Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Operaciones Avanzadas
Docente: Ing. Jssica Bull Torres.
2 Semestre 2015
Gestin de Inventarios
Inventarios Determinsticos
Inventarios Estocsticos (Probabilsticos)
Programacin No Lineal
Programacin Dinmica
PROGRAMACION NO
LINEAL
PROGRAMACION NO LINEAL
En trminos simples se pueden clasificar de la siguiente
manera:
No restringidos
Restringidos; en donde la funcin objetivo es no lineal y las
restricciones son lineales; funcin objetivo lineal y restricciones
no
lineales
bien
tanto
la
funcin
objetivo
como
las
4
PROGRAMACION NO LINEAL
problema de programacin no lineal (PNL) generalmente se expresa
Un
como sigue:
Max (o min) )
s.a:
.
.
PROGRAMACION NO LINEAL
La
regin factible para PNL es el conjunto de puntos () que
satisfacen las m restricciones. Un punto en la regin
factible es un punto factible, y el punto que no est en la
regin factible es un punto no factible.
PROGRAMACION NO LINEAL
Ejemplo:
Si se utilizan K unidades de capital
y L unidades de trabajo, una
compaa puede producir KL
unidades
de
un
bien
manufacturado. El capital se
puede comprar a $4/unidad y la
mano de obra a $1/unidad. Se
dispone de un total de $8 para
comprar capital y mano de obra.
De que manera la empresa puede
maximizar la cantidad del bien que
se puede fabricar?.
Sol:
Max z=KL
s.a.
4K+L 8
K, L
PROGRAMACIN NO LINEAL
Ilustracin Grafica de
la
programacin
lineal
10
no
PROGRAMACIN NO LINEAL
Ilustracin Grafica de
la
programacin
lineal
11
no
PROGRAMACIN NO LINEAL
12
PROGRAMACIN NO LINEAL
Algunos conceptos y definiciones previas.
Definicin
1. Sea S un subconjunto convexo de y sea Diremos que es una funcin convexa
en S si para cualquier par de puntos x, y y para cualquier b [0,1].
PROGRAMACIN NO LINEAL
PROGRAMACIN NO LINEAL
Teorema
1.
Suponga que existe para las x de un conjunto convexo S.
Entonces es una funcin convexa en S si y slo si para toda
x en S.
Teorema 2.
Suponga que existe para las x de un conjunto cncavo S.
Entonces es una funcin cncava en S si y slo si para toda
x en S.
PROGRAMACIN NO LINEAL
Cmo
PROGRAMACIN NO LINEAL
Sea que denota el valor del hesiano en .
Por ejemplo, si
PROGRAMACIN NO LINEAL
Def.
Un i-simo menor principal de una matriz de n x n es el
determinante de cualquier matriz i x i obtenida al eliminar n-i
renglones y las n-i columnas correspondientes de la matriz.
As, para la matriz
PROGRAMACIN NO LINEAL
Teorema
PROGRAMACIN NO LINEAL
Ejemplo:
PROGRAMACIN NO LINEAL
Teorema
PROGRAMACIN NO LINEAL
Ejemplo:
Los primeros menores principales son los elementos diagonales del hesiano
(-2 y-4). Ambos Negativos. El segundo menor principal es el determinante
de y es igual a -2(-4)-(-1)(-1)=7>0.
As, es una funcin cncava en
PROGRAMACIN NO LINEAL
Ejemplo:
PROGRAMACIN NO LINEAL
Optimizacin no restringida.
Una variable
Candidatos extremos
Por intervalos
Bsqueda de la seccin urea. (seccin dorada) funcin unimodal
dictomo
Optimizacin restringida
Restricciones de igualdad.
Multiplicadores de Lagrange.
Restricciones de desigualdad
Condiciones de Kuhn-Tucker.
Programacin Cuadrtica (funcin objetivo cuadrtica).
Programacin Separable.
Tipos de
problemas
Solucin
PNL con una Variable
Cmo resolver un PNL del tipo:
Hay tres tipos de puntos para los cuales el problema anterior puede tener mximo local o mnimo. (estos
puntos se llaman candidatos extremos):
Caso 1: Puntos donde
Caso 2: Puntos donde
Caso 3: Puntos finales a y b del intervalo [a,b].
Teorema:
) <0, entonces es un mximo local.
) >0, entonces es un mnimo local.
Teorema:
, y
1.- Si la primera derivada no nula (no cero) en es una derivada de orden impar
entonces no es un mximo local o mnimo local.
2.- Si la primera derivada no nula en es positiva y de orden par, entonces es un min
local.
3.- Si la primera derivada no nula en es negativa y de orden par, entonces es un
Ejemplo
Ahora
se clasifican los candidatos extremos:
Caso 1:
Caso 2:
Caso 3:
As, x=2.5 es el nico mximo local. Esto significa que las ganancias del monopolista se
maximizan al elegir x=2.5.
Observe que P(x)=-2 para todos los valores de x. Esto muestra que P(x) es una funcin
cncava. Cualquier mximo local para P(x) debe ser la solucin ptima para el PNL. As, el
teorema 1 implica que una vez determinado que X=2.5 es un mximo local, se sabe que es la
solucin ptima para PNL
Sea:
Encuentre:
s.a.
