Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
PROGRAMACIN NO LINEAL:
MULTIVARIABLE CON RESTRICCIONES
DOCENTE
INTEGRANTES
Paredes Gil, Jhonnattan. Rivero Ros, Jorge. Sare Campos, ngel. Tarrillo Azabache, Bryan. Tenicela Carrillos, Cristhian.
CICLO
VI TRUJILLO-PER 2012 1
Introduccin
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 aplicacin, 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).
1.
En esta parte se considera la optimizacin de funciones continuas sujetas a restricciones del tipo:
Donde generalmente
, y n es el numero de variables.
Existen diferentes mtodos para resolver el problema de optimizacin con restricciones de igualdad. Entre estos mtodos se puede mencionar como ejemplo a los de substitucin directa, que se detalla a continuacin. Cuando se requiere resolver un problema de optimizacin con n variables sujetas a m restricciones de igualdad que limitan la solucin (m ecuaciones). Tericamente es posible resolver en forma simultnea a las m restricciones de igualdad y expresar cualquier conjunto de n variables en trminos de las n-m variables, la nueva funcin objetivo que se obtiene involucra solamente n-m variables y no se encuentra sujeta a restriccin alguna, por lo que su valor ptimo se puede encontrar resolviendo la funcin sin restriccin. A este caso se le denomina el problema de optimizacin clsica. El problema en la optimizacin con restricciones de igualdad cosiste en encontrar una z* tal que resulte . Es decir: y al mismo tiempo se cumplan las restricciones de igualdad: 3
.. (1) Para que exista solucin a este problema se requiere imponer algunas condiciones, las cuales permiten tomar en cuenta las caractersticas de las restricciones de igualdad. La condicin fundamental requerida es que sea posible aplicar el teorema de la funcin implcita al conjunto de restricciones de igualdad. Esto implica que si existen m restricciones, es posible efectuar una particin de las n variables o componentes de z, en un vector x con m componentes y un vector u con n-m componentes y que adems sea posible resolver para x a partir de las m restricciones en la vecindad e la solucin .. (2) En otras palabras, las relaciones funcionales de la expresin (2) son equivalentes a las restricciones de la ecuacin (1). Sustituyendo la ecuacin (2) en la funcin objetivo por minimizar, el problema puede escribirse como: (3) El problema expresado en (3) es un problema sin restricciones que implcitamente involucra las restricciones de las variables de control . , y que su espacio de soluciones se ha reducido al espacio , es decir:
1.
En esta seccin se presentan en forma general las tcnicas para optimizacin con restricciones en la programacin no lineal. Analticamente, el problema de programacin no lineal con restricciones de igualdad y 4
Sujeto a: g(z) = b h(z) c Generalmente:z0 Las n variables z, z,..., zn se definen como las n componentes reales del vector columna z. La funcin objetivo f (z) representa el criterio para el cual se requiere encontrar su valor mnimo. Las funciones de restriccin g (z), g (z), . . ., . ., (z) se representan por el vector columna g(z). Las funciones h(z), h(z), . (z) involucradas en las restricciones de desigualdad se representan por el y , , . . ., se
representan por los vectores columna b y c, respectivamente. Es comn designar a las variables z como los instrumentos del proceso que se requiere optimizar. Las restricciones de desigualdad representan
generalmente limitaciones fsicas o de operacin de algn elemento dentro del sistema o limitaciones del proceso. Cuando se trata de un sistema fsico, por ejemplo, aparecen comnmente restricciones de igualdad, las que normalmente representan leyes fsicas del comportamiento del sistema. En el caso de un sistema elctrico, stas ltimas pueden ser las leyes de Kirchoff y las primeras pueden ser voltajes o capacidades de generadores. Cuando se involucran en el problema restricciones de igualdad (leyes fsicas o de comportamiento), en ocasiones es conveniente subdividir las variables z e n dos tipos de variables: variables de control y variables de estado del 5
sistema; ya que en condiciones normales es posible ejercer algn tipo de control sobre el sistema para conducirlo a un estado determinado. Es
conveniente notacionalmente sustituir la variable z por el par de vectores (x, u), con lo cual el problema queda como: min f (x, u) sujeto a: g(x, u) = b h(x, u) c Generalmente: x 0, u 0 Ntese que el conjunto de restricciones g(x, u) = b y h(x, u) c (conocidas como restricciones funcionales) es la interseccin de los conjuntos (x, u) para los cuales se cumplen simultneamente el conjunto de
restricciones: (x, u) = , i = 1, 2, . . ., m
(x, u)
, j = 1, 2, . . ., p
Este conjunto (x, u) se denomina el conjunto de soluciones factibles o conjunto de oportunidades del problema. Existen diversas tcnicas para la solucin del problema de programacin no lineal con restricciones que limitan la operacin del sistema. Bsicamente, todos los mtodos se pueden clasificar de manera semejante a las tcnicas de programacin lineal, en dos categoras: mtodos directos y mtodos mtodos directos las
restricciones son manejadas de una manera explcita mientras que en los mtodos indirectos el problema con restricciones es resuelto como una secuencia de problemas de optimizacin sin restricciones. 6
Mtodos de bsqueda directa Mtodos de bsqueda aleatoria. Mtodo de Multiplicadores de Kuhn Tucker Mtodos del gradiente reducido. Etc.
