UNIVERSIDAD DE SAN FRANCISCO

XAVIER DE CH.
FACULTAD DE ING CIVIL

DUALIDAD Y METODOS CONVEXOS

GRUPO N 2 LOS REPETES

INTEGRANTES : AGUIRRE CISNEROS

MAX DANIEL
HUANCA PEREZ MIGUEL F.

ASIGNATURA: CIV 251 SIS. DE ING. CIVIL

DUALIDAD Y METODOS CONVEXOS

INTRODUCCIN, CONOCIMIENTOS PREVIOS.

La Programacin Lineal
Es una tcnica matemtica aplicable a la designacin de recursos limitados, para
llevarlos hacia un objetivo comn y provechoso, en el que se puede maximizar
beneficios (utilidades o rendimiento) o minimizar esfuerzo (costos, mano de obra o
desperdicio de recursos).
Para ello se usa un modelo grfico o matemtico para la resolucin del problema en
base a lneas rectas (slo una variable de primer grado en cada trmino).
El modelo grfico consiste en dibujar las funciones (sobre un papel milimetrado o
computadora), pero este mtodo es limitado ya que solo se puede llegar a modelar
sistemas de no ms de 3 incgnitas, y para mas incgnitas y sistemas ms grandes de
varias restricciones o sistemas inconsistentes se pueden usar mtodos analticos
(Simplex, Dualidad, etc)

La Programacin no Lineal.
Se refiere a que pueden existir ms de una variable y de grado superior en cada
trmino del problema, presentndose parbolas e incluso funciones trigonomtricas.
Estos problemas complejos se pueden resolver con el mtodo convexo o bien
aproximaciones diferenciales.

MODELO DE PROGRAMACION LINEAL GENERAL.

Esta tcnica presenta cuatro partes:
1era parte
Definicin de la cantidad de variables y su significado (pueden ser bienes,
manufactura, etc)

2da parte
Funcin objetivo que se requiere optimizar (maximizar o minimizar).

3ra parte
Definicin de las restricciones (sistema de ecuaciones).

Se usa:

<= si no se quiere exceder los recursos disponibles

=> si se requiere no menos de lo disponible
= es una restriccin rigida

4ta parte
Condiciones de no negativo de las variables. Se usa => 0 ya que las
soluciones negativas no son coherentes en el mundo real

Esta tcnica matemtica se llama Programacin Lineal (o No Lineal).

Ejemplo. Problema de combinar produccin para maximizar la utilidad

El modelo matemtico para un problema de esta ndole puede ser el siguiente.

Para valores arbitrarios de x1 se pueden dar valores para x2 y viceversa

Primera restriccin.

Segunda restriccin.

Tercera restriccin.

Combinando las Restricciones se tiene.

De esta manera se encuentra una regin geomtrica de soluciones factibles al

problema

Para encontrar la optimizacin nos podemos seguir moviendo hacia afuera de la

funcin, pero mantenindonos siempre dentro de la regin de soluciones factibles.
Todos los mtodos como Simplex, Dualidad, Convexo, etc. estn diseados para
encontrar este punto en el cual la funcin toca la regin factible, en este caso, en su
punto mas alejado (maximizar).
Para este punto se encuentra una solucin ptima para el programa lineal
La solucin anterior se encontr por medio de mtodos grficos. A continuacin se
encontrar la solucin con un mtodo analtico comn:

Se puede observar que las restricciones 1 y 3 son las restricciones principales,

entonces:

La localizacin exacta del punto de solucin ptima es X1 =25 y X2 =20.

Se resolvi el problema tanto con el mtodo grafico como el analtico.

DUALIDAD
Para entender la teora de la dualidad vamos a representar en forma matricial todo
el problema anterior
Max
Z=

CX
AX <= b

X => 0

Existen dos formas matemticas de stos problemas.

