01 - Prog No Lin - 200421 - Rev

20/04/2021
σ
βο
Χο Diana del Pilar Cobos del Angel
α
Introducción
En los modelos de programación lineal, todas las
funciones tanto de las restricciones como de la
αν
función objetivo, son lineales.
Aunque esta condición se cumple para muchos

problemas prácticos, con frecuencia esto no es así.
Muchos economistas, por ejemplo, han encontrado

que cierto grado de no linealidad es la regla, y no
la excepción, en los problemas de planeación
∆ι
económica.
Diana Cobos 20/04/2021 2
1
20/04/2021
Conceptos básicos
σ
de Programación No Lineal
De una manera general, el problema de

programación no lineal consiste en encontrar la
βο
solución del problema:
max f(x)
Sujeta a
Y donde f(x) y las son funciones dadas de
decisión.
Diana Cobos
Χο , que consta de n variables de
20/04/2021 3
Conceptos básicos
α
de Programación No Lineal
αν
En sí no se dispone de un algoritmo que resuelva

todos los problemas especificados que se ajustan a
este formato.
A continuación se muestran algunas de las

aplicaciones de algunos problemas a los que se le
ha aplicado la programación no lineal.
∆ι
2
20/04/2021
σ
Aplicaciones de Programación No Lineal
Problema de mezcla de productos con elasticidad
βο
en los precios
En esta clase de problemas la meta es determinar la mezcla

óptima de los niveles de producción para los productos de una
empresa, dadas las limitaciones sobre los recursos necesarios
para producirlos, con el objeto de maximizar la ganancia total
de la empresa.
En algunos casos existe una ganancia unitaria fija asociada a
Χο
cada producto, con lo que la función objetivo que se obtiene es
lineal. Sin embargo en muchos problemas, ciertos factores
introducen no linealidades en la función objetivo
Problema de mezcla de productos con elasticidad en los precios

EJEMPLO:
α
Un fabricante puede encontrar elasticidad en los precios
mediante los cuales la cantidad que se puede vender de un
producto tiene una relación inversa con el precio cobrado.
αν
La ganancia de la empresa por producir y vender x unidades

∆ι
esta dada por una función no lineal
3
20/04/2021
Problema de mezcla de productos con elasticidad en los precios
σ
En la siguiente imagen se muestra la función de la ganancia
βο
La función objetivo global es una suma de funciones no lineales
Diana Cobos
Χο 20/04/2021 7
Problema de transporte con costos por volumen en

α
los precios de embarque
Una aplicación común del problema de transporte es determinar

un plan óptimo para mandar bienes desde varios orígenes hasta
varios destinos, dadas las restricciones de recursos y demanda,
αν
con el fin de minimizar el costo total de transporte.
El costo por unidad enviados de

un destino a otro no siempre
es fijo, a veces depende de la
cantidad mandada.
∆ι
4
20/04/2021
Función del costo del transporte
σ
βο
Diana Cobos
Χο 20/04/2021 9
Aplicaciones de Programación No Lineal

α
En consecuencia, si cada combinación de origen y destino
tiene una función de costos similar, es decir, si el costo de
enviar unidades del origen i (i=1,2,…,m) al destino j
αν
(j=1,2,…,n) esta dado por una función no lineal, entonces la

función objetivo global que se va a minimizar es
Aun con esta función objetivo no lineal, es normal que las

restricciones sean del tipo lineales especiales que se ajustan
∆ι
al modelo del problema de transporte.
5
20/04/2021
Ilustración gráfica de problemas de
σ
Programación no Lineal
Cuando un problema de programación no lineal tiene solo una o

dos variables, se puede representar gráficamente.
βο
Una representación grafica de este tipo proporciona una visión
global de las propiedades de las soluciones óptimas de
programación lineal y no lineal.
Ejemplo:
La siguiente figura muestra un problema en el que la segunda
Diana Cobos
Χο
restricción es una función no lineal 9𝑥12 + 5𝑥22 ≤ 216 . La solución
es 𝑥1 , 𝑥2 = 2,6
20/04/2021 11
Ilustración gráfica de problemas de Programación no Lineal

α
αν
∆ι
6
20/04/2021
σ
Observación:
βο
La solución se encuentra sobre la región factible, pero no es
una solución factible en vértice (fev). La solución optima
pudo haber sido una solución fev con una función objetivo
diferente, pero que no necesite serlo significa que ya no se
puede aprovechar la gran simplicidad utilizada en
programación lineal que permite limitar la búsqueda de una
solución optima para las soluciones fev.
Diana Cobos
Χο 20/04/2021 13

Ahora suponga que las restricciones lineales se conservan sin cambio pero
α
la función objetivo se hace no lineal.
𝑍 = 126𝑥1 − 9𝑥12 + 182𝑥2 − 13𝑥22

αν
∆ι
7
20/04/2021
σ
Entonces la gráfica de la figura anterior indica que la solución
βο
óptima es que de nuevo se encuentra en frontera
de la región factible. (El valor óptimo es z = 857 ; así en la figura
muestra 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
mas grande no toca la región factible en ningún punto.)
Por otro lado si,
Diana Cobos
Χο 20/04/2021 15

α
Entonces en la siguiente figura se ilustra que la solución óptima es
que se encuentra dentro de la frontera de la región
αν
factible. (Se puede comprobar que esta solución es óptima si se

usa cálculo para derivarla como un máximo global no restringido;
como también satisface las restricciones, debe ser óptima para el
problema restringido.)
Por lo tanto es necesario que un algoritmo general para resolver

problemas de este tipo tome en cuenta todas las soluciones en la
región factible, y no sólo aquellas que están sobre la frontera.
∆ι
8
20/04/2021
σ
βο
Diana Cobos
Χο 20/04/2021 17

α
Otra complicación que surge en programación no lineal es que un
máximo local no necesariamente es un máximo global (la solución
optima global).
Considérese la función de una sola variable graficada como se
αν
muestra en la siguiente figura.
En el intervalo 0 ≤ 𝑥 ≤ 5 esta función tiene tres máximos locales

∆ι
x=0, x=2, x=4 pero sólo uno de éstos (x=4) es un máximo global. De
igual manera, existen mínimos locales en x=1,3 y 5, pero sólo x=5
es un mínimo global.
9
20/04/2021
Funciones Cóncavas y Convexas
σ
En general, los algoritmos de programación no lineal no pueden
distinguir entre un máximo local y el máximo global (excepto si
encuentran otro máximo local mejor), por lo que es
determinante conocer las condiciones bajo las que se garantiza
βο
que un máximo local es un máximo global en la región factible.
En cálculo, cuando se maximiza una función ordinaria

(doblemente diferenciable) de una sola variable f(x) sin
restricciones, esta garantía esta dada cuando
Χο
Una función de este tipo cuya curvatura siempre es “hacia abajo”
o que no tiene curvatura se llama CÓNCAVA. Cuando tiene
curvatura “hacia arriba” se llama función CONVEXA.
α
αν
∆ι
10
20/04/2021
σ
Tipos de Programación no Lineal
Los problemas de programación no lineal se presentan de

muchas formas distintas.
βο
Al contrario del Método Simplex para Programación Lineal, no
se dispone de un algoritmo que resuelva todos estos tipos
especiales de problemas. En su lugar, se han desarrollado
algoritmos para algunas clases (tipos especiales) de problemas
de Programación no Lineal.
Diana Cobos
Χο 20/04/2021 21
Optimización no restringida
α
Los problemas de optimización no restringida no tiene
restricciones, por lo que la función objetivo es sencillamente
Maximizar f(x), sobre todos los valores 𝑥 = (𝑥1 , 𝑥2 , … , 𝑥𝑛 )

αν
La condición necesaria para que una solución especifica x = x* sea

optima cuando f(x) es una función diferenciable es:
Cuando f(x) es CÓNCAVA, esta condición también es suficiente,

con lo que la obtención de x* se reduce a resolver el sistema de
las n derivadas parciales iguales a cero.
∆ι
Pero cuando se trata de funciones no lineales f(x), estas

ecuaciones suelen ser no lineales también, en cuyo caso es poco
probable que se pueda obtener una solución analítica simultánea.
11
20/04/2021
σ
Optimización Linealmente Restringida
Los problemas de optimización linealmente restringida se

caracterizan por restricciones que se ajustan por completo a
βο
la programación lineal, de manera que todas las funciones
de restricción 𝑔𝑖 𝑥 son lineales, pero la función objetivo es
no lineal.
El problema se simplifica mucho si sólo se tiene que tomar

en cuenta una función no lineal junto con una región
factible de programación lineal.
Diana Cobos
Χο 20/04/2021 23
α
Programación cuadrática
Estos tipos de problemas tienen restricciones lineales, pero la

función objetivo f(x) debe ser cuadrática. Entonces, la única
diferencia entre éstos y un problema de programación lineal
αν
es que algunos términos de la función objetivo incluyen el

cuadrado de una variable o el producto de dos variables.
Para este caso se han desarrollado muchos algoritmos, con la

suposición adicional de que f(x) es cóncava.
La programación cuadrática es muy importante, debido a que

las formulaciones de este tipo surgen de manera natural en
muchas aplicaciones.
∆ι
12
20/04/2021
σ
EJEMPLO:
Ilustración de
cómo una solución
optima puede
βο
estar en un punto
en el que la
derivada es
negativa en lugar
de cero, porque
ese punto esta en
la frontera de una
restricción de no
negatividad.
Diana Cobos
Χο 20/04/2021 25
Programación convexa
α
Esta clase de programación abarca a una amplia clase de
problemas. Están todos los tipos anteriores cuando f(x) es
cóncava. Las suposiciones son
αν
1. f(x) es cóncava
2. Cada una de las restricciones 𝑔𝑖 𝑥 es convexa.
Programación separable
Una función separable es una función en la que cada término

incluye una sola variable, por lo que la función se puede
separar en una suma de funciones de variables individuales. Es
decir, si f(x) es una separable, se puede expresar como
∆ι
13
20/04/2021
En donde cada 𝑓𝑖 (𝑥𝑖 ) incluye solo los términos con 𝑥𝑖 .
σ
En la terminología de programación lineal, los problemas de
programación separable satisfacen las suposiciones de aditividad
pero no las de proporcionalidad (para funciones lineales).
βο
Son casos especiales de programación convexa, en donde la
suposición adicional es:
Todas las funciones f(x) y 𝑔𝑖 𝑥 son funciones separables.
Es importante distinguir estos problemas. Los problemas de

programación separable se puede aproximar mediante problemas
de programación lineal y, entonces, se puede aplicar el método
simplex.
Diana Cobos
Χο 20/04/2021 27
α
Programación No Convexa
La programación NO CONVEXA incluye todos los problemas de

programación no lineal que no satisfacen las suposiciones de
programación convexa. En este caso, cuando se tenga éxito en
αν
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 optima para todos estos problemas, pero 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.
∆ι
14
20/04/2021
Programación geométrica
σ
Ésta surge cuando la función objetivo y las funciones de
restricción son de la siguiente forma:
βο
𝑔 𝑥 = 𝑐𝑖 𝑃𝑖 (𝑥)
𝑖=1
𝑎 𝑎 𝑎
Donde 𝑃1 𝑥 = 𝑥1 𝑖1 𝑥2 𝑖2 … 𝑥𝑛 𝑖𝑛 𝑝𝑎𝑟𝑎 𝑖 = 1,2, … , 𝑁
En tales casos, las 𝑐𝑖 y las 𝑎𝑖𝑗 representan las constantes

físicas y las 𝑥𝑖 son las variables de diseño. Estas funciones por
lo general no son cóncavas ni convexas, por lo que las
técnicas de programación convexa no se pueden aplicar
Diana Cobos
Χο
directamente a estos problemas.
20/04/2021 29
Programación geométrica
α
Sin embargo, existe un caso importante en el que el
problema se puede transformar en un problema de
programación convexa equivalente.
Esto es cuando todos los coeficientes 𝑐𝑖 en cada función

αν
son estrictamente positivos, es decir, las funciones son

polinomios positivos generalizados, y la función objetivo se
tiene que minimizar.
El problema equivalente de programación convexa con

variables de decisión 𝑦1 , 𝑦2 , … , 𝑦𝑛 se obtiene entonces al
establecer
∆ι
En todo el modelo original. De esta manera, puede

aplicarse un algoritmo de programación convexa.
15
20/04/2021
σ
 Para la optimización de PNL, SOLVER usa un método
ascendente basado en un procedimiento de “búsqueda de
gradiente”.
βο
 Primero, el procedimiento encuentra una solución factible.
 A partir de ese punto inicial, se calcula la dirección que
permita mejorar más rápidamente el valor objetivo VO.
 Se sigue realizando el movimiento por medio de cambios en
las variables de decisión hasta encontrar la frontera de una
restricción ó hasta que el VO ya no pueda mejorar más.
 Se calcula una nueva dirección a partir de este punto y se
repite el procedimiento.

Χο
Se prosigue hasta que ya no es posible lograr mejoría alguna
en cualquier dirección, con lo cual se termina el
procedimiento.

α
 Solver puede incurrir en errores de análisis numérico porque
la precisión de la aritmética de computadora es finita.
 Esto ocurre sobre todo en la optimización de modelos
altamente no lineales que incluyen números dentro de una
αν
gran gama de valores.

 Si los números más pequeños y más grandes del modelo
difieren en más de 7 dígitos, entonces Solver puede producir
estos errores.
 Si marca el cuadro de opciones de Solver “Usar escala
automática”, podrá evitar esos errores en muchos de los
casos.
 Sin embargo, esta opción no garantiza que será suprimido
este problema en todos los casos.
∆ι
 Para evitar este problema desde el principio es mejor

modificar manualmente la escala de los números que son muy
grandes o muy pequeños
16
20/04/2021
σ
βο
Diana Cobos
Χο 20/04/2021 33
α
Celdas de variables
Final Reducido
αν
Celda Nombre Valor Degradado

$B$4 X1 Anuncios de prensa 39.35 0
$C$4 X2 Anuncios de televisión 60.65 0
Restricciones
Final Lagrange
Celda Nombre Valor Multiplicador
$G$10 Gasto total diario 100 1194.84
∆ι
17
20/04/2021
σ
 El valor del Multiplicador de Lagrange (ML) es la tasa de
cambio instantánea del VO, cuando el i-ésimo LD, bi,
βο
aumenta permaneciendo iguales todos los demás datos.
 El i-ésimo multiplicador de Lagrange, refleja el valor
marginal del i-ésimo recurso. Por consiguiente, sus
unidades son:
unidades de la FO
u del LD de la restr i
 Un ML positivo indicaría que al aumentar el LD se
Χο
“beneficiaría” inicialmente el valor de la FO en un
modelo Max, e inicialmente se “perjudicaría” el valor de
la FO en un modelo Min.

α
 Un ML negativo indicaría que al aumentar el LD se
“perjudicaría” inicialmente el valor de la FO en un modelo
Max, e inicialmente de “beneficiaría” el valor de la FO en
αν
un modelo Min.
 No es posible decir sobre que rango de aumento o
disminución del LD es válido dicho ML.
 En el caso más ordinario el propio ML cambia en cuanto se
modifica el LD, por lo cual, el incremento y decremento
permisibles son cero.
 El Gradiente Reducido de una variable está relacionado
con las restricciones que imponen un límite o acotamiento
∆ι
superior o inferior para las variables de decisión
18
20/04/2021
σ
 Un GR negativo para una variable de decisión indica que
aumentar la variable “perjudicará” inicialmente el valor
βο
de la FO en un modelo Max
 Un GR positivo para una variable, indica que aumentar la
variable “perjudicará” inicialmente el valor de la FO de un
modelo Min.
 Si una variable de decisión está en su acotamiento superior
el GR deberá ser no negativo en un modelo Max para que
la solución sea óptima; por lo contrario, disminuir la
variable mejoraría el valor de la FO.

Χο
Si una variable de decisión está en su acotamiento inferior
el GR deberá ser no positivo en un modelo Max para que la
sol sea óptima; por lo contrario, aumentar la variable
mejoraría el valor de la FO.
α
 Si una variable de decisión está en su acotamiento superior
el GR deberá ser no positivo en un modelo Min para que la
solución sea óptima; por lo contrario, aumentar la variable
αν
mejoraría el valor de la FO.

 Si una variable de decisión está en su acotamiento inferior
el GR deberá ser no negativo en un modelo Min; por lo
contrario, disminuir la variable mejoraría el valor de la FO.
 Si una variable de decisión está entre sus acotamientos
superior e inferior , el gradiente reducido deberá ser cero
para que la solución sea óptima.
∆ι
19
20/04/2021
σ
βο
Diana Cobos
Χο
20/04/2021 39
α
αν
∆ι
20
20/04/2021
σ
βο
Diana Cobos
Χο
20/04/2021 41
α
αν
∆ι
21
20/04/2021
σ
 No existe un solo método de optimización preferible para
βο
optimizar la PNL.
 Se podrían contar entre 10 y 15 métodos diferentes de
optimización para la PNL.
 Tres tipos de procedimientos parecen ser los más útiles:
 Gradiente reducido generalizado (GRG)
 Programación lineal sucesiva(PLS)
 Programación cuadrática sucesiva (PCS)
 Solver utiliza un método del tipo GRG




Χο
Los modelos no lineales se dividen en dos clases:
Los que podemos resolver
Los que podemos tratar de resolver

α
αν
∆ι
22
20/04/2021
σ
 Un conjunto convexo de puntos es aquel en el que dado
cualquier par de puntos contenido en el conjunto, el
βο
segmento de recta que los une también está contenido en
su totalidad en el conjunto.
 Los problemas de PNL que podemos aspirar a resolver
deben tener conjuntos de restricciones convexas.
Χο Diana Cobos 20/04/2021 45

α
 En un problema de PNL de dos variables, una función cóncava
tiene la propiedad de que el segmento de recta que conecta dos
puntos cualesquiera de la función nunca entra al espacio ubicado
αν
por arriba de la gráfica.

 Una función convexa en el mismo contexto tiene la propiedad de
que el segmento de recta que conecta dos puntos cualesquiera
de la gráfica de la función nunca entra en el espacio ubicado por
debajo de la gráfica.
∆ι
23
20/04/2021
σ
 Un programa cóncavo es un modelo Max con una función objetivo
cóncava y un conjunto de restricciones convexo.
 Un programa convexo es un modelo Min con una función objetivo
βο
convexa y un conjunto de restricciones convexo.
 Una característica muy importante de los modelos de
programación cóncavos (o convexos) es que para ese tipo de
problemas, cualquier punto óptimo restringido local es también
un óptimo restringido global.
Χο Diana Cobos 20/04/2021 47

α
αν
∆ι
24

01 - Prog No Lin - 200421 - Rev

Cargado por

Información del documento

Descripción original:

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

01 - Prog No Lin - 200421 - Rev

Cargado por

Copyright:

Formatos disponibles

20/04/2021

función objetivo, son lineales.

Aunque esta condición se cumple para muchos

Muchos economistas, por ejemplo, han encontrado

Diana Cobos 20/04/2021 2

De una manera general, el problema de

Y donde f(x) y las son funciones dadas de

En sí no se dispone de un algoritmo que resuelva

A continuación se muestran algunas de las

Diana Cobos 20/04/2021 4

Problema de mezcla de productos con elasticidad

En esta clase de problemas la meta es determinar la mezcla

En algunos casos existe una ganancia unitaria fija asociada a

Diana Cobos 20/04/2021 5

Problema de mezcla de productos con elasticidad en los precios

La ganancia de la empresa por producir y vender x unidades

esta dada por una función no lineal

Diana Cobos 20/04/2021 6

Problema de mezcla de productos con elasticidad en los precios

Problema de transporte con costos por volumen en

Una aplicación común del problema de transporte es determinar

con el fin de minimizar el costo total de transporte.

El costo por unidad enviados de

Diana Cobos 20/04/2021 8

Función del costo del transporte

Aplicaciones de Programación No Lineal

(j=1,2,…,n) esta dado por una función no lineal, entonces la

Aun con esta función objetivo no lineal, es normal que las

al modelo del problema de transporte.

Diana Cobos 20/04/2021 10

Ilustración gráfica de problemas de

Cuando un problema de programación no lineal tiene solo una o

La siguiente figura muestra un problema en el que la segunda

Ilustración gráfica de problemas de Programación no Lineal

Diana Cobos 20/04/2021 12

Ilustración gráfica de problemas de Programación no Lineal

𝑍 = 126𝑥1 − 9𝑥12 + 182𝑥2 − 13𝑥22

Diana Cobos 20/04/2021 14

Ilustración gráfica de problemas de

Entonces la gráfica de la figura anterior indica que la solución

Por otro lado si,

Ilustración gráfica de problemas de

factible. (Se puede comprobar que esta solución es óptima si se

Por lo tanto es necesario que un algoritmo general para resolver

Diana Cobos 20/04/2021 16

Ilustración gráfica de problemas de Programación no Lineal

Ilustración gráfica de problemas de

muestra en la siguiente figura.

En el intervalo 0 ≤ 𝑥 ≤ 5 esta función tiene tres máximos locales

Funciones Cóncavas y Convexas

En cálculo, cuando se maximiza una función ordinaria

Diana Cobos 20/04/2021 20

Los problemas de programación no lineal se presentan de

Maximizar f(x), sobre todos los valores 𝑥 = (𝑥1 , 𝑥2 , … , 𝑥𝑛 )

La condición necesaria para que una solución especifica x = x* sea

Cuando f(x) es CÓNCAVA, esta condición también es suficiente,

Pero cuando se trata de funciones no lineales f(x), estas

Los problemas de optimización linealmente restringida se

El problema se simplifica mucho si sólo se tiene que tomar

Estos tipos de problemas tienen restricciones lineales, pero la

es que algunos términos de la función objetivo incluyen el

Para este caso se han desarrollado muchos algoritmos, con la