Tipos de problemas de programacin no lineal.

Los problemas de programacin no lineal se presentan de muchas formas distintas. Al contrario del mtodo smplex para programacin lineal, no se dispone de un algoritmo que resuelva todos estos tipos especiales de problemas. En su lugar, se han desarrollado algoritmos para algunas clases de problemas de programacin no lineal. Optimizacin no restringida Los problemas de optimizacin no restringida no tienen restricciones, por lo que la funcin objetivo es sencillamente Maximizar /(x) sobre todos los valores x= (jj, x2,,xn). Segn el repaso del apndice 3 , la

condicin necesaria para que una solucin especfica x = x* sea ptima cuando /(x) es una funcin diferenciable es

Cuando f (x) es cncava, esta condicin tambin es suficiente, con lo que la obtencin de x* se reduce a resolver el sistema de las n ecuaciones obtenidas al establecer las n derivadas parciales iguales a cero. Por desgracia, cuando se trata de funciones no lineales f (x), estas ecuaciones

suelen ser no lineales tambin, en cuyo caso es poco probable que se pueda obtener una solucin analtica simultnea. Cuando una variable Xj tiene una restriccin de no negatividad, x- > 0, la condicin necesaria (y tal vez) suficiente anterior cambia ligeramente a para cada j de este tipo.

Optimizacin linealmente restringida Los problemas de optimizacin linealmente restringida se caracterizan por restricciones que se ajustan por completo a la programacin lineal, de manera quetodas las funciones de restriccin g (x) son lineales, pero la funcin objetivo es no lineal. El problema se simplifica mucho si slo se tiene que tomar en cuenta una funcin no lineal junto con una regin factible de programacin lineal. Se han desarrollado varios algoritmos especiales basados en una extensin del mtodo smplex para analizar la funcin objetivo no lineal. Un caso especial importante descrito a continuacin es la programacin cuadrtica. Programacin cuadrtica De nuevo los problemas de programacin cuadrtica tienen restricciones lineales, pero ahora la funcin objetivo /(x) debe ser cuadrtica. Entonces, la nica diferencia entre stos y un problema de programacin lineal es que algunos trminos de la funcin objetivo incluyen el cuadrado de una variable o el producto de dos variables.

Programacin convexa La programacin convexa abarca una amplia clase de problemas, entre ellos como casos especiales, estn todos los tipos anteriores cuando /(x) es cncava. Las suposiciones son 1. /(x) es cncava. 2. Cada una de las g(x) es convexa. Programacin separable La programacin separable es un caso especial de programacin convexa, en donde la suposicin adicional es 3. Todas las funciones / ( x ) y g(x) son funciones separables. Una funcin separable es una funcin en la que cada trminoincluye una sola variable, por lo que la funcin se puede separar en una suma de funciones de variables individuales. Por ejemplo, si /(x) es una funcin separable, se puede expresar como

en donde cada / (Xj) incluye slo los trminos con Xj.En la terminologa de programacin lineal los problemas de programacin separable satisfacen las suposiciones de aditividad pero no las de proporcionalidad (para funciones no lineales). Programacin no convexa

La programacin no convexa incluye todos los problemas de programacin no lineal que no satisfacen las suposiciones de programacin convexa. En este caso, aun cuando se tenga xito en encontrar un mximo local, no hay garanta de que sea tambin un mximo global. Por lo tanto, no se tiene un algoritmo que garantice encontrar una solucin ptima para todos estos problemas; pero s existen algunos algoritmos bastante adecuados para encontrar mximos locales, en especial cuando las formas de las funciones no lineales no se desvan demasiado de aquellas que se supusieron para programacin convexa. Programacin geomtrica Cuando se aplica programacin no lineal a problemas de diseo de ingeniera, muchas veces la funcin objetivo y las funciones de restriccin toman la forma

En tales casos, las ci y a ty representan las constantes fsicas y las x} son las variables de diseo. Estas funciones por lo general no son ni cncavas ni convexas, por lo que las tcnicas de programacin convexa no se pueden aplicar directamente a estos problemas deprogramacingeomtrica. Sin embargo, existe un caso importante en el que el problema se puede transformar

en un problema de programacin convexa equivalente. Este caso es aquel en el que todos los coeficientes c en cada funcin son estrictamente positivos, es decir, las funciones son polinomios positivos generalizados (ahora llamados posinomiales), y la funcin objetivo se tiene que minimizar. El problema equivalente de programacin convexa con variables de decisin yx, y2,, yn se obtiene entonces al establecer Xj = ey\ para; = l , 2 , . . . ,n en todo el modelo original. Ahora se puede aplicar un algoritmo de programacin convexa. Se ha desarrollado otro procedimiento de solucin para resolver estos

problemas c.programacin posinomial, al igual que para problemas de programacin geomtrica de otros tipos. Problema de complementariedad Cuando se estudie la programacin cuadrtica en la seccin 13.7, se ver un ejemplo de cmo la solucin de ciertos problemas de programacin no lineal se puede reducir a resolver el problema de complementariedad. Dadas las variables wy,w2,,wp y elproblema de complementariedad encuentra una s o l u c i o n a r para el conjunto de restricciones que tambin satisface la restriccin de complementariedad, wr z = 0 . Aqu, w y z son vectores columna, F es una funcin con valores vectoriales dada y el superndice

T denota la traspuesta . El problema no tiene funcin objetivo, de manera que tcnicamente no es un problema de,programacin no lineal completo. Se llama problema de complementariedad por las relaciones complementarias que establecen que una de las dos wi = o zi = 0 (o ambas) para cada i = 1, 2,,

About these ads