INFORME DE INVESTIGACIÓN

Resumen/Abstract
Índice

I) INTRODUCCIÓN
El agua es un recurso básico para el desarrollo humano. Tradicionalmente, el
suministro de agua se ha realizado de forma que se abastecía el 100% de las
necesidades de agua demandadas por los distintos usuarios. El incremento
de los costes de abastecimiento y la escasez de recursos hídricos en
determinadas áreas ha planteado la necesidad de desarrollar sistemas de
suministro de agua más sostenibles. En este contexto, nace el concepto de
Gestión Integral de Recursos Hídricos (GIRH), cuyo objetivo es equilibrar la
oferta y la demanda de agua en base a la disponibilidad de recursos hídricos,
tanto convencionales como no convencionales e integrando aspectos tanto
cuantitativos como cualitativos. Por ejemplo, aunque desde el punto de vista
es viable la producción de agua potable a partir de agua regenerada, lo cierto
es que por razones de aceptabilidad, la reutilización de agua residual está
limitada básicamente al ámbito agrícola. Sin embargo, bajo la perspectiva de
GIRH, en áreas de escasez hídrica podría realizarse la transferencia de agua
subterránea (alta calidad) desde la agricultura a usos urbanos e industriales
y abastecer a la agricultura con agua regenerada. En definitiva, se trata de
realizar una distribución de los recursos hídricos disponibles teniendo en
cuenta la calidad requerida para cada usuario.
En los últimos años, se ha puesto de manifiesto que uno de los retos más
importantes en áreas deficitarias de agua es la asignación del agua disponible
ya que la competencia por uso entre la demanda agrícola, urbana, industrial
y ambiental se ha intensificado. En este sentido, se han desarrollado diversos
modelos de optimización cuyo objetivo es mejorar la gestión y planificación
de los recursos hídricos. Debido a que tradicionalmente la agricultura es el
usuario con mayor demanda de agua, un amplio número de modelos de
optimización se han centrado en la asignación óptima de recursos hídricos
en sistemas agrícolas.
Más recientemente, los modelos de optimización han incorporado el
concepto de recursos hídricos no convencionales.

II) ANTECEDENTES
 Desde la década de los años sesenta, los sistemas de agua subterránea han
sido estudiados mediante modelos matemáticos de simulación, los cuales se
han venido desarrollando de una forma vertiginosa. En los últimos años, los
modelos de simulación han sido combinados con técnicas de optimización
para determinar la mejor estrategia a seguir en la administración del recurso
hídrico, con un objetivo específico y un conjunto de restricciones (Galloway
2003).
Estas técnicas de optimización pueden ser clasificadas en dos grupos: las
técnicas no determinísticas, dentro de la que se pueden mencionar a las
redes neuronales y los algoritmos evolutivos fundamentalmente; y la
técnicas determinísticas, dentro de las que se encuentran, entre otras, la
programación lineal, la cuadrática y la programación dinámica (Marrero,
1985).

III) BASES TEÓRICAS

IV) MÉTODOS Y MATERIALES
1) INTRODUCCIÓN A LAS TÉCNICAS DE OPTIMIZACIÓN
1.1. Motivos para estudiar Optimización
Existe una enorme variedad de actividades en el mundo cotidiano
que pueden ser útilmente descritas como sistemas, desde
sistemas físicos tales como una planta industrial hasta entidades
teóricas tales como los modelos económicos. La operación
eficiente de esos sistemas usualmente requiere un intento por
optimizar varios índices que miden el desempeño del sistema.
Algunas veces, esos índices son cuantificados y representados
como variables algebraicas. Entonces se deben encontrar valores
para esas variables, que maximicen la ganancia o beneficio del
sistema, o bien minimicen los gastos o pérdidas. Se asume que
las variables dependen de ciertos factores. Algunos de esos
factores a veces están bajo el control (al menos parcialmente) del
analista responsable del desempeño del sistema.

El proceso de administración de los recursos escasos de un

sistema se suele dividir en seis fases:
i análisis matemático del sistema
ii construcción de un modelo matemático que refleja los
aspectos importantes del sistema
iii validación del modelo
iv manipulación del modelo a fin de obtener una solución
satisfactoria, si no óptima
v implementación de la solución seleccionada
vi introducción de una estrategia de control del desempeño del
sistema después de la implementación efectuada.

La cuarta fase, la manipulación del modelo, es la que concierne a

la teoría de la optimización. Las otras fases son muy importantes
 en la administración de cualquier sistema y probablemente
requerirán mayor esfuerzo total que la fase de optimización.

Sin embargo, en esta presentación de la optimización se asumirá

que las demás fases fueron o serán resueltas aparte. Debido a que
la teoría de la optimización brinda este eslabón en la cadena de la
administración de sistemas constituye un cuerpo importante del
conocimiento matemático.

1.2. El alcance de optimización

Una de las herramientas más importantes de la optimización es
la programación lineal. Un problema de programación lineal está
dado por una función lineal de varias variables que debe ser
optimizada (maximizada o minimizada) cumpliendo con cierto
número de restricciones también lineales.
El matemático G.B. Dantzig desarrolló un algoritmo llamado el
método simplex para resolver problemas de este tipo. El método
simplex original ha sido modificado a fin de obtener un
algoritmo eficiente para resolver grandes problemas de
programación lineal por computadora.
Por medio de la programación lineal se pueden formular y
resolver problemas de una gran variedad de campos del quehacer
humano, entre los que se puede mencionar: asignación de
recursos en la planificación de gobierno, análisis de redes para
planificación urbana y regional, planificación de la producción en
la industria, y la administración de sistemas de transporte y
distribución. Por esto la programación lineal es uno de los éxitos
de la moderna teoría de la optimización.

