Documentos de Académico
Documentos de Profesional
Documentos de Cultura
=
=
= =
= =
m
1 i
j ij
n
1 j
i ij
n 1,..., j ; v x
m 1,..., i ; u x
= =
=
m
i
n
j
ij ij
x c Z
1 1
Ejemplo El Problema del Transporte:
Considrese el problema de transporte mostrado en la figura 1,
donde m=3 orgenes, n=3 destinos, u
1
=2, u
2
=3, u
3
=4, v
1
=5, v
2
=2,
v
3
=2.
Figura 1. Esquema del problema de transporte.
En este caso el sistema es
|
|
|
|
|
|
|
|
.
|
\
|
=
|
|
|
|
|
|
|
|
|
|
|
|
.
|
\
|
|
|
|
|
|
|
|
|
.
|
\
|
=
2
2
5
4
3
2
1 0 0 1 0 0 1 0 0
0 1 0 0 1 0 0 1 0
0 0 1 0 0 1 0 0 1
1 1 1 0 0 0 0 0 0
0 0 0 1 1 1 0 0 0
0 0 0 0 0 0 1 1 1
33
32
31
23
22
21
13
12
11
x
x
x
x
x
x
x
x
x
CX
1,2,3 j i, ; 0 = >
ij
x
Las tres primeras ecuaciones establecen la conservacin del
producto en los tres orgenes y las tres ltimas igualdades, la
conservacin del producto en los tres destinos.
Si se concretan los valores particulares:
Para los costos de envo, el problema consiste en minimizar:
El mnimo de la funcin objetivo es 14, que corresponde a:
|
|
|
.
|
\
|
=
1 2 3
2 1 2
3 2 1
c
33 32 31 23 22 21 13 12 11
2 3 2 2 3 2 x x x x x x x x x Z + + + + + + + + =
|
|
|
.
|
\
|
=
2 0 2
0 2 1
0 0 2
X
Problema de la Planificacin de la
Produccin
Un productor fabrica una pieza, cuya demanda vara en el tiempo,
de acuerdo con la siguiente figura.
Figura 2. Grfico de la demanda en funcin del tiempo.
El productor debe atender la demanda mensual siempre. En
general cualquier problema de planificacin admitir diversas
posibilidades que aseguren que la demanda es convenientemente
atendida:
a) Produccin variable: El fabricante puede producir cada mes
el nmero exacto de unidades que le solicitan.
b) Produccin Constante: El fabricante que debe atender una
demanda que cambia con el tiempo puede producir por encima
de dicho nivel en periodos de baja demanda y almacenar la
sobreproduccin para los periodos de demanda mayor.
Los problemas de esta naturaleza ilustran las dificultades que
surgen cuando objetivos contrarios estn presentes en e un
sistema dado.
1. Datos
n: el nmero de meses a considerar
s
0
: la cantidad almacenada disponible al principio del periodo
considerado
d
t
: el nmero de unidades (demanda) que se solicita en el mes t
s
max
: la capacidad mxima de almacenamiento
a
t
: el precio de venta en el mes t
b
t
: el costo de produccin en el mes t
c
t
: el costo de almacenamiento en el mes t
2. Variables
x
t
: el nmero de unidades producidas en el mes t
s
t
: el nmero de unidades almacenadas en el mes t
3. Restricciones
La demanda d
t
en el mes t debe coincidir con el cambio en el
almacenamiento ,
s
t-1
s
t
, ms la produccin xt en el mes t; la capacidad de
almacenamiento no puede excederse; y la demanda d
t
,
almacenamiento s
t
, y produccin x
t
deben ser no negativas.
1
max
; 1, 2,...,
; 1, 2,...,
, 0
t t t t
t
t t
s x d s t n
s s t n
s x
+ = =
s =
>
4. Funcin a Optimizar
Una posibilidad consiste en maximizar el ingreso despus de
descontar los costes de la variacin de la produccin y los
inventarios.
Otra posibilidad consiste en minimizar los costos de
almacenamiento:
1
( )
n
t t t t t t
t
Z a d b x c s
=
=
1
n
t t
t
Z c s
=
=
|
| |
= = > =
|
| |
|
| |
\ . \ .
|
|
|
|
\ .
Donde el cero en la matriz de la derecha procede a restar la
demanda para t=1 del almacenamiento inicial.
Si se maximiza el beneficio despus de descontar los costos y los
inventarios, y se toma a
t
=3, b
t
=1, c
t
=1, el problema de optimizacin
se convierte en:
Maximizar
Sujeto a las restricciones ya mencionadas.
Resolviendo este problema encontramos que el valor mximo es:
Lo que implica ningn almacenamiento.
1 2 3 4 1 2 3 4
36 Z x x x x s s s s =
1 2 3 4 1 2 3 4
26 para ( , , , , , , , ) (0, 0, 0, 0, 0,3, 6,1)
T
Z x s s s s x x x x = = =
Problema de la Dieta
Se conocen los contenidos nutritivos de ciertos alimentos, sus
precios y la cantidad mnima diaria de nutrientes aconsejada. El
problema consiste en determinar la cantidad de cada alimento que
debe comprarse para satisfacer los mnimos aconsejados y
alcanzar un precio total mnimo.
1. Datos
m: el nmero de nutrientes.
n: el nmero de Alimentos.
a
ij
: la cantidad del nutriente i en una unidad del alimento j.
b
i
: la cantidad mnima del nutriente i aconsejada.
c
j
: el precio de una unidad del alimento j.
2. Variables
x
j
: la cantidad del alimento j que debe adquirirse.
