You are on page 1of 27

Índice

Índice..........................................................................................................................1
Introducción...............................................................................................................2
2.1 Teoría del método Simplex..................................................................................3
2.2 Forma tabular del método Simplex......................................................................4
Ejemplo (parte 1): método Simplex........................................................................7
2.3 El método de las dos fases...............................................................................14
2.4 Casos especiales...............................................................................................18
2.5 Uso de software.................................................................................................24
2.6 CONCLUSIÓN...................................................................................................26
2.7 BIBLIOGRAFÍA..................................................................................................26

Introducción
El método algebraico es muy dispendioso, en razón a que trabaja con todos los
datos de las ecuaciones, para mejorar éste aspecto se creó el 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; Todas éstas reglas de decisión fueron deducidas del
método algebraico, solamente que aquí se han acomodado para ser usadas en el
tipo de tablero simplex que se usará.

b) Si las restricciones en el problema original incluyen restricciones del tipo ≥ ó=¿ se utiliza la técnica de la multa o la técnica de 2 pasos. una solución básica se obtiene igualando a 0 las variables necesarias con el fin de igualar el número total de variables al número total de ecuaciones.2. 3. Como paso inicial el método simplex necesita que cada una delas restricciones estén en una forma estándar expresadas como ecuaciones mediante la suma de variables de holgura o la resta de variables de excedente. Exprese en forma estándar el problema lineal. . Los puntos extremos de este espacio pueden identificarse algebraicamente por medio de las soluciones básicas del sistema de ecuaciones simultáneas. De acuerdo con la teoría del álgebra lineal. las variables de holgura se utilizan como una solución de inicio. esto involucra 2 pasos: a) Si todas las restricciones en el problema original son del tipo ≤ . ALGORITMO 1. El método simplex también es un procedimiento algebraico en el que cada iteración contiene la solución de un sistema de ecuaciones para obtener una nueva solución a la que se le aplica la prueba de optimidad. Este tipo de conversión conduce normalmente a un conjunto de ecuaciones simultáneas donde el número de variables excede al número de ecuaciones. 2. Elija una solución básica factible inicial. Genere nuevas soluciones básicas factibles utilizando las condiciones de optimidad y factibilidad. según sea el caso.1 Teoría del método Simplex. Un algoritmo es un proceso en el que se repite un procedimiento sistemático hasta obtener el resultado deseado. hasta que se obtenga la solución óptima. utilizando las variables artificiales y/o de holgura. lo que generalmente significa que las ecuaciones proporcionan un número infinito de puntos de solución. Estas técnicas se utilizan para proporcionar una solución de inicio. para que la solución sea única y luego resolver el sistema con las variables restantes.

CONDICIÓN DE OPTIMIDAD La variable entrante en un problema de maximización es la variable no básica con el coeficiente más negativo y para una minimización. Sobre esta tabla se agregan dos nuevas filas: una de ellas. a partir de ésta aparece una columna por cada una de las variables de decisión y holgura presentes en la función objetivo (Pj).2 Forma tabular del método Simplex. donde aparecen los coeficientes de las variables de la función objetivo. que lidera la tabla. y una última fila que recoge el valor la función objetivo y los costes reducidos Zj . la tercera muestra el término independiente de cada restricción (P0). la segunda columna recoge los coeficientes que dichas variables básicas tienen en la función objetivo (esta columna es llamada Cb). esto es. Por este motivo también son llamados valores indicadores.Cj. Los costes reducidos muestran la posibilidad de mejora en la solución Z0. CONDICIÓN DE FACTIBILIDAD Tanto en problemas de maximización como de minimización la variable saliente. la variable con el coeficiente más grande o más positivo en la ecuación de la función objetivo. Para tener una visión más clara de la tabla. 2. . es la variable básica actual con el menor cociente positivo que resulta al dividir el lado derecho entre los respectivos de la columna pivote (seleccionada por la variable entrante). aquellas que toman valor para proporcionar una solución. Construcción de la primera tabla: Las columnas de la tabla están dispuestas de la siguiente forma: la primera columna de la tabla contiene las variables que se encuentran en la base (o variables básicas). el óptimo se alcanza cuando todos los coeficientes en la función objetivo son 0’s y positivos para el problema de maximización y 0’s y negativos para el problema de minimización. Un empate se rompe arbitrariamente. se incluye una fila que contiene los títulos de cada una de las columnas.

.Se muestra a continuación el aspecto general de la tabla del método Simplex: Tabla C1 C2 .. . esto es.... a1n P2 Cb2 b2 a21 a22 .  Se observa. Esta .. .. Estos se obtienen de la siguiente forma: Zj = Σ(Cbi·Pj) para i = 1.. esto es... .  Condición de parada: Se cumple la condición de parada cuando la fila indicadora no contiene ningún valor negativo entre los costes reducidos (cuando el objetivo es la maximización).. En tal caso no es necesario continuar iterando indefinidamente y se puede finalizar el algoritmo. ... Zn-Cn Z  Todos los valores incluidos en la tabla vendrán dados por el modelo del problema salvo los valores de la fila Z (o fila indicadora)... determinar la variable que se vuelve básica y la que deja de serlo.... encontrar el elemento pivote. actualizar los valores de la tabla y comprobar si se cumple nuevamente la condición de parada.. al realizar el método Simplex. . no existe posibilidad de mejora. Pm Cbm bm am1 am2 ... donde si j = 0.. Si no se cumple la condición de parada es necesario realizar una iteración más del algoritmo.. pudiéndose determinar directamente como el cambio de signo de los coeficientes de cada variable en la función objetivo. Es también posible determinar que el problema no se encuentra acotado y su solución siempre resultará mejorable. . -Cj... a2n . esto es.  Por este mismo motivo tampoco es necesario realizar los cálculos de los costes reducidos en la primera tabla. Pn P1 Cb1 b1 a11 a12 . y en caso contrario Pj = aij. P0 = bi y C0 = 0... Cn Base Cb P0 P1 P2 . que en esta primera tabla ocupan la base todas las variables de holgura y por ello (todos los coeficientes de las variables de holgura son 0 en la función objetivo) el valor inicial de Z es cero. amn Z0 Z1-C1 Z2-C2 .m.

o En el resto de las filas cada elemento se calcula: Nuevo Elemento Fila = Anterior Elemento Fila . Observando los costes reducidos en la fila Z. El resto de valores deberán calcularse como se explica a continuación: o En la fila del elemento pivote cada nuevo elemento se calcula como: Nuevo Elemento Fila Pivote = Anterior Elemento Fila Pivote / Pivote. .  Actualización de la tabla: Las filas correspondientes a la función objetivo y a los títulos permanecerán inalteradas en la nueva tabla. De esta forma se consigue que todos los elementos de la columna de la variable entrante sean nulos salvo el de la fila de la variable saliente cuyo valor será 1.  Elección de la variable que entra a la base: Cuando una variable se vuelve básica.situación ocurre cuando en la columna de la variable entrante a la base todos los valores son negativos o nulos. (Es análogo a utilizar el método de Gauss-Jordan para resolver sistemas de ecuaciones lineales). se determina que sale de la base la variable que se encuentre en aquella fila cuyo cociente P0/Pj sea el menor de los estrictamente positivos (teniendo en cuenta que esta operación se hará únicamente cuando Pj sea superior a 0). es decir.  Elección de la variable que sale de la base: Una vez obtenida la variable entrante. comienza a formar parte de la solución. entra en la base. se decide que entra a la base la variable de la columna en la que éste sea el de menor valor (o de mayor valor absoluto) entre los negativos.(Anterior Elemento Fila en Columna Pivote * Nuevo Elemento Fila Pivote).  Elemento pivote: El elemento pivote de la tabla queda marcado por la intersección entre la columna de la variable entrante y la fila de la variable saliente.

Realizar un cambio de variables y normalizar el signo de los términos independientes.  Normalizar las restricciones. Estableciéndose la correspondencia siguiente: o x pasa a ser X1 o y pasa a ser X2 Como los términos independientes de todas las restricciones son positivos no es necesario hacer nada.Ejemplo (parte 1): método Simplex Resolver mediante el método simplex el siguiente problema: Maximiza Z = f(x. Se convierten las inecuaciones en ecuaciones agregando variables de holgura.y) = 3x + 2y r sujeto a: 2x + y ≤ 18 2x + 3y ≤ 42 3x + y ≤ 24 x≥0. exceso y artificiales según la tabla siguiente: Tipo de desigualdad Tipo de variable que aparece ≥ . En caso contrario habría que multiplicar por "1" en ambos lados de la inecuación (teniendo en cuenta que esta operación también afecta al tipo de restricción).y≥0 Se consideran las siguientes fases: 1.exceso + artificial = + artificial . Se realiza un cambio en la nomenclatura de las variables.

3·X1 . Tabla I .X2 .m. mientras que la última fila contiene el valor la función objetivo y loscostes reducidos Zj . para convertirlas en igualdades. La última fila se calcula como sigue: Zj = Σ(Cbi·Pj) para i = 1.0·X5 = 0  Escribir la tabla inicial del método Simplex. P0 = bi y C0 = 0.0·X3 . La columna Cb contiene los coeficientes de las variables que se encuentran en la base. donde si j = 0.Cj.0·X4 . y las restricciones (en las filas).≤ + holgura En este caso se introduce una variable de holgura (X3. resultando el sistema de ecuaciones lineales: 2·X1 + X2 + X3 = 18 2·X1 + 3·X2 + X4 = 42 3·X1 + X2 + X5 = 24  Igualar la función objetivo a cero. La primera fila está formada por los coeficientes de la función objetivo. y por esta vez disponer Zj = -Cj. La tabla inicial del método Simplex está compuesta por todos los coeficientes de las variables de decisión del problema original y las de holgura.. Iteración nº 1 3 2 0 0 0 Base Cb P0 P1 P2 P3 P4 P5 P3 0 18 2 1 1 0 0 P4 0 42 2 3 0 1 0 . Aunque al tratarse de la primera tabla del método Simplex y ser todos los Cb nulos se puede simplificar el cálculo. X4 y X5) en cada una de las restricciones del tipo ≤. exceso y artificiales agregadas en el paso 2 (en las columnas. siendo P0 el término independiente y el resto de variables Pi coinciden con Xi). Z . y en caso contrario Pj = aij.

entonces se optará por aquella variable que sea básica. . Se determina en primer lugar la variable que entra en la base. Iteración nº 1 P5 Z  0 24 3 1 0 0 1 0 -3 -2 0 0 0 Condición de parada. Si existiesen dos o más coeficientes iguales que cumplan la condición anterior (caso de empate). En tal caso se llega al final del algoritmo ya que no existe posibilidad de mejora. Si el objetivo es la maximización. Para ello se escoge la columna cuyo valor en la fila Z sea el menor de entre todos los negativos. La columna de la variable que entra en la base se llama columna. Ante esta situación no es necesario continuar iterando indefinidamente y también se puede dar por finalizado el algoritmo. En este caso sería la variable X1 (P1) de coeficiente -3. Otro caso posible es que en la columna de la variable entrante a la base todos los valores son negativos o nulos. se ejecutan los siguientes pasos de forma iterativa. El valor de Z (columna P0) es la solución óptima del problema. De no ser así.  Elección de la variable entrante y saliente de la base. Esto indica que el problema no se encuentra acotado y su solución siempre resultará mejorable. cuando en la última fila (fila indicadora) no existe ningún valor negativo entre los costes reducidos (columnas P1 en adelante) se alcanza la condición de parada.Tabla I .

La decisión se toma en base a un sencillo cálculo: dividir cada término independiente (columna P0) entre el elemento correspondiente de la columna pivote. La intersección de la fila el elemento pivote.  pivote y columna pivote marca Actualizar la tabla. mientras que el resto de elementos de la columna pivote se anulan (análogo al método de Gauss-Jordan). 42/2 [=21] y 24/3 [=8] El término de la columna pivote que en la división anterior dio lugar al menor cociente positivo indica la fila de la variable de holgura que sale de la base.(Anterior Elemento Fila en Columna Pivote * Nuevo Elemento Fila Pivote) Con esto se normaliza el elemento pivote y su valor pasa a ser 1. En este caso resulta ser X5 (P5). dos o más resultados cumplen la condición para elegir el elemento saliente de la base (caso de empate). En este ejemplo: 18/2 [=9] . Esta fila se llama fila pivote (en color verde). de coeficiente 3. siempre que ambos elementos sean estrictamente positivos (mayores que cero). Se escoge la fila cuyo resultado haya resultado mínimo. se procede a determina cual será la variable que sale de la misma. se escoge aquella que no sea variable básica (siempre que sea es posible). en este caso el 3. En caso de que todos los elementos de la columna pivote fueran de ésta condición se habría cumplido la condición de parada y el problema tendría una solución no acotada. Si hubiera algún elemento menor o igual a cero no se realiza dicho cociente.Una vez obtenida la variable que entra en la base. Si al calcular los cocientes. . Los nuevos coeficientes de la tabla se calculan de la siguiente manera: o En la fila del elemento pivote cada nuevo elemento se calcula como: Nuevo Elemento Fila Pivote = Anterior Elemento Fila Pivote / Pivote o En el resto de las filas cada elemento se calcula: Nuevo Elemento Fila = Anterior Elemento Fila .

