Académique Documents
Professionnel Documents
Culture Documents
Tabla De Contenido
Tabla De Contenido...................................................................................................2
INTRODUCCIN.....................................................................................................4
Objetivo........................................................................................................................................4
MARCO TERICO..................................................................................................5
Definicin.....................................................................................................................................5
OPTIMIZACIN DE PORTAFOLIO.....................................................................22
2
Teora De Portafolio...................................................................................................................22
Multiplicadores De Lagrange.....................................................................................................22
Teora De Portafolio De Markowitz...........................................................................................23
CONCLUSIN.......................................................................................................29
BIBLIOGRAFA.....................................................................................................30
ANEXOS.................................................................................................................32
INTRODUCCIN
En el presente informe se detalla la informacin de la aplicacin sobre la programacin no lineal
ya que es parte de Investigacin de Operaciones, tiene como finalidad proporcionar los
elementos para encontrar los puntos ptimos para una funcin objetiva. En este caso, tanto la
funcin de objetivo como las restricciones son no lineales.
En el campo de aplicacin de la programacin no lineal es muy amplio, sin embargo, hasta la
fecha los investigadores de esta rama del conocimiento no han desarrollado un mtodo
sistemtico que sea prctico para su estudio.
La programacin no lineal tambin es conocida con el nombre de programacin cuadrtica, en
virtud de que la mayor parte de los problemas que resultan contienen ecuaciones cuadrticas o de
segundo grado.
La programacin no lineal tiene como objetivo la optimizacin de funciones no lineales o
lineales sujeto a restricciones no lineales(o funciones no lineales sujeto a restricciones lineales).
Las tpicas reas de aplicacin son procesos qumicos, valoracin de proyectos, problema de
diseo estructural, ajuste de curvas, asignacin de recursos, diseo de proceso, etc. 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 este tema se presentan algunos problemas de programacin no lineal. En algunos casos,
coinciden con los que se han descrito en temas precedentes, pero bajo hiptesis distintas.
Objetivo.
Crear modelos con ecuaciones no lineales basados en problemas organizacionales de la
actualidad, donde el principal objetivo sea minimizar costos y maximizar las utilidades.
MARCO TERICO
Definicin
Se puede una definicin de programacin no lineal (PNL) por contraposicin con la
programacin lineal (PL). Recurdese que esta ltima trata el problema de optimizar una
n
funcin lineal f : R R
modifica, cambiando la funcin objetiva y/o, al menos, una de las restricciones, por no lineales,
se cae en el campo de la PNL (http://www.konradlorenz.edu)
La optimizacin no lineal o programacin no lineal se utiliza para la resolucin de problemas
de optimizacin en los que la funcin objetivo o las restricciones no son lineales (cuadrticas,
cbicas, etc.), pero tambin son diferenciables las veces en que es necesaria para el
establecimiento de herramientas tericas. (http://www.enciclopediafinanciera.com)
La programacin no lineal analiza la problemtica general en la que el objetivo f(x) o las
restricciones gj(x) (o los dos) son funciones no lineales.
La mayora de los mtodos de programacin no lineales utilizan el concepto de gradiente de
las funciones f(x) y gj(x) para calcular direcciones de descenso, es decir de mejora de la funcin
objetivo.
Cuando las funciones son convexas (caso por ejemplo de la programacin lineal continua), los
algoritmos de descensos convergen hacia un ptimo global. En general, estos algoritmos y los
software correspondientes convergen solamente hacia un ptimo local. Siempre que sea posible,
es importante ejecutar estos algoritmos a partir de varias soluciones iniciales diferentes con el fin
de seleccionar la mejor solucin entre todas las encontradas.
