TRƯỜNG ĐẠI HỌC BÁCH KHOA

ĐẠI HỌC ĐÀ NẴNG

KHOA ĐIỆN

...🙤🕮🙦…

BÁO CÁO CHUYÊN ĐỀ

PHƯƠNG PHÁP GOLDEN SECTION VÀ SIMPLEX

GVHD : TS. Trần Thị Minh Dung.

Họ và tên: Phan Phúc Tài

MSSV: 105200382.
Nhóm HP: 20Nh36.
Lớp SH: 20TDHCLC1.

Đà Nẵng, 11/2023

A. PP GOLDEN SECTION
I. Giới thiệu về phương pháp Golden Section
Phương pháp Golden Section (hay còn gọi là "Chia tỷ lệ vàng" hoặc "Tìm điểm
vàng") là một phương pháp toán học và thiết kế được sử dụng rộng rãi trong nhiều
lĩnh vực, bao gồm nghệ thuật, kiến trúc, thiết kế đồ họa, và cả trong tối ưu hóa các vấn
đề toán học. Phương pháp này xuất phát từ hiểu biết về tỷ lệ vàng, một số học thuật có
giá trị và đẹp mắt, được biểu diễn bằng ký hiệu "φ" (phi) và có giá trị là khoảng
1,6180339887. Phương pháp này được phát triển bởi nhà thống kê người Mỹ Jack
Carl Kiefer vào năm 1956, ông cũng đã phát triển Phương pháp Tìm kiếm Fibonacci.
II. Nguyên tắc hoạt động
Phương pháp Tìm kiếm tỉ lệ vàng hoạt động bằng cách chia khoảng tìm kiếm ban đầu
thành các khoảng con nhỏ hơn, và tiếp tục chia nhỏ các khoảng này cho đến khi đạt
được độ chính xác mong muốn. Trong mỗi bước, phương pháp duy trì tỉ lệ tỉ lệ vàng
(gọi là tỉ lệ φ) giữa các khoảng con. Tỉ lệ φ có giá trị xấp xỉ 1.618 và có tính chất đặc
biệt, giúp tối ưu hóa quá trình tìm kiếm.
Ban đầu, chúng ta chọn hai điểm bất kỳ trong khoảng tìm kiếm và tính toán giá trị của
hàm tại hai điểm đó. Dựa trên kết quả này, chúng ta c ó thể xác định được khoảng con
mới mà chứa cực trị. Quá trình này được lặp lại cho đến khi đạt được độ chính xác
mong muốn hoặc không còn thể chia nhỏ khoảng nữa.
Như hình dưới, chọn ba điểm 𝑥𝐿, 𝑥1 và 𝑥𝑈 (𝑥𝐿 <𝑥1 < 𝑥𝑈 ) dọc theo x với các giá trị
tương ứng của hàm f (𝑥𝐿), f (𝑥1) và f(𝑥𝑈) tương ứng. Từ f(𝑥1) > f (𝑥𝐿) và f (𝑥1) > f
(𝑥𝑈), cực đại phải nằm giữa 𝑥𝐿 và 𝑥𝑈. Bây giờ là thứ tự điểm ký hiệu là 𝑥2 được chọn
nằm giữa khoảng lớn hơn của hai khoảng [𝑥𝐿, 𝑥1] và [𝑥1, 𝑥𝑈]. Giả sử khoảng [𝑥𝐿,
𝑥1] lớn hơn [𝑥1, 𝑥𝑈] thì ta chọn [𝑥𝐿, 𝑥1] làm khoảng thời gian trong đó 𝑥2 được chọn.
Nếu f (𝑥2) > f(𝑥1) thì ba điểm mới sẽ là 𝑥𝐿 < 𝑥2 < 𝑥1; ngược lại nếu f(𝑥2 ) < f(𝑥1) thì
ba điểm mới là 𝑥2 < 𝑥1 < 𝑥𝑈 . Quá trình này là tiếp tục cho đến khi khoảng cách giữa
các điểm bên ngoài đủ nhỏ.
III. Ưu nhược điểm và ứng dụng
1. Ưu điểm
-Đơn giản: Phương pháp Golden Section dễ hiểu và dễ triển khai. Không cần phải
tính đạo hàm hoặc gradient của hàm mục tiêu.
-Hiệu quả với hàm mục tiêu không liên tục: Nó hoạt động tốt cho các hàm mục tiêu
không liên tục hoặc không có đạo hàm trong khoảng tìm kiếm.
-Không đòi hỏi nhiều thông tin về hàm mục tiêu: Phương pháp này không yêu cầu
biết về đạo hàm hoặc gradient của hàm mục tiêu, làm cho nó phù hợp trong các tình
huống khi thông tin về hàm mục tiêu hạn chế.
-Tiếp cận tối ưu một cách tương đối nhanh chóng: Phương pháp này thường cho
phép tiếp cận giá trị tối ưu một cách tương đối nhanh chóng, đặc biệt nếu hàm mục
tiêu không quá phức tạp.
2. Nhược điểm

