Investigacin de Operaciones II

PROGRAMACIN NO LINEAL

Profesora : Anita Henrquez Sapunar

ahenriquez@ucentral.cl

Objetivos del tema:

2

Introducir a la Programacin No Lineal.

Comprender los distintos tipos de problemas y
mtodos para optimizar modelos No Lineales.
Aplicar la optimacin No lineal a un problema real.

Puntos a tratar:
3

Tipos de problemas de Programacin No lineal.

Modelos de Programacin Matemtica

4

La caracterstica comn que comparten, es que representan la realidad

mediante variables y parmetros.
De este modo la realidad queda cuantificada.
La decisin consiste en el proceso deliberado que selecciona una accin
determinada entre un conjunto de acciones alternativas.

La decisin es un proceso previo a la accin.

Los modelos de Programacin Matemtica representan la realidad
mediante funciones, estas son combinacin de variables y parmetros en
forma de restricciones y/o funciones objetivo.
En general, las restricciones se deben respetar y la funcin objetivo
establece la diferencia entre una solucin y otra mejor.
Este tipo de modelos matemticos pertenecen al grupo de los modelos
normativos (qu indican el camino a seguir) frente a la categora de los
descriptivos (que describen la situacin actual o futura).

Porque se llama Programacin Matemtica

5

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.

Clasificacin de los Modelo de

Programacin Matemtica
Una clasificacin de los modelos de programacin matemtica es:
1- Programacin Lineal (PL): Su forma ms bsica, consiste en un
conjunto de variables reales, que mediante combinacin lineal de
parmetros ciertos, permite establecer un objetivo y restricciones lineales.
2- Programacin Lineal Entera (PLE): Si a alguna de las variables de un
problema lineal se le impone la condicin de integridad el problema pasa a
ser de Programacin Lineal Entera Mixta. Si todas son variables enteras, el
problema pasa a ser de Programacin Lineal Entera.
3- Programacin Estocstica (PE): Si a los problemas de Programacin
Matemtica se les incorpora la incertidumbre en los parmetros, esta
incertidumbre se puede abordar mediante la denominada Programacin
Estocstica.
4- Programacin No Lineal (PNL): Si a los modelos de Programacin
Lineal se les elimina el requerimiento que la funcin objetivo o las
restricciones sean lineales, se obtienen modelos de Programacin NoLineal.

Componentes de un Modelo Matemtico

7

Los modelos matemticos tienen dos componentes bsicos:

Datos: Valores conocidos y constantes.
Variables: Valores que se calculan.
Mediante la combinacin lineal de los mismos se generan:
Funcin Objetivo que debe minimizarse o maximizarse.
Restricciones que establece lmites al espacio de soluciones.
La funcin objetivo y las restricciones, se expresan matemticamente
mediante el uso de variables o incgnitas.
Se pretende definir unos valores de las variables, de tal modo de obtener el
mejor valor de la funcin objetivo, cumpliendo todas las restricciones.
En su formulacin bsica los modelos matemticos tienen una funcin
objetivo y una o ms restricciones. Sin embargo existen excepciones como:
Mltiples Objetivos (Matriz de preferencias, AHP, Smart).
Objetivos No existentes (evaluar soluciones factibles) .
No existencia de restricciones (maximizar o minimizar la funcin).

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

Funcin sin restricciones:

2

Sea la funcin Y = 4X X

Al derivar de Y se obtienen los puntos crticos al igual Y = 0

Si Y > 0 mnimo

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

Funcin sin restricciones:

3

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

Por lo tanto la funcin presenta un mnimo y un mximo (graficar)

Programacin No lineal
16

No existe un mtodo que permita resolver cualquier problema de

programacin no lineal. Los mtodos existentes slo resuelven algunos tipos
de problemas.
Veremos conceptos y herramientas que proveen el marco terico para la
resolucin de problemas con ciertas condiciones.
Las funciones cncavas y convexas desempean un papel importante en el
estudio de problemas de programacin NO Lineales.

Programacin No lineal
17

Programacin No lineal
18

Programacin No lineal
19

Programacin No lineal
20

La funcin representada abajo, es cncava o convexa?

