INDICE

2Introduccin
3Programacin no lineal
4 Los tipos de problemas de programacin no lineal
5 Mtodo de bsqueda directa
9 Optimizacin No Restringida
11.. Optimizacin Linealmente Restringida
11.. Programacin Cuadrtica
13.. Programacin Convexa
13.. Programacin Separable
14.. Programacin No Convexa
15.. Programacin Geomtrica
16.. Programacin Fraccional
19.. Conclusin
20.. Bibliografa

Introduccin:

El estudio realizado hasta el momento se ha dedicado a problemas de

programacin lineal, que modelizaban situaciones donde el objetivo y
las restricciones son lineales en las variables de decisin. Aunque los
problemas de programacin lineal son muy comunes y cubren un
amplio rango de aplicaciones, en la vida real uno se tiene que
enfrentar con cierta frecuencia a otro tipo de problemas que no son
lineales. Cuando el conjunto de restricciones, la funcin objetivo, o
ambos, son no lineales, se dice que se trata de un problema de
programacin no lineal (PPNL). Los problemas de optimizacin no
lineal son ms difciles de resolver que los lineales. Estas dificultades
aparecen incluso en el caso ms simple como el de optimizar una
funcin de una variable en R sin restricciones. En este tema se
presentan algunos problemas de programacin no lineal. En algunos
casos, coinciden con los que se han descrito en temas precedentes,
pero bajo hiptesis distintas.

Programacin No Lineal.

Un modelo de Programacin No Lineal (PNL) es aquel donde las

variables de decisin se expresan como funciones no lineales ya sea
en la funcin objetivo y/o restricciones de un modelo de optimizacin.
Esta caracterstica particular de los modelos no lineales permite
abordar problemas donde existen economas o des economas de
escala o en general donde los supuestos asociados a la
proporcionalidad no se cumplen.

Los problemas de programacin no lineal se presentan de muchas

formas distintas. Al contrario del mtodo simplex para programacin
lineal, no se dispone de un algoritmo que resuelva todos estos tipos
especiales de problemas. En su lugar, se han desarrollado algoritmos
para algunas clases (tipos especiales) de problemas de programacin
no lineal. Se introducirn las clases ms importantes y despus se
describir cmo se pueden resolver algunos de estos problemas.

Si la funcin objetivo f es lineal y el espacio restringido es un poli topo,

el problema es de Programacin lineal y puede resolverse utilizando
alguno de los bien conocidos algoritmos de programacin lineal.

Si la funcin objetivo es cncava (problema de maximizacin), o

convexa (problema de minimizacin) y el conjunto de restricciones es
convexo, entonces se puede utilizar el mtodo general de
Optimizacin convexa

Existe una variedad de mtodos para resolver problemas no convexos.

Uno de ellos consiste en utilizar formulaciones especiales de
problemas de programacin lineal. Otro mtodo implica el uso de
tcnicas de Ramificacin y poda, cuando el problema se divide en
subdivisiones a resolver mediante aproximaciones que forman un
2

lmite inferior del coste total en cada subdivisin. Mediante

subdivisiones sucesivas, se obtendr una solucin cuyo coste es igual
o inferior que el mejor lmite inferior obtenido por alguna de las
soluciones aproximadas. Esta solucin es ptima, aunque
posiblemente no sea nica. El algoritmo puede ser parado antes, con
la garanta de que la mejor solucin ser mejor que la solucin
encontrada en un porcentaje acotado. Ello se utiliza en concreto en
problemas importantes y especialmente difciles y cuando el problema
cuenta con costes inciertos o valores donde la incertidumbre puede
ser estimada en un grado de fiabilidad apropiado.

Las condiciones de Karush-Kuhn-Tucker proporcionan las condiciones

necesarias para que una solucin sea ptima.

Los tipos de problemas de programacin no lineal son:

1.

Optimizacin no restringida.

2.

Optimizacin linealmente restringida.

3.

Programacin cuadrtica

4.

Programacin convexa.

5.

Programacin separable.

6.

Programacin no convexa.

7.

Programacin geomtrica.

8.

Programacin fraccional.

9.

Problema de complementariedad.

