecerían ociosos, y
suena lógico, por lo menos suena como un buen punto de partida: inicialmente no se usa
ningún recurso.

La tabla simplex
El Método Simplex se hace un poco más sencillo (y esto es mucho decir si estamos
abordando una resolución manual), mediante el uso de tabulados simplex.
Cada quien puede agregar o retirar elementos del tabulado, de acuerdo a su utilidad, yo
particularmente recomiendo este tabulado base, y luego iré incorporando elementos con un
fin pedagógico:

8 KEVIN ALEXANDRO SANCHEZ ENRIQUEZ

Variable Solución = Todo parte de definir las variables que harán parte de la solución. En
esta columna se consigna la solución básica inicial, y a partir de esta en cada iteración se
van incluyendo las variables que formarán parte de la solución final.
Solución: (segundo término) = En esta fila se consigna el segundo término de la solución,
es decir, el coeficiente de las variables de la columna variable solución, lo más adecuado
es que estas se consignen de manera ordenada, tal cual como se escribieron en la
definición de restricciones.
Cb = En esta columna se consigna el valor que tiene la variable que se encuentra a su
derecha «Variable solución» en la función objetivo.
Cj = Dado que en cada columna se registra una variable (título de la columna), la fila «Cj»
hace referencia al coeficiente que tiene cada una de ellas en la función objetivo en la función
objetivo.
Zj = En esta fila se consigna la contribución total, es decir la suma de los productos entre
el término de cada columna y Cb.
Cj – Zj = En esta fila se realiza la diferencia entre la fila Cj y la fila Zj, su significado es un
«Shadow price», es decir, la utilidad que se deja de recibir por cada unidad de la variable
correspondiente que no forme parte de la solución. Y representa también el precio dual de
las restricciones representadas por las variables de holgura y exceso.
Tabulado con la solución inicial:

9 KEVIN ALEXANDRO SANCHEZ ENRIQUEZ

 NOTA: La base del Simplex es el
orden y la organización de la
información.

PASO 4: REALIZAR LAS ITERACIONES NECESARIAS

Ya lo dijimos, el Método Simplex es un algoritmo iterativo, y por ende, los criterios para
pasar de una iteración a otra son definitivos.
Recordemos algo: El Método Simplex consiste en realizar intentos o recorridos mientras el
modelo va de un vértice del poliedro objetivo a otro. Cada recorrido de un vértice a otro
estará representato por un tabulado de Simplex o iteración.
¿Qué es lo que pasa en cada iteración? Básicamente una variable entra a la solución inicial,
por ende, una variable sale de la solución inicial, y al final de la iteración nos preguntamos
si hemos hallado o no la solución óptima.

El procedimiento a seguir es el siguiente:

1. Evaluar que variable entrará y cual saldrá de la solución óptima:

En nuestro caso de ejemplo, todos los Cj – Zj son iguales a 20000, por lo tanto, la decisión
debe tomarse de forma arbitraria, es decir, puede elegirse cualquiera como variable de
entrada. Elegiremos la variable X4 ¿Por qué? Porque sí, lo estamos haciendo de forma
arbitraria para romper el empate.

10 KEVIN ALEXANDRO SANCHEZ ENRIQUEZ

Dado que X4 es la variable de entrada, los valores que se encuentran en su columna
pasarán a ser A. Y B siempre será la columna solución. Veamos:

En el caso de la columna temporal A cuando el valor es igual o menor que 0 no se considera

para el cálculo de B/A. Por ejemplo, en la fila #2 el valor de A era igual a 0, por lo tanto, no
se considera para el cálculo de B/A.
Dado lo anterior, la elección de la fila saliente se da de acuerdo al menor valor de la columna
temporal B/A, es decir, entre los valores 20 – 10 – 4. (Tal como observamos en la imagen
anterior). Así entonces, la variable que sale será S4.
2. El hecho de que una variable distinta forme parte de las variables solución implica una
serie de cambios en el tabulado Simplex, cambios que se explicarán a continuación.
El valor de la intersección entre la columna de la variable que entra y la fila de la variable
que sale, se denomina a (minúscula). Veamos en este caso cuál es el a.