La programación entera está relacionada con la resolución de

problemas de optimización en los cuales al menos algunas de las
variables deben tomar sólo valores enteros. Cuando todos los
términos son lineales se habla de programación lineal entera.
Muchos problemas de naturaleza combinatoria se pueden
formular en términos de programación entera. Entre los ejemplos
prácticos se puede citar: ubicación de insumos, secuenciamiento
de trabajos en líneas de producción, balance de líneas de montaje,
problemas de asignación biunívoca, control de inventarios, y
reemplazo de máquinas.Uno de los métodos importantes para
resolver esos problemas, debido a R.E. Gomory, se basa en
parte, en el método simplex antes mencionado. Otro método es
de naturaleza combinatoria y consiste en reducir el problema
original a otros más pequeños, y tal vez más fáciles, y partir el
conjunto de soluciones posibles en subconjuntos más pequeños
que pueden ser analizados más fácilmente. Este método se
llama branch and bound (ramificación y acotación) o branch and
backtrack. Dos de las contribuciones importantes a éste método
las han hecho Balas y Dakin. Pese a las mejoras realizadas no
existe aún un método unificado que sea eficaz para resolver
problemas de programación entera de tamaño realista.
Otra clase de problemas involucran la administración de una red.
Problemas de flujo de tráfico, comunicaciones, distribución de
bienes, y planificación de proyectos son generalmente de este
tipo.
Muchos de estos problemas se pueden resolver por los métodos
mencionados previamente (programación entera o lineal). Sin
embargo, debido a que esos problemas usualmente tienen una
estructura especial, se han desarrollado técnicas especializadas
más eficientes para su resolución. En este campo las mayores
contribuciones se deben a Ford y Fulkerson; quienes
desarrollaron el método de etiquetado para maximizar el flujo
de un producto a través de una red y un método para minimizar
el costo de transportar una cantidad dada de producto a través
de una red. Esas ideas se pueden combinar con las de
programación entera para analizar toda una familia de problemas
prácticos de redes.
Algunos problemas se pueden descomponer en partes y se
optimizan los procesos de decisión de éstas. En algunas instancias
es posible alcanzar el óptimo del problema original solamente
descubriendo como optimizar esas partes constituyentes. Este
proceso de descomposición es muy potente, pues permite
resolver una serie de problemas más pequeños y fáciles en vez de
uno grande que podría ser intratable.
Los sistemas para los cuales esta aproximación brinda un óptimo
válido se llaman sistemas seriales multi-etapa. Una de las técnicas
más conocidas para abordarlos fue bautizada programación
dinámica por R. E. Bellman, el matemático que la desarrolló, Los
sistemas seriales multi–etapa se caracterizan por un proceso que
se realiza en etapas, como los procesos de manufactura. En vez
de intentar optimizar alguna medida de desempeño viendo a
todo el problema como una unidad, la programación
dinámica optimiza una etapa por vez a fin de producir un
conjunto de decisiones óptimas para todo el proceso.
Una variada gama de problemas tales como inversión de capital,
confiabilidad de máquinas, y análisis de redes se pueden ver
como sistemas seriales multi–etapa; de modo que la
programación dinámica tiene una amplia aplicabilidad.
En la formulación de muchos problemas de optimización no se
puede hacer la hipótesis de linealidad que caracteriza a la
programación lineal. No existen procedimientos generales para
problemas no lineales. Se han desarrollado un gran número de
algoritmos especiales para tratar casos particulares. Muchos de
esos procedimientos se basan en la teoría matemática
 relacionada con el análisis de la estructura de tales problemas.
Esta teoría se llama generalmente optimización clásica. Una de
las principales contribuciones modernas a esta teoría fue
hecha por Kuhn y Tucker quienes desarrollaron lo que se
conoce como las condiciones de Kuhn – Tucker.
La colección de técnicas desarrolladas por esta teoría se llama
programación no lineal. Pese a que muchos problemas de
programación no lineal son muy difíciles de resolver, hay cierto
número de problemas prácticos que pueden ser formulados de
manera no lineal y resueltos por los métodos existentes. Esto
incluye el diseño de entidades tales como transformadores
eléctricos, procesos químicos, condensadores de vapor y filtros
digitales.

2) APROVECHAMIENTO DE LOS RECURSOS HIDRÁULICOS

Se debe tener en claro, desde el punto de vista de una sociedad utilitarista
como la nuestra, que el agua ha sido, es y será un componente básico e
insustituible de las actividades socioeconómicas de un país.
Entre las actividades socioeconómicas más conocidas encontramos el
abastecimiento potable, la producción agrícola y su uso industrial y
energético, actividades en las cuales es posible incurrir en una mala
utilización del agua.
 El abastecimiento potable: Debido al crecimiento demográfico que
se ha dado en los últimos años, las urbes requieren de un mayor
abastecimiento de agua potable, lo cual ha requerido el trabajo
conjunto del Estado y las poblaciones. Sin embargo, el incremento de
la demanda no se condice con la oferta actual, afectada por el
descongelamiento de los glaciares y la reducción de los ríos, producto
del efecto invernadero; más aún, la ausencia de tratamiento de las
aguas residuales domésticas ocasiona un mayor grado de
contaminación de los mares y ríos, a los cuales las aguas hervidas son
vertidas, reduciéndose los servicios ambientales que estos pueden
 aportar como la capacidad para procesar el CO2 de la atmósfera y el
control del ciclo del agua.

