Instituto Tecnolgico de

Villahermosa
Ingeniera en Sistemas
Computacionales

-Investigacin de
OperacionesUnidad 3: Programacin no
Lineal (Optimizacin
clsica y caractersticas,
puntos de inflexin,
mximos y mnimos)
Alumno: Kevin Ivn Soria
Aguirre
Profesora: Norma Anglica
Ibarra Luna

Villahermosa, Tabasco.
08/06/2014
INTRODUCCIN
Desde la dcada de los 60 la programacin lineal (PL) ha sido aplicada
en diversas reas de la vida como por ejemplo: sistemas militares,
agrcolas, econmicos, de transporte y de salud. La PL ofrece bases
importantes en el desarrollo de mtodos de solucin de otras tcnicas
de la Investigacin de operaciones, como lo son la programacin entera,
la estocstica y la no lineal [Taha 1991].
La PL juega un papel muy importante en el estudio de los problemas
continuos de optimizacin considerados como la frontera de los
problemas de optimizacin combinatoria, ya que en los continuos se
tienen las caractersticas necesarias para que sean considerados dentro
del tipo combinatorio [Papadimitriou and Steiglitz, 1982]: Un problema
de optimizacin combinatoria siempre se le involucra un conjunto de
instancias, donde cada una de ellas cuenta con un conjunto finito de
posibles soluciones (caracterstica imprescindible de los problemas
continuos). Por otra parte la teora de optimizacin clsica se usa para la
obtencin de los mximos y mnimos de funciones no lineales
restringidas y no restringidas, en los que se hace uso del clculo
diferencial.
El problema de programacin no lineal puede enunciarse de una forma
muy simple:
Maximizar una funcin objetivo
O
Minimizar una funcin objetivo (de coste)
Donde

3.1 CONCEPTOS BSICOS

Programacin no lineal
En matemticas, Programacin no
lineal (PNL)
es
el proceso
deresolucin de un sistema de igualdades y desigualdades sujetas a un
conjunto de restricciones sobre un conjunto de variables reales
desconocidas, con un funcin objetivo a maximizar (o minimizar),
cuando alguna de las restricciones o la funcin objetivo no son lineales.
Si la funcin objetivo f es lineal y el espacio restringido es un politopo, el
problema es de Programacin lineal y puede resolverse utilizando alguno
de los bien conocidos algoritmos de programacin lineal.
Si la funcin objetivo es concava (problema de maximizacin),
o convexa (problema de minimizacin) y el conjunto de restricciones
es convexo, entonces se puede utilizar el mtodo general
de Optimizacin convexa.
Existe una variedad de mtodos para resolver problemas no convexos.
Uno de ellos consiste en utilizar formulaciones especiales de problemas
de programacin lineal. Otro mtodo implica el uso de tcnicas

de Ramificacin y poda, cuando el problema se divide en subdivisiones a

resolver mediante aproximaciones que forman un lmite inferior del
coste total en cada subdivisin.
Mediante subdivisiones sucesivas, se obtendr una solucin cuyo coste
es igual o inferior que el mejor lmite inferior obtenido por alguna de las
soluciones aproximadas. Esta solucin es ptima, aunque posiblemente
no sea nica. El algoritmo puede ser parado antes, con la garanta de
que la mejor solucin ser mejor que la solucin encontrada en un
porcentaje acotado. Ello se utiliza en concreto en problemas importantes
y especialmente difciles y cuando el problema cuenta con costes
inciertos o valores donde la incertidumbre puede ser estimada en un
grado de fiabilidad apropiado.
Las condiciones de Karush-Kuhn-Tucker proporcionan las condiciones
necesarias para que una solucin sea ptima.

3.2 ILUSTRACIN GRFICA DE

PROBLEMAS DE
PROGRAMACIN NO LINEAL

Existe una variedad de mtodos para resolver problemas no convexos.