ALGORITMOS SIN RESTRICCIN

En esta seccin se presentarn dos algoritmos para el problema no
restringido: el algoritmo de bsqueda directa y el algoritmo de
gradiente.

Mtodo de bsqueda directa

Los mtodos de bsqueda directa se aplican principalmente a
funciones estrictamente unimo- dales de una variable. Aunque puede
parecer trivial el caso, la seccin 21.1.2 muestra que la optimizacin
de funciones de una variable juega un papel clave en el desarrollo de
los algoritmos de varias variables, ms generales.
La idea de los mtodos de bsqueda directa es identificar el intervalo
de incertidumbre que comprenda al punto de solucin ptima. El
procedimiento localiza el ptimo estrechando en forma progresiva el
intervalo de incertidumbre hasta cualquier grado de exactitud que se
desee.
En esta seccin se presentan dos algoritmos estrechamente
relacionados: los mtodos de bsqueda dictomo y de seccin
dorada (o urea). Ambos buscan la maximizacin de una funcin
unimodal/(x) en el intervalo a ^ x < b, que se sabe que incluye el punto
ptimo x*. Los dos mtodos comienzan con / 0 = (a, b) que representa
el intervalo inicial de incertidumbre.
Paso general i. Sea /, _ , = (xD xR) el intervalo actual de incertidumbre
(en la iteracin 0, xL = a y xR = b). A continuacin se definen xx y x2
tales que
Xj^ ^ ^ x2 ^ xr
El siguiente intervalo de incertidumbre, /z, se define como sigue:
1. Si f(xx) > /(x2), entonces xL < x* < x2. Se definen xR = x2 e /, = (xL,
x2)
4

2. Si f(xx) < f(x2\ entonces xx < x* < xR. Se definen xL = xx e I = (xh

xR)
3. Si f{x\) = /(jc2), entonces xx < x* < x2. Se definen xL = x2 e /, = (xb
x2).

La manera en que se determinan xx y x2 garantiza que /, < /,_ p como

se demostrar en breve. El algoritmo termina en la iteracin ksilk< A,
donde A es un grado de exactitud definido por el
usuario.
*
La diferencia entre los mtodos dictomos y de seccin dorada estriba
en la forma en que se calculan xx y x2. La tabla siguiente presenta las
frmulas.

En el mtodo dictomo los valores jc, y x2 se encuentran simtricos

respecto del punto medio del actual intervalo de incertidumbre. Esto
significa que

La aplicacin repetida del algoritmo garantiza que la longitud del

intervalo de incertidumbre se acercar al nivel de exactitud deseado,
A.
En el mtodo de la seccin dorada la idea es de mayor
involucramiento. Se puede apreciar que cada iteracin del mtodo
dictomo requiere calcular los dos valores/(jc,) y f(x2), Pe ro termina
por descartar alguno de ellos. Lo que propone el mtodo de la seccin
dorada es ahorrar clculos mediante el reus del valor descartado en
la iteracin inmediata siguiente. Para definir 0 < a < 1

Cuando el intervalo de incertidumbre /, en la iteracin i es igual a (jc,

x2) o a (xu xR). Considere el caso en que /, = (jcl, x2), lo cual significa
que xx est incluido en /,. En la iteracin /+1, seleccione x2 igual a jc,
de la iteracin /, lo cual lleva a la siguiente ecuacin:
X2(iteracin i+l) = x{(iteracin i)

Comparado con el mtodo dictomo, el mtodo de la seccin dorada

converge ms rpidamente hacia el nivel deseado de exactitud.
Adicionalmente, cada iteracin en el mtodo de la seccin dorada
requiere la mitad de los clculos, en virtud de que recicla siempre un
conjunto de los clculos correspondientes a la iteracin inmediata
anterior.
EJEMPLO

El mximo valor de f(x) ocurre en x = 2. La siguiente tabla muestra los

clculos para las iteraciones 1 y 2, usando el mtodo dictomo y el de
la seccin dorada. Supondremos que A = 0.1.

Al continuar de la misma forma, el intervalo de incertidumbre terminar

por estrecharse hasta la tolerancia A deseada.

La plantilla ch21DichotomousGoldenSection.xls de Excel est

diseada para manejar cualquiera de estos dos mtodos en forma
automtica. Los datos son/(*), a,b y A. La funcin f{x) se captura en la
celda E3 como sigue:
= IF(C3< = 2,3*C3, (-C3+20)/3)

OPTIMIZACIN NO RESTRINGIDA

Los problemas de optimizacin no restringida no tienen restricciones,

por lo que la funcin objetivo es sencillamente
Maximizar f(x)

sobre todos los valores x= (x1, x2,,xn). Segn el repaso del apndice
3, la condicin necesaria para que una solucin especfica x = x* sea
ptima cuando f(x) es una funcin diferenciable es

Cuando f (x) es cncava, esta condicin tambin es suficiente, con lo

que la obtencin de x* se reduce a resolver el sistema de las n
ecuaciones obtenidas al establecer las n derivadas parciales iguales a
cero. Por desgracia, cuando se trata de funciones no lineales f (x),
estas ecuaciones suelen ser no lineales tambin, en cuyo caso es
poco probable que se pueda obtener una solucin analtica
simultnea. Qu se puede hacer en ese caso? Las secciones 13.4 y
8

13.5 describen procedimientos algortmicos de bsqueda para

encontrar x* primero para n = 1 y luego para n > 1. Estos
procedimientos tambin tienen un papel importante en la solucin de
varios tipos de problemas con restricciones, que se describirn en
seguida. La razn es que muchos algoritmos para problemas
restringidos estn construidos de forma que se adaptan a versiones no
restringidas del problema en una parte de cada iteracin.
Cuando una variable Xj tiene una restriccin de no negatividad, x- > 0,
la condicin necesaria (y tal vez) suficiente anterior cambia
ligeramente a

para cada j de este tipo. Esta condicin se ilustra en la figura 13.11,

donde la solucin ptima de un problema con una sola variable es x =
0 aun cuando la derivada ah es negativa y no cero. Como este
ejemplo tiene una funcin cncava para maximizar sujeta a una
restriccin de no negatividad, el que su derivada sea menor o igual a 0
en # = 0, es una condicin necesaria y suficiente para que x= 0 sea
ptima.

Un problema que tiene algunas restricciones de no negatividad y que

no tiene restricciones funcionales es un caso especial (m = 0) de la
siguiente clase de problemas.

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 simplex
para analizar la funcin objetivo no lineal.

Un caso especial importante

programacin cuadrtica.

descrito

continuacin

es

la

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

10

problema de programacin lineal es que algunos trminos de la

funcin objetivo incluyen el cuadrado de una variable o el producto de
dos variables.

11

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.

12

Es importante distinguir estos problemas de otros de programacin

convexa, pues cualquier 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 cualquier problema de programacin separable se
puede aproximar muy de cerca mediante uno de programacin lineal y,
entonces, se puede aplicar el eficiente mtodo simplex.

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
13

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 programacin
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
14

problema equivalente de programacin convexa con variables de

decisin yx, 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)

15

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 de
programacin 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

16

Que se puede resolver con el mtodo simplex. 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.

Conclusin.
17

Durante el desarrollo del trabajo fue surgiendo, de manera natural, la

necesidad de emplear hojas de clculo, paquetes matemticos y
lenguajes de programacin, para lograr aplicar la teora desarrollada.
Este hecho permite concluir que la PNL est compuesta,
fundamentalmente, de dos elementos complementarios: el anlisis
matemtico y la implementacin de algoritmos en herramientas
informticas. La carencia de uno de estos elementos, as este
acompaada de una abundante dosis del otro, tendr como
consecuencia el fracaso de todo intento de lograr resultados
fructferos.

18

Bibliografa

http://lainvestigaciondeoperaciones.blogspot.mx/2013/10/conclusione
s-de-la-programacion-lineal.html
https://karenbandala.wordpress.com/unidad-iii/3-3-problemas-norestringidos-programacion-no-lineal/
http://www.buenastareas.com/ensayos/Resumen-Sobre-Programaci
%C3%B3n-Lineal/48725106.html

19