UNIDAD 6 Programacin no lineal

En matemtica 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 una funcin objetivo a maximizar, cuando alguna de las restricciones o la funcin objetivo no son lineales.

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 permite 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. En este sentido, hay que distinguir entre las diversas caracterizaciones de ptimo, que slo se emplean como tcnicas de resolucin en problemas sencillos, y los mtodos numricos iterativos, cuyo funcionamiento se basa en estas caracterizaciones, para la resolucin de problemas ms generales

Mtodos de resolucin del problema de programacin no lineal

Si la funcin objetivo f es lineal y el espacio restringido es un politopo, el problema es de Programacin lineal y puede resolverse utilizando alguno de los bien conocidos algoritmos de programacin lineal. Si la funcin objetivo es concava (problema de maximizacin), o convexa (problema de minimizacin) y el conjunto de restricciones es convexo, entonces se puede utilizar el mtodo general de Optimizacin convexa Existe una variedad de mtodos para resolver problemas no convexos. Uno de ellos consiste en utilizar formulaciones especiales de problemas de programacin lineal. Otro mtodo implica el uso de tcnicas de Ramificacin y poda cuando el problema se divide en subdivisiones a resolver mediante aproximaciones que forman un lmite inferior del coste total en cada subdivisin. Mediante subdivisiones sucesivas, se obtendr una solucin cuyo coste es igual o inferior que el mejor limite inferior obtenido por alguna de las soluciones aproximadas. Esta solucin es ptima, aunque posiblemente no sea nica. El algoritmo puede ser parado antes, con la garanta de que la mejor solucin ser mejor que la solucin encontrada en un porcentaje acotado. Ello se utiliza en concreto en problemas importantes y especialmente difciles y cuando el problema cuenta con costes inciertos o valores donde la incertidumbre puede ser estimada en un grado de fiabilidad apropiado. Las condiciones de Karush-Kuhn-Tucker proporcionan las condiciones necesarias para que una solucin sea ptima

Ejemplos Ejemplo bidimensional

La interseccin de la lnea con el espacio de restricciones representa la solucin. Un problema sencillo puede definirse por las restricciones: x1 0 x2 0 x12 + x22 1 x12 + x22 2 Con una funcin objetivo a ser maximizada F(x) = x1 + x2 Donde x = (x1, x2) Ejemplo tridimensional

La interseccin de la superfie superior con el espacio de restricciones en el centro representa la solucin. Otro problema simple se define por la restricciones:x12 x22 + x32 2 x12 + x22 + x32 10

Con una funcin objetivo a ser maximizada f(x) = x1x2 + x2x3 Donde x = (x1, x2, x3)

Programacin cuadrtica

Programacin cuadrtica (QP) es un tipo especial de matemtico optimizacin problema. Es el problema de optimizar (reduciendo al mnimo o maximizando) una funcin cuadrtica de varias variables conforme a apremios lineares en estas variables. El problema de la programacin cuadrtica se puede formular como: Asuma x pertenece a espacio. nn matriz Q es simtrico, y c es cualquiera nvector 1. Reduzca al mnimo (con respecto a x) Conforme a unos o ms apremios de la forma: (constreimiento de la desigualdad) Ex = d (constreimiento de la igualdad)

Donde indica el vector transporte de la notacin significa que cada entrada del vector Hacha es inferior o igual la entrada el corresponder del vector b. Si Q es a matriz semidefinida positiva entonces f(x) es a funcin convexa. En este caso el programa cuadrtico tiene un minimizar global si existe por lo menos un vector x satisfaccin de los apremios y f(x) se limita abajo en la regin factible. Si la matriz Q es definido positivo entonces este minimizar global es nico. Si Q es cero, despus el problema se convierte en a programa linear. De teora de la optimizacin, una condicin necesaria para un punto x ser un minimizar global est para que satisfaga Karush-KuhnTucker Condiciones (KKT). Las condiciones de KKT son tambin suficientes cuando f(x) es convexo. Si hay solamente apremios de la igualdad, despus el QP se puede solucionar por a sistema linear. Si no, una variedad de mtodos para solucionar el QP es de uso general, incluyendo punto interior, sistema activo y gradiente conyugal mtodos. La programacin cuadrtica convexa es un caso especial del campo ms general de optimizacin convexa Ejercicio de Programacion Cuadratica

sujeto a

Podemos escribir la funcin objetivo en la forma:

y el problema consiste en minimizar el valor de K.

La expresin representa la ecuacin de una cnica y para ver a que tipo de cnica se refiere, calculamos el discriminante:

Por lo tanto, tenemos una elipse (cuando el discriminante vale 0 la ecuacin se refiere a una parbola y cuando es menor que cero a una hiprbola. Para que la elipse sea real debe cumplirse .S < 0 y tenemos:

Esto nos da para la funcin objetivo sin restricciones un valor mnimo de K = -6. El centro de esta elipse se encuentra como sigue:

Por otro lado, el campo de control corresponde a la zona rallada de la figura adjunta. Segn eso, vemos que el valor mnimo de z resultar cuando la recta x1 + x2 = 2 sea tangente a la elipse. La ecuacin de la tangente a la elipse en un punto (x'1, x'2 viene dada por:

con lo que tendremos: x'1(4.x1 - 2.x2 - 6) + x'2(4.x2 - 2.x'1) + (- 6.x1 - K) = 0 Y operando: (4.x'1 - 2.x'2 - 6).x1 + (4.x'2 - 2.x'1).x2 - ( 6.x'1 + K) = 0

Esta recta tiene que tener la misma pendiente que x1 + x2 = 2, por lo que tendremos:

Como el punto ha de pertenecer a la recta x1 + x2 = 2, resultar : x'1 + x'2 = 2 ? x'1 + x'1 - 1 = 2 ? x'1 = 3/2 ; x'2 = 1/2 y el valor mnimo de z ser: zmin = -11/2

Realizado por los creadores del sitio: http://www.unefa-io.webnode.es Correspondiente a la unidad 6. Investigacin de Operaciones