Uno de ellos consiste en utilizar formulaciones especiales de problemas
de programacin lineal. Otro mtodo implica el uso de tcnicas de
Ramificacin y poda, cuando el problema se divide en subdivisiones a

resolver mediante aproximaciones que forman un lmite inferior del

coste total en cada subdivisin. Mediante subdivisiones sucesivas, se
obtendr una solucin cuyo coste es igual o inferior que el mejor lmite
inferior obtenido por alguna de las soluciones aproximadas.
Esta solucin es ptima, aunque posiblemente no sea nica. El algoritmo
puede ser parado antes, con la garanta de que la mejor solucin ser
mejor que la solucin encontrada en un porcentaje acotado. Ello se
utiliza en concreto en problemas importantes y especialmente difciles y
cuando el problema cuenta con costes inciertos o valores donde la
incertidumbre puede ser estimada en un grado de fiabilidad apropiado.

3.3 TIPOS DE PROBLEMAS DE

PROGRAMACIN NO LINEAL

Si la funcin objetivo f es lineal y el espacio restringido es un politopo, el

problema es de Programacin lineal y puede resolverse utilizando alguno
de los bien conocidos algoritmos
de programacin lineal.
Si la funcin objetivo es concava (problema de maximizacin), o convexa
(problema de minimizacin) y el conjunto de restricciones es convexo,
entonces se puede utilizar el mtodo general de Optimizacin convexa.

Los tipos de problemas de programacin no lineal son:

1. Optimizacin no restringida.
2. Optimizacin linealmente restringida.
3. Programacin cuadrtica
4.Programacin convexa.
5. Programacin separable.
6. Programacin no convexa.
7. Programacin geomtrica.
8. Programacin fraccional.
9. Problema de complementariedad.

3.4 OPTIMIZACIN CLSICA

Representacin de mximos y mnimos en una funcin con una sola

variable, tcnicas de optimizacin clsica, Mtodo de derivadas
restringidas (Jacobiano), Mtodo de Newton, explicacin del mtodo
simplex, programacin no lineal, mtodos de gradiente.
Optimizacin clsica
En el caso ms simple, un problema de optimizacin consiste
en maximizar o minimizar una funcin real eligiendo sistemticamente
valores de entrada (tomados de un conjunto permitido) y computando
el valor de la funcin. La generalizacin de la teora de la optimizacin y
tcnicas para otras formulaciones comprende un rea grande de

las matemticas aplicadas. De forma general, la optimizacin incluye el

descubrimiento de los "mejores valores" de alguna funcin objetivo dado
un dominio definido, incluyendo una variedad de diferentes tipos de
funciones objetivo y diferentes tipos de dominios.
Si la restriccin no existe, o es una restriccin de igualdad, con menor o
igual nmero de variables que la funcin objetivo entonces, el clculo
diferencial, da la respuesta, ya que solo se trata de buscar los valores
extremos de una funcin.
Un problema de optimizacin puede ser representado de la siguiente
forma
Dada: una funcin f : A
R donde A es un conjunto de nmeros reales.
Buscar: un
elemento x0 en A tal
que f(x0)
f(x)
para
todo x en A ("minimizacin")
o
tal
que f(x0)
f(x)
para
todo x en A ("maximizacin").
Tal formulacin es llamada un problema de optimizacin o un problema
de programacin matemtica (un trmino no directamente relacionado a
la programacin de computadoras, pero todava en uso por ejemplo en
la programacin lineal - ver Historia debajo). Muchos problemas tericos
y del mundo real pueden ser modelados en este esquema general.
Problemas formulados usando esta tcnica en los campos
de fsica y visin
por
computadora se
refieren
a
la
tcnica
como minimizacin
de
la
energa,
hablando
del valor de
la
funcin f representando
la
energa
del sistema que
est
siendo modelado.
Tpicamente, A es algn subconjunto del espacio Euclidiano Rn, con
frecuencia especificado por un conjunto de restricciones, igualdades o
desigualdades que los elementos de A tienen que satisfacer.
El dominio A de f es llamado el espacio de bsqueda o el conjunto de
eleccin, mientras que los elementos de A son llamados soluciones
candidatas o soluciones factibles.
La funcin f es llamada, diversamente, una funcin objetivo, funcin de
costo (minimizacin),2 funcin
de
utilidad
3
indirecta (minimizacin), funcin de utilidad(maximizacin), o, en
ciertos campos, funcin de energa, o energa funcional. Una solucin

