REPÚBLICA BOLIVARIANA DE VENEZUELA

MINISTERIO DEL PODER POPULAR PARA LA

EDUCACIÓN UNIVERSITARIA
INSTITUTO UNIVERSITARIO POLITÉCNICO
“SANTIAGO MARIÑO”
EXTENSIÓN COL-SEDE CABIMAS

PROGRAMACION NO LINEAL (PNL)

INTEGRANTES:

JOSE DIAZ C.I. 23762820

CESAR BETANCOURT C.I. 24.954.412

CABIMAS, MARZO 2018

 INTRODUCCION

La Programación no Lineal (PNL) es una parte de la Investigación Operativa, cuya

finalidad es proporcionar una serie de resultados y técnicas tendentes a la
determinación de puntos óptimos para una función (función objetivo) en un
determinado conjunto (conjunto de oportunidades), donde tanto la función objetivo,
como las que intervienen en las restricciones que determinan el conjunto de
oportunidades pueden ser no lineales.

La estructura del problema puede ser muy variada, según las funciones que en él
intervengan (a diferencia de la Programación Lineal (PL) donde la forma especial
del conjunto de oportunidades y de la función objetivo permite obtener resultados
generales sobre las posibles soluciones y facilitan los tratamientos algorítmicos de
los problemas).

Esto ocasiona una mayor dificultad en la obtención de resultados, que se refleja

también en la dificultad de la obtención numérica de las soluciones. En este sentido,
hay que distinguir entre las diversas caracterizaciones de óptimo, que sólo se
emplean como técnicas de resolución en problemas sencillos, y los métodos
numéricos iterativos, cuyo funcionamiento se basa en estas caracterizaciones, para
la resolución de problemas más generales.

La programación lineal da respuesta a situaciones en las que se exige maximizar o

minimizar funciones que se encuentran sujetas a determinadas limitaciones, que
llamaremos restricciones.
DEFINICION

Programación no lineal (PNL) es el proceso de resolución de un sistema de

igualdades y desigualdades sujetas a un conjunto de restricciones sobre un conjunto
de variables reales desconocidas, con una función objetivo a maximizar, cuando
alguna de las restricciones o la función objetivo no es lineales.

Una suposición importante de programación lineal es que todas sus funciones

(función objetivo y funciones de restricción) son lineales. Aunque, en esencia, esta
suposición se cumple para muchos problemas prácticos, con frecuencia no es así.
De hecho muchos economistas han encontrado que cierto grado de no linealidad
es la regla, y no la excepción, en los problemas de planeación económica, por lo
cual, muchas veces es necesario manejar problemas de programación no lineal, lo
cual vamos a analizar enseguida.

De la manera general el problema de programación no lineal consiste en encontrar:

X=(X1, X2, X3, X4, XN) para

Maximizar f(X), sujeta a

Gi(X)<= bi para i=1,2…..m,

Y X=>0,

Donde f(X) y gi(x) son funciones dadas de n variables de decisión.

DEFINICIÓN

Se puede expresar un problema de programación no lineal (PNL)de la siguiente

manera:

Encuentre los valores de las variables que

Como en la programación lineal z es el funcional del problema de programación no
lineal y

son las restricciones del problema de programación no lineal.

Un problema de programación no lineal es un problema de programación no lineal

no restringido.

El conjunto de puntos , tal que es un número real, es, entonces, es el conjunto de

los números reales.

Los siguientes subconjuntos de (llamados intervalos) serán de particular interés:

FUNCIONES

Si la función objetivo f es lineal y el espacio restringido es un politopo, el problema

es de programación lineal y puede resolverse utilizando alguno de los bien
conocidos algoritmos de programación lineal.
Si la función objetivo es cóncava (problema de maximización), o convexa (problema
de minimización) y el conjunto de restricciones es convexo, entonces se puede
utilizar el método general de optimización convexa.

