INSTITUTO TECNOLGICO SUPERIOR DE

COATZACOALCOS
REPORTE-TRABAJO DE LA TERCERA UNIDAD:

TITULO DE LA UNIDAD:
PROGRAMACIN NO LINEAL.

NOMBRE DEL ALUMNO:

GARCA ANTONIO OSWALDO.

NUMERO DE CONTROL:
11080870

CARRERA:
ING. EN SISTEMAS COMPUTACIONALES

FECHA DE ENTREGA:
10/NOVIEMBRE/2014

INTRUDUCCIN:

En esta unidad consideraremos la programacin que no cumplen con una linealidad, as

como la optimizacin de sus problemas. Nos dice que cuando el conjunto de restricciones,
la funcin objetivo, o ambos, son no lineales, se dice que se trata de un problema de
programacin no lineal (PPNL). Los problemas de optimizacin no lineal son ms difciles de
resolver que los lineales. Estas dificultades aparecen incluso en el caso ms simple como el
de optimizar una funcin de una variable en R sin restricciones. En esta unidad se presentan
algunos temas de programacin no lineal como son los conceptos bsicos, as como
ilustraciones grficas, la optimizacin clsica y los puntos de inflexin entre otros. En
algunos casos, coinciden con los que se han descrito en temas precedentes, pero bajo
hiptesis distintas.

TEMAS:

3.1 Conceptos bsicos de problemas de programacin no lineal.

3.2 Ilustracin grafica de problemas de programacin no lineal.
3.3 Tipos de problemas de programacin no lineal.
3.4 Optimizacin clsica.
3.4.1 Puntos de inflexin.
3.4.2 Mximos y mnimos.

3.1 CONCEPTOS BASICOS DE PROBLEMAS DE PROGRAMACION NO

LINEAL:

La Programacin no Lineal (PNL) es una parte de la Investigacin Operativa cuya misin es

proporcionar una serie de resultados y tcnicas tendentes a la determinacin de puntos
ptimos para una funcin (funcin objetivo) en un determinado conjunto (conjunto de
oportunidades), donde tanto la funcin objetivo, como las que intervienen en las
restricciones que determinan el conjunto de oportunidades pueden ser no lineales.
Evidentemente, la estructura del problema puede ser muy variada, segn las funciones que
en l intervengan (a diferencia de la Programacin Lineal (PL) donde la forma especial del
conjunto de oportunidades y de la funcin objetivo permite obtener resultados generales
sobre las posibles soluciones y facilitan los tratamientos algortmicos de los problemas).
Ello ocasiona una mayor dificultad en la obtencin de resultados, que se refleja tambin en
la dificultad de la obtencin numrica de las soluciones. En este sentido, hay que distinguir
entre las diversas caracterizaciones de ptimo, que slo se emplean como tcnicas de
resolucin en problemas sencillos, y los mtodos numricos iterativos, cuyo funcionamiento
se basa en estas caracterizaciones, para la resolucin de problemas ms generales.
CONCEPTOS BASICOS
La programacin lineal da respuesta a situaciones en las que se exige maximizar o
minimizar funciones que se encuentran sujetas a determinadas limitaciones, que
llamaremos restricciones.
Su empleo es frecuente en aplicaciones de la industria, la economa, la estrategia militar,
etc.
Funcin objetivo
En esencia la programacin lineal consiste en optimizar (maximizar
minimizar) una funcin objetivo, que es una funcin lineal de varias variables:
f(x,y) = ax + by.

Restricciones
La funcin objetivo est sujeta a una serie de restricciones, expresadas por inecuaciones
lineales:
a1x + b1y c1
a2x + b2y c2

anx + bny cn

Cada desigualdad del sistema de restricciones determina un semiplano.

