13 Optimización PDF

RECURSOS HIDRÁULICOS
DISEÑO Y ANÁLISIS: OPTIMIZACIÓN
HH – 333 H
ING. JUAN CABRERA

OPTIMIZACIÓN (1)
 Muchos problemas en mundo real tienen varias soluciones,

y algunos tienen infinitas soluciones.
 El propósito de la optimización es encontrar la mejor
solución, entre todas las posibles, para un problema dado.
 La formulación del problema involucra seleccionar
variables interrelacionadas (variables de diseño o de
decisión), direccionadas a un objetivo, diseñado para
cuantificar el desempeño y medir la calidad de la decisión,
denominada “Función objetivo”.
OPTIMIZACIÓN (2)
 El Objetivo es maximizado o minimizado, dependiendo de la

formulación, sujeto a restricciones que pueden limitar la
selección de valores de las variables de diseño.
 Los métodos de optimización se clasifican en:

 Métodos analíticos: uso del cálculo diferencial (insuficiente
para problemas no lineales);
 Métodos numéricos: algoritmos (procedimientos
iterativos);
 Otros: métodos gráficos, métodos experimentales, estudio
de casos.
OPTIMIZACIÓN (3)
 Casi siempre, interés en optimización se centra en solución

de problemas reales, los que deben ser representados
matemáticamente.
 Optimización de representación matemática de procesos
reales presenta 2 tipos de dificultades:
1. Formulación del modelo matemático (representatividad)
(función a ser optimizada ó función objetivo);
2. Técnica de solución:
 Existencia de varios extremos locales y globales;
 Se supone que coeficientes y variables del modelo

(función objetivo) no son variables aleatorias;
 Errores de redondeo de aritmética punto flotante.
PROBLEMAS MATEMÁTICOS DE OPTIMIZACIÓN (1)
 Consisten en maximización o
minimización de funciones
algebraicas de una o más variables.
 Selección de variables pueden
estar restringidas por ecuaciones o
inecuaciones algebraicas llamadas
restricciones, de forma tal que
objetivo no es encontrar mejor
valor posible sino mejor valor
permitido por restricciones.
FÓRMULA GENERAL DE UN PROBLEMA DE
OPTIMIZACIÓN
 Encontrar x tal que se

maximice o minimice una
función objetivo f(x), sujeto
a restricciones: gi(x) =
bi (i = 1,…, m)
gj(x)  bj (j = m,…, k)
Donde:
x es un vector de n variables
independientes.
EJEMPLOS DE OPTIMIZACIÓN EN INGENIERÍA
1. Diseño de un avión para un mínimo peso y máxima

resistencia;
2. Trayectorias óptimas de vehículos espaciales;
3. Diseño de estructuras con mínimo costo;
4. Diseño de proyectos de abastecimiento de agua, como en
presas, para mitigar daño por inundación mientras se
obtiene máxima generación de potencia;
5. Diseño de bombas y equipos de transferencia de calor
para máxima eficiencia;
6. Análisis estadístico y modelado con un mínimo error (e.g.,
redes neuronales);
7. Redes de tuberías óptimas;
PROGRAMACIÓN LINEAL (1)
 Maximizar o Minimizar una variable dependiente que está en

función de otras independientes, las mismas que están sujetas a
varias restricciones.
 Las variables dependientes por lo general son objetivos

económicos (beneficios, producción, costos, etc).
 La asunción de linealidad entre la variable dependiente y las

independientes es esencial; esto es, se asume que la ecuación es
de la forma:
Z  C1 X1  C2 X 2  ............  CnXn
Z  C1 X1  C2 X 2  ............  CnXn
donde Z es la variable dependiente y X1, X2 ...... Xn son las

variables independientes que afectan el valor de Z.
 La ecuación anterior es denominada función objetivo y los

coeficientes C1, C2, ...., Cn son las constantes
 En la práctica se asume que todas las restricciones de las variables

independientes tienen la forma de desigualdades lineales. Las
variables X1, X2, ....... Xn están sujetas a algunas restricciones de la
forma:
A11X1 + A12X2 + … + A1nXn  B1