 La producción agrícola: Probablemente sea el sector que más

consume agua en todo el mundo, estimándose que en la región
andina, aproximadamente, el 78% del agua se utiliza en el riego de
los cultivos6. Tanto el crecimiento poblacional y la demanda por
biocombustibles han incrementado la demanda de agua; sin
embargo, ello no se ha visto acompañado de la aplicación de técnicas
adecuadas de riego que ayuden a maximizar la utilización de este
importante recurso natural, como la técnica de irrigación por goteo.
Igualmente, cabe mencionar los altos impactos que se generan
producto de la mala utilización de pesticidas y fertilizantes en el
medio ambiente.
 Uso industrial y energético: Es este sector, sin mayores
cuestionamientos, el sector que más conflictos sociales y económicos
genera. Si bien es cierto que la riqueza generada a partir de los
minerales e hidrocarburos, ha permitido mejorar y transformar la
situación económica en los países miembros; también resulta cierto
que el procesamiento de dichos recursos se encuentra entre las
actividades que más desechos producen y más agua requieren,
afectando no solo el medio ambiente y la salud de los habitantes de
la zona de influencia, sino también generando conflictos en torno al
uso y aprovechamiento del recurso hídrico.
Por otro lado, vemos que la cantidad de agua que existe en el planeta
tierra es escasa y el agua dulce es de difícil acceso, siendo que menos
de las diez milésimas partes de esta, puede ser utilizada con facilidad
y a un costo razonable. Según la UNESCO, para el año 2050, es
probable que al menos una de cada cuatro personas viva en países
afectados por la escasez crónica o recurrente de agua dulce. Así,
según la proyección más pesimista, casi 7.000 millones de personas
en 60 países sufrirían escasez de agua en dicho año. Si a la situación
de escasez, incorporamos datos como el incremento de la población
y la demanda para los diferentes usos del agua, al igual que la
creciente contaminación, la realidad a la cual nos enfrentamos es
preocupante y resulta necesario ver qué soluciones se han venido
implementando y cuáles aún quedan pendientes por ejecutar.
Respecto a la disponibilidad del agua, su escasez radica en la mala
administración que se tiene del recurso y es por ello que se intenta
promover una gestión integral del uso del agua, en la que todos los
actores sean partícipes de la gestión del proyecto y de los beneficios
del mismo. La prioridad en dichos proyectos debe ser otorgada a los
pobladores que habitan en las regiones donde se ubica el recurso
natural, considerando su concepción del agua, respetando los usos
tradicionales al recurso y creando sinergias que permitan el compartir
técnicas de manejo del recurso propias de la zona, lo cual,
conjuntamente con los avances tecnológicos, nos permitan
acercarnos al tan aclamado desarrollo sostenible.
En el caso de nuestro país, en los últimos años se ha otorgado un
mayor reconocimiento a la gestión integrada del agua, creándose
instituciones y leyes que ayudan a la gestión en sus diferentes fases.
Las disposiciones relacionadas al recurso hídrico, deben encontrarse
en concordancia con la idea de conservación del medio ambiente y
los recursos naturales, dispuesta en los artículos 66, 67, 68 y 69 del
Capítulo II de Constitución Política del Perú.
En cuanto a las instituciones, debemos mencionar la creación
mediante Decreto Legislativo N° 1013 del MINAM en el año 2008. De
la misma forma, resulta importante la creación de la ANA en el mismo
año, mediante Decreto Legislativo N° 997, entidad que cumple la
función de ente rector y es la máxima autoridad técnico – normativa
del Sistema Nacional de Gestión de los Recursos Hídricos, funciones
que antes le pertenecieron al INRENA. Entre las funciones principales
de la ANA, se encuentran el producir políticas integrales y una
estrategia nacional sobre el uso de los recursos hídricos, formalizar
los derechos del agua y promover la distribución equitativa del agua
actuando como facilitadora en los crecientes conflictos entre los
usuarios. Tras la creación de la ANA, en el mismo año, se creó el SNRH
mediante Decreto Legislativo N° 1081, al cual se le encargó que todas
las autoridades en asuntos de agua y usuarios presentes en el
gobierno nacional, regional y local, trabajen de forma conjunta y
coordinada para asegurar que los recursos hídricos sean usados de
forma sostenible y efectiva considerando los criterios de cantidad,
calidad y prioridad.
En cuanto a las iniciativas por parte del gobierno de Ollanta Humala,
cabe resaltar “La Política N° 33”, aprobada por el Pleno del Congreso
el 14 de agosto del 2012, mediante la cual se pactaron una serie de
compromisos destinados al uso sostenible y conservación de los
recursos hídricos. Adicionalmente, en cuanto a la normativa
pertinente a la gestión del agua, el paso más importante se ha dado
con la emisión de la Ley de Recursos Hídricos del Perú en el año 2009,
y sus posteriores reglamentos específicos de acuerdo al ámbito
sectorial, puesto que ello establece las directrices en las cuales se va
basar la gestión integral del uso del agua. Entre los principales aportes
de la mencionada Ley, se encuentran los siguientes:
• La designación de las competencias de la ANA como autoridad
técnica y normativa que regula el uso del agua en el Perú.
• La creación de un Tribunal Nacional de Resolución de Controversias
Hídricas adscrito a la ANA, del cual sus sentencias finales solo pueden
ser apeladas por vía judicial.
• El establecimiento de Consejos de Cuencas, en los cuales
intervienen miembros de todos los sectores de la sociedad para
planificar y coordinar los usos del agua.
• El reconocimiento de los derechos de las comunidades campesinas
e indígenas para el uso del agua, de acuerdo a sus costumbres y
necesidades.
• El establecimiento de los niveles de prioridad en el uso del agua,
teniendo el uso primario o consumo directo, la primera prioridad.
Finalmente, el reto de la GIRH constituye un mecanismo de
integración para pueblos con costumbres similares en el adecuado
uso del agua como lo son los países de la Región Andina. Esta
iniciativa se inició como instrumento para afrontar la escasez de agua,
situación que suscitó la atención internacional y fue discutida en la
Conferencia Internacional sobre el Agua y el Medio Ambiente
celebrado el Dublín, Irlanda en 1992. Lo destacable de la GIRH es que
busca la implementación de un adecuado manejo de los recursos
hídricos provenientes de la Cordillera de los Andes, atendiendo en
cada caso a las características de cada país o región, pero a la vez
buscando una cooperación entre las mismas comunidades para el
aprendizaje en el uso sostenible del agua, lo cual, a nuestra
consideración, puede conllevar a un mayor desarrollo de los pueblos.
Es posible observar, entonces, que ya vienen siendo implementadas
mejoras en la administración del agua en sus diferentes niveles, con
un mayor grado de participación ciudadana y un mayor
reconocimiento de nuestra diversidad cultural. Ello, ha permitido la
generación de una nueva cultura del agua, acorde a los nuevos retos
que nos toca enfrentar como sociedad tal y como el cambio climático,
el cual demanda herramientas no solo para mitigar los daños, sino,
principalmente, anticiparlos y evitarlos.
A pesar de que el proceso de adecuación a los nuevos cambios es
lento y aún quedan problemas pendientes por solucionar, las nuevas
instituciones y disposiciones legales, constituyen un significativo
avance en el reconocimiento del acceso al agua como derecho
fundamental, dado que resulta impensable que alguien no tenga
 acceso a una fuente segura y constante de agua para abastecerse
diariamente, o que la misma no se pueda utilizar en las principales
actividades económicas de las que dependemos, razón por la cual
resulta prioridad regular este sector en específico.

3) ETAPAS DEL APROVECHAMIENTO: PLANEAMIENTO, DISEÑO,

EJECUCIÓN, OPERACIÓN.
4) POSIBLES OPTIMIZACIONES EN RECURSOS HIDRÁULICOS.

5) PROGRAMACIÓN LINEAL. MODELO GENERAL. LIMITACIONES DE LA PL.

MÉTODO SIMPLEX.

5.1. PROGRAMACIÓN LINEAL

Según Taha, (1987). La programación lineal ofrece bases importantes para el desarrollo de
métodos de solución de otras técnicas de investigación de operaciones, como la programación
entera, estocástica, y la no lineal. Además, después de tres décadas de experimentación y
escrutinio, la programación lineal se ha aplicado con éxito impresionante a problemas que van
desde casos bien conocidos de sistemas militares, agrícolas, económicos, transporte y salud,
hasta casos extremos de las ciencias conductuales y sociales.

La programación lineal es un modelo de asignación de recursos, que busca la mejor asignación

de recursos limitados a un número de actividades en competencia.

Un modelo de programación lineal proporciona un método eficiente para determinar una

decisión óptima, (o una estrategia óptima o un plan óptimo) escogida de un gran número de
decisiones posibles. En todos los problemas de Programación Lineal, el objetivo es la
maximización o minimización de alguna cantidad.

Según el Dr. lng. Franco Bellini M. (2004). Investigación de operaciones (programación lineal),
es la aplicación del método científico por un grupo multidisciplinario de personas a un problema,
principalmente relacionado con la distribución eficaz de recursos limitados (dinero, materia
prima, mano de obra, energía), que apoyados con el enfoque de sistemas (este enfoque, es
aquel en el que un grupo de personas con distintas áreas de conocimiento, discuten sobre la
manera de resolver un problema en grupo.). Puede considerarse tanto un arte como una
ciencia. Como arte refleja los conceptos eficiente y limitado de un modelo matemático definido
para una situación dada. Como ciencia comprende la deducción de métodos de cálculo para
resolver los modelos.

