ALGORITMOS

PROGRAMACIN NO
LINEAL

Estudiante:
Samuel Oviedo C.I V-21.169.597
Optimizacin
Ing. de Sistema
SAIA

ALGORITMOS
No Lineales
Restringidos

El problema general de programacin no lineal con restricciones se

define como sigue:
MAXIMIZAR (O MINIMIZAR)
sujeta a

g(X) 0

Las condiciones X 0 de no negatividad forman parte de las

restricciones. Tambin, al menos una de las funciones f (X) y g(X) es no lineal,
y todas las funciones son continuamente diferenciables. No existe algoritmo
general para manejar modelos no lineales, por el comportamiento errtico de las
funciones no lineales. Quiz el resultado ms general aplicable al problema es el
de las condiciones KKT que a menos que f (X) y g(X) tengan buen
comportamiento (condiciones de convexidad y concavidad), las condiciones
KKT slo son necesarias para alcanzar la optimalidad.

Se presentaran varios algoritmos que se pueden clasificar en general como

mtodos indirectos y directos.

Con los Mtodos Indirectos se resuelve el problema no lineal manejando

uno o ms programas lineales derivados del programa original.
Los mtodos indirectos que se presentan en esta seccin incluyen:
LA PROGRAMACIN
Separable

Cuadrtica

Geomtrica

Estocstica

Los mtodos directos manejan el problema en su forma original.

PROGRAMACIN LINEAL
ENTERA

Los programas lineales enteros son aquellos en los que algunas o todas
las variables estn restringidas a tener valores enteros (o discretos). La
programacin lineal entera tiene aplicaciones prcticas importantes.
Desafortunadamente, a pesar de dcadas de extensas investigaciones, la
experiencia en cmputo con programas lineales enteros ha sido menos que
satisfactoria. Hasta esta fecha no existe un programa de cmputo para
programas lineales enteros que pueda resolverlos en forma consistente.

CARACTERIZACIN DE LA PROGRAMACIN LINEAL ENTERA

La programacin lineal tambin conocida como optimizacin lineal, es la
maximizacin o minimizacin de una funcin lineal sobre un poliedro convexo
definido por un conjunto de restricciones lineales no negativas. La teora de la
programacin lineal cae dentro de la teora de la optimizacin convexa y es
tambin considerada como parte importante de la investigacin de operaciones.

Un modelo de programacin entera es un modelo

que contiene restricciones y una funcin objetivo
idnticas a las formuladas por planeacin lineal.
La nica diferencia es que una o mas de las
variables de decisin tienen que tomar un valor
entero en la solucin final.
Existen tres tipos de modelos de programacin
entera:

Pura
Un modelo entero puro
(PLE) es, como su
nombre lo indica, un
problema en el que se
exige que todas las
variables de decisin
tengan valores enteros.

Binaria
Mixta
Algunas de las variables de
decisin tienen valores
enteros. Las dems
cumplen con la suposicin
de divisibilidad.

Utiliza variables binarias

PROGRAMACIN LINEAL
ENTERA
La programacin lineal entera (PLE) es el conjunto de problemas de
programacin lineal para los cuales todas o parte de sus variables pertenecen
a los nmeros enteros.
Un problema de PLE puede describirse de la siguiente forma:
Optimizar una funcin objetivo z=c.x
Bajo las restricciones Ax = = b, x = 0
Donde:
x -Vector con variables enteras
c -Vector de coeficientes de la funcin objetivo
A -Matriz de coeficientes de las restricciones
b -Vector de trminos independientes
Los modelos de programacin lineal entera pudieran clasificarse en tres
grupos:
Entero completamente. Todas las variables de decisin son enteras.
Mixto. Algunas de las variables son enteras, las otras no.
Binario. Las variables solo toman los valores 0 1.

ALGORITMO
PROGRAMACIN LINEAL
PROGRAMACIN LINEALENTERA
ENTERA PURA
Mtodo de Plano de Corte
Algoritmo Fraccional de Gomory,
Algoritmo Entero Puro de Gomory,
Mtodo de Ramificacin y Acotamiento
Algoritmo de Land Doig, entre otros.
Para PROGRAMACIN LINEAL ENTERA BINARIA algunos de los utilizados
son: Mtodo de Ramificacin y Acotamiento
Mtodo Aditivo de Egon Balas
Mtodo Lexicogrfico
Mtodo de Lemke y Spielberg
Distancia de Hamming y Retculos y Mtodo de Trubin
En PROGRAMACIN LINEAL ENTERA MIXTA se usan el Algoritmo Entero
Mixto de Gomory, el Algoritmo de Land Doig, Mtodo de Benders.

