Sei sulla pagina 1di 21

PROGRAMACIN NO LINEAL

En matemticas, 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 un funcin objetivo a maximizar (o minimizar), cuando
alguna de las restricciones o la funcin objetivo no son lineales.
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 un funcin objetivo a maximizar, cuando alguna de las restricciones o la
funcin objetivo no son lineales. Aunque los problemas de programacin lineal son muy
comunes y cubren un amplio rango de aplicaciones, en la vida real uno se tiene que
enfrentar con cierta frecuencia a otro tipo de problemas que no son lineales. Cuando el
conjunto de restricciones, la funcin objetivo, o ambos, son no lineales, se dice que se trata
de un tipo de problema de programacin no lineal (PPNL).
La programacin no lineal analiza la problemtica general en la que el objetivo f(x) o las
restricciones g
j
(x) (o los dos) son funciones no lineales.

La mayora de los mtodos de programacin no lineales utilizan el concepto de gradiente de
las funciones f(x) y g
j
(x) para calcular direcciones de descenso, es decir de mejora de la
funcin objetivo.
Cuando las funciones son convexas (caso por ejemplo de la programacin lineal continua),
los algoritmos de descensos convergen hacia un ptimo global. En general, estos algoritmos
y los software correspondientes convergen solamente hacia un ptimo local. Siempre que
sea posible, es importante ejecutar estos algoritmos a partir de varias soluciones iniciales
diferentes con el fin de seleccionar la mejor solucin entre todas las encontradas.
Una problemtica no lineal con restricciones puede convertirse en un problema sin
restricciones con la ayuda del multiplicador de Lagrange: este mtodo consiste en efecto en
introducir en la funcin objetivo variables de holgura y un coste que aumenta cuando
disminuye la desviacin (es decir, restriccin saturada).
Por oposicin al concepto de programacin lineal cuando la funcin objetivo o algunas de
las restricciones no son lineales. Kuhn y Tucker pusieron las bases de la programacin
no lineal en 1951. El problema estudiado ini-cialmente fue el consistente en minimizar una
forma cuadrtica convexa con restricciones dadas en forma de desigualdades lineales.
Wolfe, Houthakker, Markowitz y Beale hicieron valiosas contribuciones en este campo.
Conceptos introductorios
DEFINICIN
Se puede expresar un problema de programacin no lineal (PNL)de la siguiente manera:
Encuentre los valores de las variables
n
x x x , , ,
2 1

que
( )
n
x x x f z , , ,
2 1

mximo (o mnimo)
sujeto a: (1)
( ) { }
( ) { }
2 2 1 2
1 2 1 1
; ; , , ,
; ; , , ,
b x x x g
b x x x g
n
n

.
.
( ) { }
n n n
b x x x g ; ; , , ,
2 1

Como en la programacin lineal z es el funcional del problema de programacin no lineal y
( ) { } ( ) { }
2 2 1 2 1 2 1 1
; ; , , , ; ; ; , , , b x x x g b x x x g
n n

; ;
( ) { }
n n n
b x x x g ; ; , , ,
2 1

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
( )
n
x x x , , ,
2 1

, tal que
i
x
es un nmero real, es
n
R
1
R
, entonces, es el conjunto de los nmeros reales.
Los siguientes subconjuntos de
1
R
(llamados intervalos) sern de particular inters:
[ ]
[ b x a x b a
b x a x b a


satisfacen que las ) ,
satisfacen que las ,
]
( ) b x a x b a
b x a x b a


satisfacen que las ,
satisfacen que las , (
[
] b x x b
a x x a


satisfacen que las , (
satisfacen que las ) ,
Y en forma anloga a las definiciones de la programacin lineal.
DEFINICIN
La regin factible para el problema de programacin no lineal es el conjunto de puntos
( )
n
x x x , , ,
2 1


que satisfacen las m restricciones de (1).
Supngase que (1) es un problema de maximizacin.
DEFINICIN
Cualquier punto
X
en la regin factible, para el cual se tiene que ( ) ( ) X f X f para todos los puntos
X de la regin factible, es una solucin ptima para el problema de programacin no lineal.
(Para un problema de minimizacin,
X
es la solucin ptima si ( ) ( ) X f X f para toda X factible.
Por supuesto, si
n
g g g z , , , ,
2 1