-Không đảm bảo tìm kiếm tối ưu toàn cục: Phương pháp Golden Section chỉ tiếp
cận tối ưu tương đối. Nó không đảm bảo tìm kiếm giá trị tối ưu toàn cục, đặc biệt
trong các hàm mục tiêu có nhiều điểm tối ưu cục bộ.
-Tốn thời gian với khoảng bắt đầu rộng: Nếu bạn bắt đầu với một khoảng tìm kiếm
rất rộng, cần nhiều bước lặp lại để thu hẹp khoảng đến khi đạt được giá trị tối ưu.
-Không thích hợp cho hàm mục tiêu phức tạp: Với các hàm mục tiêu phức tạp,
phương pháp này có thể tốn nhiều thời gian và không hiệu quả.
-Không linh hoạt: Phương pháp này chủ yếu sử dụng để tối ưu hóa một biến, và
không dễ dàng mở rộng để giải quyết các vấn đề tối ưu đa biến.
Tóm lại, phương pháp Golden Section là một công cụ đơn giản và hiệu quả cho việc
tối ưu hóa trong các tình huống đơn biến và đặc biệt phù hợp khi thông tin về hàm
mục tiêu hạn chế. Tuy nhiên, nó cũng có hạn chế trong việc đảm bảo tìm kiếm tối ưu
toàn cục và không phải lúc nào cũng phù hợp với các hàm mục tiêu phức tạp.
3. Ứng dụng
Phương pháp Golden Section có nhiều ứng dụng trong nhiều lĩnh vực khác nhau.
Dưới đây là một số ví dụ về các ứng dụng của phương pháp này:
-Nghiên cứu tối ưu hóa: Phương pháp Golden Section được sử dụng để tối ưu hóa
hàm mục tiêu trong nghiên cứu toán học và khoa học máy tính khi không có thông tin
về đạo hàm hoặc gradient của hàm.
-Thiết kế đồ họa và nghệ thuật: Trong thiết kế đồ họa và nghệ thuật, tỷ lệ vàng và
phương pháp Golden Section được sử dụng để tạo sự cân đối và đẹp mắt trong bố cục,
hình ảnh, và bản vẽ.
-Kiến trúc: Trong kiến trúc, Golden Section được sử dụng để thiết kế các kết cấu và
bố cục của các công trình như tòa nhà, cầu, và các kiến trúc khác để tạo sự cân đối và
thẩm mỹ.
-Tối ưu hóa marketing: Trong lĩnh vực marketing, phương pháp này có thể được sử
dụng để tìm kiếm giá trị tối ưu của các biến số như giá cả, tỷ lệ giữa giá trị và hiệu
suất quảng cáo, và các biến số khác.
-Tối ưu hóa sản xuất: Công nghiệp sử dụng phương pháp Golden Section để tối ưu
hóa các yếu tố sản xuất như kích thước, thiết kế, và vị trí của các thành phần trong quy
trình sản xuất.
-Tối ưu hóa các thuật toán: Phương pháp Golden Section có thể được áp dụng để cải
thiện hiệu suất của các thuật toán tìm kiếm và tối ưu hóa khác.
-Nghiên cứu thị trường và tài chính: Phương pháp này có thể được sử dụng để tối
ưu hóa quyết định liên quan đến đầu tư tài chính, quản lý rủi ro, và dự án nghiên cứu
thị trường.
-Nghiên cứu khoa học: Trong nghiên cứu khoa học, phương pháp Golden Section có
thể được sử dụng để tối ưu hóa các tham số trong các thí nghiệm hoặc mô hình toán
học.
Phương pháp Golden Section đặc biệt hữu ích khi thông tin về hàm mục tiêu hạn chế
hoặc khi đạo hàm không dễ dàng xác định. Nó là một công cụ quan trọng trong việc
tối ưu hóa và tạo ra sự cân đối và thẩm mỹ trong các ứng dụng nghệ thuật và thiết kế.
IV. Các bước giải bài toán tối ưu không ràng buộc
Để giải bài toán tối ưu hóa không ràng buộc bằng phương pháp Golden Section, ta có
thể thực hiện các bước sau:
Bước 1: Xác định khoảng tìm kiếm ban đầu và độ chính xác epsilon. Bắt đầu bằng
việc xác định khoảng tìm kiếm ban đầu cho biến bạn muốn tối ưu. Điều này liên quan
đến việc xác định hai giới hạn, thường là a và b, sao cho giá trị tối ưu nằm trong
khoảng này.
Bước 2: Tính toán tỷ lệ vàng: phi = (sqrt(5) - 1) / 2
Bước 3: Chọn hai điểm trong khoảng tìm kiếm ban đầu sao cho khoảng cách giữa
chúng là lớn nhất có thể và có tỷ lệ với khoảng cách toàn bộ khoảng tìm kiếm là phi.
Điểm đầu tiên (x1) được chọn là b, điểm thứ hai (x2) được chọn là a + (b - a)*phi.
Bước 4: Tính toán giá trị của hàm tại hai điểm đã chọn: f1 = f(x1) và f2 = f(x2).
Bước 5: Lặp lại các bước sau cho đến khi đạt được độ chính xác epsilon:
- So sánh giá trị của f1 và f2. Nếu f1 < f2, ta thay thế khoảng tìm kiếm bằng [a, x2] và
cập nhập x2 và f2, Nếu f1 > f2, ta thay thế khoảng tìm kiếm bằng [a, x2] và cập nhập
x1, f1.
- Tính toán điểm mới x3 là một điểm nằm giữa x1 và x2 sao cho khoảng cách giữa x3
và x1 có tỷ lệ với khoảng cách giữa x2 và x1 là phi. Tức là x3 = x1 + (x2 - x1)/phi.
- Tính toán giá trị của hàm tại điểm x3: f3 = f(x3).
- Tiếp tục thay thế khoảng tìm kiếm và cập nhật các điểm và giá trị tương ứng dựa
trên so sánh của f3 với f1 và f2.