5.2. MODELO GENERAL

Según Taha (1987), la construcción de un modelo matemático se puede iniciar respondiendo a

las siguientes preguntas:

• ¿Qué busca determinar el modelo?, o sea ¿cuáles son las variables

(incógnitas) del problema?
• ¿Qué restricciones deben imponerse a las variables a fin de satisfacer las
limitaciones del sistema representado por el modelo?
• ¿Cuál es el objetivo (meta) que necesita alcanzarse para determinar la
solución óptima (mejor) de entre todos los valores factibles de las variables?

Una manera efectiva de responder a estas es hacer un resumen verbal del problema. Para que
un modelo sea lineal debe cumplir con las propiedades de proporcionalidad y aditividad.
La proporcionalidad requiere de la contribución de cada variable en la función objetivo o su
uso de los recursos sea directamente proporcional al nivel (valor) de la variable. La aditividad
requiere que la función objetivo sea la suma directa de las contribuciones individuales de las
variables. En forma análoga, el primer miembro o lado izquierdo de la restricción debe ser la
suma de los usos individuales de cada variable del recurso correspondiente.

5.2.1. Estructura del Modelo de Optimización

Ahora se puede formular al modelo matemático para este problema general de asignación de
recursos a actividades. En Datos necesarios para un modelo de programación lineal que maneja
la asignación de recursos a actividades particulares, este modelo consiste en elegir valores de
x1, x2, …, xn para: optimizar (maximizar o minimizar) Z = c1x1 + c2x2 + …+ cnxn, sujeta a las
restricciones:

a11x1 + a12x2 + … + a1nxn (<=,>=,=) b1

a21x1 + a22x2 + … + a2nxn (<=,>=,=) b2

am1x1 + am2x2 + … + amnxn (<=,>=,=) bm

x1>=0, x2>=0, …, xn>=0.

5.2.2. Suposiciones del Modelo de Programación Lineal

5.2.2.1. Proporcionalidad

La contribución de cada actividad al valor de la función objetivo Z es proporcional al nivel de

actividad xj, como lo representa el término cjxj en la función objetivo. De manera similar, la
contribución de cada actividad al lado izquierdo de cada restricción funcional es proporcional al
nivel de la actividad xj, en la forma en que lo representa el término aijxj en la restricción.
En consecuencia, esta suposición elimina cualquier exponente diferente a 1 para las variables
en cualquier término de las funciones (ya sea la función objetivo o la función en el lado
izquierdo de las restricciones funcionales) en un modelo de programación lineal.
5.2.2.2. Aditividad

Establece que la entrada y salida de un recurso en particular al conjunto de actividades, deben

ser la misma cantidad; o sea, que las actividades transforman los recursos y no los crean o
destruyen. Esta suposición garantiza que la contribución total tanto a la función objetivo como
a las restricciones, es igual a la suma de las contribuciones individuales. Cuando en un problema
dado no se tenga la aditividad puede recurrirse al empleo de otras técnicas de la programación
matemática, dependiendo de cada caso en particular.

Cada función en un modelo de programación lineal (ya sea la función objetivo o el lado izquierdo
de las restricciones funcionales) es la suma de las contribuciones individuales de las actividades
respectivas.

5.2.2.3. Divisibilidad

Las variables de decisión en un modelo de programación lineal pueden tomar cualquier valor,
incluyendo valores no enteros, que satisfagan las restricciones funcionales y de no negatividad.
Así, estas variables no están restringidas a sólo valores enteros. Como cada variable de decisión
representa el nivel de alguna actividad, se supondrá que las actividades se pueden realizar a
niveles fracciónales.

5.3. LIMITACIONES DE LA PROGRAMACION LINEAL

5.3.1. Modelo Determinístico

El modelo de PL involucra únicamente tres tipos de parámetros: Cj, aij y bi; de ahí su sencillez
y gran aplicación. Sin embargo, el valor de dichos parámetros debe ser conocido y constante.
Cuando el valor de los parámetros tiene un cierto riesgo o incertidumbre, puede utilizarse la
programación paramétrica, la programación estocástica, o realizarse un análisis de sensibilidad.

5.3.2. Modelo Estático

En algunos modelos matemáticos se han empleado con éxito las ecuaciones diferenciales,
para inducir la variable tiempo en ellos. En este sentido, puede decidirse que la PL utiliza un
modelo estático, ya que la variable tiempo no se involucra formalmente. Adquiriendo un poco
de experiencia en la formulación de modelos de PL, puede imbuirse la temporalidad
mencionada, con el uso de subíndices en las variables.

5.4.3. Modelo que no Sub--Optimiza

Debido a la forma que se plantea el modelo de PL, o encuentra la solución óptima o declara que
ésta no existe. Cuando no es posible obtener una solución óptima y se debe obtener alguna, se
recurre a otra técnica más avanzada que la PL, la cual se denomina programación lineal por
metas.

5.4. EL MÉTODO SIMPLEX

Según el Dr. lng. Franco Bellini M. (2004), El método del simplex fue creado en 1947 por el
matemático George Dantzig. El método del simplex se utiliza, sobre todo, para resolver
problemas de programación lineal en los que intervienen tres o más variables. El álgebra
matricial y el proceso de eliminación de Gauss-Jordán para resolver un sistema de ecuaciones
lineales constituyen la base del método simplex.

Es un procedimiento iterativo que permite ir mejorando la solución a cada paso. El proceso

concluye cuando no es posible seguir mejorando más dicha solución.

Según Puente, M. y Gavilánez,O. (2018), elmétodo Simplex es El procedimiento no gráfico de

resolución de problemas de programación lineal más conocido y popular, el cual constituye un
procedimiento algebraico que resuelve cualquier problema de programación lineal, es un
procedimiento matricial iterativo fundamentado en la metodología de Gauss Jordan en el
manejo de variables no negativas. Fue elaborado por George Dantzing en 1947 (Izar, 2012). Su
concepción ha facilitado la resolución de problemas de programación lineal con más de dos
variables.

El método Simplex es un procedimiento iterativo que permite hallar la mejor solución a la

función objetivo. El proceso concluye cuando no es posible seguir mejorando dicho valor, es
decir; se ha alcanzado la solución óptima (el mayor o menor valor posible, según el caso para
que se satisfagan las restricciones). Partiendo del valor de la función objetivo en cualquier punto
el procedimiento consiste en encontrar otro punto que mejore el anterior.

Al igual que el método algebraico, el método simplex llega a la solución óptima por medio de
iteraciones o pasos sucesivos, utiliza conceptos de algebra matricial. Finalmente, este método
proporciona un indicador que determine el punto en el cual se logra una solución óptima
(Álvarez, 2005, p. 159).

El método Simplex se divide en tres etapas como se muestra en la figura 1:

Etapa de la
Etapa prueba de
Etapa inicial
iterativa optimalidad

Figura 1. Etapas del método Simplex Fuente: Álvarez, (2005).

6) PROGRAMACIÓN NO LINEAL. CLASIFICACIÓN DE LOS PROBLEMAS PNL.

