Documentos de Académico
Documentos de Profesional
Documentos de Cultura
N
L
O
E
I
D E
C
O D
A AL
M
M E
A N
R LI
G
O O
R
N
P
CURSO:
INVESTIGACION
OPERATIVA II
ALUMNA:
AMADO SALVADOR
GINA V.
INVESTIGACION OPERATIVA II
INTRODUCCION
MTODO DE
RECURRENCIA
VENTAJAS
PROGRAMACION
NO LINEAL
TIPOS DE
PROBLEMAS DE
PROGRAMACION
NO LINEAL
CARACTERISTICAS
FORMULACIN Y
RESOLUCIN DE
MODELOS
MATEMTICOS CON
RESTRICCIONES U
OBJETIVOS NO
LINEALES
INVESTIGACION OPERATIVA II
INTRODUCCION
La programacin no lineal y la
programacin lineal, tiene como finalidad
proporcionar los elementos para encontrar
los puntos ptimos para una funcin
objetivo. En este planteamiento, tanto la
funcin objetivo como las restricciones
son no lineales.
Se presenta un problema de programacin
no lineal cuando tanto la funcin objetivo
que debe optimizarse, como las
restricciones del problema, o ambas, tienen
forma de ecuaciones diferenciales no
lineales, es decir, corresponden a
ecuaciones cuyas variables tienen un
exponente mayor que 1.
INVESTIGACION OPERATIVA II
VENTAJAS DE LA PROGRAMACION NO
LINEAL
Las ventajas ms importantes de la programacin no
lineal son dos:
INVESTIGACION OPERATIVA II
Tipos De Problemas De
Programacion NoLineal
Optimizacin no restringida.
Optimizacin linealmente restringida.
Programacin cuadrtica
Programacin convexa.
Programacin separable.
Programacin no convexa.
Programacin geomtrica.
Programacin fraccional.
INVESTIGACION OPERATIVA II
OPTIMIZACION NO RESTRINGIDA
Los problemas de optimizacin no restringidano tienen restricciones, por lo
que la funcin objetivo es sencillamente
Maximizar f(x)
sobretodos los valores x= (x1,x2,,xn). la condicinnecesaria para que una
solucin especfica x = x* sea ptima cuando f(x) es una funcin diferenciable es
INVESTIGACION OPERATIVA II
OPTIMIZACION NO RESTRINGIDA
para cada j de este tipo. Como este ejemplo tiene una funcin cncava
para maximizar sujeta a una restriccin de no negatividad, el que su
derivada sea menor o igual a 0 en # = 0, es una condicin necesaria y
suficiente para que x= 0 sea ptima.
Un problema que tiene algunas restricciones de no negatividad y que
no tiene restricciones funcionales es un caso especial (m = 0) de la
siguiente clase de problemas.
INVESTIGACION OPERATIVA II
OPTIMIZACION LINEALMENTE
RESTRINGIDA
Los problemas de optimizacin linealmente restringida se caracterizan por
restricciones que se ajustan por completo a la programacin lineal, de
manera
que todas las funciones de restriccin g (x) son lineales, pero la
funcin objetivo es no lineal. El problema se simplifica mucho si slo se
tiene que tomar en cuenta una funcin no lineal junto con una regin factible
de programacin lineal. Se han desarrollado varios algoritmos especiales
basados en una extensin del mtodo smplex para analizar la funcin
objetivo no lineal.
Un caso especial importante descrito a continuacin es la programacin
cuadrtica.
INVESTIGACION OPERATIVA II
PROGRAMACION CUADRATICA
De nuevo los problemas de programacin cuadrtica tienen restricciones
lineales, pero ahora la funcin objetivo /(x) debe ser cuadrtica. Entonces, la
nica diferencia entre stos y un problema de programacin lineal es que
algunos trminos de la funcin objetivo incluyen el cuadrado de una variable o
el producto de dos variables.
INVESTIGACION OPERATIVA II
PROGRAMACION CONVEXA
La programacin convexa abarca una amplia clase de problemas, entre ellos
como casos especiales, estn todos los tipos anteriores cuando /(x) es
cncava. Las suposiciones son:
f(x) es cncava.
Cada una de las g(x) es convexa
INVESTIGACION OPERATIVA II
PROGRAMACION SEPARABLE
INVESTIGACION OPERATIVA II
PROGRAMACION SEPARABLE
son cada tina funciones de una sola variable x1 y x 2, respectivamente.
Usando el mismo razonamiento, se puede verificar que la funcin
considerada en la figura 13.7 tambin es una funcin separable.