Se muestran a continuación los cálculos para la fila P4: Anterior fila P4 Anterior Elemento Fila en Columna Pivote Nueva fila pivote Nueva fila P4 42 2 3 0 1 0 - - - - - - 2 2 2 2 2 2 x x x x x x 8 1 1/3 0 0 1/3 = = = = = = 26 0 7/3 0 1 -2/3 La tabla correspondiente a esta segunda iteración es: Tabla II . Iteración nº 2 3 2 0 0 0 Base Cb P0 P1 P2 P3 P4 P5 P3 0 2 0 1/3 1 0 -2/3 P4 0 26 0 7/3 0 1 -2/3 P1 3 8 1 1/3 0 0 1/3 24 0 -1 0 0 1 Z .

 Al comprobar la condición de parada se observa que no se cumple ya que entre los elementos de la última fila hay uno negativo.2. Iteración nº 3 3 2 0 0 0 Base Cb P0 P1 P2 P3 P4 P5 P2 2 6 0 1 3 0 -2 P4 0 12 0 0 -7 1 4 P1 3 6 1 0 -1 0 1 30 0 0 3 0 -1 Z . -1. o 6. o 7. o 6. La variable que entra en la base es X2 (P2). por ser la variable que corresponde a la columna donde se encuentra el coeficiente -1. se dividen los términos de la columna P0 entre los términos correspondientes de la nueva columna pivote: 2 / 1/3 [=6] . Se continúa iterando nuevamente los pasos 6 y 7. Como el menor cociente positivo es 6.3. 26 / 7/3 [=78/7] y 8 / 1/3 [=24]. El elemento pivote es 1/3. la variable que sale de la base es X3 (P3). Actualizando nuevamente los valores de la tabla se obtiene: Tabla III .1. Para calcular la variable que sale. o 6.

por ser la variable que corresponde al coeficiente -1. Una nueva comprobación de la condición de parada revela que entre los elementos de la fila indicadora vuelve a haber uno negativo.2. 12/4 [=3]. El elemento pivote es 4. Iteración nº 4 2 0 0 0 Base Cb P0 P1 P2 P3 P4 P5 P2 2 12 0 1 -1/2 1/2 0 P5 0 3 0 0 -7/4 1/4 1 P1 3 3 1 0 3/4 -1/4 0 33 0 0 5/4 1/4 0 Z  3 Fin del algoritmo. se obtiene la tabla siguiente: Tabla IV . La variable que entra en la base es X5 (P5). En esta ocasión es X4 (P4). o 6. y 6/1 [=6].3. Se escoge la variable que sale calculando el cociente entre los términos de la columna de términos independientes y los términos correspondientes de la nueva columna pivote: 6/(-2) [=-3] . o 7. -1. Después de actualizar todas las filas.1. . o 6. Significa que aún no se ha llegado a la solución óptima y hay que seguir iterando (pasos 6 y 7): o 6.

es decir. además de la necesidad de estudiar el resultado obtenido para determinar si se desarrolla la segunda fase.3 El método de las dos fases. con la excepción de la construcción de la primera tabla. . FASE 1 Esta primera fase es muy similar al método Simplex. observando las filas correspondientes a las variables de decisión que han entrado en la base: X1 = 3 y X2 = 12. En tal caso. Una vez resuelto este primer problema. con algunas modificaciones. 2. en este ejemplo: 33. la última tabla de esta fase será. la utilizada como tabla inicial para la segunda fase. La primera fase trata de resolver el problema auxiliar Z' de minimizar la suma de las variables artificiales y conseguir que sea cero (con objeto de evitar incongruencias matemáticas). por tanto la condición de parada. no tiene solución y no será necesario continuar con la segunda fase. En caso contrario el problema no es factible. Deshaciendo el cambio de variables se obtiene x = 3 e y = 12. y siempre y cuando el resultado sea el esperado. La solución óptima viene dada por el valor de Z en la columna de los términos independientes (P0). En la misma columna se puede ver el punto donde se alcanza.Se observa que en la última fila todos los coeficientes son positivos cumpliéndose. se reorganiza la tabla resultante para utilizarla en la segunda fase sobre el problema original. El método de las Dos Fases se utiliza cuando aparecen variables artificiales en la forma canónica o estándar del problema.