7) TÉCNICAS CONVENCIONALES

a) Calculo diferencial
En la optimización clásica, mediante el cálculo diferencial, determinar los
valores extremos de una función de una variable real es un tema central,
pues permite resolver problemas de optimización de diversa naturaleza,
problemas en Economía, Física, Medicina, Biología entre otros. De allí la
importancia del aprendizaje de los criterios para determinar valores
extremos.
El criterio de la primera derivada establece que: Si c es un valor crítico de
una función derivable f, entonces:
 i) Si la derivada de f, (f’) cambia de positiva a negativa en un entorno
de c, entonces f tiene un máximo local en c.
ii) Si f’ cambia de negativa a positiva en ese entorno de c, entonces f
posee un mínimo local en c.
iii) Si f’ no cambia de signo en el entorno de c, entonces f carece de
extremo local en c. En el registro gráfico este criterio está asociado
con el crecimiento y decrecimiento de una función.

El criterio de la segunda derivada para determinar valores extremos

establece que: Si la segunda derivada de f (f ”) es continua en una vecindad
de c, entonces:

i) Si f ’(c) = 0 y f ’’(c) > 0, f tiene un mínimo local en c.

ii) Si f ’(c) = 0 y f ’’(c) < 0, f posee un máximo local en c.

iii) iii) Si f ’(c) = 0 y f ’’(c) = 0, el criterio no permite decidir directamente

la existencia de extremos.

En el caso iii) es necesario coordinar con el registro gráfico para

visualizar la concavidad de la representación gráfica de la función.

Figura 02. Máximos y Mínimos Locales

b) Multiplicadores de LaGrange
c) Condiciones de Kuhn-Tucker.
c.1) Historia
Las condiciones necesarias que deben satisfacer los óptimos
problemas de optimización no lineal con restricciones de desigualdad
fueron publicadas por primera vez (1939) en la tesis de Maestría de
William Karush (1917-1997) (en aquél entonces estudiante de
matemáticas de la Universidad de Chicago), aunque fueron
renombradas tras un artículo en una conferencia de Harold W. Kuhn
y Albert W. Tucker en 1951.
Las condiciones de Karush – Kuhn – Tucker (KKT) son una
generalización del método de los multiplicadores de Lagrange para
restricciones de desigualdad.
c.2) Formulación
Considere el problema de optimización
Min ƒ (x1, x2,….., xn)
sujeto a
g1 (x1, x2,….., xn) ≤
0
g2 (x1, x2,….., xn) ≤
0
.
.
(1)
.
gm (x1, x2,….., xn) ≤
0
El método de la solución procede de la siguiente manera. Cambiemos
cada restricción de desigualdad gi ≤ 0 a una restricción de igualdad
introduciendo una variable si de la siguiente manera:
gi ≤ 0 gi + 𝑠𝑖 2 =0
De acuerdo a la técnica de los multiplicadores de Lagrange se
construye la función:
F(x, λ, S) = ƒ(x) + ∑𝑚 2
𝑖=1 𝜆𝑖 * (gi+𝑠𝑖 ) (2)
Los puntos que minimizan a ƒ sujeta a las restricciones gi ≤ 0 (1≤ i ≤m)
están dentro de los puntos críticos de F.
Que hacen cero las parciales con respecto a las variables x j
𝜕𝐹 𝜕ƒ 𝜕𝑔𝑖
(j=1,…,n):𝜕𝑋𝑗 = 𝜕𝑋𝑗 + ∑𝑚
𝑖=1 𝜆𝑖 *𝜕𝑋𝑗 =0

 Que hacen cero las parciales con respecto a las variables λi

(i=1,…,m):
𝜕𝐹
 = gi+𝑠𝑖 2 = 0 ↔ gi ≤0
𝜕𝜆𝑖
 Que hacen cero las parciales con respecto a las variables si
(i=1,…,m):
𝜕𝐹
 = 2λi si = 0 ↔ λi si=0 ↔ λi gi = 0
𝜕𝜆𝑖
Lo anterior se resume en el siguiente teorema que indica las
condiciones que deben satisfacer los puntos que minimizan la función
sujeta a las restricciones.
Teorema
Suponga una formulación para el problema anterior de minimización.
Si x0 = (a1, a2,….., an) es un óptimo, entonces deben existir números
reales llamados multiplicadores λ1, λ2,….., λm no negativos tales que
(a1, a2,…., an, λ1,….., λm) es un punto crítico para F. Es decir que se
cumple:
Bloque I
𝜕ƒ𝑥0 𝜕𝑔𝑖(𝑥0 )
+ + ∑𝑚
𝑖=1 𝜆𝑖 * =0 j= 1,2……,n
𝜕𝑋𝑗 𝜕𝑋𝑗
Bloque II: Condición de holgura complementaria
(3)
λi gi(𝑥0 ) = 0 i= 1,2……,m
Bloque III
gi ≤ 0 i= 1,2……,m

Observe que los valores de si se obtienen de la relación gi + 𝑠𝑖 2 =0 y

de que gi ≤0.
Si ahora el problema es de maximización:
Max ƒ (x1, x2,….., xn) sujeto a
g1(x1, x2,…., xn) ≤ 0
g2(x1, x2,…., xn) ≤ 0
.
.
.
.
gm(x1, x2,…., xn) ≤ 0

Para su solución lo cambiamos a un problema de minimización para

–ƒ(x). En este caso la función F queda en la forma:
F(x, λ, S) = - ƒ(x) + ∑𝑚 2
𝑖=1 𝜆𝑖 * (gi+𝑠𝑖 )
De tal forma que las condiciones que deben satisfacer los óptimos
ahora quedan de acuerdo al siguiente teorema.

Teorema
Suponga una formulación para el problema anterior en el caso de
maximización. Si x0 = (a1, a2,….., an) es un óptimo, entonces deben
existir números reales llamados multiplicadores λ1, λ2,….., λm no
negativos tales que (a1, a2,…., an, λ1,….., λm) es un punto crítico para
F. Es decir, que se cumple:
Bloque I
 𝜕ƒ𝑥0 𝜕𝑔𝑖(𝑥0 )
- + ∑𝑚
𝑖=1 𝜆𝑖 * =0 j= 1,2……,n
𝜕𝑋𝑗 𝜕𝑋𝑗

