UNIVERSIDAD DE ORIENTE

NCLEO DE MONAGAS
PROGRAMA DE INGENIERA DE
SISTEMAS
MATURN / MONAGAS /
VENEZUELA

Programacin No Lineal
PROFESOR:
Judhit Devia

MATURN, AGOSTO
2011

REALIZADO POR:
SALAZAR
VIANELA
RIVAS GAUDYS
BLONDELL ANA
JULIA
ROSAS DAYANA
MORALES
ZULEXY

Matemtico reconocido
George Bernar
por desarrollar el mtodo
Dantzig
simplex, hizo avances en
los campos de la teora
de la descomposicin,
anlisis de sensibilidad,
mtodos de pivote
PNL es el proceso de resolucin de
complementarios,
un sistema de igualdades y
programacin no lineal.
desigualdades sujetas a un
conjunto de restricciones sobre un
conjunto de variables reales
desconocidas, con una funcin
objetivo a maximizar, cuando
alguna de las restricciones o la
funcin objetivo no son lineales.

ESTUDIO DE CONVEXIDAD
La convexidad junto con la concavidad, ayudan a
determinar bajo qu condiciones una solucin ptima local, ser
tambin la solucin ptima global.

La funcin F tiene un mximo relativo o mximo local en un

numero C si en algn intervalo (a,b) que incluya a C es
F(C)F(X), para todo x en el dominio de F. anlogamente se
define un mnimo relativo o local de F.
De igual forma se define un mximo global o absoluto.

Conjunto Convexo

El conjunto convexo es una coleccin de puntos tales

que, para cada par de puntos de la coleccin, el
segmento rectilneo completo que una estos dos
puntos tambin est en la coleccin.

Ejemplos de conjuntos

Conjunto convexo
determinado por una
funcin convexa

Conjunto convexo
determinado por una
funcin cncava

Conjunto determinado
por una funcin
convexa y cncava

Ejemplos de funciones cncavas y

convexas

Funcin convexa

Funcin cncava

Podemos determinar si una funcin es cncava o convexa de la siguiente manera:

Cuando tenemos funciones de una sola variable.
Considere cualquier funcin de una variable f(x) que tiene segunda derivada

para todos los valores posibles de x. Entonces f(x) es:

f(x) es convexa si y slo si

valores posibles de x.

para todos los

f(x) es estrictamente convexa si y slo si

para todos los valores posibles de x.

f(x) es cncava si y slo si

valores posibles de x.
f(x) es estrictamente cncava si y slo si
para todos los valores posibles de x.

para todos los

Una funcin
estrictamente
cncava

Una funcin tanto

cncava como
convexa

Una funcin
Tanto cncava como
convexa

Cuando tenemos funciones de varias variables.

Si Consideramos cualquier funcin de varias variable f(x1, x2) que tiene segunda
derivada para todos los valores posibles de x1 y x2. Entonces podemos determinar la
concavidad o convexidad de la funcin de la siguiente manera:
Cantidad

Conve Estrictame
xa
nte
convexa

Cnca
va

Estrictame
nte
cncava

>0

>0

>0

<0

>0

<0

Ejemplo:
f(x1, x2) = (x1 x2)2 =
Entonces:
= 2( 2) 22 = 0,

= 2 < 0,

= 2 < 0,

f(x1, x2) es cncava

TIPOS
1. Optimizacin no Restringida
Se caracteriza porque no tienen restricciones, por lo tanto, lo que se
busca es la maximizacin de la funcin objetivo al igual que todos sus
valores:
Maximizar f(x),

x= (x1, x2,....., xn).

Para que una solucin especfica x=x* sea considerada como optima la
condicin necesaria que se debe cumplir cuando la funcin objetivo f(x)
es diferenciable es la siguiente:

PROGRAMACIN NO LINEAL
2. Optimizacin Linealmente Restringida

Se caracteriza porque sus restricciones se ajustan por completo

a la programacin lineal, de manera que todas las funciones de
restriccin gi(x) son lineales, pero la funcin objetivo es no
lineal.
Su funcin viene expresada de la siguiente manera:
Max o min f(x), sujeta a:gi(x) o 0
Por ejemplo:
F(X)= 24 2X - X
Sujeta a:
X0

3. Programacin Cuadrtica
Es un caso especial de la Optimizacin Linealmente
restringida, donde sus problemas tienen restricciones lineales,
pero la funcin objetivo f(x) es cuadrtica. La nica diferencia
entre estos 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 xi y xixj, (ij).
Por ejemplo:

Sujeto a:

4. Programacin convexa

La programacin convexa abarca una amplia clase de problemas,

entre ellos como casos especiales, estn los tipos anteriores
cuando f(x) es cncava. Las suposiciones son:
1. F(X) es cncava.
2. Cada una de las gi(X) es convexa.

5. Programacin separable
Debe cumplir que:
- La funcin f(X) es cncava.
- Todas restricciones gj(X) son convexas.
- Todas las funciones f(X) y gj(X) son funciones separables.
Por ejemplo, si f(X) es una funcin separable, se puede expresar
como:
n

F(X)= fj (Xj),
J= 1

F(X1, X2)=126X1 9X12

+ 182X2 13 X22

Es una funcin separable porque puede ser expresada como:

F(X1, X2)= F(X1) + F(X2)
Donde F1(X1)= 126 X1 9 X12

y F(X2)= 182X2 13 X22

6. Programacin 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.

7. Programacin Geomtrica
Cuando se aplica programacin no lineal a problemas de
diseo de ingeniera, muchas veces la funcin objetivo y las
funciones de restriccin toman la forma:
En donde

Tales casos, las ci y aij representan las constantes fsicas y las xj

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 geomtrica

8. Programacin Fraccional
La Programacin Fraccional se aplica cuando la funcin objetivo
es una fraccin, es decir, el cociente de dos funciones:
Maximizar f(x)= f1(x) / f2(x)
Estos problemas de Programacin Fraccional surgen cuando se
maximiza la razn de la produccin entre las horas- hombre
empleadas (productividad), o la ganancia entre el capital invertido
(tasa de rendimiento), o el valor esperado dividido entre la
desviacin estndar de alguna medida de desempeo para una
cartera de inversiones (rendimiento/riesgo).

APLICACIONE
S

Problema de mezcla del producto con elasticidad en los precios.

Problema de transporte con descuentos por volumen en los

precios de embarque.

U
S
R
O
P
S
A
N
I

C
I
A
C
GR ATEN