PROGRAMACIN

MATEMTICA v1.1
1.1

Asignatura: Optimizacin y Simulacin

Profesor: ngel Felipe Ortega
Alumno:: Alfonso de la Fuente Ruiz
Fecha Junio de 2009
Fecha:

MIM-UCM

Pgina 1

INTRODUCCIN
El alumno ha recibido una serie de prcticas de optimizacin y simulacin para realizar
con Fortran-NAG, MPL y/o SAS, con un mximo de 3 puntos y conforme a los
siguientes criterios:

MIM-UCM

Pgina 2

PRCTICAS
A continuacin se incluye copia de los enunciados de las prcticas asignadas al alumno.
Se incluyen resultados, desarrollo matemtico y cdigo fuente, a continuacin de cada
prctica resuelta. Cuando una prctica se ha resuelto por varios mtodos, se incluyen
unos a continuacin de otros.

Debido a causa de fuerza mayor, el alumno ha realizado las prcticas en una versin
educacional domstica de SAS ante la imposibilidad de utilizar el de las aulas de la
facultad dispuesto a tal fin y efecto. La versin utilizada fue SAS 9.1.

La versin de MPLWin empleada fue la recibida durante el curso 2006-2007.

NOTAS DE LA VERSIN:

La presente versin corresponde a la 1.1, que viene a corregir los dos errores
sealados en la entrega de la primera versin:
-

Matriz de distancias en la prctica 5 (caminos mnimos)

Transcripcin de las frmulas a cdigo SAS en la prctica 13 (tienda de
campaa)

Adicionalmente, se completaron las prcticas 9 (cortes de materiales) y 11 (seguridad

de una tabla).

MIM-UCM

Pgina 3

MIM-UCM

Pgina 4

CDIGO SAS:

TITLE 'Asignacin lineal';

DATA DATOS;
INPUT D1 D2 D3 D4 D5 D6 D7 D8 D9 D10;
DATALINES;
82 32 44 51 34 63 25 46 39 60
43 85 50

1 97 91 83 39 91 62

99 27 68 94 91 83 32 81 29

52 87 20 82 82 44 21 69 81 71
73 53 16 93 51 47 60 37 63 42
61 84 99 48 79 45

1 51 11 35

52 65 20 44 55 82 83 60 82 45
64 83

2 58 64 22 77 78 58 46

70 82 14 61 83

9 48 84 96 47

51

9 56 99 70 10

2 72 48

;
PROC ASSIGN DATA=DATOS OUT=SALIDA;
COST D1 D2 D3 D4 D5 D6 D7 D8 D9 D10;
RUN;
PROC PRINT DATA=SALIDA;
SUM _FCOST_;
RUN;

MIM-UCM

Pgina 5

RESULTADOS:
Asignacin lineal
Obs

D1

D2

D3

D4

D5

D6

D7

D8

D9

D10

_ASSIGN_

_FCOST_

82

32

44

51

34

63

25

46

39

60

D5

34

43

85

50

97

91

83

39

91

62

D4

99

27

68

94

91

83

32

81

29

D10

52

87

20

82

82

44

21

69

81

71

D7

21

73

53

16

93

51

47

60

37

63

42

D8

37

61

84

99

48

79

45

51

11

35

D9

11

52

65

20

44

55

82

83

60

82

45

D1

52

64

83

58

64

22

77

78

58

46

D3

70

82

14

61

83

48

84

96

47

D6

10

51

72

48

56

99

70

10

D2

2
178

MIM-UCM

Pgina 6

MIM-UCM

Pgina 7

CDIGO MPL:

TITLE "NTRANS";
INDEX
I=1..9; J=1..13;
DATA
A[I]=(57 65 36 50 31 68 40 60 65);
B[J]=(35 26 31 50 22 14 33 51 50 44 51 17 48);
C[I,J]=((29 61

6 17 66 62 47

9 36 99 26 80 56),

(21 45 86 48 40 51 33 94 13 66 25 82 32),
(81 12 30 38 86 68

3 60 38 27 40 68),

(59 73 31 50 50 68 55

1 88 87 18 88 72),

(82 55 42 45 91 50 89 49 32

3 36 60 15),

(67 77 18 38 92 84 47 98 51

2 28 62 90),

(81

4 78 25 37 70 14

7 65 59 30 80 19),

(78 80 51 35 48 26 51 58 84 51 36 99 26),
(34 79 73 98 74 34 85 78 83 67 75 83 61));
DECISION VARIABLES
X[I,J];
MIN
Z=SUM(I,J:C[I,J]*X[I,J]);
SUBJECT TO
LECONSTR[I]:SUM(J:X[I,J])<=A[I];
EQCONSTR[J]:SUM(I:X[I,J])=B[J];
END

MIM-UCM

Pgina 8

RESULTADOS:

MPL Modeling System

Copyright (c) 1988-1996, Maximal Software, Inc.

--------------------------------------------------------------------------------

MODEL STATISTICS

Problem name:

NTRANS

Filename:

NTRANS.mpl

Date:

June 3, 2009

Time:

19:29

Parsing time:

0.03 sec

Solver:

FortMP (mps)

Objective value:

8687.00000000

Iterations:

Solution time:

1.52 sec

Constraints:

22

Variables:

117

Nonzeros:

234

Density:

9 %

SOLUTION RESULT

Optimal solution found

MIN Z

MIM-UCM

8687.0000

Pgina 9

DECISION VARIABLES

VARIABLE X[I,J] :

Activity

Reduced Cost

------------------------------------------1

0.0000

39.0000

0.0000

64.0000

31.0000

0.0000

26.0000

0.0000

0.0000

36.0000

0.0000

72.0000

0.0000

47.0000

0.0000

9.0000

0.0000

31.0000

10

0.0000

108.0000

11

0.0000

9.0000

12

0.0000

41.0000

13

0.0000

48.0000

0.0000

23.0000

0.0000

40.0000

0.0000

72.0000

0.0000

23.0000

0.0000

2.0000

0.0000

53.0000

0.0000

25.0000

0.0000

86.0000

50.0000

0.0000

10

0.0000

67.0000

11

15.0000

0.0000

12

0.0000

35.0000

13

0.0000

16.0000

0.0000

90.0000

0.0000

14.0000

MIM-UCM

Pgina 10

0.0000

23.0000

0.0000

20.0000

0.0000

55.0000

0.0000

77.0000

33.0000

0.0000

0.0000

2.0000

0.0000

54.0000

10

0.0000

46.0000

11

0.0000

9.0000

12

3.0000

0.0000

13

0.0000

59.0000

0.0000

68.0000

0.0000

75.0000

0.0000

24.0000

0.0000

32.0000

0.0000

19.0000

0.0000

77.0000

0.0000

54.0000

38.0000

0.0000

0.0000

82.0000

10

0.0000

95.0000

11

12.0000

0.0000

12

0.0000

48.0000

13

0.0000

63.0000

0.0000

85.0000

0.0000

51.0000

0.0000

29.0000

0.0000

21.0000

0.0000

54.0000

0.0000

53.0000

0.0000

82.0000

0.0000

42.0000

0.0000

20.0000

10

0.0000

5.0000

11

0.0000

12.0000

12

0.0000

14.0000

13

31.0000

0.0000

MIM-UCM

Pgina 11

0.0000

66.0000

0.0000

69.0000

0.0000

1.0000

0.0000

10.0000

0.0000

51.0000

0.0000

83.0000

0.0000

36.0000

0.0000

87.0000

0.0000

35.0000

10

44.0000

0.0000

11

24.0000

0.0000

12

0.0000

12.0000

13

0.0000

71.0000

0.0000

84.0000

26.0000

0.0000

0.0000

65.0000

0.0000

1.0000

1.0000

0.0000

0.0000

73.0000

0.0000

7.0000

13.0000

0.0000

0.0000

53.0000

10

0.0000

61.0000

11

0.0000

6.0000

12

0.0000

34.0000

13

0.0000

4.0000

0.0000

70.0000

0.0000

65.0000

0.0000

27.0000

24.0000

0.0000

19.0000

0.0000

0.0000

18.0000

0.0000

33.0000

0.0000

40.0000

0.0000

61.0000

10

0.0000

42.0000

11

0.0000

1.0000

MIM-UCM

Pgina 12

12

0.0000

42.0000

13

17.0000

0.0000

35.0000

0.0000

0.0000

38.0000

0.0000

23.0000

0.0000

37.0000

2.0000

0.0000

14.0000

0.0000

0.0000

41.0000

0.0000

34.0000

0.0000

34.0000

10

0.0000

32.0000

11

0.0000

14.0000

12

14.0000

0.0000

13

0.0000

9.0000

-------------------------------------------

MIM-UCM

Pgina 13

CONSTRAINTS

CONSTRAINT LECONSTR[I] :

Slack

Shadow Price

--------------------------------------1

0.0000

44.0000

0.0000

36.0000

0.0000

43.0000

0.0000

43.0000

0.0000

37.0000

0.0000

33.0000

0.0000

37.0000

0.0000

26.0000

0.0000

0.0000

---------------------------------------

CONSTRAINT EQCONSTR[J] :

Slack

Shadow Price

---------------------------------------1

0.0000

-34.0000

0.0000

-41.0000

0.0000

-50.0000

0.0000

-61.0000

0.0000

-74.0000

0.0000

-34.0000

0.0000

-44.0000

0.0000

-44.0000

0.0000

-49.0000

10

0.0000

-35.0000

11

0.0000

-61.0000

12

0.0000

-83.0000

13

0.0000

-52.0000

---------------------------------------END

MIM-UCM

Pgina 14

CDIGO SAS:

dm 'log; clear; output; clear'; /* limpiar ventanas */

TITLE 'TRANSPORTER2';
DATA DATOS;
INPUT ORIGEN $ OFERTA DESTINO1-DESTINO13;
DATALINES;
.
. 35 26 31 50 22 14 33 51 50 44 51 17 48
ORIGEN_1 57 29 61 6 17 66 62 47 9 36 99 26 80 56
ORIGEN_2 65 21 45 86 48 40 51 33 94 13 66 25 82 32
ORIGEN_3 36 81 12 30 38 86 68 1 3 60 38 27 40 68
ORIGEN_4 50 59 73 31 50 50 68 55 1 88 87 18 88 72
ORIGEN_5 31 82 55 42 45 91 50 89 49 32 3 36 60 15
ORIGEN_6 68 67 77 18 38 92 84 47 98 51 2 28 62 90
ORIGEN_7 40 81 4 78 25 37 70 14 7 65 59 30 80 19
ORIGEN_8 60 78 80 51 35 48 26 51 58 84 51 36 99 26
ORIGEN_9 65 34 79 73 98 74 34 85 78 83 67 75 83 61
;
PROC TRANS COST=DATOS OUT=SALIDA;
TAILNODE ORIGEN;
HEADNODE DESTINO1-DESTINO13;
SUPPLY OFERTA;
RUN;
PROC PRINT DATA=SALIDA;
RUN;

