Nombre:

Jesus andres Velueta perez

Docente:

Diana Valles

Tarea:

“investigación de la unidad 2”.

Materia:

Investigación de operaciones 1.
2.1 Formulación y aplicación de modelos de programación lineal.

2.2 Método gráfico.

2.3 Método simplex.

2.3.1 Método algebraico.

2.3.2 La tabla simplex.

2.4 Método dual.

2.5 Método dual-simplex.

2.6 Análisis de resultados.

 2.1 Formulación y aplicación de modelos de programación lineal.

La programación lineal (PL) es una técnica matemática utilizada para optimizar un

problema sujeto a restricciones lineales. En la formulación y aplicación de modelos
de programación lineal, se buscan soluciones óptimas para diversas situaciones,
tales como maximizar beneficios, minimizar costos o alcanzar otros objetivos dentro
de un conjunto de restricciones.

A continuación, se proporciona una estructura básica para la investigación de la

formulación y aplicación de modelos de programación lineal:

1. Conceptos Básicos de Programación Lineal

• Función Objetivo: Representa lo que se desea maximizar o minimizar. En

programación lineal, la función objetivo es una expresión lineal de las
variables de decisión. Por ejemplo, maximizar los ingresos:

Z=c1x1+c2x2+⋯+cnxnZ = c_1x_1 + c_2x_2 + \dots + c_nx_nZ=c1x1+c2x2

+⋯+cnxn

donde ZZZ es el valor a maximizar, x1,x2,…,xnx_1, x_2, \dots, x_nx1,x2

,…,xn son las variables de decisión, y c1,c2,…,cnc_1, c_2, \dots, c_nc1,c2
,…,cn son los coeficientes correspondientes.

• Restricciones: Son las condiciones o limitaciones que deben cumplirse en

el modelo. Estas restricciones son expresadas como ecuaciones o
inecuaciones lineales. Por ejemplo:

a11x1+a12x2+⋯+a1nxn≤b1a_{11}x_1 + a_{12}x_2 + \dots + a_{1n}x_n \leq

b_1a11x1+a12x2+⋯+a1nxn≤b1

Estas restricciones limitan los valores que las variables de decisión pueden
tomar.

• Variables de Decisión: Son las variables que representan las decisiones

que se deben tomar. Los valores de estas variables son lo que se busca
optimizar dentro del problema.

2. Formulación de un Modelo de Programación Lineal

Para formular un modelo de programación lineal, se siguen estos pasos:

1. Definición del Problema:

o Se define el objetivo que se busca lograr (maximizar o minimizar).
o Se identifican las variables de decisión.
 o Se enumeran las restricciones que limitan las decisiones.
2. Establecimiento de la Función Objetivo:
o Se expresa la relación lineal entre las variables de decisión y el
objetivo a maximizar o minimizar.
3. Establecimiento de las Restricciones:
o Se identifican las limitaciones (como recursos disponibles,
capacidades máximas, etc.) y se expresan como ecuaciones lineales.
4. Formulación Matemática:
o Se estructuran las ecuaciones para la función objetivo y las
restricciones en una forma estándar de programación lineal.

Ejemplo de Formulación:

Problema de producción:

• Se quiere maximizar las ganancias de una empresa que produce dos

productos, A y B.
• El beneficio por unidad del producto A es $10, y del producto B es $15.
• La empresa dispone de 100 unidades de materia prima, y cada unidad de A
requiere 5 unidades de materia prima, mientras que cada unidad de B
requiere 4 unidades.
• La empresa tiene 80 horas de trabajo, y cada unidad de A requiere 4 horas
de trabajo, mientras que cada unidad de B requiere 3 horas.

Variables de decisión:

• x1x_1x1 = número de unidades de A a producir.

• x2x_2x2 = número de unidades de B a producir.

