REPUBLICA BOLIVARIANA DE VENEZUELA MINISTERIO DEL PODER POPULAR PARA LA DEFENSA UNIVERSIDAD NACIONAL EXPERIMENTAL POLITECNICA DE LA FUERZA ARMADA

BOLIVARIANA NUCLEO CARABOBO EXTENSIN GUACARA SECCION G-002

Alumno: Tito Rodrguez C.I.: 19.247217 GUACARA, DICIEMBRE DE 2011

Programacin Cuadrtica
Qu es?

La programacin cuadrtica (QP) es un tipo especial en la matemtica de optimizacin de problemas. Es el problema de optimizar (reduciendo al mnimo o maximizando) una funcin cuadrtica de varias variables conforme a apremios lineales en estas variables. El problema de la programacin cuadrtica se puede formular como: Asuma x pertenece a espacio. nn matriz Q es simtrico, y c es cualquiera n vector 1. Reduzca al mnimo (con respecto a x) Conforme a unos o ms apremios de la forma: (constreimiento de la desigualdad) Ex = d (constreimiento de la igualdad) Si Q es a matriz semidefinite positiva, entonces f(x) es funcin convexa. En este caso el programa cuadrtico tiene un minimizer global si existe por lo menos un vector x de satisfaccin de los apremios y f(x) se limita abajo en la regin factible. Si la matriz Q es definido positivo entonces este minimizer global es nico. Si Q es cero, despus el problema se convierte en a programa lineal. De teora de la optimizacin, una condicin necesaria para un punto x ser un minimizer global est para que satisfaga Karush-Kuhn-Tucker Condiciones (KKT). Las condiciones de KKT son tambin suficientes cuando f(x) es convexo. La importancia de la programacin cuadrtica recae en que, como es un caso especial de la programacin no lineal, se utiliza como una funcin modelo para aproximar funciones no lineales a travs de modelos locales. La programacin cuadrtica trabaja con una clase especial de problemas en el que una funcin cuadrtica de variables de decisin sujeta a restricciones lineales de desigualdad requiere ser optimizada, bien sea, ser minimizada o maximizada. Una funcin cuadrtica, en notacin matricial, es una funcin de la forma f (x)= xT Qx + cT x. Es de gran importancia identificar o poder definir la caracterstica de la matriz Hessiana, ya que a partir de sta podemos determinar ciertas caractersticas del problema, que nos sern tiles para encontrar su solucin.

Para que se usa?

Existen diferentes tipos de problemas de programacin cuadrtica, los cuales se pueden clasificar en: Problemas cuadrticos de minimizacin sin restricciones, requieren minimizar la funcin cuadrtica f (x) sobre el espacio completo. Problemas cuadrticos de minimizacin sujetos a restricciones de igualdad, requieren minimizar la funcin objetivo f (x) sujeta a restricciones lineales de igualdad Ax = b. Problemas cuadrticos de minimizacin sujetos a restricciones lineales de desigualdad. Requieren minimizar la funcin objetivo f (x) sujeta a restricciones lineales de desigualdad Ax = b, tambin puede contener restricciones de igualdad. Problemas de optimizacin de redes cuadrticas. Son problemas cuadrticos en los que las restricciones son restricciones de baja conservacin sobre una red pura o generalizada. Problemas cuadrticos convexos. Son cualesquiera de los mencionados arriba, en el cual la funcin objetivo a ser minimizada, f (x) es convexa. Problemas cuadrticos no convexos. Son cualesquiera de los mencionados arriba, en el cual la funcin objetivo a ser minimizada, f (x) es no convexa. Problemas de complementariedad lineal. Son problemas especiales con un sistema de ecuaciones en variables no negativas, en el cual las variables estn formadas en varios pares llamados pares complementarios. Historicamente, las funciones cuadrticas fueron prominentes porque provean modelos locales simples para funciones no lineales generales. Una funcin cuadrtica, es la funcin no lineal ms simple, y cuando es usada como una aproximacin para una funcin no lineal general, esta puede capturar la informacin importante de la curvatura, lo que una aproximacin lineal no puede. El uso de aproximaciones cuadrticas para resolver problemas con funciones no lineales generales se remonta mucho tiempo atrs. Entre los mtodos ms destacados, tenemos al mtodo de Newton y el mtodo de gradiente conjugado. Para la programacin cuadrtica se pueden encontrar mnimos locales, mnimos globales, puntos estacionarios o de KKT, (son los que satisfacen las condiciones de KKT del problema). En problemas convexos de programacin cuadrtica, todo punto KKT o mnimo local, es un mnimo global.

Ejemplo de su aplicacin. Resolver el siguiente problema de programacin cuadrtica por el mtodo de Wolfe :

Aplicando los multiplicadores de Lagrange tenemos:

Las primeras derivadas parciales son:

El problema de programacin lineal equivalente al original de acuerdo al mtodo Wolfe es:

Con las siguientes restricciones de holgura complementaria:

Utilizando el mtodo Simplex se tiene que la solucin bsica inicial es:

En la primera iteracin entra y sale X1 ( es de aclarar que aunque el Simplex escoge 1 y 2 para entrar a la base antes que lo haga X2, 1 y 2 no son aceptables, ya que Y1 y Y2 son positivos). El punto extremo luego de recalcular es:

En la tercera iteracin no pueden entrar a la base 1 y 2 y Y1 y Y2 son positivas; el Simplex toma como siguiente candidato a 1 y de salida Y1 ; el punto extremo despus de iterar es:

En la ltima iteracin (V1 = 0 y V2 = 0) debe entrar X1 pero no puede porque 1 es positivo; el siguiente elemento a entrar a la base es 1 el cual reemplaza a V2 Luego De recalcular ( pivotear) el punto extremo es:

La solucin anterior corresponde al ptimo: