Documentos de Académico
Documentos de Profesional
Documentos de Cultura
COATZACOALCOS
REPORTE-TRABAJO DE LA TERCERA UNIDAD:
TITULO DE LA UNIDAD:
PROGRAMACIN NO LINEAL.
NUMERO DE CONTROL:
11080870
CARRERA:
ING. EN SISTEMAS COMPUTACIONALES
FECHA DE ENTREGA:
10/NOVIEMBRE/2014
INTRUDUCCIN:
TEMAS:
Restricciones
La funcin objetivo est sujeta a una serie de restricciones, expresadas por inecuaciones
lineales:
a1x + b1y c1
a2x + b2y c2
anx + bny cn
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 lmite 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.
a) Se puede afirmar que existe solucin de este problema? Se puede afirmar para este
problema que todo ptimo local es global?
b) Resuelva grficamente el problema, indicando claramente el conjunto de oportunidades,
las curvas de nivel y dnde se sita el ptimo.
c) Resuelva el problema mediante la funcin de Lagrange apoyndose en la representacin
grfica, si lo desea.
Solucin:
a) Para poder afirmar que el problema tiene solucin debemos utilizar el teorema de
Weierstrass ya que dicho teorema nos proporciona condiciones suficientes para
asegurar la existencia de mnimo global y mximo global. Dicho teorema requiere que
la funcin objetivo sea continua y que el conjunto de oportunidades sea compacto
(cerrado y acotado) y no vaco. En nuestro caso podemos confirmar que la funcin
objetivo es continua puesto que es lineal y en cuanto al conjunto de oportunidades
podemos decir que es cerrado porque contiene a su frontera, ya que todas las
restricciones del mismo contienen la igualdad. Para ver si es acotado necesitamos la
grfica, la cual aparece abajo, en la cual podemos ver que el conjunto se puede
encerrar en una bola de radio finito por lo que s es acotado y adems vemos que no
es vaco. En conclusin, podemos afirmar que el teorema de Weierstrass se cumple y
que el problema posee mnimo global y mximo global.
En cuanto a la cuestin de si todo ptimo local es global debemos aplicar el teorema
Local-Global, el cual nos proporciona condiciones suficientes para asegurar que un
ptimo local obtenido es global.
Dicho teorema requiere que el conjunto de oportunidades sea convexo, cosa que
nuestro conjunto no verifica puesto que, si nos fijamos en su grfica, podemos
concluir que, dados dos puntos cualesquiera del conjunto, el segmento que los une
no siempre pertenece al conjunto. Por tanto, no podemos asegurar que todo ptimo
local encontrado sea global.
Luego, como estamos buscando el mximo del problema, es decir, el punto donde las
curvas de nivel tocan por ltima vez al conjunto de oportunidades, vemos que dicho
puesto ser el (3, 0).
Si la clasificamos sin restringir vemos que es definida negativa, luego no hace falta
restringirla puesto que no va a cambiar su clasificacin por lo que podemos concluir
que dicho punto es un mximo.
Programacin cuadrtica
De nuevo los problemas de programacin cuadrtica tienen restricciones lineales, pero
ahora la funcin objetivo (x) deben ser cuadrticas. Entonces, la nica diferencia entre
estos y un
Programacin separable
La programacin separable es un caso especial de programacin convexa, en donde la
suposicin adicional es
3.- todas las funciones (x) y gi (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. Por
ejemplo si (x) es una funcin separable, se puede expresar como
En donde cada j (xj) incluye solo los trminos con xj. En la terminologa de programacin
lineal, los problemas de programacin separable satisfacen las suposiciones de aditividad
pero no las de proporcionalidad (para funciones no lineales)
(x1,x2)= 126x1-9x21 + 182x2-13x22
es una funcin separable porque puede ser expresada como
(x1,x2)= 1(x1,) + 2(x2)
Donde (x1,x2)= 126x1-9x21 y 2 + 182x2-13x22 son cada una funcin de una sola variable
x1 y x2respectivamente. Usando el mismo razonamiento, se puede verificar que la funcin
considerada en la figura 13.7 tambin es una funcin separable.
Es importante distinguir estos problemas de otros de programacin convexa, pues
cualquier problema de programacin separable se puede aproximar muy de cerca mediante
uno de programacin lineal y, entonces se puede aplicar el eficiente mtodo simplex. Este
enfoque se describe en la seccin 13.8. (para simplificar, se centra la atencin en el caso
linealmente restringido, en el que el tratamiento especial se necesita nada mas para la
funcin objetivo.)
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 contra 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 ptima para todos
estos problema; pero si existen algunos algoritmos bastantes adecuados para encontrar un
mximo locales, en especial cuando las formas de las funciones no lineales no se desvan
demasiado de aquella que se supusieron para programacin convexa. En la seccin 13.10
se presenta uno de estos algoritmos.
Ciertos tipos especficos de problemas de programacin no convexa se pueden resolver sin
muchas dificultades mediante mtodos especiales. Dos de ellos, de gran importancia, se
presentaran ms adelante.
Programacin geomtrica
Cuando se aplica programacin no lineal a problemas de diseo de ingeniera, muchas
veces la funcin objetivo y las funciones de restricciones toman la forma.
En donde
Pi (x) =x1ai1 xa2i2xanin, Para i=1,2,,N.
En tales casos las ci y aij representan las constantes fsicas y las xj son 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 se puede
transformar en un problema de programacin geomtrica. Sin embargo, existe un caso
importante en el que el problema se puede transformar en un problema de programacin
convexa equivalentemente. Este caso es aquel en que todos los coeficientes c i en cada
funcin son estrictamente positivos, es decir, las funciones son polinomios positivos
generalizados (ahora llamados posnominales), y la funcin objetivo se tiene que minimizar.
El problema equivalente de programacin convexa con variables de decisiones y1, y2,, yn
se obtiene entonces al establecer.
Xj= eyj, para j= 1,2,,n
En todo el modelo original. Ahora se pueden aplicar un algoritmo de programacin convexa.
Se ha desarrollado otro procedimiento de solucin para resolver estos problemas de
programacin posnominal, al igual que para problemas de programacin geomtrica de
otros tipos.
La relacin del punto minimax con la solucin del problema de programacin no lineal se
obtiene de forma inmediata sin ms que tener en cuenta que:
Min L (x, ) = f (x) Max t [g(x) b]R m+R m+
Si gi (x) bi 0, entonces i [gi(x) - bi] 0, luego
Max i ( gi (x) bi ) = 0R m+ (se alcanza en = 0). Por tanto, si x X, MinL (x, ) = f (x) .R m+ Si gi (x) bi >
0, entonces Sup i [gi(x) - bi] = , por lo que en este caso no se alcanza el R m+ mnimo de la Lagrangiana.
Por tanto,
Max Min L (x, ) = Max f (x) D
R m+
As pues, si (x0, 0) es un punto minimax, x0 es una solucin ptima del problema original.
Pasamos ahora a dar los teoremas que relacionan los conceptos de punto de silla de L y
punto minimax. Veremos que dicha relacin es casi una equivalencia, en el sentido de que
todo punto minimax es punto de silla, y todo punto de silla es un punto minimax
considerado sobre conjuntos ms restringidos.