A21X1 + A22X2 + .. ..+ A2nXn  B2
Am1X1 + Am2X2 + ... .+ AmnXn  Bm
donde, los coeficientes Aji son constantes, Bj limita o restringe a Z,

como resultados de la restricción de las variables independientes
Xi.
 Para resolver un problema de PL, independientemente del método

a utilizar, se debe definir primero:
- Las variables de decisión;
- La función objetivo;
- La restricciones.
MÉTODOS DE SOLUCIÓN
 Para solucionar un problema de programación

lineal, existen varios métodos siendo los más
comunes y usados los siguientes:
- Método Gráfico
- Método Algebraico o método Simplex
MÉTODO GRÁFICO
 Es práctico cuando en el problema hay solo dos

variables o en algunos casos hasta tres variables.
 Sin considerar el número de restricciones, el

problema con dos variables siempre puede ser
representado en un plano o en un espacio de dos
dimensiones, lo cual simplifica el análisis; pero,
cuando existen más de tres variables involucradas
en el problema, este método no es recomendado.
MÉTODO GRÁFICO : PASOS (1)
El método gráfico en el caso de dos variables sigue los

siguientes pasos:
1. Dibujar el recinto limitado por las restricciones del

problema.
2. Representar gráficamente la función objetivo
igualada a cero: mx + ny =0
3. Desplazar paralelamente la recta mx + ny = 0 hacia
la derecha y/o hacia la izquierda, hasta que pase
por cada uno de los vértices del recinto (región
factible).
MÉTODO GRÁFICO : PASOS (1)
El óptimo máximo será el vértice de la región factible

cuya recta tenga mayor ordenada en el origen (más
alejado hacia la derecha si la recta es creciente).
El óptimo mínimo el vértice cuya recta tenga menor

ordenada en el origen (más alejado hacia la izquierda).
PROBLEMA 1
 Resolver:
Función objetivo: máx 5A + 6B
sujeto a : 3A + 5B ≤ 30
2A + 3B ≤ 12
A + 5B ≥ 15
4A + B ≤ 8
SOLUCIÓN PROBLEMA 1
 Graficamos las restricciones.

Para ello graficamos los puntos (0,B), y (A,0) en
cada una de ellas:
PUNTO 1 (A=0) PUNTO 2 (B=0)
RESTRICCIONES A B A B
restricción 1 0 6 10 0
LA SOLUCIÓN ÓPTIMA : A=1.2 y B=3.2

EL VALOR ÓPTIMO : 25.2
PROBLEMA 2
 Resolver:
Función objetivo: máx 3A + 7B
sujeto a: 6A + 11B ≤ 66
2A + B ≤ 10
0.5A + 0.4B ≥ 6
A+B≥4
 Graficamos las restricciones. Para ello graficamos

los puntos (0,B), y (A,0) en cada una de ellas:

 NO hay solución
PROBLEMA 3
Una compañía fabrica dos productos, “A” y “B”. Cada uno de los
productos tiene que procesarse en los departamentos de
maquinado y terminado. En la siguiente tabla se presentan las
horas requeridas en cada departamento para fabricar una unidad
de producto y las horas disponibles en cada departamento:
Horas por unidad de producto Horas

Departamento
A B disponibles
Maquinado 1 2 200
Acabado 1 0.5 125
Además la escasez de materiales para el producto “B” limita su

producción a un máximo de 75 unidades. Por fabricar y vender
una unidad de “A” se obtiene una utilidad de $4, y por cada
unidad de “B” se obtiene una utilidad de $3.
 Las variables de decisión:

A : número de productos tipo “A” fabricados
B : número de productos tipo “B” fabricados
 Para maximizar ganancias, la función objetivo será:

MAX Z=4A + 3B
 Las restricciones serán:

POR MAQUINADO : A+2B ≤ 200
POR ACABADO : A+0.5B ≤ 125
POR ESCASEZ : B ≤ 75
NO NEGATIVIDAD : X1, X2≥0

LA SOLUCIÓN ÓPTIMA: A=100 y B=50

EL VALOR ÓPTIMO : 550
PROBLEMA 4
Se dispone de 80 unidades de agua para regar caña y pastos.

