Instituto Tecnolgico de Acapulco

Materia: Investigacin de Operaciones Maestro: Juan Manuel Rodrguez Vzquez Alumno: Pedro Camacho Martnez Unidad: 3 Programacin no lineal Grupo: 10-11/709 Fecha: 05/11/2012

INDICE UNIDAD 3. PROGRAMACIN NO LINEAL

3.1 Conceptos bsicos de problemas de programacin no lineal 3.2 Ilustracin grfica de problemas de programacin no lineal 3.3 Tipos de problemas de programacin no lineal 3.4 Optimizacin clsica 3.4.1 Puntos de inflexin 3.4.2 Mximos y mnimos Fuentes de informacin Ejercicios de anexo

UNIDAD 3 PROGRAMACIN NO LINEAL 3.1 Conceptos bsicos de problemas de programacin no lineal. Programacin no lineal (PNL) es el proceso de resolucin de un sistema de igualdades y desigualdades sujetas a un conjunto de restricciones sobre un conjunto de variables reales desconocidas, con una funcin objetivo a maximizar, cuando alguna de las restricciones o la funcin objetivo no son lineales. 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, con frecuencia no es 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, lo cual vamos a analizar enseguida. De la manera general el problema de programacin no lineal consiste en encontrar: X=(X1, X2, X3, X4, XN) para Maximizar f(X), sujeta a Gi(X)<= bi para i=1,2..m, Y X=>0,

Donde f(X) y gi(x) son funciones dadas de n variables de decisin. Se puede expresar un problema de programacin no lineal (PNL)de la siguiente manera: Encuentre los valores de las variables que

Como en la programacin lineal z es el funcional del problema de programacin no lineal y

son las restricciones del problema de programacin no lineal.

Un problema de programacin no lineal es un problema de programacin no lineal no restringido. El conjunto de puntos , tal que es un nmero real, es, entonces, es el conjunto de los nmeros reales. Los siguientes subconjuntos de (llamados intervalos) sern de particular inters:

Y en forma anloga a las definiciones de la programacin lineal. La regin factible para el problema de programacin no lineal es el conjunto de puntos que satisfacen las m restricciones de (1).

Por supuesto, si son funciones lineales, entonces (1) ser un problema de programacin lineal y puede resolverse mediante el algoritmo simplex

3.2 Ilustracin grfica de problemas de programacin no lineal

Cuando un problema de programacin no lineal tiene slo una o dos variables, se puede representar grficamente de forma muy parecida al ejemplo de la Wyndor Glass Co. de programacin lineal, de la seccin 3.1. Se vern unos cuantos ejemplos, ya que una representacin grfica de este tipo proporciona una visin global de las propiedades de las soluciones ptimas de programacin lineal y no lineal. Con el fin de hacer hincapi en las diferencias entre programacin lineal y no lineal, se usarn algunas variaciones no lineales del problema de la Wyndor Glass Co. La figura 13.5 muestra lo que ocurre con este problema si los nicos cambios que se hacen al modelo de la seccin 3.1 son que la segunda y tercera restricciones funcionales se sustituyen por la restriccin no lineal 9x{ + 5x2 < 216. Compare las figuras 13.5 y 3.3. La solucin ptima sigue siendo (a^ , x2) = (2,6). Todava se encuentra sobre la frontera de la regin factible, pero no es una solucin factible en un vrtice (FEV). La solucin ptima pudo haber sido una solucin FEV con una funcin objetivo diferente (verifique Z = 3xx + x2), pero que no necesite

serlo significa que ya no se puede aprovechar la gran simplificacin utilizada en programacin lineal que permite limitar la bsqueda de una solucin ptima para las soluciones FEV Ahora suponga que las restricciones lineales de la seccin 3.1 se conservan sin cambio, pero que la funcin objetivo se hace no lineal. Por ejemplo, si

entonces la representacin grfica en la figura 13.6 indica que la solucin ptima es x x x2 = 5, que de nuevo se encuentra en la frontera de la regin factible. (El valor ptimo de Z es Z = 857; as, la figura 13.6 muestra el hecho de que el lugar geomtrico de todos los puntos para los que Z = 857 tiene en comn con la regin factible slo este punto, mientras que el lugar geomtrico de los puntos con Z ms grande no toca la regin factible en ningn punto.) Por otro lado, si

entonces la figura 13.7 ilustra que la solucin ptima es (*l5 x2 ) = (3,3), que se encuentra dentro de la frontera de la regin factible. (Se puede comprobar que esta solucin es ptima si se usa clculo para derivarla como un mximo global no restringido; como tambin satisface las restricciones, debe ser ptima para el problema restringido.) Por lo tanto, es necesario que

un algoritmo general para resolver problemas de este tipo tome en cuenta todas las soluciones en la regin factible, y no slo aquellas que estn sobre la frontera.