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.

Se denomina conjunto de oportunidades del problema, o conjunto factible al conjunto de puntos

de D que satisfacen las restricciones del problema, es decir,

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

1.1.- Caso irrestricto

Se inicia con el caso de una funcin sin restricciones.
Las condiciones que obtendremos son de primer y segundo orden, de forma anloga al caso de una variable, esto es:
Caso n = 1 (luego se analizar el caso general).
El problema es:
Optimizar f(x),
donde f: D R R
El conjunto de condiciones necesarias y suficientes para que un punto x* de D sea un ptimo local de f se recoge en los
dos teoremas siguientes:
Teorema Condiciones necesarias para ptimo local
a) Es condicin necesaria de primer orden para que x* D, sea un ptimo local de f, que:
f '(x*) = 0.
En general, a los puntos tales que anulen la primera derivada de una cierta funcin f les denominaremos puntos crticos
de dicha funcin.
b) Es condicin necesaria de segundo orden para que el punto crtico x* sea mximo local de f que:
f ''(x*) 0.
o bien, para mnimo local de f que
f ''(x*) 0.
Teorema Condiciones suficientes para ptimo local
a) Si el punto crtico x*, es tal que f ''(x*) < 0, entonces x* es un mximo local de f.
b) Si el punto crtico x*, es tal que f ''(x*) > 0 entonces x* es un mnimo local de f.

Programacin No lineal
29

Funcin sin restricciones y una variable:

4

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

Por lo tanto la funcin presenta dos mnimos y un mximo (graficar)

Programacin No lineal
30

Funcin sin restricciones y dos variables:

3

Sea la funcin f(x,y) = X +Y - 3X 3Y - 9X

Al derivar de fx (1era derivada en x) y fy (1era derivada en y) se obtienen los puntos crticos al igualar
fx y fy a cero
2

fx = 3X - 6X - 9
2

fy = 3Y - 6Y
2

3X - 6X 9 = 3(X - 3) (X + 1) = 0 X = 3 y X = -1 (puntos crticos)

2

3Y 6Y = 3(Y 2Y) = 0 Y = 2Y Y = 0 ; Y = 2 (puntos crticos)

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

Se calcula el discriminante D = fxx*fyy (fxy) y se evalan en los puntos crticos, as

2

D = (6X 6) (6Y 6) (0)

D(3,0) = -72

D(3,2) = 72 ; D(-1, 0) = 72 ; D(-1, 2) = -72

Si D < 0 el punto critico es un punto silla.

Si D = 0 el punto crtico no se puede evaluar con este mtodo.
Si D > o se debe evaluar.
f(3,2) = -31 Mnimo
f(-1, 0) = 5 Mximo

Programacin No lineal
31

Funcin sin restricciones y dos variables (Continuacin)

Matriz Hessiana
fxx
fyx

fxy
fyy

Se evala en todos los puntos crticos: H1 =

2

Se evala en todos los puntos crticos: H2 = fxx*fyy (fxy) =

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

Funcin sin restricciones y tres variables:

2

Sea la funcin f(x,y, z) = 2X + 3Y - Z + 3Z

Ahora se debe calcular fx, fy y fz. Se obtienen los puntos crticos al igualar fx, fy y fz a cero
fx = 4X

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

Puntos Crticos (0, 0, 1) y (0, 0, -1)

fxx = 4 fxy = 0 fxz = 0

fyx = 0 fyy = 6 fyz= 0

fzx = 0 fzy = 0 fzz = -6Z

Matriz Hessiana
fxx

fxy

fxz

Se evala en todos los puntos crticos: H1 =

fyx

fyy

fyz

Se evala en todos los puntos crticos: H2 =

fzx

fzy

fzz

Se evala en todos los puntos crticos: H3 =

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

Concavidad y convexidad de funciones. Criterios de globalidad

34

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

Optimizacin con restricciones de desigualdad

43

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

1.- Considere el siguiente problema

Min Z= 2X1 - X2
s.a.

2X1 + 6/5 X2 <= 6

X2 <= 3
-1/2 X1 + 2/5 X2 <= 1

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