3. Restricciones
Como la cantidad total de un nutriente dado i es la suma de las
cantidades de los nutrientes en todos los alimentos y las
cantidades de alimentos deben ser no negativas, entonces
tenemos:
4. Funcin a Minimizar
En el problema de la dieta se esta interesado en minimizar el
precio de la dieta:
Minimizar
Donde c
j
es el precio unitario del alimento j.
1
; 1,...,
0; 1,...,
n
ij j i
j
j
a x b i m
x j n
=
> =
> =
1
n
j j
j
Z c x
=
=
i j ji ij
f x x
j i ; < s s
ij ij ij
m x m
=
ij
j i ij
x c Z
Ejemplo El Problema de Flujo en Redes:
Considrese el problema de flujo en la red de la figura 3 donde las
flechas indican los valores positivos de las variables del flujo.
Figura 3. Esquema del problema de transporte.
En este caso el sistema es
(7)
Donde se supone que
|
|
|
|
|
.
|
\
|
=
|
|
|
|
|
|
.
|
\
|
|
|
|
|
|
.
|
\
|
4
3
2
1
34
24
14
13
12
1 1 1 0 0
1 0 0 1 0
0 1 0 0 1
0 0 1 1 1
f
f
f
f
x
x
x
x
x
j i ;
j i ;
< s
< s
ij ij
ij ij
m x
m x
2) (7,-4,-1,- ) f , f , f , (f y j, i , 4
4 3 2 1
= < =
ij
m
Supngase adems que . El problema de optimizacin
es minimizar
Sometido a (7). Mediante el software adecuado puede obtenerse la
siguiente solucin:
Esta solucin indica que existe un conjunto de infinitas soluciones,
todas ellas proporcionando el mismo valor ptimo, Z=5.
j i, ; 1 =
ij
c
34 24 14 13 12
x x x x x Z + + + + =
1 0 ;
2
0
4
1
4
) 1 (
2
4
4
3
0
punto el en 5
34
24
14
13
12
s s
|
|
|
|
|
|
.
|
\
|
+
|
|
|
|
|
|
.
|
\
|
=
|
|
|
|
|
|
.
|
\
|
=
x
x
x
x
x
Z
Problema de la Cartera de
Valores
Un inversor es propietario de participaciones de varios valores.
Mas concretamente es dueo de b
i
participaciones de los valores
burstiles A
i
, i=1,2,..m. Los precios actuales de estos valores son
v
i
. Considrese que se pueden predecir los dividendos que se
pagarn al final del ao que comienza y los precios finales de los
diferentes valores burstiles, esto es, A
i
pagar d
i
y tendr un
nuevo precio w
i
.
El objetivo es ajustar la cartera, es decir, el nmero de
participaciones en cada valor, de modo que se maximicen los
dividendos
1. Datos
m: el nmero de valores burstiles
b
i
: el nmero actual de participaciones del valor burstil i
v
i
: el precio actual del valor i por participacin
d
i
: el dividendo que se pagar al final del ao en el valor burstil i
w
i
: el nuevo precio del valor burstil i
r: porcentaje mnimo r del valor actual de toda la cartera que no
debe superarse en el ajuste
s: porcentaje mnimo del valor total actual que no debe superarse
por el valor futuro total de la cartera, para hacer frente a la
inflacin
2. Variables
x
i
: el cambio en el nmero de participaciones del valor burstil i.
3. Restricciones
Se deben asegurar ciertas condiciones que debe satisfacer una
cartera bien equilibrada:
El nmero de participaciones debe ser no negativo
Exigimos que el capital asociado a todo valor concreto, despus
del ajuste, represente al menos una cierta fraccin r del capital
total actual de la cartera
i i
x b >
( ) ( );
i i i j j j
i
r v b x v b x j
| |
+ s +
|
\ .
( ) (1 )
i i i i i
i i
w b x s v b + > +
( )
i i i
i
Z d b x = +
O e
i i
j
j i ij
D p B
i
o o
i
O
i , j , ) (
i
O e s s ij
j i ij
ij P B P o o
i
P
i P
ij P
i
O
2. Variables
p
i
: la energa producida por el generador i.
: el ngulo del bus i.
3. Restricciones: Las restricciones de este problema son
(14)
4. Funcin a minimizar: El objetivo es minimizar el precio total de
la produccin de potencia
(15)
donde C
i
es el precio de la produccin del generador i, y n el
nmero de generadores.
i
o
n 1,2,..., i max; min
,..., 2 , 1 ; j max; ) ( max
,.., 2 , 1 i ; ) (
0
i
= s s
= O e s s
= = +
=
O e
i i
ij j i ij ij
j
i i j i ij
k
P pi P
n i P B P
n D P B
i
o o
o o
o
=
=
n
i
i i
p C Z
1
Ejemplo El Problema de Distribucin de Energa:
Considrese el sistema de la figura 4:
Figura 4. Esquema del problema de Distribucin de Energa.
El generador del bus 1 produce un coste 6 y sus lmites inferiores y
superiores son, respectivamente, 0.15 y 0.6. El coste de produccin
del generador del bus 2 es 7 y sus lmites de potencia son,
respectivamente, 0.1 y 0.4. La lnea 1-2 tiene una susceptancia 2.5 y
un lmite de transmisin mximo de 0.3, la lnea 1-3 tiene una
susceptancia de 3.5 y un lmite de transmisin de 0.5, y, finalmente, la
lnea 2-3 tiene una susceptancia de 3.0 y un lmite de transmisin de
0.4. Este sistema tiene una demanda simple localizada en el bus 3
con un valor de 0.85. Se considera un periodo de una hora, y se toma
como origen el bus 3.
Este problema puede escribirse como:
minimizar
sometido a
Las variables de optimizacin son p
1
, p
2
, y .