Función objetivo:

Maximizar Z=10x1+15x2\text{Maximizar } Z = 10x_1 + 15x_2Maximizar Z=10x1

+15x2

Restricciones:

• 5x1+4x2≤1005x_1 + 4x_2 \leq 1005x1+4x2≤100 (materia prima disponible).

• 4x1+3x2≤804x_1 + 3x_2 \leq 804x1+3x2≤80 (horas de trabajo disponibles).
• x1,x2≥0x_1, x_2 \geq 0x1,x2≥0 (no se pueden producir cantidades
negativas).

3. Métodos de Resolución

Existen varios métodos para resolver problemas de programación lineal. Algunos

de los más utilizados son:
 • Método Gráfico: Este método se utiliza para problemas con dos variables
de decisión. Se representan las restricciones gráficamente, se determinan
las soluciones viables y se busca la que optimice la función objetivo.
• Método Simplex: Es uno de los métodos más conocidos para resolver
problemas de programación lineal con más de dos variables. Este algoritmo
itera a través de los vértices del conjunto de soluciones viables para
encontrar la óptima.
• Método de la Muestra Interior (Interior Point Method): Este es un enfoque
más moderno que utiliza una aproximación basada en puntos internos dentro
del área de soluciones viables, y es útil para resolver problemas grandes.

4. Aplicaciones de la Programación Lineal

La programación lineal tiene una amplia gama de aplicaciones en diversas áreas,

entre ellas:

• Optimización en la Producción: Determinar la cantidad de productos que

deben fabricarse para maximizar las ganancias o minimizar los costos, dado
un conjunto de recursos limitados.
• Gestión de Recursos: Asignación eficiente de recursos limitados
(materiales, tiempo, dinero, etc.) a diferentes actividades o proyectos.
• Transporte y Logística: Determinar la forma más económica de transportar
bienes desde varias fuentes hasta varios destinos, minimizando costos de
transporte.
• Finanzas: Optimización de carteras de inversión, donde se busca maximizar
el retorno esperado de una cartera de activos bajo un conjunto de
restricciones de riesgo.
• Planificación de la Producción: Determinación de las cantidades óptimas
de productos que se deben producir en diversas líneas de fabricación.

5. Limitaciones y Desafíos

Aunque la programación lineal es una herramienta poderosa, también tiene

limitaciones, entre ellas:

• Linealidad: La programación lineal solo es aplicable cuando las relaciones

entre las variables son lineales. Esto no siempre se da en problemas reales.
• Restricciones de Recursos: Los problemas de programación lineal pueden
no ser aplicables si los recursos no son fácilmente cuantificables o si las
relaciones entre los recursos y la producción son no lineales.
• Escalabilidad: Algunos problemas de gran escala pueden requerir tiempos
de cálculo elevados o algoritmos más sofisticados.

6. Conclusiones

La programación lineal es una técnica fundamental en la investigación operativa y

la optimización. Su capacidad para modelar problemas de optimización sujetos a
restricciones lineales la convierte en una herramienta versátil y valiosa en diversos
campos como la producción, el transporte, la logística, la economía, y muchos otros.

Para realizar una investigación profunda sobre la formulación y aplicación de

modelos de programación lineal, se deben considerar no solo los métodos de
resolución, sino también las aplicaciones prácticas y las limitaciones inherentes a
esta técnica. La comprensión de los conceptos y su implementación efectiva
contribuye a la toma de decisiones informada en contextos empresariales y
organizacionales.

2.2 Método gráfico.

El método gráfico es una técnica visual utilizada para resolver problemas de

programación lineal con dos variables de decisión. Es una herramienta útil
cuando se quiere entender de manera intuitiva cómo se resuelven los problemas de
optimización lineales, y se puede aplicar a problemas sencillos donde las soluciones
se pueden representar en un plano bidimensional.