MIM-UCM

Pgina 15

RESULTADOS:

TRANSPORTER2
O
b
s

OR
IG
EN

OF
ER
TA

DE
ST
IN
O1

DE
ST
IN
O2

DE
ST
IN
O3

DE
ST
IN
O4

DE
ST
IN
O5

DE
ST
IN
O6

DE
ST
IN
O7

DE
ST
IN
O8

DE
ST
IN
O9

DES
TIN
O10

DES
TIN
O11

DES
TIN
O12

DES
TIN
O13

_D
UA
L_

_D
EM
AN
D_

35

26

31

50

22

14

33

51

50

44

51

17

48

OR
IG
EN
_1

57

31

26

44

OR
IG
EN
_2

65

50

15

36

OR
IG
EN
_3

36

33

43

OR
IG
EN
_4

50

38

12

43

OR
IG
EN
_5

31

31

37

OR
IG
EN
_6

68

44

24

33

OR
IG
EN
_7

40

26

13

37

OR
IG
EN
_8

60

24

19

17

26

1
0

OR
IG
EN
_9

65

35

14

14

1
1

_D
UA
L_

34

41

50

61

74

34

44

44

49

35

61

83

52

MIM-UCM

Pgina 16

MIM-UCM

Pgina 17

CDIGO MPL:

MAX
z = 4.1950 x1 + x2;
SUBJECT TO
-1.7115 x1 + x2 <= 1.5770;
x1 + 3 x2 <= 17;
1.2990 x1 + x2 <= 10.4950;
-0.2600 x1 + x2 >= -1.3000;
x1>=0;
x2>=0;

MIM-UCM

Pgina 18

RESULTADOS:

MPL Modeling System

Copyright (c) 1988-1996, Maximal Software, Inc.

--------------------------------------------------------------------------------

MODEL STATISTICS

Problem name:

Problem

Filename:

NLINEAL.mpl

Date:

June 3, 2009

Time:

19:06

Parsing time:

0.04 sec

Solver:

FortMP (mps)

Objective value:

32.4054000000

Iterations:

Solution time:

1.83 sec

Constraints:

Variables:

Nonzeros:

10

Density:

83 %

SOLUTION RESULT

Optimal solution found

MAX z

MIM-UCM

32.4054

Pgina 19

DECISION VARIABLES

PLAIN VARIABLES

Variable Name

Activity

Reduced Cost

-----------------------------------------------------x1

7.5658

0.0000

x2

0.6671

0.0000

------------------------------------------------------

CONSTRAINTS

PLAIN CONSTRAINTS

Constraint Name

Slack

Shadow Price

-----------------------------------------------------c1

13.8587

0.0000

c2

7.4330

0.0000

c3

0.0000

2.8576

c4

0.0000

-1.8576

c5

-7.5658

0.0000

c6

-0.6671

0.0000

------------------------------------------------------

END

MIM-UCM

Pgina 20

PROBLEMA ENTERO

CDIGO MPL:

INTEGER
x1;
x2;
MAX
z = 4.1950 x1 + x2;
SUBJECT TO
-1.7115 x1 + x2 <= 1.5770;
x1 + 3 x2 <= 17;
1.2990 x1 + x2 <= 10.4950;
-0.2600 x1 + x2 >= -1.3000;
x1>=0;
x2>=0;

MIM-UCM

Pgina 21

RESULTADOS:
MPL Modeling System
Copyright (c) 1988-1996, Maximal Software, Inc.
--------------------------------------------------------------------------------

MODEL STATISTICS
Problem name:

Problem

Filename:
Date:
Time:
Parsing time:

NLINEAL2.mpl
June 3, 2009
19:14
0.03 sec

Solver:
Objective value:
Iterations:
Integer nodes:
Solution time:

FortMP (mps)
30.3650000000
0
0
1.34 sec

Constraints:
Variables:
Integers:
Nonzeros:
Density:

6
2
2
10
83 %

SOLUTION RESULT

Integer optimal solution found

MAX z

30.3650

DECISION VARIABLES

PLAIN VARIABLES
Variable Name
Activity
Reduced Cost
-----------------------------------------------------x1
7.0000
-4.1950
x2
1.0000
-1.0000
------------------------------------------------------

CONSTRAINTS

PLAIN CONSTRAINTS
Constraint Name
Slack
Shadow Price
-----------------------------------------------------c1
12.5575
0.0000
c2
7.0000
0.0000
c3
0.4020
0.0000
c4
-0.4800
0.0000
c5
-7.0000
0.0000
c6
-1.0000
0.0000
-----------------------------------------------------END

MIM-UCM

Pgina 22

CDIGO SAS:
dm 'log; clear; output; clear'; /* limpiar ventanas */
TITLE 'PL cont, ent';
PROC NLP;
MAX z;
DECVAR x1, x2;
BOUNDS x1>=0;
BOUNDS x2>=0;
LINCON -1.7115*x1 + x2 <= 1.5770;
LINCON x1 + 3*x2 <= 17;
LINCON 1.2990*x1 + x2 <= 10.4950;
LINCON -0.2600*x1 + x2 >= -1.3000;
z = 4.1950*x1 + x2;
RUN;

MIM-UCM

Pgina 23

RESULTADOS:

PL cont, ent
PROC NLP: Nonlinear Maximization
Gradient is computed using analytic formulas.
Hessian is computed using analytic formulas.

PL cont, ent
PROC NLP: Nonlinear Maximization
Inicio de optimizacin
Parmetros estimados

Estimacin

Funcin
objetivo
gradiente

Restriccin
de la cota
inferior

Restriccin
de la cota
superior

Parmetro

x1

0.520825

4.195000

x2

0.971440

1.000000

Value of Objective Function = 3.1562998082

Restricciones lineales
1.49695 :

1.5770 >= - 1.7115 * x1 + 1.0000 * x2

2 13.56486 :

17.0000 >= + 1.0000 * x1 + 3.0000 * x2

8.84701 :

10.4950 >= + 1.2990 * x1 + 1.0000 * x2

2.13603 :

1.3000 >= + 0.2600 * x1 - 1.0000 * x2

PL cont, ent
PROC NLP: Nonlinear Maximization
Optimizacin Newton-Raphson Ridge
Ajuste a escala sin parmetro
Estimadores de parmetro

Lmites inferiores

Lmites superiores

Restricciones lineales

Utilizando hessiano ralo

Inicio de optimizacin
Restricciones activas
Max Abs Gradient Element

MIM-UCM

Funcin Objetive

3.1562998082

4.195

Pgina 24

Itera
cin

Rein
icio

Llam
adas
de
func
in

Restricc
iones
activas

Func
in
obje
tiva

Cambio/de
funcin/o
bjetiva

Elemento/grad
iente/max
abs

Pic
o

Rati
o
entr
e
el
camb
io
actu
al
y
el
pred
icho

28.6
6864

25.5123

1.7666

0.0
313

0.04
38

32.4
0540

3.7368

0.0
313

0.03
81

Resultados de optimizacin
Iteraciones

Invocaciones de funcin

Invocaciones del hessiano

Restricciones activas

Max Abs Gradient Element

Funcin Objetive

32.405404105

Contraer

Actual Over Pred Change

0.0381314058

Todos los parmetros estn restringidos activamente. No se puede llevar a cabo la

optimizacin.

PL cont, ent
PROC NLP: Nonlinear Maximization
Resultados de optimizacin
Parmetros estimados

Estimacin

Funcin
objetivo
gradiente

x1

7.565747

4.195000

x2

0.667094

1.000000

Parmetro

1
2

Value of Objective Function = 32.405404105

Linear Constraints Evaluated at Solution

1
2

13.85868 =

1.5770 + 1.7115 * x1 - 1.0000 * x2

7.43297 = 17.0000 - 1.0000 * x1 - 3.0000 * x2

3 ACT 3.3307E-16 = 10.4950 - 1.2990 * x1 - 1.0000 * x2

4 ACT

MIM-UCM

-2.22E-16 =

1.3000 - 0.2600 * x1 + 1.0000 * x2

Pgina 25

MIM-UCM

Pgina 26

CDIGO SAS:

TITLE ' Prctica 4: Problema de la mochila (LP)';

Data datos;
INFILE 'c:\documsas\lp\mochi.dat';
INPUT _ROW_
x10 x11 x12
x25 x26 x27
x40 x41 x42

$1.
x13
x28
x43

_TYPE_ $ _RHS_ x1 x2 x3 x4 x5 x6 x7 x8 x9
x14 x15 x16 x17 x18 x19 x20 x21 x22 x23 x24
x29 x30 x31 x32 x33 x34 x35 x36 x37 x38 x39
x44 x45;

PROC LP DATA=datos;
RUN;

DATOS (mochi.sas):

z max .
92. 96.
75. 98.
60. 90.

77.
91.
86.

95. 65. 87. 72. 89. 60. 84. 72. 53.

98. 98. 60. 91. 72. 67. 62. 69. 71.
95. 99. 84. 95. 65. 64. 76. 59. 90.
58. 75. 79. 81. 80. 99. 89. 50. 55.

p le
715.
31. 30. 21.
11. 46. 26.
37. 38. 31.

30. 34. 26. 48. 24. 22. 29. 44. 26.

26. 34. 23. 23. 30. 35. 28. 34. 44.
35. 21. 47. 43. 42. 14. 45. 43. 28.
47. 29. 25. 27. 43. 29. 28. 30. 24.