Otra complicacin que surge en programacin no lineal es que un mximo local no necesariamente es un mximo global (la solucin ptima global). Por ejemplo, considere la funcin de una sola variable graficada en la figura 13.8. En el intervalo 0 < x < 5, esta funcin tiene tres mximos locales x=0,x=2,x=4pero slo uno de stosx 4es un mximo global. (De igual manera, existen mnimos locales en x = 1,3 y 5, pero slo x = 5 es un mnimo global.) En general, los algoritmos de programacin no lineal no pueden distinguir entre un mximo local y un mximo global (excepto si encuentran otro mximo local mejor), por lo que es determinante conocer las condiciones bajo las que se garantiza que un mximo local es un mximo global en la regin factible. Recuerde que en clculo, cuando se maximiza una funcin ordinaria (doblemente diferenciable) de una sola variable f(x) sin restricciones, esta garanta est dada cuando

Una funcin de este tipo cuya curvatura siempre es hacia abajo (o que no tiene curvatura) se 1 llama funcin cncava. De igual manera, si se sustituye < por >, de manera que la funcin tiene siempre una curvatura hacia arriba (o no tiene curvatura), se llama funcin 2 convexa. (As, una funcin lineal es tanto cncava como convexa.) En la figura 13.9 se pueden ver ejemplos de esto. Note que la figura 13.8 ilustra una funcin que no es cncava, ni convexa pues alterna sus curvaturas hacia arriba y hacia abajo. Las funciones de variables mltiples tambin se pueden caracterizar como cncavas o convexas si su curvatura es siempre hacia abajo o hacia arriba. Estas definiciones intuitivas se fundamentan en trminos precisos que, junto con cierta profundizacin en los conceptos, se presentan en el apndice 2. El apndice 2 proporciona una prueba conveniente para verificar si una funcin de dos variables es cncava, convexa o ninguna de las dos. La siguiente es una forma conveniente de verificar esto para una funcin de ms de dos variables cuando la funcin consiste en una suma de funciones ms pequeas cada una de slo

una o dos variables. Si cada funcin ms pequea es cncava, entonces la funcin completa es cncava. De manera similar, la funcin completa es convexa si cada funcin ms pequea es convexa.

que es la suma de las dos funciones ms pequeas dadas en los parntesis cuadrados. La primera funcin ms pequea 4*! - x\ es una funcin de la variable xx nada ms, por lo que puede verse que es cncava si se observa que su segunda derivada es negativa. La segunda 2 funcin ms pequea -(x2 x ) es una funcin de x2 y por lo que se puede aplicar la prueba para funciones de dos variables dada en el apndice 2. De hecho, este apndice usa esta funcin en particular para ilustrar la prueba y encuentra que la funcin es cncava. Como las dos funciones ms pequeas son cncavas, la funcin completa f (jVj ,x2,x3) debe ser cncava. Si un problema de programacin no lineal no tiene restricciones, el hecho de que la funcin objetivo sea cncava garantiza que un mximo local es un mximoglobal. (De igual manera, una funcin objetivo convexa asegura que un mnimo local es un mnimo global.) Si existen restricciones, entonces se necesita una condicin ms para dar esta garanta, a saber, que la regin factible sea un conjunto convexo.Como se analiza en el apndice 2, un conjunto convexo es sencillamente un conjunto de puntos tales que, para cada par de puntos de la coleccin, el segmento de recta que los une est totalmente contenido en la coleccin. As, la regin factible en el problema original de la Wyndor Glass Co. (vea la figura 13.6 o 13.7) es un conjunto convexo. De hecho, la regin factible para cualquier otro problema de programacin lineal es un conjunto convexo. De igual manera, la regin factible de la figura 13.5 tambin es un conjunto convexo. En general la regin factible para un problema de programacin no lineal es un conjunto convexo siempre que todas las funciones g (x)[para las restricciones g (x) < b{ ] sean convexas. Para el ejemplo de la figura 13.5, las dos gt (x) son convexas, ya que gx (x) = xx (una funcin lineal es automticamente cncava y convexa) y g2 (x) = 9x\ + 5x\ (tanto 9x\ como 5x2 son funciones convexas, por lo que su suma es una funcin convexa). Estas dos funciones convexas g (x) conducen a que la regin factible de la figura 13.5 sea un conjunto convexo. Ahora se analizar qu pasa cuando slo una de estas funciones g (x) es una funcin cncava. En particular, suponga que el nico cambio que se hace al ejemplo de la figura 13.5 es