en esta primera fase se resuelve un problema auxiliar (la minimización de la suma de las variables artificiales) con una función objetivo auxiliar... Zn Z Siendo Zj = Σ(Cbi·Pj) .. Tabla C0 C1 C2 .. Pm Cbm bm am1 am2 .. El valor de cada uno de estos coeficientes es "-1" debido a que se está minimizando la suma de dichas variables (recuerde que minimizar Z' es igual que maximizar (-1)·Z').. Cn Base Cb P0 P1 P2 . . Zn-k .......  Condición de parada y paso a la fase 2: ... . Por lo tanto en la primera fila de la tabla...m.... pero con algunas diferencias. a2n-k . Cn-k . y en caso contrario Pj = aij.. Pn P1 Cb1 b1 a11 a12 . La otra diferencia para la primera tabla radica en que ahora sí es necesario calcular la fila Z (o fila indicadora). Construcción de la primera tabla: Se elabora de manera análoga a la tabla inicial del método Simplex. donde se muestran los coeficientes de las variables de la función objetivo..Cj para i = 1. Pn-k .. a1n P2 Cb2 b2 a21 a22 . donde si j = 0... amn Z0 Z1 Z2 . . amn-k ...... aparecerán todos los términos a cero excepto los coeficientes de variables artificiales.. P0 = bi y C0 = 0. .. . . a1n-k . Como se ha comentado.... ... a2n ..... ....

todas las iteraciones hasta llegar a la solución óptima del problema no presentan ninguna diferencia con el método Simplex. Esto se hace observando el resultado obtenido en la primera fase: si su valor es 0. Este paso es muy sencillo. y reconstruir la tabla inicial. Esto es. A partir de este punto. FASE 2 La segunda fase del método de las Dos Fases se desarrolla exactamente igual que el método Simplex. EJEMPLO Minimizar Sujeto a: . cuando en la fila indicadora ninguno de los valores de los costes reducidos es negativo (ya que tal y como se ha planteado el objetivo es la maximización de (1)·Z'). Cumplida la condición de parada es necesario determinar si es posible pasar a la segunda fase para obtener la solución óptima del problema original. significa que el problema original tiene solución y es posible calcularla.  Construcción de la tabla inicial: La tabla inicial en este caso se mantiene casi igual a la última tabla de la primera fase. con la salvedad de que antes de iniciar las iteraciones hay que eliminar las columnas correspondientes a las variables artificiales. debemos preparar nuestra tabla para la segunda fase. Únicamente habrá que modificar la fila de la función objetivo por la del problema original y calcular nuevamente la fila Z (de la misma forma que en la primera tabla de la fase 1). en caso contrario indica que se trata de un problema no factible y no tiene solución.La condición de parada es la misma que en el método Simplex normal. se trata únicamente de eliminar las columnas correspondientes a las variables artificiales.  Eliminar Columna de variables artificiales: Si hemos llegado a la conclusión de que el problema original tiene solución.

B.Minimizar Sujeto a: FASE I Minimizar Sujeto a: Minimizar Sujeto a: V. Z X1 X2 S1 S2 R1 R2 Solución Z 1 0 0 0 0 -1 -1 0 .

Minimizar .R1 0 2 3 -1 0 1 0 36 R2 0 3 6 0 -1 0 1 60 FASE II.

. DEGENERACION. El problema se conoce como ciclaje y afortunadamente raras veces se presenta en la práctica. Un empate al elegir la variable que sale se rompe arbitrariamente. 1. Soluciones factibles no existentes. en cuyo caso se dice que la solución es degenerada. Soluciones óptimas múltiples. ya que la nueva solución óptima puede permanecer degenerada de ser así. En una situación de degeneración es esencial llevar las iteraciones del método simplex hasta que se satisfaga completamente la condición de optimidad. En este punto no existe la seguridad de que el valor de la función objetivo mejorará.4 Casos especiales Existen casos especiales que se encuentran a menudo en las aplicaciones del método simplex.2. es posible que las iteraciones del simplex entren en un circuito que repetirá las misma(as) sucesión de iteraciones sin alcanzar nunca la óptima. El problema ocurre en la siguiente iteración donde los valores de una o más variables básicas llegan a ser cero. los más importantes son:     Degeneración. Soluciones óptimas no acotadas.

