Características de Karush-Kuhn-Tucker
John Jairo Paillacho Calupiña
Universidad Politécnica Salesiana
Quito , Ecuador
jhonj_135@hotmail.com
Resumen—Conocer las Características de Karush-Kuhn-Tucker
Indice de Términos— Características de Karush-Kuhn-Tucker
I. INTRODUCCIÓN
Las condiciones de Karush-Kuhn-Tucker (también
conocidas como las condiciones KKT o Kuhn-Tucker) son
requerimientos necesarios y suficientes para que la solución
de un problema de programación matemática sea óptima.
Es una generalización del método de los multiplicadores de
Lagrange.
II. PROBLEMA GENERAL DE OPTIMIZACIÓN
Consideremos el siguiente problema general:
donde f(x) es la función objetivo a minimizar, g(x)son las
restricciones de desigualdad y  h(x) son las restricciones de
igualdad, con m y n el número de restricciones de
desigualdad e igualdad, respectivamente.
Las condiciones necesarias para problemas con
restricciones de desigualdad fueron publicadas por primera
vez en la tesis de máster de W. Karush,1 aunque fueron
renombradas tras un artículo en una conferencia de Harold
W. Kuhn y Albert W. Tucker.
III. CONDICIONES NECESARIAS DE PRIMER ORDEN
Supongamos que la función objetivo, por ejemplo, a
minimizar, es  y las funciones de restricción son
y diferenciables en el punto x*.Si
x* es un mínimo local, entonces existen constantes
tales que:
IV. CONDICIONES DE REGULARIDAD (O CUALIFICACIÓN DE
LAS RESTRICCIONES)
 En la condición necesaria anterior, el
multiplicador dual  puede ser igual a cero. Este
caso se denomina degenerado o anormal. La
condición necesaria no tiene en cuenta las
propiedades de la función sino la geometría de las
restricciones.
 Existen una serie de condiciones de regularidad
que aseguran que la solución no es degenerada (es
decir .Estas incluyen:
 Cualificación de la restricción de independencia
lineal (CRIL): los gradientes de las restricciones
activas de desigualdad y los gradientes de las
restricciones de igualdad son linealmente
independientes en x*.
 Cualificación de la restricción de Mangasarian-
Fromowitz (CRMF): los gradientes de las
restricciones activas de desigualdad y los
gradientes de las restricciones de igualdad son
linealmente independientes positivos en x*.
 Cualificación de la restricción de rango constante
(CRRC): para cada subconjunto de las
restricciones activas de desigualdad y los
gradientes de las restricciones de igualdad, el
rango en el entorno de x* es constante.
  Cualificación de la restricción de dependencia
lineal constante positiva (DLCP): para cada
subconjunto de restricciones activas de
desigualdad y de gradientes de las restricciones de
igualdad, si es linealmente dependiente positivo
en  x* entonces es linealmente dependiente
positivo en el entorno de es
linealmente dependiente positivo si existe
distintos de cero tal
que {\displaystyle a_{1}v_{1}+\cdots
+a_{n}v_{n}=0}
Condición de Slater: para un problema únicamente
con restricciones de desigualdad, existe un
punto {\displaystyle x}x tal que para
todo  Puede verse que
CRIL=>CRMF=>DLCP,
CRIL=>CRRC=>DLCP, aunque CRMF no es
equivalente a CRRC. En la práctica, se prefiere
cualificación de restricciones más débiles ya que
proporcionan condiciones de optimalidad más
fuertes.
V. CONDICIONES SUFICIENTES
Sea a función objetivo y las funciones de
restricción 
sean las funciones de afinidad, y séa un punto x*.Si existen
constantes  tales que:
REFERENCIAS
[1] https://www.regulacionelectrica.gob.ec/wp-
content/uploads/downloads/2015/10/ProcedimientosDe
spacho.pdf
[2] Avriel, Mordecai (2003). Nonlinear Programming:
Analysis and Methods. Dover Publishing. ISBN 0-486-
43227-0.
[3] R. Andreani, J. M. Martínez, M. L. Schuverdt, On the
relation between constant positive linear dependence
condition and quasinormality constraint qualification.
Journal of optimization theory and applications, vol.
125, no2, pp. 473-485 (2005).
[4]  W. Karush (1939). Minima of Functions of Several
Variables with Inequalities as Side Constraints. M.Sc.
Dissertation. Dept. of Mathematics, Univ. of Chicago,
Chicago, Illinois.
[5] ↑ H. W. Kuhn,Tucker, A. W., Proceedings of 2nd
Berkeley Symposium, Nonlinear
programming, University of California Press, 1951,
Berkeley

entonces el punto  x* es un mínimo global.

VI. CONCLUSIONES
VII. 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
deseconomías de escala o en general donde los supuestos
asociados a la proporcionalidad no se cumplen.
VIII. Las condiciones que establecen las condiciones de
optimalidad de KKT permiten resolver modelos de PNL
con restricciones mediante la activación progresivas de
las restricciones del modelo. Una restricción activa es
aquella que se cumple en igualdad.