Si queremos maximizar la funcin Z, las

Aqu se puede maximizar o minimizar la

restricciones debern estar hacia la

izquierda (<=) y en el campo positivo.
Si queremos minimizar la funcin Z, las
restricciones debern estar hacia la
derecha (=>) y en el campo

funcin, sobre un campo de restricciones

estricto sobre las mimas lneas rectas.

Positivo.
Muchas veces las restricciones presentan desigualdades diversas e incluso
igualdades, entonces se debe llevar a una forma conocida como la cannica o estndar.
Muchas veces el problema planteado puede presentar demasiada dificultad es por
eso que se recurre a la teora de la dualidad.
TEORIA DE LA DUALIDAD.
Se inicia bajo la consideracin de que todo problema de programacin lineal tiene
un problema asociado. El problema original se llama PRIMAL y el asociado se llama
DUAL. Ambos problemas estn estrechamente relacionados y tienen la misma solucin,
por lo tanto si se encuentra la solucin de uno de ellos se encontrara la solucin para el
otro. Esto es especialmente til cuando el Primal en un problema muy complejo.
PROBLEMA DUAL OBTENIDO DE LA FORMA CANONICA.

La lgica para pasar de Primal a Dual es la siguiente.

Y las reglas de cambio de desigualdad son las siguientes. Tabla de TUCKER

Por qu se plantea la teora de la Dualidad?

convenga.

grfico.

Por que permite reducir el nmero de restricciones o de variables segn

Por que su programa dual a veces puede ser resuelto con el mtodo

Ejemplo: Consideramos el siguiente problema lineal

Para llevar a su forma dual se debe considerar las

anteriores tablas de conversin.
En el problema Dual se encontr la solucin

Las variables del dual representan variables extremas del primal. Asi 1 y 2
representan a X1 y X5.

Resolviendo el sistema de ecuaciones se tiene

X1 = 1 y el X5=1
Entonces la Solucin de la funcin
primal queda asi.

Z = 2x1 + 3x2 + 5 X3 + 2X4 +

3X5 = 5
De un problema que tena
demasiadas incgnitas, se la convirti
en un sistema de 2 incgnitas de
manera que se pueda resolver
rpidamente por un mtodo grfico.
EJEMPLO:

cannico

PRIMAL
s.a.

Max Z = 3x1 + 5x2

4
2x2 12
3x1 + 2x2 18

DUAL
Min G = 4 y1 + 12 y2 + 18 y3

x1

s.a

1y1

y1 ; y2 ; y 3 0

x1 , x 2 0

EJEMPLO:

+3y3 3
2y2 +2y3 5

Caso especial (General).

PRIMAL

DUAL

Min Z = 2x1 + 3x2

S.A. 2x1 + x2 16
x1 + 3x2 20
x1 + x2 = 10
x1 , x 2 0

Max G = 16y1 + 20y2 + 10y3

S.A.

2y1 + 1y2 + 1y3 2

1y1 + 3y2 + 1y3 3

y1 0 ; y2 0 ; y3 LIBRE
(y3 > 0 ;
y3 < 0 )

OPTIMIZACION CONVEXA
Definiremos a continuacin a qu nos referimos con funcin convexa y conjunto
convexo.
Conjunto convexo.

Un conjunto es convexo si dados dos puntos A, B, cualesquiera del mismo, el

segmento de recta que los une, se incluye totalmente en dicho conjunto. La expresin
matemtica, de todos los puntos P obtenidos por combinacin convexa entre dos puntos
A y B del mismo es:

Algunos ejemplos de conjunto convexo:

Todos los puntos del segmento arbitrario A-B se encuentran dentro del conjunto
(restricciones). Lneas tangentes trazadas al exterior del conjunto no atraviesan el mismo.
Por tanto es un conjunto convexo.
Conjunto no convexo (cncavo).
Algunos ejemplos de conjunto no convexo:

No todos los puntos de un segmento arbitrario A-B se encuentran en el conjunto

(restricciones). Lneas tangentes trazadas al exterior del conjunto atraviesan el mismo.
Por tanto es un conjunto no convexo.
El conjunto convexo o no convexo puede estar definido por funciones tanto lineales
o no lineales.

