Nombre del estudiante:

Francisco Paz Zertuche

Nombre del trabajo:

Condiciones de KKT

Fecha de entrega:

23 de noviembre de 2015

Materia:

Optimizacin ll

Maestro:

Mario Ernesto Jimnez Jimnez

Carrera /Prepa:

Ing. Industrial y de Sistemas

Semestre/Cuatrimestre:

5 semestre

CONTENIDO
RESUMEN EJECUTIVO.. 3

CONTENIDO.4

CONCLUSIONES..5

APORTACIONES ADICIONALES.5

BIBLIOGRAFA..5

RESUMEN EJECUTIVO
Qu son las condiciones KKT?
-

El metodo multiplicatorio de Langrange es usado para encontrar la solucin a un

problema de optimizacin constituida de una o mas igualdades. Cuando nuestras
constantes tiene n desigualdades, tenemos que extender el metodo a las condiciones
de KKT.
El problema se formula de esta manera
m

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

El parmetro i es el multiplicador de Lagrange asociado con la restriccin i. Las

condiciones para establecer la suficiencia de las condiciones KKT se resumen en la
tabla 20.2.

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:

Este problema es de minimizacin, por eso

KKT son:

Se reduce a:

<= 0, por tanto, las condiciones

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

Yo personalmente recomendara el mtodo de Karmarkar. En 1984 Karmarkar

propuso un nuevo mtodo de resolucin de problemas de programacin lineal de
grandes dimensiones que se mostr muy eficaz. El mtodo es de punto interior ya
que selecciona nuevas direcciones de bsqueda estrictamente en puntos interiores a
la regin viable. Este hecho contrasta con el mtodo Simplex tradicional que
evoluciona a lo largo de las aristas entre vrtices de la frontera de la regin viable.
Para problemas de grande dimensin (150000 variables y 12000 restricciones) el
mtodo de Karmarkar es hasta 50 veces ms rpido que el mtodo simplex en
obtener la solucin

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.