OPTIMIZACIÓN NO RESTRINGIDA

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

función objetivo es sencillamente
OPTIMIZACIÓN LINEALMENTE RESTRINGIDA
Los problemas de optimización linealmente restringida se caracterizan por
restricciones que se ajustan por completo a la programación lineal, de manera que
todas las funciones de restric-ción g¡ (x) son lineales, pero la función objetivo es
no lineal.
PROGRAMACIÓN CUADRÁTICA
De nuevo los problemas de programación cuadrática tienen restricciones lineales,
pero ahora la función objetivo /(x) debe ser cuadrática. Entonces, la única diferencia
entre éstos y un problema de programación lineal es que algunos términos de la
función objetivo incluyen el cuadrado de una variable o el producto de dos variables.

PROGRAMACIÓN CONVEXA
La programación convexa abarca una amplia clase de problemas, entre ellos
como casos espe-ciales, están todos los tipos anteriores cuando /(x) es cóncava.
PROGRAMACIÓN SEPARABLE
La programación separable es un caso especial de programación convexa, en
donde la suposi-ción adicional es: Todas las funciones f(x) y g(x) son funciones
separables.
Una función separable es una función en la que cada término incluye una sola
variable, por lo que la función se puede separar en una suma de funciones de
variables individuales.
PROGRAMACIÓN NO CONVEXA
La programación no convexa incluye todos los problemas de programación no
lineal que no sa-tisfacen las suposiciones de programación convexa. En este caso,
aun cuando se tenga éxito en encontrar un máximo local, no hay garantía de que
sea también un máximo global.
PROGRAMACIÓN GEOMÉTRICA
Cuando se aplica programación no lineal a problemas de diseño de ingeniería,
muchas veces la función objetivo y las funciones de restricción toman la forma

PROGRAMACIÓN FRACCIONAL
Suponga que la función objetivo se encuentra en la forma de una fracción, esto es,
la razón o cociente de dos funciones,
¿Dónde podemos encontrar los puntos Máximos y mínimos candidatos a una
función?
Donde las restricciones incluyen frontera

El punto minimax : En esta sección definimos dicho punto y estudiamos su relación con otro
concepto

El punto minimax de la función lagrangiana es otro concepto relacionado con la solución de un

problema de optimización. Si bien su definición no le hace útil a la hora de la resolución directa del
problema, sí constituye un paso intermedio muy importante en la obtención del problema dual,
que estudiaremos más adelante. En esta sección definimos dicho punto y estudiamos su relación
con otro concepto, el punto de silla de la lagrangiana. La relación del punto minimax con la
solución del problema de programación no lineal se obtiene de forma inmediata sin mas que tener
en cuenta que: Min L (x, ë ) = f (x) − Max ët [g(x) − b]R m+R m+ Si gi (x) – bi ≤ 0, entonces ëi [gi(x) -
bi] ≤ 0, luego Max ëi ( gi (x) − bi ) = 0R m+ (se alcanza en ë = 0). Por tanto, si x ∈ X, Min L (x, ë ) = f
(x) .R m+ Si gi (x) – bi > 0, entonces Sup ëi [gi(x) - bi] = ∞, por lo que en este caso no se alcanza el R
m+ mínimo de la Lagrangiana. Por tanto, Max Min L (x, ë ) = Max f (x) D R m+ X Así pues, si (x0, ë0)
es un punto minimax, x0 es una solución óptima del problema original.