Professional Documents
Culture Documents
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
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
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) + -
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;
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)
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:
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
A = f =2,
B=f
=0
C=f
=2
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
(3,4) , B= f =0 y
B=f
A = -2 < 0
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
+ 2xy + 3y
resolviendo este sistema de ecuaciones encontramos que x=3.2 e y=1.6, as el punto crtico ocurre en (3.2, 1.6)
A = C = 4, B = C Paso 3 Evaluar AC - B 2
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
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
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]
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
+ (4 - x )2 +[ x
+ 3 x x + x 2 - 1]
+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 = 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
Programacin No Lineal
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.
17
Investigacin de Operaciones II
Programacin No Lineal
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
Programacin No Lineal
y como
[1
T T
x1 2 ] = [4] x2
T
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
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
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
21
Investigacin de Operaciones II
Programacin No Lineal
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;
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],
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.
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.
_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
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,
26
Investigacin de Operaciones II
Caso 1:
Programacin No Lineal
El cual tiene tres soluciones: x*=0.2, x*=1, x*=-1, y*=(0.96)0.5 , y*=0 y*= 0,
*=3,
Caso 2:
=0 (solucin no restringida)
4x - 2 = 0 -6y = 0 1+ x2 + y2 = 2,
y x*=0.5, y*=0
2 = 1.25,
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:
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
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
29
Investigacin de Operaciones II
Programacin No Lineal
j = 1,2,...., n
g (x) 0, (* )g (x) = 0, 0,
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
g (x) 0, (* )g (x) = 0, 0,
Ejemplo 2: Determine las condiciones estacionarias Kuhn y Tucker para el problema Min x f(x)
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
g (x) 0, (* )g (x) = 0, 0,
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
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,
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
* x* = 0
33
Investigacin de Operaciones II
Programacin No Lineal
L * * * ( x , ) x j = 0 xj
Las variables * han sido eliminadas de las condiciones necesarias, las cuales se resumen a continuacin:
a) b) c)
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)
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
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
35
Investigacin de Operaciones II
Programacin No Lineal
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.
37