Pasos para Resolver un Problema de Programación Lineal usando el Método

Gráfico:

1. Definir el Problema:
o Función objetivo (a maximizar o minimizar).
o Restricciones lineales que limitan las soluciones posibles.
o Restricciones de no negatividad (si es aplicable, las variables deben
ser mayores o iguales a cero).
2. Reescribir las Restricciones en Forma de Inecuaciones: Asegúrate de
que las restricciones estén en la forma estándar de inecuaciones (menor o
igual, mayor o igual). Si es necesario, cambia las restricciones de manera
que sean fáciles de representar en un gráfico.
3. Graficar las Restricciones:
o Representa cada restricción en el plano cartesiano, transformando
cada ecuación lineal en una recta
o Para hacerlo, puedes encontrar los puntos de intersección con los ejes
al sustituir x=0x = 0x=0 y y=0y = 0y=0 en las ecuaciones de las
restricciones.
4. Identificar la Región Factible: La región factible es el área donde todas las
restricciones se cumplen simultáneamente. Es el área que está dentro de las
líneas de las restricciones y está limitada por ellas.
o Si las restricciones son de tipo ≤\leq≤, la región factible estará debajo
de la recta.
 5. Determinar los Vértices de la Región Factible: La solución óptima (máxima
o mínima) generalmente se encuentra en uno de los vértices de la región
factible. Por lo tanto, identifica los puntos de intersección de las restricciones,
ya que esos serán los vértices del área factible.
6. Evaluar la Función Objetivo en los Vértices: Sustituye los valores de las
variables xxx y yyy en la función objetivo Z=c1x+c2yZ = c_1x + c_2yZ=c1
x+c2y para cada vértice de la región factible.
7. Seleccionar la Solución Óptima:
o Si estás maximizando la función objetivo, el vértice que dé el mayor
valor de ZZZ será la solución óptima.
o Si estás minimizando la función objetivo, el vértice que dé el menor
valor de ZZZ será la solución óptima.

Ejemplo de Método Gráfico:

Supongamos que tienes el siguiente problema de programación lineal:

Maximizar:

Z=3x+2yZ = 3x + 2yZ=3x+2y
Paso 1: Graficar las restricciones

1. Para x+y≤4x + y \leq 4x+y≤4:

o Si x=0x = 0x=0, entonces y=4y = 4y=4.
o Si y=0y = 0y=0, entonces x=4x = 4x=4.
o Esto da la recta x+y=4x + y = 4x+y=4, que pasará por los puntos
(0,4)(0, 4)(0,4) y (4,0)(4, 0)(4,0).
2. Para x≥1x \geq 1x≥1, la restricción es simplemente una línea vertical en x=1x
= 1x=1.
3. Para y≥0y \geq 0y≥0, es simplemente la región por encima del eje xxx, ya
que y≥0y \geq 0y≥0.

Paso 2: Identificar la región factible

La región factible es el área donde todas las restricciones se superponen:

• Está limitada por la línea x+y=4x + y = 4x+y=4.

• Está restringida por la línea vertical x=1x = 1x=1.
• Está limitada por el eje xxx (es decir, y=0y = 0y=0).

Paso 3: Encontrar los vértices de la región factible

Los vértices son los puntos de intersección de las restricciones:

• La intersección de x+y=4x + y = 4x+y=4 y x=1x = 1x=1 ocurre en (1,3)(1,

3)(1,3).
 • La intersección de x+y=4x + y = 4x+y=4 y el eje xxx (cuando y=0y = 0y=0)
ocurre en (4,0)(4, 0)(4,0).
• El tercer vértice es (1,0)(1, 0)(1,0), donde x=1x = 1x=1 y y=0y = 0y=0.

