OPTIMIZACION NO LINEAL RESTRINGIDA

Problemas donde el objetivo es encontrar las m variables del vector x; que minimizan f(x) sujeto a: gi (x) 0 i=1,2,,n hj (x) = 0 j=1,2,,p tenemos n restricciones de desigualdad y p restricciones de igualdad ( n o p pueden ser cero) EFECTO DE LAS RESTRICCIONES EN EL ESPACIO DE LAS SOLUCIONES DE PROGRAMACION NO LINEAL En la programacin lineal el ptimo est en un vrtice de un poliedro. En PNL el ptimo de la funcin objetivo puede estar fuera de la regin admisible en cuyo caso el valor ptimo buscado estar en alguna frontera. Las condiciones necesarias y suficientes en el mnimo x* de un problema de minimizacin restringido son:
f / x =x* = 0

H/x = x

positiva definida

2 f ( x) 2 f ( x ) = x1x 2

Las restricciones pueden afectar la solucin en diferentes formas 1. Las restricciones NO afectan el ptimo de un problema de Programacin No Lineal Considere el problema de seleccionar x1 , x2 para maximizar (x1-4)2 + (x2-5)2 los contornos se muestran en la figura siguiente

XXXXXXXXXXXXX falta dibujo XXXXXXXXXXXXX

Considere las restricciones: x2 -1.4x1 0 2x1 + 4x2 6 0 x1 5 x1 0 La regin sombreada es la permisible, e incluye en mnimo global. Las restricciones no afectan la solucin del problema. 2. Restricciones si afectan la solucin ptima Utilizamos las restricciones 3x1 + 2x2 12 2x1 +4x2 6 x1, x2 0

XXXXXXXXXXXXX falta dibujo XXXXXXXXXXXXX

En este caso con restricciones lineales, el ptimo est en la frontera restringida. El hecho de que el ptimo est en la frontera restringida pude ser detectado por las condiciones de Kuhn Tucker (que veremos ms adelante) 3. El espacio de solucin puede ser no convexo ( disyunto ) Ejemplo: Maximizar J = 85x1 + x2 s.a. 3x12 80 x1 x2 0 100 x1 x2 200 0

x1 , x2 0

XXXXXXXXXXXXX falta dibujo XXXXXXXXXXXXX

Las dos regiones factibles no estn conectadas, el espacio de solucin es NO CONVEXO. Si empezamos de la parte izquierda la solucin estar en * pero si brincamos a la otra regin el valor de J puede seguir creciendo ( es no acotado ) El Caso multidimensional puede ser muy complejo si existen diferentes regiones disyuntas. 4. Restricciones introducen mltiples mnimos Las restricciones pueden introducir varios mnimos locales, aunque la funcin tenga un mnimo global. Ejemplo Minimizar (x1 4 )2 + (x2 5)2 s.a. 3 x1 + 2 x2 0 2x1 + 4x2 12 x1 , x2 0 3(x1 1.5)2 x2 + 2.5 0 ( Nueva)

XXXXXXXXXXXXX falta dibujo XXXXXXXXXXXXX

Se observa que la nueva restriccin produce 2 mnimos relativos xa* , xb*

El comportamiento del espacio de soluciones en la Programacin No lineal, puede ser muy complejo y no puede ser concebido a priori durante la bsqueda de la solucin.

PROGRAMACION NO LINEAL Y LAS CONDICIONES DE KUHN-TUCKER

EFECTOS DE LAS CONDICIONES DE NO NEGATIVIDAD Analizando el caso con una sola variable y solo con restricciones de no negatividad en dicha variable Max J = f(x1) s.a. x1 0 donde la funcin F se supone diferenciable. Debido a la restriccin x 1 0, se dan 3 diferentes posibilidades. La primera es que el mximo de la funcin f se de en el interior de la regin factible y denotado por A en la figura 1. La condicin de primer orden dF/dx1 = f1(x1) = 0 La segunda, que el mximo se de en el punto B de la figura 2, sobre el eje vertical donde x1=0. Tenemos una solucin con la respectiva restriccin activa y la condicin f1(x1) = 0 es tambin vlida. La tercera posibilidad, el mximo puede ser el punto D o C de la figura 3, para los cuales la caracterstica debe ser que sean valores mayores que cualquier otro punto en su vecindario dentro de la regin factible (el mximo de la funcin no est en la regin factible). En esta ltima opcin se debe cumplir que f1(x1) < 0. Po otro lado, si la pendiente fuera f 1(x1) > 0 aunque x1 sea cero, no tenemos un mximo, punto E de la figura 1.

