UNIVERSIDAD NACIONAL AGRARIADE LA SELVA

FACULTAD DE INGENIERA EN INFORMTICA Y SISTEMAS

PROGRAMACIN NO LINEAL CON

RESTRICCIONES
MTODO LAGRANGE

Presentado por:
TANIGUCHI LOCK, Sony
VILLANUEVA RETIS, Alexis Jhoan
Curso:
INVESTIGACIN DE OPERACIONES II
Docente:
Mg. Ing. CHUCOS BAQUERIZO Nilthon

Tingo Mara Per

2016

Tabla de contenido
I.

INTRODUCCION........................................................................................ 3

II.

MTODO DE LAGRANGE........................................................................... 4
2.1.

DEFINICION:....................................................................................... 4

2.2.

CONDICIONES DE OPTIMALIDAD DE KARUSH-KUHN-TUCKER..............5

Ejercicio Resuelto Teorema de Karush Kuhn Tucker (KKT).............................9

2.2.

MULTIPLICADORES DE LAGRANGE EN PROGRAMACION NO LINEAL. .12

I.

INTRODUCCION

Los programas con restricciones de desigualdad, tienen una historia mucho

ms reciente, las caractersticas y mtodos de resolucin empiezan a dar a
conocer en los aos cincuenta de este siglo, mientras que los programas
con restricciones de igualdad o sin restricciones conforman la optimizacin
clsica, y han sido utilizados desde el siglo XVIII. Los mtodos tericos de
resolucin de los programas no lineales, con restricciones de desigualdad,
son conocidos a partir de los trabajos de los matemticos norteamericanos
Kuhn y Tucker, publicados en 1951. Este tipo de programas representan
con ms fidelidad, las circunstancias en las que se desenvuelve la actividad
econmica, ya que normalmente se dispone de cantidades limitadas de
recursos - ms de una vez habremos ledo que la economa es la ciencia
de la escasez - pero sin la obligacin de emplearlas en su totalidad, si ello
no resulta necesario. As, este nuevo tipo de programas, nos posibilita
obtener soluciones ptimas que no saturen1 necesariamente todas las
restricciones, pudiendo quedar recursos que no sea necesario utilizar hasta
su agotamiento.

II.

MTODO DE LAGRANGE

II.1.

DEFINICION:

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
mltiples 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 los puntos donde la funcin tiene un extremo
condicionado con k restricciones, estn entre los puntos estacionarios de
una nueva funcin sin restricciones construida como una combinacin
lineal de la funcin y las funciones implicadas en las restricciones, cuyos
coeficientes son los multiplicadores.
La demostracin usa derivadas parciales y la regla de la cadena para
funciones de varias variables. Se trata de extraer una funcin implcita de
las restricciones, y encontrar las condiciones para que las derivadas
parciales con respecto a las variables independientes de la funcin sean
iguales a cero.
El mtodo de multiplicadores de Lagrange (el cual es generalizado por las
condiciones de optimalidad de Karush-Kuhn-Tucker) permite abordar la
resolucin de modelos de programacin no lineal que consideran
restricciones de igualdad. En este sentido y como resulta natural, el
dominio de soluciones factibles considerar exclusivamente aquellas
soluciones que permiten verificar el cumplimiento de la igualdad de dichas
restricciones. Por el contrario, un problema de optimizacin que considera
inecuaciones como restricciones, slo requiere que stas se cumplan y no
necesariamente se deber forzar el cumplimiento de ellas en igualdad
(activas).

II.2.

CONDICIONES DE OPTIMALIDAD DE KARUSH-KUHN-TUCKER

Las condiciones de optimalidad establecidas en el Teorema de Karush Kuhn

Tucker (KKT) permiten abordar la resolucin de modelos de Programacin
No Lineal que consideran tanto restricciones de igualdad (ecuaciones) como
desigualdad (inecuaciones).
En trminos comparativos las condiciones de KKT son ms generales que
el Mtodo de Lagrange el cual se puede aplicar a problemas no lineales
que consideran exclusivamente restricciones de igualdad.
En el siguiente artculo mostraremos cmo utilizar el Teorema de Karush
Kuhn Tucker para resolver un problema de Programacin No Lineal con 2
variables de decisin.
Sin prdida de generalidad un modelo de Programacin No Lineal se puede
representar a travs del siguiente formato:

Luego podemos reescribir cualquier problema en dicha estructura

manteniendo la equivalencia de la representacin matemtica. Para
ejemplificar lo anterior consideremos el siguiente modelo de optimizacin
no lineal que resulta de inters su resolucin.