Una problemtica no lineal con restricciones puede convertirse en un problema sin
restricciones con la ayuda del multiplicador de LaGrange: este mtodo consiste en efecto en
introducir en la funcin objetivo variables de holgura y un coste que aumenta cuando disminuye
la desviacin (es decir, restriccin saturada). (http://www.eurodecision.es)
condicin necesaria para que una solucin especfica x = x* sea ptima cuando f(x) es una
funcin diferenciable es
f
=0 en x =x, para j=1, 2, ,n .
x j
Cuando f (x) es cncava, esta condicin tambin es suficiente, con lo que la obtencin de x* se
reduce a resolver 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 f(x), estas ecuaciones
suelen ser no lineales tambin, en cuyo caso es poco probable que se pueda obtener una solucin
analtica simultnea. Describen procedimientos algortmicos de bsqueda para encontrar x*
primero para n = 1 y luego para n > 1. 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 Xj tiene una restriccin de no negatividad, x- > 0, la condicin necesaria (y tal vez)
x j=0
xj
para
cin 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 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) 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.
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
f(x) es cncava.
Cada una de las g(x) es convexa.
Programacin Separable
La programacin separable es un caso especial de programacin convexa, en donde la suposicin adicional es todas las funciones f(x) y g(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.
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.
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.
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. 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.
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
N
i2
i3
i=1
En tales casos, las ci y a ty representan las constantes fsicas y las x 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. 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 que todos los
coeficientes c en cada funcin son estrictamente positivos, es decir, las funciones son polinomios
positivos generalizados (ahora llamados posinomiales), y la funcin objetivo se tiene que
minimizar. El problema equivalente de programacin convexa con variables de decisin yx, y2,
, yn se obtiene entonces al establecer
10
Programacin Fraccional
Suponga que la funcin objetivo se encuentra en la forma de una fraccin, esto es, la razn o
Maximizar f ( x ) =
f 1( x)
f 2( x)
fraccional surgen, por ejemplo, cuando se maximiza la razn de la produccin entre las horashombre 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). Se han formulado algunos procedimientos de
solucin especiales para ciertas formas de f1(x) y f2 (x)
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 que f(x) es de la forma de programacin
fraccional lineal
f ( x )=
cx +c 0
dx +d 0 , donde c y d son vectores rengln, x es un vector columna
y c0 y dQ son escalares.
Tambin suponga que las funciones de restriccin g (x) son lineales, es decir, las restricciones
en forma matricial son Ax < b y x > 0.
Con algunas suposiciones dbiles adicionales, el problema se puede transformar en un problema
equivalente de programacin lineal si se establece
y=
x
1
y t=
,
dx +d 0
dx+ d 0
y
de manera que x= .
t
Esteresultado conduce a Maximizar Z=cy + c 0 t , sujeta a Aybt 0,
dy +d 0 t =1, y y 0, t 0 , que se puede resolver con el mtodo smplex.
11
12
1) mtodos analticos.- los cuales usan procedimientos del clculo diferencial, insuficientes para
la mayora de los problemas no lineales.
2) mtodos grficos.- que se apoyan en curvas o representaciones geomtricas de la funcin
objetivo y las restricciones, inadecuados para problemas de muchas variables.
3) mtodos experimentales, basados en la experiencia y en procedimientos de prueba y error.
4) mtodos numricos, basados en algoritmos o procedimientos iterativos y adecuados para la
gran mayora de los problemas de ingeniera. En todos los casos el investigador encuentra las
siguientes dificultades:
No existe un mtodo o algoritmo de optimizacin universal que resuelva todos o la gran
mayora de problemas existentes, en su lugar existe una amplia y variada coleccin de
algoritmos. El investigador debe dominar un amplio espectro de algoritmos.
Los mtodos y algoritmos de optimizacin para PNL presentan comportamientos diferentes
para cada tipo de problema. Su eficiencia cambia cuando cambia el problema.
La responsabilidad de seleccionar el mejor mtodo o algoritmo es del usuario.
Una vez aplicado un algoritmo de optimizacin al modelo matemtico del problema debe
existir una forma de determinar que se ha encontrado una solucin. Algunos problemas admiten
la aplicacin de condiciones de optimalidad, otros no.
Debe definirse una estrategia eficiente para pasar de un punto del espacio solucin a otro
cuando se considera que no se ha encontrado an una solucin al problema.
Los problemas presentan mltiples objetivos, generalmente en conflicto.
Los problemas son multimodales.