Mtodos de bsqueda indirecta Mtodos para incluir las restricciones (transformacin de variables, mtodos con funciones de penalizacin interior y exterior) Etc.
1.1.1 Multiplicadores de Lagrange Un objetivo principal en la teora de la programacin no-lineal es la formulacin de condiciones necesarias y suficientes que satisfacen en un punto solucin. En esta teora se incluye principalmente el estudio de los Multiplicadores de Lagrange incluyendo los de Kuhn y Tucker. En esta seccin los multiplicadores de Lagrange se obtienen mediante las condiciones de optimalidad como se muestra a continuacin. Se asume mnimo local se define como: . La condicin necesaria para un
(2.18) Derivando, 7
(2.19) |
] (2.20)
Y la condicin (2.17) se puede re-escribir como, [ ] (2.21) Asimismo, [ ] (2.22) En la ecuacin (2.22) se propone un vector , que se conoce como multiplicadores de Lagrange, y se define de la manera siguiente: [ (2.23) Sustituyendo el vector multiplicador de Lagrange en las condiciones necesarias (2.21) y (2.22) se tiene: ]
(2.21) 8 (2.22) |
(2.24) Si se considera la condicin (2.24), se observa que las condiciones necesarias junto con las restricciones originales derivando la funcin pueden obtenerse
Este ltimo resultado corresponde a la tcnica de los multiplicadores de Lagrange aplicada al problema general de optimizacin clsica. Esta tcnica se define mediante la aplicacin de los tres pasos siguientes: 1. 2. Se introduce un nuevo vector de variables con componentes.
Se define la funcin de Lagrange formada por la suma de la funcin objetivo y el producto interno del vector de los multiplicadores de Lagrange por las restricciones de igualdad
(2.25)
(2.26)
3. Se encuentra el punto
(2.27)
ecuaciones
representan el gradiente de la funcin objetivo evaluado en el punto ptimo y se obtiene como una combinacin lineal de los gradientes de las funciones de restriccin, donde los coeficientes representan los multiplicadores de Lagrange. Las ltimas condiciones simplemente representan las restricciones de est en el conjunto
factible de las restricciones o conjunto de oportunidades del problema, y que la direccin preferente de variacin para la funcin objetivo es una combinacin lineal de los vectores normales (gradientes) a las curvas de restricciones. Esta interpretacin geomtrica puede observarse a partir de la diferencial de las ecuaciones de restriccin ya que,
(2.28)
es normal a
10
4.
El establecimiento de las condiciones que se deben cumplir en el punto ptimo o en la solucin, requiere de una generalizacin de la aplicacin de los multiplicadores de Lagrange, la cual conduce a la obtencin del teorema de Kuhn y Tucker.
Puede ser una solucin ptima para el problema de programacin no lineal, solo si existen m nmeros, condiciones KKT siguientes: que satisfagan todas las
( )
11
Observe que las condiciones 2 y 4 requieren que el producto de dos cantidades sea 0. Por lo tanto, cada una de estas condiciones en realidad dice que al menos una de las dos cantidades debe ser cero. En consecuencia, la condicin 4 se puede combinar con la condicin 3 para expresarlas en otra forma equivalente como:
12
Cuando m = 0 (sin restricciones funcionales), esta suma se elimina y la condicin combinada (1,2) se reduce a la condicin dada en el tercer rengln |
de la tabla. As, para m> 0, cada termino de la suma modifica la condicin de m = 0 para incorporar el efecto de la restriccin funcional correspondiente. En las condiciones 1, 2,4 y 6 las ui corresponden a la variables duales de programacin lineal y tienen una interpretacin econmica comparable. De hecho, las ui surgieron en la derivacin matemtica, como los multiplicadores de Lagrange. Las condiciones 3 y 5 solo ayudan a asegurar la factibilidad de la solucin. Las otras condiciones eliminan la mayor parte de las soluciones factibles como posibles candidatos para una solucin ptima. Debe hacerse notar que el cumplimiento de estas condiciones no garantiza que la solucin sea ptima. Como se resume en la ltima columna de la tabla, se necesitan ciertas suposiciones de convexidad adicionales para obtener esta garanta. Estas suposiciones se establecen formalmente en la siguiente extensin del teorema. COROLARIO.Suponga que es una funcin cncava y que
son funciones convexas, en donde todas estas funciones satisfacen las condiciones de regularidad. Entonces es una
solucin optima si y solo si se satisfacen todas las condiciones del teorema. Ejemplo. Para ilustrar esta informacin y la aplicacin de las condiciones KKT, considere el siguiente problema de programacin no lineal de dos variables.
As, m = 1 (una restriccin funcional) y que es convexa. Aun mas, fcil verificar que
puede aplicar el corolario, por lo que cualquier solucin satisface las condiciones KKT ser definitivamente una solucin ptima. Al aplicar las formulas dadas en el teorema se obtienen las siguientes condiciones KKT para este ejemplo: 13
A continuacin se describe los pasos para resolver las condiciones KKT para este ejemplo.
satisfacen todas las condiciones. En consecuencia, solucin ptima para este problema.
En problemas mas complicados, que este puede ser difcil, si no es que materialmente imposible, derivar una solucin optima directamente de las condiciones KKT. De todas maneras, estas condiciones proporcionan |
14
informacin valiosa en cuanto a ala identidad de una solucin ptima y tambin permiten verificar que una solucin propuesta pueda ser ptima. 2.2. Mtodo de penalizacin
El mtodo de penalizacin es una de las herramientas que pueden ser utilizadas para resolver problemas de optimizacin con restricciones. Este mtodo es comnmente usado en diversos trabajos para el manejo de las restricciones tanto de igualdad como de desigualdad [5]. Los mtodos de penalizacin son procedimientos para aproximar los problemas de optimizacin restringidos por problemas sin restricciones. Esta
aproximacin se realiza aadiendo a la funcin objetivo un trmino que representa un alto costo de violacin de las restricciones. Cuando se presenta un problema que involucra restricciones como el planteado en (2.16), es necesario intentar resolverlos mediante tcnicas que brinden resultados confiables. Uno de los mtodos de mayor aplicabilidad es el mtodo despenalizacin. El procedimiento general del mtodo consiste en reemplazar el problema (2.16) por un problema de la forma: Min f ( z ) + gp( z ) (2.43)
En donde se encuentra asociado un parmetro constante positivo g que determina la severidad de la penalizacin, p (z) es una funcin real de n variables reales que satisface:
Considerando el problema planteado en (2.16), una funcin de penalizacin til que incluya las m restricciones de igualdad y las p restricciones de desigualdad puede ser el siguiente:
15
(2.44)
La funcin g p(z) se ilustra en la Fig. 2.2 en la que se tienen dos restricciones de desigualdad: ,y .
Figura 2.2. Aproximacin de la funcin p(z) a las restricciones originales del problema
Como puede observarse, para valores grandes de g es evidente que el punto mnimo del problema (2.43) se localizar en una regin en donde p(z) se haga pequea, por lo que para valores crecientes de g se espera que los puntos correspondientes a la solucin se aproximarn a la regin factible, lo cual tender a minimizar a la funcin f(z).
Entre las formas para penalizar a una funcin de acuerdo a la violacin de ciertas restricciones impuestas para un problema se pueden mencionar [1, 9]: Puede penalizarse una solucin simplemente por no ser factible. No se requiere conocer qu tan cerca se encuentra de la regin factible. Puede usarse el valor de infactibilidad de una solucin para determinar la penalizacin correspondiente, y Puede repararse dicha solucin, lo que implica un costo para hacerla factible. | 16
Datos bibliogrficos: 1.-Ackoff Russell L., Sasieni Maurice W., (1982) Fundamentos de la Investigacin de Operaciones Mexico: Editorial LIMUSA.
2.-Hillier Frederick S., Lieberman Gerald (Septima Investigacion de Operaciones Mexico : Mc Graw Hill.
edicin
2002)
3.-David G. Luenberger, Introduction to Linear and Programming. Addison- Wesley Publishing Company, 1973.
Nonlinear
4.- A. J. Morris, Foundations of Structural Optimization. John Wiley & Sons, Inc. New York, 1982.
5.- Singiresu S. Rao, Engineering Optimization, Theory and Practice. Third Edition, John Wiley & Sons, Inc. 1996.
17