La solucin de este problema es:
La solucin ptima requiere que el generador 1 produzca 0.565 y
el generador 2 produzca 0.285.
2 1
7 6 p p +
5 . 0 ) ( 5 . 3 5 . 0
4 . 0 ) ( 0 . 3 4 . 0
3 . 0 ) ( 5 . 2 3 . 0
4 . 0 10 . 0
6 . 0 15 . 0
85 . 0 ) ( 0 . 3 ) ( 5 . 3
0 ) ( 5 . 2 ) ( 0 . 3
0 ) ( 5 . 2 ) ( 5 . 3
0
3 1
3 2
2 1
2
1
3 2 3 1
2 2 1 2 3
1 1 2 1 3
3
s s
s s
s s
s s
s s
= +
= + +
= + +
=
o o
o o
o o
o o o o
o o o o
o o o o
o
P
P
p
p
1
o
2
o
T T
.117,0) (-0.143,-0 , 85) (0.565,0.2 p , 385 . 5 = = = o Z
Introduccin a la Programacin
Lineal
Problema de Programacin Lineal (PPL): La forma mas
general de un problema de programacin lineal consiste en
minimizar o maximizar:
Sujeto a:
donde p ,q y m son enteros positivos tales que .
Solucin Factible: Un punto
que satisface todas las restricciones se denomina solucin factible.
El conjunto de todas esas soluciones es la regin de factibilidad.
=
= =
n
j
j j
x c X f Z
1
) (
=
=
=
= s
= >
= =
n
j
i j ij
n
j
i j ij
n
j
i j ij
b x a
b x a
b x a
1
1
1
1 - 1,2,...p i ,
1 - 1,2,...p i ,
1 - 1,2,...p i ,
m q p s s s 1
) ,..., , (
2 1 n
x x x X =
Solucin ptima: Un punto factible tal que para
cualquier otro punto factible X se denomina una solucin ptima
del problema.
Tpicamente n es mucho mayor que m. Lo que distingue a un PPL
de otros problemas de optimizacin es que todas las funciones que
aparecen son lineales.
En un PPL la regin factible es un Politopo o un Poliedro.
El objetivo de los problemas de optimizacin es encontrar un
ptimo global. Sin embargo, las condiciones de optimalidad
garantizan por lo general ptimos locales. Sin embargo, los PPL
presentan propiedades que hacen posible garantizar el ptimo
global:
o Si la regin factible esta acotada, el problema siempre tiene una
solucin (condicin suficiente pero no necesaria).
o El ptimo de un PPL es siempre un ptimo global.
o Si x e y son ptimos de un PPL, entonces cualquier
combinacin lineal de ellos es tambin un ptimo. Ntese que
una combinacin lineal convexa de ptimos no cambia el valor
de la funcin objetivo.
o La solucin ptima se alcanza siempre, al menos, en un punto
extremo de la regin factible.
X
~
)
~
( ) ( X f X f >
Ejemplo Solucin nica:
Maximizar
Sometido a
tiene por solucin nica Z=12, que se alcanza en el punto P=(3,3)
Figura 5. Ejemplo Solucin nica.
2 1
3 x x Z + =
0
1
0
4 2
3
6
2
1
2 1
2
2 1
1
2 1
2 1
s
s
s
s
s
s +
s +
x
x x
x
x x
x
x x
x x
Ejemplo Solucin Mltiple:
Si la funcin objetivo del problema anterior se reemplaza por:
el problema tiene mltiples soluciones
Figura 6. Ejemplo Solucin Mltiple.
En efecto, cualquier punto del segmento con extremos en los
puntos (2; 4)
T
y
(3; 3)
T
da la solucin ptima del problema (Z = 6).
2 1
3 x x Z + =
Ejemplo Solucin No Acotada:
Maximizar
Sometido a
tiene solucin no acotada
Figura 7. Ejemplo No Acotada.
2 1
3 x x Z + =
0
1
0
2
1
2 1
2
2 1
s
s
s
s +
x
x x
x
x x
Ejemplo Solucin No Factible:
Maximizar
Sometido a
No tiene solucin factible porque la nueva restriccin
no es compatible con las anteriores.
2 1
3 x x Z + =
0
2 1
s + x x
0
0
1
0
4 2
3
6
2
2 1
1
2 1
2
2 1
1
2 1
2 1
s +
s
s
s
s
s
s +
s +
x x
x
x x
x
x x
x
x x
x x
Problema en la Forma
Estndar
Un PPL definido en la forma:
Minimizar
Sometido a
Se dice que est en forma estndar. Ello implica:
1. La funcin objetivo debe minimizarse.
2. las restricciones deben ser de igualdad.
3. El vector debe ser no negativo.
4. Las variables x deben ser no-negativas.
Cualquier problema puede ponerse en forma estndar.
X C Z
T
=
o x
b Ax
>
=
m
b 9 e
Paso a un Problema de Minimizacin:
Un problema de maximizacin puede convertirse en uno de
minimizacin cambiando el signo de la funcin objetivo. El
problema:
Maximizar
es equivalente al problema
Minimizar
sometidos ambos a las mismas restricciones.
Paso a Variables No Negativas:
El conjunto de r variables no restringidas puede escribirse
en funcin de otro conjunto de r + 1 variables no
negativas:
De esta forma se aade una variable en vez del mtodo usual de
aadir r nuevas variables.
Paso a Restricciones de Igualdad:
Se puede conseguir usando variables de holgura:
X C Z
T
= max
X C Z
T
= max
{ }
r
x x ,...,
1
{ }
* * *
, ,...,
1
x x x
r
1,2,...r i ;
* *
= = x x x
i
i
o La desigualdad:
con , equivale a la igualdad
o La Desigualdad:
con , equivale a la igualdad
i n in i i
b x a x a x a s + + + ...