. binary
.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37
38 39 40 41 42 43 44 45

MIM-UCM

Pgina 27

RESULTADOS:

Prctica 4: Problema de la mochila (LP)

The LP Procedure
Resumen del problema
Objective Function

Max z

Rhs Variable

_RHS_

Type Variable

_TYPE_

Problem Density (%)

Variables

100.0

Number

Binary

45

Slack

Total

46

Constraints

Number

LE

Objective

Total

Prctica 4: Problema de la mochila (LP)

The LP Procedure
Resumen de la solucin

Integer Optimal Solution

Objective Value

MIM-UCM

2267

Phase 1 Iterations

Phase 2 Iterations

36

Phase 3 Iterations

Pgina 28

Resumen de la solucin

Integer Optimal Solution

Integer Iterations

Integer Solutions

Initial Basic Feasible Variables

Time Used (seconds)

Number of Inversions

Epsilon

1E-8

Infinity

1.797693E308

Maximum Phase 1 Iterations

100

Maximum Phase 2 Iterations

100

Maximum Phase 3 Iterations

99999999

Maximum Integer Iterations

100

Time Limit (seconds)

120

Prctica 4: Problema de la mochila (LP)

The LP Procedure
Resumen de la variable

Col

Nombre de la
variable

Estado

Tipo

Precio

Actividad

Coste reducido

x1

BINARY

95

26.25

x2

BINARY

65

-12.91667

x3

BINARY

87

27.416667

x4

BINARY

72

-38

x5

BINARY

89

34

x6

BINARY

60

9.5833333

x7

BINARY

84

17.541667

x8

BINARY

72

-28.83333

x9

BINARY

53

-6.583333

10

x10

BINARY

92

20.958333

11

x11

BINARY

96

27.25

MIM-UCM

Pgina 29

Resumen de la variable

Col

Nombre de la
variable

Estado

Tipo

Precio

Actividad

Coste reducido

12

x12

BINARY

77

28.875

13

x13

BINARY

98

38.416667

14

x14

BINARY

98

20.083333

15

x15

BINARY

60

7.2916667

16

x16

BINARY

91

38.291667

17

x17

BINARY

72

3.25

18

x18

BINARY

67

-13.20833

19

x19

BINARY

62

-2.166667

20

x20

BINARY

69

-8.916667

21

x21

BINARY

71

-29.83333

22

x22

BINARY

75

49.791667

23

x23

BINARY

98

-7.416667

24

x24

BINARY

91

31.416667

25

x25

BINARY

95

14.791667

26

x26

BINARY

99

50.875

27

x27

BINARY

84

-23.70833

28

x28

BINARY

95

-3.541667

29

x29

BINARY

65

-31.25

30

x30

BINARY

64

31.916667

31

x31

BINARY

76

-27.125

32

x32

BINARY

59

-39.54167

33

x33

BINARY

90

25.833333

34

x34

BINARY

60

-24.79167

35

x35

BINARY

90

2.9166667

36

x36

BINARY

86

14.958333

37

x37

BINARY

58

-49.70833

38

x38

BINARY

75

8.5416667

39

x39

BINARY

79

21.708333

40

x40

BINARY

81

19.125

MIM-UCM

Pgina 30

Resumen de la variable

Col

Nombre de la
variable

Estado

Tipo

Precio

Actividad

Coste reducido

41

x41

BINARY

80

-18.54167

42

x42

BINARY

99

32.541667

43

x43

BINARY

89

24.833333

44

x44

BINARY

50

-18.75

45

x45

BINARY

55

46

SLACK

-2.291667

BASIC

Prctica 4: Problema de la mochila (LP)

The LP Procedure
Resumen de restricciones
Nombre
de la
restriccin

Tipo

OBJECTVE

LE

Fila

MIM-UCM

S/S Col

Rhs

Actividad

Actividad dual

2267

46

715

715

2.2916667

Pgina 31

MIM-UCM

Pgina 32

CDIGO SAS:
dm 'log; clear; output; clear'; /* limpiar ventanas */
TITLE 'Prctica 5: Camino minimo (NETFLOW)';
DATA datos0;
INPUT inicial $ final $ longitud @@;
DATALINES;
A B 26 A C 82 A D 63 B A 71 B C 64 B E 23 C D 76 C E 52 C F
D C 75 D F 41
D G 68 E B 78 E F 39 E H 15 F D 21 F E 31 F G 12 F H 30 F I
G F 51 G I 46
H F 14 H I 43 I G 48 I H 72
;
%MACRO camino(fuente,sumidero);
PROC NETFLOW
SHORTPATH
/* calcula un camino minimo desde el
SOURCE=&fuente /*
vertice fuente indicado en SOURCE
SINK=&sumidero /*
hasta el vertice destino indicado en SINK
ARCDATA=datos0 /* conjunto de datos de los arcos
ARCOUT=salida0; /* conjunto solucion sin restricciones
TAIL inicial;
/* variable de extremos iniciales de los arcos
HEAD final;
/* variable de extremos finales de los arcos
COST longitud; /* variable de longitudes de los arcos
RUN;
PROC PRINT DATA=salida0;
SUM _FCOST_;
/* longitud del camino mnimo */
%MEND camino;
/* la matriz D(i,j) tiene diagonal nula por definicin */
/* la matriz P(i,j) tiene como elementos de la diagonal los propios
coeficientes que se
repiten, ya que el nodo de salida es el mismo que el de llegada. */

81
32

*/
*/
*/
*/
*/
*/
*/
*/

%camino(A,B);%camino(A,C);%camino(A,D);%camino(A,E);%camino(A,F);%cami
no(A,G);%camino(A,H);%camino(A,I);
%camino(B,C);%camino(B,D);%camino(B,E);%camino(B,F);%camino(B,G);%cami
no(B,H);%camino(B,I);
%camino(C,D);%camino(C,E);%camino(C,F);%camino(C,G);%camino(C,H);%cami
no(C,I);
%camino(D,E);%camino(D,F);%camino(D,G);%camino(D,H);%camino(D,I);
%camino(E,F);%camino(E,G);%camino(E,H);%camino(E,I);
%camino(F,G);%camino(F,H);%camino(F,I);
%camino(G,H);%camino(G,I);
%camino(H,I);
%camino(B,A);
%camino(C,A);%camino(C,B);
%camino(D,A);%camino(D,B);%camino(D,C);
%camino(E,A);%camino(E,B);%camino(E,C);%camino(E,D);
%camino(F,A);%camino(F,B);%camino(F,C);%camino(F,D);%camino(F,E);
%camino(G,A);%camino(G,B);%camino(G,C);%camino(G,D);%camino(G,E);%cami
no(G,F);
%camino(H,A);%camino(H,B);%camino(H,C);%camino(H,D);%camino(H,E);%cami
no(H,F);%camino(H,G);
%camino(I,A);%camino(I,B);%camino(I,C);%camino(I,D);%camino(I,E);%cami
no(I,F);%camino(I,G);%camino(I,H);
RUN;

MIM-UCM

Pgina 33

RESULTADOS:
Nota: Se presentan exclusivamente los resultados solicitados, debido a que la
gran cantidad de datos que se generan durante la ejecucin dificulta su localizacin.
0
71

201
221

149
180
231
194
226

26
0
130
150
78
109
160
123
195

82
64
0
75
125
96
147
110
182

63
73
76
0
50
21
72
35
107

49
23
52
72
0
31
82
45
117

78
52
81
41
29
0
51
14
86

90 64
64 38
93 67
53 71
41 15
12 30
0 81
26 0
48 72

107
81

110
73

58 ;
32
46
43
0

Representacin tridimensional de la matriz D(i,j)

MIM-UCM

Pgina 34

MIM-UCM

Pgina 35

Nota: Como los problemas de esta prctica son iguales para todos los alumnos y
se encuentran varios datos con formato #.d0 no definido, se han inicializado stos
arbitrariamente con los siguientes valores:
1.d0 = 1;
2.d0 = 2;
4.d0 = 4;

CDIGO SAS:

dm 'log; clear; output; clear'; /* limpiar ventanas */

TITLE 'Prctica 6';
PROC NLP TECH=QUANEW OUTDER=2 OUT=DERIV;
MIN f;
DECVAR x, a, b;
BOUNDS 0.1 <= x;
BOUNDS x <= 10;
BOUNDS a =

63.713763809150;

BOUNDS b =

41.890578570612;

f= EXP(4*x)*(x*x+1) + EXP(2*x)*(1/(x*x)-a*x-b) b*SQRT(2*b)*EXP(x)/(a*x) + 1/(x*x) - 2*b/(a*x);

RUN;
proc export DATA=DERIV;
outfile='c:/QN.xls' /** ".xls" lets SAS know you
want an Excel 5 spreadsheet **/
replace;

/** if file already exists overwrite it

***/
RUN;

MIM-UCM

Pgina 36

RESULTADOS:

Prctica 6
PROC NLP: Nonlinear Minimization
Gradient is computed using analytic formulas.
El punto inicial se ha cambiado para que se ajuste a las restricciones de los lmites
y lneas.

Prctica 6
PROC NLP: Nonlinear Minimization
Inicio de optimizacin
Parmetros estimados

Estimacin

Funcin
objetivo
gradiente

Restriccin
de la cota
inferior

Restriccin
de la cota
superior

Restriccin
de la cota
activa

Parmetro

0.105310

-3137.914104

0.100000

10.000000

63.713764

1.062502

63.713764

63.713764

Equal BC

41.890579

-3.806022

41.890579

41.890579

Equal BC

Value of Objective Function = 67.045272295

Prctica 6
PROC NLP: Nonlinear Minimization
Optimizacin Dual Quasi-Newton
Actualizacin Dual Broyden - Fletcher - Goldfarb - Shanno (DBFGS)
Estimadores de parmetro

Lmites inferiores

Lmites superiores

Inicio de optimizacin
Restricciones activas

Max Abs Gradient Element

Itera
cin

Rein
icio

Llam
adas
de
func
in

MIM-UCM

Funcin Objetive

67.045272295

3137.9141041

Restric
ciones
activas
2

Funci
n
objeti
va
158.43

Cambio/de
funcin/o
bjetiva

Elemento/grad
iente/max
abs

225.5

460.8

Tam
ao
del
pas
o

Pendi
ente
de
direc
cin
de
bsqu
eda

0.0
100

98465

Pgina 37

Itera
cin

Llam
adas
de
func
in

Rein
icio

Funci
n
objeti
va

Restric
ciones
activas

Cambio/de
funcin/o
bjetiva

Elemento/grad
iente/max
abs

Tam
ao
del
pas
o

Pendi
ente
de
direc
cin
de
bsqu
eda

149

-1462

1303.3

221.5

20.
620

24.89
0

12

-1463

1.2982

4.0312

0.0
467

57.51
7

13

-1463

0.000455

0.1690

1.0
00

0.000
9

14

-1463

8.006E-7

0.000137

1.0
00

-16E7

Resultados de optimizacin
Iteraciones

Invocaciones del gradiente

10

Funcin Objetive

-1463.052601

Coeficiente angular de la direccin

de bsqueda

-1.602532E-6

Invocaciones de
funcin
Restricciones
activas
Max Abs Gradient
Element

15

0.0001374811

Se ha cumplido el criterio de convergencia GCONV.

Prctica 6
PROC NLP: Nonlinear Minimization
Resultados de optimizacin
Parmetros estimados

Estimacin

Funcin
objetivo
gradiente

1.520957

0.000137

63.713764

-31.559097

Equal BC

41.890579

-21.614350

Equal BC

Parmetro

Restriccin
de la cota
activa

Value of Objective Function = -1463.052601

MIM-UCM

Pgina 38

MIM-UCM

Pgina 39

CDIGO SAS:
dm 'log; clear; output; clear'; /* limpiar ventanas */
TITLE 'Prctica 7';
PROC NLP TECH=QUANEW OUTDER=2 OUT=DERIV;
MIN fun3var;
DECVAR x1, x2, x3;
BOUNDS 0 <= x1 <= 5 , 0 <= x2 <= 10 , 0 <= x3 <= 5;
a1 =
24.665891385860;
a2 =
125.351473505031;
a3 =
18.591678701323;
a4 =
-3.617939559061;
a5 =
1.068186354366;
a6 =
-40.792884280481;
a7 =
-10.335310127742;
a8 =
8.652942945809;
a9 =
-109.638597480922;
a10 =
0.267046588592;
a11 =
-63.580221642281;
a12 =
-2.947260567328;
fun3var = x1**4 + (1+x1**2)*EXP(2*x3) + a1*x1**2 + a2*x1 + a3*x2**2 +
a4*x2 + a5*x3**2 + a6*x1*x2 + a7*x1*x3 + a8*x2*x3 +
(a9*x1 + a10*x2**2 + a11)*EXP(x3) + a12*x2*EXP(x3/2);
RUN;

MIM-UCM

Pgina 40

RESULTADOS:

Prctica 7
PROC NLP: Nonlinear Minimization
Gradient is computed using analytic formulas.

