INSTITUTO TECNOLÓGICO

SUPERIOR DE MISANTLA

INGENIERÍA EN SISTEMAS
COMPUTACIONALES

PROGRAMACIÓN NO LINEAL

INVESTIGACIÓN DE OPERACIONES
UNIDAD III
QUE PRESENTA
JEHU SANTIAGO HERRERA

ASESOR: ING. PABLO COLORADO POSADAS

MISANTLA, VERACRUZ SEPTIEMBRE, 2019

Programación no lineal

Índice

Introducción ............................................................................................................................ 1

3. Programación no lineal ....................................................................................................... 2

3.1. Conceptos básicos de problemas de programación no lineal ................................... 2

3.2. Ilustración grafica de problemas de programación no lineal ................................... 3

3.3. Tipos de problemas de programación no lineal ....................................................... 4

3.4. Optimización clásica ................................................................................................ 5

3.4.1. Puntos de inflexión...................................................................................................... 7

3.4.2. Máximos y mínimos .................................................................................................... 8
Conclusión ............................................................................................................................ 10

Bibliografía ........................................................................................................................... 11

Índice de figuras
Figura 3. 1 ............................................................................................................................... 4
Figura 3. 2 ............................................................................................................................... 7
Figura 3. 3 ............................................................................................................................... 8
Figura 3. 4 ............................................................................................................................... 9

Índice de ecuaciones
(3. 1) ........................................................................................................................................ 5
(3. 2) ........................................................................................................................................ 6
(3. 3) ........................................................................................................................................ 6
(3. 4) ........................................................................................................................................ 6
(3. 5) ........................................................................................................................................ 8

i
 Introducción

La programación no lineal forma parte de la investigación de operaciones y también, como

la programación lineal, tiene como finalidad proporcionar los elementos para encontrar los
puntos óptimos para una función objetivo.
Los problemas no lineales se caracterizan por tener relaciones no lineales; es decir, no existe
una relación directa y proporcional entre las variables que intervienen. Los problemas de
programación no lineal, también son llamados curvilíneos, ya que el área que delimita las
soluciones factibles en un gráfico se presenta en forma de curva. La función objetivo en la
programación no lineal, puede ser cóncavo o convexo. Es cóncavo cuando se trata de
maximizar utilidades, contribuciones, etc. Es convexo cuando trata de minimizar recursos,
costos, etc. Los problemas que contienen restricciones lineales, se resuelven de una forma
más sencilla que los problemas con restricciones no lineales.

1
Programación no lineal

3. Programación no lineal

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.

3.1. Conceptos básicos de problemas de programación no lineal

 La programación no lineal 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 lineal.
 una función es una cosa que hace algo. Por ejemplo, una máquina de moler café es una
función que transforma los granos de café en polvo. La función (objetivo) traza, traduce
el dominio de entrada (denominado región factible) en un rango de salida con dos valores
finales denominados valores máximo y mínimo.
 Un modelo de Programación No Lineal (PNL) es aquel donde las variables de decisión
se expresan como funciones no lineales ya sea en la función objetivo y/o restricciones de
un modelo de optimización. Esta característica particular de los modelos no lineales
permite abordar problemas donde existen economías o des economías de escala o en
general donde los supuestos asociados a la proporcionalidad no se cumplen.
 El método Simplex es un algoritmo de solución muy utilizado para resolver programas
lineales. Es la solución algorítmica inicial para resolver problemas de Programación
Lineal (PL). Este es una implementación eficiente para resolver una serie de sistemas de
ecuaciones lineales. Mediante el uso de una estrategia ambiciosa mientras se salta desde
un vértice factible hacia el próximo vértice adyacente, el algoritmo termina en una
solución óptima.
 Un algoritmo es una serie de pasos para cumplir con una tarea determinada.

2
Programación no lineal
 Redundancia Entre las Restricciones: Redundancia significa que algunas de las
restricciones no son necesarias dado que existen otras más severas.

3.2. Ilustración grafica de problemas de programación no lineal

La Programación No Lineal (PNL) provee una serie de herramientas que manipulan en forma
estricta los espacios de búsqueda de solución de los problemas, aprovechan información
matemática del problema para dirigirse en cada paso hacia un punto de buena calidad,
mejorando de esta manera la llegada a la solución. Además, PNL permite el modelamiento
de restricciones no lineales, una característica muy útil para la formulación dada en el
presente trabajo a los problemas que involucran variables enteras. Estas características
mencionadas se deben a que en problemas de PNL, el cumplimiento de las condiciones de
Karush-Kuhn-Tucker (condiciones de primer orden) y algunas condiciones de segundo orden
son requeridas para evaluar la factibilidad y la optimalidad de los puntos que se van
encontrando.

