UNIVERSIDAD CENTRAL DEL ECUADOR

FACULTAD DE INGERNIERÍA QUÍMICA

INVESTIGACIÓN OPERATIVA

Bailón Arcentales Maryin Paulina

EXAMEN I HEMI
1. Cómo se le puede transformar a un problema de maximización no lineal a un
problema dual primal.
a. Se debe cambiar la función objetivo
b. Se deben cambiar las restricciones
c. Se deben cambiar ambas
Sin pérdida de generalidad se tratarán a partir de ahora solo problemas de minimización
y con restricciones de igualdad o desigualdad ≤. Esto se debe a que cualquier problema
de maximización se puede reescribir como un problema de minimización 3 Capítulo 1
Conceptos generales de optimización cuya función objetivo es la opuesta de la función
objetivo original ˜f0(x) = −f0(x) y cualquier restricción de desigualdad fi(x) ≥ 0 se puede
escribir como −fi(x) ≤ 0. Por lo que el problema de maximización definido por:

se podría transformar en un problema de minimización con la siguiente estructura:

Un resultado de vital importancia son las condiciones de optimalidad de primer orden de

Karush–Kuhn–Tucker para problemas de optimización suaves. Estas condiciones nos
permiten descartar posibles soluciones para un problema suave, ya que se tratan de unas
condiciones necesarias para que una posible solución sea solución del problema. Aunque
se debe puntualizar que no son condiciones suficientes, por lo que una solución candidata
cumpla las condiciones de KKT no implica que esta sea la solución de problema.
Un caso particular de las condiciones de KKT, cuando no existen restricciones de
desigualdad, son los multiplicadores de Lagrange:

En este caso se puede definir una función de gran interés llamada langrangiana que se
define como sigue:

Como se puede comprobar se pueden obtener las condiciones de los multiplicadores de

Lagrange, igualando el gradiente de la langrangiana a cero. Por lo que los candidatos a
óptimos del problema deben ser los puntos críticos de dicha función.
El problema dual se define a partir de la langrangiana del problema primal y se basa en
la siguiente propiedad de la langragiana.

. Sea un problema de optimización, se define la función dual de este como:

La función dual es una cota inferior de la función objetivo en el óptimo esto se

desprende de

La mejor cota posible se da para el mayor valor posible de la función dual, este problema
de optimización cóncavo es el llamado problema dual.
Métodos de resolución de dualidad débil
Proporciona la solución a un método restringido a partir de uno no restringido.
Método de penalización: sustituir las restricciones de un problema, por un coste en la
función objetivo que sea una función del error cometido, llamado función de
penalización. Es un método aproximado y solo proporcionará la solución exacta del
problema en el caso de que la solución real no esté en la frontera del problema.
Método de barrera: las restricciones se ven sustituidas por un coste en la función
objetivo que tiende a infinito cuando se hacer a la frontera de la región factible. Este coste
viene dado por una función que se denomina función de barrera. A diferencia del método
de penalización, este método siempre proporciona soluciones factibles del problema, si
las hubiera.
Método de holgura artificial: solo sirve para eliminar las restricciones de desigualdad
y convertirlas en restricciones de igualdad. Este método se basa, en añadir un conjunto
de variables, llamadas holguras artificiales {si}, que junto con las propiedad de no
negatividad de una función real continua φ(si), se consigue una holgura real positiva para
las restricciones de desigualdad.
El problema de optimización sin restricciones de desigualdad, definido en ( 12), se puede
resolver aplicando la definición de la langrangiana para el caso de los multiplicadores de
Lagrange.
Para el uso de cierto métodos numéricos es necesario que la función sea
diferenciable, por lo que será necesario aproximar la función max(x, 0) por una
función diferenciable.
Métodos de resolución de dualidad fuerte y funciones convexas
Función convexa: Una función convexa (o cóncava hacia arriba) es una función, en la
cual si dados dos puntos cualesquiera M y N de su gráfica, el segmento que los une queda
por arriba de la curva de la función.

Un caso de especial importancia del problema general de optimización no lineal es el

problema de optimización convexa, que posee ciertas propiedades que lo hacen muy
interesante.
Un problema de optimización se dice que es convexo si y solo si:
1. La función objetivo f0(x) es una función convexa.
2. La región factible Q es un conjunto convexo.
Para que Q sea un conjunto convexo es necesario que las restricciones de igualdad sean
funciones afines y que las restricciones de desigualdad ≤ sean convexas.
Los problemas de optimización convexa tienen algunas propiedades interesantes:
1. Las condiciones de KKT son condiciones suficientes de optimalidad.
2. El teorema de dualidad débil se cumple con signo de igualdad, por lo que el óptimo
del problema dual y primal coinciden.
Dualidad fuerte: El teorema de dualidad débil se puede aplicar a problemas convexo.
En este caso este teorema cobra especial importancia, ya que para este tipo de problema
se puede demostrar que el óptimo del problema dual coincide con el óptimo del problema
primal. En este caso este teorema se denomina teorema de dualidad fuerte.
Sea un problema de optimización convexa definido según, el óptimo del problema dual
asociado a este, coincide con el óptimo del problema primal;

Sea un problema de optimización convexa definido según, la langrangiana del problema

es una función convexa con respecto a las variables originales del problema z,
manteniendo fijas las variables duales x, si ∀µi ≥ 0:
∀µi ≥ 0 : ∇2z L(z, x) ≥ 0
Como sabemos por las condiciones de convexidad del problema, las restricciones de
igualdad deben ser funciones afines ∇2x hi(x) = 0, las restricciones de desigualdad deben
ser convexas ∇2 x fi(x) ≥ 0, por lo que aplicando las propiedades de las funciones
convexa. La combinación lineal con coeficientes positivos de funciones convexas, es una
función convexa:

FUNCIÓN OBJETIVO CUADRÁTICA Y RESTRICCIONES LINEALES

La programación cuadrática con restricciones lineales es un caso particular del
problema de optimización en el que la función objetivo es una forma cuadrática y las
restricciones son líneas. Bajo ciertas suposiciones este tipo de problemas son problemas
convexos.

La langrangiana de un problema QP convexo es una función cuadrática indefinida y se

define como:
 La dualidad cobra especial importancia en este tipo de problemas. La función dual de un
problema de programación cuadrática, se puede obtener sin más que aplicar el teorema
de dualidad.
La langrangiana, se obtiene finalmente:

2. Cuáles son las restricciones del Hessiano para determinar máximos y mínimos
generalizados.
3. Ponga un ejemplo para los casos anteriores
4. ¿La matriz hemi-definida positiva y negativa, siempre tendría valores reales o en
qué casos tendría valores imaginarios?