Bước 6: Khi đạt được độ chính xác epsilon, ta trả về giá trị tối ưu và giá trị của hàm
tại đó.
Lưu ý rằng phương pháp Golden Section thường đòi hỏi khoảng tìm kiếm ban đầu đã
biết. Nếu bạn không biết nó, bạn có thể bắt đầu với một khoảng rộng hơn và dần thu
hẹp khoảng thông qua các bước lặp lại cho đến khi đạt được giá trị tối ưu.
V. Ví dụ
Giả sử chúng ta muốn tìm giá trị tối ưu của hàm 𝑓(𝑥)=𝑥2−4𝑥+4 rong khoảng [1, 4]
bằng phương pháp Golden Section.
% Hàm mục tiêu
fun = @(x) x.^2 - 4*x + 4;
% Khoảng tìm kiếm ban đầu
a = 0;
b = 4;
% Độ chính xác mong muốn
epsilon = 1e-5;
% Tỷ lệ vàng
phi = (1 + sqrt(5)) / 2;
% Bước 1: Tính toán x1 và x2
x1 = b - (b - a) / phi;
x2 = a + (b - a) / phi;
% Bước 2: Lặp lại quá trình
while abs(b - a) > epsilon
if fun(x1) < fun(x2)
b = x2;
else
a = x1;
end
% Bước 3: Tính lại x1 và x2
x1 = b - (b - a) / phi;
x2 = a + (b - a) / phi;
end
% Kết quả tối ưu
x_opt = (a + b) / 2;
f_opt = fun(x_opt);
fprintf('Giá trị tối ưu x* = %.6f\n', x_opt);
fprintf('Giá trị tối ưu của hàm f(x*) = %.6f\n', f_opt);
%Vẽ đồ thị
x = linspace(1, 4, 100);
y = fun(x);
plot(x, y, 'r-', 'LineWidth', 2);
hold on;
plot(x_opt, f_opt, 'b-o', 'MarkerSize',15);
xlabel('x');
ylabel('fun(x)');
title('Biểu đồ đồ thị hàm');
legend('f(x) = x^2 - 4x + 4', 'Giá trị tối ưu');
grid on;
hold off;
Kết quả:
VI. Kết luận
Phương pháp này đã được áp dụng rộng rãi trong nhiều ngành khác nhau, bao gồm tối
ưu hóa, thiết kế đồ họa, kiến trúc, tài chính, và nghiên cứu khoa học.
Golden Section hoạt động dựa trên nguyên tắc của tỷ lệ vàng, một tỷ lệ đặc biệt và
được ưa chuộng vì tính đơn giản và hiệu quả của nó. Không yêu cầu kiến thức toán
học phức tạp hoặc thông tin về đạo hàm, phương pháp này có thể tìm kiếm giá trị tối
ưu của hàm số trong một khoảng xác định. Mặc dù Golden Section không đảm bảo
tìm kiếm tối ưu toàn cục và có thể tốn thời gian với khoảng ban đầu rộng, nó vẫn là
một công cụ hữu ích cho nhiều bài toán thực tế.
Trong tương lai, nghiên cứu và phát triển các biến thể và kết hợp của phương pháp
Golden Section có thể giúp nâng cao hiệu suất của nó và mở rộng ứng dụng vào các
bài toán tối ưu phức tạp hơn. Golden Section tiếp tục là một công cụ quan trọng và
đáng chú ý trong tối ưu hóa đơn biến và cung cấp một cơ sở quan trọng để tìm kiếm
giá trị tối ưu trong nhiều lĩnh vực khác nhau.