El problema anterior se puede representar grficamente a travs del

software Geogebra de modo de encontrar su solucin ptima (x1=2 y x2=1)

en el par ordenado etiquetado con la letra C en el grfico a continuacin,

con valor ptimo V (P)=2.
El conjunto de factibilidad corresponde al rea achurada. Adicionalmente se
puede observar que en la solucin ptima se encuentran activas las
restricciones 1 y 3 (el resto de las restricciones por cierto se cumple pero
no en igualdad).

Por supuesto la resolucin mediante el Mtodo Grfico es slo referencial y

se ha utilizado en este caso para corroborar los resultados a obtener en la

aplicacin del teorema. En este contexto el problema en su forma estndar

es simplemente:

Notar que slo fue necesario cambiar la forma de las restricciones de no

negatividad (esto se puede hacer multiplicando por -1 cada una de ellas).
Cabe destacar que en este caso en particular el problema no considera
restricciones de igualdad.
Luego las condiciones necesarias de primer orden de Karush Kuhn Tucker
(KKT) estn dadas por:

Por ejemplo, si en las condiciones generales anteriores consideramos el

problema no restringido (asumiendo que todas las restricciones son inactivas)
la solucin ptima por simple inspeccin es x1=3 y x2=2, que corresponde a la
coordenada E de la grfica anterior y que se puede observar no es una
solucin factible para el problema.
De este modo la circunferencia de menor radio que intercepta el conjunto de
factibilidad es precisamente aquella que pasa por la coordenada C donde las
restricciones 1 y 3 se cumplen en igualdad, razn por la cual las cuales
activaremos de forma simultanea:

Al calcular los gradientes respectivos se obtiene:

Lo cual da origen al siguiente sistema de ecuaciones:

Reemplazando x1=2 y x2=1 podemos

despejar

los

valores

de

los

multiplicadores los cuales cumplen con las condiciones de no negatividad:

Adicionalmente se puede verificar que x1=2 y x2=1 satisface las restricciones

omitidas (2, 4 y 5) por lo cual se puede afirmar que dicha solucin cumple las
condiciones necesarias de primer orden de Karush Kuhn Tucker (KKT).
A continuacin verificamos el cumplimiento de las condiciones de segundo
orden de KKT, en particular lo que tiene relacin con la convexidad del
problema. Para ello calculamos la Matriz Hessiana o de segundas derivadas de
la funcin objetivo y las restricciones activas.

El primer determinante de la Matriz Hessiana es D1=8/3>=0 y el segundo

determinante es D2= (8/3)*(8/3)= (64/9)>=0. Se concluye que el problema
es convexo y por tanto x1=2 y x2=1 es mnimo local y global para el problema.
La resolucin computacional de este problema con AMPL corrobora los
resultados alcanzados:

Ejercicio Resuelto Teorema de Karush Kuhn Tucker (KKT)

Un asesor financiero est evaluando la compra de acciones de firmas de
cierto sector industrial. Desea minimizar la variacin de la cartera resultante
compuesta por acciones de dos firmas, pero tambin quiere tener un tasa de
retorno de al menos un 9%. Despus de obtener datos histricos sobre la
variacin y rendimientos de ambos instrumentos, desarrolla el siguiente
modelo de optimizacin no-lineal:

Donde x e y representan la proporcin de dinero invertida en cada accin.

Formule explcitamente todas las condiciones de optimalidad del Teorema de
Karush-Kuhn-Tucker para este problema y selas para determinar la cartera

ptima. Justifique adecuadamente su respuesta. Analice todos los posibles

casos.
Respuesta:
Segn el Teorema de Weierstrass, el problema admite solucin ptima pues
tiene una funcin objetivo continua y un dominio de soluciones factibles
cerrado y acotado (que se puede apreciar incluso geomtricamente). En este
sentido el dominio de soluciones factibles son los puntos en la recta que
unen los pares ordenados etiquetados con las letras A y B, donde:
Y

Ms an es fcil ver que la Matriz Hessiana de la funcin objetivo es positiva

definida y por ende es una funcin (estrictamente) convexa.

