Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
a 1 1 2 20 ty -1 d, 1 8 6 om -1 3 1 18 Woy -1 4 1 322 te Entonces, el problema completo viene a ser Maximizarz © x, + xq + xy — 2 — Xn — tw — Xo sujetaa Bry, + 45x + 1953 + rt Int mt x = 243 Xt xy + Xy + 2xj2 + Oxy + 10x, + 14xy = 32 yt yt xy 221 tnt mt tat xg 235 OSmq51, k= 123 O0 cuando x, no esté en su cota superior. 8. Resuelva el siguiente problema de programacién como separable convexo. f+ Oey +3} Minimizar z sujeta a x]tmtxisa jx +] 50 15 = 0 x, de signo no restringido 9. Resuelva el siguiente problema de programacién convexa separable convexo. Minimizar z = (%, — 2° + 4x) ~ 6) sujeta a 6x, + Hy + 1)? = 12 xi 20 21.2.2. Programacién cuadratica Un modelo de programacién cuadrética se define como sigue: Maximizar z = CX + X"DX sujetaa AX=b,X=0 en donde XK Op ae a)” C= Crs C5--- Cn) Bb =p, Baye Brn)” Mn A= 3 Bn dy, D= " GRO tan La funci6n X"DX define una forma cuadratica (Seccién A.3). Se supone que la matriz. Des simétrica y negativa definida. Eso quiere decir que z es estrictamente c6ncava, Las res- tricciones son lineales, lo que garantiza que el espacio de soluciones es convexo. La soluci6n de este problema se basa en las condiciones KKT necesarias. Como z es estrictamente c6ncava y el espacio de soluciones es convexo, esas condiciones también son suficientes para tener un éptimo global, como se ve en la tabla 20.2, seccién 20.2.2748 Capitulo 21 __Algoritmos de programacién no lineal Se describiré el problema de programacién cuadritica para el caso de la maximizaci6n. Es trivial cambiar la formulacién para el caso de la minimizacién. El problema se puede plan- tear como sigue: Maximizar z = CX + X’DX co(*)e-(@)=# R= Qa Ravers Red” U = (ay Bases Be)” los multiplicadores de Lagrange correspondientes a los dos conjuntos de restricciones AX ~ b <0y-X <0, respectivamente, Al aplicar las condiciones KKT se obtiene d=0,U=0 Vz — (a1, UWVG(X) = 0 sujeta a Sean a(o - a) =O Pele 2 ox a 0, FA Qern AX sb -X=0 BX) Ahora vz =C + 2x'D Sean $ = b— AX = O las variables de holgura de las restricciones. Las condiciones se reducen a -2X"D +X7A-— UT =C AX+S=b = 5; para toda iy j A, U,X,S20 BX} Como D’ = D, la transpuesta del primer conjunto de ecuaciones se puede escribir en la forma —2DX + ATA — U = CT Por consiguiente, se pueden combinar las condiciones necesarias como sigue: x 2D A’ -1 0\/a]_ (c™ A 0 0 Iu)” \b s21.2. Algoritmos con restricci6n 749 byx) = 0 = AS, paratodaiyj AU,X,S=0 Excepto por las condiciones 1.x, = 0 = 2,S;, las ecuaciones restantes son funciones lineales en X, A, Uy S. Entonces, el problema equivale a resolver un sistema de ecuaciones lineales con las condiciones adicionales wx, = 0 = 2,5, Como z es estrictamente céncava y el espacio de soluciones es convexo, la solucién factible que satisfaga todas esas condiciones debe ser tinica y Optima. La solucién del sistema se obtiene usando la fase I del método de dos fases (Seccién 3.4.2). La tinica restriccin es satisfacer las condiciones XS, a. Esto quiere decir que A, y S;mo pueden ser positivas al mismo tiempo. De igual modo, 1, yx, no pueden ser positi- vvas al mismo tiempo. Es la misma idea que la de la base restringida que se us6 en la seccién 21.2.1. En la fase I se igualardn a cero todas las variables artificiales s6lo si el problema tiene un espacio factible. Ejemplo 21.2-3 Se tiene el problema Maximizar z = 4x, + 6x2 — 2x} — 2xpx, — 233 sujeta a nt+2n 52 X20 Este problema se puede llevar a la forma matricial como sigue: Maximizar z = (4, 4(%) + (ty a3 =e) sujeta a Xm = 0 Las condiciones de Kuhn-Tucker son 4 A_2—f—1- _0__o\ 52 4 24572250 —-1 Of] | =16 > s2:or wai postr Miiy Rien 2750 Capitulo 21 __Algoritmos de programacién no lineal La tabla inicial para la fase I se obtiene introduciendo las variables artificiales R, y R,. En- tonces, Bésica oy RRs Solucién Goin O zslarQhinibeG 10 Ro 4 2 Hoe St Grn 4 R22 4 ee 6 5 tab 1: o 0 1 2 Iteracién 1. Ya que p = 0, la variable de entrada mas prometedora x, se puede hacer bési- acon R, como variable saliente. As{ se obtiene la siguiente tabla: Bisica “ ys Solucién Ty : en eee af el od + oo al mR 0 3 : ee eee s 0 7 i ee! teracién 2, La variable més prometedora es x, y se puede hacer bésica porque 4; = 0. Entonces, Baia on he RR Solin a ee ao ee m1 OO Coe GS oF R00 0) Bal ole xg’stt spoug wegunoideng 0 4 bo Oh 3 Iteracién 3. Como s, = 0, se puede introducir A, en la soluci6n. Se obtiene entonces lo si- guiente: in yy RR 4 Soleion 78 0 0 0 0 - °° an 1 0 0 4 ooo 8 Ay 0 0 1 0 0 } -1 1 icing. \0 papa psodkir A spear cond sipiesg La tltima tabla contiene a solucién éptima para la fase I. Como r= 0, la solucién x; .€s factible. El valor Gptimo de z se calcula a partir del problema original yes igual a4.16.21.2. Algoritmos con restriccién 751 ert FIGURA 21.5 Solucién del problema de programacién cuadritiea, ‘ejemplo 21.2-3, con Excel Para resolver el problema de programacién cuadritica se puede usar Excel Solver. La figura 21.5 muestra la solucién del ejemplo 21.2-3 (véase el archivo ch21SolverQuadratic- Programming.xls). Los datos se ingresan en forma parecida a la que se usa en la programa- cin lineal (véase la secci6n 2.4.2). La diferencia principal esté en la forma en que se escribe Ja funcién no lineal. En forma especifica, en el ejemplo 21.2-3, la funcién objetivo no lineal 2 4x, + 6x = 2x} = Qnyay — 2G se ingresa en la celda objetivo DS como sigue: =A*BLo+e+ci0-2+B10°2-2*BL0+cL0—24c10"2 En consecuencia, las celdas cambiantes B10 y C10 representan a x; y x5. Observe que las cel- ddas BS:CS no se usan en este modelo. Para facilidad de lectura se ingres6 el simbolo NL (no lineal) para indicar que la restricci6n asociada es no lineal. También, el lector puede especifi- car la no negatividad de las variables ya sea en el cuadro de didlogo Opciones 0 affadiendo restricciones explicitas de no negatividad. CONJUNTO DE PROBLEMAS 21.2B 1. Setiene el problema Maximizar z = 6x; + 3x, — 4xyv2 — 2x} ~ 3x3752 Capitulo 21 _Algoritmos de programacién no lineal sujetaa ut msl 2x +354 tym 20 Demuesire que z es estrictamente céncava, y a continuacién resuelva el problema usando e! al- goritmo de programacién cuadratica 2. Se tiene el problema Minimizar z = 2x} + 2x} + 3x3 + Qeyry + eos + x1 — 3% — Sts sujetaa at atyel 3x + 2 + 25 56 My Fa XO Demuesire que z es estrictamente convexa y a continuacién resuélvala con el algoritmo de pro- gramacién cuadrética, 21.2.3: Programacién geométrica La programaci6n geométrica tiene que ver con problemas en los que las funciones objetivo y de restriccién son del siguiente tipo: en donde Se supone que toda c, > 0 y que Nes finita. Los exponentes ay tienen signo no restringido, La funcidn f(X) toma la forma de un polinomio, excepto que los exponentes a, pueden ser nega tivos, Por esta raz6n, y como toda c, > 0, f(X) se llama posinomio. En esta seeci6n se describird el caso de programacién geométrica sin restricciones. El tratamiento del problema con restricciones sale del alcance de este