OPTIMIZACION CLASICA

M.C. Hctor Martnez Rubin Celis 1

Mximos

Mnimos Locales

Funciones Decrecientes y Crecientes f '(x) + f(x) Crece Decrece Grfica de f ( x ) Sube Baja

Cuando una grfica cambia en su pendiente de crecer a decrecer un mximo local ocurre si existe un intervalo ( m, n ) que contenga a c, tal que; f ( x) f ( c ), para todo x en ( m, n ) Cuando una grfica cambia en su pendiente de decrecer a crecer un mnimo local ocurre si existe un intervalo ( m, n ) que contenga a c, tal que; f ( x) f ( c ), para todo x en ( m, n ) Valores Crticos Los valores crticos de x en el dominio de f donde f '( x ) = 0, o f '( x ) no existe son llamados valores crticos de f. Se obtiene la 1a. derivada de f(x), se iguala esta a cero y se resuelve para x. Ejemplo: f ( x ) = x3 -6x2 + 9x +1 M.C. Hctor Martnez Rubin Celis 2

obteniendo la 1a. derivada e igualando esta a cero, tenemos que f '(x)=3x2-12x+9=0 ; As; 3(x2 -4x+3)=0; 3(x-1)(x-3)=0 x=1 y x=3

resolviendo para x se obtienen los valores crticos

Criterio de la 1a. derivada Analizando el comportamiento de la grfica tenemos que; x (-, 1) x=1 (1, 3) x=3 (3, ) f(x) + 0 0 + f(x) Crece Mximo local Decrece Mnimo local Crece Grfica de f(x) Sube Tangente horizontal Baja Tangente horizontal Sube

por lo tanto ocurre un mximo local en (1, 5) y un mnimo local en (3, 1)

Concavidad La grfica de una funcin f es cncava hacia arriba en el intervalo (a, b) si f '(x) crece sobre (a, b) y es cncava hacia abajo en el intervalo (a, b) si f '(x) decrece sobre (a, b).

f ''(x) + -

f '(x) Crece Decrece

Grfica y=f(x) Cncava hacia arriba Cncava hacia abajo

2

Ejemplo

d y untos de = y = D 2 x f (x) 2 dx inflexin: Un punto de inflexin es un punto en la grfica de una funcin donde la f (x) = D x f (x) =
M.C. Hctor Martnez Rubin Celis 3

concavidad cambia. Esta se obtiene sacando f ''(x) e igualndola a cero y resolviendo para x cuyos valores sern los puntos de inflexin. f ''(x)=6x - 12 = 6(x - 2) =0; as, el punto de inflexin se presenta en x=2

f ''(x) x

- - - - 0+ +++ -3 -2 -1 0 1 2 3 4 5 6

Criterio de la 2da. derivada La 2da, derivada puede ser utilizada para encontrar Aos extremos locales. Suponga que una funcin satisface f '(c) 0 y f ''(x) >0 la grfica debe ser cncava hacia arriba, por lo tanto corresponde a un mnimo local y si f '(c) = 0 y f ''(c) < 0 la grfica debe ser cncava hacia abajo, por lo tanto corresponde a un mnimo local. Ejemplo: f ( x ) = x3 -6x2 + 9x +1 Obteniendo la 1a. derivada e igualando esta a cero, tenemos que f '(x)=3x2-12x+9=0 ; M.C. Hctor Martnez Rubin Celis 3(x2 -4x+3)=0; 3(x-1)(x-3)=0 4

y resolviendo para x se obtienen los valores crticos Sacando la 2da. Derivada f ''(x)=6x - 12 y sustituyendo en esta los puntos crticos; f ''(1) = -6 el cual es < 0 y corresponde a un Mximo local f ''(3) = 6 el cual es > 0 y corresponde a un Mnimo local

x=1

y x=3

VALORES EXTREMOS DE FUNCIONES DE 2 VARIABLES Condicin suficiente para un valor extremo relativo Se desea encontrar entre los puntos crticos aquellos que son puntos de mximo o de mnimo relativo y los que no lo son. Si Po (a,b) es un punto crtico de f(x,y), entonces fxx (a,b) = fyy (a,b) = 0 y en consecuencia, el plano tangente a la superficie z = f(x,y) en Po es horizontal. Si cerca de Po la superficie esta por encima o sobre el plano tangente, entonces Po es un punto mnimo relativo. Si la superficie esta por abajo o sobre el plano tangente, entonces Po es un punto de mximo relativo. Si la superficie esta en parte por encima y en parte por debajo, entonces Po se llama punto de silla.