factible que minimice (o maximice, si este es el propsito) la funcin

objetivo, es llamada una solucin ptima.
Por convenio, el formato estndar de un problema de optimizacin est
declarado en trminos de minimizacin. Generalmente, a menos que
ambas, la funcin objetivo y la regin factible sean convexas en un
problema de minimizacin, puede haber varios mnimos locales, donde
un mnimo local x* se define como un punto para el cual existe algn >
0, donde para todo x tal que

la expresin

es verdadera; es decir, en alguna regin alrededor de x * todos los

valores de la funcin son mayores que o iguales al valor en ese punto.
El mximo local se define de modo similar.
Un gran nmero de algoritmos propuestos para resolver problemas noconvexos incluyendo a la mayora de los solucionadores disponibles
comercialmente no son capaces de hacer una distincin entre
soluciones ptimas locales y soluciones ptimas rigurosas, y tratan a las
primeras como soluciones actuales del problema original. La rama de las
matemticas aplicadas y el anlisis numrico que se responsabiliza con
el desarrollo de algoritmos deterministas que son capaces de garantizar
convergencia en tiempo finito a la solucin ptima real de un problema
no-convexo se llama optimizacin global.

3.4.1 PUNTOS DE INFLEXIN

Un punto de inflexin es un punto donde los valores de x de una funcin

continua pasan de un tipo de concavidad a otra. La curva "atraviesa" la
tangente. Matemticamente la derivada segunda de la funcin f en el
punto de inflexin es cero, o no existe.
En el clculo de varias variables a estos puntos de inflexin se les
conoce como puntos de ensilladura.
En las funciones derivables reales de una variable real, para hallar estos
puntos de inflexin, basta con igualar la segunda derivada de la funcin
a cero y despejar. Los puntos obtenidos debern ser sustituidos en la
derivada tercera o sucesiva hasta que nos d un valor diferente de cero.
Cuando esto suceda, si la derivada para la que es distinto de cero es
impar, se trata de un punto de inflexin; pero, si se trata de derivada
par, no lo es. Ms concretamente:
1. Se halla la primera derivada de
2. Se halla la segunda derivada de
3. Se halla la tercera derivada de
4. Se iguala la segunda derivada a 0:
5. Se despeja la variable independiente y se obtienen todos los
valores posibles de la
misma:

6. Se halla la imagen de cada

en la funcin.

sustituyendo la variable dependiente

7. Ahora, en la tercera derivada, se sustituye cada

Si

, se tiene un punto de inflexin en

Si
, debemos sustituir
en las sucesivas derivadas hasta sea
distinto de cero. Cuando se halle la derivada para la que
no sea nulo,
hay que ver qu derivada es:
Si la derivada es impar, se trata de un punto de inflexin.
Si la derivada es par, no se trata de un punto de inflexin.
La ecuacin
no tiene puntos de inflexin, porque la
derivada segunda es siempre mayor o igual a cero, por tanto no hay
cambio de concavidad dado que es no negativa en todo su dominio. Sin
embargo en
la derivada segunda se anula y la primera derivada
no nula en
es la derivada cuarta, que es par. Obsrvese que
tampoco presenta un extremo en .
Un punto de inflexin es un punto donde cambia la curvatura de la
funcin.
Si x=a es un punto de inflexin f(a)=0
En el problema nos dan 2 datos:
f(x) pasa por el punto (3,1), es decir f(3)=1
x=3 es un punto de inflexin, es decir, f(3)=0
Con esta informacin, obtenemos b y d
f(3)=1 1=33+b32+2.3+d 1=27+9b+6+d 9b+d=-32
f(x)=3x2+2bx+2
f(x)=6x+2b
f(3)=0 6.3+2b=0 18+2b=0 2b=-18 b=-18/2=-9
9b+d=-32; 9.(-9)+d=-32; -81+d=-32; d=-32+81; d=49
Solucin: b=-9 y d=49

