LP ConjuntosConvexos

Tema 2.
Optimización Lineal Continua

Conjuntos Convexos
Investigación Operativa
Universidad Rey Juan Carlos
Antonio Alonso Ayuso

antonio.alonso@urjc.es
. . . .... .... .... . . . . .

Contenidos
1 Conjuntos convexos y envoltura convexa
2 Aplicación al problema de programación lineal
3 Funciones Convexas
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI (URJC) 2 / 58
Contenidos

Convexidad y Regiones
Punto extremo y dirección extrema
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Algoritmos de resolución
Los métodos de resolución se basan en:

La región factible es un conjunto convexo: datos dos puntos, el
segmento que los une también pertenece al convexo.
La función objetivo es lineal y, por tanto, cóncava y convexa.
Estas dos propiedades permiten asegurar:
Cualquier óptimo local es global
Clave
Reconoce la optimalidad de un punto utilizando
CONDICIONES DE OPTIMALIDAD LOCALES
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Conjuntos convexos
Un conjunto S se dice que es convexo si para cada par de puntos x1 y x2 ,

los puntos de la forma λx1 + (1 − λ)x2 , λ ∈ (0, 1), también pertenecen al
conjunto.
Un punto de la forma λx1 + (1 − λ)x2 con λ ∈ (0, 1) se denomina

combinación lineal convexa de x1 y x2 .
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Conjuntos convexos
Gráficamente, todos los puntos del segmento que une x1 y x2 son
combinación lineal convexa de x1 y x2 .
x1
x1 x2 x1 x2
x2
Convexo
Convexo No convexo
En particular, se puede demostrar que la región factible de un problema

de programación lineal es convexa.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Generalización
Esta definición se puede generalizar y así, dados un conjunto de k puntos

x1 , . . . , xk :
Dados un conjunto de k puntos x1 , . . . , xk , los puntos de la forma
∑
k ∑
k
λi xi con λi ≥ 0 y λi = 1
i=1 i=1
se denominan combinaciones lineales

Si se relaja la condición de no negatividad de los parámetros, se
denominan combinaciones afines.
Y si, por último, se elimina la condición de que la suma sea 1, se
denominan combinaciones convexas.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Generalización

x1 , . . . , xk :
∑
k ∑
k
i=1 i=1

logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Generalización

x1 , . . . , xk :
∑
k ∑
k
i=1 i=1

logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Generalización

x1 , . . . , xk :
∑
k ∑
k
i=1 i=1

logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo
Los siguientes conjuntos son convexos:

1 Los hiperplanos, es decir, los conjuntos de la forma S = {x / pt x = α}
I n , donde p es un vector no nulo de R
en R I n (normalmente se denomina
gradiente) y α es un escalar.
S = {(x1 , x2 , x3 )/ x1 + 2x2 − x3 = 4}
2 Los semiplanos: S = {x / pt x ≤ α}
S = {(x1 , x2 , x3 ) / x1 + 2x2 − x3 ≤ 4}
3 La intersección de semiespacios.
S = {(x1 , x2 , x3 ) / x1 + 2x2 − x3 ≤ 4; 2x1 − x2 + x3 ≤ 6}
4 Los poliedros, es decir los conjuntos de la forma S = {x / Ax = b},
donde A es una matriz m × n y b un vector de dimensión m.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo

S = {(x1 , x2 , x3 )/ x1 + 2x2 − x3 = 4}
S = {(x1 , x2 , x3 ) / x1 + 2x2 − x3 ≤ 4}
S = {(x1 , x2 , x3 ) / x1 + 2x2 − x3 ≤ 4; 2x1 − x2 + x3 ≤ 6}
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo

S = {(x1 , x2 , x3 )/ x1 + 2x2 − x3 = 4}
S = {(x1 , x2 , x3 ) / x1 + 2x2 − x3 ≤ 4}
S = {(x1 , x2 , x3 ) / x1 + 2x2 − x3 ≤ 4; 2x1 − x2 + x3 ≤ 6}
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo

S = {(x1 , x2 , x3 )/ x1 + 2x2 − x3 = 4}
S = {(x1 , x2 , x3 ) / x1 + 2x2 − x3 ≤ 4}
S = {(x1 , x2 , x3 ) / x1 + 2x2 − x3 ≤ 4; 2x1 − x2 + x3 ≤ 6}
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo

S = {(x1 , x2 , x3 )/ x1 + 2x2 − x3 = 4}
S = {(x1 , x2 , x3 ) / x1 + 2x2 − x3 ≤ 4}
S = {(x1 , x2 , x3 ) / x1 + 2x2 − x3 ≤ 4; 2x1 − x2 + x3 ≤ 6}
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo

S = {(x1 , x2 , x3 )/ x1 + 2x2 − x3 = 4}
S = {(x1 , x2 , x3 ) / x1 + 2x2 − x3 ≤ 4}
S = {(x1 , x2 , x3 ) / x1 + 2x2 − x3 ≤ 4; 2x1 − x2 + x3 ≤ 6}
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo
4 S = {(x1 , x2 ) / x2 ≥ |x1 |}. Este conjunto es un cono.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo
5 S = {(x1 , x2 ) / x21 + x22 ≤ 4}, círculo de radio 2 y centro en (0, 0).
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Resultados Teóricos
Lema
Sean S1 y S2 dos conjuntos convexos. Entonces,
1 S1 ∩ S2 es un conjunto convexo.
2 S1 ⊕ S2 = {x1 + x2 / x1 ∈ S1 , x2 ∈ S2 } es convexo.
3 S1 ⊖ S2 = {x1 − x2 / x1 ∈ S1 , x2 ∈ S2 } es convexo.
Demostración
Inmediata.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Envoltura Convexa
Definición
I n . La envoltura convexa de S,
Sea S un conjunto cualquiera de R
denotada por H(S) es el conjunto de todos los puntos que se pueden
poner como combinación lineal de puntos de S, esto es:
∑
k
x ∈ H(S) ⇐⇒ x= λj xj
j=1
∑k
con xj ∈ S, j = 1, . . . , k, λj ≥ 0, j = 1, . . . , k y j=1 λj = 1.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Envoltura Convexa
x1 x2
No convexo
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Lema
I n . La envoltura convexa de S es el
Sea S un conjunto cualquiera de R
menor conjunto convexo que contiene a S. Esto es, H(S) es la intersección
de todos los conjuntos convexos que contienen a S.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Demostración
Por reducción al absurdo, supongamos que existe un conjunto convexo C
tal que S ⊆ C, con x ∈ H(S) y x ∈
/ C.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Demostración (cont)
Por definición de H(S), se tiene que:
∑
k
x= λj xj ,
j=1
∑
con xj ∈ S, j = 1, . . . , k, λj ≥ 0, j = 1, . . . , k y kj=1 λj = 1. Además, por
ser S ⊆ C, se tiene que xj ∈ C y, por tanto, puesto que C es convexo:
x ∈ C,
que entra en contradicción con la hipótesis inicial.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Politopos
Definición
La envoltura convexa de un número finito de puntos se denomina
politopo.
logoURJC
Politopo
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Simplex
Definición
Si los puntos de un politopo son afínmente independientes, entonces el
politopo se denomina simplex.
x2
x1
x3
logoURJC
Simplex
. . . . . . . . . . . . . . . . . . . .
x2 − x181/,58
. . . . . . . . . . . . . . . . . . . .
Los puntos x1 , . . . , xk son Opt.
Antonio Alonso-Ayuso afínmente independientes
Lineal Continua (versión profesor) si los vectores
MEGI (URJC)
Simplex
Observación
Los puntos x1 , . . . , xk son afínmente independientes si los vectores x2 − x1 ,
x3 − x1 , …, xk − x1 son linealmente independientes. Por tanto, puesto que
I n el número máximo de vectores linealmente independientes es n, un
en R
simplex no puede tener más de n + 1 vértices.
x2
x1
x3
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt.
Simplex
Lineal Continua (versión profesor) MEGI (URJC) 19 / 58
Regiones
Definición
Dado S ∈ RI n , se dice que S es una región si es la intersección finita de
semiespacios cerrados:
I n / ai x ≤ αi , i = 1, . . . , n}
S = {x ∈ R
Como los semiespacios son convexos y cerrados, una región es un

conjunto convexo y cerrado.
Si la región está acotada, es un politopo que se puede definir como la
envoltura convexa de los vértices de la misma.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo
Sea el siguiente conjunto:
−x1 + x2 ≤ 2,
x1 + x2 ≤ 4,
(1)
5x1 + 3x2 ≤ 15,
x1 , x2 ≥ 0.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo
−x1 + x2 = 2
x1 − x2 = 4
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . .
5x1. +
. . . .
3x2 = 15
. . . . . . . . . . . .
Contenidos