Si Po es un punto crtico, este ocurre en; fx (xo,yo) = 0 y ser un; Mnimo relativo, Si f (x, y) > f (xo, yo) o un Mximo relativo, Si f (x, y) < f (xo, yo) y fy (xo, yo) = 0

Considrese que;

M.C. Hctor Martnez Rubin Celis

f xx

2 f f = ( )= x x x2

yy

2 f f ( )= 2 y y y

f xy = f yx =

2 2 f = f y x x y

Sea Po(a,b) un punto crtico de z=f(x,y) y supngase que fxx y fyy son continuas en algn entorno N(Po). Para simplificar sea; A= fxx (a,b), B= fxy (a,b) y C = fyy (a,b)

I) Si AC - B2 > 0 y A > 0, entonces Po es un punto mnimo relativo para f

II) Si AC - B2 > 0 y A < 0, entonces Po es un punto mximo relativo para f

z=f(x,y) Mximo local Po(a,b,c)

M.C. Hctor Martnez Rubin Celis

III) Si AC - B2 < 0, entonces Po es un punto de silla para f

Si AC - B2 = 0, entonces la naturaleza de Po requiere una investigacin ms elaborada. A continuacin se presenta una grfica que contiene diversos mximos, mnimos y puntos de silla:

M.C. Hctor Martnez Rubin Celis

Ejemplos: Ejemplo 1 Dada la funcin Z= f(x,y) = x 2 + y 2 + 2, encuentre los punto extremos. Paso 1: Encontrar los punto crticos f = 2x = 0 f = 2y = 0, as los puntos crticos ocurren en (0, 0) (0,0) , B= F (0,0) y C= f (0,0) 8

Paso 2: Calcule A=f

M.C. Hctor Martnez Rubin Celis

A = f =2,

B=f

=0

C=f

=2

Paso 3 Evaluar AC - B 2 (2) 2 - 0 2 = 4 > 0 as; y A=2>0

f(0,0) = 2 corresponde a un mnimo local

Ejemplo 2 Dada la funcin Z= f(x,y) = -x 2 - y 2 + 6x + 8y - 21, encuentre los punto extremos. Paso 1: Encontrar los punto crticos f = -2x +6 = 0 y x=3, f = -2y + 8 = 0 y y = 4

As los puntos crticos ocurren en (3, 4) M.C. Hctor Martnez Rubin Celis 9

Paso 2: Calcule A=f A = f =-2,

(3,4) , B= f =0 y

(3,4) y C= f (3,4) C=f = -2

B=f

Paso 3 Evaluar AC - B 2 (-2)(-2) - 0 2 = 4 > 0 as;

A = -2 < 0

f(3,4) = 4, corresponde a un mximo local

Ejemplo 3 El costo anual de mano de obra y el costo del equipo automtico para una compaa productora de T.V.s esta dado por; C(x,y) = 2x 2 + 2xy + 3y 2 - 16x -18y + 54 donde x es la cantidad gastada por ao en mano de obra, e y es la cantidad gastada en equipo automtico. Determine cuanto deber gastarse en cada concepto cada ao para minimizar el costo. Cual es el mnimo costo? M.C. Hctor Martnez Rubin Celis 10

Dada la funcin C(x,y) = 2x extremos.

+ 2xy + 3y

- 16x -18y + 54, encuentre los punto

Paso 1: Encontrar los punto crticos C = 4x + 2y - 16 = 0 y C = 2x + 6y - 18 = 0

resolviendo este sistema de ecuaciones encontramos que x=3.2 e y=1.6, as el punto crtico ocurre en (3.2, 1.6)

Paso 2: Calcule A=C

(3.2, 1.6) , B= C (3.2, 1.6) y C= C (3.2, 1.6) =2 y C=C =6

A = C = 4, B = C Paso 3 Evaluar AC - B 2

(4)(6) - 2 2 = 20 > 0 y As;

A=4>0

Costo mnimo total teniendo gasto de $3.2 en mano de obra y de $1.6 en equipo automtico ser de C(3.2, 1.6) = $12.4 el cual corresponde a un mnimo local

M.C. Hctor Martnez Rubin Celis

11

Investigacin de Operaciones II

Programacin No Lineal

PROGRAMACIN NO LINEAL
Se define un problema de Programacin No Lineal a ser considerado Min f(x) x Sujeto a; gi (x)=0 ; h (x) 0, i=1,2,....,m< n j = 1,2,....,r

donde x = [ x , x ,....,x ]T y todas las funciones f, g , y h son diferenciables. En pocas palabras, se desea determinar de entre un conjunto de todos los nmeros que satisfacen las m restricciones igualdades gi (x)=0 ; i=1,2,....,m< n

y de r restricciones desigualdades h (x) 0, j = 1,2,....,r

que conjunto particular [x* , x* ,....,x* ] produce un valor mnimo de f(x). Note que m, en numero de restricciones igualdades, debe ser estrictamente menor que n, el numero de variables. Si mn el problema se dice estar sobre restringido, debido a que no hay grados de libertad sobrantes para optimizar. El numero de grados de libertad esta dado por n-m. El conjunto de todos los valores posibles que satisfacen a todas las restricciones es definido como conjunto factible. Cualquier elemento en este conjunto ser llamado punto factible. El problema de Programacin No Lineal definido previamente, nicamente trata con funciones diferenciables. Una clase de problemas donde las restricciones son violadas es denominado Programacin Entera. Estos problemas, requieren que la solucin elegida de un conjunto de enteros en lugar de un conjunto de numeros reales. Se trataran en futuro, problemas con restricciones igualdades, restricciones con desigualdades y con ambos tipos.