Como las restricciones son lineales, y la funcin objetivo es estrictamente

convexa, resulta que es problema propuesto es un problema convexo.
Lo anterior (que el problema sea convexo) implica que las condiciones de
optimalidad de Karush-Kuhn-Tucker son necesarias y suficientes para hallar
la solucin ptima del mismo.
Las condiciones del Teorema de Karush-Kuhn-Tucker para este problema
son:
i)

0.32x + 0.20y + 1 0.111 2 = 0

0.18y + 0.20x + 1 0.081 3 = 0

ii)

(-0.11x 0.08y + 0.09) 1 = 0

-x1 2 = 0 -x3 3 = 0

iii)

x+y=1
0.11x + 0.08y 0.09
x0, y0
iv)
10, 20, 30

Al considerar el esquema de activacin de restricciones, siempre debe estar

activa la ecuacin x+y =1 y lo que cabe entonces es no activar ninguna
inecuacin o a lo sumo activar una de ellas.
Los diferentes casos que se podran llegar a analizar son:
i) Ninguna inecuacin activa.
Tomamos 1=0, 2=0, 3=0 y resolvemos:

0.32x + 0.20y + 1 = 0
0.18y + 0.20x + 1 = 0
x+y=1
Cuya solucin resulta ser: x=-0.2 e y=1.2 que es infactible.
ii) Activando slo la inecuacin 0.11x + 0.08y 0.09.
Tomamos 2=0, 3=0 y resolvemos:
0.32x + 0.20y + 1 0.111 = 0
0.18y + 0.20x + 1 0.081 = 0
x+y=1
0.11x + 0.08y = 0.09
Cuya solucin resulta ser: x=1/3 e y=2/3 con multiplicadores 1=0,04444453
y 1=1,777777502, con lo cual tenemos un punto que cumple con todas las
condiciones del teorema.
iii) Activando slo la inecuacin x0.
Tomamos 1=0, 3=0 y resolvemos:
0.32x + 0.20y + 1 2 = 0
0.18y + 0.20x + 1 = 0
x+y=1
x=0
Cuya solucin resulta ser: x=0 e y=1 con multiplicadores 1=-0.18 y 2 =
0.02pero no verifica 0.11x + 0.08y = 0.08 0.09.
iv) Activando slo la inecuacin y0.
Tomamos 1=0, 2=0 y resolvemos:
0.32x + 0.20y + 1 = 0
0.18y + 0.20x + 1 3 = 0

x+y=1
y=0
Cuya solucin resulta ser: x=1 e y=0 con multiplicadores 1=-0.32 y 3=0.12y este ltimo no cumple con la no-negatividad.

En consecuencia, la solucin ptima es aquella obtenida en el caso ii) pues

el problema es convexo: x=1/3 e y=2/3. Dicha solucin corresponde al par
ordenado etiquetado con la letra A en la grfica anterior. El valor
ptimo es 0.102222 y se obtiene simplemente al evaluar la solucin ptima en
la funcin objetivo.
2.2.

MULTIPLICADORES DE LAGRANGE EN PROGRAMACION NO

LINEAL
En general las condiciones de Lagrange se aplican a un problema que tiene
la siguiente estructura:

Que da origen a la funcin Lagrangiana asociada ha dicho problema:

Consideremos el siguiente problema de Programacin No Lineal restringido

que nos permitir ilustrar la aplicacin del mtodo de Lagrange.

Notar que el problema adopta la estructura estndar previamente descrita y

considera una nica restriccin de igualdad. No se incluye en particular
condiciones de no negatividad, que en caso de estar presentes justificaran
la aplicacin del Teorema de Karush-Kuhn-Tucker.
En este contexto, un mnimo local para el problema propuesto debe
satisfacer las condiciones necesarias de primer orden de Lagrange:

Que da origen al siguiente sistema de ecuaciones:

Donde la resolucin es trivial y corresponde a x1=2, x2=2 y 1=-4. Notar que

el multiplicador de Lagrange asociado a una restriccin de igualdad es libre
de signo, en consecuencia la solucin propuesta satisface las condiciones
necesarias de primer orden.
Adicionalmente se cumplen las condiciones de segundo orden pues:

Es positiva definida (funcin objetivo estrictamente convexa y restriccin

lineal que define un conjunto convexo). Luego, el problema es convexo y en
consecuencia x1=2 y x2=2 es mnimo global y solucin ptima del problema.
Este resultado por cierto es consistente con la representacin grfica del

problema, donde la solucin ptima corresponde al punto A, donde la

restriccin (color naranjo) es tangente a la curva de nivel que representa a la
circunferencia de menor radio que intercepta el dominio de soluciones
factibles.