Está en la página 1de 10

INVESTI

UNIDAD 3 PROGRAMACION NO LINEAL


GACIN
DE
OPERACI
ONES

INSTITUTO TECNOLOGICO DE ZACATEPEC


INGENIERIA EN SISTEMAS COMPUTACIONALES

INTRODUCCION
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. 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.
El tema que abordamos est compuesto por los siguientes epgrafes: en la
seccin 1, aparte de esta 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).
La seccin 2 se dedica a establecer y dar los conceptos bsicos de los
problemas con restricciones de desigualdad (PRD), mientras que la seccin 3
estudia la resolucin de estos problemas a travs de la definicin de punto
estacionario, y algunas de sus variaciones para casos especiales. Con la
utilizacin del llamado punto minimax, se aborda en la seccin 4 el concepto
de dualidad en Programacin Matemtica.

3.1 PLANTEAMIENTOS DE PROBLEMAS DE


PROGRAMACION NO LINEAL
Los problemas de programacin no lineal se presentan de muchas formas
distintas. Al contrario del mtodo smplex para programacin lineal, no se
dispone de un algoritmo que resuelva todos estos tipos especiales de
problemas. En su lugar, se han desarrollado algoritmos para algunas clases
(tipos especiales) de problemas de programacin no lineal. Se introducirn las
clases ms importantes y despus se describir cmo se pueden resolver
algunos de estos problemas.
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 cncava (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 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.
Las condiciones de Karush-Kuhn-Tucker
necesarias para que una solucin sea ptima.

proporcionan

las

condiciones

Los tipos de problemas de programacin no lineal son:


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
Xj

= 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 simultnea. Qu se puede hacer en este caso? Las secciones
anteriores describen procedimientos algortmicos de bsqueda para encontrar
X*, primero para n=1 y luego para n>1. Estos procedimientos tambin tienen
un papel importante en la solucin de varios tipos de problemas con
restricciones, que se describen en seguida. La razn es que muchos algoritmos
para problemas restringidos estn construidos de forma que se adaptan a xj
versiones no restringidas del problema en un parte de cada iteracin.
Cuando una variable Xj tiene una restriccin de no negatividad, xj=>0, la
condicin necesaria (y tal vez) suficiente anterior cambia ligeramente a
f

<= 0

en X= X*,

si X*j = 0

Xj

=0

en X = X*,

si X*j = 0

Para cada j de este tipo. Esta condicin se ilustra en l figura siguiente, donde la
solucin optima de un problema con una variable es X=0 aun cuando la
derivada ah es negativa y no cero.
Como este ejemplo tiene una funcin cncava para maximizar sujeta a una
restriccin de no negatividad, el que su derivada sea menor a 0 en X=0, es una
condicin necesaria y suficiente para que x=0 sea ptima.
Un problema que tiene algunas restricciones de no negatividad y que no tiene
restricciones funcionales es un caso especial (m=0) de la siguiente clase de
problemas.

Optimizacin linealmente restringida.


Los problemas de optimizacin linealmente restringida se caracterizan por
restricciones que se ajustan por completo a la programacin lineal, de manera
que todas las funciones de restriccin gi(X) son lineales, pero la funcin
objetivo es no lineal. El problema se simplifica mucho si solo se tiene que
tomar en cuenta una funcin no lineal junto con una regin factible de
programacin lineal. Se han desarrollado varios algoritmos especiales basados
en una extensin del mtodo simplex para analizar la funcin objetivo no lineal.
Un caso especial importante descrito a continuacin es la programacin
cuadrtica.
Programacin cuadrtica
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. Se han desarrollado
muchos algoritmos para este caso, con la suposicin adicional de que f(X) es
cncava. La programacin cuadrtica es muy importante, en parte porque las
formulaciones de este tipo surgen de manera natural en muchas aplicaciones.
Por ejemplo, el problema de la seleccin de una cartera con inversiones
riesgosas se ajusta a este formato. Sin embargo, otra razn por la que es

importante es que al resolver problemas generales de optimizacin linealmente


restringida se puede obtener la solucin de una sucesin de aproximaciones de
programacin cuadrtica.
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 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.
Ciertos tipos de problemas de programacin no convexa se pueden resolver sin
mucha dificultad mediante mtodos especiales. Dos de ellos, de gran
importancia.
Programacin geomtrica.
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.
En este caso es aquel en el que todos los coeficientes c1 en cada funcin son
estrictamente positivos, es decir, las funciones son polinomios positivos
generalizados (ahora llamados posinomiales), y la funcin objetivo se tiene que
minimizar.
El problema equivalente de programacin convexa con variables de decisin
y1, y2,, yn se obtienen entonces al establecer

En todo el modelo original. Ahora se puede aplicar un algoritmo de


programacin convexa.