son funciones lineales, entonces (1) ser un problema de programa-
cin lineal y puede resolverse mediante el algoritmo simplex.
Ejemplos de Programacin No Lineal
Ejemplo N 1
A una compaa le cuesta c UM por unidad fabricar un producto. Si la compaa cobra p UM por uni-
dad de producto, los clientes pedirn ( ) p D unidades. Para maximizar las ganancias, qu precio tendra
que poner la compaa?
Solucin
La variable de decisin de la empresa es p
Dado que la ganancia de la empresa es ( ) ( ) p D c p , la empresa querr resolver el siguiente problema de
maximizacin sin restriccin:
( ) ( ) mximo p D c p
Ejemplo N 2
Si se utilizan K unidades de capital y L unidades de trabajo, una compaa puede producir KL unidades
de un bien manufacturado. Se puede conseguir el capital a 4 UM/unidad y el trabajo a 1 UM/unidad. Se
dispone de un total de 8 UM para contratar capital y trabajo. Cmo puede la compaa maximizar la
cantidad de bienes que se pueden fabricar?
Solucin
Sea
K = unidades de capital contratadas y
L = unidades de trabajo compradas
entonces K y L deben satisfacer
0 ; 0 ; 8 4 + L K L K
Por lo tanto, la compaa quiere resolver el siguiente problema de maximizacin restringido:
a sujeto
mximo KL z
0 ,
8 4

+
L K
L K
Diferencias entre Programacin No Lineal y Programacin Lineal
La solucin para el problema de programacin lineal es un conjunto convexo.
Tambin sabemos que la solucin de programacin lineal se encuentra en un punto extremo de un
conjunto convexo.
Pronto veremos, sin embargo, que aunque la regin factible para un problema de programacin no lineal
sea un conjunto convexo, la solucin ptima para un problema de programacin no lineal no tiene que
ser un punto extremo de la regin factible del problema de programacin no lineal.
La Figura 1 muestra grficamente la regin factible (acotada por el tringulo ABC) para el ejemplo y las
curvas de isobeneficio KL = 1; KL = 2 y KL = 4
Figura 1 UN PROBLEMA DE PROGRAMACIN NO LINEAL CUYA
SOLUCIN PTIMA NO ES UN PUNTO EXTREMO
Obsrvese que la solucin ptima es tangente a la frontera de la regin factible
La solucin ptima para el ejemplo es z = 4, K = 1 y L = 4 (el punto D).
D no es un punto extremo de la regin factible de programacin no lineal.
Para este ejemplo (y para muchos otros problemas de programacin no lineal), la solucin ptima no es
un punto extremo de la regin factible, porque las curvas isoganancias no son lneas rectas.
En realidad, la solucin ptima para un problema de programacin no lineal puede no encontrarse en la
frontera de la regin factible.
Por ejemplo, considrese el PNL siguiente:
( )
1 0 a sujeto
max

x
x f z
donde ( ) x f se representa en la figura:
La solucin ptima para este PNL es
2 / 1 , 1 x z
.
Por supuesto,
2 / 1 x
no se encuentra sobre la frontera de la regin factible.
Extremos Locales
DEFINICIN
Para cualquier problema de programacin no lineal (una maximizacin), un punto factible
( )
n
x x x X , , ,
2 1
es un mximo local si para un

suficientemente pequeo, cualquier punto factible


( )
' '
2
'
1
, , ,
n
x x x X
con
( ) n i x x
i i
, , 2 , 1
'

satisface ( ) ( ) X f X f
En resumen, un punto
X
es un mximo local si
( ) ( ) X f X f
para todo
X factible que est cerca de
X
Anlogamente, un punto
X
es un mnimo local si
( ) ( ) X f X f
para todo
X que est cerca de
X
Un punto que es un mximo local o un mnimo local, se llama un extremo local, o relativo.
Diferencia con programacin lineal: Para la programacin no lineal, puede ser que un mximo local
no sea una solucin ptima.
Por ejemplo, considrese el siguiente problema de programacin no lineal:
( )
10 0 a sujeto
mximo