Solucin factible
El conjunto interseccin, de todos los semiplanos formados por las restricciones, determina
un recinto, acotado o no, que recibe el nombre de regin de validez o zona de soluciones
factibles.
Solucin ptima
El conjunto de los vrtices del recinto se denomina conjunto de soluciones factibles
bsicas y el vrtice donde se presenta la solucin ptima se llama solucin mxima (o
mnima segn el caso).
Valor del programa lineal
El valor que toma la funcin objetivo en el vrtice de solucin ptima se llama valor del
programa lineal.
PASOS PARA RESOLVER UN PROBLEMA DE PROGRAMACION LINEAL
1. Elegir las incgnitas.
2. Escribir la funcin objetivo en funcin de los datos del problema.
3. Escribir las restricciones en forma de sistema de inecuaciones.
4. Averiguar el conjunto de soluciones factibles representando grficamente las
restricciones.
5. Calcular las coordenadas de los vrtices del recinto de soluciones factibles (si son pocos).
6. Calcular el valor de la funcin objetivo en cada uno de los vrtices para ver en cul de
ellos presenta el valor mximo o mnimo segn nos pida el problema (hay que tener en
cuenta aqu la posible no existencia de solucin si el recinto no est acotado).

3.2 ILUSTRACION GRAFICA DE PROBLEMAS DE PROGRAMACION NO

LINEAL:

Existe una variedad de mtodos para resolver problemas no convexos. Uno de ellos
consiste en utilizar formulaciones especiales de problemas de programacin lineal. Otro
mtodo implica el uso de tcnicas de Ramificacin y poda, cuando el problema se divide en
subdivisiones a resolver mediante aproximaciones que forman un lmite inferior del coste
total en cada subdivisin. Mediante subdivisiones sucesivas, se obtendr una solucin cuyo
coste es igual o inferior que el mejor lmite inferior obtenido por alguna de las soluciones
aproximadas. Esta solucin es ptima, aunque posiblemente no sea nica. El algoritmo
puede ser parado antes, con la garanta de que la mejor solucin ser mejor que la solucin
encontrada en un porcentaje acotado. Ello se utiliza en concreto en problemas importantes y
especialmente difciles y cuando el problema cuenta con costes inciertos o valores donde la
incertidumbre puede ser estimada en un grado de fiabilidad apropiado.

Sea el siguiente problema de programacin no lineal:

Max x
s.ax^2+ y^2 9
x^2 + y^2 1

a) Se puede afirmar que existe solucin de este problema? Se puede afirmar para este
problema que todo ptimo local es global?
b) Resuelva grficamente el problema, indicando claramente el conjunto de oportunidades,
las curvas de nivel y dnde se sita el ptimo.
c) Resuelva el problema mediante la funcin de Lagrange apoyndose en la representacin
grfica, si lo desea.
Solucin:
a) Para poder afirmar que el problema tiene solucin debemos utilizar el teorema de
Weierstrass ya que dicho teorema nos proporciona condiciones suficientes para
asegurar la existencia de mnimo global y mximo global. Dicho teorema requiere que
la funcin objetivo sea continua y que el conjunto de oportunidades sea compacto
(cerrado y acotado) y no vaco. En nuestro caso podemos confirmar que la funcin
objetivo es continua puesto que es lineal y en cuanto al conjunto de oportunidades
podemos decir que es cerrado porque contiene a su frontera, ya que todas las
restricciones del mismo contienen la igualdad. Para ver si es acotado necesitamos la
grfica, la cual aparece abajo, en la cual podemos ver que el conjunto se puede
encerrar en una bola de radio finito por lo que s es acotado y adems vemos que no
es vaco. En conclusin, podemos afirmar que el teorema de Weierstrass se cumple y
que el problema posee mnimo global y mximo global.
En cuanto a la cuestin de si todo ptimo local es global debemos aplicar el teorema
Local-Global, el cual nos proporciona condiciones suficientes para asegurar que un
ptimo local obtenido es global.
Dicho teorema requiere que el conjunto de oportunidades sea convexo, cosa que
nuestro conjunto no verifica puesto que, si nos fijamos en su grfica, podemos
concluir que, dados dos puntos cualesquiera del conjunto, el segmento que los une
no siempre pertenece al conjunto. Por tanto, no podemos asegurar que todo ptimo
local encontrado sea global.

b) En la siguiente grfica pintamos, junto al conjunto de oportunidades del problema, las

curvas de nivel de la funcin objetivo las cuales son rectas verticales que crecen
hacia la derecha.