La tierra total disponible es de 150Ha. LA caña necesita 0.8
unidades de agua/Ha y rinde $40/Ha de beneficio.
El pasto necesita de 0.4 unidades de agua/Ha y rinde
$30/Ha de beneficio.
Determine las hectáreas de tierra que deben sembrarse de
caña y de pasto, de tal manera que pueda obtenerse el
máximo beneficio por la cosecha.
 Las variables de decisión:

x1 : hectáreas de caña
x2 : hectáreas de pasto
 Para maximizar ganancias, la función objetivo será:

MAX Z=40x1 + 30x2

0.8x1 + 0.4x2 ≤ 80 unidades de agua
x1 + x2 ≤ 150 hectáreas de tierra
x1, x2≥0
PUNTO 1 (x1=0) PUNTO 2 (x2=0)

RESTRICCIONES x1 x2 x1 x2
LA SOLUCIÓN ÓPTIMA: x1=50 y x2=100

EL VALOR ÓPTIMO : $ 5000
SOLUCIÓN PROBLEMA 4: LINGO
MÉTODO SIMPLEX
 El método Simplex es un método secuencial de

optimización y puede ser empleado, tanto para
maximizar como para minimizar una respuesta es
considerado uno de los métodos básicos.
 El método símplex resuelve la programación lineal

en iteraciones. Cada iteración desplaza la solución a
un nuevo punto esquina que tiene potencial de
mejorar el valor de la función objetivo. El proceso
termina cuando ya no se pueden obtener mejoras.
 El método tiene un rango muy amplio de

aplicación y utilización. Su aplicación es un
problema iterativo muy usado por la mayoría de
programas o paquetes de cómputo.
MÉTODO SIMPLEX: PASOS
Paso 1: Transformar el problema de PL a su forma

estándar (restricciones en forma de ecuaciones) para
luego escribirlo en un formato de tabla.
La forma estándar del problema de PL, tiene las

siguientes propiedades:
a. Todos las restricciones son ecuaciones con un lado

derecho no negativo.
b. Todos las variables son no negativas.
c. La función objetivo puede ser del tipo de
maximización o de minimización.
MÉTODO SIMPLEX: PASOS
Paso 2: Elija una solución básica inicial,

generalmente es el problema escrito en su forma
estándar.
Paso 3: Genere nuevas soluciones básicas

factibles utilizando las condiciones de optimidad y
factibilidad hasta que se obtenga la solución óptima.
Este paso supone que la solución óptima existe y
esta acotada.
¿CÓMO CONVERTIR DESIGUALDADES A ECUACIONES?
 Una desigualdad del tipo  se convierte a una

ecuación aumentando su lado izquierdo una variable
de holgura (superavit).
Ejemplo : x1 + 2 x2  3
es equivalente a: x1 + 2x2 + S1 = 3
 Una desigualdad del tipo  se convierte a una

ecuación restando su lado izquierdo una variable de
holgura.
Ejemplo: 3x1 + x2  5
es equivalente a: 3x1 + x2 – S1 = 5
PROBLEMA 6
Maximizar Z = f(x1,x2) = 3x1 + 2x2
Sujeto a: 2x1 + x2 ≤ 18
2x1 + 3x2 ≤ 42
3x1 + x2 ≤ 24
x1 ≥ 0 , x2 ≥ 0
1. Convertir las desigualdades en igualdades:
2x1 + x2 + s1 = 18
2x1 + 3x2 + s2 = 42
3x1 + x2 + s3 = 24
2. Igualar la función objetivo a cero y agregar la

variables de holgura del sistema anterior:
Z - 3 x1 - 2 x2 = 0
Cuando minimizamos se toma el valor (+) positivo de Fo

para convertirlo en negativo y cuando maximizamos
tomamos el valor (-) negativo de Fo para convertirlo en
positivo.
3. Escribir el tablero inicial simplex:
Una fila para cada restricción y la última fila con los

coeficientes de la función objetivo:
Tablero Inicial
Base Variable de Variable de holgura Solución
decisión
X1 X2 S1 S2 S3
S1 2 1 1 0 0 18
S2 2 3 0 1 0 42
S3 3 1 0 0 1 24
Z -3 -2 0 0 0 0
4. Encontrar la variable de decisión que entra en la

base y la variable de holgura que sale de la base
A. Para escoger la variable de decisión que entra en la

base, (FLECHA ROJA SUPERIOR), observamos la
ultima fila (correspondiente a la función objetivo) y
escogemos la variable con el coeficiente más negativo
(en valor absoluto), en este caso, la variable x1 de
coeficiente – 3 (si existiesen dos o más coeficientes
iguales, se elige cualquiera de ellos).
Si en la última fila no existiese coeficientes negativos,

