Académique Documents
Professionnel Documents
Culture Documents
Contenido
1. Definicin.
2. Qu diferencias posee un MPNL versus un
MPL?
3. Clasificacin de los algoritmos de solucin
para MPNL
4. Conceptos bsicos: Funciones Cncavas.
5. Conceptos bsicos: Funciones Convexas.
1. Definicin
La programacin no lineal es un mtodo
de optimizacin matemtica que busca
maximizar o minimizar una funcin
objetivo sujeta a ciertas restricciones que
no son lineales respecto a sus variables
de decisin.
2. Representacin de un modelo de
programacin no lineal (MPNL)
Max ( Min) Z f ( x)
S . A.
g ( x) b
x0
x : Vector de n variables
de decisin: x1, x2, , xn.
g (x) : Vector que representa
a las m restricciones: g1(x),
g2(x), , gm(x).
b : Vector que representa a
los trminos independientes
de las m restricciones.
Por ejemplo:
Este es un modelo de
programacin lineal:
Max Z 3 x 5 y
s.a.
x4
y6
3 x 2 y 18
x, y 0
Este es un modelo de
programacin no
lineal:
Max Z 3x 5 y
s.a.
x4
9 x 5 y 216
x, y 0
2
2. Qu diferencias posee un
MPNL versus un MPL?
Veamos la solucin grfica de los dos
modelos puestos como ejemplos en la
diapositiva anterior:
Y
Funcin Objetivo
8
(X = 2 , Y = 6)
6
4
Regin
Factible
X
0
Y
Funcin Objetivo
8
(X = 2 , Y = 6)
6
4
Regin
Factible
X
0
Adems, en un MPNL:
La solucin ptima puede estar en el
interior de la Regin Factible.
La regin factible puede que no sea
convexa.
No se cumple el principio de
proporcionalidad ni mucho menos el de
aditividad.
X
F (X)
F (X)
x Df
X
F (X)
F (X)
x Df
F (X)
d2 f ( x )
0
2
dx
x Df
d2 f ( x )
R
2
dx
x Df
Optimizacin No
Restringida
Unidimensional
Contenido
1. Optimizacin No Restringida
Unidimensional.
2. Metodologa Analtica para la
Resolucin de O.N.R. Unidimensional.
3. Ejemplo.
1. Optimizacin No Restringida
Unidimensional
Se aplica cuando la Funcin Objetivo se
expresa por medio de una sola variable
independiente.
Si se trata de una Maximizacin, se debe
hallar el valor mximo de la funcin objetivo.
Si se trata de una Minimizacin, se debe hallar
el valor mnimo de la funcin objetivo.
Es decir:
En caso de una Maximizacin:
Si la Funcin Objetivo es cncava en todo su
dominio, entonces posee un valor mximo
nico: ptimo Global.
F (X)
ptimo
Global
x Df
ptimo
Global
0
x Df
OL4
OL2
OL5
d2 f ( x )
R
2
dx
OL1
OL3
0
OL3: Mnimo Global
OL1, OL5 : Mnimos locales
x Df
X
OL4: Mximo Global
OL2: Mximo local.
3. Ejemplo # 1
Dada la funcin:
f(x) = 0.25x4 2x3 + 5.5x2 6x
cuyo dominio es: Df = [0 ; 2.5]
Se pide:
Determinar si f(x) es cncava, convexa, tanto
cncava como convexa o ni cncava ni
convexa.
Identificar los mximos y mnimos de la
funcin f(x).
Solucin
A) Para hacer el anlisis de concavidad
convexidad de la funcin, se halla la segunda
derivada:
f (x) = x3 6x2 + 11x 6
f (x) = 3x2 12x + 11
f(x) decrece
f(x) crece
f(x) decrece
Punto crtico
X
f (x)
Resultado
Mximo global
1
2
2.5
Mximo local
1
-1
Mximo local
(2, -2)
-2
(1, -2.25)
Mnimo global
(2.5, -2.11)
Mnimo local
3. Ejemplo # 2
A un fabricante le cuesta 1000 US$ / unidad
producir un artculo. Si produce x unidades
anuales del artculo, se podr vender cada
unidad a 10000 x US$. Cunto tendra que
producir el fabricante para maximizar la
ganancia?
Solucin
La Funcin Objetivo es Maximizar:
f(x) = Ingresos Costos
f(x) = x (10000 x) 1000x
f(x) = 9000x x2
Respuesta:
Produciendo 4500 unidades anuales, la
utilidad mxima es de: 9000(4500) (4500) 2 =
20250000 US$
20250000
4500