Luego, como estamos buscando el mximo del problema, es decir, el punto donde las
curvas de nivel tocan por ltima vez al conjunto de oportunidades, vemos que dicho
puesto ser el (3, 0).

c) En este apartado vamos a resolver analticamente este problema de programacin no

lineal mediante la funcin de Lagrange. Para ello, multiplicamos la segunda
restriccin por (-1) y construimos la funcin:

Como hemos visto en la grfica del apartado b) el mximo se encuentra en la frontera de

la primera restriccin, luego esta restriccin es activa, por lo cual, de las condiciones de
holgura complementaria nos quedamos con la segunda de la primera rama tachando el
hecho de que el multiplicador primero sea cero, mientras que al ser la segunda
restriccin inactiva, su multiplicador asociado ser nulo con lo que nos quedamos con la
primera rama de esta condicin de holgura. Por consiguiente tenemos:
09222==+yx
Por otra parte vemos en la grfica que la coordenada y del mximo vale 0 luego, en la
derivada de la funcin de Lagrange con respecto de la variable y nos quedamos con la
posibilidad de que la variable y sea cero tachando la segunda. Uniendo toda esta
informacin tenemos que nuestro punto debe verificar las siguientes igualdades:

Obtenindose el punto (3, 0 , 1/6, 0) el cual verifica el resto de condiciones de punto

estacionario.
Nos queda comprobar que es un mximo del problema. Para ello tras recordar que el
conjunto de oportunidades no es convexo, vemos que no se cumplen las condiciones
de suficiencia global luego, tenemos que recurrir a Gill y Murray. Para ello
necesitamos la hessiana reducida (es decir, slo con respecto a las variables
originales del problema) evaluada en el punto estacionario, y el gradiente de la
funcin que determina la restriccin activa y con multiplicador estrictamente positivo y
debemos clasificar la forma cuadrtica:

Si la clasificamos sin restringir vemos que es definida negativa, luego no hace falta
restringirla puesto que no va a cambiar su clasificacin por lo que podemos concluir
que dicho punto es un mximo.

3.3 TIPOS DE PROBLEMAS DE PROGRAMACION NO LINEAL:

Los problemas de programacin no lineal se presentan de muchas formas distintas. Al
contrario del mtodo simplex para programacin 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 programacin no lineal.
Se introducirn las clases ms importantes y despus se describirn como se pueden
resolver algunos de estos problemas.
Optimizacin no restringida:
Los problemas de optimizacin no restringida no tienen restricciones, por lo que la funcin
objetivo es sencillamente
Maximizar (X)
Sobre todos los valores x= (x1,x2,,xn). Segn el repaso del apndice 3, la condicin
necesaria para que una solucin especfica x=x* sea optima cuando (x) es una funcin
diferenciable es
en x=x*, para j=1,2,,n.
Cuando (x), es cncava, esta condicin tambin es suficiente, con lo que la obtencin de
x* se reduce a resolverlo el sistema de las n ecuaciones obtenidas al establecer
las n derivadas parciales iguales a cero. Por desgracia, cuando se trata de funciones no
lineales (x), estas ecuaciones suelen ser no lineales tambin. En cuyo caso es poco
probable que se puede obtener una solucin analtica simultnea. Para encontrar x*,
primero para n=1 y luego para n1. Estos procedimientos tambin tienen un papel
importante en la solucin de varios tipos de problemas con restricciones, que se describirn
en seguida. La razn es que muchos algoritmos para problemas restringidos estn
construidos de forma que se adaptan a versiones no restringidas del problema en una parte
de cada iteracin.
Cuando una variable X j tiene una restriccin de no negatividad, xj 0, la condicin
necesaria (y tal vez) suficiente anterior cambia ligeramente a
0 en x = x*,
si x*j =0
=0
en x = x*,
si x*j > 0
OPTIMIZACION LINEALMENTE RESTRINGIDA
Los problemas de optimizacin linealmente restringida se caracterizan por restricciones que
se ejecutan por completo a la programacin lineales, de manera que todas las funciones de
restriccin gi (x) son lineales. Pero la funcin objetivo es no lineal. El problema se simplifica
mucho si solo 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 simplex para analizar la funcin objetivo no lineal.
Un caso especial importante descrito a continuacin es la programacin cuadrtica.