significa que se ha alcanzado la solución óptima.
La columna de la variable que entra en la base se

llama columna pivote (en color azulado).
B. Para encontrar la variable de holgura que tiene que

salir de la base, (FLECHA ROJA IZQUIERDA) se
divide cada término de la última columna (valores
solución) por el término correspondiente de la
columna pivote, siempre que estos últimos sean
mayores que cero.
Si hubiese algún elemento menor o igual que cero
no se hace dicho cociente. En el caso de que todos
los elementos fuesen menores o iguales a cero,
entonces tendríamos una solución no acotada y no
se puede seguir.
El término de la columna pivote (3) que en la división
anterior dé lugar al menor cociente positivo (8), indica la
fila de la variable de holgura que sale de la base, S3. Esta
fila se llama fila pivote (en color azulado).
Iteración No. 1
Base Variable de Variable de holgura Solución Operación
decisión
X1 X2 S1 S2 S3
S1 2 1 1 0 0 18 18/2 = 9
S2 2 3 0 1 0 42 42/2 = 21
S3 3 1 0 0 1 24 24/3 = 8
Z -3 -2 0 0 0 0
Si al calcular los cocientes, dos o más son iguales,

indica que cualquiera de las variables
correspondientes pueden salir de la base.
C.En la intersección de la fila pivote y columna pivote

tenemos el elemento pivote operacional, 3, este
indica que la variable de decisión X1 entra y la
variable de holgura S3 sale.
5. Encontrar los coeficientes del nuevo tablero
simplex.
Los nuevos coeficientes de la fila pivote se obtienen

dividiendo todos los coeficientes de la fila por el pivote
operacional “3”, ya que este se debe convertir en 1.
Mediante reducción gaussiana hacemos ceros los
restantes términos de la columna pivote, obteniendo los
nuevos coeficientes para el nuevo tablero.
Resultado de Iteración No. 1
decisión
X1 X2 S1 S2 S3
S1 0 1/3 1 0 -2/3 2 f(S1) – 2 f(X1)
S2 0 7/3 0 1 -2/3 26 f(S2) – 2 f(X1)
X1 1 1/3 0 0 -1/3 8 (1/3) X1
Z 0 -1 0 0 1 24 f(Z) + 3 f(X1)
En la última fila hay un numero negativo, -1; esto
significa que no hemos llegado aún a la solución
óptima. Repetimos el proceso:
A. La variable que entra en la base es x2, por ser la

columna pivote que corresponde al coeficiente -1
B. Para definir la variable que sale o la fila pivote,

dividimos los términos de la columna solución entre
los términos de la nueva columna pivote: como el
menor cociente positivo es 6, tenemos que la fila
pivote y la variable de holgura que sale es S1.
C. El elemento pivote, que ahora hay que hacer 1,

es 1/3. Y se opera de forma análoga a la anterior
iteración
Iteración No. 2
decisión
X1 X2 S1 S2 S3
S1 0 1/3 1 0 -2/3 2 2/(1/3) = 6

S2 0 7/3 0 1 -2/3 26 26/(7/3) = 78/7
X1 1 1/3 0 0 -1/3 8 8/(1/3) = 24
Z 0 -1 0 0 1 24

decisión
X1 X2 S1 S2 S3
X2 0 1 3 0 -2 6 3X2
S2 0 0 -7 0 4 12 f(S2) – (7/3) f(X2)
X1 1 0 -1 0 1 6 f(X1) – (1/3) f(X2)
Z 0 0 3 0 -1 30 f(Z) + f(X2)
Como en los elementos de la última fila hay uno
negativo, -1, repetimos el proceso:
A. La variable que entra en la base es S3, por ser la

variable que corresponde al coeficiente -1
B. Para calcular la variable que sale, dividimos los

términos de la última columna entre los términos
correspondientes de la nueva columna pivote:
6/(-2) [=-3] , 12/4 [=3], y 6:1 [=6]
y como el menor cociente positivo es 3, tenemos

que la variable de holgura que sale es S2.
C. El elemento pivote, que ahora hay que hacer

