Programacin No Lineal

Curso: Investigacin de Operaciones 2

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:

Solucin del ejemplo de MPL:

La solucin (X=2,
Y=6) es ptima y
pertenece a un
vrtice de la Regin
Factible.

Y
Funcin Objetivo
8
(X = 2 , Y = 6)

6
4

Regin
Factible

X
0

Solucin del ejemplo de MPNL:

La solucin (X=2,
Y=6) es ptima y no
pertenece a un
vrtice de la Regin
Factible.

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.

Debido a esas diferencias

No existe un nico algoritmo que resuelva
todos los Modelos de Programacin No
Lineal.
Ergo, existen algoritmos de solucin para
cada tipo de MPNL.

3. Clasificacin de los algoritmos

de solucin para MPNL
Optimizacin no restringida (La Funcin Objetivo
no est sujeta a restriccin alguna):
Optimizacin no restringida unidimensional.
Optimizacin no restringida multidimensional.

Optimizacin restringida (La Funcin Objetivo

est sujeta a restricciones):
Programacin cuadrtica.
Programacin separable.
Programacin convexa.

4. Conceptos bsicos: Funciones

Cncavas.
F (X)

Una funcin es cncava si :

d2 f ( x )
0
2
dx
0

X
F (X)

F (X)

x Df

5. Conceptos bsicos: Funciones

Convexas
F (X)

Una funcin es convexa si :

d2 f ( x )
0
2
dx
0

X
F (X)

F (X)

x Df

Funciones tanto cncavas como

convexas: F(x) = a + bx
F (X)

Una funcin es tanto convexa

como cncava si :
0

F (X)

d2 f ( x )
0
2
dx

x Df

Funcin que no es ni cncava ni

convexa:
F (X)

Una funcin no es ni cncava

ni cnvexa si :
0

d2 f ( x )
R
2
dx

x Df

Escuela Universitaria de Ingeniera

Curso: Investigacin de Operaciones 2

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.

Esto guarda estrecha relacin con el

concepto de concavidad y convexidad de
una funcin.

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

Una funcin es cncava si :

d2 f ( x )
0
2
dx
0

x Df

 En caso de una Minimizacin:

Si la Funcin Objetivo es convexa en todo su
dominio, entonces posee un valor mnimo
nico: ptimo Global.
F (X)

Una funcin es convexa si :

d2 f ( x )
0
2
dx

ptimo
Global
0

x Df

En el caso de una funcin que no

es cncava ni convexa:
Esta posee valores tanto mximos como
mnimos, llamados: ptimos Locales.
F (X)

OL4
OL2

Una funcin no es ni cncava

ni cnvexa si :

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.

2. Metodologa Analtica para la

Resolucin de O.N.R. Unidimensional
Construir la Funcin Objetivo f(x) y determinar su
dominio.
Hacer un anlisis de concavidad convexidad
dentro del dominio de la funcin.
Identificar los puntos crticos: Valores de X que:
Son extremos del dominio de la funcin.
Hacen cero a la primera derivada de la funcin o hacen
que la primera derivada no exista.
El valor de x origina un valor mximo en f(x) si d2 f(x) / dx2 < 0
El valor de x origina un valor mnimo en f(x) si d2 f(x) / dx2 > 0
El valor de x origina un punto de inflexin si d2 f(x) / dx2 = 0

 Un punto crtico x origina:

Un valor mximo en f(x) si d2 f(x) / dx2 < 0
Un valor mnimo en f(x) si d2 f(x) / dx2 > 0
Un punto de inflexin (no es mximo ni
mnimo) si d2 f(x) / dx2 = 0

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

Evaluando la segunda derivada de la funcin en

su dominio: [0 ; 2.5]; vemos que toma valores
positivos y negativos:
f (0) = 11; f (1) = 2; f (2) = -1

Conclusin: La funcin f(x) es ni cncava ni

convexa

 b) Para hallar los mximos y mnimos, se hallan

primero los puntos crticos (los que igualan a
cero la primera derivada y los que extremos del
dominio):
f (x) = x3 6x2 + 11x 6 = 0
Factorizando: (x 1)(x 2)(x 3) = 0
Despejando cada factor: x = 1; x = 2; x = 3 (Se
descarta x = 3 por no pertenecer al Dominio)

Puntos crticos incluyendo los extremos del

dominio: x = {0, 1, 2, 2.5}

Se evala la funcin en los puntos crticos,

se analiza si crece o decrece y se determina
los valores son mximos o mnimos:

f(x) decrece
f(x) crece
f(x) decrece

Punto crtico
X

f (x)

Resultado

Mximo global

1
2
2.5

- 2.25 Mnimo global

-2

Mximo local

- 2.11 Mnimo local

La grfica de la funcin permite identificar

mejor los mximos y mnimos que posee:
f(x)
Mximo global
(0, 0)

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

El dominio de la funcin es:<- ; + >

d f(x) / dx = 9000 2x
d2 f(x) / dx2 = 2
La segunda derivada es negativa en todo el dominio;
por lo tanto f(x) es cncava y posee un valor mximo:
ptimo global.

 El punto crtico que lleva al valor mximo

de f(x) es:
d f(x) / dx = 9000 2x = 0
x = 4500.

Respuesta:
Produciendo 4500 unidades anuales, la
utilidad mxima es de: 9000(4500) (4500) 2 =
20250000 US$

Grficamente, la funcin de utilidad

f(x) = 9000x x2 tiene la siguiente
forma:
f(x)
Mximo
global

20250000

4500