MULTIPLICADORES DE LAGRANGE
M.C. Hctor Martnez Rubin Celis Instituto Tecnolgico de Tepic 12

Investigacin de Operaciones II

Programacin No Lineal

Teniendo un problema de optimizacin sujeto a ciertas interacciones y siendo el caso en que estas sean igualdades. La representacin del problema sea Min o Max f(x) x x Sujeto a; gi (x)=0 ; i=1,2,....m y m< n donde; m es el numero de restricciones y n es el numero de variables El problema consiste en determinar un punto X* en cual produzca un mnimo relativo para f(x) y tambin satisfaga a las restricciones. Ciertamente la regin factible es enormemente reducida con la presencia de las ecuaciones (restricciones con igualdades). La solucin consiste en formar un nuevo problema sin restricciones a la funcin objetivo con Multiplicadores de Lagrange i=1,2,..,n. La nueva funcin objetivo L(X,) m+n es llamada el Lagraciano. Esta definida en E , el cual es un problema multidimensional, ya que existen m+n elementos desconocidos ( m= is + n variables). El precio pagado por prescindir de las restricciones es un problema multidimensional. Como el problema es definido por L(X,) = f(x) + i=1,2,.., m i gi(x) es ahora sin restricciones, se pueden aplicar las condiciones necesarias para estacionalidad, que son;

gi L f + i=1,2,..,m = xj xj xj

j=1,2,..,n

L = g i (x) = 0 i

=1,2,...,m

Lo cual produce un conjunto de m+n ecuaciones en m+n elementos desconocidos M.C. Hctor Martnez Rubin Celis Instituto Tecnolgico de Tepic 13

Investigacin de Operaciones II

Programacin No Lineal
* *

(X,) para ser encontrados para los valores ptimos (X , ). Ntese que L =0 =1,2,...,m

garantiza que las restricciones sean satisfechas en la solucin ptima. En este caso gi(x)=0 ; i=1,2,....m y el valor ptimo de el Lagraciano es igual que el retorno ptimo del problema original * * * L(X , ) = f(x ) Para la forma cuadrtica se puede resolver este problema (una vez que se ha probado la convexidad y obteniendo el Lagraciano y derivadas parciales por Programacin Lineal, utilizando el Mtodo Simplex. Proceso de aplicacin: Cualquier mnimo o mximo local de la funcin z= f(x,y) sujeto a una restriccin g(x,y)=0 estar entre esos puntos ( xo, yo) para los que ( xo, yo, o ) es una solucin a el sistema Fx (x,y,) = 0 Fy (x,y,) = 0 F (x,y,) = 0 Donde; F(x,y,) = f(x,y) + g(x,y), provee todas las derivadas parciales que existen. Pasos claves: Paso 1. Formule el problema en la forma; Maximizar( o Minimizar) z = f(x,y) Sujeto a g(x,y)=0 Paso 2. De la ecuacin F:

F(x,y,) = f(x,y) + g(x,y) Paso 3. Encuentre los puntos crticos para F; lo que es, resolver el sistema

Fx (x,y,) = 0 Fy (x,y,) = 0 F (x,y,) = 0 Paso 4. S ( xo, yo, o ) es el nico punto crtico de F, entonces se asume que ( M.C. Hctor Martnez Rubin Celis Instituto Tecnolgico de Tepic 14

Investigacin de Operaciones II

Programacin No Lineal

xo, yo ) siempre producir la solucin a los problemas que consideremos. S F tiene ms de un punto crtico, entonces evale z = f(x,y) en (xo, yo) para cada punto crtico (xo, yo, o) de F. Para los problemas que consideramos, se asume que el ms grande de esos valores es el mximo valor de f(x,y), sujeto a la restriccin g(x,y) = 0, y el ms pequeo es el mnimo valor de f(x,y), sujeto a la restriccin g(x,y) = 0. Ejemplo: Max x tal que x + 2x = 6 Tenemos que L(x , x , )= x
2 2

+4x

+4x

+[ x + 2x - 6]

lo cual produce las condiciones necesarias L = 2 x1 + = 0, x1

L = 8 x2 + 2 = 0, x2

L = x1 + 2 x2 - 6 = 0,
As; x *= 3, x *= 3/2, y = -6. Sin embargo, esta es la solucin a el problema Min x tal que x + 2x = 6 debido a que la solucin al problema de maximizacin es ilimitada, entonces; x *= , x *= , y f(x *, x *) =
2

+4x

Ejemplo: Min x 2 + 2 x 2 + x 2 tal que x 2 + 3 x x + x 2 = 1, x +x =4 Primero se elimina x despejando x = 4 - x . Entonces M.C. Hctor Martnez Rubin Celis Instituto Tecnolgico de Tepic