Bloque II: Condición de holgura complementaria

λi gi(𝑥0 ) = 0 i= 1,2……,m
Bloque III
gi ≤ 0 i= 1,2……,m

c.3) Uso de las condiciones de KKT

La forma de operar las condiciones de KKT será la siguiente: Como lo
que buscamos es el punto x0 y de inicio se desconoce, entonces las
ecuaciones de las condiciones de los bloques I y II se piensan como
un sistema de ecuaciones en las variables xj's y λj's: Se intenta
resolver tal sistema de ecuaciones y en caso de encontrarse las
soluciones se revisan una a una para ver cuál de ella cumple que los
λj's son no negativos y que también se cumplen las restricciones gi ≤ 0
en los puntos encontrados. Normalmente se realiza una tabla donde
se hace la verificación.
c.4) Ejemplo
Encuentre los valores mínimo y máximo de la función ƒ(x1, x2) = 3 – x1
– x2 sujeta a las restricciones 0 ≤ x1, 0 ≤ x2 y 2x1 + x2 ≤ 2.
Solución
 Primero cambiemos las restricciones a la forma gi ≤ 0:
0 ≤ x1 → g1 = - x1 ≤ 0
0 ≤ x2 → g2 = - x2 ≤ 0
2x1 + x2 ≤ 2 → g3 = 2x1 + x2 - 2 ≤ 0
 Resolvamos el problema de minimización primeramente. En
este caso las condiciones son:
Bloque I
𝜕ƒ𝑥0 𝜕𝑔𝑖(𝑥0 )
+ ∑𝑚
𝑖=1 𝜆𝑖 * = - 1 + 2λ1 – λ2 =0
𝜕𝑋1 𝜕𝑋1

𝜕ƒ𝑥0 𝜕𝑔𝑖(𝑥0 )
+ ∑𝑚
𝑖=1 𝜆𝑖 * = -1 + λ1 – λ3 =0
𝜕𝑋2 𝜕𝑋2
Bloque II: Condición de holgura complementaria
λ1g1 = λ1 (2x1 + x2 – 2) = 0
λ2g2 = - λ2 x1 =0
λ3g3 = - λ3 x2 =0
El sistema de ecuaciones es resuelto en Maple y se arma la siguiente
tabla.
X1 X2 λ1 λ2 λ3 g1 g2 g3 ƒ
0 0 0 -1 -1 -2 0 0 3
 1 0 ½ 0 -1/2 0 -1 0 2
0 2 1 1 0 0 0 -2 1

En la tabla vemos que sólo el último renglón tiene valores de los

multiplicadores no negativos. Por tanto, el mínimo valor de ƒ(x1, x2) lo
alcanza en P (0,2) y es 1.

 Para determinar el máximo las condiciones quedan:

Bloque I
𝜕ƒ𝑥 𝜕𝑔𝑖(𝑥0 )
- 𝜕𝑋10 + ∑𝑚
𝑖=1 𝜆𝑖 * = 1 + 2λ1 - λ2 =0
𝜕𝑋1

𝜕ƒ𝑥 𝜕𝑔𝑖(𝑥0 )
- 𝜕𝑋20 + ∑𝑚
𝑖=1 𝜆𝑖 * = 1 + λ1 - λ3 =0
𝜕𝑋2

Bloque II: Condición de holgura complementaria

λ1g1 = λ1 (2x1 + x2 – 2) = 0
λ2g2 = - λ2 x1 =0
λ3g3 = - λ3 x2 =0
El sistema de ecuaciones es desarrollado en Maple y se arma la
siguiente tabla.

En la tabla vemos que sólo el primer renglón tiene valores de los

multiplicadores no negativos. Por tanto, el máximo valor de ƒ(x1, x2)
lo alcanza en Q (0,0) y es 3.

Observemos que las tablas para minimización y para maximización

son idénticas salvo que los valores de los multiplicadores están
cambiados de signo. Por lo tanto, la estrategia conveniente para

X1 X2 λ1 λ2 λ3 g1 g2 g3 ƒ
0 0 0 1 1 -2 0 0 3
1 0 -½ 0 1/2 0 -1 0 2
0 2 -1 -1 0 0 0 -2 1
optimizar una función sujeta a restricciones de desigualdad por el
método de las condiciones KKT será:
1) Plantear el problema como si se tratara sólo de minimización y
resolver el sistema de ecuaciones correspondientes.
2) Eliminar aquellos puntos encontrados que no satisfacen las
restricciones gi≤ 0.
3) Eliminar aquellos puntos que tienen a la vez multiplicadores
positivos y negativos.
 4) Para minimización: escoger dentro de aquellos puntos que tienen
multiplicadores no negativos aquel que tiene la menor evaluación de
la función objetivo.
5) Para maximización: escoger dentro de aquellos puntos que tienen
multiplicadores no positivos aquel que tienen la mayor evaluación de
la función objetivo.

8) PROGRAMACIÓN DINÁMICA. Aplicación a los sistemas de recursos

hidráulicos. Problemas de camino óptimo: Estados, Variables de
decisión, Función recurrente.
La utilización de la PD en el área de recursos hídricos se concentra en tres
grandes áreas:
a) La asignación de agua para varios usuarios;
b) Operación de reservorios;
c) Expansión de la capacidad de sistemas de recursos hidráulicos.
Además de esto, la PD tiene ciertas características que la hacen adecuada
para incorporar la aleatoriedad de los fenómenos naturales,
especialmente si los procesos estocásticos son de tipo “markovianos de
primer orden” (procesos estocásticos en los cuales el estado del sistema
en cualquier etapa sólo depende de la etapa anterior).

CODIGOS COMPUTACIONALES PARA LA PD

Teniendo en cuenta que un problema de PD queda completamente
caracterizado una vez que fueron definidas todas las variables de estado,
las de decisión y las ecuaciones, tanto las recursivas como las de estado,
es posible percibir que los problemas abordables a través de la PD
difieren mucho entre sí y la elaboración de un código computacional de
aplicabilidad general es una tarea difícil.
El profesor John Labadie, de la colorado State University de Fort Collins,
ha desarrollado un programa para resolver problemas de PD para
recursos hidráulicos, según él, de aplicabilidad general (Labadie, 1977;
Barros, 1997).
Considerando esto, el autor de este trabajo, basado en una idea
presentada por Wagner (1985), elaboró un algoritmo muy simple para
resolver problemas de PD determinística, discreta, para una única
variable de estado y para una FO de tipo “aditiva”.
Sin embargo, con algunas pocas modificaciones se podría ampliar la gama
de problemas resolubles con este algoritmo, como se verá mas adelante.
El autor también elaboró un código computacional, en lenguaje Fortan
77, que resuelve este algoritmo, al que llamó “PROGDIN”.
El algoritmo
La filosofía del algoritmo que se presenta en este trabajo considera que,
una vez representado el problema de PD en un espacio de decisión
etapas – estados, podría ser analizado como un problema de origen –
destino.
Para explicar este algoritmo será utilizado un ejemplo muy simple.
Supóngase que la empresa que provee agua para pequeña ciudad prevé
que su capacidad actual, de 10hm3/d, debe evolucionar en el tiempo
según:
- Capacidad año 4°: 20hm3/d
- Capacidad año 8°: 30hm3/d
- Capacidad año 12°: 40hm3/d
Los costos de las diferentes alternativas de expansión, en millones de
dólares y “valor presente” son indicados a continuación:

CAPAC. FINAL
(hm3/d)
20 30 40

10 3,8 5,9 7,5

CAPAC. INICIAL

20 0 1,5 2,3
(hm3/d)

La 30 ---- 0 1,3 pregunta es:

¿cuál es la política de
expansión 40 ---- ---- 0 de menor
costo?
En primer lugar es necesario representar el problema en el espacio
de decisión

Figura 1: Representación del problema en el espacio decisión etapas

– estados. Evidentemente, las etapas serán los horizontes de
expansión, o sea, los años 4°, 8° y 12°, y los estados quedarán
caracterizados por las capacidades de producción (figura 1).
Para aplicar el algoritmo es necesario enumerar los nudos viables en
orden creciente (esto es sólo una exigencia del contador del
programa “PROGDIN” y una forma de ordenar el problema). En el
caso del ejemplo, los nudos son siete.
Estos nudos estarán unidos por arcos que representan los costos para
cambiar de estado (figura2).

