Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Condiciones Kuhn Tucker PDF
Condiciones Kuhn Tucker PDF
Alejandro Lugon
20 de agosto de 2010
Resumen
Se presentan a manera de manual de referencia los resultados relevantes para la soluci
on de problemas
de maximizaci
on usando los resultados de Kuhn-Tucker.
1.
Problema b
asico
Para el problema:
M ax
s.a.
F (x)
(1)
gj (x) cj con j = 1, . . . , m
m
X
j (gj (x) cj )
(2)
j=1
L
= 0 para cada i = 1, . . . , n
xi
1.1.
Los resultados te
oricos para el uso de estas condiciones se dan a continuacion:
Teorema 1 (Necesidad) Sea x soluci
on del problema (1). Si x cumple la cualificaci
on de las re2
m
stricciones entonces existe R tal que (x , ) cumplen las condiciones de Kuhn-Tucker
1 Formas
2 Veremos
Supongamos por el momento que toda x posible cumple la cualificacion de las restricciones. En ese caso,
el teorema nos dice que toda soluci
on debe satisfacer las CKT para cierto . Leda de otra forma; si x no
cumple la CKT para ning
un entonces no puede ser solucion. En la practica si aplicamos y resolvemos las
ecuaciones de la CKT, todos los puntos que encontremos seran candidatos a resolver el problema (aunque
no es seguro que sean soluci
on), todos los demas puntos han sido descartados como posibles soluciones.
La cualificaci
on de las restricciones es una condicion tecnica que puede tomar varias formas, las
m
as usuales son:
Para el problema (1) el punto x cumple con la cualificacion de las restricciones en cualquiera de los
siguientes casos:
Ind.Lin El conjunto de vectores de Rn : {gj (x)|gj (x) = cj } es linealmente independiente
Lin Todas las restricciones gj son lineales.
Slater Todas las restricciones gj son convexas y existe x0 tal que gj (x0 ) < cj para cada j = 1, . . . , m.
Repitiendo lo dicho antes, con bastante generalidad las Condiciones de Kuhn-Tucker seleccionan un
conjunto de puntos que debe incluir a la solucion, si esta existe. Para poder asegurar que aquellos puntos
que satisfacen las CKT son la soluci
on tenemos los resultados de suficiencia.
Teorema 2 (Suficiencia 1) Si en el problema (1), la funci
on objetivo f es c
oncava y todas las restricciones
gj son convexas se cumple que:
Si (x , ) cumple las condiciones de Kuhn-Tucker entonces x es soluci
on de (1).
Teorema 3 (Suficiencia 2) Si en el problema (1), (x , ) cumple las condiciones de Kuhn-Tucker y
L(x, ), como funci
on de x, es c
oncava, entonces x es soluci
on de (1).
Demostraci
on.
L
Al ser L(x, ) c
oncava, las condiciones:
(x , ) = 0 para cada i = 1, . . . , n nos aseguran que x es un
xi
m
aximo de L(x, ), por lo que para todo x:
L(x , ) L(x, )
m
m
X
X
F (x )
j (gj (x ) cj ) F (x)
j (gj (x) cj )
j=1
j=1
F (x ) F (x)
F (x ) F (x)
m
X
j=1
m
X
(gj (x ) cj )
j (gj (x ) cj )
j=1
m
X
j=1
m
X
j=1
m
X
j (gj (x) cj )
j=1
F (x ) F (x)
m
X
j=1
j (cj gj (x))
j (gj (x) cj )
j (gj (x) cj )
Como x debe cumplir las restricciones tenemos que gj (x) cj y ademas los multiplicadores deben ser no
negativos: j 0 luego para cada sumando j (cj gj (x)) 0 con lo que llegamos a:
F (x ) F (x)
es decir:
F (x ) F (x)
El primero de estos teoremas se puede aplicar antes de usar las CKT. Para aplicar el segundo necesitamos
resolver las CKT para verificar en cada candidato si L(x, ) es concavo.
Debe ser claro que el primer teorema de suficiencia se desprende del segundo.
Otra forma de estar seguros de haber obtenido la solucion es usar el:
Teorema 4 (Weierstrass) Si en (1), la funci
on F es continua y las restricciones generan un conjunto
cerrado y acotado, entonces el problema tiene al menos una soluci
on.
Si podemos aplicar el Teorema de Weierstass, la solucion debe ser uno de los puntos seleccionados por
las CKT y basta entonces evaluar la funci
on objetivo en cada candidato para saber cual es la solucion.
1.2.
Al usar las CKT debemos encontrar soluciones completas, valores para las x0 s y para las 0 s, es decir
tenemos n + m inc
ognitas. Para esto necesitamos (genericamente) n + m ecuaciones. Observando las CKT, el
punto 1 provee de n ecuaciones, las otras m ecuaciones salen del punto 4 considerando las dos alternativas:
[gj (x) = cj ] o [gj (x) < cj y por lo tanto j = 0]. Como tenemos m de estas posibilidades se generan 2m
casos que envuelven a m + n ecuaciones para m + n variables. En cada caso luego de resolver las ecuaciones
se deben verificar las desigualdades de los puntos 2 y 3.
1.3.
Ejemplo
M ax F (x, y)
s.a. g1 (x, y) c1
g2 (x, y) c2
g3 (x, y) c3
El lagrangiano es:
L(x, y, 1 , 2 , 3 ) = F (x, y) 1 (g1 (x, y) c1 ) 2 (g2 (x, y) c2 ) 3 (g3 (x, y) c3 )
y las CKT:
1.