B.PHƯƠNG PHÁP SIMPLEX

1. Giới thiệu bài toán Quy hoạch tuyến tính
- Quy hoạch tuyến tính (Linear programming): là một trong những
dạng bài toán tối ưu cơ bản nhất. Dạng bài toán này yêu cầu chúng ta phải
tối ưu hóa một hàm mục tiêu tuyến tính và phải thỏa mãn một số ràng buộc
tuyến tính.
- Tổng quát:

minimize cT x Hàm mục tiêu Z(x)

subject Ax  b Bất phương trình
x0 H(x)

- Xác định x1, x2,…, xn sao cho:

+ Cực tiểu (cực đại) của hàm mục tiêu Z(x):
Z ( x )  z  x1 , x2 ,..., xn 
+ Đồng thời thõa mãn các ràng buộc H(x):
H ( x )  h  x1 , x2 ,..., xn 

+ Trong đó z và h là biểu thức tuyến tính đối với x1 , x2 ,..., xn .

2. Phương pháp đơn hình (Simplex Method)

Phương pháp đơn hình giải bài toán Quy hoạch tuyến tuyến dựa trên hai tính chất
quan trọng sau đây của bài toán:
 a. Nếu bài toán quy hoạch tuyến tính chính tắc có phương án tối ưu thì cũng có
phương án cực biên tối ưu, nghĩa là có ít nhất một đỉnh của miền ràng buộc là
lời giải của bài toán.
b. Mỗi điểm cực tiểu địa phương của hàm tuyến tính trên miền ràng buộc D (một
tập hợp lồi) là một điểm cực tiểu tuyệt đối.
- Vì thế phương pháp đơn hình bắt đầu từ một phương án cực biên
nào đó (tùy ý) của bài toán (tức là một đỉnh của miền ràng buộc). Tiếp đó
kiểm tra xem phương án hiện có đã phải là phương án tối ưu hay chưa, bằng
cách so sánh giá trị hàm mục tiêu tại đỉnh đó với giá trị hàm mục tiêu tại
các đỉnh kề với nó. Nếu đúng thì dừng quá trình tính toán. Trái lái, phương
pháp này sẽ cho cách tìm một phương án cực biên tốt hơn. (với giá trị hàm
mục tiêu nhỏ hơn) mà nó là một đỉnh kề của đỉnh trước đó. Quá trình này
tiến hành cho tới khi tìm được Phương án tối ưu hoặc phát hiện bài toán đã
cho không có lời giải.
- Như vậy, phương pháp đơn hình tiến hành khảo sát các đỉnh của
miền ràng buộc để tìm ra đỉnh tối ưu. Mặc dù số đỉnh của bài toán nói
chung rất lớn, nhưng trên thực thế phương pháp này chỉ đòi hỏi kiểm tra
một phần tương đối nhỏ các đỉnh. Chính điều đó thể hiện qua thực tế của
phương pháp đơn hình.
- Thuật toán: để giải bài toán quy hoạch tuyến tính bằng phương
pháp đơn hình ta thực hiện các bước dưới đây.
Bước chuẩn bị: Đưa (G) về dạng chính tắc chuẩn (N) nếu cần.
Bước 1: Xác định PACB x0 xuất phát, chỉ ra các biến và các hệ số cơ sở. (Nếu bài
toán dạng (N) thì một PACB được tìm dễ dàng từ ma trận con sơ cấp của A – trong
bảng đơn hình ở bước 2, ma trận con sơ cấp được đánh giả định là ma trận đơn vị cấp
m tạo thành từ m dòng và m cột đầu tiên, khi đó PACB xuất phát chính là x 0 = (b1,
b2,.., bm, 0 ,.., 0)).