Prctica 7
PROC NLP: Nonlinear Minimization
Inicio de optimizacin
Parmetros estimados

Estimacin

Funcin
objetivo
gradiente

Restriccin
de la cota
inferior

Restriccin
de la cota
superior

Parmetro

x1

0.004714

-156.748523

5.000000

x2

0.225285

7.889575

10.000000

x3

0.879179

-139.502460

5.000000

Value of Objective Function = -146.4262955

Prctica 7
PROC NLP: Nonlinear Minimization
Optimizacin Dual Quasi-Newton
Actualizacin Dual Broyden - Fletcher - Goldfarb - Shanno (DBFGS)
Estimadores de parmetro

Lmites inferiores

Lmites superiores

Inicio de optimizacin
Restricciones activas

Max Abs Gradient Element

-146.4262955

156.74852334

Itera
cin

Rein
icio

Llam
adas
de
func
in

10

MIM-UCM

Funcin Objetive

Restric
ciones
activas

Func
in
obje
tiva

Tam
ao
del
pas
o

Pendi
ente
de
direc
cin
de
bsqu
eda

Cambio/de
funcin/o
bjetiva

Elemento/grad
iente/max
abs

3355

3208.9

1299.9

0.5
29

1406.
5

53.1944

950.6

0.0

Pgina 41

Itera
cin

Rein
icio

Llam
adas
de
func
in

Restric
ciones
activas

Func
in
obje
tiva

Cambio/de
funcin/o
bjetiva

Elemento/grad
iente/max
abs

3409

Tam
ao
del
pas
o
856

Pendi
ente
de
direc
cin
de
bsqu
eda
4895.
7

11

3655

246.8

1184.9

0.1
00

5922.
2

12

3755

99.8826

146.3

1.0
00

384.9

13

3811

55.7249

81.6659

1.0
00

86.67
8

15

3817

5.7469

32.0083

0.7
34

18.97
1

17

3817

0.3026

6.8334

1.0
15

0.732

19

3817

0.0105

0.8184

1.0
00

0.021
1

21

3817

0.000060

0.1770

1.0
00

0.000
2

10

23

3817

3.082E-6

0.000288

1.0
00

617E8

Resultados de optimizacin
Iteraciones

10

Invocaciones de
funcin

Invocaciones del gradiente

16

Restricciones
activas

Funcin Objetive

-3816.977469

Coeficiente angular de la direccin

de bsqueda

-6.170849E-6

Max Abs Gradient

Element

24

0.0002882731

Se ha cumplido el criterio de convergencia GCONV.

Prctica 7
PROC NLP: Nonlinear Minimization
Resultados de optimizacin

MIM-UCM

Pgina 42

Parmetros estimados

Estimacin

Funcin
objetivo
gradiente

x1

1.516766

-0.000203

x2

0.935117

0.000167

x3

3.550296

-0.000288

Parmetro

Value of Objective Function = -3816.977469

MIM-UCM

Pgina 43

NO FIGURA

MIM-UCM

Pgina 44

MIM-UCM

Pgina 45

DESARROLLO:

1
47,99
18
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

MIM-UCM

2
48,02
13

3
54,04
9

4
36,64
15

5
64,22
10

6
46,57
14

1
2
1
2
1
1
2
1
1
2
1
1

1
1
1

1
1
1
1

1
1
1
1

6
100
Uso
Resma
47,99
52,01
95,98
4,02
48,02
51,98
96,04
3,96
54,04
45,96
36,64
63,36
73,28
26,72
64,22
35,78
46,57
53,43
93,14
6,86
96,01
3,99
94,56
5,44
94,59
5,41
90,68
9,32
84,66
15,34
84,63
15,37
83,21
16,79

Pgina 46

CDIGO MPL:

INTEGER
X01; X02; X03; X04; X05;
X06; X07; X08; X09; X10;
X11; X12; X13; X14; X15;
X16; X17;
MIN
Z=52.01*X01 + 04.02*X02+ 51.98*X03+ 03.96*X04+ 45.96*X05+
63.36*X06 + 26.72*X07+ 35.78*X08+ 53.43*X09+ 06.86*X10+
03.99*X11 + 05.44*X12+ 05.41*X13+ 09.32*X14+ 15.34*X15+
15.37*X16 + 16.79*X17;

SUBJECT TO
X01+2*X02+X11+X12+X16

>= 18;

X03+2*X04+X11+X13+X15

>= 13;

X05+X14

>=

X06+2*X07+X14+X15+X16+X17

>= 15;

X08

>= 10;

X09+2*X10+X12+X13+X17

>= 14;

9;

X01>=0; X02>=0; X03>=0; X04>=0; X05>=0;

X06>=0; X07>=0; X08>=0; X09>=0; X10>=0;
X11>=0; X12>=0; X13>=0; X14>=0; X15>=0;
X16>=0; X17>=0;

MIM-UCM

Pgina 47

RESULTADOS:

MPL Modeling System

Copyright (c) 1988-1996, Maximal
Software, Inc.
-------------------------------------------------------------------------------

MODEL STATISTICS
Problem name:

Problem

Filename:
Date:
Time:
Parsing time:

CORTES.mpl
June 15, 2009
12:48
0.07 sec

Solver:
Objective value:
Iterations:
Integer nodes:
Solution time:

FortMP (mps)
609.520000000
0
0
2.47 sec

Constraints:
Variables:
Integers:
Nonzeros:
Density:

23
17
17
41
10 %

SOLUTION RESULT

Integer optimal solution found

MIN Z

609.5200

DECISION VARIABLES

PLAIN VARIABLES
Variable Name
Activity
Reduced Cost
-----------------------------------------------------X01
0.0000
0.0000
X02
0.0000
-3.9600
X03
0.0000
0.0000
X04
5.0000
3.9600
X05
0.0000
0.0000
X06
0.0000
0.0000
X07
0.0000
0.0000
X08
10.0000
0.0000
X09
0.0000
0.0000

MIM-UCM

Pgina 48

X10
0.0000
0.0000
X11
4.0000
0.0000
X12
14.0000
0.0000
X13
0.0000
0.0000
X14
15.0000
0.0000
X15
0.0000
6.0200
X16
0.0000
2.0600
X17
0.0000
6.0200
------------------------------------------------------

CONSTRAINTS

PLAIN CONSTRAINTS
Constraint Name
Slack
Shadow Price
-----------------------------------------------------c1
0.0000
-3.9900
c2
-1.0000
0.0000
c3
-6.0000
0.0000
c4
0.0000
-9.3200
c5
0.0000
-35.7800
c6
0.0000
-1.4500
c7
0.0000
-48.0200
c8
0.0000
0.0000
c9
0.0000
-51.9800
c10
-5.0000
0.0000
c11
0.0000
-45.9600
c12
0.0000
-54.0400
c13
0.0000
-8.0800
c14
-10.0000
0.0000
c15
0.0000
-51.9800
c16
0.0000
-3.9600
c17
-4.0000
0.0000
c18
-14.0000
0.0000
c19
0.0000
-3.9600
c20
-15.0000
0.0000
c21
0.0000
0.0000
c22
0.0000
0.0000
c23
0.0000
0.0000
-----------------------------------------------------END

MIM-UCM

Pgina 49

NO FIGURA

MIM-UCM

Pgina 50

MIM-UCM

Pgina 51

CDIGO MPL:

{NOTA: Retirar '!' en una variable cada vez, y repetir todas para MAX}
MIN
!MAX
!

xa1;

xa4;

xa5;

xb3;

xb6;

xc2;

xc3;

xc6;

xd4;

xd7;

xd8;

xe3;

xe9;

xf4;

xf5;

xg2;

xg8;

xh2;

xh9;

xi6;

xi9;

xj1;

xj7;

SUBJECT TO

MIM-UCM

Pgina 52

!POSITIVOS:
xa1>=0; xa4>=0; xa5>=0; xb3>=0; xb6>=0; xc2>=0;
xc3>=0; xc6>=0; xd4>=0; xd7>=0; xd8>=0; xe3>=0;
xe9>=0; xf4>=0; xf5>=0; xg2>=0; xg8>=0; xh2>=0;
xh9>=0; xi6>=0; xi9>=0; xj1>=0; xj7>=0;
!HORIZONTALES:
xa1 + 17 + 17 + xa4 + xa5 + 18 + 6 + 13 + 15 + 10 = 110;
19 + 8 + xb3 + 4 + 8 + xb6 + 7 + 12 + 9 + 19 = 103;
8 + xc2 + xc3 + 10 + 15 + xc6 + 18 + 16 + 15 + 14 = 112;
10 + 9 + 8 + xd4 + 13 + 19 + xd7 + xd8 + 9 + 1 = 95;
8 + 16 + xe3 + 16 + 15 + 2 + 8 + 11 + xe9 + 4 = 95;
5 + 12 + 1 + xf4 + xf5 + 18 + 10 + 11 + 14 + 17 = 116;
10 + xg2 + 9 + 14 + 17 + 8 + 2 + xg8 + 5 + 16 = 113;
10 + xh2 + 6 + 17 + 9 + 2 + 14 + 10 + xh9 + 9 = 83;
15 + 13 + 18 + 7 + 1 + xi6 + 4 + 9 + xi9 + 3 = 94;
xj1 + 18 + 16 + 16 + 9 + 9 + xj7 + 4 + 2 + 1 = 96;
!ctes: 10 + 12 + 8 + 11 + 17 + 10 + 10 + 10 + 9 + 19 = 116;
!total: 105 131 103 119 122 104 99 131 106 113 = 1133;
!VERTICALES:
xa1+19+8+10+8+5+10+10+15+xj1+10=105;
17+8+xc2+9+16+12+xg2+xh2+13+18+12=131;
17+xb3+xc3+8+xe3+1+9+6+18+16+8=103;
xa4+4+10+xd4+16+xf4+14+17+7+16+11=119;
xa5+8+15+13+15+xf5+17+9+1+9+17=122;
18+xb6+xc6+19+2+18+8+2+xi6+9+10=104;
6+7+18+xd7+8+10+2+14+4+xj7+10=99;
13+12+16+xd8+11+11+xg8+10+9+4+10=131;
15+9+15+9+xe9+14+5+xh9+xi9+2+9=106;
!ctes:

10+19+14+1+4+17+16+9+3+1+19=113;

MIM-UCM

Pgina 53

{
|

| I | II | III | IV | V | VI | VII | VIII| IX | X | total |

|-----|-----------------------------------------------------------|-------|
| A | xa1 | 17 | 17 | xa4 | xa5 | 18 | 6 | 13 | 15 | 10 | 110 |
|-----|-----|-----|-----|-----|-----|-----|-----|-----|-----|-----|-------|
| B | 19 | 8 | xb3 | 4 | 8 | xb6 | 7 | 12 | 9 | 19 | 103 |
|-----|-----|-----|-----|-----|-----|-----|-----|-----|-----|-----|-------|
| C | 8 | xc2 | xc3 | 10 | 15 | xc6 | 18 | 16 | 15 | 14 | 112 |
|-----|-----|-----|-----|-----|-----|-----|-----|-----|-----|-----|-------|
| D | 10 | 9 | 8 | xd4 | 13 | 19 | xd7 | xd8 | 9 | 1 | 95 |
|-----|-----|-----|-----|-----|-----|-----|-----|-----|-----|-----|-------|
| E | 8 | 16 | xe3 | 16 | 15 | 2 | 8 | 11 | xe9 | 4 | 95 |
|-----|-----|-----|-----|-----|-----|-----|-----|-----|-----|-----|-------|
| F | 5 | 12 | 1 | xf4 | xf5 | 18 | 10 | 11 | 14 | 17 | 116 |
|-----|-----|-----|-----|-----|-----|-----|-----|-----|-----|-----|-------|
| G | 10 | xg2 | 9 | 14 | 17 | 8 | 2 | xg8 | 5 | 16 | 113 |
|-----|-----|-----|-----|-----|-----|-----|-----|-----|-----|-----|-------|
| H | 10 | xh2 | 6 | 17 | 9 | 2 | 14 | 10 | xh9 | 9 | 83 |
|-----|-----|-----|-----|-----|-----|-----|-----|-----|-----|-----|-------|
| I | 15 | 13 | 18 | 7 | 1 | xi6 | 4 | 9 | xi9 | 3 | 94 |
|-----|-----|-----|-----|-----|-----|-----|-----|-----|-----|-----|-------|
| J | xj1 | 18 | 16 | 16 | 9 | 9 | xj7 | 4 | 2 | 1 | 96 |
|-----|-----|-----|-----|-----|-----|-----|-----|-----|-----|-----|-------|
| K | 10 | 12 | 8 | 11 | 17 | 10 | 10 | 10 | 9 | 19 | 116 |
|-----|-----------------------------------------------------------|-------|
|total| 105 | 131 | 103 | 119 | 122 | 104 | 99 | 131 | 106 | 113 | 1133 |
}

MIM-UCM

Pgina 54

RESULTADOS:
Nota: se ejecuta el procedimiento dos veces con cada variable, una para
minimizar (rango inferior) y otra para maximizar (rango superior), anotando el
resultado de la funcin objetivo en la casilla correspondiente.

MIM-UCM

Pgina 55

CDIGO SAS:
dm 'log; clear; output; clear'; /* limpiar ventanas */
TITLE 'PL cont, ent';
data TABLE;
format _id_ $6.;
input _id_ $ Y1-Y23 _type_ $ _rhs_;
datalines;
incog 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 min .
/* NOTA: Ejecutar con una variable cada vez y repetir para MAX */
/* Y1 ,Y2 ,Y3 ,Y4 ,Y5 ,Y6 ,Y7 ,Y8 ,Y9
,Y10,Y11,Y12,Y13,Y14,Y15,Y16,Y17,Y18,Y19,Y20,Y21,Y22,Y23; */
/*
xa1,xa4,xa5,xb3,xb6,xc2,xc3,xc6,xd4,xd7,xd8,xe3,xe9,xf4,xf5,xg2,xg8,xh2,xh9,xi6,xi9,xj1,
xj7; */
/* POSITIVOS */
pos01 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ge 0
pos02 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ge 0
pos03 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ge 0
pos04 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ge 0
pos05 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ge 0
pos06 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ge 0
pos07 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ge 0
pos08 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ge 0
pos09 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ge 0
pos10 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 ge 0
pos11 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 ge 0
pos12 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 ge 0
pos13 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 ge 0
pos14 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 ge 0
pos15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 ge 0
pos16 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 ge 0
pos17 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 ge 0
pos18 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 ge 0
pos19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 ge 0
pos20 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 ge 0
pos21 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 ge 0
pos22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 ge 0
pos23 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 ge 0
/* xa1>=0, xa4>=0, xa5>=0, xb3>=0, xb6>=0, xc2>=0,
xc3>=0, xc6>=0, xd4>=0, xd7>=0, xd8>=0, xe3>=0,
xe9>=0, xf4>=0, xf5>=0, xg2>=0, xg8>=0, xh2>=0,
xh9>=0, xi6>=0, xi9>=0, xj1>=0, xj7>=0; */
/* HORIZONTALES: */
/* Los coeficientes de igualdad salen de restar las constantes al subtotal de FILA */
hor01 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 eq 14
hor02 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 eq 17
hor03 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 eq 16
hor04 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 eq 26
hor05 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 eq 15
hor06 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 eq 28
hor07 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 eq 32
hor08 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 eq 6
hor09 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 eq 24
hor10 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 eq 21
/*
xa1 + 17 + 17 + xa4 + xa5 + 18 +
6 + 13 + 15 + 10 = 110,
19 +
8 + xb3 +
4 +
8 + xb6 +
7 + 12 +
9 + 19 = 103,
8 + xc2 + xc3 + 10 + 15 + xc6 + 18 + 16 + 15 + 14 = 112,
10 +
9 +
8 + xd4 + 13 + 19 + xd7 + xd8 +
9 +
1 =
95,
8 + 16 + xe3 + 16 + 15 +
2 +
8 + 11 + xe9 +
4 =
95,
5 + 12 +
1 + xf4 + xf5 + 18 + 10 + 11 + 14 + 17 = 116,
10 + xg2 +
9 + 14 + 17 +
8 +
2 + xg8 +
5 + 16 = 113,
10 + xh2 +
6 + 17 +
9 +
2 + 14 + 10 + xh9 +
9 =
83,
15 + 13 + 18 +
7 +
1 + xi6 +
4 +
9 + xi9 +
3 =
94,
xj1 + 18 + 16 + 16 +
9 +
9 + xj7 +
4 +
2 +
1 =
96,
*/
/* !ctes:
10 + 12 +
8 + 11 + 17 + 10 + 10 + 10 +
9 + 19 = 116,
!total: 105
131
103
119
122
104
99
131
106
113 = 1133; */
/*
!VERTICALES: */
/* Los coeficientes de
ver01 1 0 0 0 0 0 0 0
ver02 0 0 0 0 0 1 0 0
ver03 0 0 0 1 0 0 1 0
ver04 0 1 0 0 0 0 0 0
ver05 0 0 1 0 0 0 0 0

MIM-UCM

igualdad
0 0 0 0
0 0 0 0
0 0 0 1
1 0 0 0
0 0 0 0

salen de restar las

0 0 0 0 0 0 0 0 0
0 0 0 1 0 1 0 0 0
0 0 0 0 0 0 0 0 0
0 1 0 0 0 0 0 0 0
0 0 1 0 0 0 0 0 0

constantes al subtotal de COLUMNA */

1 0 eq 10
0 0 eq 26
0 0 eq 20
0 0 eq 24
0 0 eq 18

Pgina 56

ver06 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 eq 18
ver07 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 eq 20
ver08 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 eq 35
ver09 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0 1 0 0 eq 37
/* Y1 ,Y2 ,Y3 ,Y4 ,Y5 ,Y6 ,Y7 ,Y8 ,Y9
,Y10,Y11,Y12,Y13,Y14,Y15,Y16,Y17,Y18,Y19,Y20,Y21,Y22,Y23; */
/*
xa1,xa4,xa5,xb3,xb6,xc2,xc3,xc6,xd4,xd7,xd8,xe3,xe9,xf4,xf5,xg2,xg8,xh2,xh9,xi6,xi9,xj1,
xj7; */
/* xa1+19+8+10+8+5+10+10+15+xj1+10=105,
17+8+xc2+9+16+12+xg2+xh2+13+18+12=131,
17+xb3+xc3+8+xe3+1+9+6+18+16+8=103,
xa4+4+10+xd4+16+xf4+14+17+7+16+11=119,
xa5+8+15+13+15+xf5+17+9+1+9+17=122,
18+xb6+xc6+19+2+18+8+2+xi6+9+10=104,
6+7+18+xd7+8+10+2+14+4+xj7+10=99,
13+12+16+xd8+11+11+xg8+10+9+4+10=131,
15+9+15+9+xe9+14+5+xh9+xi9+2+9=106;
*/
/* !ctes:
10+19+14+1+4+17+16+9+3+1+19=113 */
;
proc lp;
run;
/*
|
| I | II | III | IV | V | VI | VII | VIII| IX | X | total |
|-----|-----------------------------------------------------------|-------|
| A | xa1 | 17 | 17 | xa4 | xa5 | 18 |
6 | 13 | 15 | 10 | 110 |
|-----|-----|-----|-----|-----|-----|-----|-----|-----|-----|-----|-------|
| B | 19 |
8 | xb3 |
4 |
8 | xb6 |
7 | 12 |
9 | 19 | 103 |
|-----|-----|-----|-----|-----|-----|-----|-----|-----|-----|-----|-------|
| C |
8 | xc2 | xc3 | 10 | 15 | xc6 | 18 | 16 | 15 | 14 | 112 |
|-----|-----|-----|-----|-----|-----|-----|-----|-----|-----|-----|-------|
| D | 10 |
9 |
8 | xd4 | 13 | 19 | xd7 | xd8 |
9 |
1 |
95 |
|-----|-----|-----|-----|-----|-----|-----|-----|-----|-----|-----|-------|
| E |
8 | 16 | xe3 | 16 | 15 |
2 |
8 | 11 | xe9 |
4 |
95 |
|-----|-----|-----|-----|-----|-----|-----|-----|-----|-----|-----|-------|
| F |
5 | 12 |
1 | xf4 | xf5 | 18 | 10 | 11 | 14 | 17 | 116 |
|-----|-----|-----|-----|-----|-----|-----|-----|-----|-----|-----|-------|
| G | 10 | xg2 |
9 | 14 | 17 |
8 |
2 | xg8 |
5 | 16 | 113 |
|-----|-----|-----|-----|-----|-----|-----|-----|-----|-----|-----|-------|
| H | 10 | xh2 |
6 | 17 |
9 |
2 | 14 | 10 | xh9 |
9 |
83 |
|-----|-----|-----|-----|-----|-----|-----|-----|-----|-----|-----|-------|
| I | 15 | 13 | 18 |
7 |
1 | xi6 |
4 |
9 | xi9 |
3 |
94 |
|-----|-----|-----|-----|-----|-----|-----|-----|-----|-----|-----|-------|
| J | xj1 | 18 | 16 | 16 |
9 |
9 | xj7 |
4 |
2 |
1 |
96 |
|-----|-----|-----|-----|-----|-----|-----|-----|-----|-----|-----|-------|
| K | 10 | 12 |
8 | 11 | 17 | 10 | 10 | 10 |
9 | 19 | 116 |
|-----|-----------------------------------------------------------|-------|
|total| 105 | 131 | 103 | 119 | 122 | 104 | 99 | 131 | 106 | 113 | 1133 |
*/
RUN;

MIM-UCM

Pgina 57

RESULTADOS:
Nota: Resultado idntico al mtodo MPL. Se adjunta como muestra la salida de
programa que obtiene el umbral inferior para la primera incgnita.

