3 Programacin no lineal. 3.

1 Introduccin La Programacin no Lineal (PNL) es una parte de la Investigacin Operativa cuya misin es proporcionar una serie de resultados y tcnicas tendentes a la determinacin de puntos ptimos para una funcin (funcin objetivo) en un determinado conjunto (conjunto de oportunidades), donde tanto la funcin objetivo, como las que intervienen en las restricciones que determinan el conjunto de oportunidades pueden ser no lineales. Evidentemente, la estructura del problema puede ser muy variada, segn las funciones que en l intervengan (a diferencia de la Programacin Lineal (PL) donde la forma especial del conjunto de oportunidades y de la funcin objetivo permiten obtener resultados generales sobre las posibles soluciones y facilitan los tratamientos algortmicos de los problemas). Ello ocasiona una mayor dificultad en la obtencin de resultados, que se refleja tambin en la dificultad de la obtencin numrica de las soluciones. En este sentido, hay que distinguir entre las diversas caracterizaciones de ptimo, que slo se emplean como tcnicas de resolucin en problemas sencillos, y los mtodos numricos iterativos, cuyo funcionamiento se basa en estas caracterizaciones, para la resolucin de problemas ms generales. 3.1 Planteamiento de problemas de Programacin no lineal. Una suposicin importante de programacin lineal es que todas sus funciones (Funcin objetivo y funciones de restriccin) son lineales. Aunque, en esencia, esta suposicin se cumple para muchos problemas prcticos, es frecuente que no sea as. De hecho, muchos economistas han encontrado que cierto grado de no linealidad es la regla, y no la excepcin, en los problemas de planeacin econmica, por lo cual, muchas veces es necesario manejar problemas de programacin no lineal. De una manera general, el problema de programacin no lineal consiste en encontrar Maximizar , para

Sujeta ha en donde y las son funciones dadas de n variables de decisin.

No se dispone de un algoritmo que resuelva todos los problemas especficos que se ajustan a este formato. Sin embargo, se han hecho grandes logros en lo que se refiere a algunos casos especiales, haciendo algunas suposiciones sobre las funciones, y la investigacin sigue muy activa. 3.2 Optimizacin clsica.

Proporciona la teora clsica para localizar los puntos de mximos y mnimos de problemas no lineales restringidos y no restringidos. La teora por lo general no es adecuada para propsitos de calculo. Existen pocas excepciones donde la teora de Kuhn - Tucker es la base para el desarrollo de algoritmos de calculo eficientes. La programacin cuadrtica, es un ejemplo del uso de las condiciones necesarias de Kuhn - Tucker. No es posible establecer condiciones de suficiencia (similares a las de los problemas no restringidos y a los problemas con restricciones de igualdad) para programas no lineales con restricciones de desigualdad. No existe forma de verificar si un algoritmo de programacin no lineal converge a un ptimo local o a uno global. Optimizacin La teora de la optimizacin clsica usa el calculo diferencial en la optimizacin de los puntos mximos y mnimos para funciones con y sin restricciones. El mtodo tal vez no sea adecuado para clculos eficientes, la teora que lo fundamenta proporciona las bases para desarrollar la mayor parte de los algoritmos, de programacin lineal. Problemas no restringidos Un punto extremo de una funcin F(x) define un mximo o un mnimo de la funcin. Matemticamente, un punto X = (X , , X X) es un mximo s. F (x + h) < F (x) Para toda h igual (h , h , h) de modo que h es suficientemente pequeo para toda j. En otras palabras x un mximo si el valor de F en todo el punto de la vecindad de x no excede f (x). de manera similar, x es un mnimo si para h se defini. F (x + h ) > F (x ) F de x se llama mximo global o absoluto y F ( x ) y F ( x ) Son mximo locales o relativos. Al respecto, X se llama mximo dbil comparado con X; ejemplo de F (x) define un mximo fuerte. Sin embargo esta propiedad tambin satisface punto de inflexin y de silla de motar, como en X.