Programacin cuadrtica
De nuevo los problemas de programacin cuadrtica tienen restricciones lineales, pero
ahora la funcin objetivo (x) deben ser cuadrticas. Entonces, 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.
Se han desarrollado muchos algoritmos para este caso, con la suspensin adicional de que
(x) es cncava.
La programacin cuadrtica es muy importante, en parte porque las formulaciones de este
tipo surgen de manera natural en muchas aplicaciones. Por ejemplo, el problema de la
seleccin de una cartera con inversiones riesgosas, se ajusta a este formato. Sin embargo,
otra razn por la que es importante es que al resolver problemas generales de optimizacin
linealmente restringida se puede obtener la solucin de una sucesin de aproximaciones de
programacin cuadrtica.
Programacin 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
1.- (x) es cncava.
2.- cada una de las gi(x) es convexa.
Como se dijo antes, esta suposicin son suficientes para asegurarse que un mximo local
es un mximo global. Ms adelante que las condiciones necesarias y suficientes para
obtener tal solucin ptima son una generalizacin natural de las condiciones que se
acababan de exponer para la optimizacin no restringida y su extensin a la inclusin de
restricciones de no negatividad.

Programacin separable
La programacin separable es un caso especial de programacin convexa, en donde la
suposicin adicional es
3.- todas las funciones (x) y gi (x) son funciones separables.
Una funcin separable es una funcin en la que cada trmino incluye una sola variable, por
lo que la funcin se puede separar en una suma de funciones de variables individuales. Por
ejemplo si (x) es una funcin separable, se puede expresar como

En donde cada j (xj) incluye solo los trminos con xj. En la terminologa de programacin
lineal, los problemas de programacin separable satisfacen las suposiciones de aditividad
pero no las de proporcionalidad (para funciones no lineales)
(x1,x2)= 126x1-9x21 + 182x2-13x22
es una funcin separable porque puede ser expresada como
(x1,x2)= 1(x1,) + 2(x2)
Donde (x1,x2)= 126x1-9x21 y 2 + 182x2-13x22 son cada una funcin de una sola variable
x1 y x2respectivamente. Usando el mismo razonamiento, se puede verificar que la funcin
considerada en la figura 13.7 tambin es una funcin separable.
Es importante distinguir estos problemas de otros de programacin convexa, pues
cualquier problema de programacin separable se puede aproximar muy de cerca mediante
uno de programacin lineal y, entonces se puede aplicar el eficiente mtodo simplex. Este
enfoque se describe en la seccin 13.8. (para simplificar, se centra la atencin en el caso
linealmente restringido, en el que el tratamiento especial se necesita nada mas para la
funcin objetivo.)
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 contra 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 problema; pero si existen algunos algoritmos bastantes adecuados para encontrar un
mximo locales, en especial cuando las formas de las funciones no lineales no se desvan
demasiado de aquella que se supusieron para programacin convexa. En la seccin 13.10
se presenta uno de estos algoritmos.
Ciertos tipos especficos de problemas de programacin no convexa se pueden resolver sin
muchas dificultades mediante mtodos especiales. Dos de ellos, de gran importancia, se
presentaran ms adelante.

Programacin geomtrica
Cuando se aplica programacin no lineal a problemas de diseo de ingeniera, muchas
veces la funcin objetivo y las funciones de restricciones toman la forma.

En donde
Pi (x) =x1ai1 xa2i2xanin, Para i=1,2,,N.
En tales casos las ci y aij representan las constantes fsicas y las xj son 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 se puede
transformar en un problema de programacin geomtrica. Sin embargo, existe un caso
importante en el que el problema se puede transformar en un problema de programacin
convexa equivalentemente. Este caso es aquel en que todos los coeficientes c i en cada
funcin son estrictamente positivos, es decir, las funciones son polinomios positivos
generalizados (ahora llamados posnominales), y la funcin objetivo se tiene que minimizar.
El problema equivalente de programacin convexa con variables de decisiones y1, y2,, yn
se obtiene entonces al establecer.
Xj= eyj, para j= 1,2,,n
En todo el modelo original. Ahora se pueden aplicar un algoritmo de programacin convexa.
Se ha desarrollado otro procedimiento de solucin para resolver estos problemas de
programacin posnominal, al igual que para problemas de programacin geomtrica de
otros tipos.