En resumen, para que x1 sea un mximo de J debe satisfacer una de las 3 siguientes condiciones f1(x1) = 0 y f1(x1) = 0 y f1(x1) < 0 y x1 > 0 x1 = 0 x1 = 0 punto A punto B punto C y D

estas tres condiciones se resumen en una sola f1(x1) 0 x1 0 y x1 f1(x1) = 0

la ltima igualdad nos dice que, al menos una de las 2 cantidades debe ser cero, x 1 o f1(x1) para que su producto sea cero. Los tres trminos juntos, definen lo que se llama la condicin necesaria de primer orden para un mximo local en un problema en donde la variable de seleccin (x1) es no negativa. Tambin, como un mximo global tiene que ser un mximo local, se puede afirmar que las 3 condiciones son necesarias para un mximo global.

EFECTOS DE LAS RESTRICCIONES DE DESIGUALDAD Analicemos el caso con 3 variables n = 3 y 2 restricciones m = 2 Max J = f(x1,x2, x3) s.a. g1(x1,x2, x3) r1 y x1,x2, x3 0 g2(x1,x2, x3) r2

con 2 variables extras (variables de holgura) s1, s2, el problema se transforma en la forma equivalente Max J = f(x1, x2, x3) s.a. g1(x1, x2, x3) + s1 = r1 y x1, x2, x3, s1, s2 0 g2(x1,x2, x3) + s2 = r2

Si no consideramos las restricciones de no negatividad, la forma clsica de la funcin Lagrangiana es : Z1 = f(x1, x2, x3) + 1[ r1- g1(x1, x2, x3) - s1] + 2[ r2- g2(x1, x2, x3) s2] y las condiciones de primer orden son:

Z 1 Z 1 Z 1 Z 1 Z 1 Z 1 Z 1 = = = = = = =0 x1 x 2 x3 s1 s 2 2 1

Debido a que las variables xj , si deben ser no negativas, las condiciones de primer orden de estas variables deben ser modificadas, y obtenemos :
Z 1 0 x j

xj 0 si 0

y y

xj

Z 1 =0 x j

Z 1 0 s i Z 1 =0 i

si

Z 1 =0 s i Z 1 = [ ri g g ( x1 , x 2 , x3 ) s i ] = 0 ) i

(Esto porque j=1, 2, 3

i=1,2

Eliminando la variable si de esta primera condicin de primer orden del segundo rengln
Z 1 = i si

por lo que -i 0

-si i = 0

o equivalentemente si 0 i 0 y sii = 0
i del tercer rengln ri g ( x1 , x 2 , x3 ) = si y del segundo y tercer rengln

ri g i ( x1 , x 2 , x3 ) 0

i 0

[ri g i ( x1 , x 2 , x3 )] = 0

As podemos expresar la condicin de primer orden sin la variable s

g 1j g 2 Z 1 j = f j1 (1 + 2 )0 x j x j x

xj 0

y xj

Z 1 =0 x j

ri g i ( x1 , x 2 , x3 ) 0

i 0

[ri g i ( x1 , x 2 , x3 )] = 0

Estas son una versin de las condiciones de Kuhn Tucker expresadas en trminos de la funcin Lagrangiana Z1 ( con variables de holgura) Es posible obtener el mismo grupo de condiciones directamente usando una funcin Lagrageana diferente. Partiendo de: Z1 = f(x1, x2, x3) + 1[ r1- g1(x1, x2, x3) - s1] + 2[ r2- g2(x1, x2, x3) s2] Sin considerar las restricciones de no negatividad lo mismo que los signos en las restricciones de desigualdad, escribimos el Lagrangeano clsico de la funcin Z Z = f(x1, x2, x3) + 1[ r1- g1(x1, x2, x3) ] + 2[ r2- g2(x1, x2, x3) ] Y hacemos lo siguiente:

Z 0 1- Las derivadas parciales x 0 pero i j 2Z

g 1j g 2 Z j = f j1 (1 + 2 )0 x j x j x Z ri g i ( x1 , x 2 , x3 ) 0 i

xj 0 i 0

y x j x = 0 j
i
Z =0 i

NOTA:
Si i # 0, la restriccin i est activa. Si una variable tiene un lmite superior y uno inferior y si la solucin ptima requiere que la variable est en su lmite superior o inferior , luego el valor de gi es cero. De igual forma, si gi no es cero luego i es cero. El multiplicador de Lagrange es positivo si la restriccin est en el lmite inferior, y negativo si est en el lmite superior. Si la variable no est en el lmite el multiplicador es cero. Por ejemplo, si la restriccin gi de una sola variable x1 es 0 ( x1 -5) 10 y la solucin ptima requiere que x1 = 15, luego el i asociado a esta restriccin es negativo gi = xi -5=10 y la frontera superior est activa. Si la solucin fuera x i = 5 el es positivo. Para una solucin ptima de xi = 7 el lambda es cero. Los signos del multiplicador de Lagrange dependen de la convencin usada y del tipo de restriccin. Si la restriccin gi es de la forma , el signo del multiplicador sera el contrario. De igual forma el signo sera contrario si el problema fuera de maximizacin. Si las desigualdades se transforman como gi ri a signos cambian. g i ri 0 o gi ri + z2 = 0 los

Para problemas de minimizacin usando el Excel Solver, i , es positivo en el lmite superior y negativo en el inferior.
Si el problema es de minimizacin: Una posibilidad es convertir el problema en uno de maximizacin y aplicar lo ya planteado. Minimizar J es equivalente a maximizar J, pero debemos invertir las restricciones de desigualdad multiplicando cada restriccin por -1. La aplicacin directa de Khun Tucker para este caso es:
g 1j g 2 Z j = f j1 (1 + 2 )0 x j x j x Z ri g i ( x1 , x 2 , x3 ) 0 i

xj 0 i 0

y x j x = 0 j
i
Z =0 i

Ejemplo En un problema de maximizacin de utilidades Max J = J(x,y) s.a. Px x + Py y B x x0 x, y 0 La funcin Lagrangiana es: L = U(x,y) + 1 (B- Px x + Py y) + 2(x0-x) Las condiciones de Kuhn Tucker son: Lx = Ux Px 1 2 0 x 0 x Lx = 0 Ly = Uy Py 1 0 y 0 y Ly = 0 L1 = B Px x Py y 0 1 0 1 L1 = 0 L2 = x0 x 0 2 0 2 L2 = 0 del tercer rengln se requiere que 1(B Px x Py y) = 0 por lo que 1 = 0 o B Px x Py y = 0 si se interpreta como la utilidad marginal en dinero (ganancias) y si la restriccin B no est activa la utilidad marginal de B ser cero, 1 = 0. Indicando que no vale la pena relajar o aumentar este valor, pues todava no lo hemos alcanzado. Ejemplo Para un problema de minimizacin 2 2 Minimizar C = ( x1 4) + ( x 2 4) sujeto a 2 x1 + 3x2 6 3 x1 2 x2 12 x1 , x2 0 Solucin. El lagrangeano L = ( x1 4) 2 + ( x2 4) 2 + 1 (6 2 x1 3x2 ) + 2 (12 + 3 x1 + 2 x2 ) como es de minimizacin, las condiciones apropiadas dan: (recuerde: o la pendiente es cero si el mnimo no est en la frontera x#0, o si estamos en frontera x=0 la pendiente debe ser positiva)
L / x1 = 2( x1 4) 21 + 32 0 L / x2 = 2( x2 4) 31 + 22 0 L / 1 = 6 2 x1 3 x2 0 L / 2 = 12 + 3 x1 + 2 x2 0