1, es 4.
Iteración No. 3
decisión
X1 X2 S1 S2 S3
X2 0 1 3 0 -2 6 No se toma por
ser negativo
S2 0 0 -7 0 4 12 12/4 = 3
X1 1 0 -1 0 1 6 6/1 = 6
Z 0 0 3 0 -1 30 No se toma por
ser negativo

decisión
X1 X2 S1 S2 S3
X2 0 1 -1/2 0 0 12 f(X2) + 2 f(S3)
S3 0 0 -7/4 0 1 3 (1/4) S3
X1 1 0 -3/4 0 0 3 f(X1) – f(S3)
Z 0 0 5/4 0 0 33 f(Z) + f(S3)
Como todos los coeficientes de la fila de la función
objetivo son positivos, hemos llegado a la solución
óptima.
Los solución óptima viene dada por el valor de Z en

la columna de los valores solución, en nuestro caso: 33.
Tablero Final
Base Variable de Variable de holgura Solución
decisión
X1 X2 S1 S2 S3
X2 0 1 -1/2 0 0 12
S3 0 0 -7/4 0 1 3
X1 1 0 -3/4 0 0 3
Z 0 0 5/4 0 0 33
SOLUCIÓN PROBLEMA 6: LINGO
PROBLEMA 7
Maximizar: Z = 3x1 + 2x2 + 5x3

Sujeta a:
x1 + 2x2 + x3  430
3x1 + 0x2 + 2x3  460
x1 + 4x2 + 0x3  420
x1, x2, x3  0
1. Convertir las desigualdades en igualdades:
x1 + 2x2 + x3 +S1 = 430

3x1 + 0x2 + 2x3 +S2 = 460
x1 + 4x2 + 0x3 +S3 = 420
2. Igualar la función objetivo a cero:
Z - 3x1 - 2x2 - 5x3 =0

3 y 4. Escribir el tablero inicial simplex y detectar los

pivotes:
Tablero Inicial
Base Variable de decisión Variable de holgura Solución
X1 X2 X3 S1 S2 S3
S1 1 2 1 1 0 0 430 430/1
S2 3 0 2 0 1 0 460 460/2
S3 1 4 0 0 0 1 420 no
Z -3 -2 -5 0 0 0 0 no
5. Encontrar los coeficientes del nuevo tablero
simplex.
Se dividen todos los coeficientes de la fila por el

pivote operacional “2”, para que se convierta en 1, y se
realiza una reducción gaussiana.
Primera Iteración
Base Variable de decisión Variable de holgura Solución
X1 X2 X3 S1 S2 S3
S1 -0.5 2 0 1 -0.5 0 200 200/2
x3 1.5 0 1 0 0.5 0 230 no
S3 1 4 0 0 0 1 420 420/4
Z 4.5 -2 0 0 2.5 0 1150 no
Se repite el procedimiento hasta contar solamente

con coeficientes positivos en Z:
Segunda Iteración
Base Variable de decisión Variable de holgura Solució
n
X1 X2 X3 S1 S2 S3
x2 -0.25 1 0 0.5 -0.25 0 100
x3 1.5 0 1 0 0.5 0 230
S3 2 0 0 -2 1 1 20
Z 4 0 0 1 2 0 1350
PROBLEMA 7
En la excavación de un canal de drenaje se dispone de dos

mototraíllas, cada una de las cuales presenta los siguientes
parámetros:
Rendimiento/día Costo/Unidad de volumen
(m3/día) ($/m3)
Terreno Terreno
Mototraílla Terreno Duro Blando Terreno Duro Blando
A 80 140 25 15
B 100 150 40 20
De acuerdo con el proyecto de organización de la construcción se

deben excavar diariamente como mínimo 200 m3 de ambos tipos
de terreno así como 20 m3 de terreno duro. Formule y construya
el modelo matemático de Programación Lineal que minimice los
costos de excavación diarios.
PROBLEMA 8
Se quiere construir una presa flexible para lo cual dentro de las

diversas obras se requiere 6300 m3 de material fino, 1890 m3 de
enrocado y 495 m3 de hormigón. Si se tiene las canteras A, B y C
que proveen un material adecuado en cantidad y calidad para
material fino, enrocado y hormigón respectivamente cuyas
distancias en forma correspondiente son de 30 km, 40 km y 60
km. Se desea especificar el número de volquetes para optimizar
costos.
Datos adicionales: Información sobre los tipos de volquete
Tipo Volquete P Q R
Unidades 80 100 50
Volumen (m3) 10 12 14
Rendimiento 81% 80% 80%
Horas diarias de trabajo 13 13 10
Alquiler diario (S/.) 850 900 950
PROBLEMA 8
Los volquetes al llegar a la cantera tienen un tiempo de espera y

