Está en la página 1de 26

Programación No

Lineal
Conceptos básicos
Investigación de Operaciones 2, Unidad 1
Ing. Eduardo López Sandoval
pcinelop@upc.edu.pe
Contenido

• 1. ¿Qué se aprendió en el curso anterior?


• 2. Representación de un modelo de programación lineal (MPNL)
• 3. Diferencias con respecto a la programación lineal: Casos 1, 2 y 3
• 4. Funciones de una variable independiente.
• 5. Funciones de más de una variable independiente: función cóncava.
• 6. Funciones de más de una variable independiente: función convexa.
• 7. ¿Qué es Matriz Hessiana?
• 8. ¿Qué son los menores principales de una Matriz Hessiana?
1. ¿Qué se aprendió en el curso anterior?
500
460
• Programación lineal: 450
410

• La función objetivo y las 400


360

restricciones son lineales. 350


310

Contribución de X
• Los aportes de las variables 300
260

de decisión tanto en la 250


210

función objetivo como en 200


160

las restricciones son 150


110

proporcionales e 100
60

independientes. 50
10
0
0 1 2 3 4 5 6 7 8 9 10
X
Pero ¿Siempre es así?

Monto a pagar
70 65.4 65.4

60 54.5

50
43.6 43.6

40

Soles
32.7

30
21.8 21.8 ¡ Comportamiento
20 no lineal !
10.9
10
0
0
0 1 2 3 4 5 6 7 8 9 10
Unidades
Pero ¿Siempre es así?

Monto a pagar
60

48.3
50
41.4
37.95
40
31.05

Soles
27.6
30
20.7
20 17.25

6.9
10.35 ¡ Comportamiento
10
no lineal !
0
0
0 1 2 3 4 5 6 7 8 9 10
Unidades
Por lo tanto:

• Si en un problema de optimización matemática con restricciones se


observa que los aportes de las variables en la función objetivo o en
las restricciones no son proporcionales o independientes al valor de
las variables de decisión:

ES UNA OPORTUNIDAD PARA


EMPLEAR
PROGRAMACIÓN NO LINEAL
2. Representación de un modelo de
programación lineal (MPNL)

• x : Vector de “n” variables de decisión:


x1, x2, …, xn.
𝑴𝒂𝒙 𝑴𝒊𝒏 𝒁 = 𝒇 𝒙 • g (x) : Vector que representa a las “m”
𝑺𝒖𝒋𝒆𝒕𝒐 𝒂: restricciones: g1(x), g2(x), …, gm(x).
𝒈 𝒙 ≥, ≤ 𝒐 = 𝒃
• b : Vector que representa a los
términos independientes de las “m”
restricciones.
Por ejemplo:

• En este modelo de programación


no lineal, la segunda restricción
𝑴𝒂𝒙 𝒁 = 𝟑𝒙 + 𝟓𝒚 es no lineal.
𝑺𝒖𝒋𝒆𝒕𝒐 𝒂: • Para que un modelo de
programación matemática sea
𝒙≤𝟒 considerado no lineal, debe tener
𝟗𝒙𝟐 + 𝟓𝒚𝟐 ≤ 𝟐𝟏𝟔 expresiones no lineales ya sea en la
función objetivo, en las
𝒙, 𝒚 ≥ 𝟎 restricciones o en ambas.
3. Diferencias con respecto a la
programación lineal: Caso 1

• A diferencia de la
𝑴𝒂𝒙 𝒁 = 𝟑𝒙 + 𝟓𝒚 programación no
𝑺𝒖𝒋𝒆𝒕𝒐 𝒂: lineal, la solución
𝒙≤𝟒 óptima de este MPNL
𝟗𝒙𝟐 + 𝟓𝒚𝟐 ≤ 𝟐𝟏𝟔 no pertenece a un
𝒙, 𝒚 ≥ 𝟎 vértice de la región
factible.
3. Diferencias con respecto a la
programación lineal: Caso 2