15

Investigacin de Operaciones II L(x , x , )= x

2

Programacin No Lineal +2x

2

+ (4 - x )2 +[ x

+ 3 x x + x 2 - 1]

lo cual produce las condiciones necesarias L = 2 x1 + 2 x1 + 3 x2 = 0, x1

L = 4 x2 - 2(4 - x2 ) + 3 x1 + 2 x2 = 0, x2 L = 2 x12+3 x1 x2+x2 2-1= 0,

En lugar de las cinco ecuaciones con cinco incgnitas que resultaran si se escribiera el Lagraciano L(x , x , x , , )= x en este caso,
2

+2x

+x

+ [ x

+ 3 x x + x 2 - 1]+ [x + x - 4]

L = 2 x1 + 2 1 x1 + 3 1 x2 = 0, x1 L = 4 x2 + 3 1 x1+2 1 x 2+ 2 = 0, x2 L = 2 x3 + 2 = 0, x3

L = x12+3 x1 xsub2+x 22-1 = 0, 1

L = x2+x3-4 = 0, 2
Ejemplo: Min (x - 2) 2 + (x -2) 2 tal que M.C. Hctor Martnez Rubin Celis Instituto Tecnolgico de Tepic

16

Investigacin de Operaciones II x +x =6 Primero se elimina x despejando x = 4 - x . Entonces

Programacin No Lineal

L(x , x , )= (x - 2) 2 + (x -2) 2 +[ x +x - 6] lo cual produce las condiciones necesarias f = 2( x1 - 2) = 0, x1

f = 2( x 2 - 2) = 0, x2
de la cual x *= 2, x *= 2, y f(x *, x *) = 0. Usando la restriccin para eliminar x , obtenemos; Min (x - 2) 2 + (6 - x -2) 2

f = 2( x1 - 2) - 2(4 - x1 ) = 0, x1
de la cual x *= 3, x *= 3, y f(x *, x *) = 2.

Las soluciones restringidas y no restringidas son mostradas a continuacin

M.C. Hctor Martnez Rubin Celis

Instituto Tecnolgico de Tepic

17

Investigacin de Operaciones II

Programacin No Lineal

M.C. Hctor Martnez Rubin Celis

Instituto Tecnolgico de Tepic

18

Investigacin de Operaciones II

Programacin No Lineal

Programacin Cuadrtica Min Z=1/2 X AX + b X x Sujeto a; Cx=d Donde; A es una matriz de nxn y m<n C es una matriz de mxn y m<n L(X,) = 1/2 X AX + b X + [ Cx - d ] tenemos;
T T T T T

x L (X , ) = Ax + b + C = 0 * * * x L (X , ) = Cx - d = 0

En forma matricial
* A C T X - b * = 0 C d

la solucin ser;

X * - b = M -1 * d

donde

A CT M= 0 C

y M es una matriz de tamao (mxn)X(m+n). * * S M es una matriz no singular, entonces puede ser invertida y la solucin a (X , ) existe y puede ser determinada. Ejemplo Min Z=(x - 2) 2 + (x -2) 2 tal que x + 2x = 4 x ,x 0 M.C. Hctor Martnez Rubin Celis Instituto Tecnolgico de Tepic

19

Investigacin de Operaciones II desarrollando Z, tenemos

Programacin No Lineal

y como

Z = x2 -4x +4 + x2 - 4x +4 = -4x - 4x + x2 + x2 +8 T T Z=1/2 X AX + b

entonces el problema se convierte en; x1 2 0 x1 Min Z = [x1 x 2 ] + [4 - 4 ] 0 2 x2 x2 Sujeto a;

[1
T T

x1 2 ] = [4] x2
T

Obteniendo L(X,) = 1/2 X AX + b X + [ Cx - d ], tenemos

x1 x1 2 0 x1 [ ] [ ] + 4 4 + [ 1 2 L(x, ) = [x1 x 2 ] - [4] ] 0 2 x2 x2 x2

y como

x L (X , ) = Ax + b + C = 0 * * * x L (X , ) = Cx - d = 0
entonces

L = 2x -4 + = 0 L = 2x -4 +2 = 0 L = x + 2x -4 = 0
en forma matricial
* A C T X - b * = 0 C d

M.C. Hctor Martnez Rubin Celis

Instituto Tecnolgico de Tepic

20

Investigacin de Operaciones II 2 0 1 x1 4 0 2 2 x 2 = 4 1 2 0 4
Teniendo como solucin: x*1 = 1.6, Ejemplo Max Z = 3x + 4x - 3x x - 2x2 - 2x2 + 8 tal que 2x + x = 7 x + 3x = 10 x ,x 0 desarrollando Z, tenemos
T T

