Materia: Investigacin de operaciones Docente: Erika Lissette Minaya Mortera Alumna: Lidia Ivette Alor Santiago Unidad 3: Programacin

no Lineal

El trabajo que presentamos a continuacin es un tutorial de investigacin de operaciones, especficamente hablamos sobre el tema de programacin no lineal donde explicamos a detalle los mas importe sobre programacin no lineal de manera que sea entendible.

Conceptos bsicos de problemas de programacin no lineal. Ilustracin grafica de problemas de programacin no lineal. Tipos de problemas de programacin no lineal.

El tema que abordamos est compuesto por los siguientes epgrafes: introduccin, definimos el problema general de Programacin no Lineal que estudiamos, y daremos las definiciones y resultados bsicos que se emplearn a lo largo de todo el tema. Asimismo, se recuerda el estudio de los problemas irrestrictos (PI) y de los problemas con restricciones de igualdad (PRI).

Una suposicin importante de programacin lineal es que todas sus funciones (Funcin objetivo y funciones de restriccin) son lineales. Aunque, en esencia, esta suposicin se cumple para muchos problemas prcticos, es frecuente que no sea as. De hecho, muchos economistas han encontrado que cierto grado de no linealidad es la regla, y no la excepcin, en los problemas de planeacin econmica, por lo cual, muchas veces es necesario manejar problemas de programacin no lineal.

La Programacin no Lineal (PNL) es una parte de la Investigacin Operativa cuya misin es proporcionar una serie de resultados y tcnicas tendentes a la determinacin de puntos ptimos para una funcin (funcin objetivo) en un determinado conjunto (conjunto de oportunidades), donde tanto la funcin objetivo, como las que intervienen en las restricciones que determinan el conjunto de oportunidades pueden ser no lineales.

Evidentemente, la estructura del problema puede ser muy variada, segn las funciones que en l intervengan (a diferencia de la Programacin Lineal (PL) donde la forma especial del conjunto de oportunidades y de la funcin objetivo permiten obtener resultados generales sobre las posibles soluciones y facilitan los tratamientos algortmicos de los problemas). Ello ocasiona una mayor dificultad en la obtencin de resultados, que se refleja tambin en la dificultad de la obtencin numrica de las soluciones.

Programacin no lineal (PNL) es el proceso de resolucin de un sistema de igualdades y desigualdades sujetas a un conjunto de restricciones sobre un conjunto de variables reales desconocidas, con un funcin objetivo a maximizar, cuando alguna de las restricciones o la funcin objetivo no son lineales.

De una manera general, el problema de programacin no lineal consiste en encontrar maximizar sujeta a : , para

en donde

y las

son funciones dadas de n

variables de decisin. No se dispone de un algoritmo que resuelva todos los problemas especficos que se ajustan a este formato. Sin embargo, se han hecho grandes logros en lo que se refiere a algunos casos especiales.

Una combinacin de variables instrumentales x se dice que es factible para el problema (PNL) si pertenece a X. As pues, el problema (PNL) consiste en encontrar las variables de decisin factibles para el problema para las cuales la funcin objetivo tome el mayor valor posible. Si para un punto, la funcin objetivo toma el valor mximo de todos los puntos situados en algn entorno suyo, se dice que el mximo es local. Si se encuentra un punto que produce el valor mximo de f en todo el conjunto de oportunidades, el mximo es global:

Definicin 1. Un punto x* X se dice que es un mximo local de (PNL) si existe un entorno de x*, E(x*) tal que x E(x*) X, se verifica f(x*) f(x). Definicin 2. Un punto x* X se dice que es un mximo global de (PNL) si x X, se verifica f(x*) f(x). Es importante tener en cuenta que esta formulacin del problema no supone prdida de generalidad, ya que si el objetivo fuese minimizar la funcin objetivo, se puede maximizar su opuesta.

Por otro lado, cualquier restriccin con se puede convertir en una de sin ms que cambiar de signo, y las restricciones de igualdad se pueden descomponer en dos, con las dos desigualdades. No obstante, tambin enunciaremos los resultados ms importantes para el problema de mnimo. Antes de pasar a estudiar los diferentes tipos de problemas, vamos a enunciar dos teoremas cuya utilidad es crucial en el tema que nos ocupa. Ambos estn orientados a poder asegurar la globalidad de los ptimos obtenidos. En efecto, veremos que la casi totalidad de los mtodos y caracterizaciones empleados en la resolucin de problemas no lineales slo nos garantizan la obtencin de ptimos locales.

El primero de los teoremas que enunciamos (Teorema de Weierstrass) nos da las condiciones bajo las cuales podemos asegurar la existencia de ptimos globales en un problema. El segundo (Teorema Local - Global) nos proporciona las condiciones que nos permiten afirmar que un ptimo local es global. La demostracin de ambos teoremas puede encontrarse en Caballero, Gonzlez y Triguero (1992): Teorema 1. Teorema de Weierstrass. Dado el problema (PNL), si el conjunto de oportunidades X es compacto y no vaco, y la funcin objetivo f es continua en X, entonces el problema (PNL) posee mximo y mnimo globales.

