La selección del algoritmo más eficiente para un conjunto dado de problemas de programación lineal ha sido un proceso significativo y, al mismo tiempo, desafiante para los solucionadores de programación lineal. Los algoritmos de programación lineal más ampliamente utilizados son el algoritmo simplex primal, el algoritmo simplex dual y el método del punto interior. Interesados en los procesos de selección de algoritmos en los solucionadores matemáticos modernos, anteriormente trabajamos en utilizar redes neuronales artificiales para formular y proponer un modelo de regresión para predecir el tiempo de ejecución del método del punto interior en un conjunto de problemas de programación lineal de referencia. Ampliando nuestro trabajo anterior, ahora estamos examinando un modelo de predicción utilizando redes neuronales artificiales para el rendimiento de los algoritmos simplex primal y dual de CPLEX. Nuestro estudio muestra que, para el conjunto examinado de problemas de programación lineal de referencia, no se pudo formar un modelo de regresión que pudiera predecir con precisión el tiempo de ejecución de estos algoritmos. Por lo tanto, estamos avanzando con nuestro análisis, tratando el problema como uno de clasificación. En lugar de intentar predecir valores exactos para el tiempo de ejecución de los algoritmos simplex primal y dual, nuestros modelos estiman clases, expresadas como rangos de tiempo, en los que se espera que caiga el tiempo de ejecución de cada algoritmo. Los resultados experimentales muestran un buen rendimiento de los modelos de clasificación tanto para los métodos primal como dual, con una puntuación de precisión relevante alcanzando y , respectivamente.