X
X f z
donde ( ) X f se da en la Figura 2.
Figura 2 UN MXIMO LOCAL PUEDE NO SER LA SOLUCIN PTIMA
PARA UN PROBLEMA DE PROGRAMACIN NO LINEAL
Los puntos A, B y C son todos mximos locales, pero el punto C es la nica solucin ptima para el
problema de programacin no lineal.
Diferencia con programacin lineal: A diferencia de un problema de programacin lineal, un
problema de programacin no lineal puede no satisfacer las suposiciones de PROPORCIONALIDAD y
de ADITIVIDAD.
Por ejemplo, en el Ejemplo N 2, un aumento de L en 1, incrementar z en K
El efecto en z del aumento de L en 1, depende de K
Esto indica que el ejemplo no satisface la SUPOSICIN DE ADITIVIDAD.
El problema de programacin no lineal
0 ,
1 a sujeto
mximo
3
1
3
1

+
+
y x
y x
y x z
no satisface la SUPOSICIN DE PROPORCIONALIDAD, porque al duplicar el valor de x, no se du-
plica la contribucin de x a la funcin objetivo.
Ejemplo N 3
La compaa XYZ hace publicidad en telenovelas y programas de ftbol.
Cada comercial en una telenovela cuesta 50.000 UM, y cada comercial en un programa de ftbol
100.000 UM.
Si se compran S comerciales en telenovelas sern vistos por
S 5
hombres y por
S 20
mujeres (los datos vienen en millones de espectadores).
Si se compran F comerciales en programas de ftbol, sern vistos por
F 17
hombres y por
F 7
mujeres.
XYZ quiere que por lo menos 40 millones de hombres y por lo menos 60 millones de mujeres vean sus
comerciales.
(a) Formule un PNL que minimice el costo de XYZ para alcanzar suficientes espectadores.
Minimizar
F S Z 100 50 +
Sujeto a

'

+
+
60 7 20
40 17 5
F S
F S
,
0 , F S
(b) Viola el PNL las suposiciones de proporcionalidad y aditividad?
Como si se duplica S no se duplica la contribucin de S a las restricciones, estamos violando la hiptesis
de proporcionalidad.
No se viola la aditividad.
Funciones Convexas y Cncavas
Las funciones convexas y cncavas desempean un papel muy importante en el estudio de los problemas
de programacin no lineal.
Sea
( )
n
x x x f , , ,
2 1

una funcin que se define para todos los puntos
( )
n
x x x , , ,
2 1

en un conjunto con-
vexo S
DEFINICIN
Una funcin
( )
n
x x x f , , ,
2 1

es una funcin convexa sobre un conjunto convexo S si para cualquier
S X S X y
( ) [ ] ( ) ( ) ( ) X f c X f c X c X c f + + 1 1 (2)
se satisface para 1 0 c
DEFINICIN
Una funcin
( )
n
x x x f , , ,
2 1

es una funcin cncava sobre un conjunto convexo S si para cualquier
S X S X y
( ) [ ] ( ) ( ) ( ) X f c X f c X c X c f + + 1 1 (3)
se satisface para 1 0 c
a partir de (2) y (3), vemos que
( )
n
x x x f , , ,
2 1

es una funcin convexa s y slo s
( )
n
x x x f , , ,
2 1

es
una funcin cncava, y a la inversa.
Para tener ms claras estas definiciones, sea ( ) x f una funcin de una sola variable.
Observemos la Figura 3.
Figura 3 UNA FUNCIN CONVEXA
A partir de la Figura 3 y de la desigualdad (2), encontramos que ( ) x f es convexa s y slo s el seg-
mento rectilneo que une dos puntos cualesquiera de la curva ( ) x f y nunca se encuentra por debajo
de la curva ( ) x f y
Figura 4 UNA FUNCIN CNCAVA
En forma similar, la Figura 4 y la desigualdad (3) muestran que ( ) x f es una funcin cncava s y slo s
el segmento rectilneo que une dos puntos cualesquiera de la curva ( ) x f y nunca se encuentra por
arriba de la curva ( ) x f y
Antes de analizar cmo determinar si una funcin dada es convexa o cncava, demostramos un resul-
tado que ilustra la importancia de las funciones convexas y cncavas.
Ejemplo N 4
Para 0 x , ( )
2
x x f y ( )
x
e x f son funciones convexas y ( )
2 / 1
x x f es una funcin cncava, como
puede verse:
Ejemplo N 5
Se puede demostrar que la suma de dos funciones convexas es convexa y que la suma de dos funciones
cncavas es cncava.
Por lo tanto
( )
x
e x x f +
2
es una funcin convexa.
TEOREMA 1
Considrese el problema (1) de programacin no lineal y supngase que se trata de un problema de
maximizacin.
Supngase que la regin factible S para el problema de programacin no lineal (1) es un conjunto con-
vexo.
Si ( ) x f es cncava sobre S, entonces cualquier mximo local del problema de programacin no lineal
(1) es una solucin ptima para ese problema de programacin no lineal.
Demostracin
Si el Teorema 1 es falso, entonces debe existir un mximo local x que no es una solucin para el pro-
blema de programacin no lineal (1).
Sea S la regin factible para el problema de programacin no lineal (1) (hemos supuesto que S es un
conjunto convexo.)
Entonces, para algn ( ) ( ) x f x f S x ,
Entonces la desigualdad (3) implica que para cualquier c que satisface
1 0 c
( ) [ ] ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
( ) x f
x f x f x f c x f c
x f c x f c x c x c f