Teorema 2. Teorema Local - Global. Dado el problema (PNL), si el conjunto de oportunidades X es convexo, y la funcin objetivo f es continua y cncava (resp. convexa) en X, entonces cualquier mximo (resp. mnimo) local de (PNL) es global. Teorema 3. Condiciones necesarias para ptimo local. a) Es condicin necesaria de primer orden para que x* D, sea un ptimo local de f, que: f '(x*) = 0. En general, a los puntos tales que anulen la primera derivada de una cierta funcin f les denominaremos puntos crticos de dicha funcin.

b) Es condicin necesaria de segundo orden para que el punto crtico x* sea mximo local de f que: f ''(x*) 0. o bien, para mnimo local de f que f ''(x*) 0.

Mnimo local estricto

Teorema 4. Condiciones suficientes para ptimo local. a) Si el punto crtico x, es tal que f ''(x) < 0, entonces x* es un mximo local de f. b) Si el punto crtico x, es tal que f ''(x) > 0 entonces x* es un mnimo local de f. As pues, la condicin necesaria de primer orden exige que la primera derivada se anule en el punto en cuestin y la de segundo orden que la segunda derivada sea no positiva en el caso de mximo y no negativa en el de mnimo. Por su parte, la condicin suficiente exige que los signos de las segundas derivadas sean estrictos.

Ahora veremos que los resultados enunciados para el caso n = 1 tienen su extensin natural al caso general. En efecto, las generalizaciones de los conceptos reales de primera y segunda derivadas al caso de dimensin superior son los de gradiente y hessiana respectivamente. As pues, veremos que la condicin necesaria de primer orden exige que se anule el gradiente de la funcin, y las condiciones de segundo orden suponen exigencias sobre el signo de la hessiana, es decir, sobre el signo de la forma cuadrtica correspondiente a la matriz hessiana.

Ejemplo de Problema No Lineal Irrestricto Ejemplo 1 Considere el problema P) min2x1 x2 2x2 +x21+ 2x22 s.a. (x1+,x2 ) 3 R2

Las condiciones de primer orden son: la condicin necesaria de primer orden, que en el caso n = 1 consiste en la anulacin de la primera derivada de la funcin en el punto, es decir todas las derivadas parciales sean 0. De igual forma que en el caso anterior, se denominar punto crtico de f a cualquier punto x de D tal que f(x) = 0.

f(x) = 0 ) x = 1, x = 1
1 2

El Hessiano de la funcin objetivo en (1, 1):

 H es definida positiva en todo D, y en particular en (1, 1) El punto corresponde a un mnimo unico global estricto de P) Ejemplo 2 Considere el problema P) min x4

 Tenemos que: f(x) = 4x3 f(x) = 12x2 En x = 0, f(x) = 0 y f(x) = 0. El punto cumple con la condicin necesaria de 2orden. De esta informacin no se podr inferir nada ms, pero: f(x) = 12x2 >0 x f(x) es convexa Adems es diferenciable, entonces x = 0 es un punto mnimo local de P).

El objeto de la siguiente investigacin es definir una serie de conceptos relacionados con el problema general de programacin no lineal, as como el estudio de las relaciones existentes entre cada uno de ellos y la solucin de dicho problema. Los conceptos que estudiaremos sern los siguientes: Punto estacionario. Punto minimax, ntimamente relacionado con el concepto de dualidad.

Veremos que, en general, ser ms directa la demostracin de la suficiencia de estas condiciones para asegurar que tenemos una solucin del problema, para las que habr que imponer condiciones de regularidad sobre las restricciones del problema, que llamaremos cualificaciones de restricciones. Un problema general de programacin no lineal consiste en encontrar los valores de ciertas variables que maximizan o minimizan una funcin dada, dentro de un conjunto definido por una serie de restricciones de desigualdad, de forma que no hay aseguradas condiciones de linealidad ni sobre la funcin a optimizar ni sobre las funciones que definen el conjunto dentro del cual buscamos dicho ptimo.

Es decir, el problema consiste en:

o, de forma abreviada, Donde: y y son ambas al menos de clase dos en todo su dominio.

En ocasiones, para que el problema sea econmicamente significativo, es necesario que las variables instrumentales sean no negativas, es decir, x 0. Asociadas al problema de maximizacin, podemos definir la siguiente funcin:

Funcin de LaGrange L:

donde Rm+ es el vector de multiplicadores asociado al bloque de restricciones del problema, tambin denominados multiplicadores de KuhnTucker.

Cualificaciones de restricciones.
En el caso en que no tuviramos asegurada la diferenciabilidad de las funciones de restricciones, la cualificacin ms usada es la denominada cualificacin de restricciones de Slater tipo 1: Cualificacin de Slater, tipo 1. Dado el problema (PRD), se dice que se satisface la cualificacin de restricciones de Slater tipo 1 (en X) si g es convexa en X y existe un x X tal que g(x) < b (es decir, el conjunto de oportunidades tiene interior no vaco).