2 2 1 1
0
1
>
+ n
x
i n n in i i
b x x a x a x a = + + + +
+1 2 2 1 1
...
i n in i i
b x a x a x a > + + + ...
2 2 1 1
0
1
>
+ n
x
i n n in i i
b x x a x a x a = + + +
+1 2 2 1 1
...
Ejemplos Transformacin a la Forma Estndar:
o Maximizar
sometido a
Este problema en la forma estndar es
Minimizar
sometido a
o Maximizar
sometido a
3 2 1
5 3 2 x x x Z + =
0 ,
3 3
2
2 1
3 2 1
2 1
>
> +
s +
x x
x x x
x x
) ( 5 3 2
7 6 2 1
x x x x Z + =
0 , , , , ,
3 ) ( 3
2
7 6 5 4 2 1
5 7 6 2 1
4 2 1
>
= +
= + +
x x x x x x
x x x x x
x x x
3 1
3 x x Z =
0
1
1
1
1
3 1
3 2 1
3 2 1
>
> +
s
= + +
x
x x
x x x
x x x
Este problema en la forma estndar es
Minimizar
sometido a
3 3 1
3 z y x Z + =
0 , , , , , , ,
1
1
1
2 1 3 3 2 2 1
2 3 3 1
1 3 3 2 2 1
3 3 2 2 1
>
= +
= + + +
= + +
u u z y z y x
u z y x
u z y z y x
z y z y x
El Mtodo Simplex
Sea el PPL:
Minimizar
Sujeto a
Donde es una matriz de costos y A es una matriz
de m x n.
El mtodo simplex (MS) consta de dos etapas:
o Etapa de Iniciacin
El conjunto inicial de restricciones se transforma en otro
equivalente de igualdades, asociadas a una solucin bsica.
Los valores de las variables bsicas se transforman en no
negativos (se obtiene una solucin bsica factible). Esta
etapa se llama reguladora.
x c x f
T
= ) (
, 0
, 0 ;
>
> =
x
b b Ax
T
n
c c c c ) ,..., , (
2 1
=
o Etapa de Iteraciones Estndar
En esta etapa los coeficientes de la funcin de costo se
transforman en no positivos y el valor de la funcin de costo se
mejora iterativamente, hasta obtener la solucin ptima, se
detecta solucin no factible, o solucin no acotada. En este
proceso iterativo se obtienen diferentes soluciones factibles.
Para este fin se utiliza la llamada transformacin elemental de
pivotaje.
Fase de Iniciacin: Una de las peculiaridades del SM consiste en
incorporar una nueva variable Z, igual a la funcin objetivo del
problema, y la restriccin asociada
Las restricciones son
Y la funcin objetivo
Donde (B N) es una particin de la matriz A, y XB y XN definen
otra particin de x, en variables bsicas y no bsicas,
respectivamente.
n n
x c x c Z + + = ...
1 1
b
x
x
N B
N
B
=
|
|
.
|
\
|
) (
|
|
|
.
|
\
|
=
N
B
T
N
T
B
x
x c c Z
1
) 0 (
Usando la ecuacin de restricciones podemos obtener
donde
Ahora, de la ecuacin de la funcin objetivo y la anterior ecuacin
obtenemos
donde
Para obtener
N N B
N B
Ux v Nx B b B x
b Nx Bx
+ = =
= +
1 1
N B U
b B v
1
1
=
=
N
N
T
N
T
B
T
B
N
T
N N
T
B
wx u Z
x c U c v c Z
x c Ux v c Z
+ =
+ + =
+ + =
0
) (
) (
T
N
T
B
T
B
c U c w
v c u
+ =
=
0
|
|
.
|
\
|
|
|
.
|
\
|
=
|
|
.
|
\
|
N B
x U v
w u
x
Z 1
0
El MS comienza con el conjunto de restricciones
Donde es una particin del conjunto de variables
. Las matrices
se obtienen resolviendo las restricciones en x
B
donde son los coeficientes de costo asociados a x
B
y x
N
,
respectivamente.
Podemos entonces obtener un nuevo conjunto equivalente de
restricciones con la misma estructura
donde t se refiere al nmero de la iteracin y t=0 es la iteracin
inicial.
|
|
|
.
|
\
|
=
|
|
|
.
|
\
|
|
|
|
|
.
|
\
|
+ =
|
|
|
.
|
\
|
N N B
x
Z
x U v
w u
x
Z
T
1 1
) 0 (
) 0 ( ) 0 (
) 0 ( ) 0 (
0
N B
x x { }
n
x x x ,... 2 , 1
) 0 ( ) 0 (
y U v
T
N
T
B
T
B
c U c w V C U + = =
) 0 ( ) 0 ( ) 0 ( ) 0 (
,
T
N
c y
T
B
c
|
|
|
.
|
\
|
=
|
|
|
.
|
\
|
|
|
|
|
.
|
\
|
+ =
|
|
|
.
|
\
|
) (
) (
) ( ) ( ) (
) ( ) (
) (
) (
1 1
0
t
t
t t t
t t
t
t
N N
T
B
x
Z
x U v
w u
x
Z
Programacin No Lineal
El problema ms general de programacin no lineal (PPNL), puede
plantearse como:
Minimizar
Sujeto a
En forma compacta el modelo anterior puede escribirse:
Minimizar
Sujeto a
) ,..., (
1 n
x x f Z =
0 ) ,..., (
0 ) ,..., (
0 ) ,..., (
0 ) ,..., (
1
1 1
1
1 1
s
s
=
=
n m
n
n l
n
x x g
x x g
x x h
x x h
) (x f Z =
0 ) (
0 ) (
s
=
x g
x h
Donde es el vector de las variables de decisin,
es la funcin objetivo, y y , donde
y
son las restricciones de desigualdad y de
igualdad, respectivamente.
