Documentos de Académico
Documentos de Profesional
Documentos de Cultura
con una funcin objetivo a maximizar, cuando alguna de las restricciones o la funcin objetivo no son lineales. Qu es una funcin: una funcin es una cosa que hace algo. Por ejemplo, una mquina de moler caf es una funcin que transforma los granos de caf en polvo. La funcin (objetivo) traza, traduce el dominio de entrada (denominado regin factible) en un rango de salida con dos valores finales denominados valores mximo y mnimo. El mtodo Simplex es un algoritmo de solucin muy utilizado para resolver programas lineales. Es la solucin algortmica inicial para resolver problemas de Programacin Lineal (PL). Este es una implementacin eficiente para resolver una serie de sistemas de ecuaciones lineales. Mediante el uso de una estrategia ambiciosa mientras se salta desde un vrtice factible hacia el prximo vrtice adyacente, el algoritmo termina en una solucin ptima. Un algoritmo es una serie de pasos para cumplir con una tarea determinada. Regin de Factibilidad Ilimitada: Tal y como se mencion anteriormente, aprenda que una solucin ilimitada requiere una regin de factibilidad cerrada ilimitada. La situacin inversa de este enunciado podra no ocurrir. Por ejemplo, el siguiente problema de PL tiene una regin de factibilidad cerrada ilimitada, sin embargo, la solucin es limitada. Redundancia Entre las Restricciones: Redundancia significa que algunas de las restricciones no son necesarias dado que existen otras ms severas. La teora de la produccin implica el anlisis de un tipo especfico de restriccin sobre el comportamiento de la empresa, el impuesto por la tecnologa, as como la investigacin de los procesos de toma de decisiones de la empresa. La tecnologa es simplemente el medio (o el mtodo) por el cual uno o ms factores pueden convertirse en produccin(es). Las funciones de produccin relacionan los factores (frecuentemente denominados factores de produccin, o simplemente inputs) con la produccin. Se pueden representar grficamente o matemticamente.
La monotonicidad simplemente significa que si una empresa aumenta el uso de un factor, obtendr al menos tanta produccin. La convexidad implica que si tenemos dos combinaciones de factores para producir una cierta cantidad de produccin, la combinacin de stos producir al menos tanta produccin.
Entonces la representacin grafica en la anterior indica que la solucin ptima es X1=8/3, X2=5, que de nuevo se encuentra en la frontera de la regin factible. (El valor optimo de Z es Z=857, as en la figura anterior muestra el hecho de que el lugar geomtrico de todos los puntos para los que z=857 tiene en comn con la regin factible solo este punto, mientras que el lugar geomtrico de los puntos con Z mas grandes no toca la regin factible en ningn punto.) Por otro lado, si Entonces la siguiente figura ilustra que la solucin optima es (x1, x2)=(3,3), que se encuentra dentro de la frontera de la regin factible. (se puede comprobar que esta solucin optima si se usa calculo para derivarla como un mximo global no restringido; como tambin satisface las restricciones, debe ser optima para el problema restringido.) Por tanto, es necesario que:
Un algoritmo general para resolver problemas de este tipo tome en cuenta todas las soluciones en la regin factible, y no solo aquellas que estn sobre la frontera. Otra complicacin que surge en programacin no lineal es que un mximo local no necesariamente es un mximo global (la solucin ptima global). Por ejemplo, considera la funcin de una sola variable graficada en siguiente figura. En el intervalo 0<=X<=5, esta funcin tiene tres mximos locales X=0, x=2, x=4 pero solo uno de estos X=4es un mximo global. (De igual manera, existen mnimos locales en X=1, 3, 5, pero solo X=5 es un mnimo global). En general, los algoritmos de programacin no lineal no pueden distinguir entre un mximo local y un mximo global (excepto si encuentran otro mximo local mejor), por lo que es determinante conocer las condiciones bajo las que se garantiza que un mximo local es u mximo global en la regin factible. Recuerde que en calculo, cuando se maximiza una funcin ordinaria (doblemente diferenciable) de una sola variable f(X) sin restricciones, esta garanta est dada cuando Una funcin de este tipo cuya curvatura siempre es hacia abajo(o que no tiene curvatura) se llama funcin cncava. De igual manera si se sustituye <= por =>, de manera que la funcin tiene siempre una curvatura hacia arriba (o no tiene curvatura), se llama funcin convexa (As, una funcin lineal es tanto cncava como convexa). En la figura posterior se pueden ver ejemplos de estos. Note que la primera figura ilustra una funcin que no es cncava, ni convexa, pues alterna sus curvaturas hacia abajo y hacia arriba. Las funciones de variables mltiples tambin se pueden caracterizar como cncavas o convexas si su curvatura es siempre hacia abajo o hacia arriba. Estas definiciones intuitivas se fundamentan en trminos precisos que, junto con cierta profundizacin en los conceptos, se presentan en el apndice final. La siguiente es una forma conveniente de verificar esto para una funcin de ms de dos variables cuando la funcin consiste en una suma de funciones ms pequeas cada una de solo
Optimizacin no restringida.
Los problemas de optimizacin no restringida no tienen restricciones, por lo que la funcin objetivo es sencillamente Maximizar f(X) Sobre todos los valores X=(X1, X2, ., XN). Segn el repaso del apndice 3, la condicin necesaria para que una solucin especfica X=X* sea optima cuando f(X) es una funcin diferenciable es: f = 0 en X=X*, para j=1,2,, n.
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 simultanea.
Programacin cuadrtica
De nuevo los problemas de programacin cuadrtica tienen restricciones lineales, pero ahora la funcin objetivo f(x) debe ser cuadrtica. Entonces, la nica diferencia entre estos 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 los tipos anteriores cuando f(x) es cncava. Las suposiciones son: 1. F(X) es cncava. 2. Cada una de las gi(X) es convexa. Como se dijo anteriormente, estas suposiciones son suficientes para asegurar que un mximo local es un mximo global, en secciones posteriores se ver que la condiciones necesarias y suficientes para obtener tal solucin optima son una generalizacin natural de la condiciones que se acaban de exponer para la optimizacin no restringida y su extensin a la inclusin de restricciones de no negatividad.
Programacin separable.
La programacin separable es una caso especial de programacin convexa, en donde las suposiciones adicionales es: 3.- todas las funciones f(X) y gj(X) son funciones separables. Una funcin separable es una funcin en la que cada trmino incluye una sola variable, por lo que la funcin se puede separar en una suma de funciones de variables individuales.
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 optima para todos estos problemas; pero si existen algunos algoritmos bastantes 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 donde
Tales casos, las ci y aij representan las constantes fsicas y las xj 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.