3.4.2 MXIMOS Y MNIMOS - EN

PROGRAMACIN NO LINEAL

Los problemas de optimizacin se expresan a menudo con una notacin

especial. A continuacin se muestran algunos ejemplos.
Considere la siguiente notacin:

Esta denota el valor mnimo de la funcin objetivo

, cuando x se
selecciona del conjunto de nmeros reales . El valor mnimo en este
caso es y ocurre para
.
De modo similar, la notacin

pregunta por el valor mximo de la funcin objetivo 2x, cuando x puede

ser cualquier nmero real. En este caso, no existe tal mximo si la
funcin objetivo es infinita, luego la respuesta es "infinito" o "indefinido".

Argumentos de la entrada ptima

Considere la siguiente notacin:

o de manera equivalente

Esta representa el valor (o valores) del argumento de x en

el intervalo
que minimiza (o minimizan) la funcin
2
objetivo x + 1 (el valor del mnimo actual de esta funcin no es por
quien el problema pregunta). En este caso, la respuesta es x = -1,
puesto que x = 0 no es factible, es decir no pertenece al conjunto
factible.
De modo similar,

o de manera equivalente

representa al par

(o pares) que maximiza (o maximizan) el valor

de la funcin objetivo
, con la restriccin aadida de que x se
encuentra en el intervalo
(nuevamente, el valor del mximo
actual de la expresin no importa). En este caso, las soluciones son los
pares de la forma (5, 2k) y (5,(2k+1)), donde k recorre a todos los
enteros.
Arg min y arg max a veces aparecen escritos como argmin y argmax, y
quieren decir argumento del mnimo y argumento del mximo.
Puntos minimax.

El punto minimax de la funcin lagrangiana es otro concepto relacionado

con la solucin de un problema de optimizacin. Si bien su definicin no
le hace til a la hora de la resolucin directa del problema, s constituye
un paso intermedio muy importante en la obtencin del problema dual,
que estudiaremos ms adelante. En esta seccin definimos dicho punto
y estudiamos su relacin con otro concepto, el punto de silla de la
lagrangiana.
La relacin del punto minimax con la solucin del problema de
programacin no lineal se obtiene de forma inmediata sin ms que tener
en cuenta que:
Min L (x, ) = f (x) Max t [g(x) b]R m+R m+
Si gi (x) bi 0, entonces i [gi(x) - bi] 0, luego
Max i ( gi (x) bi ) = 0R m+ (se alcanza en = 0).
Por tanto, si x X, Min L (x, ) = f (x) .R m+ Si gi (x) bi > 0, entonces
Sup i [gi(x) - bi] = , por lo que en este caso no se alcanza el R m+
mnimo de la Lagrangiana.
Por tanto
Max Min L (x, ) = Max f (x) D R m+ X
As pues, si (x0, 0) es un punto minimax, x0 es una solucin ptima del
problema original.

CONCLUSIN
Se presento la teora clsica de optimizacin para encontrar mximos y
mnimos de los problemas no lineales restringidos. Y la conclusin es
que no es adecuada para fines de clculo. En el caso del mtodo simplex
para sistemas lineales las condiciones de optimidad y factibilidad
garantizan, partiendo de un punto extremo factible (solucin bsica), el
poder mejorar el valor de la funcin objetivo hasta llegar al optimo en
cada iteracin.

Referencias bibliogrficas
1. Conte S.D. y Boor C; Anlisis Numerico; McGraw-Hill, Mexico D.F.,
1987.
2. C.H. Papadimitriou and K. Steiglitz, "Combinatorial optimization:
algorithms and
complexity", Prentice Hall Inc., USA. ISBN 0-13-152462-3, 496 pp., 1982.

3. H. A. Taha, Investigacin de Operaciones, Alfaomega, Mexico D.F.,

ISBN 0-02418940-5, 989 pp., 1991.