La figura 8a muestra que el mnimo del problema se alcanza en el
conjunto de puntos en los que la tangente es horizontal.
Figura 8. Mnimos Locales y Globales.
Sin embargo, si se busca el mnimo de la funcin:
en , se encuentra uno con dificultades, pues no tiene puntos con
derivada nula. Sin embargo, el hecho de que f tienda a cero
cuando x tiende a y que tome valores negativos, indica que f
debe alcanzar su mnimo en algn lugar.
T
n
x x x ) ,..., (
1
=
9 9
n
f :
m n
g 9 9 :
l n
h 9 9 :
T
m
x g x g x g )) ( ),..., ( ( ) (
1
=
T
l
x h x h x h )) ( ),..., ( ( ) (
1
=
3 / 2 3 / 2
) 2 ( ) 2 ( ) ( + = x x x f
9
Un anlisis ms profundo de f revela que el mnimo se alcanza en
, pero f no es diferenciable en este punto. Este simple ejemplo
muestra que se debe tener especial cuidado cuando las funciones
que intervienen no son diferenciables.
Figura 9. Grafica de la funcin .
Hay adems otro problema igualmente relevante, referente a los
problemas no lineales diferenciables. Para ilustrarlo, se considera
la funcin objetivo siguiente
Figura 10. Grafica de la funcin .
2 = x
3 / 2 3 / 2
) 2 ( ) 2 ( ) ( + = x x x f
) cos (sin 10 ) 10 / 1 ( ) (
2
x x x x x f + =
Esta funcin es diferenciable en todo , pero tiene un conjunto
infinito de puntos con tangente horizontal (puntos en los que f(x) =
0). Estos puntos reciben el nombre de puntos estacionarios y
todos ellos, salvo uno, son ptimos locales. Puesto que si se
restringe la atencin a un pequeo entorno de ellos, se convierten
en mximos o mnimos locales. La ecuacin f(x) = 0 no puede ser
resuelta en forma cerrada, por lo que se deben utilizar mtodos
numricos. La existencia de un conjunto infinito de puntos
candidatos y la ausencia de un mtodo para generarlos
explcitamente, conducen a la imposibilidad de conocer, con total
certidumbre, si un determinado candidato es el ptimo global.
Estamos interesados en la clase de funciones tales que sus
mnimos locales sean tambin globales. En la figura se da una
funcin que no cumple esta condicin. Hay puntos en el intervalo
que estn por encima del segmento que une los mnimos. La
convexidad es aqu suficiente para evitar este comportamiento.
Para ser convexa se exige que el grafo est por debajo del
intervalo que une los extremos.
Figura 11. Ilustracin de la Propiedad de Convexidad
9
| |
*
, x x
Un PPNL puede no tener solucin por:
1. La funcin no es acotada en S. Por ejemplo, f(x) = x, donde
decrece sin lmite hasta cuando x tiende a . En este caso se
escribe
2. La funcin es acotada en S pero no se alcanza la cota inferior:
en S. Por ejemplo, la funcin est acotada en y la
cota inferior es 0 pero es inalcanzable por f(x).
Teorema 1 (Existencia de Soluciones ptimas)
Sea S un conjunto cerrado, acotado y no vaco de y
una funcin continua. El problema
Minimizar
Sujeto a
admite al menos una solucin ptima.
Corolario 1 (Existencia de Soluciones ptimas)
Sea S un conjunto cerrado y no vaco (posiblemente no acotado)
de y una funcin continua.
9 e x
=
e
- ) ( nfimo
S x
x f
) ( nfimo
S x
x f
e
x
e x f
= ) (
9 = S
n
9 9 S f :
) (x f Z =
S xe
n
9
9 S f :
Si tenemos:
Entonces el problema es:
Minimizar
sujeto a
admite al menos una solucin ptima.
Estos resultados pueden hacerse ms explcitos cuando la funcin
f es convexa.
Definicin 1 (Mnimo global)
Una funcin f(x) tiene un mnimo global (mnimo global estricto) en
el punto , de S, si para todo x en S.
Definicin 2 (Mnimo local)
Una funcin f(x) tiene un mnimo local (mnimo local estricto) en el
punto , de S, si existe un nmero positivo tal que
(respectivamente, ) para todo x en S tal que
.
+ =
e
) ( lim
,
x f
S x x
) (x f Z =
S xe
x
c
)) ( ) ( ( ) ( ) (
* *
x f x f x f x f < s
*
x
) ( ) ( x f x f s ) ( ) ( x f x f <
c < < x x 0
De ello se concluye que un mnimo global es tambin un mnimo
local. En una dimensin es fcil ilustrar los conceptos anteriores.
En la figura 11, S es el segmento . es el conjunto
de los mnimos locales, y es el conjunto de los mnimos
globales.
Figura 12. Una funcin con tres mnimos locales y dos globales.
Definicin 3 (Diferenciabilidad)
Se dice que es diferenciable en x si existen las
derivadas parciales y
, y
donde es el gradiente de f en x.
| | b a, { }
2 1
, , x x a S = { }
2
*
, x a S =
9 9
n
f :
,
i
x
f
c
c
n 1,..., i =
0
) ( ) ( ) ( ) (
lim =
x y
x y x f x f y f
T
x y
T
n
x
x f
x
x f
x f
|
|
.
|
\
|
c
c
c
c
= V
) (
,...,
) (
) (
1
Definicin 4 (Diferenciabilidad continua)
Una funcin f se dice continuamente diferenciable en si todas las
derivadas parciales son continuas en . En este caso, tambin es
diferenciable.
Se considera el siguiente PPNL:
Minimizar
(1)
sujeto a
(2)
donde con y
son funciones continuamente diferenciables en la regin factible
x
x
) (x f Z =
0 ) (
0 ) (
s
=
x g
x h
l n n
: h , : g , : 9 9 9 9 9 9
m n
f ( )
T
m
x g x g x g ) ( ),..., ( ) (
1
= ( )
T
l
x h x h x h ) ( ),..., ( ) (
1
=
{ } 0 g(x) , 0 ) ( s = = x h x S
Condiciones de Karush-Kuhn-
Tucker (CKKT)
Las condiciones de Karush, Kuhn and Tucker constituyen el
resultado ms importante de programacin no lineal. Deben ser
satisfechas por cualquier ptimo restringido, sea ste local o
global, y para cualquier funcin objetivo, ya sea lineal o no lineal.
Adems, los criterios de parada de los mtodos iterativos se basan
en estas condiciones. Mientras que en los problemas
diferenciables sin restricciones el gradiente se anula en los
mnimos locales, esto no ocurre para problemas con restricciones,
tal como ilustra la figura 11 en el punto . Esto se debe a las
restricciones del problema. Las condiciones de Karush-Khun-
Tucker generalizan las condiciones necesarias de ptimo para los
problemas con restricciones.
Figura 13. En problemas restringidos diferenciables el gradiente no es
necesariamente cero en la solucin ptima
a x =
Definicin 5 (Condiciones de Karush-Kuhn-Tucker):
El vector satisface las condiciones de Karush-Khun-Tucker
para el PPNL (1)-(2) si existe un par de vectores y
tales que
(3)
(4)
(5)
(6)
(7)
Los vectores y son los multiplicadores de Khun-Tucker. La
condicin (6) es la condicin complementaria de holgura. La (7) son
las condiciones duales de factibilidad y requieren la no-negatividad
de los multiplicadores de las restricciones de desigualdad. Las
condiciones (4)-(5) se llaman condiciones primales de factibilidad.
Con el Lagrangiano las condiciones
KKT se escriben como
n
x 9 e
m
9 e
l
9 e
m 1,..., j , 0
m 1,..., j , 0 ) (
l 1,..., k , 0 ) (
m 1,..., j , 0 ) (
0 ) ( ) ( ) (
1 1
= >
= =
= =
= s
= V + V + V
= =
j
j j
k
j
m
j
j j
l
k
k k
x g
x h
x g
x g x h x f
) ( ) ( ) ( ) , , ( x g x h x f x L
T T
+ + =
0 ) , , (
0 ) , , (
0 ) , , (
s V
= V
= V
x L
x L
x L
x
0
0 ) , , (
>
= V
x L
T
Figura 14. Ilustracin de las condiciones de KarushKuhnTucker para el caso de
una restriccin de igualdad y dos variables.
Figura 15. Ilustracin de las condiciones de KarushKuhnTucker para el caso de
dos restricciones de desigualdad y dos variables.
Casos Especiales
Si falta una restriccin en un PPNL, el multiplicador asociado a la
restriccin ausente" es nulo, y la restriccin se elimina de la
formulacin de las condiciones de KKT. En estos casos resulta:
1. (Problemas sin restricciones) En este caso solo se tiene la
condicin:
2. (Problemas con restricciones de igualdad solamente) Las
condiciones de KKT son una extensin del principio clsico del
mtodo de los multiplicadores de Lagrange. Este mtodo slo
surge con problemas que nicamente tienen restricciones de
igualdad:
0 ) ( = V X f
l k X h
X h X f
k
k
l
k
k
,..., 1 , 0 ) (
0 ) ( ) (
1
= =
= V + V
=
3. (Problemas con restricciones de desigualdad solamente)
Las condiciones de KKTC son:
m 1,..., j , 0
m 1,..., j , 0 ) (
m 1,..., j , 0 ) (
0 ) ( ) (
1
= >
= =
= s
= V + V
=
j
j j
j
m
j
j j
X g
X g
X g X f
Ejemplo
Minimizar
sujeto a
Sean los multiplicadores asociados a la igualdad y las
desigualdades, respectivamente. Las condiciones de KKT son:
1. La condicin de estacionariedad del Lagrangiano es:
(8)
2. Las condiciones primales de factibilidad:
(9)
2 1
x x Z + =
0
0
0 4
0
2
1
2
2
2
2
2
1
1
s
s
s +
= +
x
x
x x
x x
3 2 1
y , ,
|
|
.
|
\
|
=
|
|
.
|
\
|
+
|
|
.
|
\
|
+
|
|
.
|
\
|
+
|
|
.
|
\
|
+
|
|
.
|
\
|
0
0
1
2
1
0
0
1
2
2
1
1
1
3 2
2
1
1
x
x
x
0
0
0 4
0
2
1
2
2
2
2
2
1
1
s
s
s +
= +
x
x
x x
x x
3. Las condiciones complementarias de holgura son:
(10)
(11)
(12)
3. Las condiciones duales de factibilidad son:
(13)
Caso I: . Si entonces usando (11), x
1
= 0, y (8) implica
que
Puesto que y no se cumple la condicin (13), entonces los
puntos KKT deben satisfacer .
Caso II: , y . Si entonces usando (12), x
2
= 0, y
la relacin
de (9) se obtiene x
1
= 0, y con (8) resulta
por lo que todo punto KKT debe satisfacer .