(1) (2) (3) (4)

Para encontrar la solucin, por prueba y error Supongamos 1 , 2 > 0 ( ambas restricciones en el lmite) Con multiplicadores de Lagrange positivos, L / 1 = L / 2 = 0 de (3) y (4) 6 = 2 x1 + 3x2 12 = 3 x1 + 2 x2 x1 = 4 4/5 x2 = -1 1/5 lo cual viola la restricciones de no negatividad de x2 Probemos x1> 0 x2 > 0 lo que implica L / x1 = L / x 2 = 0 y para (1) y (2) 2( x1 4) 21 + 32 = 0 y 2( x2 4) 31 + 22 = 0

de estas dos obtenemos 4 x1 6 x2 + 51 + 8 = 0 suponiendo 1 = 0 x1- (3/2)x2 = -2 Si suponemos que 2 # 0 entonces L/2 = 0 entonces 3x1+2x2 = 12 Obtenemos 1 = 0 2 = 16/13 ( 3/13) > 0 Como no se viola ninguna restriccin y las variables no son negativas INTERPRETACION DE LOS MULTIPLICADORES DE LAGRANGE Considere una funcin objetivo con 2 variables y una restriccin de desigualdad: Minimizar f(x1, x2) s.a. g(x 1,x2) + z = 0 en donde: g = g-r incluye el valor de la restriccin r la ecuacin expresada como igualdad sumando una variable de holgura no negativa z El Lagrangeano L = f(x1x2) + [g(x1,x2)+z] Lo que muestra que la sensitividad de la funcin Lagrangeana a cambios en la restriccin g es dada por el multiplicador. En cuanto se disminuye el costo de L si modificamos/relajamos la restriccin? Vale la pena cambiar el valor de la restriccin?
L = z

OPTIMIZACION CON RESTRICCIONES DE DESIGUALDAD

En los problemas de la vida real, la optimizacin debe considerar las limitaciones fsicas que imponen restricciones a las variables de decisin. Estas limitaciones imponen un conjunto de ecuaciones o restricciones de desigualdad de la forma: g(P) 0 1.3.1

Ejemplos de estas restricciones son los lmites inferiores y superiores de la potencia de operacin de una unidad generadora, o el lmite superior de una lnea de transmisin de alto voltaje en un sistema elctrico, o los voltajes mnimos y mximos de operacin en una red elctrica, etc. Pimin Pi Pimax 1.3.2

Es importante mencionar que un mtodo de solucin muy utilizado, es el iniciar la solucin resolviendo el problema ignorando las restricciones de desigualdad, se obtienen los resultados de la solucin ptima para analizar violaciones. Si no ocurren estas violaciones ah termina el problema. Pero, si ocurren violaciones de una o ms de las restricciones se procede a realizar modificaciones al algoritmo. Se han descrito muchos mtodos de solucin para manipular las restricciones de desigualdad, la mayora se han descrito como aproximacin de una funcin de

penalizacin, pero uno de los mtodos ms utilizados es el de las condiciones de KuhnTucker. Condiciones de Kuhn Tucker Considere el problema de minimizacin de una funcin de costo F(C) 1.3.3 el cual est sujeto a satisfacer un conjunto de ecuaciones de restricciones de igualdad h(C) =0 1.3.4 y restricciones de desigualdad g(C)0 1.3.5 restricciones de desigualdad g(C) = gi ki gi(C) ki donde ki es una constante - ki pueden ser transformadas a gi(C) 0 pasando ki al lado izquierdo de la desigualdad. Una restriccin de igualdad se puede convertir en dos de desigualdad con y Las restricciones de igualdad pueden ser manipuladas fcilmente utilizando los multiplicadores de Lagrange. Y podemos transformar las restricciones de desigualdad en ecuaciones de de igualdad utilizando variables no negativas de holgura o slack : v i2 Esto produce las relaciones equivalentes de 1.3.6 gi (C) + vi2 = 0 1.3.6

esto garantiza que se cumplan las restricciones de desigualdad. Considere la desigualdad gi(x) -10 Se transforma en g i(x)+10+zi2=0. Si la solucin de la optimizacin da que gi(x) = -11, luego zi2= 1. Esto es, si el valor de z i2 es conocido, esto nos permite calcular el valor de la restriccin y viceversa. Con esta transformacin la funcin de costo aumentada y representada en forma vectorial es:

J (C ) = F (C ) + T h(C ) + T [ g (C ) + V 2 ] o en forma expandida:

1.3.7 1.3.8

J (C ) = F (C ) + i hi + i ( g i + vi2 )

En donde se acostumbra utilizar multiplicadores de Lagrange para las restricciones de igualdad y los para las de desigualdad. Pero estos dos se pueden expresar tambin como un solo trmino, pues gi+vi2 ha sido convertido a igualdad.
J (C ) = F (C ) + i hi ( x, z 2 ) n restricciones de desigualdad, p de igualdad
i =1 n+ p

1.3.9

Las condiciones necesarias para optimalidad son obtenidas como resultado de aplicar la tcnica variacional.

J =0 xi

1.3.10

J =0 i J =0 i J =0 vi

1.3.11

1.3.12

1.3.13

Las primeras tres condiciones son conocidas, la ltima es:

J = 2 i vi = 0 vi

1.3.14

Sustituyendo vi de la ecuacin 1.3.6, se obtiene:

i g i = 0

1.3.14

Esto significa que si cualquiera es diferente de cero la otra tiene que ser necesariamente cero. De la ecuacin 1.3.9 si se asegura que el segundo trmino del lado derecho es cero entonces minimizar J es lo mismo que minimizar F. Estas expresiones se llaman Ecuaciones de Kuhn Tucker. Ya sea que el multiplicador i o que gi sea cero. El caso sin violaciones corresponde a i = 0 . Si ocurren violaciones gi se pone en su lmite gi = 0 (restriccin activa) Si es cero, entonces gi no es cero, y el valor de g i es menor que ki (valor lmite), y se dice que la restriccin est inactiva. Si vi=0 la restriccin est activa. Los requerimientos de 1.3.9 combinados con 1.3.8 se escriben
h g F ) + j ( j ) + j ( j ) = 0 Pi Pi Pi o de 1.3.9 h J F =0= + i i xi xi i =1 xi en forma expandida ( h h F h = i 1 + 2 2 + ..... + x1 x1 x1 x1 h h F h = i 1 + 2 2 + ..... + x 2 x 2 x 2 x 2 ..

h h F h = i 1 + 2 2 + ..... + x m x m x m x m

Que pueden ser escritas como:

F = 1h1 + 2 h2 + ...... + h F es el gradiente de la funcin objetivo, y h es el gradiente de la restriccin

activa Por lo que el resultado indica que el negativo del gradiente de la funcin objetivo puede ser expresado como una combinacin lineal de los gradientes de las restricciones activas. Por simplicidad, consideremos un problema de 2 dimensiones con 2 restricciones de desigualdad y sin restricciones de igualdad. Si suponemos que el mnimo ocurre en un punto P(0) en el interior de la regin, segn se muestra en la figura 1. En ese caso F / Pi J tiene que ser = 0 Si el mnimo ocurre en el lmite, g1 (P) = 0 el gradiente ortogonal al lmite y tiene direccin hacia adentro segn se muestra en la figura 2. En este caso F + 1g1 = 0

g1(P)

g1(P)

P(0)

g2 (P)

g1
P(0)
F

g2(P)

figura 1

figura 2

Si el mnimo est en el lmite de las dos restricciones tenemos:

F + 1g1 + 2 g 2 = 0

Ejemplo: Considere dos plantas trmicas alimentando un sistema elctrico de potencia. Los costos de combustibles asociados a cada una de las dos unidades son: C1 = 4P1 + 0.01 P12 C2 = 2P2 + 0.03 P22 Observe que C1 la unidad ms econmica

El objetivo es el de minimizar el costo total de operacin mientras se satisfacen las restricciones de igualdad: P1 + P2 = PD PD : Potencia Total Demandada

Utilizamos una funcin de costo aumentada con las restricciones utilizando un multiplicador de Lagrange .
C = 4 P1 + 2 P2 + 0.01P12 + 0.03P22 + ( PD P1 P2 ) Derivando, las condiciones necesarias para la optimizacin son:

4 + 0.02 P1 = 0 2 + 0.06 P2 = 0 P1 + P2 = PD eliminando P2 y obtenemos una ecuacin para P1 0.08 P1 + (2-0.06 PD ) = 0 como PD es informacin conocida, se encuentran las otras variables PD = 50 P1 = 12.5 P2 = 37.5 = 4.25 PD = 100 P1 = 50 P2 = 50 =5 PD = 200 P1 = 125 P2 = 75 = 6.5 PD = 250 P1 = 162.5 P2 = 87.5 = 7.25 # 0 en todos los casos pues se cumple la restriccin de igualdad Pi = P D, entre PD sea mayor, es mayor (mayor costo marginal) P1 y P2 son positivos, pero estos valores obtenidos podran violar restricciones de operacin mnimas y mximas de las unidades generadoras. supongamos una restriccin de operacin en P1. 50 P1 150 imponemos como ejemplo, restricciones de mnimo y mximo en la planta ms barata esta restriccin se puede convertir en dos restricciones: 50 P1 0 P1 150 0 de acuerdo a la teora Kuhn Tucker , la funcin de costo aumentada es

F ( P ) = F ( P ) + ( PD P1 P2 ) + 1 (50 P1 ) + 2 ( P1 150)
las condiciones necesarias son: 4 + 0.02 P1 - 1 + 2 = 0 2 + 0.06 P2 = 0 P1 + P2 -PD = 0 1 ( 50 P1 ) = 0 2 ( P1 150 ) = 0 Ahora tenemos 5 ecuaciones en lugar de tres,

Considere el caso en que PD = 50, en este caso se viola el lmite inferior y la solucin ptima se obtiene utilizando P1 en el lmite inferior violado. Las condiciones de optimalidad se dan con los requerimientos P1 = 50 2 = 0 (No viola P1 = 150) El lmite superior no es violado, la solucin es: igi = 0 P 2 = 0 = 2 1 = 3 La solucin para el caso con PD = 250 viola el lmite mximo y los resultados ptimos son: P1 = 150 P2 = 100 1 = 0 2 = 1 = 8 Cuando la demanda es de 100 o 200, no se violan las restricciones de desigualdad por lo que 1 = 2 = 0 Ejemplo Considere el siguiente problema min f(x) = x1 sujeto a : g1 ( x) = 16 ( x1 4) 2 ( x2 ) 2 0 h1 ( x) = ( x1 3) 2 + ( x2 2) 2 13 = 0 La funcin de costo aumentada ser:
p

f ( x * ) i g i ( x * ) j h j ( x * ) = 0
i =1 j =1

x1 [16 ( x1 4) 2 x22 ] [( x1 3) 2 + ( x 2 2) 2 13] = 0

f ( x ) =1

Verificaremos si los puntos (0,0) y ( 3 + 13, 2) satisfacen las condiciones de KuhnTucker 1) Punto ( 0,0), la restriccin g1(x) esta activa en ese punto, entonces
1 * 8 * 6 * 0 0 1 = 0 la solucin es =1/8 (estamos en el extremo, g1=0)

*=0; por tanto el punto (0,0) satisface la condicin necesaria de mnimo

2) Punto (3+13 , 2) la restriccin g1(x) no esta activa en ese punto entonces * = 0