3.4 OPTIMIZACIN CLSICA

Optimizacin es el proceso de hallar el mximo o mnimo relativo de una funcin,
generalmente sin la ayuda de grficos.
Conceptos claves
A continuacin se describir brevemente algunos conceptos necesarios para
comprender apropiadamente el tema de optimizacin.
Funciones creciente y decreciente
Se dice que una funcin f(x) es creciente (decreciente) en x=a, si en la vecindad
inmediata del punto [a,f(a)] el grfico de la funcin crece (cae) al moverse de izquierda a
derecha. Puesto que la primera derivada mide la tasa de cambio y la pendiente de una
funcin, una primera derivada positiva en x=a indica que la funcin es creciente a; una
primera derivada negativa indica que es decreciente.
Concavidad y convexidad
Una funcin f (x) es cncava en x = a, si en alguna pequea regin cercana al punto [a,
f(a)] el grfico de la funcin se ubica completamente debajo de su lnea tangente. Una
funcin es convexa en x = a, si en un rea cercana a [a, f(a)] el grfico esta complemente
arriba de su lnea tangente. Una segunda derivada positiva en x = a denota que la funcin
es convexa en x = a. Anlogamente, una segunda derivada negativa en x = a denota que
la funcin es cncava en a.
Extremo relativo
Un extremo relativo es un punto en el cual una funcin est a un mximo o mnimo. Para
ello, la funcin debe estar en un punto en el cual no est creciendo ni decreciendo, y por
ende, su primera derivada debe ser igual a cero o indefinida. Un punto en el dominio de una
funcin donde la derivada iguala a cero o es indefinida es llamado punto o valor crtico.
3.4.1 Puntos de Inflexin
Un punto de inflexin es un punto en el grafico donde la funcin cruza su lnea tangente y
cambia de cncavo a convexo y viceversa. Los puntos de inflexin pueden ocurrir solo
donde la segunda derivada iguala a cero o es indefinida. Es decir, f(a)=0.

3.4.2 Mximos y mnimos

Puntos minimax.
El punto minimax de la funcin lagrangiana es otro concepto relacionado con la solucin de
un problema de optimizacin. Si bien su definicin no le hace til a la hora de la resolucin
directa del problema, s constituye un paso intermedio muy importante en la obtencin del
problema dual, que estudiaremos ms adelante. En esta seccin definimos dicho punto y
estudiamos su relacin con otro concepto, el punto de silla de la lagrangiana.

La relacin del punto minimax con la solucin del problema de programacin no lineal se
obtiene de forma inmediata sin ms que tener en cuenta que:
Min L (x, ) = f (x) Max t [g(x) b]R m+R m+
Si gi (x) bi 0, entonces i [gi(x) - bi] 0, luego
Max i ( gi (x) bi ) = 0R m+ (se alcanza en = 0). Por tanto, si x X, MinL (x, ) = f (x) .R m+ Si gi (x) bi >
0, entonces Sup i [gi(x) - bi] = , por lo que en este caso no se alcanza el R m+ mnimo de la Lagrangiana.

Por tanto,
Max Min L (x, ) = Max f (x) D

R m+

As pues, si (x0, 0) es un punto minimax, x0 es una solucin ptima del problema original.
Pasamos ahora a dar los teoremas que relacionan los conceptos de punto de silla de L y
punto minimax. Veremos que dicha relacin es casi una equivalencia, en el sentido de que
todo punto minimax es punto de silla, y todo punto de silla es un punto minimax
considerado sobre conjuntos ms restringidos.

Como hemos expuesto anteriormente, para obtener el teorema recproco es necesario

restringir los conjuntos de definicin del punto minimax. Previamente, hemos visto que la
primera parte de la igualdad debe ser de la forma

Definimos, por tanto,

N = { R m + / Max ( f ( x ) t [g(x) b ])}, N R m +

Entonces, la segunda parte de la igualdad se debe expresar como sigue:

Min Max L (x, )

Por tanto, el punto minimax que buscamos ahora es de la forma:

Para el problema de mnimo, el punto minimax toma la forma:

tomando adems la funcin lagrangiana correspondiente a este problema. Con esta

definicin, los teoremas 16 y 17 seran vlidos de forma anloga para esta formulacin.