Existe una variedad de métodos para resolver problemas no convexos. Uno de ellos
consiste en utilizar formulaciones especiales de problemas de programación lineal.
Otro método implica el uso de técnicas de Ramificación y poda, cuando el problema
se divide en subdivisiones a resolver mediante aproximaciones que forman un límite
inferior del coste total en cada subdivisión. Mediante subdivisiones sucesivas, se
obtendrá una solución cuyo coste es igual o inferior que el mejor límite inferior
obtenido por alguna de las soluciones aproximadas. Esta solución es óptima,
aunque posiblemente no sea única. El algoritmo puede ser parado antes, con la
garantía de que la mejor solución será mejor que la solución encontrada en un
porcentaje acotado. Ello se utiliza en concreto en problemas importantes y
especialmente difíciles 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 solución sea óptima.
CARACTERISTICAS

Si la función objetivo f es lineal y el espacio restringido es un politopo, el problema

es de Programación lineal y puede resolverse utilizando alguno de los bien
conocidos algoritmos de programación lineal.

Si la función objetivo es concava (problema de maximización), o convexa (problema

de minimización) y el conjunto de restricciones es convexo, entonces se puede
utilizar el método general de Optimización convexa

Existe una variedad de métodos para resolver problemas no convexos. Uno de ellos
consiste en utilizar formulaciones especiales de problemas de programación lineal.
Otro método implica el uso de técnicas de Ramificación y poda, cuando el problema
se divide en subdivisiones a resolver mediante aproximaciones que forman un límite
inferior del coste total en cada subdivisión. Mediante subdivisiones sucesivas, se
obtendrá una solución cuyo coste es igual o inferior que el mejor limite inferior
obtenido por alguna de las soluciones aproximadas.

Esta solución es óptima, aunque posiblemente no sea única. El algoritmo puede ser
parado antes, con la garantía de que la mejor solución será mejor que la solución
encontrada en un porcentaje acotado. Ello se utiliza en concreto en problemas
importantes y especialmente difíciles 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 solución sea óptima.

Planteamiento de problemas de Programación no lineal y optimización

Una suposición importante de programación lineal es que todas sus funciones

(Función objetivo y funciones de restricción) son lineales. Aunque, en esencia, esta
suposición se cumple para muchos problemas prácticos, es frecuente que no sea
así. De hecho, muchos economistas han encontrado que cierto grado de no
linealidad es la regla, y no la excepción, en los problemas de planeación económica,
por lo cual, muchas veces es necesario manejar problemas de programación no
lineal.

De una manera general, el problema de programación no lineal consiste en

encontrar x=(x1,x2,…,xn) para

maximizar ƒ(x),

sujeta a

No se dispone de un algoritmo que resuelva todos los problemas específicos que

se ajustan a este formato. Sin embargo, se han hecho grandes logros en lo que se
refiere a algunos casos especiales, haciendo algunas suposiciones sobre las
funciones, y la investigación sigue muy activa.
Convexidad

Si la derivada segunda de en es positiva, entonces es creciente

en y es convexa en .

Concavidad

Si la derivada segunda de en es negativa, entonces es decreciente

en y es cóncava en .
FUNCIONES

Las funciones cóncavas y convexas representan un papel fundamental en la Teoría

de la Optimización ya que pueden garantizarnos la GLOBALIDAD de los óptimos
locales. Por ello vamos a iniciar este apartado introduciendo el concepto de función
cóncava y convexa para luego más tarde introducir condiciones que nos permitan
reconocer si una función es cóncava o convexa dependiendo de sus propiedades
de diferenciabilidad.

EJEMPLO.

Consideremos la siguiente función:

Si dibujamos esta función mediante el comando Plot obtenemos

Observemos la gráfica de esta función en el intervalo [0,p ]

Podemos ver que en esta gráfica si dibujamos cualquier segmento que una dos
puntos de la misma, éste siempre queda por debajo de la gráfica. Por ejemplo,
consideremos los puntos

Si dubujamos el segmento que une dichos puntos en la gráfica obtenemos

qué claramente queda por debajo de la gráfica.

Consideremos otros pares de puntos de la gráfica por ejemplo:

Al dibujar el segmento que une dichos puntos tenemos:

Consideremos otro par de puntos por ejemplo

Si los dibujamos considerando

Obtenemos

VIDEO
https://youtu.be/Cw-n9MHruQM
CONCLUSION

La programación no lineal nos ayuda a resolver problemas que no se podían hacer

con el método simplex de la programación lineal, hay diversas maneras de resolver
los problemas de programación no lineal la cual ya la hemos explicado con
anticipación