son funciones cncavas. La nueva regin factible mostrada en la figura 13.10 no es un conjunto convexo. <Por qu? Porque contiene pares de puntos, como (0, 7) y (4, 3), tales que parte del segmento de recta que los une no est en la regin factible. En consecuencia, no se puede garantizar que un mximo local sea un mximo global. De hecho, este ejemplo tiene dos mximos locales (0, 7) y (4, 3), pero slo (0, 7) es un mximo global. Entonces, para garantizar que un mximo local sea un mximo global para un problema de programacin no lineal con restricciones (x) < b (i = 1,2,, m) y x > 0, la funcin objetivo /(x) debe ser cncava y cada g (x) debe ser convexa. Un problema de este tipo se llama problema de programacin convexa .

3.3 Tipos De Problemas De Programacin No Lineal

Los problemas de programacin no lineal se presentan de muchas formas distintas. Al contrario del mtodo smplex para programacin lineal, no se dispone de un algoritmo que resuelva todos estos tipos especiales de problemas. En su lugar, se han desarrollado algoritmos para algunas clases (tipos especiales) de problemas de programacin no lineal. Se introducirn las clases ms importantes y despus se describir cmo se pueden resolver algunos de estos problemas.

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 cncava (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. Los tipos de problemas de programacin no lineal son: 1. 2. 3. 4. 5. 6. 7. 8. 9. Optimizacin no restringida. Optimizacin linealmente restringida. Programacin cuadrtica Programacin convexa. Programacin separable. Programacin no convexa. Programacin geomtrica. Programacin fraccional. Problema de complementariedad.

ALGORITMOS SIN RESTRICCIN En esta seccin se presentarn dos algoritmos para el problema no restringido: el algoritmo de bsqueda directa y el algoritmo degradiente. Mtodo de bsqueda directa Los mtodos de bsqueda directa se aplican principalmente a funciones estrictamente unimodales de una variable. Aunque puede parecer trivial el caso, la seccin 21.1.2 muestra que la optimizacin de funciones de una variable juega un papel clave en el desarrollo de los algoritmos de varias variables, ms generales. La idea de los mtodos de bsqueda directa es identificar el intervalo de incertidum- bre que comprenda al punto de solucin ptima. El procedimiento localiza el ptimo estrechando en forma progresiva el intervalo de incertidumbre hasta cualquier grado de exactitud que se desee.

En esta seccin se presentan dos algoritmos estrechamente relacionados: los mtodos de bsqueda dictomo y de seccin dorada (o urea). Ambos buscan la maximizacin de una funcin unimodal/(x) en el intervalo a ^ x < b, que se sabe que incluye el punto ptimo x*. Los dos mtodos comienzan con /0 = (a, b) que representa el intervalo inicial de incertidumbre. Paso general i. Sea /, _ , = (xD xR) el intervalo actual de incertidumbre (en la iteracin 0, xL = a y xR = b). A continuacin se definen xx y x2tales que xj^ ^ ^ x2 ^ xr El siguiente intervalo de incertidumbre, /z, se define como sigue: 1. Si f(xx) > /(x2), entonces xL < x* < x2. Se definen xR = x2 e /, = (xL, x2) (vase la figura 21.2[a]). 2. Si f(xx) < f(x2\ entonces xx < x* < xR. Se definen xL = xx e I = (xh xR) (vase la figura 21.1 [b]). . 3. Si f{x\) = /(jc2), entonces xx < x* < x2. Se definen xL = x2 e /, = (xb x2).

La manera en que se determinan xx y x2 garantiza que /, < /,_ p como se demostrar en breve. El algoritmo termina en la iteracin ksilk< A,donde A es un grado de exactitud definido por el usuario. * La diferencia entre los mtodos dictomo y de seccin dorada estriba en la forma en que se calculan xx y x2. La tabla siguiente presenta las frmulas.

