1.

La programacin no lineal se ocupa del problema de optimizar una funcin objetivo

con la presencia de restricciones tipo de igualdad y/o desigualdad. Si todas las
funciones son lineales tenemos un programa lineal de lo contrario, el programa es
no lineal y su resolucin es el problema de estudi. La popularidad de la
programacin lineal puede atribuirse a muchos factores, incluyendo su habilidad
para modelar problemas grandes y complejos, as como la de su resolucin en un
intervalo razonable de tiempo mediante el uso del mtodo Simplex. Ms
recientemente del mtodo de Karmarkar y de las computadoras, por parte de los
usuarios.
Se considera-como tal al conjunto de mtodos utilizados para optimizar una
funcin objetivo, sujeta a una serie de restricciones en los que una o ms de las
variables incluidas es no lineal.
Como ejemplo considere el siguiente problema de programacin no lineal:
Minimizar f(x)
sujeta a g(x) < 0 i - 1, 2 m
h(x)- 0 j - 1,2 1

Ramn Cant Cuellar. (1996). Programacin no Lineal. San Nicolas de los Garza: Sin.

2. Un modelo de Programacin No Lineal (PNL) es aquel donde las variables de

decisin se expresan como funciones no lineales ya sea en la funcin objetivo y/o
restricciones de un modelo de optimizacin. Esta caracterstica particular de los
modelos no lineales permite abordar problemas donde existen economas o des
economas de escala o en general donde los supuestos asociados a la
proporcionalidad no se cumplen.
Investigacin de Operaciones.net. (2014) Qu es la Programacin No Lineal? Febrero
02, 2017, de Investigacin de Operaciones.net Sitio web

3. Muchas aplicaciones industriales de optimizacin implican una modelizacin que

se aproxima ms a la fsica. En optimizacin del diseo por ejemplo, se optimizan
meta-modelos o espacios de respuesta que provienen de un modelo estadstico,
que no son lineales. As mismo, la optimizacin topolgica o la optimizacin de
forma recurren a modelos no lineales y adems de tamao muy grande, como en
este ejemplo.

Formalmente, un programa matemtico no lineal se enuncia:

Min f(x)
gj(x) <=0 j = 1,,m
x vector de nmeros reales que representan las variables de decisin
Eurodecision. (2014). La programacin no lineal . 7-03-2017, de Eurodecision Sitio web:
http://www.eurodecision.es/optimisation-lineaire
Identifica los tipos de mtodos de programacin no lineal. Y de cada tipo de mtodo
de programacin no lineal, revisa en 2 fuentes de informacin formal, escribe las
definiciones y procesos (no olvides poner la fuente donde la obtuviste) analzalas,
enumera 10 palabras claves de cada uno, con ellas forma tu propia definicin del
concepto de programacin no lineal de cada mtodo, explica el tipo de problemas y
el proceso de solucin de cada mtodo y crea un diagrama de flujo de cada uno.
Los tipos de problemas de programacin no lineal son:

Optimizacin no restringida.
Optimizacin linealmente restringida.
Programacin cuadrtica
Programacin convexa.
Programacin separable.
Programacin no convexa.
Programacin geomtrica.
Programacin fraccional.
Problema de complementariedad.
Informacin recuperada de:

https://karenbandala.wordpress.com/unidad-iii/3-3- problemas-no-restringidos-
programacion-no-lineal/

OPTIMIZACIN NO RESTRINGIDA

Los problemas de optimizacin no restringida no tienen restricciones, por lo que la

funcin objetivo es sencillamente

Maximizar f(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 ptima cuando f(x)
es una funcin diferenciable es

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.
Qu se puede hacer en ese caso? Las secciones 13.4 y 13.5 descri-
ben 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) suficiente anterior cambia ligeramente a

para cada j de este tipo. Esta condicin se ilustra en la figura 13.11, donde la solucin
ptima de un problema con una sola variable es x = 0 aun cuando la derivada ah es
negativa y no cero. Como este ejemplo tiene una funcin cncava para maximizar
sujeta a una restriccin de no negatividad, el que su derivada sea menor o igual a 0
en # = 0, es una condicin necesaria y suficiente para que x= 0 sea ptima.

Un problema que tiene algunas restricciones de no negatividad y que no tiene

restricciones funcionales es un caso especial (m = 0) de la siguiente clase de
problemas.

OPTIMIZACIN LINEALMENTE RESTRINGIDA

Los problemas de optimizacin linealmente restringida se caracterizan por

restricciones que se ajustan por completo a la programacin lineal, de manera
que todas las funciones de restriccin 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
smplex 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

1. f(x) es cncava.