Figura 2: Numeración de los números viables

El proceso de solución es realizado “matricialmente” y por lo tanto es

necesario elaborar algunas matrices.
1) Matriz de control
 La primera matriz que debe ser montada es llamada “matriz de
control”. Con esta matriz se indica al programa los arcos viables: un
“l” indica viabilidad y un “0” inviabilidad. Esta matriz posee una
columna final que indica las etapas que todavía faltan para llegar
hasta el fin.
La matriz de control del ejemplo es presentada en la figura 3.
DESTINO Etapas
7 (N) 6 5 4 3 2 faltantes
6(N- 1 0 0 0 0 0 1
1)
ORIGEN

5 1 0 0 0 0 0 1
4 0 1 0 0 0 0 2
3 0 1 1 0 0 0 2
2 0 1 1 0 0 0 2
1 0 0 0 1 1 1 3
Figura 3: Matriz de control
Esta matriz tiene “N-1” líneas, siendo “N” el número de nudos viables.
La línea superior correspondiente al nudo “N-1” y la última al nudo
“l”. La primera columna corresponde al nudo “N” y la última al nudo
“2”. El esquema de numeración vale para las dos matrices siguientes.
Para utilizar el “PROGDIN” la matriz de control debe ser rellenada con
números enteros y almacenada en un archivo ASCII llamado
“MATR_A.DAT”.
2) Matriz de costos (o beneficios)
A continuación, es necesario elaborar otra matriz, también del
tipo origen destino, con los costos (o beneficios, según el
problema). Para utiliza el programa “PROGDIN”, esta matriz debe
ser rellenada con números reales (o sea, con punto decimal) y las
células vacías con un (0.00). La última columna, en
correspondencia con la columna de las etapas faltantes de la
“matriz de control”, debe ser también rellenada con ceros.
Para la utilización del “PROGDIN”, esta matriz debe ser
almacenada en un archivo ASCII, con el nombre de
“MATR_B.DAT”.
La matriz de los costos del ejemplo es presentada en la figura 4.
 DESTINO
7 (N) 6 5 4 3 2
6(N-1) 0.0 0 0 0 0 0 0.0
5 1.5 0 0 0 0 0 0.0

ORIGEN
4 0 0.0 0 0 0 0 0.0
3 0 1.3 0.0 0 0 0 0.0
2 0 2.3 1.3 0 0 0 0.0
1 0 0 0 7.5 5.9 3.8 0.0

3) Matriz de los cálculos dinámicos

Esta matriz posee “N” líneas y “N+1” columnas. Las dos últimas
columnas corresponden, respectivamente, a la decisión óptima
para cambiar de estado, que es llamada “J”, y la “contribución”
asociada con la FO, que es llamada “f”.
Ella debe ser rellenada “dinámicamente”, iniciando en la primera
línea, que corresponde a uno de los nudos de la última etapa
donde debe ser tomada una decisión.
Por lo tanto, faltando solamente una etapa por delante, ésta
deberá ser, necesariamente, el nudo “N”. En este caso, la columna
“j” debe ser rellenada con el valor de “N” y la columna “f” con el
costo asociado para ir desde el nudo “N-1” al nudo “N”.
Para el ejemplo, el primer binomio origen – destino será el “6-7”
y los valores de “j” y “f”, “7” y “0” respectivamente.
El mismo proceso es repetido para todas las líneas que
representan los nudos de la última etapa (en el ejemplo, el nudo
“5”).
Seguidamente deben ser analizados los nudos correspondientes
a la penúltima etapa (cuando faltan 2 decisiones a ser tomadas).
Para explicar cómo funciona el algoritmo, será analizado el nudo
“2” del ejemplo. Los destinos viables para él son los nudos “6” y
“5”. El costo para ir desde “2” hasta “5” es de 1.30 y el valor de
“f” para el destino “5” es de 1.50. Por lo tanto, el valor de “f” en
“2”, en el caso de “j=5” será 1,30 + 1,50 = 2,80. A su vez, el costo
para hacer “2 - 6” es de 2,30 y el valor de “f” para el destino “6”
es cero, o sea que el valor de “f” en “2” para “j=6” será de 2,30 +
0 = 2,30. Como el problema es de minimización, el valor de “f”
asociado al nudo “2”será el menor valor entre 2,80 y 2,30, que es
2,30, correspondiente a la decisión “6”.
Este cálculo dinámico prosigue hasta el nudo “l”. En este punto el
valor de “f” será el valor de FO.
El camino óptimo se encuentra leyendo ordenadamente los
valores de “j” desde la etapa “l” hasta la última: se lee cuál es la
mejor decisión para el nudo “l”; seguidamente se entra en la
matriz de los cálculos dinámicos con ese valor de “j” como origen
 y se lee el correspondiente “j”. Se sigue así hasta completar todas
las etapas.
Para el caso del ejemplo, la mejor decisión para el nudo “l” es el
nudo “2”; para el nudo “2” el “6” y, finalmente, para el “6”, la
mejor (y única posible) es ir al nudo 7. O sea, la mejor secuencia
de decisiones es la 1 – 2 – 6 – 7, siendo el valor obtenido de la FO
de 6,10.
Es posible percibir que, a veces, podrá existir más de una
secuencia de decisiones óptimas. El programa “PROGDIN”
consigue encontrar sólo dos de estas secuencias, pues hace dos
“barridas” del problema: la primera buscando el menor valor de
la línea, haciendo una comparación lógica de “menor que” (o
“mayor que” en caso que el problema sea de maximización) y la
segunda, buscando este valor con una comparación lógica del tipo
“menor o igual” (o “mayor o igual” para problemas de
maximización).
En la figura 5 es mostrada la matriz de los cálculos dinámicos.
7(N) 6 5 4 3 2 J f
6(N-1) 0.0 7 0
5 1.5 7 1.5
ORIGEN

4 0+0=0 6 0
3 1.5+0=1.5 0+1.5=1.5 6 1.5
2 2.3+0=0 1.3+1.5=2.8 6 2.3
1 7.5+0=7.5 5.9+1.5=7.4 3.8+2.3 2 6.1
=6.1
Figura 5: Matriz de los cálculos dinámicos
V) RESULTADOS Y DISCUSIÓN
Optimización
Según Walter Obando Licera – Tesis (pág. 52)
 Marrero (1985) indica que “un proceso de optimización consiste en
determinar aquella solución que mejor cumple el objetivo planteado
sin violar las restricciones impuestas (búsqueda del mejor valor u
óptimo). El agua por su amplia gama de posibles usos y su incidencia
tan directa en el desarrollo económico, permite una gran variedad de
objetivos entre ellos: (1) Obtención de máximos beneficios
económicos (riego), (2) Desarrollo energético (hidroeléctricas), (3)
Bienestar social (abastecimiento a poblaciones), (4) Desarrollo de
otras ramas (uso industrial, navegación), (5) Recreación,
conservación del suelo y del ambiente, (6) Protección contra
inundaciones y sequías, (7) Desarrollo económico de regiones, y (8)
Mantenimiento de un nivel económico alcanzado”.