Convexidad y Regiones
Punto extremo y dirección extrema
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Punto Extremo
Definición
Dado S ̸= ∅, S ⊂ RI n y convexo. Sea x ∈ S, se dice que x es un punto
extremo si y sólo x no se puede presentar como combinación lineal
convexa de dos puntos distintos de S, esto es:
x = λx1 + (1 − λ)x2 con x1 , x2 ∈ S, λ ∈ (0, 1) ⇒ x = x1 = x2
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo
En la figura anterior hay cinco puntos extremos:
logoURJC r r
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo
En el siguiente círculo, todos los puntos de la circunferencia son puntos
extremos
'$
&%
En estos dos ejemplos se puede comprobar como cualquier punto que no

sea extremo se puede poner como combinación lineal de puntos extremos
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo
En el ejemplo que sigue, esto no es posible:
r
Este conjunto tiene un sólo punto extremo y no es posible representar
ningún otro punto como combinación lineal de puntos extremos.
Esto es así por ser el conjunto anterior no acotado.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dirección
Definición
Dado S ̸= ∅, S ⊂ RI n , convexo y cerrado. Un vector d ∈ R
I n , d ̸= 0 es una
dirección de S si
∀x ∈ S ⇒ x + λd ∈ S, ∀λ ≥ 0.
Dos direcciones d1 y d2 son distintas si d1 ̸= αd2 , para todo α > 0.
OBSV: Un conjunto acotado no tiene direcciones.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dirección Extrema
Definición
Una dirección es extrema si no se puede poner como combinación lineal
positiva de dos direcciones distintas.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Caracterización de Puntos Extremos
Teorema
Sea S = {x / Ax = b, x ≥ 0}, donde A ∈ Mm×n , el rango de A es m y
b∈R I m . Entonces, x es una punto extremo de S si y sólo si A se puede
descomponer en (B, N) (con una reordenación adecuada de las columnas
de A) donde B ∈ Mm×m , el rango de B es m y N ∈ Mm×(n−m) , de forma
que: ( )
xb
x= y B−1 b ≥ 0
0
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Demostración
Veamos primero la condición suficiente, esto, supongamos que la matriz A
se puede descomponer en dos submatrices B y N de forma que
( )
xb
x= y B−1 b ≥ 0
0
Es evidente que x pertenece a S. Veamos que además es un punto

extremo: Por reducción al absurdo, supongamos que no lo es, esto es,
existen x1 y x2 de S tales que:
x = λx1 + (1 − λ)x2 con λ ∈ (0,1).
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Entonces: ( ) ( ) ( )
xb x11 x
x= =λ + (1 − λ) 21
0 x12 x22
Por ser x1 y x2 puntos de S, x12 y x22 son vectores no negativos. Además,
como λ ≥ 0, se tiene que x12 = x22 = 0.
Además, por ser Ax1 = Ax2 = b, se tiene que Bx11 = Bx21 = b y, por
tanto,
x11 = x21 = B−1 b
Por tanto, x = x1 = x2 .
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Para comprobar la otra implicación, supongamos, sin pérdida de
generalidad, que x es de la forma:
x = (x1 , . . . , xk , 0, . . . , 0) con x1 > 0.
Veamos que las k primeras columnas /asociadas a variables xi > 0) son

linealmente independientes. Si no fuera así, existirían λi , i = 1, . . . , k no
todos nulos tales que:
∑k
λj aj = 0
j=1
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Si consideramos el vector λ = (λ1 , . . . , λk , 0, . . . , 0) y construimos los dos
vectores:
x1 = x + αλ
x2 = x − αλ
con α suficientemente pequeño como para que x1 y x2 sean no negativos.