En el mtodo dictomo los valores jc, y x2 se encuentran simtricos respecto del punto medio del actual intervalo de incertidumbre. Esto significa que

La aplicacin repetida del algoritmo garantiza que la longitud del intervalo de incertidumbre se acercar al nivel de exactitud deseado, A. En el mtodo de la seccin dorada la idea es de mayor involucramiento. Se puede apreciar e que cada iteracin del mtodo dictomo requiere calcular los dos valores/(jc,) y f(x2), P ro termina por descartar alguno de ellos. Lo que propone el mtodo de la seccin dorada es

ahorrar clculos mediante el reuso del valor descartado en la iteracin inmediata siguiente. Para definir 0 < a < 1

Cuando el intervalo de incertidumbre /, en la iteracin i es igual a (jc, x2) o a (xu xR). Considere el caso en que /, = (jcl, x2), lo cual significa que xx est incluido en /,. En la iteracin /+1, seleccione x2 igual a jc, de la iteracin /, lo cual lleva a la siguiente ecuacin: x2(iteracin i+l) = x{(iteracin i)

Comparado con el mtodo dictomo, el mtodo de la seccin dorada converge ms rpidamente hacia el nivel deseado de exactitud. Adicionalmente, cada iteracin en el mtodo de la seccin dorada requiere la mitad de los clculos, en virtud de que recicla siempre un conjunto de los clculos correspondientes a la iteracin inmediata anterior.

EJEMPLO

El mximo valor de f(x) ocurre en x = 2. La siguiente tabla muestra los clculos para las iteraciones 1 y 2, usando el mtodo dicotomo y el de la seccin dorada. Supondremos que A = 0.1.

Al continuar de la misma forma, el intervalo de incertidumbre terminar por estrecharse hasta la tolerancia A deseada. La plantilla ch21DichotomousGoldenSection.xls de Excel est diseada para manejar cualquiera de estos dos mtodos en forma automtica. Los datos son/(*), a,b y A. La funcin f{x) se captura en la celda E3 como sigue: = IF(C3< = 2,3*C3, (-C3+20)/3) OPTIMIZACIN NO RESTRINGIDA

Los problemas de optimizacin no restringida no tienen restricciones, por lo que la funcin objetivo es sencillamente Maximizar f(x) sobre todos los valores x= (x1, x2,,xn). Segn el repaso del apndice 3, la condicin necesaria para que una solucin especfica x = x* sea ptima cuando f(x) es una funcin diferenciable es

Cuando f (x) es cncava, esta condicin tambin es suficiente, con lo que la obtencin de x* se reduce a resolver el sistema de las necuaciones obtenidas al establecer las n derivadas parciales iguales a cero. Por desgracia, cuando se trata de funciones no lineales f (x), estas ecuaciones suelen ser no lineales tambin, en cuyo caso es poco probable que se pueda obtener una solucin analtica simultnea. Qu se puede hacer en ese caso? Las secciones 13.4 y 13.5 describen procedimientos algortmicos de bsqueda para encontrar x* primero para n = 1 y luego para n > 1. Estos procedimientos tambin tienen un papel importante en la

solucin de varios tipos de problemas con restricciones, que se describirn en seguida. La razn es que muchos algoritmos para problemas restringidos estn construidos de forma que se adaptan a versiones no restringidas del problema en una parte de cada iteracin. Cuando una variable Xj tiene una restriccin de no negatividad, x- > 0, la condicin necesaria (y tal vez) suficiente anterior cambia ligeramente a

para cada j de este tipo. Esta condicin se ilustra en la figura 13.11, donde la solucin ptima de un problema con una sola variable es x = 0 aun cuando la derivada ah es negativa y no cero. Como este ejemplo tiene una funcin cncava para maximizar sujeta a una restriccin de no negatividad, el que su derivada sea menor o igual a 0 en # = 0, es una condicin necesaria y suficiente para que x= 0 sea ptima. Un problema que tiene algunas restricciones de no negatividad y que no tiene restricciones funcionales es un caso especial (m = 0) de la siguiente clase de problemas. OPTIMIZACIN LINEALMENTE RESTRINGIDA

Los problemas de optimizacin linealmente restringida se caracterizan por restricciones que se ajustan por completo a la programacin lineal, de manera que todas las funciones de restriccin g (x) son lineales, pero la funcin objetivo es no lineal. El problema se simplifica mucho si slo se tiene que tomar en cuenta una funcin no lineal junto con una regin factible de programacin lineal. Se han desarrollado varios algoritmos especiales basados en una extensin del mtodo smplex para analizar la funcin objetivo no lineal. Un caso especial importante descrito a continuacin es la programacin cuadrtica. PROGRAMACIN CUADRTICA

De nuevo los problemas de programacin cuadrtica tienen restricciones lineales, pero ahora la funcin objetivo /(x) debe ser cuadrtica.Entonces, la nica diferencia entre stos y un

problema de programacin lineal es que algunos trminos de la funcin objetivo incluyen el cuadrado de una variable o el producto de dos variables.