INVESTIGACION OPERATIVA II
PROGRAMACION NO CONVEXA
La programacin no convexa incluye todos los problemas de programacin
no
lineal que no satisfacen las suposiciones de programacin convexa. En
este caso, aun cuando se tenga xito en encontrar un mximo local, no hay
garanta de que sea tambin un mximo global. Por lo tanto, no se tiene un
algoritmo que garantice encontrar una solucin ptima para todos estos
problemas; pero s existen algunos algoritmos bastante adecuados para
encontrar mximos locales, en especial cuando las formas de las funciones no
lineales no se desvan demasiado de aquellas que se supusieron para
programacin convexa.
Ciertos tipos especficos de problemas de programacin no convexa se
pueden resolver sin mucha dificultad mediante mtodos especiales. Dos de
ellos, de gran importancia, se presentarn ms adelante.
INVESTIGACION OPERATIVA II
PROGRAMACION GEOMETRICA
En tales casos, lasciy a ty representan las constantes fsicas y lasx} son las
variables de diseo. Estas funciones por lo general no son ni cncavas ni
convexas, por lo que las tcnicas de programacin convexa no se pueden aplicar
directamente a estos problemas de programacin geo- mtrica. Sin embargo,
existe un caso importante en el que el problema se puede transformar en un
problema de programacin convexa equivalente. Este caso es aquel en el
quetodos los coeficientesc en cada funcin son estrictamente positivos, es
decir, las funciones sonpolinomios positivos generalizados (ahora llamados
posinomiales), y la funcin objetivo se tiene que minimizar
INVESTIGACION OPERATIVA II
PROGRAMACION GEOMETRICA
INVESTIGACION OPERATIVA II
PROGRAMACION FRACCIONAL
Suponga que la funcin objetivo se encuentra en la forma de una fraccin, esto
es, la razn o cociente de dos funciones,
INVESTIGACION OPERATIVA II
PROGRAMACION FRACCIONAL
Cuando se puede hacer, el enfoque ms directo para resolver un problema de
programacin fraccional es transformarlo en un problema equivalente de algn
tipo estndar que disponga de un procedimiento eficiente. Para ilustrar esto,
suponga
quef(x) es de la forma deprogramacinfraccionallineal
dondec yd son vectores rengln,x es un vector columna yc0 ydQ son escalares.
Tambin suponga que las funciones de restriccing(x)son lineales, es decir, las
restricciones en forma matricial sonAx<b yx>0.
Con algunas suposiciones dbiles adicionales, el problema se puede transformar
en un problema equivalente deprogramacinlineal si se establece que se puede
resolver con el mtodo smplex. En trminos generales, se puede usar el mismo
tipo de transformacin para convertir un problema de programacin fraccional
con/(x)cncava,f2(x) convexa yg(x) convexas, en un problema equivalente
de programacin convexa.
INVESTIGACION OPERATIVA II
PROGRAMACION FRACCIONAL
INVESTIGACION OPERATIVA II
CARACTERISTICAS DE LOS
PROBLEMAS NO LINEALES
INVESTIGACION OPERATIVA II
CARACTERISTICAS DE LOS
PROBLEMAS NO LINEALES
INVESTIGACION OPERATIVA II
INVESTIGACION OPERATIVA II
Como
INVESTIGACION OPERATIVA II
Considerando
INVESTIGACION OPERATIVA II
Para
INVESTIGACION OPERATIVA II
INVESTIGACION OPERATIVA II
INVESTIGACION OPERATIVA II
Una
INVESTIGACION OPERATIVA II
INVESTIGACION OPERATIVA II
INVESTIGACION OPERATIVA II
El
INVESTIGACION OPERATIVA II
Enseguida,
INVESTIGACION OPERATIVA II
Con
INVESTIGACION OPERATIVA II
Como
INVESTIGACION OPERATIVA II
INVESTIGACION OPERATIVA II
MTODO DE RECURRENCIA
INVESTIGACION OPERATIVA II
INVESTIGACION OPERATIVA II
Sin embargo, todava se tiene que calcular ao por ao, hasta llegar al ao
20, que es el que le interesa a la empresa. Se aprecia que 1.11, es constante
para todos los aos, por lo que la relacin de recurrencia, queda de la
siguiente forma:
Pn = 1000 * (1.11)n
Para el ao 2 = P2 = 5,000.00 (1.10)2 = $ 6,050.00
Para el ao 20 = P20 = 5,000.00 (1.10)20 = $ 33,637.50