La cualificacin de restricciones que utilizaremos en el caso diferenciable es: Cualificacin de Restricciones de la Independencia Lineal. Dado el problema (PRD), se dice que se satisface la cualificacin de restricciones de la independencia lineal en x si el conjunto D es abierto, gi , para i I es continua en x y los vectores gi(x), para i I, son linealmente independientes.

Procedemos entonces, tras haber establecido ciertos conceptos bsicos en la seccin anterior, a resolver el problema
PDR

donde suponemos que se dan condiciones de diferenciabilidad sobre f y g y que el conjunto D es abierto. En esta situacin, tenemos aseguradas ciertas condiciones de diferenciabilidad sobre la funcin de Lagrange L. Empezaremos definiendo el concepto de punto estacionario de Kuhn-Tucker a partir de L. Dado el problema (PRD) y la funcin de Lagrange L asociada a l, diremos: Que (x0, 0), x0 D, 0 Rm , es un punto estacionario de Kuhn-Tucker (o punto estacionario de L)

si verifica las llamadas condiciones de Kuhn-Tucker (dadas de dos formas equivalentes):

Podemos observar que estas condiciones pueden formularse de la siguiente forma, supuesto que x0 es un punto factible:

En el caso de formulacin para mnimo, las condiciones de punto estacionario son las mismas, pero aplicadas a las lagrangianas para mnimo, con lo cual cambia el signo con el que entran los multiplicadores, quedando por tanto

Veamos seguidamente el teorema que lo relacionan con las soluciones del problema (PRD). Empezaremos con el teorema de condiciones, el teorema en el que se establecen qu condiciones necesariamente deben verificar los ptimos de (PRD).

Sea x0 un punto factible de (PRD) y sea I = { i / gi(x0) = bi}. Supongamos que f y gi , con i I, son diferenciables en x0. Adems, supongamos que se verifica la cualificacin de restricciones de independencia lineal en x0. Si x0 es un ptimo local del problema, entonces existen escalares no negativos i para i I, tales que:

Como se observa, gracias a la formulacin de punto estacionario de Kuhn-Tucker, este teorema afirma que, si se verifica la cualificacin de restricciones de independencia lineal en x0, entonces necesariamente todo ptimo local del problema es un punto estacionario de Kuhn-Tucker.

El punto minimax de la funcin lagrangiana es otro concepto relacionado con la solucin de un problema de optimizacin. Si bien su definicin no le hace til a la hora de la resolucin directa del problema, s constituye un paso intermedio muy importante en la obtencin del problema dual. Dado el problema (PRD), diremos que (x0, 0) D x Rm+ es un punto minimax de la funcin lagrangiana L(x, ) en el conjunto D x Rm+ si

La relacin del punto minimax con la solucin del problema de programacin no lineal se obtiene

de forma inmediata sin mas que tener en cuenta que: Si gi (x) - bi 0, entonces i [gi(x) - bi] 0, luego As pues, si (x0, 0) es un punto minimax, x0 es una solucin ptima del problema original. Para el problema de mnimo, el punto minimax toma la forma:

tomando adems la funcin lagrangiana correspondiente a este problema.

 Hay problemas donde resolver f(x) = 0 es muy difcil Alternativa: mtodos numricos y/o iterativos Bsqueda unidireccional Mtodo de Newton Mtodo del Gradiente o de Cauchy Apuntes

 Mtodo para funciones dos veces diferenciables Puede usarse para funciones de mltiples variables P) de una sola variable: min f(x) con f(x) y f(x) conocidas. Sea xk un punto factible Se puede aproximar f(x) entorno a xk, a travs de una expansin de Taylor de 2do grado:

Aproximacin de Segundo Orden

q(x) es una buena aproximacin de segundo grado para f(x) ya que: 1. q(xk) = f(xk) 2. q(xk) = f*(xk) 3. q(xk) = f**(xk)
Si f(xk) > 0 ' q(x) es convexa, y si f(xk) < 0 ' q(x) es cncava.

 Resolvemos min q(x), en vez de min f(x). Condicin de 1er orden: dqk/dx= f(xk) + f(xk)(x xk) = 0 Despejando, y definiendo un nuevo xk+1 nos queda:

Interpretacin del Mtodo de Newton

Condicin de 1er orden para un extremos de f(x) f(x) = 0 el mtodo de Newton busca races def(x) Grficamente, el mtodo consiste en que en el espacio de la derivada def(x) se trace una recta que pase por el punto (xk, f(xk)) y que tenga pendiente f(xk), es decir y f(xk) = (x xk)f(xk).

 Luego, el punto de interseccin de esta recta con el eje x determinar xk+1, es decir, igualando y = 0.

 El mtodo busca puntos extremos sean estos mnimos o mximos. Para distinguir hay que mirar el signo de la 2a derivada en cada punto: Deber ser positivo al buscar mnimos y negativo al buscar mximos. Este mtodo no garantiza convergencia: