Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
económica.
1
20/04/2021
Conceptos básicos
σ
de Programación No Lineal
βο
solución del problema:
max f(x)
Sujeta a
decisión.
Diana Cobos
Χο , que consta de n variables de
20/04/2021 3
Conceptos básicos
α
de Programación No Lineal
αν
2
20/04/2021
σ
Aplicaciones de Programación No Lineal
βο
en los precios
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
3
20/04/2021
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
4
20/04/2021
σ
βο
Diana Cobos
Χο 20/04/2021 9
5
20/04/2021
σ
Programación no Lineal
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:
Diana Cobos
Χο
restricción es una función no lineal 9𝑥12 + 5𝑥22 ≤ 216 . La solución
es 𝑥1 , 𝑥2 = 2,6
20/04/2021 11
6
20/04/2021
σ
Ilustración gráfica de problemas de
Programación no Lineal
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
7
20/04/2021
σ
Programación no Lineal
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.)
Diana Cobos
Χο 20/04/2021 15
8
20/04/2021
σ
βο
Diana Cobos
Χο 20/04/2021 17
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.
Diana Cobos 20/04/2021 18
9
20/04/2021
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.
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.
Diana Cobos 20/04/2021 19
α
αν
∆ι
10
20/04/2021
σ
Tipos de Programación no Lineal
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
11
20/04/2021
σ
Optimización Linealmente Restringida
βο
la programación lineal, de manera que todas las funciones
de restricción 𝑔𝑖 𝑥 son lineales, pero la función objetivo es
no lineal.
Diana Cobos
Χο 20/04/2021 23
α
Programación cuadrática
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
13
20/04/2021
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:
Diana Cobos
Χο 20/04/2021 27
α
Programación No Convexa
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
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.
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.
16
20/04/2021
σ
βο
Diana Cobos
Χο 20/04/2021 33
α
Celdas de variables
Final Reducido
αν
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
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.
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
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.
Diana Cobos 20/04/2021 37
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
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)
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.
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.
24