Caso1: Para
Caso 2: De la figura 24, se ve que no tiene derivada en x=3 (para x ligeramente menor
que 3, est cerca de -4, y para x un poco mayor que 3, est cerca de -2). Debido a que
Maximizacin
y minimizacin no restringidas con varias variables.
Teorema
6
Si x es un extremo local, entonces =0
Def: un punto x que tiene =0 para i = 1,2,, n se llama
punto estacionario de f.
Teorema 7
Si entonces un punto estacionario x es un mnimo local para
el PNL
Fuente: Investigacin de operaciones- Wayne Winston
Teorema
7
Si, para k=1,2,..,n, es distinta de cero y tienen el mismo
signo que entonces un punto estacionario x es un mximo
local para el PNL.
Teorema 7
Si y no se cumplen las condiciones de los teoremas
anteriores, entonces un punto estacionario x no es un
extremo local.
Ejercicio:
Una monopolista que produce un solo producto tiene dos
tipos de clientes. Si se producen unidades para el cliente 1,
entonces el cliente 1 est dispuesto a pagar un precio de
dlares. Si se producen unidades para el cliente 2, entonces
el cliente 2 esta dispuesto a pagar un precio de dlares.
Para q>0, el costo de fabricar q unidades es 100 + 15q
dlares. Para maximizar la ganancia, cunto debe vender el
monopolista a cada cliente?
Sea
Ejemplo:
As,
==0 requiere
=0 o bien
=0
o bien
(1)
(2)
As,
para que sea un punto estacionario, se debe tener que:
Se cumplen (i) y(iii). Esto slo es cierto en (0,0).
Se cumplen (i) y (iv). Esto slo es cierto en (1,0).
Se cumplen (ii) y (iii). Esto slo es cierto en (0,1) y (0,-1)
Se cumplen (ii) y (iv). Esto requiere que se cumplan
Entonces
As,
Tambin
Recordando
Teorema
7
Si entonces un punto estacionario x es un mnimo local para el PNL
Teorema 7
Si, para k=1,2,..,n, es distinta de cero y tienen el mismo signo que
entonces un punto estacionario x es un mximo local para el PNL.
Teorema 7
Si y no se cumplen las condiciones de los teoremas anteriores,
entonces un punto estacionario x no es un extremo local.
Se tiene que =2>0 (de modo que no se puede satisfacer la
hiptesis del teorema 7) y =-4 (as que no se puede
satisfacer la hiptesis del teorema 7). Debido a que
As
<0
Por
ltimo,
As
>0
s.a.
Max z=
s.a.
Se elige de manera arbitraria comenzar en un pto.
).
=(4,2) no es 0 se continua el algoritmo.
=0,
se obtiene
Evaluamos
en ).
=(0,0) se termina el algoritmo
Multiplicadores de Lagrange.
Teorema 8
Suponga que un PNL es un problema de maximizacin. Si es una funcin
cncava y cada es una funcin lineal, entonces cualquier punto que
satisface la ecuacin:
==0
Producir una solucin ptima para el PNL
Teorema
8
Suponga que un PNL es un problema de minimizacin. Si es una
funcin convexa y cada es una funcin lineal, entonces cualquier
punto que satisface la ecuacin:
==0
Producir una solucin ptima para el PNL
Una
compaa planea gastar $10.000 dlares en publicidad. El costo de
anunciarse en televisin es de $ 3000 por minuto y en la radio cuesta
$1000 por minuto. Si la empresa compra x minutos de publicidad en
televisin y y minutos en radio, entonces su ingreso en miles de dlares
est dado por
Entonces
s.a.
Entonces = (10-3x-y)
Esto
Produce:
=0
=0
=0
(1)
(2)
(3)
y=3 -8+4x
y (2) x= -3+2y.
As y=3 -8+4(-3+2y)
= 7 -20+8y, o bien
O bien,
El
hesiano para
Condiciones
de Kuhn- Tucker.
.
.
Describa
la solucin ptima para
Max
s.a.
Se escribe:
Max
s.a.
Al usar las condiciones de K-T para resolver los PNl, es til notar que cada
multiplicador debe satisfacer . As al hallar los valores de x,
que satisfacen
Caso
1
Caso 2
=0, , (45) da como resultado x=b. Entonces (43) produce =, y debido a que ,
se obtiene el caso donde
Caso 3
Debido a que de (44) se obtiene x=a. Entonces (43) produce el caso donde =
Caso 4
. De (44) y (45), se obtiene x=a y x=b. Esta contradiccin indica que no
puede ocurrir el caso 4.
Ejemplo
Un
monopolista puede comprar hasta 17,25 onzas de un
compuesto qumico a $ 10/onza. Aun costo de $3/onza, el
compuesto quimico se procesa es una onza de producto 1; o
bien, a un costo de $5/onza, el compuesto se procesa en una
onza de producto 2, Si se producen onzas de producto 1,ste
se vende a un precio de $30- por onza. Si se producen onzas
de producto 2, ste se vende a un precio de $50-2 por onza.
Determine cmo puede maximizar las ganancias el
monopolista.
Sean:
s.a.
K-T
(48)
Caso
Entonces,