Programacin No Lineal

x* = 1.2,

= 0.8,

Z= 0.8

y como

Z=1/2 X AX + b

entonces el problema se convierte en;

x1 - 4 - 3 x1 Max Z = [x1 x 2 ] + [3 4 ] + 8 - 3 - 4 x2 x2

Sujeto

a;

2 1 x1 = [7 10 ] 1 3 x2
Obteniendo L(X,) = 1/2 X AX + b X + [ Cx - d ], tenemos
T T T

M.C. Hctor Martnez Rubin Celis

Instituto Tecnolgico de Tepic

21

Investigacin de Operaciones II

Programacin No Lineal

x1 - 4 - 3 x1 L(x, ) = [x1 x 2 ] + [3 4 ] + 8 + 1 [2xsub1+x 2-7] + 2 [ x1 + 3 x 2 - 10] - 3 - 4 x2 x2

x L (X , ) = Ax + b + C = 0 * * * x L (X , ) = Cx - d = 0
entonces

L L L L
en forma matricial

= 3 - 3x - 4x + (2) + = 0 = 4 - 3x - 4x + + 3 = 0 = 2x + x -7 = 0 = x + 3x -10 = 0
* A C T X - b * = d 0 C

- 4 - 3 2 1 x1 - 3 3 4 1 3 x 2 = - 4 2 1 0 0 7 1 1 3 0 0 2 10
Teniendo como solucin: x* = 2.2, x* = 2.6,

= 5.56,

= 2.48

Z= -15.36

Interpretacin Econmica
Considrese el problema siguiente Min f(x) x Sujeto a;

M.C. Hctor Martnez Rubin Celis

Instituto Tecnolgico de Tepic

22

Investigacin de Operaciones II
gi (x)=b , i = 1,2,....,m< n

Programacin No Lineal

donde los valores numricos de b son considerados como la cantidad de recursos escasos que estn limitados de acuerdo a las restricciones. Es intuitivamente claro que si los valores del recurso b varan, la solucin ptima (x*, *) cambiar. Como deseamos saber que efectos se tendrn en L(x*, *) con un cambio en b y como esta es una constante, entonces = = 0. As;

L(x*, *) = -*,
o

f * L * * ( x , ) = ( x ) = - * , i = 1,2,....,m bi bi

debido a que L(x*, *) = f(x*) en el ptimo. Si pensamos en la funcin objetivo como el retorno en pesos, entonces * puede ser interpretado como pesos por unidad del ivo. recurso. Ya que este tiene las dimensiones de un precio, los Multiplicadores de Lagrange son denominados algunas veces precios sombra. Otra interpretacin que sigue del anterior resultado es que los Multiplicadores de Lagrange representan coeficientes de sensibilidad. Esto significa que el valor marginal de cantidades adicionales del ivo recurso esta dado por -* cuando todos los recursos son asignados ptimamente. Si convertimos a un problema de maximizacin cambiando el signo de f(x), tambin cambiamos los signos de todos los * , i = 1,2,....,m. Ejemplo: Max f(x ) + f(x ) x ,x sujeto a x +x =b Si f(x ) = 50 - (x - 2) 2 y f(x ) = 50 - (x - 2) 2 , entonces L =100 - (x - 2) 2 - (x - 2) 2 + [ x +x -b],

M.C. Hctor Martnez Rubin Celis

Instituto Tecnolgico de Tepic

23

Investigacin de Operaciones II

Programacin No Lineal

L = - 2( x1 - 2)+ = 0, x1

L = - 2( x 2 - 2) + = 0, x2

L = x1 + x2 - b = 0,
y x * = x * = b/2, La sensibilidad

* = b-4

- * =

f =4-b b

implica que para b < 4 un incremento en b tiene un retorno positivo, mientras que para b > 4 un incremento en b tendr un retorno negativo o perdida. Si b = 4, entonces * = 0, y las soluciones a el problema con o sin restricciones son idnticas.

Existencia de Los Multiplicadores de Lagrange pueden ser usados para resolver cierto tipo de problemas de toma de decisiones. Por ejemplo, si una cantidad adicional del algn recurso puede ser comprado por y pesos por unidad, entonces esta compra deber realizarse si - * > y Esto es, si el valor marginal de retorno (-*) de la asignacin ptima de una unidad adicional del recurso es mayor que su costo marginal y, entonces la compra de cantidades adicionales del recurso ivo es econmica.

M.C. Hctor Martnez Rubin Celis

Instituto Tecnolgico de Tepic

24

Investigacin de Operaciones II
Ejemplo

Programacin No Lineal

Si en el ejemplo anterior, se supone que cantidades del recurso adicional cuestan $1 por unidad y b = 2, entonces el retorno marginal, -* = 2, es mayor que el costo marginal, y=1, y la compra deber ser realizada hasta el punto donde b=3. Por esto *=1=y e incrementos futuros en el recurso no son econmicos a este costo. Si b>4, ningn recurso adicional deber ser comprado a cualquier precio o an ser aceptado regalado.