Bước 2: Lập bảng đơn hình, tính giá trị của hàm mục tiêu và các số ước lượng  j .

Hệ số Biến Phương x1 x2 xm xm 1 xn
… …
cơ sở cơ sở án c1 c2 cm cm1 cn

c1 x1 b1 1 0 … 0 a1, m 1 … a1n

c2 x2 b2 0 1 … 0 a2, m 1 … a2 n
 … … … … … … … … … …
… … … … … … … … … …
… … … … … … … … … …
cm xm bm 0 0 … 1 am , m 1 … am n

Bảng 1 f ( x0 ) 0 0 … 0  m1 … …

Ở đây f ( x )  c1b1  c2b2  ...  cmbm .

0

m
 j  0 ( j  1,..., m);  j  c a
i 1
i ij  cj ; m 1  j  n .

Bước 3: Kiểm tra điều kiện tối ưu (đối với bài toán MIN).

- Nếu mọi  j  0 phương án đang xét tối ưu STOP.

- Nếu tồn tại  j  0 mà mọi aij  0 thì hàm mục tiêu không bị chặn, do đó bài toán đã
cho vô nghiệm STOP.

- Nếu tồn tại  j  0 và với mỗi  j  0 đều có ít nhất một aij  0 thì phương án đang
xét chưa tối ưu Làm tiếp bước 4.

Bước 4: Cải tiến PACB đang xét để được PACB tốt hơn (đối với bài toán MIN).

- Chọn biến cơ bản mới xv sao cho  v  max  j  0  để đưa vào.

- Chọn biến cơ bản cũ xr sao cho r  min  j  0  để đưa vào.

- Tiếp theo chọn dòng thứ r làm dòng xoay, cột thứ v làm cột xoay, phần tử arv làm
phẩn tử xoay rồi biến đổi sơ cấp để được bảng đơn hình mới với PACB mới tốt hơn.
CHÚ Ý 1: ở bước 3 khi kiểm tra điều kiện tối ưu đối với bài toán MAX, ta làm như
sau:

- Nếu mọi  j  0 phương án đang xét tối ưu STOP.

- Nếu tồn tại  j  0 mà mọi aij  0 thì hàm mục tiêu không bị chặn, do đó bài toán đã
cho vô nghiệm STOP.

- Nếu tồn tại  j  0 và với mỗi  j  0 đều có ít nhất một aij  0 thì phương án đang
xét chưa tối ưu Làm tiếp bước 4.

CHÚ Ý 2:
- Cũng có thể quy bài toán MAX về bài toán MIN hoặc ngược lại bằng cách đổi dấu
hàm mục tiêu.
- Dấu hiệu bài toán vô số nghiệm: khi kiểm tra điều kiện tối ưu ở bước 3 nếu mọi
 j  0 (đối với bài toán MIN) hoặc  j  0 (đối với bài toán MAX) đồng thời tồn tại

một  j  0 ứng với biến phi cơ sở x j thì bài toán có vô số nghiệm.

3. Phương pháp đơn hình
3.1 Ví dụ 1
Giải bài toán quy hoạch tuyến tính sau:
f ( x)  3x1  3 x2  x3  x4  min
 x1  x2  2 x3  x4  2
 x x x x 6
 1 2 3 4

 3 x1  2 x2  6 x3  3 x4  9
 x1  0, x2  0, x3  0, x4  0.