con el de llenado hacen 6 minutos; en cancha el tiempo de
maniobras es de 3 minutos. Las características de la ruta a cada
cantera permite desarrollar las siguientes velocidades:
Cantera A B C
Velocidad Cargado (Km./Hr.) 20 30 45
Velocidad Vacío (Km./Hr.) 30 45 60
TAREA
 Elaborar una hoja de excel que desarrolle el
método Simplex en forma tabular (5 variables).
 Trabajo individual.
 Fecha de entrega: hasta la medianoche del
domingo 16 de noviembre.
 Enviar al correo rhidalgouni@gmail.com

13 Optimización PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

13 Optimización PDF

Uploaded by

Copyright:

Available Formats

RECURSOS HIDRÁULICOS

DISEÑO Y ANÁLISIS: OPTIMIZACIÓN

ING. JUAN CABRERA

 Muchos problemas en mundo real tienen varias soluciones,

 El Objetivo es maximizado o minimizado, dependiendo de la

 Los métodos de optimización se clasifican en:

 Casi siempre, interés en optimización se centra en solución

 Se supone que coeficientes y variables del modelo

 Encontrar x tal que se

1. Diseño de un avión para un mínimo peso y máxima

 Maximizar o Minimizar una variable dependiente que está en

 Las variables dependientes por lo general son objetivos

 La asunción de linealidad entre la variable dependiente y las

donde Z es la variable dependiente y X1, X2 ...... Xn son las

 La ecuación anterior es denominada función objetivo y los

 En la práctica se asume que todas las restricciones de las variables

A11X1 + A12X2 + … + A1nXn  B1

donde, los coeficientes Aji son constantes, Bj limita o restringe a Z,

 Para resolver un problema de PL, independientemente del método

- Las variables de decisión;

 Para solucionar un problema de programación

 Es práctico cuando en el problema hay solo dos

 Sin considerar el número de restricciones, el

El método gráfico en el caso de dos variables sigue los

1. Dibujar el recinto limitado por las restricciones del

El óptimo máximo será el vértice de la región factible

El óptimo mínimo el vértice cuya recta tenga menor

 Graficamos las restricciones.

LA SOLUCIÓN ÓPTIMA : A=1.2 y B=3.2

 Graficamos las restricciones. Para ello graficamos

PUNTO 1 (A=0) PUNTO 2 (B=0)

Horas por unidad de producto Horas

Además la escasez de materiales para el producto “B” limita su

 Las variables de decisión:

 Para maximizar ganancias, la función objetivo será:

 Las restricciones serán:

 Las restricciones serán:

PUNTO 1 (A=0) PUNTO 2 (B=0)

LA SOLUCIÓN ÓPTIMA: A=100 y B=50

Se dispone de 80 unidades de agua para regar caña y pastos.

 Las variables de decisión:

 Para maximizar ganancias, la función objetivo será:

 Las restricciones serán:

 Las restricciones serán:

PUNTO 1 (x1=0) PUNTO 2 (x2=0)

LA SOLUCIÓN ÓPTIMA: x1=50 y x2=100

 El método Simplex es un método secuencial de

 El método símplex resuelve la programación lineal

 El método tiene un rango muy amplio de

Paso 1: Transformar el problema de PL a su forma

La forma estándar del problema de PL, tiene las

a. Todos las restricciones son ecuaciones con un lado

Paso 2: Elija una solución básica inicial,

Paso 3: Genere nuevas soluciones básicas

 Una desigualdad del tipo  se convierte a una

 Una desigualdad del tipo  se convierte a una

Maximizar Z = f(x1,x2) = 3x1 + 2x2

1. Convertir las desigualdades en igualdades:

2. Igualar la función objetivo a cero y agregar la

Cuando minimizamos se toma el valor (+) positivo de Fo

3. Escribir el tablero inicial simplex:

Una fila para cada restricción y la última fila con los

4. Encontrar la variable de decisión que entra en la