𝑴𝒂𝒙 𝒁 = 𝟏𝟐𝟔𝒙𝟏 − 𝟗𝒙𝟐𝟏 + 𝟏𝟖𝟐𝒙𝟐 − 𝟏𝟑𝒙𝟐𝟐 • Del mismo


𝑺𝒖𝒋𝒆𝒕𝒐 𝒂:
𝒙𝟏 ≤ 𝟒
modo, la
𝒙𝟐 ≤ 𝟔 solución óptima
𝟑𝒙𝟏 + 𝟐𝒙𝟐 ≤ 𝟏𝟖 no pertenece a
𝒙𝟏 , 𝒙𝟐 ≥ 𝟎 un vértice de la
región factible
3. Diferencias con respecto a la
programación lineal: Caso 3
𝑴𝒂𝒙 𝒁 = 𝟓𝟒𝒙𝟏 − 𝟗𝒙𝟐𝟏 + 𝟕𝟖𝒙𝟐 − 𝟏𝟑𝒙𝟐𝟐
𝑺𝒖𝒋𝒆𝒕𝒐 𝒂:
𝒙𝟏 ≤ 𝟒
𝒙𝟐 ≤ 𝟔
𝟑𝒙𝟏 + 𝟐𝒙𝟐 ≤ 𝟏𝟖
𝒙𝟏 , 𝒙𝟐 ≥ 𝟎

• En este caso, la solución óptima se


encuentra en el interior de la región
factible.
En conclusión:

• A diferencia de la programación lineal, la


solución óptima de un modelo de programación
no lineal puede encontrarse en cualquier parte
de la región factible.
• Eso trae como consecuencia que, al resolver un
modelo de programación no lineal mediante un
software de administración de modelos, la
solución óptima que arroje no necesariamente
sea solución óptima global.
• Por ende, el usuario debe determinar si la
solución óptima obtenida es también una
solución óptima global, mediante un análisis de
las expresiones no lineales del modelo.
4. Funciones de una variable
independiente.
f(x) f(x) f(x) f(x)

x x x x

f(x) f(x) f(x) f(x)

x x x x

𝑼𝒏𝒂 𝒇𝒖𝒏𝒄𝒊ó𝒏 𝒆𝒔 𝒄ó𝒏𝒄𝒂𝒗𝒂 𝒔𝒊: 𝑼𝒏𝒂 𝒇𝒖𝒏𝒄𝒊ó𝒏 𝒆𝒔 𝒄𝒐𝒏𝒗𝒆𝒙𝒂 𝒔𝒊:


𝝏𝟐 𝒇(𝒙) 𝝏𝟐 𝒇(𝒙)
≤𝟎 ∀𝒙 ∈ 𝑫(𝒇) ≥𝟎 ∀𝒙 ∈ 𝑫(𝒇)
𝝏𝒙𝟐 𝝏𝒙𝟐
4. Funciones de una variable
independiente.
f(x) f(x)
f(x) f(x)

x x

x x
f(x) f(x)

f(x)

x x

x 𝑼𝒏𝒂 𝒇𝒖𝒏𝒄𝒊ó𝒏 𝒆𝒔 𝒏𝒊 𝒄ó𝒏𝒄𝒂𝒗𝒂


𝒏𝒊 𝒄𝒐𝒏𝒗𝒆𝒙𝒂 𝒔𝒊:
𝑼𝒏𝒂 𝒇𝒖𝒏𝒄𝒊ó𝒏 𝒆𝒔 𝒕𝒂𝒏𝒕𝒐 𝒄ó𝒏𝒄𝒂𝒗𝒂
𝝏𝟐 𝒇(𝒙)
𝒄𝒐𝒎𝒐 𝒄𝒐𝒏𝒗𝒆𝒙𝒂 𝒔𝒊: 𝒆𝒏 𝒖𝒏𝒐𝒔 𝒕𝒓𝒂𝒎𝒐𝒔: ≤𝟎
𝝏𝟐 𝒇(𝒙) 𝝏𝒙𝟐
=𝟎 ∀𝒙 ∈ 𝑫(𝒇) 𝝏𝟐 𝒇(𝒙)
𝝏𝒙𝟐 𝒚 𝒆𝒏 𝒐𝒕𝒓𝒐𝒔: ≥ 𝟎 ∀𝒙 ∈ 𝑫(𝒇)
𝝏𝒙𝟐
5. Funciones de más de una variable
independiente: Función Cóncava