Problemas con restricciones Optimizacin de las funciones restringidas que presentan caso de restricciones de igualdad y de desigualdad. Restricciones de igualdad Son dos mtodos. El Jacobiano y el Lagrangiano, el segundo se desarrolla de forma lgica a partir del mtodo jacobiano. Esta relacin proporciona una interesante interpretacin econmica del mtodo lagrangiano. Mtodo De Derivadas Restringidas ( Jacobiano) La idea de utilizar derivadas restringidas es encontrar una expresin de forma cerrada para las primeras derivadas parciales de f (x) en todos puntos que satisfacen las restricciones g (x) = 0 Los correspondientes puntos estacionarios se identifican entre los puntos de las que estn derivadas parciales se hacen 0. Ahora el mtodo se desarrolla de forma matemtica mediante el problema de Tyler, para los puntos x y x En vecindad factible de x, tenemos f ( x + x ) - f (x ) = f x) x + 0 ( x ) Donde f representa el gradiente restringido de f con respecto a z as f ( y, z ), deben ser unos puntos estacionarios. Entre tanto, los elementos de la matriz deben ser de la segunda derivada restringida. Para mostrar como se obtiene. Anlisis de sensibilidad del mtodo Jacobiano Este mtodo sirve para estudiar la sensibilidad del valor optimo de f debido a cambios pequeos en los lados derechos de las restricciones. Este tipo de investigacin se llama anlisis de sensibilidad y de alguna manera es similar a lo que se lleva a cabo la programacin lineal. 3.2.1 Puntos de inflexin.

Punto de inflexin Un punto de inflexin es un punto donde los valores de x de una funcin continua pasa de un tipo de concavidad a otro. 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.

Procedemos entonces, tras haber establecido ciertos conceptos bsicos en la seccin anterior, a resolver el problema Maximizarsujeta a :f (x)g(x) b(PRD) donde suponemos que se dan condiciones de diferenciabilidad sobre f y g y que el conjunto D es abierto. En esta situacin, tenemos aseguradas ciertas condiciones de diferenciabilidad sobre la funcin de Lagrange L. Empezaremos definiendo el concepto de punto estacionario de Kuhn-Tucker a partir de L. Tras ello, estudiaremos su relacin con las soluciones del problema (PRD). Como veremos, sern necesarias condiciones de convexidad en los teoremas de suficiencia, y no as en los de necesariedad (donde, eso s, har falta incluir cualificaciones de restricciones). As pues, definimos

supuesto que x0 es un punto factible:

Una vez definido este concepto, veamos seguidamente los teoremas que lo relacionan con las soluciones del problema (PRD). Empezaremos dando el teorema de condiciones necesarias, es decir, el teorema en el que se establecen qu condiciones necesariamente deben verificar los ptimos de (PRD).

Como se observa, gracias a la formulacin de punto estacionario de Kuhn-Tucker (4), este teorema afirma que, si se verifica la cualificacin de restricciones de independencia lineal en x0, entonces necesariamente todo ptimo local del problema es un punto estacionario de Kuhn-Tucker. Existe otro concepto de punto estacionario (punto estacionario de Fritz-John) ms general que el de Kuhn-Tucker, que no necesita de la cualificacin de restricciones para que se establezca esta condicin necesaria. Este teorema admite exactamente la misma formulacin para el problema de mnimo, teniendo simplemente en cuenta las definiciones de punto estacionario para mnimo. As, por ejemplo, la condicin quedara: f (x ) + igi (x ) = 0 .00iI Pasamos ahora a dar el teorema de condiciones suficientes, es decir, el teorema que afirma bajo qu condiciones un punto estacionario de Kuhn-Tucker es mximo del problema. Ya se ha comentado que hace falta en este caso exigir condiciones de convexidad sobre las funciones del problema. Realmente, basta con unas suposiciones un poco ms suaves que la convexidad global, si bien aqu no vamos a especificarlas:

24 sobre las funciones del problema. Realmente, basta con unas suposiciones un poco ms suaves que la convexidad global, si bien aqu no vamos a especificarlas

Este teorema admite una formulacin similar para el problema de mnimo, con las correspondientes definiciones de los puntos estacionarios, y suponiendo que la funcin f sea convexa. Si observamos con detenimiento las condiciones de punto estacionario que hemos desarrollado en esta seccin, podremos ver su analoga con el caso en el que existan restricciones de igualdad. En concreto, desde un punto de vista intuitivo, el proceso se podra interpretar de la siguiente forma: en primer lugar, se identifican las restricciones activas en el punto en cuestin. Posteriormente, se toman las condiciones de primer orden para problemas con restricciones de igualdad, teniendo en cuenta slo las mencionadas restricciones activas (que, en el punto bajo estudio, se pueden considerar de igualdad). Finalmente, se aade la condicin adicional de no negatividad sobre los multiplicadores ptimos, que, segn vimos previamente, garantizan que la funcin objetivo no mejora al moverse hacia el interior relativo de las restricciones activas.