2. 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. Por ejemplo, si f(x) es una funcin separable, se puede
expresar como

son cada tina funciones de una sola variable x1 y x2, respectivamente. 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 smplex.

son cada tina funciones de una sola variable x1 y x2, respectivamente. 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 smplex.

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. En la seccin 13.10 se presenta uno de
estos algoritmos.

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

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 deprogramacingeo- mtrica. 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

en todo el modelo original. Ahora se puede aplicar un algoritmo de programacin

convexa. Se ha desarrollado otro procedimiento de solucin para resolver estos
problemas de programacin posinomial, al igual que para problemas de
programacin geomtrica de otros tipos.1

PROGRAMACIN FRACCIONAL

Suponga que la funcin objetivo se encuentra en la forma de una fraccin, esto es, la
razn o cociente de dos funciones,

Estos problemas de programacin fraccional surgen, por ejemplo, cuando se

maximiza la razn de la produccin entre las horas-hombre 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 especiales1 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

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

que se puede resolver con el mtodo smplex. En trminos generales, se puede usar
el mismo tipo de transformacin para convertir un problema de programacin
fraccional con /(x) cncava, f2 (x) convexa y g (x) convexas, en un problema
equivalente de programacin convexa.

Informacin recuperada de:

http://www.eurodecision.es/optimisation-lineaire

Generalidades sobre la programacin no lineal

Muchas aplicaciones industriales de optimizacin implican una modelizacin que se
aproxima ms a la fsica. En optimizacin del diseo por ejemplo, se optimizan meta-
modelos o espacios de respuesta que provienen de un modelo estadstico, que no
son lineales. As mismo, la optimizacin topolgica o la optimizacin de forma
recurren a modelos no lineales y adems de tamao muy grande, como en este
ejemplo.

Formalmente, un programa matemtico no lineal se enuncia:

Min f (x)

gj( x)0 j=1, , m x vector de nmeros reales que representan las variables de
decisin

Las tcnicas para resolver los problemas matemticos y los resultados de los
algoritmos de optimizacin dependen de la naturaleza de la funcin objetivo y de las
restricciones.

La programacin lineal trata los casos en los que f(x) y gj(x) son lineales. El
algoritmo del Simplex o los mtodos del punto interior permiten resolver problemas de
 gran tamao (algunos con miles o millones de variables y decenas de miles de
restricciones).
La programacin cuadrtica trata el problema en el que la funcin objetivo f(x)
es cuadrtica, y las restricciones g j(x) son lineales. Existen algoritmos eficaces para
tratar este caso particular, por ejemplo en las problemticas de optimizacin de
carteras financieras.
La programacin estocstica y la optimizacin robusta tratan situaciones en
las que algunos parmetros son variables aleatorias o imprecisas (marco de la
optimizacin robusta).
La programacin dinmica es un mtodo til para los casos en los que una
solucin ptima se divide en sub-soluciones optimales (propiedad utilizada por
ejemplo para buscar los caminos ms cortos en los grficos) y de caminos ms cortos
con restricciones (algoritmos utilizados en los mtodos de generacin de columnas
para resolver sub-problemas asociados en componentes como LP-ShiftPlanner).
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).

Solver e implementacin informtica

Existen varios solver para resolver problemas de programacin no lineal.

EURODECISION ha probado los siguientes:

OPT++
FSQP
KNITRO
FAIPA
GLPK
LPSOLVE
Coin-OR: IPOpt, OBOE
Conclusin

Si un modelo de Programacin No Lineal admite solucin ptima, sta se puede encontrar

en cualquier punto del dominio de soluciones factibles. Por ejemplo, si la funcin objetivo
estuviese centrada en la coordenada (X,Y)=(2,1) sta ya sera la solucin ptima del
problema. Notar que esta situacin (solucin en un punto interno del dominio factible) NO
sera posible en la resolucin de un modelo de Programacin Lineal.

En los artculos de la categora de Programacin No Lineal analizamos algunos algoritmos

especializados para la resolucin de modelos no lineales como tambin herramientas
computacionales para enfrentar este tipo de problemas.

A diferencia de la programacin lineal (PL), la estructura del problema puede ser

muy variada, segn las funciones que en l intervengan donde la forma especial
del conjunto de oportunidades y de la funcin objetivo permiten obtener resultados
generales sobre las posibles soluciones y facilitan los tratamientos algortmicos de
los problemas.