Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
restricciones de igualdad
1. Formulacin del problema
Sea:
: n diferenciable
gi: n i = 1m diferenciables
b1bm
Un problema de optimizacin con restricciones de igualdad se formula:
(n=2, m=1)
Nota:
1. Las restricciones de tipo igualdad no establecen fronteras al conjunto de
lassoluciones factibles del programa, sino que reducen las dimensiones
del espacio donde el programa est definido.
2. Los ptimos que obtendremos sern dbiles en el sentido de que una
pequea variacin en las restricciones har que dejen de ser ptimos.
Por este motivo los llamaremos ptimos condicionados o
restringidos.
ii.
iii.
Mtodo de Lagrange
Se
trata de determinar el punto de la restriccin por el que pasa la curva de nivel ms baja.
es equivalente a
Por tanto,
Entonces,
Ejemplos de aplicacin:
Ver ejemplo 1
Ver ejemplo 2
se sustituye por
siendo
una variable ms,
Ver ejemplo 1
Ver ejemplo 2
se cumple
Ver ejemplo 1
Ver ejemplo 2
Condicin suficiente
Sea un punto
tq
definida positiva
definida negativa
en otro caso:
tal que
Ver ejemplo 1
Ver ejemplo 2
>0
es mnimo condicionado
<0
es mximo condicionado
Ejemplo de aplicacin 1
Condicin necesaria:
, multiplicadores de Lagrange.
(*)
Resolvemos:
Obtenemos:
Condicin suficiente:
definida positiva
Resultado:
Ejemplo de aplicacin 2
Condicin necesaria:
Y obtenemos:
x = , y= =
Condicin suficiente:
indefinida
Entonces,
Resultado:
Si se modifica un poco
ptimo.
. Pues bien, la
es justamente
. De aqu se
Condiciones de Kuhn-Tucker.
Para un problema de maximizacin, si x*=(x*1,...,x*n) es una solucin
ptima entonces x* debe satisfacer las resticciones del problema y
adems deben existir los multiplicadores 1,2,...,m tales que
Condiciones de Kuhn-Tucker.
Maximizar f(x1,x2,...,xn)
S.A. gi
(x1,x2,...,xn) bi
, i=1,...,m
xj 0, j=1,...,n
Si x*=(x*1,...,x*n) es una solucin ptima del problema
anterior entonces x* debe satisfacer las restricciones del
problema y adems deben existir los multiplicadores
1,2,...,m, 1,2,.n tales que
Minimizar f(x1,x2,...,xn)
S.A. gi
(x1,x2,...,xn) bi
, i=1,...,m
xj 0, j=1,...,n
Si x*=(x*1,...,x*n) es una solucin ptima del problema
anterior entonces x* debe satisfacer las restricciones del
problema y adems deben existir los multiplicadores
1,2,...,m, 1,2,. n tales que
PROGRAMACIN CUADRTICA
De nuevo los problemas de programacin cuadrtica tienen restricciones lineales, pero ahora la funcin
objetivo /(x) debe ser cuadrtica.Entonces, la nica diferencia entre stos y un
problema de programacin lineal es que algunos trminos de la funcin objetivo incluyen el cuadrado de
una variable o el producto de dos variables.
PROGRAMACIN CONVEXA
La programacin convexa abarca una amplia clase de problemas, entre ellos como casos especiales,
estn todos los tipos anteriores cuando /(x) es cncava. Las suposiciones son
1.
f(x) es cncava.
2.
PROGRAMACIN SEPARABLE
son cada tina funciones de una sola variable x1 y x2, respectivamente. Usando el mismo razonamiento,
se puede verificar que la funcin considerada en la figura 13.7 tambin es una funcin separable.
Es importante distinguir estos problemas de otros de programacin convexa, pues cual quier problema
de programacin separable se puede aproximar muy de cerca mediante uno de programacin lineal y,
entonces, se puede aplicar el eficiente mtodo smplex.
son cada tina funciones de una sola variable x1 y x2, respectivamente. Usando el mismo razonamiento,
se puede verificar que la funcin considerada en la figura 13.7 tambin es una funcin separable.
Es importante distinguir estos problemas de otros de programacin convexa, pues cual quier problema
de programacin separable se puede aproximar muy de cerca mediante uno de programacin lineal y,
entonces, se puede aplicar el eficiente mtodo smplex.
PROGRAMACIN NO CONVEXA
La programacin no convexa incluye todos los problemas de programacin no lineal que no satisfacen
las suposiciones de programacin convexa. En este caso, aun cuando se tenga xito en encontrar
un mximo local, no hay garanta de que sea tambin un mximo global. Por lo tanto, no se tiene un
algoritmo que garantice encontrar una solucin ptima para todos estos problemas; pero s existen
algunos algoritmos bastante adecuados para encontrar mximos locales, en especial cuando las formas
de las funciones no lineales no se desvan demasiado de aquellas que se supusieron para programacin
convexa. En la seccin 13.10 se presenta uno de estos algoritmos.
Ciertos tipos especficos de problemas de programacin no convexa se pueden resolver sin mucha
dificultad mediante mtodos especiales. Dos de ellos, de gran importancia, se presentarn ms
adelante.
PROGRAMACIN GEOMTRICA
Cuando se aplica programacin no lineal a problemas de diseo de ingeniera, muchas veces la funcin
objetivo y las funciones de restriccin toman la forma
En tales casos, las ci y a ty representan las constantes fsicas y las x} son las variables de diseo. Estas
funciones por lo general no son ni cncavas ni convexas, por lo que las tcnicas de pro gramacin
convexa no se pueden aplicar directamente a estos problemas deprogramacingeo- mtrica. Sin
embargo, existe un caso importante en el que el problema se puede transformar en un problema de
programacin convexa equivalente. Este caso es aquel en el que todos los coeficientes c en cada
funcin son estrictamente positivos, es decir, las funciones son polinomios positivos
generalizados (ahora llamados posinomiales), y la funcin objetivo se tiene que minimizar. El problema
equivalente de programacin convexa con variables de decisin y x, y2,, yn se obtiene entonces al
establecer
PROGRAMACIN FRACCIONAL
Suponga que la funcin objetivo se encuentra en la forma de una fraccin, esto es, la razn o cociente
de dos funciones,
Estos problemas de programacin fraccional surgen, por ejemplo, cuando se maximiza la razn de la
produccin entre las horas-hombre empleadas (productividad), o la ganancia entre el capital invertido
(tasa de rendimiento), o el valor esperado dividido entre la desviacin estndar de alguna medida de
desempeo para una cartera de inversiones (rendimiento/riesgo). Se han formulado algunos
procedimientos de solucin especiales1 para ciertas formas de f1(x) y f2 (x)
Cuando se puede hacer, el enfoque ms directo para resolver un problema de programacin fraccional
es transformarlo en un problema equivalente de algn tipo estndar que disponga de un procedimiento
eficiente. Para ilustrar esto, suponga que f(x) es de la forma deprogramacin fraccional lineal
donde c y d son vectores rengln, x es un vector columna y c0 y dQ son escalares. Tambin suponga que
las funciones de restriccin g (x)son lineales, es decir, las restricciones en forma matricial son Ax <
b y x > 0.
Con algunas suposiciones dbiles adicionales, el problema se puede transformar en un problema
equivalente de programacin lineal si se establece
que se puede resolver con el mtodo smplex. En trminos generales, se puede usar el mismo tipo de
transformacin
para
convertir
un
problema
de
programacin
fraccional
con /
(x) cncava, f2 (x) convexa y g (x) convexas, en un problema equivalente de programacin convexa.
Mtodo de penalizacin
Para aproximar la solucin de un problema de
optimizacin no lineal del tipo:
Optimizar f(x1,x2,...,xn) sujeto a gi (x1,...,xn)=bi, i=1,...,m se
considera la solucin del problema sin restricciones
Optimizar f(x)+P(p,x) donde
Algoritmo de penalizacin
Para el problema de minimizacin
Elegir una secuencia por ejemplo 1,10,102, 103,....
Para cada pk encontrar un mnimo local xk de f(x)
+P(pk,x)
Terminar cuando P(pk,xk)/ pk sea suficientemente
pequeo