DESIGUALDADES EN LAS RESTRICCIONES

Una desigualdad en la restriccin sera hi (x)=0 ; j=1,2,....,r se convertirn las DESIGUALDADES en igualdades utilizando el mtodo de las variables de holgura y posteriormente aplicando los Multiplicadores de LAGRANGE. Se definir a j como una variable de holgura real para cada desigualdad hj(x). Entonces si; hi (x) 0 entonces hj(x) - j = 0; j=1,2,...,r esta desigualdad es satisfecha por el valor j . Aplicando las condiciones necesarias de Lagrange L(X,,) = f(x) + i=1,2,.., m i (hj(x)-j )
2 2 2

_L _f _ = + i=1,2,..,m j hi = 0 _ x i _ xi _ xi
j=1,2,...,m

i=1,2,..,n

_L = h j (x) - 2j = 0 _j _L = -2 j j = 0 _ j
=1,2,...,m

M.C. Hctor Martnez Rubin Celis

Instituto Tecnolgico de Tepic

25

Investigacin de Operaciones II
de la ultima ecuacin, j = 0 o j = 0, o ambos Caso I
* *

Programacin No Lineal

Caso II

Caso III

Si j = 0 y j 0, entonces la restriccin hj(x) 0 es ignorada ya que * *2 hj(x ) = j > 0 y la solucin ptima no se cambia por la presencia de la restriccin. * * Si j = 0 y i 0, entonces hj(x ) = 0 y la solucin ptima esta en los esima * limites de la j restriccin. Ya que j 0, la solucin no satisface * f(x ) = 0. * * * Si j = 0 y j 0 para toda j, entonces la restriccin hj(x ) = 0, y la * solucin satisface f(x ) = 0. Esto es, el lmite pasa a travs del ptimo no restringido.

Ejemplo Encuentre los valores mximo y mnimo de 2x2 - 3y2 - 2x para x2 + y2 1 Definamos a 2 = 1- x2 - y2 , real Entonces L(x, y, , ) = 2x2 - 3y2 - 2x + (2 - 1 + x2 + y2) y

L = 4x - 2 + 2x = 0, x L = - 6y + 2y = 0, y

L = 2 - 1+ x2 + y 2 , L = 2 = 0,

M.C. Hctor Martnez Rubin Celis

Instituto Tecnolgico de Tepic

26

Investigacin de Operaciones II
Caso 1:

Programacin No Lineal

=0 (solucin restringida). Entonces

4x - 2 + 2x = 0 y(2 - 6) = 0 x2 + y2 =1

El cual tiene tres soluciones: x*=0.2, x*=1, x*=-1, y*=(0.96)0.5 , y*=0 y*= 0,

*=3,

f(x*, y*)= -3.2

*=-1, f(x*, y*)= 0 *=-3, f(x*, y*)= 4

Caso 2:

=0 (solucin no restringida)
4x - 2 = 0 -6y = 0 1+ x2 + y2 = 2,

y x*=0.5, y*=0

2 = 1.25,

f(x*, y*)= -0.5

por inspeccin el valor mnimo de f(x,y) ocurre en 0.2 (0.96)0.5 y el mximo ocurre en -1.0

Ejemplo Max y Min x2 +x2 x x Sujeto a; (x - 2) 2 + (x - 3) 2 4, El Lagraciano es; L(x, y, , ) = x2 +x2 + [2 + (x - 2) 2 + (x - 3) 2 - 4 ] + (x2 - 4x ) Entonces; y x2 = 4x

L = 2 x1 + 2 1 ( x1 - 2) + 2 2 x1 = 0, x1
M.C. Hctor Martnez Rubin Celis Instituto Tecnolgico de Tepic 27

Investigacin de Operaciones II

Programacin No Lineal

L = 2 x2 + 2 1 ( x2 - 3) - 4 2 = 0, x2

L = 2 + ( x1 - 2 )2 + ( x2 - 3 )2 - 4 = 0, 1 L = x2 - 4 x 2 = 0, 2

L = 2 1 = 0.

Caso 1:

=0
2x ( 1 + ) = 0, 2x - 4 = 0, 2 = 4- (x - 2)2 - (x - 3)2, 4x = x2

No existen soluciones que satisfagan a todas las ecuaciones para un valor real de . As la solucin debe corresponder al Caso 2. Caso 2:

=0 Ahora de las expresiones

L = 2 + ( x1 - 2 )2 + ( x2 - 3 )2 - 4 = 0, 1
tenemos que 4- (x - 2)2 - (x - 3)2 = 0 4x = x2

L = x2 - 4 x 2 = 0, 2

el cual resolvindolo nos da dos soluciones (2, 1) corresponde a un mnimo con f(x) = 5; y (3.86, 3.72), el cual corresponde (aproximadamente) a un mximo con f(x) = 28.73. M.C. Hctor Martnez Rubin Celis Instituto Tecnolgico de Tepic 28

Investigacin de Operaciones II

Programacin No Lineal

Optimizacin con desigualdades en las restricciones

El Teorema de Kuhn y Tucker provee un conjunto riguroso de condiciones necesarias para los problemas de desigualdades en las restricciones. Estas condiciones necesarias, adems a su generalidad y plenitud, aade una condicin adicional a aquellas que fueron derivadas del enfoque de las variables de holgura usando Multiplicadores de Lagrange.