Existe ambigedad entre parmetros y variables de decisin.
Existen incertidumbres respecto a los lmites de las variables y las restricciones.
Existen elementos probabilsticos y variables con el tiempo.
Se tiene un conocimiento apenas cualitativo de ciertos aspectos del problema.
13
Rosenbrok
Subgradiente e. Mtodos inexactos:
Regla de Armijo
Golstein
f. Mtodos basados en barreras:
Punto interior no lineal
Polinomial-time
g. Mtodos basados en penalidades:
SUMT
Lagrangiano aumentado
Mtodo de multiplicadores
h. Mtodos de direcciones factibles:
Zoutendijk
Programacin lineal sucesiva
Programacin lineal sucesiva con penalidad
Lagrangiano proyectado
Gradiente proyectado de Rosen
Gradiente reducido de Wolfe
Zangwill
i. Otros:
Programacin fraccional
Programacin geomtrica
Programacin separable
15
Heursticas y metaheursticas
Hbridos
16
17
n
posee, la que sera representada por una funcin f: R R . La firma elegira
x Rn
tal
w i> 0i=1,2 n
; x el vector de insumos,
y (> 0) nivel del producto deseado, f(x) funcin de produccin. Las condiciones de primer orden
(CPO), para este problema son:
f (x)
f (x)
wi +
0 wi +
x i=0 i=1, 2, , n [ f x y ] =0
xi
xi
f x y 0
x =x ( w , y ) tanto cuando a ( w , y ) .
C={ X : X 0, F ( X ) Y } .
f i ( x )<w
en este caso
x i=0
La funcin demanda
20
U
=x j , j=1,2, , n
pj
Esto significa que un aumento en el precio disminuir la satisfaccin del consumidor.
Las igualdades obtenidas nos permiten obtener la identidad de Roy.
U
U
+xj
=0, j=1,2, , n
pj
M
Programacin No Lineal En La Ingeniera Elctrica.
Los sistemas de energa elctrica se extienden sobre naciones e incluso continentes para asegurar
el suministro elctrico a la industria, los negocios y los hogares. A lo largo de la red se
encuentran situados aparatos de medida de diversos tipos. Los voltmetros miden las tensiones
con una cierta precisin. Se realiza una medida de tensin, que se designa por vi, en cada nudo
i; su nivel de calidad viene determinado por el parmetro vi. Cuanto menor es vi, mayor es la
precisin de la medida. Normalmente, las medidas de potencia activa se toman en los extremos
de cada lnea. Tales medidas de potencia activa que circula desde el nudo k hacia el nudo l de la
lnea k l se denota pkl y tiene un grado de precisin indicado por p kl. Del mismo modo, las
medidas de potencia reactiva se encuentran en ambos extremos de toda lnea y se indica por qkl
con un grado de precisin asociado al parmetro q kl. Adems de la potencia activa, la potencia
reactiva tambin viaja por las lneas de potencia. La potencia reactiva es una variable relacionada
con los valores del voltaje. Si se dispone de suficiente potencia reactiva, el perfil del voltaje es
adecuado, pero si no, tal perfil se deteriora. Finalmente, si la potencia reactiva disponible es
mayor de la deseada, el perfil del voltaje se sobredimensiona. El estado de la red de potencia se
determina por los voltajes en los nodos. El valor del voltaje en cada nodo es un nmero
complejo, expresado normalmente en forma polar. El mdulo de este nmero complejo
proporciona el valor del voltaje mientras que el ngulo es una medida de la altura relativa de
este nudo. Cuanto mayor es la altura de un nudo, mayor es el flujo de la potencia activa desde
este nudo hacia otros nudos conectados con l.
Para conocer el estado de la red de potencia, es necesario conocer las variables de estado.
Tpicamente se dispone de un nmero de medidas mayor que el mnimo requerido. Pero tales
medidas no son exactas. Un modo racional de proceder consiste en usar todas las medidas para
21
generar la mejor estimacin del estado de la red. Los voltajes (variables de estado) en la red se
denotan por vi _ i i , donde vi es la magnitud del voltaje; i es el ngulo del voltaje; y , el
conjunto de nudos de la red. Debe observarse que el ngulo de cualquier nudo fijo puede tomarse
como el origen; as se podr m = 0, donde m es un nudo arbitrario.
Programacin No Lineal En La Geometra.
La bombilla
Una bombilla est situada justo encima del centro de un crculo de radio r. Suponiendo que la
intensidad de luz en cualquier punto de la circunferencia es proporcional a la raz cuadrada del
seno del ngulo con el que el rayo de luz llega a tal punto, y al inverso de la distancia a la
bombilla, d, encontrar la altura optima de la bombilla, de suerte que la intensidad en la
circunferencia (frontera del crculo) sea mxima. Se debe maximizar la intensidad de luz en los
puntos de la circunferencia de radio r = 30 cm. Sea
apropiadas, que depende del seno del ngulo formado por el rayo de luz y el horizonte.
=
En el tringulo de la figura se ve que:
h
; d= h2 +r 2
2
2
h + r
sin
h
( 2+r 2 )
As se puede escribir:
3
4
1
2
h
I ( h )=k
Donde k > 0 es una constante de proporcionalidad. Esta expresin debe maximizarse con
respecto a h, recordando que debe tenerse h 0. (https://es.scribd.com/doc)
22
OPTIMIZACIN DE PORTAFOLIO
Teora De Portafolio
Se entiende por portafolio a una combinacin de activos. La teora del portafolio trata acerca de
la solucin ptima de dichas combinaciones, para inversores a versos al riesgo. La teora
maneja dos conceptos fundamentales, los rendimientos y los riesgos, tanto para activos
individuales como para portafolios.
En este estudio se analiza el mtodo de optimizacin de carteras de Markowitz, cuya no
linealidad se resuelve por el mtodo de los Multiplicadores de LaGrange, para agilizar la
toma de decisiones (tomar posiciones en el mercado de valores) en operaciones de intrada.
Multiplicadores De Lagrange
En los problemas de optimizacin, el mtodo de los multiplicadores de LaGrange, llamados as
en honor a Joseph Louis LaGrange, es un procedimiento para encontrar los mximos y
mnimos de funciones de varias variables sujetas a restricciones. Este mtodo reduce el problema
restringido con n variables a uno sin restricciones de n + k variables, donde k es igual al nmero
de restricciones, y cuyas ecuaciones pueden ser resueltas ms fcilmente. Estas nuevas variables
escalares desconocidas, una para cada restriccin, son llamadas multiplicadores de LaGrange.
El mtodo dice que buscar los extremos condicionados de una funcin con k restricciones, es
equivalente a buscar los extremos sin restricciones de una nueva funcin construida como una
combinacin lineal de la funcin y las restricciones,
donde
los
coeficientes
de
las
h ( x , )=f k g k ( 1 )
k=1
23
Lo que es equivalente a
s
f
xi
f
=0 ( 2 )
xi
k xk (3)
k
extremo
para
que
al
mismo
tiempo
riesgo
que
se
dilema
entre
dispuesto a intercambiar riesgo por rendimiento. El anlisis reconoce que no todos los
24
inversionistas tienen el mismo grado de hostilidad al riesgo y, por lo tanto, la tasa a la que cada
inversionista prefiere canjear ms riesgo por ms rendimiento es subjetiva.
Una de las formas de encontrar este conjunto de portafolios eficientes es a travs del siguiente
modelo, que slo considera la minimizacin de la varianza media del portafolio y que
corresponde al siguiente esquema de programacin no lineal, (ver modelo de Harry
Markowitz).
n
1
1
min 2p= wi w k ik ( 4 )
2
2 i=1 k=1
Sujeto a:
n
Y p= wi Y i
i=1
un rendimiento esperado
dado y (b) tienen el rendimiento esperado mximo dentro de todas las combinaciones
posibles que tienen una varianza dada. Aquellas combinaciones que renen estos dos atributos
se llaman portafolios eficientes. (http://www.redalyc.org)
27
APNDICE
29
CONCLUSIN
En conclusin este informe presenta una introduccin sobre programacin no lineal destacando
definiciones, caractersticas, ventajas, etc. Adems se describe algunas aplicaciones sobre la
programacin no lineal en la arquitectura, economa, microeconoma, geometra, ingeniera
elctrica.
