Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Condiciones de KKT
Fecha de entrega:
23 de noviembre de 2015
Materia:
Optimizacin ll
Maestro:
Carrera /Prepa:
Semestre/Cuatrimestre:
5 semestre
CONTENIDO
RESUMEN EJECUTIVO.. 3
CONTENIDO.4
CONCLUSIONES..5
APORTACIONES ADICIONALES.5
BIBLIOGRAFA..5
RESUMEN EJECUTIVO
Qu son las condiciones KKT?
-
f ( X ) j g j ( X ) 0
j 1
g j ( X ) 0, j 1,..., m
j g j ( X ) 0, j 1,..., m
j 0, j 1,..., m
En palabras ms sencillas, encontrar la solucin que minimice f(x) siempre y cuando
todas las igualdades hi(x) = 0 y todas las desigualdades gi<= 0 se mantengan. Es fcil
ver que las constantes de igualdas o desigualdas se pueden definir, siempre y
cuando todos los trminos estn del lado izquierdo de la ecuacin.
Las condiciones de desigualdad se aaden al mtodo de mltipos de Langrange de la
misma manera que las igualdades: Poner la funcion objetivo as como las
constantes en un solo problema de minimizacin y multiplicar cada constante de
igualdad por un factor i, y las igualdades por un factor i, (los mltiplos KKT).
Suficiencia de las condiciones KKT. Las condiciones KKT necesarias tambie n son
suficientes si la funcio n objetivo y el espacio de soluciones satisfacen las condiciones
que aparecen en la tabla 20.1.
Es ma s fa cil verificar que una funcio n sea convexa o co ncava que demostrar que un
espacio de soluciones es convexo. Por esta razo n, ofrecemos un subconjunto de las
condiciones de suficiencia, que, aunque no tan general como los de la Tabla 20.1, son
ma s fa ciles de aplicar en la pra ctica. Para proporcionar estas condiciones, definimos
los problemas no lineales generalizados como
Las condiciones que aparecen en la tabla 20.2 son un subconjunto de las condiciones
que aparecen en la tabla 20.1 porque un espacio de soluciones puede ser convexo
sin que satisfaga las condiciones que aparecen en la tabla 20.2
La tabla 20.2 es vlida porque las condiciones dadas producen una funcin
Lagrangiana L(X,S,l) en el caso de maximizacin y convexa L(X,S,l) en el caso de
minimizacin. Este resultado se verifica observando que si g(x) es convexa, entonces
ligi(x) es convexa si i >= 0 y cncava si =< i 0. Se pueden establecer
interpretaciones similares para todas las condiciones restantes. Observe que una
funcin lineal es tanto convexa como cncava.Adems, si una funcin f es cncava,
entonces (-f) es convexa, y viceversa.
CONTENIDO
Ejemplo:
Se reduce a:
CONCLUSIONES
Pese a que las condiciones KKT son efectivas para ciertas variables, habr funciones
objetivo en las que no nos ser til por la cantidad de variables. El mtodo KKT es
bsicamente prctico y sienta las bases para otros mtodos ms efectivos como el de
Karmakar.
Inclusive para funciones con ms variables, una mainframe es necesaria. El KKT es
la base para todos los estudios de mtodos efectivos para resolver problemas de
PNL.
APORTACIONES ADICIONALES
BIBLIOGRAFA
Wayne L. Winston (2005) Investigacin de operaciones, aplicaciones y algoritmos,
4ta edicin.
Frederick S. Hillier, (2010) Introduccin a la investigacin de operaciones, 9na
edicin.
Hamdy A. Taha (2012) Investigacin de operaciones, 9na edicin.