PROGRAMACIN CONVEXA

La programacin convexa abarca una amplia clase de problemas, entre ellos como casos especiales, estn todos los tipos anteriores cuando /(x) es cncava. Las suposiciones son 1. f(x) es cncava. 2. Cada una de las g(x) es convexa.

PROGRAMACIN SEPARABLE

La programacin separable es un caso especial de programacin convexa, en donde la suposicin adicional es Todas las funciones f(x) y g(x) son funciones separables. Una funcin separable es una funcin en la que cada trmino incluye una sola variable, por lo que la funcin se puede separar en una suma de funciones de variables individuales. Por ejemplo, si f(x) es una funcin separable, se puede expresar como

son cada tina funciones de una sola variable x1 y x2, respectivamente. Usando el mismo razonamiento, se puede verificar que la funcin considerada en la figura 13.7 tambin es una funcin separable. Es importante distinguir estos problemas de otros de programacin convexa, pues cualquier problema de programacin separable se puede aproximar muy de cerca mediante uno de programacin lineal y, entonces, se puede aplicar el eficiente mtodo smplex.

son cada tina funciones de una sola variable x1 y x2, respectivamente. Usando el mismo razonamiento, se puede verificar que la funcin considerada en la figura 13.7 tambin es una funcin separable. Es importante distinguir estos problemas de otros de programacin convexa, pues cualquier problema de programacin separable se puede aproximar muy de cerca mediante uno de programacin lineal y, entonces, se puede aplicar el eficiente mtodo smplex.

PROGRAMACIN NO CONVEXA

La programacin no convexa incluye todos los problemas de programacin no lineal que no satisfacen las suposiciones de programacin convexa. En este caso, aun cuando se tenga

xito en encontrar un mximo local, no hay garanta de que sea tambin un mximo global. Por lo tanto, no se tiene un algoritmo que garantice encontrar una solucin ptima para todos estos problemas; pero s existen algunos algoritmos bastante adecuados para encontrar mximos locales, en especial cuando las formas de las funciones no lineales no se desvan demasiado de aquellas que se supusieron para programacin convexa. En la seccin 13.10 se presenta uno de estos algoritmos. Ciertos tipos especficos de problemas de programacin no convexa se pueden resolver sin mucha dificultad mediante mtodos especiales. Dos de ellos, de gran importancia, se presentarn ms adelante. PROGRAMACIN GEOMTRICA Cuando se aplica programacin no lineal a problemas de diseo de ingeniera, muchas veces la funcin objetivo y las funciones de restriccin toman la forma

En tales casos, las ci y a ty representan las constantes fsicas y las x} son las variables de diseo. Estas funciones por lo general no son ni cncavas ni convexas, por lo que las tcnicas de programacin convexa no se pueden aplicar directamente a estos problemas de programacin geo- mtrica. Sin embargo, existe un caso importante en el que el problema se puede transformar en un problema de programacin convexa equivalente. Este caso es aquel en el que todos los coeficientes c en cada funcin son estrictamente positivos, es decir, las funciones son polinomios positivos generalizados (ahora llamados posinomiales), y la funcin objetivo se tiene que minimizar. El problema equivalente de programacin convexa con variables de decisin yx, y2,, yn se obtiene entonces al establecer

en todo el modelo original. Ahora se puede aplicar un algoritmo de programacin convexa. Se ha desarrollado otro procedimiento de solucin para resolver estos problemas de progra1 macin posinomial, al igual que para problemas de programacin geomtrica de otros tipos. PROGRAMACIN FRACCIONAL Suponga que la funcin objetivo se encuentra en la forma de una fraccin, esto es, la razn o cociente de dos funciones,

