Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Optimizacin no restringida.
2.
3.
Programacin cuadrtica
4.
Programacin convexa.
5.
Programacin separable.
6.
Programacin no convexa.
7.
Programacin geomtrica.
8.
Programacin fraccional.
9.
Problema de complementariedad.
En el mtodo dictomo los valores jc, y x2 se encuentran simtricos respecto del punto
medio del actual intervalo de incertidumbre. Esto significa que
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 dicotomo y el de la seccin dorada. Supondremos que
A = 0.1.
OPTIMIZACIN NO RESTRINGIDA
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 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.
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
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 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 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 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 problema equivalente de programacin
convexa con variables de decisin yx, 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,
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.