11 KEVIN ALEXANDRO SANCHEZ ENRIQUEZ

A continuación, todos los valores de la fila de salida se dividen por a.

Como resultado tendremos los valores correspondientes a la nueva fila, en este caso la
fila X4.

 Lo siguiente corresponde a registrar los nuevos valores de cada fila.

Recordemos que el valor de a depende de la intersección de la columna entrante y cada

fila. En este caso vamos a registrar los nuevos valores de la fila # 1, correspondiente a la
variable S1. Por lo tanto, a será equivalente a 2. Veamos:

12 KEVIN ALEXANDRO SANCHEZ ENRIQUEZ

Uno de los pasos más confusos en Simplex es el que se detallará a continuación, sin
embargo, es cuestión de prestar suma atención al procedimiento.
La fila de la nueva variable entrante:

Deberá multiplicarse por el valor de -a (Recordemos que el valor de a para la fila #1 es 2).
Es decir, -a es igual a -2. Como resultado tendremos una fila temporal, podemos
denominarla – si así lo queremos – por la iteración y la fila, es decir, estamos en la
primera iteración, y abordando la fila #1. Su nombre será fila temporal I1-f1 (Esto es algo
que me he inventado, espero no complicarlo).

Estos valores, deben sumarse con los valores de la fila 1 que se encontraba en la tabla
anterior (S1). Veamos:

13 KEVIN ALEXANDRO SANCHEZ ENRIQUEZ

Como resultado tendremos los valores correspondientes a la fila1 de la primera iteración,
en este caso la fila S1.

En el caso de la fila 2, recordemos que el valor de a corresponde a 0. Así que los valores
pasan tal cual como se encontraban en la tabla anterior.

En base a la tercera fila:

14 KEVIN ALEXANDRO SANCHEZ ENRIQUEZ

Seguimiento de la tabla:

Una vez registrados los valores de toda la tabla, podemos calcular el valor de Zj y Cj – Zj.

Esta misma operación se efectúa para toda la tabla; es decir, cada columna deberá
multiplicarse por Cb. Es recomendable utilizar otra tabla para registrar dichos valores. Al

15 KEVIN ALEXANDRO SANCHEZ ENRIQUEZ

final, deberá sumar los sumar los valores de cada columna y totalizarlos en Zj. A esa tabla
le llamaremos: Tabla de productos de Cb:

El objetivo de esta tabla anterior es determinar los valores de Zj (Sumatoria de

columnas) y Cj-Zj (Diferencia entre la fila Cj y la fila Zj), si ya los tenemos, podemos
regresar a nuestra tabla de variables:

De esta manera se culmina la primera iteración, este paso se repetirá cuantas veces sea
necesario y solo se dará por terminado el método según los siguientes criterios.

Maximizar Minimizar

Cuando todos los Cj – Zj sean <= 0 Cuando todos los Cj – Zj sean >= 0

 Continuamos con las iteraciones para lo cual tenemos que repetir los pasos anteriores.

16 KEVIN ALEXANDRO SANCHEZ ENRIQUEZ

En esta última iteración podemos observar que se cumple con la consigna Cj – Zj <= 0,
para ejercicios cuya función objetivo sea «Maximizar», por ende hemos llegado a la
respuesta óptima.
X2 = 7
X3 = 6
X4 = 4
S1 = 3 (Cantidad de piezas rectangulares de 8 pines sin utilizar =3)
Función Objetivo: $ 340000
Sin embargo, una vez finalizado el Método Simplex se debe observar una matriz identidad
en el rectángulo determinado por las variables de decisión (líneas punteadas), el hecho de
que en este caso no se muestre la matriz identidad significa que existe una solución
óptima alterna.

17 KEVIN ALEXANDRO SANCHEZ ENRIQUEZ

La manera de llegar a la otra solución consiste en alterar el orden en que cada una de las
variables entró a la solución básica, recordemos que el proceso fue decidido al azar
debido a la igualdad en el Cj – Zj del tabulado inicial. Aquí les presentamos una de las
maneras de llegar a la otra solución.

18 KEVIN ALEXANDRO SANCHEZ ENRIQUEZ

Podemos observar como existe una solución óptima alternativa en la cual la combinación
de variables es distinta y existe un menor consumo de recursos, dado que el hecho de
que se encuentre la variable «S1» en la solución óptima con un coeficiente de «3»
significa que se presenta una holgura de 3 unidades del recurso (pieza rectangular de 8
pines).

X1 = 3 (Cantidad de mesas a producir = 3)

X2 = 4 (Cantidad de sillas a producir = 4)
X3 = 6 (Cantidad de camas a producir = 6)
X4 = 4 (Cantidad de bibliotecas a producir = 4)
Con una utilidad de: $ 340000

PLANIFICACIÓN DE PERSONAL MEDIANTE EL ALGORITMO SIMPLEX

Una gran parte de los problemas que hoy en día se presentan en empresas o industrias se
refieren a cómo planificar eficientemente sus recursos para optimizar la productividad. Estos
problemas requieren el uso de técnicas de optimización matemática y en gran parte de ellos
se ha utilizado el Algoritmo Simplex con éxito, al tratarse de procesos lineales. Es el caso
de la planificación de personal o Workforce Management: El uso de técnicas de
optimización matemática mediante Algoritmo Simplex permite lograr los siguientes
resultados:

 Asignaciones óptimas de recursos limitados para cumplir con un objetivo dado

 Respuesta que proporciona un mejor resultado: Mayor producción, mayor beneficio,
etc.
 Conjunto de parámetros que permite utilizar de la manera más eficiente los recursos:
Recursos humanos, recursos materiales, tiempo, recursos económicos.
 Alineación de los objetivos estratégicos de la empresa con sus recursos humanos
La aplicación del Algoritmo Simplex para resolver problemas de planificación de personal,
deben constar de varias etapas:

 En primer lugar, deben identificarse las variables cuantitativas del problema, es

decir, las posibles decisiones que pueden tomarse respecto a cómo planificar y
organizar al personal.
 El siguiente paso es definir la función objetivo del problema, es decir la función que
se quiere optimizar (minimizar o maximizar) y que vendrá dada por una combinación
lineal de las variables definidas previamente.

19 KEVIN ALEXANDRO SANCHEZ ENRIQUEZ

  Posteriormente, se deben determinar las decisiones que resultan admisibles. Para
ello, será necesario escribir una serie de ecuaciones que representarán las
diferentes restricciones existentes en el proceso de planificación de personal dentro
de una empresa.
 En la siguiente etapa, se calcula el coste/beneficio asociado a cada decisión
admisible. Esto supone determinar una función objetivo que asigna, a cada conjunto
posible de valores para las variables que determinan una decisión, un valor de
coste/beneficio.

20 KEVIN ALEXANDRO SANCHEZ ENRIQUEZ

CONCLUSION. _
El método símplex es un algoritmo eficiente y confiable para resolver problemas de
programación líneal. También proporciona la base para llevar a cabo, en forma muy
eficiente, las distintas etapas del análisis posóptimo.
Aunque tiene una interpretación geométrica útil, el método símplex es un procedimiento
algebraico. En cada iteración se mueve de la solución básica factible actual a una adyacente
mejor eligiendo tanto la variable básica entrante como la que sale y después usando la
eliminación de Gauss para resolver el sistema de ecuaciones lineales. Cuando la solución
actual no tiene una solución básica factible adyacente que sea mejor, la solución actual es
óptima y el algoritmo se detiene.
Se presentó la forma algebraica completa del método símplex para establecer su lógica y
se llevó el método a una forma tabular más conveniente. Para preparar el inicio del método
símplex, algunas veces es necesario obtener una solución básica factible inicial para un
problema revisado. En este caso se puede usar el método de la M, o bien, el método de las
dos fases, para asegurar que el método símplex obtenga una solución óptima para el
problema original.
Los paquetes de software para computadoras personales basados en el método símplex
están ampliamente difundidos y al alcance, para manejar problemas de tamaño modesto.
Los programas para computadoras grandes se usan por rutina para resolver y analizar
problemas con muchos cientos y aun miles de funciones de restricción y variables.

21 KEVIN ALEXANDRO SANCHEZ ENRIQUEZ