Estos problemas de programacin fraccional surgen, por ejemplo, cuando se maximiza la razn de la produccin entre las horas-hombre empleadas (productividad), o la ganancia entre el capital invertido (tasa de rendimiento), o el valor esperado dividido entre la desviacin estndar de alguna medida de desempeo para una cartera de inversiones (rendimiento/riesgo). 1 Se han formulado algunos procedimientos de solucin especiales para ciertas formas de f1(x) y f2 (x) Cuando se puede hacer, el enfoque ms directo para resolver un problema de programacin fraccional es transformarlo en un problema equivalente de algn tipo estndar que disponga de un procedimiento eficiente. Para ilustrar esto, suponga que f(x) es de la forma de programacin fraccional lineal

donde c y d son vectores rengln, x es un vector columna y c0 y dQ son escalares. Tambin suponga que las funciones de restriccin g (x)son lineales, es decir, las restricciones en forma matricial son Ax < b y x > 0. Con algunas suposiciones dbiles adicionales, el problema se puede transformar en un problema equivalente de programacin lineal si se establece

que se puede resolver con el mtodo smplex. En trminos generales, se puede usar el mismo tipo de transformacin para convertir un problema de programacin fraccional con /(x) cncava, f2 (x) convexa y g (x) convexas, en un problema equivalente de programacin convexa.

3.4 Optimizacin clsica

Optimizacin es el proceso de hallar el mximo o mnimo relativo de una funcin, generalmente sin la ayuda de grficos. Conceptos claves A continuacin se describir brevemente algunos conceptos necesarios para comprender apropiadamente el tema de optimizacin. -Funciones crecientes y decrecientes Se dice que una funcin f(x) es creciente (decreciente) en x=a, si en la vecindad inmediata del punto [a,f(a)] el grfico de la funcin crece (cae) al moverse de izquierda a derecha. Puesto que la primera derivada mide la tasa de cambio y la pendiente de una funcin, una primera derivada positiva en x=a indica que la funcin es creciente a; una primera derivada negativa indica que es decreciente.

-Concavidad y convexidad Una funcin f (x) es cncava en x = a, si en alguna pequea regin cercana al punto [a, f(a)] el grfico de la funcin se ubica completamente debajo de su lnea tangente. Una funcin es convexa en x = a, si en un rea cercana a [a, f(a)] el grfico esta complemente arriba de su lnea tangente. Una segunda derivada positiva en x = a denota que la funcin es convexa en x = a. Anlogamente, una segunda derivada negativa en x = a denota que la funcin es cncava en a.

- Extremo relativo Un extremo relativo es un punto en el cual una funcin esta a un mximo o mnimo. Para ello, la funcin debe estar en un punto en el cual no esta creciendo ni decreciendo, y por ende, su primera derivada debe ser igual a cero o indefinida. Un punto en el dominio de una funcin donde la derivada iguala a cero o es indefinida es

llamado punto o valor critico.

3.4.1 Puntos de Inflexin

Un punto de inflexin es un punto en el grafico donde la funcin cruza su lnea tangente y cambia de cncavo a convexo y viceversa. Los puntos de inflexin pueden ocurrir solo donde la segunda derivada iguala a cero o es indefinida. Es decir, f(a)=0.

3.4.2 Mximos y mnimos

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 mas 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, MinL (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. Pasamos ahora a dar los teoremas que relacionan los conceptos de punto de silla de L y punto minimax. Veremos que dicha relacin es casi una equivalencia, en el sentido de que

todo punto minimax es punto de silla, y todo punto de silla es un punto minimax considerado sobre conjuntos mas restringidos.

Como hemos expuesto anteriormente, para obtener el teorema recproco es necesario restringir los conjuntos de definicin del punto minimax. Previamente, hemos visto que la primera parte de la igualdad debe ser de la forma

Definimos, por tanto, N = { R m + / Max ( f ( x ) t [g(x) b ])}, N R m + Entonces, la segunda parte de la igualdad se debe expresar como sigue: Min Max L (x, ) Por tanto, el punto minimax que buscamos ahora es de la forma:

Para el problema de mnimo, el punto minimax toma la forma:

tomando adems la funcin lagrangiana correspondiente a este problema. Con esta definicin, los teoremas 16 y 17 seran vlidos de forma anloga para esta formulacin. 4.1.- Dualidad en Programacin Matemtica. El concepto de dualidad nace estrechamente ligado al de punto minimax que se desarroll en la seccin anterior. As, dado nuestro problema original, recordemos la definicin de punto minimax: se trata de un par (x0, 0) que verifica: L (x0 , 0 ) = Max Min L (x, ) = Min Max L (x, ) , donde L(x, ) = f(x) t[g(x) que es, precisamente, el problema de partida, que llamaremos a partir de ahora Problema Primal (PP). Por otro lado, el segundo trmino de la igualdad del punto minimax se puede expresar como:

Min N

( ), tomando adems la funcin lagrangiana correspondiente a este problema. Con esta definicin, los teoremas 16 y 17 seran vlidos de forma anloga para esta formulacin.

ANEXOS