El teorema de Kuhn y Tucker Considere el problema de optimizacin Min x f(x)

tal que gi(x)0, i=1,2,....,r donde x=[ x1, x2,..., xn]T y no existe perdida en la generalidad en no establecer directamente la igualdad en las restricciones, debido a que ellas siempre son convertidas a desigualdades. Recordaremos, que las igualdades en las restricciones se trataron previamente. Como se hizo anteriormente, se asume que f(x) y gi(x), i=1,2,..,r, son funciones diferenciables. La prueba de las condiciones necesarias Kuhn y Tuker procede definiendo la

L( x, ) = f (x)+ ir=1 i g i (x)

funcin similar a la Lagraciana

M.C. Hctor Martnez Rubin Celis

Instituto Tecnolgico de Tepic

29

Investigacin de Operaciones II

Programacin No Lineal

y considerando la existencia de los multiplicadores de Lagrange .Entonces en el punto x* satisfaciendo

Min f(x) = f ( x*) x tal que g (x) 0, i=1,2,....,r

las siguientes condiciones se deben cumplir:

_ gi * _f ( x )= 0 ( x* ) + ir=1 i _xj _ xj

j = 1,2,...., n

g (x) 0, (* )g (x) = 0, 0,

i=1,2,....,r i=1,2,....,r i=1,2,....,r

o en una notacin ms compacta

L(x*, *) = 0 L(x*, *) 0 ( *)Tg(x*) = 0 * 0

Estos resultados son llamados las condiciones estacionaras Khun y Tuker. Ms adelante se mostrar otra forma del teorema de Kuhn y Tucker que involucra condiciones de punto de silla. Aunque estas condiciones deben lograrse en un mximo, no son necesariamente muy tiles para determinar el punto ptimo. En particular, el conjunto de igualdades y desigualdades no lineales previo presenta un problema computacional retador. Para problemas de alta dimensionalidad, la determinacin del ptimo por soluciones directas a estas desigualdades es escasamente factible. Es educativo fijar estas condiciones explcitamente para otros varios problemas de optimizacin.

M.C. Hctor Martnez Rubin Celis

Instituto Tecnolgico de Tepic

30

Investigacin de Operaciones II
Ejemplo 1:

Programacin No Lineal

Determine las condiciones estacionaras Kuhn y Tucker para el problema Max tal que gi(x) 0, i=1,2,....,r Las condiciones necesarias para este problema son obtenidas sustituyendo -f(x) por f(x) en la anterior expresin. Por lo tanto
_ gi * _f ( x )= 0 ( x* ) + ir=1 i _x j _ xj j = 1,2,...., n

f(x) x

o
_g _f ( x* ) + ir=1 (- i ) i ( x* ) = 0 _ xj _xj j = 1,2,...., n

Simplemente cambiando el signo de , las condiciones para este problema son:

_ gi * _f ( x )= 0 ( x* ) + ir=1 i _xj _ xj j = 1,2,...., n

g (x) 0, (* )g (x) = 0, 0,

i=1,2,....,r i=1,2,....,r i=1,2,....,r

Ejemplo 2: Determine las condiciones estacionarias Kuhn y Tucker para el problema Min x f(x)

M.C. Hctor Martnez Rubin Celis

Instituto Tecnolgico de Tepic

31

Investigacin de Operaciones II
tal que gi(x) 0, i=1,2,....,r

Programacin No Lineal

En este caso simplemente se cambia el signo de g (x) en las condiciones anteriores. Por lo tanto
_g _f ( x* ) + ir=1 (- i ) i ( x* ) = 0 _ xj _xj j = 1,2,...., n

As las condiciones para este problema son:

_ gi * _f ( x* ) + ir=1 i ( x )= 0 _ xj _xj j = 1,2,...., n

g (x) 0, (* )g (x) = 0, 0,

i=1,2,....,r i=1,2,....,r i=1,2,....,r

Ejemplo 3: Determine las condiciones estacionarias Kuhn y Tucker para el problema Max x tal que gi(x) 0, i=1,2,....,r f(x)

En este caso simplemente se cambia el signo f(x) y de g (x) en las condiciones anteriores. Por lo tanto
_g _f ( x* ) + ir=1 (- i ) i ( x* ) = 0 _xj _ xj j = 1,2,...., n

As las condiciones para este problema son:

M.C. Hctor Martnez Rubin Celis

Instituto Tecnolgico de Tepic

32

Investigacin de Operaciones II
_ gi * _f ( x* ) + ir=1 i ( x )= 0 _ xj _xj

Programacin No Lineal

j = 1,2,...., n

g (x) 0, (* )g (x) = 0, 0,

i=1,2,....,r i=1,2,....,r i=1,2,....,r

Ejemplo 4 Desarrolle las condiciones Kuhn y Tucker para el problema Min x tal que gi(x)0, x 0, i = 1,2,....,r j = 1,2,....,r f(x)

Se define el Lagraciano
L( x* , * , * ) = f (x ) + ir=1 i _ gi (x ) + nj =1 j x j _xj

e intentando eliminar * de las condiciones necesarias

_ gi * L * * * _f * ( x )+ j = 0 ( x* ) + ir=1 * ( x , , ) = i xj _xj _ xj

* x* = 0

las condiciones restantes no son funciones de *. Ahora definimos

L(x, ) = f (x ) + ir=1 i g i (x),

M.C. Hctor Martnez Rubin Celis

Instituto Tecnolgico de Tepic

33

Investigacin de Operaciones II

Programacin No Lineal

y las condiciones anteriores pueden ser escritas como L * * ( x , ) = - * subj 0, j = 1,2,...., n xj

L * * * ( x , ) x j = 0 xj

Las variables * han sido eliminadas de las condiciones necesarias, las cuales se resumen a continuacin:

a) b) c)

L(x*, *) 0 (x*)T L(x*, *)=0 x* 0 f)

d) L(x*, *) 0 e) (*)T g(x*) = 0 * 0

Siempre que existan desigualdades 0 se utilizaran las expresiones d, e y f por cada desigualdad.

Problema: Use las condiciones estacionarias Kuhn y Tucker para resolver el problema siguiente Min { f(x) = (x - 1) 2 + (x - 2) 2 } x tal que x - x =1, x +x 2, x 0 x 0 Estableciendo el Lagraciano L(x,,)= (x - 1) 2 + (x - 2) 2 +(x - x -1) + (x +x - 2)

M.C. Hctor Martnez Rubin Celis

Instituto Tecnolgico de Tepic

34

Investigacin de Operaciones II
Ahora

Programacin No Lineal

L = 2( x1 - 1) - + 0, x1

L = 2( x2 - 2) + + 0, x2

x 0, a) b) c) d) e) f)

x 0, corresponde a x 0 corresponde a x 0 corresponde a L(x*, *) 0 corresponde a la desigualdad 0 corresponde a la desigualdad 0 (*)T g(x*) = 0 (*)T g(x*) = 0

x [ 2(x - 1)-+]= 0, x [ 2(x - 2)++]= 0, x +x - 2 0,

0, [ x +x -2]= 0,
x - x -1 = 0,

para resolver estas ecuaciones, primero se asume que x 0, x2 0 y =0. Entonces se resuelven a), b) y f) 2(x - 1)-= 0, 2(x - 2)+= 0, x - x -1 = 0, generando x *=1, x *=2, y *= 0. Pero esta solucin no satisface a c) 1+ 2 - 2 0 falso. A continuacin sea 0 y resulvase f), e), a) y b) 2(x - 1)-+= 0, 2(x - 2)++= 0, x +x -2= 0, x - x -1 = 0, generando x *=1/2, x *=3/2, *=1, *= 0 y f(x *, x *)=1/2

M.C. Hctor Martnez Rubin Celis

Instituto Tecnolgico de Tepic

35

Investigacin de Operaciones II

Programacin No Lineal

Checando x 0, x 0, y 0 se determina que la solucin se ha obtenido.

Condiciones de Punto de Silla

M.C. Hctor Martnez Rubin Celis Instituto Tecnolgico de Tepic 36

Investigacin de Operaciones II

Programacin No Lineal

Dos desventajas del estado estacionario Kuhn y Tucker son que (1) que son condiciones necesarias para funciones no convexas f(x) y g (x), y (2) se aplican nicamente cuando las funciones f(x) y g (x) son diferenciables. El Lagraciano tiene un punto de silla en (x*, *), y las condiciones estacionarias Kuhn y Tucker pueden tambin ser establecidas en trminos de las propiedades de los valores del punto de silla de L(x, ). Teorema. Un punto (x*, *) con * > 0 es un punto de silla del Lagraciano L(x*, *) asociado con un problema primo si y solamente si las siguientes condiciones se cumplen: 1. x* minimiza L(x*,*) para todo valor de x 2. g (x) 0, i = 1,2,...,r 3. * g (x) = 0, i = 1,2,...,r El problema primo es definido como Min f(x) = f ( x*) x tal que g (x) 0, i=1,2,....,r

donde x= [ x , x ,......,x ], y f(x) y g (x) son funciones de valor real. No existen requerimientos de no diferenciabilidad o convexidad sobre estas funciones. Teorema. Si el punto (x*, *) es un punto de silla para el Lagraciano asociado con el problema primo, entonces x* resuelve el problema primo.

M.C. Hctor Martnez Rubin Celis

Instituto Tecnolgico de Tepic

37