PROGRAMACIN
SEPARABLE

Un caso especial de programacin separable ocurre cuando las funciones

son convexas , resultando as un espacio convexo de solucin;
adems la funcin
es convexa en caso de minimizacin y cncava
en caso de maximizacin.
No existe un algoritmo nico para solucionar problemas de programacin
convexa; en general los algoritmos conocidos se pueden clasificar as:
Algoritmos de gradiente: En estos casos se modifica de alguna manera
el procedimiento de bsqueda del gradiente para evitar que la trayectoria de
bsqueda penetre la frontera de restriccin.
Algoritmos secuenciales no restringidos: Incluye los mtodos de
funcin de penalizacin y de funcin barrera; estos algoritmos convierten el
problema de optimizacin restringida original en una sucesin de problemas
de optimizacin no restringida.
Algoritmos de Aproximacin Secuencial: Incluye mtodos de
aproximacin lineal y aproximacin cuadrtica; estos algoritmos sustituyen la
funcin objetivo no lineal por una sucesin de aproximaciones lineales o
cuadrticas.

Ejemplo Programacin
Separable
A continuacin resolvemos un problema de programacin separable aplicando
el mtodo de la base restringida.
El mtodo de aproximacin nos sugiere que las variables
separables son:

Luego:

Entonces el problema original por aproximacin se

convierte en:

tablero simplex inicial corresponde a:

Donde S1 es una variable de holgura (relleno).

La solucin ptima por el Simplex a este problema equivalente es:

Luego el ptimo en trminos de

es :

PROGRAMACIN
CUADRTICA
Difiere de la programacin lineal nada ms en que la funcin objetivo es una
funcin cuadrtica, es decir, incluye tambin trminos cuadrados o productos
de variables.

Formulacin de un Problema
Cuadrtico
Consideremos el siguiente
problema cuadrtico de dos variables:
Si observamos la funcin objetivo:

Igualando coeficiente a coeficiente con la expresin:

tenemos

PROGRAMACIN
GEOMTRICA
Un programa geomtrico es un problema de optimizacin de la forma

Tiene mltiples aplicaciones, como el dimensionamiento de circuitos y la

estimacin paramtrica va regresin logstica en estadstica. 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

PROGRAMACIN
GEOMTRICA
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 de programacin geomtrica.
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 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
Forma convexa
El programa geomtrico no son por regla general problemas de optimizacin
convexa, pero pueden transformarse en ellos mediante un cambio de variables y
una transformacin de las funciones objetivo y de restriccin.

PROGRAMACIN
GEOMTRICA

La Programacin geomtrica soluciona un caso especial de problemas de

Programacin No lineal. Este mtodo resuelve al considerar un problema dual
asociando los siguientes dos tipos de Programacin No lineal:

Problema geomtrico no restringido

Problema geomtrico restringido

PROGRAMACIN
ESTOCSTICA

Problemas de
Optimizacin
Estocstica
Los problemas de optimizacin estocstica son en general mucho ms
complejos que los que no consideran el azar, principalmente porque el azar
implica que no tenemos un solo escenario a optimizar, sino un conjunto de
escenarios posibles.
Por ejemplo, si queremos optimizar el diseo de una red de distribucin de
energa, trabajaremos en un escenario de incertidumbre, en el que
desconocemos la demanda real de energa en el momento de uso de la red.
En lugar del dato de la demanda tendramos una estimacin, quizs un
conjunto finito de demandas posibles con una probabilidad asociada.
Con esto ya podemos intuir que el mundo de la empresa est lleno de
problemas estocsticos, qu se suele hacer para resolverlos?. En escenarios
con decisiones sencillas, es decir pocas variables de decisin y con pocos
estados, se pueden enumerar explcitamente todas las posibilidades utilizando
arboles de decisin que adems son muy intuitivos.

Decantndose por la decisin con mayor beneficio esperado. Por

ejemplo una seora se entera en la peluquera de que dan un 50% de
probabilidad de lluvia y debe decidir si comprar o no comprar un paraguas
de psima calidad.
Si compra el paraguas,
Si llueve (probabilidad 0.5) habr gastado 5 euros en un paraguas de
psima calidad.
Si no llueve habr gastado lo mismo 5 euros.
Si no compra el paraguas,
Si llueve tendr que volver a ir a la peluquera y pagar otros 15 euros.
Si no llueve no tiene que pagar ni un euro ms.
En conclusin si compra el paraguas la prdida esperada ser de 5 euros y si
no lo compra de 7.5 euros. Si la seora est en sus cabales debe comprar el
paraguasaunque a priori parezca un comportamiento pesimista y
Espilfarrador, sera el ms acertado.
Pero si el problema es ms complicado, se acaba optando por
simplificar, por ejemplo, usando el escenario esperado, o el escenario
ms probable, ya que stos son deterministas y se pueden resolver
usando optimizacin convencional.