Paso 4: Evaluar la función objetivo en los vértices

Ahora, evaluamos la función objetivo Z=3x+2yZ = 3x + 2yZ=3x+2y en cada vértice:

1. En (1,3)(1, 3)(1,3):

Z=3(1)+2(3)=3+6=9Z = 3(1) + 2(3) = 3 + 6 = 9Z=3(1)+2(3)=3+6=9

2. En (4,0)(4, 0)(4,0):

Z=3(4)+2(0)=12+0=12Z = 3(4) + 2(0) = 12 + 0 = 12Z=3(4)+2(0)=12+0=12

3. En (1,0)(1, 0)(1,0):

Z=3(1)+2(0)=3+0=3Z = 3(1) + 2(0) = 3 + 0 = 3Z=3(1)+2(0)=3+0=3

Paso 5: Seleccionar la solución óptima

Dado que queremos maximizar ZZZ, la solución óptima es (4,0)(4, 0)(4,0), que da
un valor de Z=12Z = 12Z=12.

Resumen:

El método gráfico de programación lineal es una técnica efectiva para resolver

problemas con dos variables de decisión. Consiste en:

1. Graficar las restricciones y la función objetivo.

2. Identificar la región factible.
3. Evaluar la función objetivo en los vértices de la región factible.
4. Seleccionar el vértice que da el valor óptimo de la función objetivo.

Este método es útil principalmente para problemas sencillos con dos variables, pero
para problemas más complejos con más variables, se deben utilizar otros métodos
como el método simplex.
 2.3 Método simplex.

El método Simplex es un algoritmo de optimización utilizado para resolver

problemas de programación lineal (PL), en los cuales se busca maximizar o
minimizar una función lineal sujeta a restricciones lineales. Es un método de
búsqueda iterativa que permite encontrar la solución óptima de un problema de
programación lineal en un número finito de pasos, moviéndose de un vértice de la
región factible a otro hasta encontrar la solución óptima.

El método Simplex es uno de los algoritmos más utilizados para resolver problemas
de programación lineal en situaciones de gran escala y alta complejidad. A
diferencia del método gráfico, que solo es aplicable a problemas con dos variables
de decisión, el Simplex puede manejar problemas con muchas más variables y
restricciones.

Principales Conceptos en el Método Simplex

1. Función Objetivo: Es la función lineal que se quiere maximizar o minimizar.

Generalmente se expresa de la siguiente manera:

Z=c1x1+c2x2+⋯+cnxnZ = c_1x_1 + c_2x_2 + \dots + c_nx_nZ=c1x1+c2x2

+⋯+cnxn

donde x1,x2,…,xnx_1, x_2, \dots, x_nx1,x2,…,xn son las variables de

decisión, y c1,c2,…,cnc_1, c_2, \dots, c_nc1,c2,…,cn son los coeficientes
que multiplican a las variables.

2. Restricciones: Son las ecuaciones o inecuaciones que limitan las

soluciones posibles. Se representan generalmente como:

a11x1+a12x2+⋯+a1nxn≤b1a_{11}x_1 + a_{12}x_2 + \dots + a_{1n}x_n \leq

b_1a11x1+a12x2+⋯+a1nxn≤b1

donde aija_{ij}aij son los coeficientes de las restricciones, y b1b_1b1 es el

valor máximo permitido.

3. Región Factible: Es el conjunto de todas las posibles soluciones que

satisfacen todas las restricciones del problema. En el caso del método
Simplex, la región factible está formada por los vértices de un poliedro en un
espacio de más de dos dimensiones.
4. Vértices: Los vértices de la región factible son los puntos donde las
soluciones posibles (que cumplen con las restricciones) pueden existir. El
método Simplex se mueve de vértice en vértice, siempre mejorando la
función objetivo.
Pasos del Método Simplex

1. Formulación del Problema:

o El primer paso es expresar el problema de programación lineal en su
forma estándar, donde todas las restricciones deben ser igualdades
(en caso de tener restricciones de tipo ≤\leq≤, se agregan variables de
holgura, y en el caso de restricciones de tipo ≥\geq≥, se agregan
variables de exceso).
2. Inicialización:
o Se construye la tabla inicial del método Simplex, donde se incluyen
las variables de decisión, las variables de holgura, y los coeficientes
de la función objetivo y las restricciones.
3. Selección de la Columna Pivote:
o En cada iteración, se selecciona la variable que más mejora la función
objetivo. Esto se realiza buscando la variable con el coeficiente más
negativo (en el caso de maximización) en la fila de la función objetivo.
Esta columna se llama la columna pivote.
4. Selección de la Fila Pivote:
o Después de seleccionar la columna pivote, se determina cuál fila debe
dejar entrar a esa variable. Para esto, se calcula la razón entre el valor
del lado derecho (b) de las restricciones y los coeficientes de la
columna pivote, eligiendo la fila con la menor razón positiva. Esta fila
es la fila pivote.

2.3.1 Método algebraico.

El método algebraico es un procedimiento con el que hemos estado relacionados

antes que conociéramos siquiera las implicaciones del término optimización en la
vida de todo ingeniero industrial.

Cuando se estudian asignaturas, especialmente en carreras como las

ingenierías, los estudiantes muestran un particular interés en saber el ¿Para qué?
es necesario dicho aprendizaje. Por medio del estudio del método gráfico se va a
poder resolver la inquietud de porque en cierta medida es importante manejar el
álgebra. Con el método algebraico se va a hacer uso de todas las herramientas que
utilizaste para resolver sistemas de ecuaciones lineales, en alegra básica vista en
9º hasta la eliminación de Gauss Jordán vista en los primeros semestres del ciclo
básico en carreras relacionadas con el estudio de los números.
 Ahora bien, la mejor manera de dominar este método es tener un buen dominio
del algebra y un pensamiento lógico matemático, y obviamente mucha práctica,
puesto que como dice el adagio popular: “La práctica hace al maestro” De acuerdo
a consultas realizadas específicamente en el libro investigación de operaciones I de
francisco Chediak, el cual recomiendo dado su terminología y la facilidad con la que
se ejemplifican las temáticas, tenemos los siguientes pasos para resolver problemas
de programación lineal por medio del método aquí citado:

Pasos para desarrollar el método algebraico según

Chediak:

• Hallar una solución básica y factible (solución inicial)

• Expresar las inecuaciones como ecuaciones.

• Hallar una variable básica para cada ecuación:

• Organizar el sistema de ecuaciones lineales

• Escoger la variable que entra.

• Escoger la variable que sale.

• Reorganizar el sistema de ecuaciones.

• Repetir los pasos 2,3, y 4 hasta encontrar la solución.

Cuando se estudie el método simplex se darán cuenta que no es más que una

aplicación iterada del método algebraico y si dominan este último les será de mucha

ayuda a la hora de resolver problemas con el método simplex.

 2.3.2 La tabla simplex.

La resolución de programas lineales mediante el método Simplex implica la

realización de gran cantidad de cálculos, sobre todo cuando el número de variables

y/o restricciones es relativamente elevado. Sin embargo, estos cálculos no son

complejos y pueden realizarse en modo sistemático utilizando una forma tabular.

Así surgen las conocidas como tablas del Simplex, que no son más que una forma

de organizar los cálculos. Sobre las tablas del Simplex comentar que su interés es

totalmente pedagógico, ya que en los casos reales la magnitud de los problemas

que suelen aparecer hace que nadie las utilice de forma directa para resolverlos. En

tales casos, ha de recurrirse al uso del computador.

Para aplicar el método Simplex en forma de tabla a un problema de la forma:

En primer lugar, se construye la tabla siguiente:

 Donde:

V es el producto escalar de los vectores (cb1, cb2,...,cbm) y (b1,b2,...,bm) y k es el

producto escalar de los vectores (cb1, cb2, ..., cbm) y (a1k, a2k,..., amk) para k=1,2,...m.

zk=ck-y k para k=1,2, ..., m.

Observar la forma en que se construye esta tabla:

En la primera fila de la tabla se colocan los coeficientes de las variables en la

función objetivo.

En las tres primeras columnas aparecen los coeficientes de las variables básicas

en la función objetivo, las variables básicas iniciales y el vector de términos

independientes de las restricciones, respectivamente.

La parte central de la tabla está formada por la matriz de coeficientes A. Los

elementos de la penúltima fila son los productos escalares del vector de la primera

columna con los vectores de la tabla que quedan encima de cada uno de esos

elementos.
 Finalmente, en la última fila aparece la diferencia de las filas primera y penúltima.

Cada tabla del Simplex está asociada a una solución básica factible. De forma

que, una vez construida la tabla inicial, deben establecerse las reglas que permitan

obtener las tablas asociadas a las siguientes soluciones básicas, así como saber la

solución básica que lleva asociada cada tabla. A demás es necesario saber cuándo

una tabla corresponde a la solución óptima, esto último se consigue analizando los

signos de la última fila de la tabla.

2.4 Método dual.

El método dual en programación lineal se refiere al enfoque dual de un problema

de programación lineal (PL), en el cual se asocia a cada problema primal un
problema dual correspondiente. La dualidad es un concepto fundamental en la
teoría de programación lineal y permite resolver el problema primal mediante su
versión dual. Ambos problemas, el primal y el dual, están relacionados de tal forma
que las soluciones de uno proporcionan información sobre la solución del otro.

1. Conceptos de Dualidad en Programación Lineal

La dualidad se basa en la existencia de un problema dual asociado a cada

problema primal de programación lineal. Mientras que el problema primal puede
ser un problema de maximización o minimización, el problema dual siempre tiene la
naturaleza opuesta (si el primal es de maximización, el dual será de minimización,
y viceversa).

Problema primal:

Supongamos que tenemos el siguiente problema de programación lineal primal:

Maximizar:

Z=c1x1+c2x2+⋯+Z = c_1x_1 + c_2x_2 + cx_=c1x1+c2x2

2. Problema Dual:

El problema dual se deriva del problema primal mediante una transformación

específica de las variables y los coeficientes. Para el ejemplo anterior de un
problema primal, el problema dual sería:

3. Relación entre el Primal y el Dual:

Las soluciones de ambos problemas están relacionadas por el teorema de la

dualidad. Este teorema establece que las soluciones óptimas del problema primal
y del problema dual están vinculadas de las siguientes maneras:

• Si el problema primal tiene una solución óptima, el problema dual también

tiene una solución óptima.
• Los valores óptimos de ambos problemas son iguales (teorema de la
dualeza fuerte), es decir, el valor de la función objetivo en el problema primal
es igual al valor de la función objetivo en el problema dual en el punto óptimo.
• Si alguno de los problemas tiene una solución no acotada o es infeasible (no
tiene solución), el otro también sufrirá las mismas condiciones.
 2.5 Método dual-simplex.

• TEORIA DE LA DUALIDAD

Cada problema de programación lineal está estrechamente relacionado con otro

problema simétrico a él, denominado problema dual. El dualismo es una teoría que

surge como consecuencia de una profundización en el estudio de la programación

lineal porque la distribución de los recursos y la formación de los precios son dos

aspectos del mismo problema. Entonces la doble formulación de la programación

lineal no se debe considerar como un simple ejercicio matemático, sino que una y

otra versión del problema vienen a explicar dos aspectos económicos distintos para

una misma situación problémica. Una propiedad fundamental de la relación entre el

primal y el dual es que la solución óptima de cualquiera de estos problemas

proporciona la solución óptima para el otro.

• IMPORTANCIA DE LA DUALIADA EN LA PROGRAMACION LINEAL

La resolución de los problemas duales respecto a los primales se justifica dada

la facilidad que se presenta dados problemas donde el número de restricciones

supere al número de variables.

Además de tener gran

aplicación en el análisis

económico del problema. Otra

de las ventajas que presenta es

que dado a que el número de

restricciones y variables entre problema dual y primal es inverso, se pueden resolver

gráficamente problemas que presenten dos restricciones sin importar el número de

variables.