El modelo de Markowitz, resuelto con multiplicadores de Lagrange, es mucho ms rpido
para resolver problemas de optimizacin de portafolios de inversin correspondientes a
variaciones de precios pequeos durante perodos cortos de tiempo, para casos de negociacin.
De la matriz de correlaciones (correlaciones bajas), se puede apreciar que el portafolio
ideal depende de un alto grado de diversificacin, lo que se pierde de rentabilidad por la baja en
el precio de una o varias acciones del portafolio, se recuperara por el incremento en el precio de
las otras acciones.
Se present una metodologa alterna para resolver problemas de PE basada en una
transformacin matemtica del problema original. El algoritmo presentado para resolver el
nuevo problema de PNL muestra ser eficiente cuando es apoyado por un minimizador irrestricto
de buen desempeo como el gradiente conjugado. Inclusive muestra que el tiempo
computacional empleado no es elevado aun cuando se tratan problemas de gran tamao. Sin
embargo, los algoritmos de PNL no garantizan la convergencia hacia el optimizador global, sino
que resultan en un punto que satisface condiciones de primer orden de Karush Kuhn Tucker, es
decir, optimizadores locales. Se puede afirmar, que problemas de pocas variables convergen
rpidamente al optimizador global.
30
BIBLIOGRAFA
(s.f.).
Obtenido
de
http://investigaciondeoperaciones.net/programacion_no_lineal.html
http://openopt.org. (s.f.). Obtenido de http://openopt.org/IPOPT
http://sourceforge.net/projects/lpsolve/. (s.f.). Obtenido de http://sourceforge.net/projects/lpsolve/
http://www.aliatuniversidades.com.
(s.f.).
Obtenido
de
http://www.aliatuniversidades.com.mx/bibliotecasdigitales/pdf/economico_administrativ
o/Investigaci%C3%B3n_de_operaciones/Investigacion_de_operaciones_Parte_2.pdf
http://www.cimec.org.ar.
(s.f.).
Obtenido
de
http://www.cimec.org.ar/ojs/index.php/mc/article/viewFile/211/186
http://www.coin-or.org/. (s.f.). Obtenido de http://www.coin-or.org/
http://www.enciclopediafinanciera.com.
(s.f.).
Obtenido
de
http://www.enciclopediafinanciera.com/definicion-programacion-no-lineal.html
http://www.eurodecision.es. (s.f.). Obtenido de http://www.eurodecision.es/optimisation-lineaire
http://www.konradlorenz.edu.
(s.f.).
Obtenido
de
http://www.konradlorenz.edu.co/images/stories/suma_digital_matematicas/PNL.pdf
http://www.pyopt.org. (s.f.). Obtenido de http://www.pyopt.org/reference/optimizers.fsqp.html
http://www.redalyc.org. (s.f.). Obtenido de http://www.redalyc.org/articulo.oa?id=84927487017#
http://www.utp.edu.co.
(s.f.).
Obtenido
de
http://www.utp.edu.co/~aescobar/PNL_introduccion.pdf
https://es.scribd.com/doc.
(s.f.).
Obtenido
de
https://es.scribd.com/doc/36404359/La-
Programacion-no-Lineal#download
31
https://karenbandala.wordpress.com.
(s.f.).
Obtenido
de
https://karenbandala.wordpress.com/unidad-iii/3-3-problemas-no-restringidosprogramacion-no-lineal/
https://projects.coin-or.org. (s.f.). Obtenido de https://projects.coin-or.org/OBOE
https://www.gnu.org. (s.f.). Obtenido de https://www.gnu.org/software/glpk/
32
ANEXOS
Imgenes del Ejercicio
Imagen 1
Imagen 2
33
Imagen 3
Imagen 4
Imagen 5
Imagen 6
34
Imagen 7
Imagen 8
35
Imagen 9
Imagen 10
36
Imagen 11
37