1 * 2 + 13 =0 0 0

La solucin es *= 0 * = 13/26

Ejemplo
1- Maximizar U = x*y sujeto a x + y 100 x 40 y x, y 0 Solucin: El Lagrangeano es L = xy + 1 (100 x y ) + 2 (40 x) y las condiciones de Kuhn Tucker son:
L / x = y 1 2 0 L / y = x 1 0 L / 1 = 100 x y 0

x0 y0

y y

L =0 x
y

L =0 y

10 y 20 y

L/2 = 40-x 0

L =0 1 L 2 =0 2

Para resolver, no tiene sentido el tratar con x = 0 o y = 0, pues U = x*y =0 y la funcin objetivo (ganancias) es mnima supongamos que x, y son diferentes de cero, L/x , L/y = 0 como no estamos en el lmite (restriccin) la pendiente debe ser cero esto significa que y 1 2 = x 1 y 2 = x supongamos que x # 40, (no en el lmite), entonces 2 =0, pues 2
L =0 2

luego x = y = 50. (pues x+y100). Pero esto viola la restriccin x 40. Por lo que podramos suponer que estamos en la restriccin (lmite) x = 40. As y = 60 y L/x = L/y = 0 1 = 40 2 = 20

Ejemplo
Hallar los puntos estacionarios del siguiente problema restringido utilizando el mtodo de Lagrange Optimizar y(x) = x1 x2 sujeto a F(x) = x12 + x22 -1 = 0 El lagrangiano, o funcin aumentada es L(x1,x2, ) = x1 + x2+ ( x12 + x22 -1) las derivadas parciales L/x1 = x2 + 2x1=0 L/x2 = x1 + 2x2=0 L/ = x12 + x22-1=0 Resolviendo simultneamente hallamos los siguientes puntos estacionarios mximo x1 = ()2 x1 = -()2 mnimo x1 = ()2 x2 = ()2 x2 = -()2 x2 = -()2 = = - =

x1 = -()2

x2 = ()2

Ejemplo
Localizar los puntos estacionarios y = x4/2 x2/2 Solucin dy/dt = 2x3-x = 0 x( 2x2-1) = 0 x=0 x= - x =

dy 2 = 6x 2 1 2 dx

para x = 0 x = x

dy 2 = 1 (mximo) dx 2

dy 2 =2 dx 2

(mnimo)

dy 2 = 2 (mmimo) dx 2

Ejemplo

Resolver por Multiplicadores de Lagrange y clasificar los puntos

estacionarios 2 2 minimizar y = 2 x1 4 x1 x2 + 4 x2 + x1 3x2 sujeto a 10 x1 + 5x2 3 Solucin Convertir el problema con restricciones de desigualdad en uno con restricciones de igualdad utilizando variable de holgura x3 positiva x32

10 x1 + 5 x2 + x3 = 3
2

El lagrangeano

L = 2 x1 4 x1 x2 + 4 x2 + x1 3x2 + (10 x1 + 5 x2 x3 3)
2 2 2

L = 4 x1 4 x2 + 1 + 10 = 0 x1 L = 4 x1 8 x2 3 + 5 = 0 x2 L = 2x3 = 0 x3 L 2 = 10 x1 + 5 x2 x3 3 = 0 x

dos posibilidades = 0 o x3=0

Si : x3=0

(igualdad)

Si : =0 (desigualdad)

Para = 0 1) 4x1 4x2 = -1 2) -4x1 +8x2 = 3 x32 = 3- 10x1 5x2

x3 = 0 1) 4x1 4x2 + 10 = -1 2) -4x1 +8x2 + 5 = 3 3) 10 x1 + 5x2 = 3 x2 = 53/130

Resolviendo simultneamente x1 = x32 = -2 No satisface la restriccin

Este es el punto estacionario para el no restringido resolviendo para da 2y/x12 = 4 2y/x22 = 8

4 4

= 8/325 > 0 es mnimo

4 = 48 mnimo 8

2y/x1x2 = -4 x1 = 5/ 52

x2= 53/130

= 8/325 mnimo