➢ METODO DUAL SIMPLEX: Como sabemos, el método simplex es un

algoritmo iterativo que iniciando en una solución básica factible pero no

óptima, genera soluciones básicas factibles cada vez mejores hasta

encontrar la solución óptima (sí esta existe). Nótese que la base de su

lógica es mantener la factibilidad, mientras busca la optimalizad. Pero

surge la posibilidad de usar otro esquema igualmente iterativo, que, como

contraparte del simplex, comienza en una solución básica óptima, pero no

factible y mantiene la inexorabilidad mientras busca la factibilidad. Con

este procedimiento se llega igualmente a la solución óptima.

El nuevo algoritmo fue desarrollo en 1954 por C. E. Lemke y se conoce con el

nombre de Método Dual-Simplex. A continuación, se presenta su estructura y un

ejemplo para ilustrar su aplicación.

 2.6 Análisis de resultados.

El método simplex es un algoritmo utilizado en la programación lineal para

resolver problemas de optimización. En términos simples, busca encontrar la
mejor solución posible a un problema dado, considerando ciertas restricciones y
maximizando o minimizando una función objetivo.
Imaginemos que tienes una fábrica que produce dos tipos de productos: A y B.
Para fabricar estos productos, necesitas ciertas cantidades de materias primas y
mano de obra, y tienes un límite en la cantidad de estas disponibles. Además,
tienes un objetivo de maximizar tus ganancias. Esto se puede representar como
un problema de programación lineal.
El método simplex trabaja en un espacio geométrico llamado espacio de
soluciones factibles. Cada punto en este espacio representa una combinación de
las cantidades de productos A y B que puedes fabricar dentro de las restricciones
dadas. El algoritmo se mueve de un punto a otro, mejorando gradualmente la
solución, hasta que encuentra el punto óptimo que maximiza tus ganancias.
Imagina que inicialmente estás produciendo 0 unidades de ambos productos. El
método simplex evaluará si puedes aumentar la producción de alguno de ellos
para mejorar tus ganancias. Si es posible, se moverá a un punto vecino que
represente un aumento en la producción de uno de los productos, manteniendo
las restricciones dentro de los límites establecidos. Esto se repite hasta que no
sea posible mejorar más y se alcance la solución óptima.
Conoce también la importancia de la solución de problemas.
¿Cuáles son las ventajas de utilizar el método simplex?
El método simplex tiene varias ventajas que lo convierten en una herramienta de
gran utilidad. Algunas de ellas son:
Aplicable a problemas de gran escala: El método simplex puede aplicarse a
problemas con un gran número de variables y restricciones. Aunque su eficiencia
puede disminuir a medida que aumenta el tamaño del problema, sigue siendo
una opción viable para resolver problemas complejos.
Solución óptima: Si se sigue correctamente, el método simplex garantiza
encontrar la solución óptima para un problema de programación lineal. Esto
significa que obtendrás el mejor resultado posible dentro de las restricciones y
objetivos establecidos.
Flexibilidad en la formulación del problema: El método simplex permite formular
problemas en términos de maximización o minimización de una función objetivo.
Esto significa que puedes adaptar el problema a tus necesidades específicas, ya
sea maximizando ganancias, minimizando costos o cualquier otro objetivo
deseado.
Permite identificar soluciones no factibles o ilimitadas: Durante el proceso de
resolución, el método simplex puede detectar si el problema no tiene solución
factible o si tiene múltiples soluciones óptimas. Esto es útil para comprender
mejor la naturaleza del problema y tomar decisiones adecuadas.
Interpretación geométrica: El método simplex se basa en conceptos geométricos
y utiliza un espacio de soluciones factibles para encontrar la solución óptima. Esto
proporciona una visualización intuitiva del problema y las restricciones, lo que
facilita la comprensión y el análisis de los resultados.
Puede incorporar variables no lineales: Aunque el método simplex está diseñado
para problemas de programación lineal, se puede extender para abordar
problemas con variables no lineales utilizando técnicas de programación lineal
entera o programación no lineal.