0 ) (
0 ) (
0 ) 4 (
2 3
1 2
2
2
2
1 1
=
=
= +
x
x
x x
0 , ,
3 2 1
>
0
2
= 0
2
=
0 2 1
0 1
3 1 2
2
= + +
=
x
1
2
=
0
2
=
0
3
= 0
2
=
0
3
=
0
2
2
1
= + x x
0 1=
0
3
=
Caso III: , y . Si entonces usando (10)
resulta , y con la condicin de factibilidad, resulta el
sistema de ecuaciones:
La nica condicin que satisface el sistema (9) es ,
donde y, con (8) resulta:
cuya solucin es:
que es un punto KKT
Caso IV: .Usando (8), resulta el sistema de
ecuaciones
y se obtiene la solucin y . De (9), se obtiene
, y puesto que se trata de un punto factible, es tambin un punto
KKT.
0
1
= 0
3 2
= = 0
1
= 0 4
2 2
1
2
= + x x
0
0 4
2
2
1
2 2
1
2
= +
= +
x x
x x
( ) o o , = x
2
17 1+
= o
0 2 1
0 2 2 1
1
1
= + +
= +
o
o o
) 2 1 ( 2
2
2
1
0
) 2 1 ( 2
2
1
o o
o o
o
o o
o o
=
>
+
=
0
3 2 1
= = =
0 1
0 2 1
1
= +
=
x
1 = 2 / 1
1
= x
4 / 1
2
1 2
= = x x
Definicin 6 (Restriccin Activa)
Sea , y . La restriccin de desigualdad se
dice que es una restriccin activa en el punto si ; por
otro lado, se dice inactiva si
El conjunto de los ndices de las restricciones activas se denota
por , es decir
Lema 1: Las CKKT son necesarias para un ptimo local de la
mayora de PPNL.
n
x 9 e { } m j ,..., 1 e
x 0 ) ( = x g
j
0 ) ( s x g
j
. 0 ) ( < x g
j
) (x I
{ } 0 ) ( ) ( = = x g j x I
j
Condiciones Suficientes
Definicin 7 (Funcin Convexa)
Sea , donde S es un conjunto convexo no vaco de . La
funcin f se dice que es convexa en S si para cada par de puntos
x
1
y x
2
y cualquier escalar t tal que
0t1, se tiene
Si se cumple la desigualdad estricta anterior, f se dice que es
estrictamente convexa. Similarmente, una funcin f es cncava si
la desigualdad se cumple con la desigualdad se cumple al revs,
es decir, si (-f) es convexa.
Teorema 2 ( ptimo global y local)
Considrese la funcin convexa , donde S es un conjunto
convexo no vaco de . Todo mnimo local de f en S es tambin un
mnimo global de f en S. Adems, si f es estrictamente convexa
hay a lo sumo un nico mnimo global.
9 S f :
n
9
) ( ) 1 ( ) ( ) ) 1 ( (
2 1 2 1
X f t X tf X t tX f + s +
9 S f :
n
9
Las figuras 16, 17 y 18 muestran ejemplos de funciones convexa,
cncava y otra no convexa no cncava.
Figura 16. Ejemplo Funcin Convexa. Figura 17. Ejemplo
Funcin Cncava.
Figura 18. Ejemplo Funcin No Convexa, No
Cncava.
Teorema 3 (Convexidad y diferenciabilidad)
Sea un conjunto convexo y diferenciable en S.
Entonces f es convexa en S si:
Adems, f es estrictamente convexa en S si:
Definicin 8 (Funcin dos veces diferenciable)
Se dice que es dos veces diferenciable en el punto X si
existe un vector columna , y una matriz n x n , tal
que
La matriz se llama la matriz Hesiana de f en el punto X. El
elemento ij de
es la segunda derivada parcial . Por otra
parte, si las derivadas parciales son continuas, entonces f se dice
dos veces continuamente diferenciable y, entonces es una
matriz simtrica.
n
S 9 c
9 9
n
f :
S X X X X X f X f X f
T
e V >
2 1 1 2 1 2 1
, ); ( ) ( ) ( ) (
2 1
2 1 1 2 1 2 1
con , ); ( ) ( ) ( ) ( X X S X X X X X f X f X f
T
= e V >
9 9
n
f :
) (X f V
) (
2
X f V
0
) )( ( ) (
2
1
) ( ) ( ) ( ) (
lim
2
2
=
V V
X Y
X Y X f X Y X Y X f X f Y f
T T
x y
) (
2
X f V
) (
2
X f V
j i
X X X f c c c / ) (
2
) (
2
X f V
Definicin 9 (Matriz semidefinida positiva)
Una matriz simtrica A es semidefinida positiva si para
cualquier vector X. Adems, si la igualdad se cumple slo
cuando x = 0, entonces A se llama definida positiva.
Teorema 4 (Funciones convexas)
Sea un conjunto abierto y convexo y sea dos
veces diferenciable en S. Entonces, se cumple:
1. f es una funcin convexa en S si es una matriz
semidefinida positiva para todo , es decir
2. f es una funcin estrictamente convexa en S si es una
matriz definida positiva para todo , es decir
0 > AX X
T
0 = AX X
T
n
S 9 c
9 9
n
f :
)
~
(
2
X f V
S X e
~
n 2
Y ; 0 )
~
( 9 e > V Y X f Y
T
)
~
(
2
X f V
S X e
~
n 2
Y ; 0 )
~
( 9 e > V Y X f Y
T
Algunas funciones convexas importantes son:
1. Funciones Afines:
Sea , donde , , es una funcin afn.