3.2 OPTIMIZACION CLASICA

Optimizacin
es de
el proceso
funcin,
grficos.
mnimo
de
hallar
relativo
el mximo
una
o
Optimizacin es el proceso de hallar el mximo o mnimo relativo de una
funcin, generalmente sin la ayuda de grficos
Conceptos claves
A continuacin, se describir brevemente algunos conceptos necesarios para
comprender apropiadamente el tema de optimizacin.
-Funciones crecientes y decrecientes
Se dice que una funcin f(x) es creciente (decreciente) en x=a, si en la
vecindad inmediata del punto [a,f(a)] el grfico de la funcin crece (cae) al
moverse de izquierda a derecha.

Puesto que la primera derivada mide la tasa de cambio y la pendiente de una


funcin, una primera derivada positiva en x=a indica que la funcin es
creciente a; una primera derivada negativa indica que es decreciente.

Concavidad y convexidad
Una funcin f (x) es cncava en x = a, si en alguna pequea regin cercana al
punto
[a, f(a)] el grfico de la funcin se ubica completamente debajo de su lnea
tangente.
Una funcin es convexa en x = a, si en un rea cercana a [a, f(a)] el grfico
esta complemente arriba de su lnea tangente.
Una segunda derivada positiva en x = a denota que la funcin es convexa en x
= a. Anlogamente, una segunda derivada negativa en x = a denota que la
funcin es cncava en a.
Extremo relativo
Un extremo relativo es un punto en el cual una funcin esta a un mximo o
mnimo. Para ello, la funcin debe estar en un punto en el cual no esta
creciendo ni decreciendo, y por ende, su primera derivada debe ser igual a
cero o indefinida. Un punto en el dominio de una funcin donde la derivada
iguala a cero o es indefinida es llamado punto o valor critico.

3.3.1 PUNTOS DE INFLEXION


Un punto de inflexin es un punto donde los valores de x de una
funcin continua pasan de un tipo de concavidad a otro. La curva
"atraviesa" la tangente. Matemticamente la derivada segunda de la funcin f
en el punto de inflexin es cero, o no existe. En el clculo de varias variables a
estos puntos de inflexin se les conoce como puntos de ensilladura.
CLCULOS DE LOS PUNTOS DE INFLEXIN

En las funciones derivables reales de una variable real, para hallar estos puntos
de inflexin, basta con igualar la segunda derivada de la funcin a cero y
despejar. Los puntos obtenidos debern ser sustituidos en la derivada tercera o
sucesivas hasta que nos d un valor diferente de cero. Cuando esto suceda, si
la derivada para la que es distinto de cero es impar, se trata de un punto de
inflexin; pero, si se trata de derivada par, no lo es. Ms concretamente:
1. Se halla la primera derivada de

2. Se halla la segunda derivada de

3. Se halla la tercera derivada de


4. Se iguala la segunda derivada a 0:
5. Se despeja la variable independiente y se obtienen todos los valores posibles
de la misma
6. Se halla la imagen de cada sustituyendo la variable dependiente en la
funcin
7. Ahora, en la tercera derivada, se sustituye cada :
1. Si , se tiene un punto de
inflexin en

2. Si, debemos sustituir en las sucesivas derivadas hasta sea distinto de cero.
Cuando se halle la derivada
derivada es:

para la que no sea nulo, hay que ver qu

2.1. Si la derivada es impar, se trata de un punto de inflexin.


2.2. Si la derivada es par, no se trata de un punto de inflexin

La ecuacin f(x) = x^4 + 2x no tiene puntos de inflexin, porque la derivada


segunda es siempre mayor o igual a cero, por tanto, no hay cambio de
concavidad dado que es no negativa en todo su dominio. Sin embargo, en x 0
= 0 la derivada segunda se anula y la primera derivada no nula en x 0 = 0 es
la derivada cuarta, que es positiva.
Obsrvese que f tampoco presenta un extremo en x 0. Si f y f' son derivables
en a, a es un: Punto de inflexin Si f'' = 0 y f''' 0 Clculo de los puntos de
inflexin
Para hallar los puntos de inflexin, seguiremos los siguientes pasos:
1. Hallamos la derivada segunda y calculamos sus races.
2. Realizamos la derivada tercera, y calculamos el signo que toman en ella los
ceros de derivada segunda y si: f'''(x) 0 Tenemos un punto de inflexin.
3. Calculamos la imagen (en la funcin) del punto de inflexin