L
x
L
y
=0
=0
2. g1 (x, y) c1
g2 (x, y) c2
g3 (x, y) c3
3. 1 0
2 0
3 0
3
2.
g1
= c1
> c1
= c1
> c1
= c1
> c1
= c1
> c1
g2
= c2
= c2
> c2
> c2
= c2
= c2
> c2
> c2
g3
= c3
= c3
= c3
= c3
> c3
> c3
> c3
> c3
F (x)
(3)
gj (x) cj con j = 1, . . . , m
xi 0 para i = 1, . . . , n
Este problema puede ser tratado como se fuera del tipo (1) ahora con n + m restricciones (y multiplicadores). Lo que sucede es que los multiplicadores de las restricciones de no negatividad no tienen mayor
interes. Es por esto que se adecuan las condiciones de Kuhn-Tucker para no trabajar con dichos multiplicadores.
2.1.
Adecuaci
on de las condiciones de Kuhn-Tucker
m
X
j (gj (x) cj )
j=1
n
X
i (xi )
(4)
i=1
m
X
j (gj (x) cj )
j=1
L
xi
L
xi
+ i = 0 para cada i = 1, . . . , n
4
(5)
L
xi
Donde observamos que no aparecen los multiplicadores y las condiciones estan expresadas en terminos
del Lagrangiano (5). Finalmente podemos ordenar, simplificar y renumerar las condiciones para obtener:
1.
L
xi
0 para cada i = 1, . . . , n
L
xi
=0
2.2.
Ejemplo
M ax xy x + y
s.a. x + y 9
x + 5y 25
x0
y0
Tenemos:
L xy x + y 1 (x + y 9) 2 (x + 5y 25)
con las condiciones:
5
1.
L
x
L
y
= y 1 1 2 0
= x + 1 1 52 0
2. x + y 9
x + 5y 25
3. x 0
y0
4. 1 0
2 0
5. Si x + y < 9 entonces 1 = 0
Si x + 5y < 25 entonces 2 = 0
6. Si x > 0 entonces y 1 1 2 = 0
Si y > 0 entonces x + 1 1 52
De las condiciones 5 y 6 tenemos 24 = 16 casos:
a
b
c
d
e
f
g
h
i
j
k
l
m
n
p
q
3.
R1
=
>
=
>
=
>
=
>
=
>
=
>
=
>
=
>
R2
=
=
>
>
=
=
>
>
=
=
>
>
=
=
>
>
x
=
=
=
=
>
>
>
>
=
=
=
=
>
>
>
>
y
=
=
=
=
=
=
=
=
>
>
>
>
>
>
>
>
F (x)
gj (x) cj con j = 1, . . . , m
hk (x) = dk con k = 1, . . . , l
(6)
3.1.
Adecuaci
on de las CKT
Para poder aplicar las condiciones de Kuhn-Tucker podemos transformar el problema en:
M ax
s.a.
F (x)
(7)
gj (x) cj con j = 1, . . . , m
hk (x) dk con k = 1, . . . , l
hk (x) dk con k = 1, . . . , l
dk hk (x) dk
hk (x) dk
hk (x) dk
m
X
j (gj (x) cj )
j=1
l
X
k (hk (x) dk ) +
k=1
l
X
k (hk (x) dk )
(8)
k=1
L
= 0 para cada i = 1, . . . , n
xi
= F (x)
m
X
j (gj (x) cj )
j=1
= F (x)
m
X
m
X
k (hk (x) dk ) +
k=1
j (gj (x) cj )
j=1
= F (x)
l
X
l
X
k=1
(k k )(hk (x) dk )
k=1
j (gj (x) cj )
j=1
l
X
k=1
= L(x, , )
7
l
X
k (hk (x) dk )
k (hk (x) dk )
m
X
j (gj (x) cj )
j=1
l
X
k (hk (x) dk )
(9)
k=1
y es f
acil ver la relaci
on entre las derivadas de ambos Lagrangianos (ecuaciones (8) y(9):
L(x, , , ) =
L(x, , )
xi
xi
En terminos de este Lagrangiano las condiciones establecidas seran:
1.
L
= 0 para cada i = 1, . . . , n
xi
3.2.
Ejemplo
M ax xy x + y
s.a. x + y 9
x + 5y = 25
Tenemos:
L xy x + y 1 (x + y 9) 2 (x + 5y 25)
con las condiciones:
1.
L
x
L
y
= y 1 1 2 = 0
= x + 1 1 52 = 0
2. x + y 9
x + 5y = 25
3. 1 0
4. Si x + y < 9 entonces 1 = 0
De la condici
on 4 tenemos 21 = 2 casos: x + y < 9 y x + y = 9.
4.
Teorema de la Envolvente
Consideremos un problema de optimizacion con variables de eleccion x Rn y parametros q Q Rs :
M ax
s.a.
F (x, q)
(10)
gj (x, q) 0 con j = 1, . . . , m
F (x, q)
gj (x, q) = 0 con j = 1, . . . , m
L(x, q, )
qs
(x(
q ),
q ,(
q ))
m
X
F (x, q)
gj (x, q)
j (
q)
qs (x(q),q) j=1
qs (x(q),q)
Para tener un resultado similar para el problema con restricciones de desigualdad se debe asegurar que el
conjunto de restricciones que se cumplen con igualdad en la solucion x(q) :
B(q) = {j|gj (x(q), q) = 0}
es invariante en una vecindad de q.
3 Observemos
que tambi
en los multiplicadores de Lagrange que acompa
nan a cada soluci
on dependen de q: (q)