Cuando un problema de programación no lineal tiene sólo una o dos variables, se puede
representar gráficamente, una representación gráfica de este tipo proporciona una visión
global de las propiedades de las soluciones óptimas de programación lineal y no lineal.

A continuación, un ejemplo:
Si Z = 126X1 − 9X12 + 182X2 − 13𝑥1 2 , entonces la representación gráfica en la figura 3.1
indica que la solución óptima es x1 = 8/3 x2 = 5, que de nuevo se encuentra en la frontera
de la región factible. (El valor óptimo de Z es Z = 857; así, la figura 3.1muestra el hecho de
que el lugar geométrico de todos los puntos para los que Z = 857 tiene en común con la región
factible sólo este punto, mientras que el lugar geométrico de los puntos con Z más grande no
toca la región factible en ningún punto.)

3
Programación no lineal

Figura 3. 1

Para poder la realización de estos gráficos se hace sugerencia utilizar el software de

GeoGebra.

3.3. Tipos de problemas de programación no lineal

 Programación convexa: esta programación abarca una amplia clase de problemas, entre
ellos como casos especiales, están todos los tipos anteriores cuando f(x) es cóncava. Las
suposiciones son:
1. f(x) es cóncava.
2. Cada una de las g(x) es convexa.

 Programación no convexa: incluye todos los problemas de programación no lineal que

no satisfacen las suposiciones de programación convexa.
En este caso, aun cuando se tenga éxito en encontrar un máximo local, no hay garantía
de que sea también un máximo global. Por lo tanto, no se tiene un algoritmo que
garantice encontrar una solución óptima para todos estos problemas; pero si existen
algunos algoritmos bastante adecuados para encontrar máximos locales, en especial
cuando las formas de las funciones no lineales no se desvían demasiado de aquellas
que se supusieron para programación convexa.

4
Programación no lineal
 Programación cuadrática: un programa cuadrático es la forma más simple de problemas
no lineal con restricciones des desigualdad. La importancia de la programación cuadrática
es debida a que gran número de problemas aparecen de forma natural como cuadráticos
(optimización por mínimos cuadrados, con restricciones lineales), pero además es
importante porque aparece como un subproblema frecuentemente para resolver
problemas no lineales más complicados.

Existen diferentes tipos de problemas de programación cuadrática, los cuales se pueden

clasificar en:
1. Problemas cuadráticos de minimización sin restricciones, requieren minimizar la
función cuadrática f(x) sobre el espacio completo.
2. Problemas cuadráticos de minimización sujetos a restricciones de igualdad, requieren
minimizar la función objetivo f(x) sujeto a restricciones lineales de igualdad
𝐴𝑥 = 𝑏. (3. 1)
3. Problemas cuadráticos de minimización sujetos a restricciones lineales de desigualdad
requieren minimizar la función objetivo f(x) sujeta a restricciones lineales de
desigualdad, también puede contener restricciones de igualdad.
4. Problemas de optimización de redes cuadráticas. Son problemas cuadráticos en lo que
las restricciones de baja conversación cobren una red pura generalizada.
5. Problemas cuadráticos convexos. Son cualquiera de los mencionados arriba, en el cual
la función objetico a ser minimizada, f(x) es convexa.
6. Problemas de complementariedad lineal. Son problemas especiales con un sistema de
ecuaciones en variables no negativas, en el cual las variables están formadas en varios
pares llamados pares complementarios.

3.4. Optimización clásica

La teoría de optimización clásica o programación matemática está constituida por un
conjunto de resultados y métodos analíticos y numéricos enfocados a encontrar e identificar
al mejor candidato de entre una colección de alternativas, sin tener que enumerar y evaluar

5
Programación no lineal
explícitamente todas esas alternativas. Un problema de optimización es, en general, un
problema de decisión.

Ejemplo 1: (Construcción de una caja con volumen máximo) Suponiendo que se quiere
determinar las dimensiones de una caja rectangular de forma que contenga el mayor volumen
posible, pero utilizando para ello una cantidad fija de material. El problema en forma
abstracta se podría plantear en los siguientes términos Maximizar Volumen de la caja sujeto
a Área lateral fija Con el fin de resolver este problema habrá que modelizarlo
matemáticamente, es decir tendremos que expresarlo en términos matemáticos.