+
+ +
) (donde 1
1 1
Ahora obsrvese que para c arbitrariamente cerca de 1, ( ) x c x c + 1 es factible (porque S es convexo)
y cercano a x
Por lo tanto, x no puede ser un mximo local.
Esta contradiccin demuestra el Teorema 1.
Puede utilizarse un razonamiento similar para demostrar el Teorema 1'.
TEOREMA 1'
Considrese el problema (1) de programacin no lineal y supngase que es un problema de minimiza-
cin.
Supngase que la regin factible S para el problema de programacin no lineal (1) es un conjunto con-
vexo.
Si ( ) x f es convexa sobre S, entonces cualquier mnimo local del problema de programacin no lineal
(1) es una solucin ptima para este problema de programacin no lineal.
Los Teoremas 1 y 1' demuestran que si maximizamos una funcin cncava (o minimizamos una fun cin
convexa) sobre una regin factible convexa S , entonces cualquier mximo local (o mnimo local)
resolver el problema de programacin no lineal (1).
Al resolver un problema de programacin no lineal, aplicaremos a menudo los Teoremas 1 y 1'.
Ahora explicaremos cmo determinar si una funcin ( ) x f de una sola variable es convexa o cncava.
Recurdese que si ( ) x f es una funcin convexa de una sola variable, el segmento que une dos puntos
cualesquiera de ( ) x f y nunca estar por debajo de ( ) x f y
Vemos que ( ) x f convexa implica que la pendiente de ( ) x f debe ser no decreciente para todos los
valores de x
TEOREMA 2
Supngase que ( ) x f
existe para toda x en el conjunto convexo S
Entonces ( ) x f es una funcin convexa sobre S, s y slo s ( ) 0 x f para toda x en S
TEOREMA 2'
Supngase que ( ) x f
existe para toda x en el conjunto convexo S
Entonces ( ) x f es una funcin cncava sobre S, s y slo s ( ) 0 x f para toda x en S
Ejemplo N 6
1. Demuestre que ( )
2
x x f es una funcin convexa sobre
1
R S
( ) 0 2 x f
2. Demuestre que ( )
x
e x f es una funcin convexa sobre
1
R S
( ) 0
x
e x f
3. Demuestre que ( ) x x f es una funcin cncava sobre
1
R S
( ) 0
4
1
2
3


x x f
4. Demuestre que ( ) b x a x f + es una funcin tanto convexa como cncava sobre
1
R S
( ) 0 x f por lo tanto ( ) x f es una funcin tanto convexa como cncava sobre
1
R S
Cmo podremos determinar si una funcin
( )
n
x x x f , , ,
2 1

de n variables es convexa o cncava sobre
un conjunto
n
R S
?
Suponga que
( )
n
x x x f , , ,
2 1

tiene segundas derivadas parciales continuas.
Antes de enunciar el criterio que se usa para determinar si
( )
n
x x x f , , ,
2 1

es convexa o cncava nece-
sitamos dar tres definiciones.
DEFINCIN
El hessiano de
( )
n
x x x f , , ,
2 1

