Sei sulla pagina 1di 20

Optimizacion con

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:

Ejemplo y representacin grfica

(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.

2. Resolucin de un problema de optimizacin con


restricciones de igualdad
Mtodos:
i.

Resolucin grfica, por curvas de nivel

ii.

Eliminacin o sustitucin de variables

iii.

Mtodo de Lagrange

i. Resolucin grfica por curvas de nivel


Siempre que sea posible ser muy cmodo dibujar las curvas de nivel.

Se
trata de determinar el punto de la restriccin por el que pasa la curva de nivel ms baja.

ii. Eliminacin o sustitucin de variables


Ejemplo:

es equivalente a

La funcin objetivo es ahora una funcin con una variable menos:

Por tanto,

Entonces,

es mnimo restringido o condicionado.

iii. Mtodo de Lagrange


El mtodo consiste en convertir el problema con restricciones de igualdad en uno
de ptimos libres, gracias a la incorporacin de las restricciones a la funcin objetivo.
Distinguimos dos casos:

1. Caso de una nica restriccin


2. Caso de ms de una restriccin
En ambos casos, se construye una funcin, llamada funcin de Lagrange, y se determina
qu puntos cumplen la condicin necesaria para ser ptimos del problema y,
posteriormente, se estudia si son mximos o mnimos analizando el cumplimiento de
la condicin suficiente.

Ejemplos de aplicacin:

Ver ejemplo 1

Ver ejemplo 2

Ver interpretacin de los multiplicadores de Lagrange

iii.1 Caso de una nica restriccin

se sustituye por

siendo
una variable ms,

la denominada funcin de Lagrange que tiene


, que recibe el nombre de multiplicador de Lagrange.

Observamos que cuando se satisface la restriccin


que

Ver ejemplo 1

Ver ejemplo 2

Condicin necesaria (Caso m = 1)

se cumple

Ver ejemplo 1

Ver ejemplo 2

Condicin suficiente
Sea un punto

que cumple la condicin necesaria; es decir:

tq

entonces, si denotamos como Hx L


en

la hessiana de la funcin de Lagrange

respecto de las variables iniciales (no respecto ) tenemos:

definida positiva

es mnimo condicionado o restringido

definida negativa

es mximo condicionado o restringido

en otro caso:

tal que

Ver ejemplo 1

Ver ejemplo 2

>0

es mnimo condicionado

<0

es mximo condicionado

iii.2 Caso de ms de una restriccin:

La funcin L se llama funcin de Lagrange y los

Observamos que se aade un multiplicador


satisfacen todas se cumple que

Ejemplo de aplicacin 1

Condicin necesaria:

, multiplicadores de Lagrange.

por cada restriccin y que cuando se

(*)

(*)Observemos que la condicin

equivale a pedir que se satisfaga la restriccin.

Resolvemos:

Obtenemos:

Condicin suficiente:

definida positiva

Resultado:

es un mnimo condicionado o restringido

Ejemplo de aplicacin 2

Condicin necesaria:

Por lo tanto resolvemos:

Y obtenemos:
x = , y= =

Condicin suficiente:

indefinida

Veamos qu sucede exactamente sobre la restriccin.

Por tanto, como se comprueba en el grfico, para mantenernos encima de la restriccin es


necesario

Entonces,

Resultado:

mximo condicionado o restringido

Interpretacin de los multiplicadores de Lagrange


Dado un problema con restricciones de igualdad:

Si se modifica un poco
ptimo.

, cambiar tambin el punto ptimo y, en consecuencia, el valor

As se entiende que el valor ptimo de un problema es funcin de cada

derivada de esta funcin respecto de


deduce la siguiente frmula:

. Pues bien, la

es justamente

. De aqu se

que tambin se puede escribir como

NOTA: Todo esto es cierto para


variaciones de

, es decir, cuando se trata de pequeas

que no afectan al status del problema.

Mtodo de las direcciones factibles.


Para resolver maximizar z=f(x) S.A. Ax b, x 0:
Elegir x0 solucin factible.
Sea d0 solucin de maximizar z= f(x0)d S.A. Ad b, d 0

Elegir x1=x0+t0(d0-x0) siendo t0 la solucin de maximizar


f(x0+t0(d0-x0)), 0 t0 1
Continuar generando puntos x2,x3,... hasta que xk y xk-1
estn suficientemente prximos.
Condiciones de Kuhn-Tucker.
Maximizar f(x1,x2,...,xn)
S.A. g1(x1,x2,...,xn) b1
g2(x1,x2,...,xn) b2
...
gm(x1,x2,...,xn) bm
Slo son aplicables si las funciones gi satisfacen la
condicin de regularidad:
Restricciones linealmente independientes: continuas y los
gradientes en la solucin ptima forman un sistema de
vectores linealmente independiente

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

Para un problema de minimizacin, 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

OPTIMIZACIN LINEALMENTE RESTRINGIDA


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

PROGRAMACIN CUADRTICA

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

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

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

f(x) es cncava.

2.

Cada una de las g(x) es convexa.

PROGRAMACIN SEPARABLE

La programacin separable es un caso especial de programacin convexa, en donde la suposicin


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

son cada tina funciones de una sola variable x1 y x2, respectivamente. Usando el mismo razonamiento,
se puede verificar que la funcin considerada en la figura 13.7 tambin es una funcin separable.
Es importante distinguir estos problemas de otros de programacin convexa, pues 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

en todo el modelo original. Ahora se puede aplicar un algoritmo de programacin convexa. Se ha


desarrollado otro procedimiento de solucin para resolver estos problemas de programacin
posinomial, al igual que para problemas de programacin geomtrica de otros tipos. 1

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

con p>0 si el problema es minimizar y p<0 si el problema es


maximizar
Al obtener el valor ptimo de la funcin de penalizacin se
cumplir que si |p| tiende a infinito entonces gi(x) tiende a bi.

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