.

En este caso se dice que se tienen soluciones óptimas múltiples debido a que la solución óptima se encuentra en un segmento de recta que es acotado por una de las restricciones.2. . SOLUCIONES ÓPTIMAS MULTIPLES. Existen problemas que tienen más de una solución óptima.

. por lo que la solución óptima es infinita. Existen problemas para los cuales una o más de las variables pueden aumentarse indefinidamente mejorando en forma indefinida la función objetivo. se dice que la solución óptima no está acotada.3. En esta situación. SOLUCIONES ÓPTIMAS NO ACOTADAS.

. SOLUCIONES FACTIBLES NO EXISTENTES. Esta situación se identifica en la tabla del método simplex cuando se llega a la solución óptima y aún no desaparecen las variables artificiales. Este problema termina anotando que no existen soluciones factibles.4. Existen problemas para los cuales no hay espacio de soluciones que cumplan con todas las restricciones.

.

hay que especificar qué módulo utilizaremos.5 Uso de software POM-QM es un programa para la gestión de producción/operaciones. en este caso. los módulos QM o ambos módulos de POM y QM.2. métodos cuantitativos. Al abrir el programa. El programa puede configurándose para mostrar los módulos de POM. el de “Linear Programming”. ciencia de la gestión e investigación de operaciones. . Ejercicio a resolver: Minimizar Z =x1 + x 2 Sujeto a – x1 + x2 ≤ 3 2 x 1 + x 2 ≤ 18 x2 ≥ 6 x1 . x2 ≥ 0 En la siguiente tabla deberemos ingresar los coeficientes que corresponden a cada variable y restricción.

siendo la última iteración aquella que contiene los resultados finales. damos clic al botón color verde “Solve”. enseguida seleccionaremos “Iterations” para que nos muestre los pasos en los que se ha ido resolviendo el problema. Solución Óptima: Z =9 x1 =3 x 2=6 S 2=6 S 1=0 S3=0 . Por último nos serán visibles todas las iteraciones que se calcularon para llegar a una solución óptima.Ya ingresados los coeficientes.

La búsqueda se hace siempre a través de los lados del polígono (o de las aristas del poliedro. (En línea) En: http://www.com/teoria_metodo_simplex.). (Consultado el 1 de Marzo).htm  Teoría del método simplex.mx/academico/carreras/industrial/invoperaciones1 /U2D. (En línea)En: http://www. En caso de que después de éste proceso. (En línea)En: http://www. f. (Consultado el 1 de Marzo). El proceso concluye cuando no es posible seguir mejorando más dicha solución.itlalaguna.edu. Cómo el número de vértices (y de aristas) es finito. (s. a lo largo de la cual f aumenta. PHPSimplex.phpsimplex.). siempre se podrá encontrar la solución. Partiendo del valor de la función objetivo en un vértice cualquiera. Deberá tenerse en cuenta que este método sólo trabaja para restricciones que tengan un tipo de desigualdad “≤” y coeficientes independientes mayores o iguales a 0. siendo el más común el método de las Dos Fases. (s.f.6 CONCLUSIÓN El método Simplex es un procedimiento iterativo que permite ir mejorando la solución a cada paso.htm  Apuntes de segunda unidad. si el número de variables es mayor). 2. PHPSimplex. entonces hay una arista que parte de A. .phpsimplex. (Consultado el 1 de Marzo).html Método simplex.f. y habrá que estandarizar las mismas para el algoritmo. el método consiste en buscar sucesivamente otro vértice que mejore al anterior. no toma su valor máximo en el vértice A.2. aparezcan (o no varíen) restricciones del tipo “≥” o “=” habrá que emplear otros métodos.com/ejemplo_metodo_simplex.f.). El método Simplex se basa en la siguiente propiedad: si la función objetivo.7 BIBLIOGRAFÍA   Método de las dos fases. (s.