 Dourojeanni (1974) indica que “Probablemente los dos algoritmos

más conocidos y utilizados en el campo de los recursos hídricos son
los de programación lineal y programación dinámica”, “Cuando se
habla de optimización se habla de un determinado modelo de
optimización que se utiliza en forma conjunta con un algoritmo de
optimización. Un modelo de optimización es un modelo particular
diseñado para encontrar la mejor política o la óptima”.
 Helweg (1992) indica que “los modelos de optimización han gozado
de la aceptación de los analistas de sistemas, los economistas y los
planificadores de recursos hidráulicos. La programación lineal, la
programación dinámica, y la programación no lineal son las
principales herramientas de optimización”.
Aprovechamiento de los recursos hidráulicos
Según Walter Obando Licera – Tesis (Pág. 52)
 Marrero (1985) define el aprovechamiento de los recursos hidráulicos
como “el conjunto de actividades relacionadas con la utilización y
control de potencial existente del recurso natural de agua, en función
del desarrollo económico de un país”.
Los objetivos son las finalidades y metas, en cuanto al desarrollo
social de un país, que este se propone alcanzar a largo, mediano y
 corto plazo en función de la utilización de su potencial disponible de
recursos hidráulicos.

Programación lineal
Según Walter Obando Licera – Tesis (pág. 83)
 Dourojeanni (1978) “es una técnica de optimización eficiente pero
que requiere que todas las restricciones y la función objetivo sean
lineales”. Las ventajas de aplicar la programación lineal en problemas
de manejo de agua son:
 Que el método Simplex es un método eficiente y probado
para solucionar problemas de optimización lineal.
 Se encuentra siempre el valor óptimo absoluto o global.
 De todos los programas de cómputo de optimización que se
dispone, probablemente el de programación lineal es el que
más fácilmente se obtiene.
Las principales desventajas que se encuentran es que la gran mayoría
de las relaciones asociadas con el problema del manejo y desarrollo
del agua no son lineales.
Según Máximo Gutiérrez Bernaola – Tesis (pág.17)
 Taha, (1987). La programación lineal ofrece bases importantes para el
desarrollo de métodos de solución de otras técnicas de investigación de
operaciones, como la programación entera, estocástica, y la no lineal.
Además después de tres décadas de experimentación y escrutinio, la
programación lineal se ha aplicado con éxito impresionante a problemas
que van desde casos bien conocidos de sistemas militares, agrícolas,
económicos, transporte y salud, hasta casos extremos de las ciencias
conductuales y sociales.
 Según el Dr. lng. Franco Bellini M. (2004). Investigación de operaciones
(programación lineal), es la aplicación del método científico por un grupo
multidisciplinario de personas a un problema, principalmente relacionado
con la distribución eficaz de recursos limitados (dinero, materia prima,
 mano de obra, energía), que apoyados con el enfoque de sistemas (este
enfoque, es aquel en el que un grupo de personas con distintas áreas de
conocimiento, discuten sobre la manera de resolver un problema en
grupo.).

Programación No Lineal
Según TAHA HAMDY – (2004) – Capítulo 21 (Pág. 731)
 Los métodos de solución de programación no lineal se pueden
clasificar, de manera general, en algoritmos directos e indirectos.
Como ejemplo de los métodos directos están los algoritmos de
gradiente, donde se busca el máximo de un problema siguiendo la
mayor tasa de aumento de la función objetivo. En los métodos
indirectos, el problema original se sustituye por otro del cual se
determina el óptimo. Como ejemplos de estos casos están la
programación cuadrática, la programación separable y la
programación estocástica.
Programación dinámica
Según Walter Obando Licera – Tesis (pág. 83 y 84)
 Citando a Warren Hall – manifiesta Dourojeanni (1978) que “La
programación dinámica es la técnica más ágil para solucionar
problemas relativos a los recursos hídricos, que es definida como
una técnica de optimización que se puede aplicar a los recursos
hídricos cuando las decisiones se efectúan en secuencia”. En la
optimización dinámica la función objetivo depende de un número
finito o infinito de parámetros relacionados entre sí.
 Smith y Amisial (1983) expresan que “La programación dinámica es
una técnica de optimización que permite resolver problemas en
donde las decisiones se toman en forma secuencial”. En la mayoría
de los problemas de recursos hidráulicos que incluyen algún
procedimiento de optimización, se trata de determinar los valores
óptimos de las variables de decisión.
 Helweg (1992) refiere que “Hay una clase de problemas que
requieran secuencias de decisiones óptimas. Las secuencias pueden
ser sobre el tiempo o sobre el espacio. La programación dinámica es
especialmente adecuada para estos tipos de problemas. En la PD, se
empieza por lo general desde el final y se procede hasta el inicio un
procedimiento llamado paso hacia atrás”.
VI) CONCLUSIONES Y RECOMENDACIONES
 La programación lineal es una técnica poderosa para tratar problemas de
asignación de recursos escasos entre actividades que compiten, al igual que
otros problemas cuya formulación matemática es parecida. Se ha convertido en
una herramienta estándar de gran importancia. Aún más, casi cualquier
organización social tiene el problema de asignar recursos en algún contexto y
cada vez mayor el reconocimiento de la aplicabilidad tan amplia de esta técnica.

VII) BIBLIOGRAFÍA
 Obando, W. (2016) Propuesta de herramientas hidrológicas en la
normatividad vigente para el aprovechamiento de los recursos
hídricos. (Tesis de Magister Sciantiae). Universidad Nacional Agraria
La Molina. Lima, Perú.
 Gutiérrez, M. (2013) Dimensionamiento óptimo de redes abiertas
ramificadas de distribución de agua, como función de la energía
potencial disponible y usando técnicas de Programación Lineal. (Tesis
de Magister Scientiae). Universidad Nacional Jorge Basadre
Grohmann. Tacna, Perú.
 Puente, M. y Gavilánez,O. (2018) Programación lineal para la toma
de decisiones. Riobamba, Ecuador: La Caracola Editores.
 Taha, H. Investigación de Operaciones. Arkansas: Pearson.
 Departamento de Matemáticas, (2010) CSI/ITESM.