Funcin Convexa.

Se dice que una funcin, definida sobre un intervalo, es convexa si un segmento

unido por dos puntos arbitrarios de la funcin queda por encima de sta.
Esta afirmacin se expresa como sigue:

Para cualquier par

en el intervalo , y cualquier

Funcin no convexa:
Se dice que una funcin no es convexa (cncava) cuando dados dos puntos
cualesquiera, el segmento que los une queda por debajo de la curva. Una funcin
cncava, tambin se llama cncava hacia abajo, mientras que una funcin convexa es
llamada cncava hacia arriba.

Programacin convexa.

Despus de la definicin se puede decir que la programacin convexa estudia el

caso en que la funcin objetivo puede ser convexa (Minimizar) o cncava (Maximizar), y
las restricciones son convexas.
Esta definicin es particularmente importante en el caso de que se disponga a
resolver problemas de optimizacin No Lineal en el que la funcin objetivo puede tener
diversas formas como ser:

Parbola
Considerando siempre que el conjunto-restriccin sea convexo.
En resumen la programacin convexa abarca todos los problemas en que se
garantice encontrar las soluciones tanto globales como locales en funciones y
restricciones lineales o no lineales y existe varios mtodos para resolverlos como ser
Programacin Cuadrtica, Simplex, Dual-Simplex, Variables separables, Dualidad, etc.
Para problemas de programacin no convexa existen mtodos que si bien nos
pueden brindar soluciones locales no siempre se garantiza que stas sean tambin

soluciones globales. Por lo tanto no se tiene un algoritmo que garantice encontrar una
solucin ptima para todos estos problemas.
Ejemplos de programacin convexa.

Para desarrollar el problema hacemos:

pues en dicho punto se tiene:

y de ese modo se cumplen todas las restricciones.

Programacin Separable.
La programacin separable es una caso especial de programacin convexa, en
donde las suposiciones adicionales es:
todas las funciones f(X) y gj(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 f(X) es una funcin separable, se puede expresar como
F(X)= fj (Xj),
En donde cada fj(Xj) incluye solo los trminos con Xj. en la terminologa de
programacin lineal , los problemas de programacin separable satisfacen las
suposiciones de auditividad pero no las de proporcionalidad (para funciones no lineales).
Para ilustrar, la funcin objetivo considerada en la siguiente figura:
F(X1, X2)=126X1 9x21 + 182X2 13X22
Es una funcin separable porque puede ser expresada como
F(X1, X2)= F(X1) + F(X2)
Donde F1(X1)= 126X1 9x21 y F(X2)= 182X2 13X22 son cada una funciones de
una sola variable x1 y x2, respectivamente. Usando el mismo razonamiento, se puede
verificar que la funcin considerada en la figura siguiente, 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. Es te enfoque se describe, mas adelante.

BIBLIOGRAFIA
1. S. Boyd, Convex Optimization I, EE364A Lecture Videos, 2008,
Web de la Universidad de Stanford,
2. IBM Corporation, Software Group, IBM ILOG CPLEX Optimizer,
High Performance Mathematical Optimization Engines,
2010,
3. R. Lorenz y S. Boyd, Robust minimum variance beamforming,
4. Y. Ye, M. J. Todd, y S. Mizuno, An O(pnL)-iteration homogeneous
and self-dual linear programming algorithm, Mathematics
of Operations Research 19 (1994), 5367.
PAGINAS WEB
5. INVESTIGACION DE OPERACIONES, Instituto Politcnico Nacional,

http://www.sites.upiicsa.ipn.mx/polilibros/portal/Polilibros/P_terminados/Inv
estigacion_de_Operaciones_Careaga/
6. http://programacionnolinealsm.wordpress.com/