Professional Documents
Culture Documents
PROGRAMACIN NO LINEAL
Puntos a tratar:
3
Tres nombres de tres cientficos ilustres van asociados al origen del extrao
nombre de Programacin Matemtica: Koopmans, Dantzig y Kantorovich.
Los tres parecen haber diseado mtodos de Planificacin y Programacin
de Operaciones (produccin y transporte) utilizando modelos matemticos.
Kantorovich (Nobel de Economa 1975) en 1930 se enfoca (desde una
ptica de Optimizacin Matemtica), cmo combinar la capacidad
productiva de una fbrica para maximizar la produccin. Para ello utiliza un
mtodo de anlisis que posteriormente se llam Programacin Lineal.
En el ao 1951 Koopmans (premiado junto con Kantorovich con el Nobel)
edita un libro de ttulo "Activity Analysis of Production and Allocation". Dicho
libro recoge trabajos que sus autores dicen que son ampliaciones o
reduccin de trabajos publicados entre 1947 y 1949.
En 1947 Dantzig haba diseado el algoritmo del Simplex, que es un
procedimiento eficaz de resolucin del problema de programacin lineal.
La construccin de un Modelo de
Programacin Matemtica
Este es un proceso iterativo, se requiere:
- Conjuntos de Datos, y por tanto de ndices. Conocer los tipos de datos
de los que se dispone permite establecer, conjuntos y con ellos ndices.
- Parmetros. Representar los conjuntos de datos mediante Smbolos con
subndices, permitir comenzar la conceptualizacin del problema.
- Objetivo. Establecer la funcin objetivo en forma de lenguaje natural
(Maximizar el beneficio esperado o minimizar el ratio de aprovechamiento)
- Variables de Control. Las variables en la funcin objetivo son los efectos
de las decisiones, es por ello que se ha preferido denominarlas de control.
- Restricciones. Expresarlas verbalmente y cuantificarlas posteriormente.
-Variables de Decisin. Al plantear la funcin objetivo no se est
plasmando las decisiones. Dichas variables deben ser tambin reflejadas.
- Modelo Completo. La construccin del modelo completo (funcin objetivo
ms restricciones).
- Validacin. La validacin suele exigir recomenzar el proceso de
validacin desde el principio.
Programacin No lineal
9
Programacin No lineal
10
Programacin No lineal
11
Programacin No lineal
12
Programacin No lineal
13
Programacin No lineal
14
Sea la funcin Y = 4X X
Si Y < 0 mximo
Si Y = 0 punto de inflexin.
Y = 4 2X
4 2X = 0 X = 2 (punto crtico)
Y = (4 2X)
Y = - 2
Por lo tanto la funcin presenta un mnimo (graficar)
Programacin No lineal
15
Sea la funcin Y = X + 3X - 8
Al derivar de Y se obtienen los puntos crticos al igual Y = 0
2
Y = 3X + 6X
Y = 3X (X + 2)
3X (X + 2) = 0 X1 = 0 y X2 = -2 (puntos crticos)
2
Y = (3X + 6X) = 6X + 6
Y(X1=0) = 6 , entonces en X1= 0 hay un mnimo relativo
Y(X2=-2) = -6 entonces en X2= -2 hay un mximo relativo
Programacin No lineal
16
Programacin No lineal
17
Programacin No lineal
18
Programacin No lineal
19
Programacin No lineal
20
Programacin No lineal
21
Programacin No lineal
22
Programacin No lineal
23
Programacin No lineal
24
Programacin No lineal
25
El problema general de Programacin no Lineal que estudiaremos a lo largo de todo el tema toma la
siguiente forma:
Max f(x)
S.a.
g(x)<= 0
donde:
x = (x1, x2, , xn) Rn es la variable instrumental o de decisin.
f : D Rn R es la funcin objetivo, es decir, aquella que se desea optimizar (en este caso,
maximizar), y D su dominio.
g : D Rn Rm es una funcin vectorial g = (g1, g2, , gm) compuesta por las funciones de
restriccin.
b Rm es el vector de trminos independientes, o recursos. Cada expresin gi(x) bi determina
una restriccin sobre las variables instrumentales.
X = [x D / g(x) b]
Una combinacin de variables instrumentales x se dice que es factible para el problema (PNL) si
pertenece a X.
El problema (PNL) consiste en encontrar las variables de decisin factibles, para las
cuales la funcin objetivo tome el mayor valor posible.
Es mximo es local, si para un punto, la FO toma el valor mximo de su entorno.
Es mximo es global, si se encuentra un punto que produce el valor mximo de f en todo
el conjunto de oportunidades.
Programacin No lineal
26
Programacin No lineal
27
Definicin 1
Un punto x* X se dice que es un mximo local de (PNL) si existe un entorno de x*, E(x*) tal
que x E(x*) X, se verifica f(x*) f(x).
Definicin 2
Un punto x* X se dice que es un mximo global de (PNL) si x X, se verifica f(x*) f(x).
Importante; esta formulacin del problema no supone prdida de generalidad:
Si el objetivo fuese minimizar la funcin objetivo, se puede maximizar su opuesta.
Cualquier restriccin con se puede convertir en una de sin ms que cambiar de signo.
Las restricciones de igualdad se pueden descomponer en dos, con las dos desigualdades.