• Una Función Multidimensional f(x1, x2,


…, xn) es cóncava en D(f)   xi  Df y
k = 1, 2, …, n; los k-esimos menores
principales de su Matriz Hessiana
diferentes de cero tienen el mismo
signo que (-1)k
6. Funciones de más de una variable
independiente: Función Convexa

• Una Función Multidimensional


f(x1, x2, …, xn) es convexa en Df
  xi  Df y k = 1, 2, …, n; los k-
esimos menores principales de
su Matriz Hessiana son ≥ 0.
6. Funciones de más de una variable
independiente: Función ni cóncava ni convexa

• Una Función Multidimensional es ni


cóncava ni convexa si los k-esimos
menores principales de su Matriz
Hessiana no cumple ninguna de las
propiedades anteriormente
descritas.
7. ¿Qué es Matriz Hessiana?

• Es aquella matriz que se forma con las segundas derivadas parciales


de una función multidimensional.
• Sea una función 𝑓(𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 ), su Matriz Hessiana es:

𝝏𝟐 𝒇 𝝏𝟐 𝒇 𝝏𝟐 𝒇

𝝏𝒙𝟐𝟏 𝝏𝒙𝟏 𝝏𝒙𝟐 𝝏𝒙𝟏 𝝏𝒙𝒏
𝝏𝟐 𝒇 𝝏𝟐 𝒇 𝝏𝟐 𝒇
𝑯 𝒇 = 𝝏𝒙𝟐 𝝏𝒙𝟏 ⋯
𝝏𝒙𝟐𝟐 𝝏𝒙𝟐 𝝏𝒙𝒏
⋮ ⋮ ⋱ ⋮
𝝏𝟐 𝒇 𝝏𝟐 𝒇 𝝏𝟐 𝒇

𝝏𝒙𝒏 𝝏𝒙𝟏 𝝏𝒙𝒏 𝝏𝒙𝟐 𝝏𝒙𝟐𝒏
8. ¿Qué son los menores principales de una
Matriz Hessiana?
• El menor principal de orden i una matriz n x n, es el determinante de
cualquier matriz que se obtiene al quitar n – i filas y las n – i
correspondientes columnas.
• Ejemplo: En la siguiente matriz Hessiana de una cierta función de dos
variables:
−𝟏 𝟐
𝑯 𝒙𝟏 , 𝒙𝟐 =
𝟐 𝟓

• Los primeros menores principales se encuentran en la diagonal principal:


−𝟏 𝟐
-1 y 5
𝟐 𝟓
• El segundo menor principal es la determinante de la matriz:
−𝟏 𝟐
-9
𝟐 𝟓
Otro ejemplo:

• En la siguiente Matriz Hessiana de una 𝟐 𝟐 𝟑


cierta función de tres variables: 𝑯 𝒙𝟏 , 𝒙𝟐 , 𝒙𝟑 = 𝟐 𝟑 𝟎
𝟑 𝟎 𝟒
• Sus primeros menores principales se 𝟐 𝟐 𝟑
encuentran en la diagonal principal: 𝟐 𝟑 𝟎 2, 3 y 4
𝟑 𝟎 𝟒

𝟐 𝟐 𝟑
𝟑 𝟎
𝟐 𝟑 𝟎 = 𝟏𝟐
𝟎 𝟒
• Sus segundos menores principales son 𝟑 𝟎 𝟒
𝟐 𝟐 𝟑
12, -1 y 2 porque: 𝟐 𝟑 𝟎
𝟐 𝟑
= −𝟏
𝟑 𝟎 𝟒 𝟑 𝟒
𝟐 𝟐 𝟑
𝟐 𝟐
𝟐 𝟑 𝟎 =𝟐
𝟑 𝟎 𝟒 𝟐 𝟑
Otro ejemplo: (Continuación)