Giải:
Đưa vào ba biến giả x5, x6, x7  0 với hệ số giả M > 0 (đủ lớn) ta được bài toán (N).
F  3 x1  3 x2  x3  x4  M ( x5  x6  x7 )  min
 x1  x2  2 x3  x4  x5 2
 x  x2  x3  x4  x6 6
 1

 3 x1  2 x2  6 x3  3 x4  x7  9
 xj  0 ( j  1, 2, 3, 4, 5, 6, 7).

Ta giải bài toán (N) bằng phương pháp đơn hình, xuất phát từ phương án cực
biên x  (0, 0, 0, 0, 2, 6, 9). Quá trình giải bài toán (N) được ghi toán tắt trong bảng
0

sau.

Biến Phương x1 x2 x3 x4 x5 x6 x7
CB 
cơ sở án 3 -3 1 -1 M M M
x5 M 2 -1 1 2 1 1 0 0 2
x6 M 6 1 1 -1 -1 0 1 0 6
x7 M 9 3 2 -6 3 0 0 1 4.5
Bảng 1 17M 3M-3 4M+3 <0 3M+1 0 0 0
x2 -3 2 -1 1 2 1 0 0
x6 M 4 2 0 -3 -2 1 0 2
 x7 M 5 5 0 -10 1 0 1 1
Bảng 2 9M-6 7M 0 <0 <0 0 0
x2 -3 3 0 1 0 6/5 0 0
x6 M 2 0 0 1 -12/5 1
x1 3 1 1 0 -2 1/5 0 2
Bảng 3 2M-6 0 0 M-7 <0 0
x2 -3 3 0 1 0 6/5
x3 1 2 0 0 1 -12/5
x1 3 5 1 0 0 -23/5
Bảng 4 8 0 0 0 -94/5

Vậy ta thấy  k  0 với mọi k = 1, 2, 3, 4 nên phương án cho ở bảng này x = (5, 3,
2, 0, 0, 0, 0) là phương án tối ưu của bài toán (M). Vậy x * = (5, 3, 2, 0) là phương án
tối ưu của bài toán ban đầu với fmin = 8.
3.2 Ví dụ 2
Giải bài toán quy hoạch tuyến tính sau:
g ( x)  3 x1  x2  2 x3  max
 x1  3 x2  x3  x4  7
 3x  4 x  8 x  10
 1 2 3

 4 x1  2 x2  12
 x j  0, j  1, 2,..., 6.

Giải:
Bài toán tìm g  max được thay thế bằng bài toán tìm f   g  min .
Đưa vào ba biến giả x4, x5, x6  0 với hệ số giả M > 0 (đủ lớn) ta được bài toán
(N).
G  3 x1  x2  2 x3  M ( x4  x5  x6 )  max
 x1  3 x2  x3  x4  7
 3x  4 x2  8 x3  x5  10
 1

 4 x1  2 x2  x6  12
 xj  0 ( j  1, 2, 3, 4, 5, 6, 7).

Ta thay f bằng g   f   3x1  x2  2 x3  min với cùng cÁC điều kiện như trên.
 Xuất phát từ phương án cực biên x 0  (0, 0, 0, 7, 10, 12). Quá trình giải bài toán
(N) được ghi toán tắt trong bảng sau.

Biến Phương x1 x2 x3 x4 x5 x6
CB i
cơ sở án 3 -3 1 -1 M M
x4 0 7 -1 3 1 1 0 0
x5 0 10 3 -4 8 0 1 0 10/3
x6 0 12 4 -2 0 0 0 1 3
Bảng 1 0 3 -1 -2 0 0 1
x4 0 10 0 5/2 1 1 0 1/4 4
x5 0 1 0 -5/2 8 0 1 -3/4
x1 -3 3 1 -1/2 0 0 0 1/4
Bảng 2 -9 0 1/2 -2 0 0 -3/4
x2 1 4 0 1 2/5 2/5 0 1/10
x6 0 11 0 0 0 1 1 -1/2
x1 -3 5 1 0 1/5 1/5 0 3/10
Bảng 3 -11 0 0 -11/5 -1/5 0 -4/5

Giải bài toán bằng phương pháp Đơn hình (Bảng 1-3) ta thu được lời giải là
x*  5, 4, 0, 0, 11, 0  với g min   11 . Từ đó f max  11 .