es la matriz n x n cuyo ijsimo elemento es
j i
x x
f

2
Sea
( )
n
x x x H , , ,
2 1

el valor del hessiano en
( )
n
x x x , , ,
2 1

Por ejemplo, si
( )
2
2 2 1
3
1 2 1
2 , x x x x x x f + +
entonces
( )
1
]
1

2 2
2 6
,
1
2 1
x
x x H
Dado
b h
h a
D
el determinante
a a
es un subdeterminante de
D
formado por el primer elemento
de la diagonal principal; por eso se llama primer menor principal de
D
El determinante
b h
h a
tambin puede considerarse como un subdeterminante de
D
; puesto que com-
prende los elementos primero y segundo de la diagonal principal; se le denomina segundo menor
principal de
D
DEFINICIN
El isimo menor principal de una matriz n x n es el determinante de cualquier matriz i x i que se
obtiene al quitar n i filas y las n i columnas correspondientes de la matriz.
Para la matriz
1
]
1



4 1
1 2
los primeros menores principales son 2 y 4 y el segundo menor principal es
( ) ( ) ( ) 7 1 1 4 2
Para cualquier matriz, los primeros menores principales son exactamente los elementos de la diagonal de
la matriz.
DEFINICIN
El ksimo menor principal dominante de una matriz n x n es el determinante de la matriz k x k que
se obtiene al quitar los ltimos n k renglones y columnas de la matriz.
Sea
( )
n k
x x x H , , ,
2 1

el k-simo menor principal dominante de la matriz hessiana evaluado en el punto
( )
n
x x x , , ,
2 1

As, si
( )
2
2 2 1
3
1 2 1
2 , x x x x x x f + +
entonces
( )
1 2 1 1
6 , x x x H
y
( ) 4 12 2 * 2 2 * 6 ,
1 1 2 1 2
x x x x H
Considrense los siguientes teoremas.
No se demostrarn.
TEOREMA 3
Supngase que
( )
n
x x x f , , ,
2 1

tiene derivadas parciales continuas de segundo orden para cada punto
( ) S x x x x
n
, , ,
2 1

Entonces
( )
n
x x x f , , ,
2 1

es una funcin convexa sobre S si y solo si para cada S x , los menores
principales de H son no negativos.
TEOREMA 3
Supngase que
( )
n
x x x f , , ,
2 1

tiene derivadas parciales continuas de segundo orden para cada punto
( ) S x x x x
n
, , ,
2 1

Entonces
( )
n
x x x f , , ,
2 1

es una funcin cncava sobre S si y slo si para cada
n k S x , , 2 , 1 y
,
los menores principales diferentes de cero tienen el mismo signo que ( )
k
1
Al aplicar los teoremas 3 y 3 se puede utilizar la matriz hessiana para determinar si
( )
n
x x x f , , ,
2 1

es
una funcin convexa o cncava (o ninguna de las dos) sobre un conjunto convexo
n
R S
Ejemplo N 7
Demuestre que
( )
2
2 2 1
2
1 2 1
2 , x x x x x x f
es una funcin cncava sobre
2
R S
Solucin
Encontramos que
( )
1
]
1

4 1
1 2
,
2 1
x x H
Los primeros principales son los elementos de la diagonal del hessiano (-2 y 4).
Ambos son no positivos.
El segundo menor principal es determinante
( ) ( ) 0 7 1 * 1 4 * 2
2 1
x x H
( )
2 1
, x x f es una funcin cncava sobre
2
R
Ejemplo N 8
Demuestre que para
2
R S
, ( )
2
2 2 1
2
1 2 1
2 3 , x x x x x x f no es una funcin convexa ni cncava.
Solucin
Encontramos que:
( )
1
]
1

4 3
3 2
,
2 1
x x H
Los primeros menores principales son 2 y 4.
Como los dos menores principales son positivos ( )
2 1
, x x f no puede ser cncava.
El segundo menor principal es:
2*4 (-3)*(-3)=8 9 = -1 < 0
Por lo tanto ( )
2 1
, x x f no puede ser convexa.
Solucin de Programacin no Lineal con una Variable
Aqu explicaremos cmo resolver el PNL:
mx (o mn) ( ) x f (4)
sujeto a [ ] b a x ,
(Si b , la regin factible para el PNL (4) es a x y si
a
, la regin factible para (4) es b x ).
Para encontrar la solucin ptima para (4), buscamos todos los mximos (o mnimos) locales.
Un punto que es un mximo local o un mnimo local para (4) se llama un extremo local.
Entonces la solucin ptima para (4) es el mximo (o mnimo) local con el mayor (o menor) valor de
( ) x f
Naturalmente, si b a , (4) no puede tener una solucin ptima (ver la figura)
Figura 5 PNL SIN SOLUCIN
Existen tres tipos de puntos para los cuales (4) puede tener un mximo o mnimo local (estos puntos a
veces se llaman extremos candidato).
Caso 1. Los puntos en los cuales
b x a
y ( ) 0 x f (llamado punto estacionario de
( ) x f
)
Supngase que ( ) x f b x a y existe.
Si
0
x
es un mximo o mnimo local, entonces
( ) 0
0
x f
Si
( ) 0
0
x f
, entonces existen puntos
2 1
y x x cercanos a
0
x
donde
( ) ( ) ( ) ( )
0 2 0 1
y x f x f x f x f
Entonces, si
( )
0 0
, 0 x x f
no puede ser un mximo o mnimo local.
En forma similar, si
( )
0 0
, 0 x x f
no puede ser un mximo o mnimo local.
Sin embargo, si
( )
0 0
entonces , 0 x x f
podr ser un mximo o un mnimo local.
Por desgracia la figura muestra que
( )
0
x f
puede ser igual a cero sin que
0
x
sea un mximo o un m-
nimo local.
Figura 6 NO EXISTE MXIMO NI MNIMO LOCAL
Tambin observamos que si
( )
0
x f
cambia de positivo a negativo al pasar por
0
x
, entonces
0
x
ser un
mximo local.
As, si
( )
0 0
, 0 x x f
ser un mximo local.
Y si
( )
0 0
, 0 x x f
ser un mnimo local.
TEOREMA 4
Si
( ) ( )
0 0 0
entonces , 0 y 0 x x f x f
ser un mximo local.
Si
( ) ( ) 0 y 0
0 0
x f x f
, entonces
0
x
ser un mnimo local.
Qu sucede si
( ) ( ) 0 y 0
0 0
x f x f
?
Este es el caso de la figura 6.
En este caso determinamos si
0
x
es un mximo o un mnimo local mediante el Teorema 5.
TEOREMA 5
Si
( ) , 0
0
x f
1. Si la primera derivada que no se anula en
0
x
es una derivada de orden impar
( )
( )
( )
( ) ( ), etc. , ,
0
5
0
3
x f x f entonces
0
x
no ser un mximo o un mnimo local.
2. Si la primera derivada que no se anula en
0
x
es positiva y es una derivada de orden par, entonces
0
x
ser un mnimo local.
3. Si la primera derivada que no se anula en
0
x
es negativa y es una derivada de orden par, entonces
0
x
ser un mximo local.
Omitimos las demostraciones de los Teoremas 4 y 5.
Caso 2. Los puntos en los cuales no existe
( )
0
x f
Si ( ) x f no tiene una derivada en
0 0
, x x
puede ser un mximo local, un mnimo local o ninguno de los
dos. Ver Figura 7.
Figura 7 CASOS DONDE NO EXISTE LA DERIVADA PRIMERA
En este caso determinamos si
0
x
es un mximo o un mnimo local al verificar los valores de ( ) x f en
puntos
0 0 2 0 1
a cercanos y x x x x x
Los cuatro resultados posibles se presentan en la tabla:
RELACIN ENTRE
( ) ( ) ( )
2 1 0
Y , x f x f x f
0
x
FIGURA
( ) ( ) ( ) ( )
2 0 1 0
; x f x f x f x f
No es extremo local 7 (a)
( ) ( ) ( ) ( )
2 0 1 0
; x f x f x f x f
No es extremo local 7 (b)
( ) ( ) ( ) ( )
2 0 1 0
; x f x f x f x f
Mximo local 7 (c)
( ) ( ) ( ) ( )
2 0 1 0
; x f x f x f x f
Mnimo local 7 (d)
Caso 3. Los puntos extremos a y b de [ ] b a,
Observemos la Figura 8.
Figura 8 MXIMOS Y MNIMOS LOCALES PARA EXTREMOS
Observamos que
( )
( )
( )
( ) local mnimo un es entonces , 0 Si
local mximo un es entonces , 0 Si
local mximo un es entonces , 0 Si
local mnimo un es entonces , 0 Si
b b f
b b f
a a f
a a f




Ejemplo N 9
A un monopolista le cuesta 5 UM/unidad producir un artculo.
Si produce x unidades del artculo, se podr vender cada unidad a 10 x UM ( ) 10 0 x
Cundo tendra que producir el monopolista para maximixar la ganancia?
Solucin
Sea ( ) x P la ganancia del monopolista al producir x unidades.
Entonces
( ) ( ) ( ) 10 0 5 5 10
2
x x x x x x x P
El monopolista desea resolver el siguiente problema de programacin no lineal:
( )
10 0 a sujeto x
x P mx
0
1,84
3,36
4,56
5,44
6
6,24
6,16
5,76
5,04
4
2,64
0,96
-1,04
-3,36
-6
-8,96
-12,24
-15,84
-19,76
Grfico de P(x)
-60
-40
-20
0
20
0 5 10 15
P(x)
x
Ahora clasificamos los extremos candidato:
Caso 1 ( ) ( ) ( ) 5 , 2 , 2 Como . 0 5 , 2 tanto, lo por y, 2 5 x x P P x x P un mximo local que
produce una ganancia de P(2,5) = 2,5*(10 2,5) 5*2,5 = 18,75 12,5 = 6,25
Caso 2 ( ) [ ] 10 0, de puntos los todos para existe x P
y, por lo tanto, no hay candidatos para el
caso 2.
Caso 3 a = 0 tiene ( ) 0 tanto, lo por y, 0 5 0 a P es un mnimo local; b = 10 tiene
( ) 10 tanto, lo por y, 0 15 10 b P es un mnimo local.
Por lo tanto x = 2,5 es el nico mximo local.
Esto significa que se maximizan las ganancias del monopolista al elegir x =2,5
Obsrvese que ( ) 2 x P para todos los valores de x
Esto muestra que ( ) x P es una funcin cncava.
Un mximo local de ( ) x P
debe ser la solucin ptima para el problema de la programacin no lineal.
Por lo tanto, el Teorema 1 quiere decir que al hallar que x = 2,5 es un mximo local, sabemos que se
trata de la solucin ptima del problema de programacin no lineal.
Ejemplo N 10
Que los alumnos representen.
Sea
( ) ( )
( ) ( ) 6 3 para 4 3
3 0 para 1 2
2
2
+

x x x f
x x x f
Encontrar:
( )
6 x 0 a sujeto
max

x f
Solucin
Caso 1 Para ( ) ( ) ( ) 2 y 1 2 ; 3 0 x f x x f x Para ( ) ( ) 4 2 ; 6 3 x x f x y
( ) 2 x f
Por lo tanto ( ) donde de 1 2 ) ( x x f ( ) ( ) 0 1 1 2 1 f , y como ( ) ( ) donde de 4 2 x x f
( ) ( ) 0 4 4 2 4 f Como ( ) 1 ; 0 1 x f es un mximo local. Como ( ) 4 ; 0 4 x f es un mnimo
local.
Caso 2 ( ) ( ) 1 2 funcin primer la con 3 x x f ( ) 4 2 * 2 1 3 2 ;
( ) ( ) ( ) 2 4 3 2 4 2 segunda la para 3 x x f . Por lo tanto las derivadas por derecha e izquierda
son diferentes. Se trata de un punto anguloso. En la figura se observa que ( ) x f tiene derivada en x = 3
(para x un poco menor que 3, ( ) x f
est cerca de -4, y para x un poco mayor de 3, ( ) x f
est cerca de
-2). Como ( ) ( ) ( ) 3 ; 19 , 2 1 , 3 y 2 3 ; 61 , 1 9 , 2 x f f f no es un extremo local.
Bsqueda de la Seccin urea
Considrese una funcin ( ) x f
(Para alguna ( ) x f x , puede no existir.)
Supngase que queremos resolver el siguiente problema de programacin no lineal:
( )
b x a
x f
a sujeto
mx
(5)
Puede ocurrir que ( ) x f
no exista, o que sea difcil resolver la ecuacin ( ) 0 x f
O sea, puede ser difcil utilizar los mtodos del acpite anterior para resolver este problema de progra-
macin no lineal.
Aqu veremos cmo resolver (5) si ( ) x f es una funcin unimodal.
DEFINICIN
Una funcin ( ) x f es unimodal sobre [ ] b a, , si para algn punto x en [ ] b a, , ( ) x f es estrictamente
creciente sobre [ ] x a, y estrictamente decreciente sobre [ ] b x,
Si ( ) x f es unimodal en el intervalo ( ) ( ) x x f local mximo solo un tendr entonces en [ ] b a, y este m-
ximo local ser la solucin de (5).
Ver la figura 9
Figura 9 DEFINICIN DE UNA FUNCIN UNIMODAL
Sea x la solucin ptima para (5).
Sin ms informacin, todo lo que podemos decir es que la solucin ptima para (5) es algn punto en el
intervalo [ ] b a,
Al evaluar
( ) [ ] b a x x x x x f , sobre ) que (supngase y puntos dos en
2 1 2 1

, podemos reducir el tamao
del intervalo en el cual est la solucin de (5).
Despus de evaluar ( ) ( )
2 1
y x f x f , se puede presentar alguno de tres casos.
En cada caso, podemos demostrar que la solucin ptima para (5) caer en un subconjunto de [ ] b a,
Caso 1 ( ) ( )
2 1
x f x f Como ( ) x f es creciente sobre por lo menos una parte del intervalo
[ ]
2 1
, x x , el hecho de que ( ) x f sea unimodal demuestra que la solucin ptima para (5) no
puede presentarse en [ ]
1
, x a . Por lo tanto en el Caso 1, ( ] b x x ,
1
(Figura 10).
Figura 10 CASO 1
Caso 2 ( ) ( )
2 1
x f x f Para alguna parte del intervalo [ ] ( ) x f x x , ,
2 1
debe ser decreciente y la
solucin ptima para (5) tiene que presentarse para algn
2
x x Por lo tanto, en el Caso 2,
[ )
2
, x a x (Figura 11).
Figura 11 CASO 2
Caso 3 ( ) ( )
2 1
x f x f En este caso, ( ) x f comienza a decrecer antes de que x llegue a
2
x Por
lo tanto, [ )
2
, x a x (Figura 12).
Figura 12 CASO 3
El intervalo en el cual debe estar [ ) ( ] - , bien o , , sea ya -
1 2
b x x a x se llama intervalo de incertidumbre.
Para reducir este intervalo de incertidumbre se utilizan muchos algoritmos.
La mayora de ellos proceden de la siguiente manera:
Paso 1 Comience con la regin de incertidumbre para x igual a [ ] ( ) x f b a Evale , en dos
puntos
2 1
y x x , elegidos en forma sensata.
Paso 2 Determine cul de los tres Casos 1 a 3 se presenta y obtenga el intervalo reducido de
incertidumbre.
Paso 3 Evale ( ) x f en dos nuevos puntos (el algoritmo especifica cmo se encuentran los dos
nuevos puntos). Regrese al Paso 2 a no ser que la longitud del intervalo de incertidumbre sea
suficientemente pequeo.
Veremos en detalle uno de estos algoritmos, la BSQUEDA DE LA SECCIN UREA.
Cuando se utiliza este algoritmo para resolver (5), una funcin unimodal ( ) x f , veremos que al elegir
dos puntos nuevos en el Paso 3, uno de los nuevos puntos coincidir siempre con un punto en el cual
hemos evaluado ( ) x f previamente.
Sea r la nica raz positiva de la ecuacin cuadrtica
1
2
+ r r
Entonces, la frmula cuadrtica da
( )
618 , 0
2
1 5
2
5 1
1 * 2
1 * 1 * 4 1 1
2
4
2 / 1 2

a
c a b b
r
r es un valor CONSTANTE para TODOS los problemas de bsqueda de la seccin urea.
No explicaremos aqu porque r se llama la regin urea.
La Bsqueda de la Seccin urea comienza con la evaluacin de ( ) x f en los puntos
2 1
y x x donde
( )
( ) a b r a x
a b r b x
+

2
1
Ver la Figura 13.
Figura 13 UBICACIN DE LA SECCIN UREA
A partir de esta figura, vemos que para encontrar
1
x , nos movemos una fraccin r del intervalo desde el
extremo derecho del intervalo, y para encontrar
2
x , nos movemos una fraccin r del intervalo desde el
extremo izquierdo del intervalo.
Actualizado al 30/11/2.002
D:\INVESTIGACIN OPERATIVA\FRBA PN LINEAL Impreso el 6/02/2013