• Su tercer menor principal es la 𝟐 𝟐 𝟑


determinante de toda la 𝟐 𝟑 𝟎 -19
matriz: 𝟑 𝟎 𝟒
Determinar si las siguientes funciones son
cóncavas, convexas o ninguna de las dos:

• A) 𝒇 𝒙𝟏 , 𝒙𝟐 = 𝟑𝒙𝟐𝟏 + 𝟕𝒙𝟏 𝒙𝟐 + 𝟗𝒙𝟐𝟐

• B) 𝒇 𝒙𝟏 , 𝒙𝟐 = −𝟔𝒙𝟐𝟏 + 𝟕𝒙𝟏 𝒙𝟐 + 𝟑𝒙𝟏 + 𝟐𝒙𝟐 − 𝟒𝒙𝟐𝟐

• C) 𝒇 𝒙𝟏 , 𝒙𝟐 , 𝒙𝟑 = 𝟑𝒙𝟐𝟏 + 𝟔𝒙𝟐𝟐 + 𝟓𝒙𝟐𝟑 − 𝒙𝟏 𝒙𝟐 + 𝟐𝒙𝟏 𝒙𝟑 + 𝟒𝒙𝟐 𝒙𝟑

• D) 𝒇 𝒙𝟏 , 𝒙𝟐 , 𝒙𝟑 = −𝟓𝒙𝟐𝟏 − 𝟑𝒙𝟐𝟐 − 𝟐𝒙𝟐𝟑 + 𝟐𝒙𝟏 𝒙𝟐 − 𝒙𝟏 𝒙𝟑 + 𝟑𝒙𝟐 𝒙𝟑


Solución A):

• Hallando el vector gradiente y luego la matriz Hessiana de la función:


𝒇′ 𝒙𝟏 , 𝒙𝟐 = 𝛁𝒇 𝒙𝟏 , 𝒙𝟐 = 𝟔𝒙𝟏 + 𝟕𝒙𝟐 ; 𝟕𝒙𝟏 + 𝟏𝟖𝒙𝟐
𝟔 𝟕
𝒇′′ 𝒙𝟏 , 𝒙𝟐 = 𝑯 𝒙𝟏 , 𝒙𝟐 =
𝟕 𝟏𝟖

• Analizando el signo de los primeros menores principales:


𝟔 𝟕 6 ≥0
𝑯 𝒙𝟏 , 𝒙𝟐 = 18 ≥ 0
𝟕 𝟏𝟖

• Analizando el signo del segundo menor principal:


𝟔 𝟕 (6 x 18) – (7 x 7) = 59 ≥ 0
𝑯 𝒙𝟏 , 𝒙𝟐 =
𝟕 𝟏𝟖
Conclusión: Tanto los primeros menores como el segundo
menor son ≥ 0. Por lo tanto, f(x1, x2) es convexa.
Solución B):

• Hallando el vector gradiente y luego la matriz Hessiana de la función:


𝒇′ 𝒙𝟏 , 𝒙𝟐 = 𝛁𝒇 𝒙𝟏 , 𝒙𝟐 = −𝟏𝟐𝒙𝟏 + 𝟕𝒙𝟐 + 𝟑; 𝟕𝒙𝟏 + 𝟐 − 𝟖𝒙𝟐
−𝟏𝟐 𝟕
𝒇′′ 𝒙𝟏 , 𝒙𝟐 = 𝑯 𝒙𝟏 , 𝒙𝟐 =
𝟕 −𝟖
• Analizando el signo de los primeros menores principales:
−𝟏𝟐 𝟕 -12 < 0
𝑯 𝒙𝟏 , 𝒙𝟐 = -8 < 0
𝟕 −𝟖

• Analizando el signo del segundo menor principal:


−𝟏𝟐 𝟕 (-12 x -8) – (7 x 7) = 47 > 0
𝑯 𝒙𝟏 , 𝒙𝟐 =
𝟕 −𝟖
Conclusión: Los primeros menores principales distintos de
cero son negativos y el segundo menor principal diferente de
cero es > 0. Por lo tanto, f(x1, x2) es cóncava.
Solución C):
• Hallando el vector gradiente y luego la matriz Hessiana de la función:
𝛁𝒇 𝒙𝟏 , 𝒙𝟐 , 𝒙𝟑 = 𝟔𝒙𝟏 − 𝒙𝟐 + 𝟐𝒙𝟑 ; 𝟏𝟐𝒙𝟐 − 𝒙𝟏 + 𝟒𝒙𝟑 ; 𝟏𝟎𝒙𝟑 + 𝟐𝒙𝟏 + 𝟒𝒙𝟐
𝟔 −𝟏 𝟐
𝒇′′ 𝒙𝟏 , 𝒙𝟐 , 𝒙𝟑 = 𝑯 𝒙𝟏 , 𝒙𝟐 , 𝒙𝟑 = −𝟏 𝟏𝟐 𝟒
𝟐 𝟒 𝟏𝟎
• Analizando el signo de los primeros menores principales:
𝟔 −𝟏 𝟐 6 ≥0
𝑯 𝒙𝟏 , 𝒙𝟐 , 𝒙𝟑 = −𝟏 𝟏𝟐 𝟒 12 ≥ 0
𝟐 𝟒 𝟏𝟎 10 ≥ 0
• Analizando el signo de los segundos menores principales:
𝟔 −𝟏 𝟔 𝟐 56 ≥ 0
𝟏𝟐 𝟒 104 ≥ 0
71 ≥ 0
−𝟏 𝟏𝟐 𝟐 𝟏𝟎 𝟒 𝟏𝟎
• Analizando el signo del tercer menor principal:
Conclusión: Todos los menores
𝟔 −𝟏 𝟐
−𝟏 𝟏𝟐 𝟒 550 ≥ 0 principales son ≥ 0. Por lo tanto,
𝟐 𝟒 𝟏𝟎 f(x1, x2, x3) es convexa.
Solución D):
• Hallando el vector gradiente y luego la matriz Hessiana de la función:
𝛁𝒇 𝒙𝟏 , 𝒙𝟐 , 𝒙𝟑 = −𝟏𝟎𝒙𝟏 + 𝟐𝒙𝟐 − 𝒙𝟑 ; −𝟔𝒙𝟐 + 𝟐𝒙𝟏 + 𝟑𝒙𝟑 ; −𝟒𝒙𝟑 − 𝒙𝟏 + 𝟑𝒙𝟐
−𝟏𝟎 𝟐 −𝟏
′′
𝒇 𝒙𝟏 , 𝒙𝟐 , 𝒙𝟑 = 𝑯 𝒙𝟏 , 𝒙𝟐 , 𝒙𝟑 = 𝟐 −𝟔 𝟑
−𝟏 𝟑 −𝟒
• Analizando el signo de los primeros menores principales distintos de cero:
−𝟏𝟎 𝟐 −𝟏 - 10 < 0
𝑯 𝒙𝟏 , 𝒙𝟐 , 𝒙𝟑 = 𝟐 −𝟔 𝟑 -6 <0
−𝟏 𝟑 −𝟒 -4 <0
• Analizando el signo de los segundos menores principales distintos de cero:
−𝟏𝟎 𝟐 −𝟏𝟎 −𝟏 39 > 0
−𝟔 𝟑 15 > 0
56 > 0
𝟐 −𝟔 −𝟏 −𝟒 𝟑 −𝟒
• Analizando el signo del tercer menor principal distinto de cero:
−𝟏𝟎 𝟐 −𝟏 Conclusión:
𝟐 −𝟔 𝟑 -140 < 0
−𝟏 𝟑 −𝟒 f(x1, x2, x3) es cóncava.