PL cont, ent
The LP Procedure
Resumen del problema
Objective Function

Min incog

Rhs Variable

_rhs_

Type Variable

_type_

Problem Density (%)

Variables

0.00

Number

Non-negative

23

Total

23

Constraints

Number

Objective

Total

PL cont, ent
The LP Procedure
Resumen de la solucin

Terminated Successfully

MIM-UCM

Objective Value

Phase 1 Iterations

Phase 2 Iterations

Pgina 58

Resumen de la solucin

Terminated Successfully
Phase 3 Iterations

Integer Iterations

Integer Solutions

Initial Basic Feasible Variables

Time Used (seconds)

Number of Inversions

Epsilon

1E-8

Infinity

1.797693E308

Maximum Phase 1 Iterations

100

Maximum Phase 2 Iterations

100

Maximum Phase 3 Iterations

99999999

Maximum Integer Iterations

100

Time Limit (seconds)

120

PL cont, ent
The LP Procedure
Resumen de la variable

Col

Nombre de la
variable

Estado

Tipo

Precio

Actividad

Coste reducido

NON-NEG

Y1

Y2

ALTER

NON-NEG

Y3

ALTER

NON-NEG

Y4

ALTER

NON-NEG

Y5

ALTER

NON-NEG

Y6

ALTER

NON-NEG

Y7

ALTER

NON-NEG

Y8

ALTER

NON-NEG

Y9

ALTER

NON-NEG

10

Y10

ALTER

NON-NEG

MIM-UCM

Pgina 59

Resumen de la variable
Nombre de la
variable

Estado

Tipo

11

Y11

ALTER

12

Y12

13

Col

Precio

Actividad

Coste reducido

NON-NEG

ALTER

NON-NEG

Y13

ALTER

NON-NEG

14

Y14

ALTER

NON-NEG

15

Y15

ALTER

NON-NEG

16

Y16

ALTER

NON-NEG

17

Y17

ALTER

NON-NEG

18

Y18

ALTER

NON-NEG

19

Y19

ALTER

NON-NEG

20

Y20

ALTER

NON-NEG

21

Y21

ALTER

NON-NEG

22

Y22

ALTER

NON-NEG

23

Y23

ALTER

NON-NEG

PL cont, ent
The LP Procedure
Resumen de restricciones

Fila
1

MIM-UCM

Nombre de la
restriccin

Tipo

incog

OBJECTVE

S/S Col

Rhs

Actividad

Actividad dual

Pgina 60

NO FIGURA

MIM-UCM

Pgina 61

MIM-UCM

Pgina 62

+=

DESARROLLO:

;? | min , ,

; = 8 2 = 4 =
; = 4 =
; + = =

; + = =

; + + = = = +

; = = 2
2
; = 4

; + + 4 = 8 + 4 = 8

4
; = = 4
3
3 3

; = 4 2 = 2
4
; + 4 =
3

Pgina 63

MIM-UCM

CDIGO:

dm 'log; clear; output; clear'; /* limpiar ventanas */

TITLE 'Tienda de campaa';
PROC NLP;
MIN

S;

DECVAR X, Y, Z;
BOUNDS

X>0;

BOUNDS

Y>0;

BOUNDS

Z>0;

LINCON Y+Z = 2.966835545360500; /* = H */

NLINCON V = 5.605010873919824;
V = (X**2)*Z*4/3 + 4*Y*(X**2);
S1=8*X*Y;
S2=4*X*SQRT((X**2)+(Z**2));
S = S1+S2;
RUN;

MIM-UCM

Pgina 64

RESULTADOS:

Tienda de campaa
PROC NLP: Nonlinear Minimization
Gradient is computed using analytic formulas.
Jacobian of nonlinear constraints is computed using analytic formulas.
El punto inicial se ha cambiado para que se ajuste a las restricciones de los lmites
y lneas.

Tienda de campaa
PROC NLP: Nonlinear Minimization
Inicio de optimizacin
Parmetros estimados

Estimacin

Funcin
objetivo
gradiente

Funcin
Lagrange
gradiente

Restriccin
de la cota
inferior

Restriccin
de la cota
superior

Parmetro

0.835179

19.670447

-0.060274

1.361162

6.681431

0.410580

1.605674

2.963766

-0.410580

Value of Objective Function = 15.140847123

Valor de la funcin Lagrange = 15.629673043

Restricciones lineales
1 0 : ACT 2.9668 == + 1.0000 * Y + 1.0000 * Z

Valores de restricciones no lineales

Restriccin
[

Valor

Residual

Multiplicador
Lagrange

5.2911

-0.3139

1.5572

Violat. NLEC

Tienda de campaa
PROC NLP: Nonlinear Minimization
Optimizacin Dual Quasi-Newton
Algoritmo VMCWD de Powell (1978, 1982) modificado
Actualizacin Dual Broyden - Fletcher - Goldfarb - Shanno (DBFGS)
Actualizacin de multiplicador Lagrange de Powell(1982)

MIM-UCM

Estimadores de parmetro

Lmites inferiores

Lmites superiores

Pgina 65

Restricciones lineales

Restricciones no lineales

Restricciones de igualdad no lineales

Inicio de optimizacin
Funcin Objetive

15.624418181

Gradiente mximo de la
funcin Lagrange

0.4228074408

Uso indebido de la
restriccin mxima

0.0000131788

Violacin
de
restricci
n
mxima

Reducci
n
de
funcin
predicha

Tama
o
del
paso

Elemento
gradient
e
mximo
de la
funcin
Lagrange

Reinici
o

Llamada
s de
funcin

Funcin
objetiv
a

12

15.6009
7

0.000378

0.2230

1.000

0.441

13

15.3402
3

0.0384

0.8479

1.000

0.385

14

13.8745
0

0.8479

2.4286

1.000

0.483

15

14.7890
6

0.2238

0.6753

1.000

0.735

16

15.0968
4

0.0101

0.0246

1.000

0.193

17

15.1040
9

0.00269

0.00641

1.000

0.0463

18

15.1051
1

0.00150

0.00450

1.000

0.00448

19

15.1073
4

0.000012

0.000035

1.000

0.00009

20

15.1073
6

5.275E-9

1.585E-8

1.000

2.47E-6

Iteraci
n
1

'

Resultados de optimizacin
Iteraciones

Invocaciones de funcin

21

Invocaciones del
gradiente

12

Funcin Objetive

15.107361016

Uso indebido de la restriccin

mxima

5.2747451E-9

Mximo gradiente
proyectado

1.7417642E-6

Funcin Lagrange del valor

15.107361024

MIM-UCM

Restricciones activas

Pgina 66

Resultados de optimizacin
Gradiente mximo de la
funcin Lagrange

1.2059529E-6

Coeficiente angular de la
direccin de bsqueda

-1.585131E-8

Se ha cumplido el criterio de convergencia FCONV2.

Tienda de campaa
PROC NLP: Nonlinear Minimization
Resultados de optimizacin
Parmetros estimados

Estimacin

Funcin
objetivo
gradiente

Funcin
Lagrange
gradiente

Parmetro

1.072286

15.712373

-0.000000354

0.344625

8.578289

0.000001206

2.622210

3.970036

-0.000001206

Value of Objective Function = 15.107361016

Valor de la funcin Lagrange = 15.107361024

Linear Constraints Evaluated at Solution

1 ACT 0 = -2.9668 + 1.0000 * Y + 1.0000 * Z

Valores de restricciones no lineales

Restriccin
[

MIM-UCM

Valor

Residual

Multiplicador
Lagrange

5.6050

-5.27E-9

1.5030

Active NLEC

Pgina 67

CDIGO (Nelder-Mead Simplex):

dm 'log; clear; output; clear'; /* limpiar ventanas */

TITLE 'Tienda de campaa';
PROC NLP TECH=NMSIMP;
MIN

S;

DECVAR X, Y, Z;
BOUNDS

X>0;

BOUNDS

Y>0;

BOUNDS

Z>0;

LINCON Y+Z = 2.966835545360500; /* = H */

NLINCON V = 5.605010873919824;
V = (X**2)*Z*4/3 + 4*Y*(X**2);
S1=8*X*Y;
S2=4*X*SQRT((X**2)+(Z**2));
S = S1+S2;
RUN;

MIM-UCM

Pgina 68

RESULTADOS:

Tienda de campaa
PROC NLP: Nonlinear Minimization
Gradient is computed using finite difference approximations (2).
El punto inicial se ha cambiado para que se ajuste a las restricciones de los lmites
y lneas.

Tienda de campaa
PROC NLP: Nonlinear Minimization
Inicio de optimizacin
Parmetros estimados

Estimacin

Funcin
objetivo
gradiente

Restriccin
de la cota
inferior

Restriccin
de la cota
superior

Parmetro

0.941895

21.663006

1.614782

7.535156

1.352054

3.091392

Value of Objective Function = 18.37581502

Restricciones lineales
1 0 : ACT 2.9668 == + 1.0000 * Y + 1.0000 * Z

Valores de restricciones no lineales

Restriccin
[

Valor

Residual

7.3296

1.7246

Violat. NLEC

Tienda de campaa
PROC NLP: Nonlinear Minimization
Optimizacin Nelder-Mead Simplex
Algoritmo COBYLA por M.J.D. Powell (1992)

MIM-UCM

Estimadores de parmetro

Lmites inferiores

Lmites superiores

Restricciones lineales

Restricciones no lineales

Restricciones de igualdad no lineales

Pgina 69

Inicio de optimizacin
Funcin Objetive

18.37581502

Uso indebido de la restriccin mxima

Funcin
objetiva

Violacin
de
restriccin
mxima

1.7246303186

Funcin
de
mrito

Cambio
de
funcin
de
mrito

Ratio
entre
el
cambio
actual
y
el
predicho

Iteracin

Reinicio

Llamadas
de
funcin

13.88579

0.8153

17.3197

1.056

2.000

14

15.10798

0.0728

15.4146

1.905

0.500

15

15.18530

0.0471

15.3837

0.0310

0.125

21

15.22146

0.000441

15.2246

0.159

0.0703

27

15.22078

1.384E-7

15.2208

0.00385

0.0011

29

15.22032

1.336E-7

15.2203

0.00047

0.0003

31

15.22027

4.962E-9

15.2203

0.00005

0.0001

Resultados de optimizacin
Iteraciones

Invocaciones de
funcin

Reinicio

Funcin Objetive

Uso indebido de la restriccin

mxima

4.9618167E-9

Actual Over Pred Change

Funcin Merit

32
15.22026985
15.220269885

0.0001

Se ha cumplido el criterio de convergencia ABSXCONV.