El primer paso para modelizar un problema de optimización es identificar y definir las

variables que están implicadas en dicho problema, en este caso y puesto que estamos tratando
de determinar el tamaño de una caja rectangular, la opción más clara es considerar como
variables sus tres dimensiones rectangulares usuales (ancho, largo, alto) y que representamos
con x, y, z. Con estas variables, la función para la que tenemos que encontrar el mejor valor
será el volumen de la caja que puede expresarse como
V (x, y, z) = 𝑥𝑦𝑧. (3. 2)

A continuación, debemos tener en cuenta las limitaciones existentes sobre el material. Como
este material se utiliza para construir las paredes de la caja, necesitaremos considerar el área
lateral de la misma, y si la caja tiene tapa, dicha área será
A(x, y, z) = 2(xy + yz + zx). (3. 3)

Por último, teniendo en cuenta que las dimensiones de la caja no pueden ser negativas el
problema puede expresarse matemáticamente como Maximizar xyz sujeto a
2 (xy + yz + zx) = A x, y, z ≥ 0. (3. 4)

6
Programación no lineal
3.4.1. Puntos de inflexión
Se define un punto de inflexión como el punto en que la función pasa de ser convexa a
cóncava o de cóncava a convexa.

En la siguiente gráfica podemos ver que cuando x = 0, la gráfica pasa de ser cóncava a ser
convexa, por lo que podemos decir que el punto de inflexión esta en X = 0.

Figura 3. 2

Una característica de los puntos de inflexión es que son los puntos donde la función derivada
tiene máximos y mínimos. Si nos fijamos, cuando nos acercamos a un punto de inflexión la
función cada vez crece más (o decrece menos), pero al sobrepasar el punto de inflexión la
función empieza a crecer menos (o decrecer menos). Esto significa que justamente donde
haya un punto de inflexión la derivada tendrá un máximo o un mínimo. Consecuentemente
encontraremos los puntos de inflexión buscando ceros de la segunda derivada.

Ejemplo 2: Consideraremos la función F(x) = x³ - 3x (es la función representada en la figura

3.2).

Sabemos ya calcular los máximos y los mínimos de la función f(x) usando la primera
derivada. La expresión de ésta es 3x² - 3 y justamente encontramos máximos y mínimos
respectivamente en x = -14 y x = 1. Si representamos la gráfica de la derivada queda:

7
Programación no lineal

Figura 3. 3

Observamos que justamente donde la derivada tiene un mínimo es donde la función tiene el
punto de inflexión.

Para saber qué punto es vamos a derivar la función derivada e igualarla a cero:
0 (3. 5)
F´´(x) = 6x = 0 = x = = 0,
6
y por tanto la función original en x = 0 tiene un punto de inflexión.

3.4.2. Máximos y mínimos

Los máximos y mínimos de una función son los valores más grandes o más pequeños de ésta,
ya sea en una región o en todo el dominio.

Los máximos y mínimos en una función f son los valores más grandes (máximos) o más
pequeños (mínimos) que toma la función, ya sea en una región (extremos relativos) o en todo
su dominio (extremos absolutos).

8
Programación no lineal

Figura 3. 4

9
Programación no lineal

Conclusión

Los problemas prácticos de optimización con frecuencia incluyen un comportamiento no

lineal que debe tomarse en cuenta. A veces es posible reformular las no linealidades para que
se ajusten al formato de programación lineal, como se puede hacer con los problemas de
programación separable. Sin embargo, es frecuente la necesidad de usar una formulación de
programación no lineal.

Al contrario del caso del método simplex para programación lineal, no existe un algoritmo
eficiente que se pueda utilizar para resolver todos los problemas de programación no lineal.
De hecho, algunos de estos problemas no se pueden resolver satisfactoriamente por ningún
método, pero se han hecho grandes progresos en ciertas clases importantes de problemas que
incluyen programación cuadrática, programación convexa y algunos tipos especiales de
programación no convexa, Se dispone de una gran variedad de algoritmos que casi siempre
tienen un buen desempeño en estos casos. Algunos de estos algoritmos incorporan
procedimientos de alta eficiencia para la optimización no restringida en una parte de cada
iteración y algunos emplean una sucesión de aproximaciones lineales o cuadráticas al
problema original.

10
Programación no lineal

Bibliografía

Alejandra. (11 de Septiembre de 2019). Obtenido de

https://alejandra090290.wordpress.com/unidad-3-programacion-no-lineal/
Investigacion de operaciones . (11 de septiembre de 2019). Obtenido de
http://investigaciondeoperaciones.net/programacion_no_lineal.html
Joaquin, A. C. (9 de septiembre de 2012). Investigación de operaciones. Estado de México:
Red Tercer Milenio. Obtenido de
https://lainvestigaciondeoperaciones.blogspot.com/2015/09/ilustracion-grafica-de-
problema-de.html
Luis, J. (10 de Noviembre de 2016). Prezi. Obtenido de https://prezi.com/8hmv0cgjvzei/33-
tipos-de-problemas-de-programacion-no-lineal-a/
Sangaku S.L. (2019) Concavidad y convexidad, puntos de inflexión de una función.
sangakoo.com. Recuperado de https://www.sangakoo.com/es/temas/concavidad-y-
convexidad-puntos-de-inflexion-de-una-funcion

11