Optimización con

restricciones de
desigualdad

Yolanda Hinojosa
Contenido

• Optimización no lineal con restricciones de desigualdad.

Condiciones necesarias y suficientes de óptimo
• Análisis de sensibilidad. Interpretación de los
multiplicadores
• Aplicaciones
Formulación general

Opt f (x1 , · · · , xn )
s.a. li (x1 , · · · , xn ) ≥ bi ∀ i = 1, · · · , r
hi (x1 , · · · , xn ) ≤ bi ∀ i = r + 1, · · · , m
n
siendo f , li , hi : D ⊆ R → R, bi ∈ R ∀ i = 1, · · · , m.

Formulación alternativa

Opt f (x1 , · · · , xn )
(P)
s.a. gi (x1 , · · · , xn ) ≤ bi

siendo f , gi : D ⊆ Rn → R, bi ∈ R ∀ i = 1, · · · , m.

I Dada una solución factible x = (x1 , · · · , xn ) del problema (P), se dice que x satura la
restricción i-ésima (gi (x) ≤ bi ) si se verifica que gi (x) = bi . Se dirá que x no satura la
restricción i-ésima si gi (x) < bi .
De forma equivalente, se dice que la restriccion i-ésima es activa en x si gi (x) = bi . Se
dirá que la restriccion i-ésima es inactiva en x si gi (x) < bi .
Condiciones necesarias de primer orden
I Función de Lagrange: L(x, λ) = f (x) + λ1 (b1 − g1 (x)) + · · · + λm (bm − gm (x)).
con λ1 , . . . , λm , multiplicadores de Lagrange verificándose:
 
Min f (x1 , · · · , xn ) Max f (x1 , · · · , xn )
(Pmin ) (Pmax )
s.a. gi (x1 , · · · , xn ) ≤ bi s.a. gi (x1 , · · · , xn ) ≤ bi

L(x, λ) ≤ f (x) ∀ x factible L(x, λ) ≥ f (x) ∀ x factible

λi ≤ 0 ∀ i = 1, · · · , m λi ≥ 0 ∀ i = 1, · · · , m

I Sean f , gi (i = 1, . . . , m) funciones diferenciables y sea x∗ un punto factible

verificando las condiciones de regularidad, es decir, ∇gi (x∗ ) son linealmente
independientes ∀i ∈ I = {i/gi (x∗ ) = bi } ( I representa el conjunto de restricciones
activas en x∗ ). Si x∗ es un óptimo del problema (P) entonces existen unos escalares
λ = (λ1 , . . . , λm ) tal que (x∗ , λ) verifican las condiciones de Kuhn-Tucker:

Condiciones de Kuhn-Tucker

∇f (x∗ ) = λ1 ∇g1 (x∗ ) + · · · + λm ∇gm (x∗ ) (ó bien ∇x L(x∗ , λ) = 0)

λi (bi − gi (x∗ )) =0 ∀ i = 1, · · · , m
λi ≤ 0 ∀ i = 1, · · · , m (Pmin ); λi ≥ 0 ∀ i = 1, · · · , m (Pmax )
gi (x1 , · · · , xn ) ≤ bi ∀ i = 1, · · · , m
Condiciones de Optimalidad Global bajo restricciones de
desigualdad
Sean f , gi : D ⊆ Rn → R, bi ∈ R, ( i = 1, . . . , m <) funciones C 1 en int(D) y
denotemos por B = {x ∈ Rn /gi (x) ≤ bi , ∀ i = 1, · · · , m} ⊂ D la región factible del
problema (P). Entonces se verifica que:

1 Supongamos que (P) es el problema de minimización (Pmin ) . Si B es un

conjunto convexo y f es una función convexa en B, entonces cualquier punto
que satisfaga las condiciones de Kuhn-Tucker para mínimos es un mínimo global
de (Pmin ).
2 Supongamos que (P) es el problema de maximización (Pmax ) . Si B es un
conjunto convexo y f es una función cóncava en B, entonces cualquier punto
que satisfaga las condiciones de Kuhn-Tucker para máximos es un máximo
global de (Pmax ).

I Teorema de Weierstrass: Si f : Rn → R es una función continua en B ⊂ Rn y B es

un conjunto cerrado y acotado, entonces f tiene un mínimo y un máximo global en B.

I Ejemplo: Opt (x1 + 1)2 + (x2 + 1)2

s.a. x12 + x22 ≤ 2
x2 ≤ 1
Interpretación de los multiplicadores de Lagrange

I ¿Cómo varía el valor óptimo de la función objetivo al variar el término independiente

de las restricciones (cantidad de recurso)?
Sea x∗ una solución óptima del problema condicionado, con λ∗ = (λ∗1 , · · · , λ∗m ) el
conjunto de multiplicadores asociados verificándose las condiciones de Kuhn-Tucker y
sea f ∗ = f (x∗ ) el valor óptimo de la función objetivo. Estos valores dependen del
vector de recursos o términos independientes de las restricciones b = (b1 , · · · , bm ):
x∗ = x∗ (b), f ∗ = f ∗ (b) = f (x∗ (b)).
Se verifica que:
∂f(x∗ (b))
= λ∗i ∀1≤i≤m
∂bi
A λ∗i se le conoce con el nombre de precio sombra o precio marginal y representa
la variación que experimenta el valor óptimo de la función objetivo ante una variación
del recurso i-ésimo:
4f∗ ≈ λ∗i 4bi

I Nota: Nótese que si la restricción i-ésima no es activa en x∗ (gi (x∗ ) < bi ) el

multiplicador asociado λ∗i = 0, por lo que una variación en el recurso i-ésimo (no
saturado) no afecta al valor óptimo de la función objetivo.