Teorema 1. Teorema de Weierstrass
Dado el problema (PNL), si el conjunto de oportunidades X es compacto y no vaco, y la
funcin objetivo f es continua en X, entonces el problema (PNL) posee mximo y mnimo
globales.
Teorema 2. Teorema Local Global
Dado el problema (PNL), si el conjunto de oportunidades X es convexo, y la funcin objetivo f
es continua y cncava (resp. convexa) en X, entonces cualquier mximo (resp. mnimo) local
de (PNL) es global.
Programacin No lineal
28
Programacin No lineal
29
Sea la funcin Y = X - 2X + 1
Al derivar de Y se obtienen los puntos crticos al igual Y = 0
3
Y = 4X - 4X
2
Y = 4X (X - 1)
2
X (X - 4) = 0 X1 = 0 y X2 = 1 y X3 = -1 (puntos crticos)
2
Y = 12X - 4
Y(X1 = 0) = -4 entonces en X1= 0 hay un mximo relativo
Y(X2 = 1) = Y(X 3= -1) = 8 entonces en X2= 1,X3= -1 hay un mnimos
relativo
Programacin No lineal
30
fx = 3X - 6X - 9
2
fy = 3Y - 6Y
2
Puntos crticos son (3, 0); (3, 2); (-1, 0); (-1, 2)
Se debe calcular fxx; fyy; fxy; fyx
fxx= 6X 6 ; fyy = 6Y 6 ; fxy= 0 ; fyx = 0
2
Programacin No lineal
31
fxy
fyy
Si H2 = 0 el mtodo no sirve
Si H2 < 0 es punto silla.
Si H2 > 0 y H1 >0 Mnimo
Si H2> 0 y H1 < 0 Mximo
( 3, 0)
( 3, 2)
( -1 , 0 )
( -1 , 2 )
12
-6
H2 = -72 < 0
12
H1 = 12 > 0
H2 = 72 > 0
-12
H1 = -12 < 0
-6
H2 = 72 > 0
-12
H1 = 12 > 0
H1 = 12 > 0
H2 = -72 < 0
Punto Silla
Mnimo
Mximo
Punto Silla
Programacin No lineal
32
fy = 6Y
2
fz = -3Z + 3
2
fx = 4X = 0 X = 0
fy = 6Y = 0 y = 0
fz = -3Z + 3 = 0 Z = 1 y Z = -1
Matriz Hessiana
fxx
fxy
fxz
fyx
fyy
fyz
fzx
fzy
fzz
H1
H2
H3
+
+/+/+
+
+/+/+
0
Mnimo Mximo Pto Silla No aplica
Programacin No lineal
33
Matriz Hessiana
Matriz Hessiana
4
H1 =
H2 =
24
-6
-144
H3 =
-144 - 0
H3 =
-144
0
(0, 0, 1)
-6Z
-144
Punto Silla
Matriz Hessiana
4
H1 =
H2 =
24
144
H3 =
144 - 0
H3 =
144
(0, 0, -1)
144
Mnimo
35
Observaciones:
36
En un problema de maximizacin, nos interesar que la funcin objetivo sea cncava, ya que en
este caso sabremos que los mximos locales lo son tambin en un sentido global.
En un problema de minimizacin, nos interesar que la funcin objetivo sea convexa, ya que en
este caso sabremos que los mnimos locales lo son tambin en un sentido global.
Notemos que el maximizador o minimizador local al cual se refiere el teorema no tiene por qu ser
un punto interior. De hecho, el nico requerimiento sobre el dominio es que se trate de un conjunto
convexo. Esto permite derivar resultados de globalidad en todo tipo de problemas de optimizacin,
tengan o no restricciones.
Si la funcin es estrictamente cncava (convexa), entonces el maximizador (minimizador) a que se
refiere el teorema es nico.
37
7,91
xy = 40
y
5,06
f(x,y)
xy = 40
y
505,96
10,00
8,89
8,00
7,91
7,27
6,67
5,71
4
4,5
5
5,06
5,5
6
7
f(x,y)
520,00
509,44
506,00
505,96
507,73
513,33
532,86
Mnimo Local
38
7,91
xy = 40
y
5,06
f(x,y)
xy = 40
y
505,96
10,00
8,89
8,00
7,91
7,27
6,67
5,71
4
4,5
5
5,06
5,5
6
7
f(x,y)
520,00
509,44
506,00
505,96
507,73
513,33
532,86
Mnimo Local
39
2
2
2
Mximo
Mnimo
40
2
2
2
Mximo
Mnimo
41
2
2
2
Mximo
Mnimo
42
2
2
2
Mximo
Mnimo
El mtodo de KuhnTucker
Definicin (Restriccin efectiva). Decimos que una restriccin es efectiva (o saturada, o activa) en un punto si ste
la satisface con igualdad.
Ejercicios
1.- Considere el siguiente problema
Min Z= -X1 + 2X2
s.a.
5X1 2X2 <= 3
X1 + X2 >= 1
-3X1 + X2 <= 3
-X1 + 2X2 <= 3
X1 , X2 >= 0
a) Resolver el problema geomtricamente.
b) Escribir las Condiciones de Kuhn Tucker y comprobar que se satisfacen en el
punto ptimo
X1 , X2 >= 0
a) Representar grficamente la regin factible.
b) Verificar en cada punto extremo de la regin factible si se cumplen las
Condiciones de Kuhn Tucker. Realizarlo en forma analtica.
c) Determinar de b) la solucin ptima