Tienda de campaa
PROC NLP: Nonlinear Minimization
Resultados de optimizacin
Parmetros estimados

Estimacin

Funcin
objetivo
gradiente

1.190065

14.561996

0.000694

9.520517

2.966141

4.417934

Parmetro

Value of Objective Function = 15.22026985

MIM-UCM

Pgina 70

Linear Constraints Evaluated at Solution

1 ACT 0 = -2.9668 + 1.0000 * Y + 1.0000 * Z

Valores de restricciones no lineales

Restriccin
[

MIM-UCM

Valor

Residual

5.6050

4.962E-9

Active NLEC

Pgina 71

CDIGO (Quasi-Newton dual Broyden, Fletcher, Goldfarb & Shanno):

dm 'log; clear; output; clear'; /* limpiar ventanas */

TITLE 'Tienda de campaa';
PROC NLP TECH=QUANEW OUTDER=2 OUT=DERIV; /* Bastara
OUTDER=1 */
MIN S;
DECVAR X, Y, Z;
BOUNDS
X>0;
BOUNDS
Y>0;
BOUNDS
Z>0;
LINCON Y+Z = 2.966835545360500; /* = H */
NLINCON V = 5.605010873919824;
V = (X**2)*Z*4/3 + 4*Y*(X**2);
S1=8*X*Y;
S2=4*X*SQRT((X**2)+(Z**2));
S = S1+S2;
RUN;
PROC EXPORT DATA=DERIV
outfile='c:/QN.xls' /** Exportar a Excel **/
replace; /** sobreescribir si existe ***/
RUN;

MIM-UCM

Pgina 72

RESULTADOS:

Tienda de campaa
PROC NLP: Nonlinear Minimization
Gradient is computed using analytic formulas.
Jacobian of nonlinear constraints is computed using analytic formulas.
El punto inicial se ha cambiado para que se ajuste a las restricciones de los lmites
y lneas.

Tienda de campaa
PROC NLP: Nonlinear Minimization
Inicio de optimizacin
Parmetros estimados

Estimacin

Funcin
objetivo
gradiente

Funcin
Lagrange
gradiente

Restriccin
de la cota
inferior

Restriccin
de la cota
superior

Parmetro

0.806492

19.793954

-0.057440

1.413222

6.451939

0.412606

1.553613

2.863180

-0.412606

Value of Objective Function = 14.764984044

Valor de la funcin Lagrange = 15.690449077

Restricciones lineales
1 0 : ACT 2.9668 == + 1.0000 * Y + 1.0000 * Z

Valores de restricciones no lineales

Restriccin
[

Valor

Residual

Multiplicador
Lagrange

5.0242

-0.5808

1.5933

Violat. NLEC

Tienda de campaa
PROC NLP: Nonlinear Minimization
Optimizacin Dual Quasi-Newton
Algoritmo VMCWD de Powell (1978, 1982) modificado
Actualizacin Dual Broyden - Fletcher - Goldfarb - Shanno (DBFGS)
Actualizacin de multiplicador Lagrange de Powell(1982)

MIM-UCM

Estimadores de parmetro

Lmites inferiores

Lmites superiores

Pgina 73

Restricciones lineales

Restricciones no lineales

Restricciones de igualdad no lineales

Inicio de optimizacin
Funcin Objetive

Uso indebido de la
restriccin mxima

15.66835183

Gradiente mximo de la
funcin Lagrange

4.1004624E-6

0.4362272822

Violacin
de
restricci
n
mxima

Reducci
n
de
funcin
predicha

Tama
o
del
paso

Elemento
gradient
e
mximo
de la
funcin
Lagrange

Reinici
o

Llamada
s de
funcin

Funcin
objetiv
a

13

15.6440
1

0.000371

0.2321

1.000

0.451

14

15.3750
3

0.0377

0.9389

1.000

0.379

15

13.7987
5

0.8942

2.5833

1.000

0.461

16

14.7824
9

0.2309

0.6952

1.000

0.810

17

15.0952
5

0.0119

0.0282

1.000

0.208

18

15.1023
4

0.00385

0.00988

1.000

0.0462

19

15.1050
4

0.00155

0.00464

1.000

0.00510

20

15.1073
4

0.000015

0.000045

1.000

0.00009

21

15.1073
6

6.101E-9

1.834E-8

1.000

2.52E-6

Iteraci
n
1

'

Resultados de optimizacin
Iteraciones

Invocaciones de funcin

Invocaciones del
gradiente

12

Funcin Objetive

15.107361015

Uso indebido de la restriccin

mxima

Mximo gradiente
proyectado

1.7636039E-6

Funcin Lagrange del valor

MIM-UCM

Restricciones activas

22
2

6.101371E-9

15.107361024

Pgina 74

Resultados de optimizacin
Gradiente mximo de la
funcin Lagrange

Coeficiente angular de la
direccin de bsqueda

1.2210742E-6

-1.833597E-8

Se ha cumplido el criterio de convergencia FCONV2.

Tienda de campaa
PROC NLP: Nonlinear Minimization
Resultados de optimizacin
Parmetros estimados

Estimacin

Funcin
objetivo
gradiente

Funcin
Lagrange
gradiente

Parmetro

1.072286

15.712373

-0.000000358

0.344625

8.578289

0.000001221

2.622210

3.970036

-0.000001221

Value of Objective Function = 15.107361015

Valor de la funcin Lagrange = 15.107361024

Linear Constraints Evaluated at Solution

1 ACT 0 = -2.9668 + 1.0000 * Y + 1.0000 * Z

Valores de restricciones no lineales

Valor

Residual

Multiplicador
Lagrange

5.6050

-6.1E-9

1.5030

Restriccin
[

Active NLEC

DERIVADAS (outfile QN.xls):

_OBS_ _TYPE_
1

_WRT_ X

15,10736

S1

S2

1,072286 2,62221 0,344625 5,605011 2,956295 12,15107

1 ANALYTIC 15,71237 X

1,072286 2,62221 0,344625 5,605011 2,956295 12,15107

1 ANALYTIC 3,970036 Z

1,072286 2,62221 0,344625 5,605011 2,956295 12,15107

1 ANALYTIC 8,578288 Y

1,072286 2,62221 0,344625 5,605011 2,956295 12,15107

MIM-UCM

Pgina 75

14: OTRAS PRCTICAS

A) Funcin de Dixon (1973).

Programacin No Lineal.
10 variables.
Minimizacin por mnimos cuadrados.

CDIGO SAS:

PROC NLP RANDOM=98765 TECH=LM MAXIT=100 MAXFU=500

ABSXTOL=1e-10;
ARRAY t[11] t1-t11;
ARRAY x[10] x1-x10;
LSQ t1-t11;

/* MIN t1**2 + ... + t11**2 */

DECVAR x1-x10;
DO i = 1 TO 9;
t[i]=x[i]**2-x[i+1];
END;
t[10]=1-x[10];
t[11] = 1-x[1];
RUN;

MIM-UCM

Pgina 76

RESULTADOS:

Ejemplo 2max (NLP)

PROC NLP: Least Squares Minimization
Gradient is computed using analytic formulas.
Cross product Jacobian is computed using analytic formulas.

Ejemplo 2max (NLP)

PROC NLP: Least Squares Minimization
Inicio de optimizacin
Parmetros estimados

Estimacin

Funcin
objetivo
gradiente

x1

0.828208

-0.380619

x2

0.812001

0.145162

x3

0.647591

-0.125520

x4

0.507211

0.269073

x5

0.078603

-0.284187

x6

0.677448

0.835077

x7

0.338036

-0.403996

x8

0.533004

-0.245286

x9

0.906998

1.307103

10

x10

0.445469

-0.931708

Parmetro

Value of Objective Function = 0.7817584785

Ejemplo 2max (NLP)

PROC NLP: Least Squares Minimization
Optimizacin Levenberg-Marquardt
Ajuste a escala de la actualizacin de More (1978)
Estimadores de parmetro

10

Funciones (Observaciones)

11

Inicio de optimizacin
Restricciones activas
Max Abs Gradient Element

MIM-UCM

0
1.3071033374

Funcin Objetive

0.7817584785

Radio

3.5073382413

Pgina 77

Iteraci
n

Reinic
io

Llamad
as de
funcin

Restriccio
nes
activas

Funcin
objetiva

Cambio/de
funcin/objet
iva

Elemento/gradiente/
max
abs

Lamb
da

Ratio
entre
el
cambi
o
actual
y
el
predic
ho

0.45308

0.3287

0.6119

1.583

1.025

0.24766

0.2054

0.5557

0.025
3

0.974

0.16160

0.0861

1.1147

0.348

0.00219

0.1594

0.1037

0.986

9.8802E7

0.00219

0.00179

1.000

1.9965E13

9.88E-7

6.638E-7

1.000

Resultados de optimizacin
Iteraciones

Invocaciones de funcin

Invocaciones del jacobiano

Restricciones activas

Funcin Objetive

1.9965E-13

Lambda

Radio

10
0

Max Abs Gradient Element

6.6382252E-7

Actual Over Pred Change

0.9999997986

0.0054733379

Se ha cumplido el criterio de convergencia ABSGCONV.

Ejemplo 2max (NLP)

PROC NLP: Least Squares Minimization
Resultados de optimizacin
Parmetros estimados

MIM-UCM

Estimacin

Funcin
objetivo
gradiente

x1

1.000000

4.7947588E-9

x2

1.000000

2.6442832E-8

x3

1.000000

9.9369342E-8

x4

1.000000

0.000000306

x5

1.000000

0.000000664

Parmetro

Pgina 78

Resultados de optimizacin
Parmetros estimados

Estimacin

Funcin
objetivo
gradiente

x6

1.000000

0.000000439

x7

1.000000

-0.000000411

x8

1.000000

-9.511189E-9

x9

1.000000

-3.51255E-11

10

x10

1.000000

Parmetro

Value of Objective Function = 1.9965E-13

MIM-UCM

Pgina 79

14: OTRAS PRCTICAS

B) Minimizacin Karush-Kuhn-Tucker con 3n puntos
Programacin No Lineal.
Nelder-Mead smplex.