Entonces, la matriz Hesiana es para todo . Puesto
que esta funcin satisface el Teorema 4, es una funcin convexa.
Ntese que f es tambin cncava puesto que
es igual a cero.
2. Formas cuadrticas:
Sea una forma cuadrtica. Si la matriz C es
semidefinida positiva, entonces f es una funcin convexa, ya
que la matriz Hesiana de f es
para todo X.
a X b X f
T
+ = ) (
b a y 9 e
n
X 9 e
0 )
~
(
2
= V X F
n
X 9 e
~
)
~
)( (
2
X f V
a X b CX X X f
T T
+ + =
2
1
) (
C X f = V ) (
2
Las operaciones que conservan la convexidad son:
1. Combinaciones lineales no negativas de funciones
convexas.
Sean f
i
(X), i = 1,, k funciones convexas, y sean , i = 1,,
k escalares positivos. Considrese la funcin .
Puesto que la suma de matrices semidefinidas positivas es
tambin semidefinida positiva, entonces h es una funcin convexa.
2. Composicin primera.
Si h es convexa y T es una transformacin lineal (o afn), la
composicin g = h(T)
tambin es convexa.
3. Composicin segunda
Si g es convexa, y h es una funcin convexa no decreciente de una
variable, la composicin f = h(g) tambin es convexa.
4. Supremo
El supremo de una familia de funciones convexas es tambin una
funcin convexa.
i
=
=
k
i
i i
X f X h
1
) ( ) (
Condiciones Suficientes de
Karush-Kuhn-Tucker
Lema 2 (Problema de programacin convexa)
Considrese el problema de programacin convexa (PPC):
Minimizar
sujeto a
donde f es convexa y diferenciable y S es un conjunto convexo.
Entonces es un ptimo global si
Teorema 5 (Suficiencia de las condiciones de Karush-Khun-
Tucker)
Considrese el PPNL
Minimizar
sujeto a
) (X f Z =
S X e
S X e *
S X X X X f
T
e > V , 0 *) ( *) (
) (X f Z =
0 ) (
0 ) (
s
=
X g
X h
Supngase que existe una tripleta que satisface
las CKKT. Sea
. Supngase que f(X), g
i
(X) para todo
y h
k
(X) para todo son funciones convexas en , y que h
k
(X)
para todo son funciones cncavas en . Entonces es
una solucin global del PPNL.
Ejemplo 1 Caso Especial sin Restricciones:
Sea convexa en y diferenciable en x
*
. Entonces x
*
es
una solucin global ptima del problema
Minimizar
si
La clase ms importante de PPNL para los que las CKKT son
siempre necesarias y suficientes es la de los llamados programas
convexos (PC), que consisten en minimizar una funcin objetivo
convexa con un conjunto de restricciones tales que las
desigualdades son funciones convexas y las igualdades funciones
afines, es decir:
) , , ( X
{ } { } 0 y 0 < = > =
+
k k
k K k K
) (X I i e
+
eK k
n
9
eK k
n
9 X
9 9
n
f :
n
9
n
x x f Z 9 e = ), (
0 ) (
*
= V x f
Minimizar
Sujeto a
donde f y g son funciones convexas y continuamente
diferenciables, y h es una funcin afn. Un caso particular
importante es el problema de programacin lineal, por lo que los
resultados anteriores son totalmente aplicables a este problema.
En muchos casos tenemos el problema
Minimizar
donde r(x) y s(y) son funciones de dos variables x e y,
respectivamente. Puesto que y no estn restringidos, se trata
de un problema sin restricciones, y las CKKT son:
) (x f Z =
0 ) (
0 ) (
s
=
x g
x h
2
)) ( ) ( ( ) , (
+ =
i
i i
y s x r f | o | o
|
= + =
c
c
= + =
c
c
i
i i
i
i i i
y s x r
f
x r y s x r
f
0 )) ( ) ( (
) , (
0 ) ( )) ( ) ( (
) , (
| o
o
| o
| o
o
| o
Mediante un reordenamiento de las anteriores Ecuaciones
podemos obtener:
La solucin del sistema es:
Teniendo en cuenta que maximizar una funcin es lo mismo que
minimizar la misma funcin cambiada de signo, el problema
consiste en
Minimizar
sujeto a
( )
( )
= +
= +
i
i
i
i
i
i
i
i
i
i
i
y s n x r
y s x r x r x r
| o
| o
) (
) ( ) ( ) (
2
) ) ) ( ( ) ( (
) ( ) ( ) ( ) ( ) (
) ) ) ( ( ) ( (
) ( ) ( ) ( ) (
2 2
2
2 2
=
i i
i i
i i
i i i
i i
i i
i i
i i
i i
i i
i
i i
x r x r n
y s x r x r y s x r
x r x r n
y s x r y s x r n
|
o
| o
2 1
x x Z =
0
0
2
1
2 1
s
s
= +
x
x
C ax x
donde son constantes, tales que , x1 y x2
son los niveles de inversin y de trabajo, respectivamente, y
es la funcin de Cobb Douglas, que da el nivel de produccin
como funcin de ambas variables, y a es el coste por unidad de
trabajo. Adems hay una restriccin de dinero disponible C. Este
es un PPC, pues las restricciones son lineales y la funcin objetivo
es convexa.
0 , 0 > > | o 1 s + | o
| o
2 1
) 2 , 1 ( x x x x f =
Bibliografa
Formulacin y Resolucin de Modelos de Programacin Matemtica en
Ingeniera y Ciencia, Enrique Castillo, Antonio J. Conejo, Pablo
Pedregal, Ricardo Garca, Natalia Alguacil, 2002.