Se tiene que:
∑
k ∑
k
Ax1 = A(x + αλ) = aj xj + α λj aj = b
j=1 j=1
∑
k ∑
k
Ax2 = A(x − αλ) = aj xj − α λj aj = b
logoURJC j=1 j=1
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Por tanto, x1 , x2 ∈ S. Además,
1 1
x = x1 + x2
2 2
Como α ̸= 0, x1 ̸= x2 y x se puede poner como combinación lineal
convexa de estos dos puntos, lo que es contradictorio con el hecho de que
x sea un punto extremo.
Entonces los vectores ai , i = 1, . . . , k son linealmente independientes con
k ≤ m. Como A es de rango m, se pueden encontrar m − k vectores que
junto con los k restantes formen una base y definan la matriz B. El resto
de las columnas definen la matriz N.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Corolario
El número de puntos extremos es finito.
Demostración
El número de puntos extremos está acotado por el número de bases en A
y este está acotado por:
( )
n n!
=
m m!(n − m)!
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Teorema
Sea S = {x / Ax = b, x ≥ 0}, con S ̸= ∅, entonces S tiene al menos un
punto extremo.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Caracterización de Direcciones Extremos
Teorema
b∈R I m . Entonces, d es una dirección extrema de S si y sólo si A se puede
descomponer en (B, N) (con una reordenación adecuada de las columnas
de A) donde B ∈ Mm×m , el rango de B es m y N ∈ Mm×(n−m) , de forma
que para alguna columna aj de N:
( )
−B−1 aj
d=α y B−1 aj ≤ 0
ej
con α > 0 y ej es el vector unitario j-ésimo.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Demostración
En primer lugar, notemos que si d es una dirección de S, entonces:
∀x ∈ S, λ ≥ 0, se tiene x + λd ∈ S
Por tanto, d ≥ 0. Por otro lado,
A(x + λd) = Ax + λAd = b,
de donde, Ad = 0.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ahora demostremos la condición suficiente. Esto es, supongamos que A se
puede descomponer en (B, N) con:
( )
−B−1 aj
d=α y B−1 aj ≤ 0
ej
con α > 0 y ej es el vector unitario j-ésimo. Veamos que d es dirección

extrema.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Si no lo fuese, existirían dos direcciones de S, d1 y d2 , tales que
d = λ1 d1 + λ2 d2 con λ1 , λ 2 ≥ 0
Por tener d n − m − 1 componentes nulas„ también lo serán las

componentes de d1 y d2 :
( ) ( )
−d11 −d21
d1 = α1 y d2 = α2
ej ej
con α1 , α2 ≥ 0. Como Ad1 = Ad2 = 0, d11 y d21 son iguales y, por tanto,
d = d1 = d2 y d es una dirección extrema.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Para demostrar la otra implicación, supongamos que d es una dirección
extrema de la forma
d = (d1 , . . . , dk , 0, . . . , dj , . . . , 0)
con di > 0, i = 1, . . . , k, j.
Entonces, por un razonamiento similar al realizado en el teorema de
caracterización de puntos extremos, los vectores a1 , . . . , ak son linealmente
independientes.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Completando estos k vectores hasta m para formar una base, se tiene:
Ad = 0 ⇒ Bd∗ + aj dj = 0 ⇒ d∗ = −dj B−1 aj
Tomando α = dj , se obtiene el resultado buscado.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Corolario
El número de direcciones extremas es finito.
Demostración
Cada dirección tiene asociada una base de A y un
( n )vector que no pertenece
a la base. El número de bases está acotado por m y el número de
vectores no básicos para cada base es de n − m. Por tanto, el número de
direcciones extremas está acotado por:
( )
n n!
(n − m) =
m m!(n − m − 1)!
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Teorema
b∈R I m y sean x1 , . . . , xk los puntos extremos y d1 , . . . , dℓ las direcciones
extremas. Entonces:
∑
k ∑
ℓ
x∈S⇔x= λ j xj + µj dj
j=1 j=1
con ∑
λj = 1, λj ≥ 0, ∀j = 1, . . . , k
y
µj ≥ 0 ∀j = 1, . . . , ℓ
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Esto es, todo punto de S se puede representar como una combinación

lineal convexa de puntos extremos más una combinación lineal
positiva de direcciones extremas.
En concreto, si S es acotado, todo punto se podrá poner como
combinación lineal convexa de sus puntos extremos.
Corolario
Si S es no vacío, tiene al menos un punto extremo.
Corolario
En las condiciones del teorema anterior, S tiene al menos una dirección
extrema si y sólo si S no está acotado.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Contenidos
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Convexidad en Programación Lineal
Teorema
Sea el problema de programación lineal:
mı́n z = ct x
s.a. A x = b,
x ≥ 0,
donde c ∈ R I n es el vector de costes, b ∈ R I m el vector de recursos,

A ∈ Mm×n la matriz de restricciones y x ∈ R I n el vector de variables. Sean
x1 , . . . , xk los puntos extremos y d1 , . . . , dℓ las direcciones extremas.
Entonces, existe una solución óptima finita si y sólo si cT dj ≥ 0, para
j = 1, . . . , ℓ. En este caso, existe un punto extremo que resuelve el
problema.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Demostración
Por el teorema de representación, tenemos que cualquier solución del
problema se puede poner en función de los puntos extremos y direcciones
extremas de la región factible:
∑
k ∑
ℓ
x= λj xj + µj dj
j=1 j=1
con ∑
λj = 1, λj ≥ 0, ∀j = 1, . . . , k
y
µj ≥ 0 ∀j = 1, . . . , ℓ
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Por tanto, el problema de programación lineal se puede plantear como:
 
∑k ∑
ℓ
mı́n cT  λ j xj + µj dj 
j=1 j=1
Si existe un j, cT dj < 0, tomando µj suficientemente grande, se puede

conseguir que la función objetivo tome un valor tan pequeño como
queramos y la solución es no acotada.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Por tanto, para que la solución esté acotada, es necesario que ct dj ≥ 0,
para j = 1, . . . , ℓ. Entonces, tomando µj = 0, para j = 1, . . . , ℓ, el
problema resulta:  
∑
k
mı́n cT  λj xj 
j=1
Sea x∗ el punto extremo que minimiza tal que:
cT x∗ = mı́n cT xj
j=1,...,k
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Cómo el número de puntos extremos es finito, este mínimo es finito.
Entonces:
∑
k ∑k
cT x∗ = cT x∗ λ j = cT λ j xj
j=1 j=1
y, por tanto, el punto extremo x∗ es una solución óptima para el problema

original.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Según estos resultados, el problema de programación lineal ya está resuelto

desde un punto de vista teórico, ya que:
Si tiene solución finita:
▶ La solución se encuentra en un punto extremo
▶ Se tienen caracterizados los puntos extremos.
▶ Estos existen en un número finito.
En caso de que el problema tenga solución no acotada
▶ Se tienen caracterizados los puntos extremos y las direcciones extremas.
▶ Estas existen en un número finito.
El problema no tiene solución: la región es vacía y, por tanto, no
existen puntos extremos.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Contenidos
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Funciones convexas
Los funciones convexas y cóncavas tienen buenas propiedades que las

convierten en funciones interesantes dentro del ámbito de la optimización.
Son especialmente interesantes en el caso en que estén definidas sobre
conjuntos convexos.
Por ejemplo, el mínimo local de una función convexa en un conjunto
convexo es también un mínimo global.
I n →R
Sea f : S ⊂ R I , con S ̸= ∅, convexo. f es convexa si:
f(λx1 + (1 − λ)x2 ) ≤ λf(x1 ) + (1 − λ)f(x2 ), ∀x1 , x2 ∈ S, ∀λ ∈ (0, 1).
f es estrictamente convexa si la desigualdad anterior es estricta con x1 ̸= x2 .

f es cóncava si −f es convexa.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Funciones convexas
Consideremos x1 , x2 , puntos del dominio de f y su media ponderada
λx1 + (1 − λ)x2 , para distintos valores de λ ∈ (0, 1).
Una función es convexa si (el valor de f en todos
) los puntos
λx1 + (1 − λ)x2 , esto es f λx1 + (1 − λ)x2 , quedan por debajo del
segmento que une los puntos [x1 , f(x1 )] y [x2 , f(x2 )].
x1 x2 x1 x2
λx1 + (1 − λ)x2 λx1 + (1 − λ)x2
logoURJC
Función convexa Función cóncava Función ni cóncava ni convexa
f(x) = (x − 2)2 f(x) = (x)2 − 2x + 3
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Funciones convexas
x1 x2 x1 x2 x1 x2
λx1 + (1 − λ)x2 λx1 + (1 − λ)x2 λx1 + (1 − λ)x2
Función convexa Función convexa Función cóncava y convexa
NO estrictamente convexa
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Funciones convexas
Las siguientes funciones son convexas (y sus opuestas son cóncavas):

1 f(x) = 3x − 4 (también es convexa).
2 f(x) = |x|.
3 f(x) = x2 − 2x.
4 f(x) = 3 − x1/2 si x ≥ 0.
5 f(x1 , x2 ) = 2x21 + x2 − 2x1 x2 .
6 f(x1 , x2 , x3 ) = x41 + 2x22 + 3x23 − 4x1 − 4x2 x3 .
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .

LP ConjuntosConvexos

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

LP ConjuntosConvexos

Cargado por

Copyright:

Formatos disponibles

Tema 2.

Optimización Lineal Continua

Antonio Alonso Ayuso

. . . .... .... .... . . . . .

1 Conjuntos convexos y envoltura convexa

2 Aplicación al problema de programación lineal

1 Conjuntos convexos y envoltura convexa

2 Aplicación al problema de programación lineal

Los métodos de resolución se basan en:

Cualquier óptimo local es global

Un conjunto S se dice que es convexo si para cada par de puntos x1 y x2 ,

Un punto de la forma λx1 + (1 − λ)x2 con λ ∈ (0, 1) se denomina

En particular, se puede demostrar que la región factible de un problema

Esta definición se puede generalizar y así, dados un conjunto de k puntos

se denominan combinaciones lineales

Esta definición se puede generalizar y así, dados un conjunto de k puntos

se denominan combinaciones lineales

Esta definición se puede generalizar y así, dados un conjunto de k puntos

se denominan combinaciones lineales

Esta definición se puede generalizar y así, dados un conjunto de k puntos

se denominan combinaciones lineales

Los siguientes conjuntos son convexos:

Los siguientes conjuntos son convexos:

Los siguientes conjuntos son convexos:

Los siguientes conjuntos son convexos:

Los siguientes conjuntos son convexos:

Los siguientes conjuntos son convexos:

4 S = {(x1 , x2 ) / x2 ≥ |x1 |}. Este conjunto es un cono.

5 S = {(x1 , x2 ) / x21 + x22 ≤ 4}, círculo de radio 2 y centro en (0, 0).

que entra en contradicción con la hipótesis inicial.

Como los semiespacios son convexos y cerrados, una región es un

Sea el siguiente conjunto:

1 Conjuntos convexos y envoltura convexa

2 Aplicación al problema de programación lineal

x = λx1 + (1 − λ)x2 con x1 , x2 ∈ S, λ ∈ (0, 1) ⇒ x = x1 = x2

En estos dos ejemplos se puede comprobar como cualquier punto que no

En el ejemplo que sigue, esto no es posible:

Dos direcciones d1 y d2 son distintas si d1 ̸= αd2 , para todo α > 0.

OBSV: Un conjunto acotado no tiene direcciones.

Es evidente que x pertenece a S. Veamos que además es un punto

x = λx1 + (1 − λ)x2 con λ ∈ (0,1).

x = (x1 , . . . , xk , 0, . . . , 0) con x1 > 0.

Veamos que las k primeras columnas /asociadas a variables xi > 0) son

con α suficientemente pequeño como para que x1 y x2 sean no negativos.

con α > 0 y ej es el vector unitario j-ésimo.

Por tanto, d ≥ 0. Por otro lado,

A(x + λd) = Ax + λAd = b,

con α > 0 y ej es el vector unitario j-ésimo. Veamos que d es dirección

Por tener d n − m − 1 componentes nulas„ también lo serán las

Ad = 0 ⇒ Bd∗ + aj dj = 0 ⇒ d∗ = −dj B−1 aj

Tomando α = dj , se obtiene el resultado buscado.

Esto es, todo punto de S se puede representar como una combinación

1 Conjuntos convexos y envoltura convexa

2 Aplicación al problema de programación lineal

donde c ∈ R I n es el vector de costes, b ∈ R I m el vector de recursos,

Si existe un j, cT dj < 0, tomando µj suficientemente grande, se puede

Sea x∗ el punto extremo que minimiza tal que:

y, por tanto, el punto extremo x∗ es una solución óptima para el problema

Según estos resultados, el problema de programación lineal ya está resuelto

1 Conjuntos convexos y envoltura convexa

2 Aplicación al problema de programación lineal

Los funciones convexas y cóncavas tienen buenas propiedades que las

f(λx1 + (1 − λ)x2 ) ≤ λf(x1 ) + (1 − λ)f(x2 ), ∀x1 , x2 ∈ S, ∀λ ∈ (0, 1).