CDIGO SAS:

%MACRO KKT(n);
PROC NLP TECH=NMSIMP INITIAL=0.54321;
ARRAY t[&n] t1-t&n;
ARRAY x[&n] x1-x&n;
MIN t1-t&n;
DECVAR x1-x&n;
BOUNDS -1 <= x1-x&n <= 1;
DO i = 1 TO &n;
t[i] = -x[i]-x[i]**2;
END;
RUN;
%MEND KKT;
%KKT(8);

MIM-UCM

Pgina 80

RESULTADOS:
(Se incluyen solamente las primeras y ltimas iteraciones)

KKT: Problema con 3**n puntos KKT (NLP)

PROC NLP: Nonlinear Minimization
Gradient is computed using finite difference approximations (2).

KKT: Problema con 3**n puntos KKT (NLP)

PROC NLP: Nonlinear Minimization
Inicio de optimizacin
Parmetros estimados

Estimacin

Funcin
objetivo
gradiente

Restriccin
de la cota
inferior

Restriccin
de la cota
superior

Parmetro

x1

0.543210

-2.086420

-1.000000

1.000000

x2

0.543210

-2.086420

-1.000000

1.000000

x3

0.543210

-2.086420

-1.000000

1.000000

x4

0.543210

-2.086420

-1.000000

1.000000

x5

0.543210

-2.086420

-1.000000

1.000000

x6

0.543210

-2.086420

-1.000000

1.000000

x7

0.543210

-2.086420

-1.000000

1.000000

x8

0.543210

-2.086420

-1.000000

1.000000

Value of Objective Function = -6.706296833

KKT: Problema con 3**n puntos KKT (NLP)

PROC NLP: Nonlinear Minimization
Optimizacin Nelder-Mead Simplex
Estimadores de parmetro

Funciones (Observaciones)

Lmites inferiores

Lmites superiores

Inicio de optimizacin
Restricciones activas

MIM-UCM

Funcin Objetive

-6.706296833

Pgina 81

Cambio/de
funcin/obj
etiva

Desvia
cin
estnd
ar
de
valore
s
simple
s

Longi
tud
del
vrti
ce
de
inici
o

Iterac
in

Reini
cio

Llama
das
de
funci
n

15

9.8002
0

1.9322

0.6411

1.000

1.30
0

21

10.754
28

2.1240

0.6615

1.000

1.84
1

27

11.186
73

1.5311

0.4899

1.000

1.53
0

34

11.803
53

1.0025

0.2889

1.000

1.92
3

39

11.803
53

0.7477

0.2131

1.000

1.61
3

55

11.803
53

0.4756

0.1572

1.000

0.79
1

61

11.930
18

0.5062

0.1702

1.000

0.71
7

68

12.100
27

0.3259

0.0994

1.000

0.80
2

74

12.284
46

0.3990

0.1232

1.000

0.91
9

10

79

12.284
46

0.2342

0.0854

1.000

0.51
2

220

1600

13.999
05

5.593E-6

1.907E
-6

1.000

0.00
007

221

1608

13.999
05

4.198E-6

1.472E
-6

1.000

0.00
004

222

1617

13.999
05

2.901E-6

9.916E
-7

1.000

0.00
003

Restricc
iones
activas

Funci
n
objeti
va

Tama
o
simp
le

Resultados de optimizacin
Iteraciones

MIM-UCM

222

Invocaciones de funcin

1619

Pgina 82

Resultados de optimizacin
Reinicio

Funcin Objetive

-13.99905099

Deltax

Restricciones activas

Desviacin tpica de valores simples

Tamao

9.9164684E-7
0.000034383

Se ha cumplido el criterio de convergencia FCONV2.

KKT: Problema con 3**n puntos KKT (NLP)

PROC NLP: Nonlinear Minimization
Resultados de optimizacin
Parmetros estimados

Estimacin

Funcin
objetivo
gradiente

x1

-0.999405

0.998811

x2

0.999933

-2.999865

x3

0.999958

-2.999917

x4

1.000000

-2.999976

x5

0.999999

-2.999976

x6

0.999998

-2.999976

x7

0.999996

-2.999976

x8

0.999998

-2.999976

Parmetro

Restriccin
de la cota
activa

Upper BC

Value of Objective Function = -13.99905099

MIM-UCM

Pgina 83

14: OTRAS PRCTICAS

C) SUDOKU
Ejercicio 2, PROC CLP.

CDIGO SAS:

dm 'log; clear; output; clear'; /* limpiar ventanas */

TITLE 'SUDOKU 2';
PROC CLP OUT=SUDOKU FINDALL
VARSELECT=minr; /* Selecciona la variable con menor rango */
ARRAY a[81] (a11-a19 a21-a29 a31-a39 a41-a49 a51-a59 a61-a69 a71-a79
a81-a89 a91-a99); /* aij, i=1..9, j=1..9 */
VAR (a11-a19 a21-a29 a31-a39 a41-a49 a51-a59 a61-a69 a71-a79 a81-a89
a91-a99)=[1,9]; /* dominios de las variables */
/* Los nmeros de cada fila deben ser todos distintos */
ALLDIFF (a11-a19) (a21-a29) (a31-a39) (a41-a49) (a51-a59) (a61-a69)
(a71-a79) (a81-a89) (a91-a99);
/* Los nmeros de cada columna todos distintos */
ALLDIFF(a11 a21 a31 a41 a51 a61 a71 a81 a91);
ALLDIFF(a12 a22 a32 a42 a52 a62 a72 a82 a92);
ALLDIFF(a13 a23 a33 a43 a53 a63 a73 a83 a93);
ALLDIFF(a14 a24 a34 a44 a54 a64 a74 a84 a94);
ALLDIFF(a15 a25 a35 a45 a55 a65 a75 a85 a95);
MIM-UCM

Pgina 84

ALLDIFF(a16 a26 a36 a46 a56 a66 a76 a86 a96);

ALLDIFF(a17 a27 a37 a47 a57 a67 a77 a87 a97);
ALLDIFF(a18 a28 a38 a48 a58 a68 a78 a88 a98);
ALLDIFF(a19 a29 a39 a49 a59 a69 a79 a89 a99);
/* los nmeros de cada subcuadrado todos distintos */
ALLDIFF(a11-a13 a21-a23 a31-a33);
ALLDIFF(a14-a16 a24-a26 a34-a36);
ALLDIFF(a17-a19 a27-a29 a37-a39);

ALLDIFF(a41-a43 a51-a53 a61-a63);

ALLDIFF(a44-a46 a54-a56 a64-a66);
ALLDIFF(a47-a49 a57-a59 a67-a69);

ALLDIFF(a71-a73 a81-a83 a91-a93);

ALLDIFF(a74-a76 a84-a86 a94-a96);
ALLDIFF(a77-a79 a87-a89 a97-a99);

LINCON /* Datos conocidos del sudoku */

/* Se emplean los del EJERCICIO 2 */
a11=7 , a13=8 , a15=9 , a16=5 , a19=4 ,
a23=1 , a25=3 , a26=2 , a27=8 ,
a43=9 , a45=4 , a48=1 ,
a51=8 , a53=5 , a57=9 , a59=2 ,
a62=3 , a65=2 , a67=5 ,
a83=7 , a84=9 , a85=5 , a87=6 ,
a91=4 , a94=3 , a95=8 , a97=1 , a99=9;
MIM-UCM

Pgina 85

RUN;
PROC PRINT DATA=SUDOKU NOOBS; VAR a11-a19; FORMAT a11-a19 2.0;
PROC PRINT DATA=SUDOKU NOOBS; VAR a21-a29; FORMAT a21-a29 2.0;
PROC PRINT DATA=SUDOKU NOOBS; VAR a31-a39; FORMAT a31-a39 2.0;
PROC PRINT DATA=SUDOKU NOOBS; VAR a41-a49; FORMAT a41-a49 2.0;
PROC PRINT DATA=SUDOKU NOOBS; VAR a51-a59; FORMAT a51-a59 2.0;
PROC PRINT DATA=SUDOKU NOOBS; VAR a61-a69; FORMAT a61-a69 2.0;
PROC PRINT DATA=SUDOKU NOOBS; VAR a71-a79; FORMAT a71-a79 2.0;
PROC PRINT DATA=SUDOKU NOOBS; VAR a81-a89; FORMAT a81-a89 2.0;
PROC PRINT DATA=SUDOKU NOOBS; VAR a91-a99; FORMAT a91-a99 2.0;
RUN;

MIM-UCM

Pgina 86

RESULTADOS:

332 dm 'log; clear; output; clear'; /* limpiar ventanas */

333 TITLE 'SUDOKU 2';
334 PROC CLP OUT=SUDOKU FINDALL
ERROR: Procedimiento CLP no encontrado.
[]

Nota: el procedimiento experimental CLP no se hallaba disponible en la versin del

software del alumno. El resultado del programa es el sudoku resuelto.

MIM-UCM

Pgina 87

BIBLIOGRAFA
Se incluye a continuacin una seleccin de referencias bibliogrficas consultadas por el
alumno para la resolucin de los problemas.

Apuntes de la asignatura Optimizacin y simulacin (MIM-UCM)

Apuntes de la asignatura Estadstica aplicada y minera de datos (MIM-UCM)
Encyclopedia of Optimization, 2nd edition (Springer 2009)
Fortran Resources - Ian D Chivers & Jane Sleightholme (March 5, 2009)
Introduction to Programming with Fortran, With Coverage of Fortran 90, 95,
2003, and 77 - Ian D. Chivers and Jane Sleightholme
Fortran 90 Handbook, Complete ANSI-ISO reference (McGraw-Hill 1992)
Numerical optimization - Nocedal J., Wright S.J. (Springer, 1999)
SAS Institute Inc. 2008. SAS/OR 9.2 Users Guide: Mathematical
Programming. Cary, NC: SAS Institute Inc.
SAS/STAT 9.2 Users guide Procedures and knowledge base (online)
http://support.sas.com/documentation/onlinedoc/or/index.html
SAS/STAT 9.2 Users guide Procedures and knowledge base (online)
http://support.sas.com/documentation/onlinedoc/stat/index_proc.html
SAS and Sudoku, Paper 11 at SAS global forum 2007,
http://www2.sas.com/proceedings/forum2007/011-2007.pdf
The CLP procedure, SAS online reference,
http://support.sas.com/documentation/cdl/en/orcpug/59630/HTML/default/o
rcpug_clp_sect004.htm
Logo Sudoku propiedad de ThinkFun, Inc.
http://kevin.athey.org/puzzles/Sudoku5X5/Thinkfun%20-%20Sudoku5X5.html

MIM-UCM

Pgina 88