capitulo. Beightler y aso- ciados (1979, capitulo 6) presentan una deseripci6n detallada del tema. ‘Veamos la minimizacién de la funcién posinomial f(X). A este problema se le llamaré primal. Se supone que las variables x, son estrictamente positivas, por lo que la regién x, = 0 €s no factible, Mas adelante se demostrard que el requisito x, > 0 juega una parte esencial en la deduccién de los resultados. La primera derivada parcial de z debe anularse en un punto minimo. Entonces, 421.2. Algoritmos con restriccién 753 Sea z’ el valor minimo de z, Entonces, z’ > 0, porque z es posinomial y cada x, > 0. Definire- mos a Asi,y, > Oy Ziv; de la funcidn objetivo 2". De este modo, las condici sigue: _EL valor de y representa la contribuci6n relativa de U, al valor 6ptimo es necesarias se pueden escribir como x Dow; =0 k= Q..0 A Estas son las Ilamadas condiciones de ortogonalidad y de normalidad, y produciran una so- lucién Gnica para y; sin + 1 = Ny todas las ecuaciones son independientes. El problema se complica més cuando N > n + 1, porque ya los valores de y, no son tinicos. Después se de- ‘mostraré que ain en este caso, la y, Gptima es nica, Dada y,’, se pueden determinar los valores de 2" y x," como sigue: z=@y , o Este paso se justifica porque 2j=1ayy) = 0. El valor de 2" se conoce una vez que todas las y; se hayan determinado, Entonces, dada y," y z", se puede determinar U;" = y,*z. Al resolver en- tonces las siguientes ecuaciones se obtiene 2;"- G= olan, J#1,2 El procedimiento indica que la solucién del posinomio original z se puede transformar en la solucién de un conjunto de ecuaciones lineales en y,, Esas ecuaciones son las condiciones ne- cesarias para un minimo. Se puede demostrar que esas ecuaciones también son suficientes. La ‘demostracidn se puede ver en Beightler y asociados (1979, pg. 333). a ee N754 Capitulo21 _Algoritmos de programacion no lineal En realidad, las variables y, definen las variables duales correspondientes al problema z primal. Para ver esta relacién, considérese el problema primal en la forma = 33) Ahora se define la funci6n dual Como E jy, = Ly y; > 0, entonces wsz Este resultado se basa en la desigualdad aritmético-geométrica de Cauchy, que establece que Una consecuencia inmediata de la desigualdad w = zes la siguiente ecuaci6n: w= max w = min z= 2" Ejemplo 21.2-4 En este ejemplo se examina un problema en el que N = n + 1, de modo que la solucién de las condiciones de ortogonalidad y de normalidad es tnica. Después sigue un ejemplo que ilustra elcasoenel queN > n+ 1. Se tiene el problema Minimizar z = Txyx3! + 3xpx5? + 5xj Este problema se puede escribir en la siguiente forma: aks + XX Minimizar z = Tr}xj!x$ + 3xdehx5? + Sxptehe} + xpche} Entonces, (ey €3 64) = (7, 3, 5, 1) a a2 a3 Oy shail sae ac @ a ay ay}=|-1 1 1 1 ay dy Ay Oy, oF Ts Asf, las condiciones de ortogonalidad y de normalidad se expresan como sigue: 1 0 -3 1\fy\ fo’ -1 1 1 1/fy}_fo 0 -2 1 1ffys]> Jo Leentagns ial Wepron\e21.2 Algoritmos con restriccion 755 Con ellas se llega a la solucién tnica VTRMR=HH (D0) Za()G 2 6 En consecuencia, de la ecuacién U;" = yz", Txyxq! = U, = X15.23) = 7.615 Bxyxy? = Uy = (15.23) = 2.538 Asi, Sxj3xpx3 = Us = 915.23) = 3.173 2xyxes = Uy = 15.23) = 1.904 La solucién de estas ecuaciones es Xj = 1.316, x3 = 1.21, x3 = 12 que es la solucién éptima del problema, Ejemplo 21.2-5 El problema es Minimizar z = Sxyx;! + 2xj!x, + Sxy +34! Las condiciones de ortogonalidad y normalidad se expresan con 1-11. olf) [o' -1. 1 0 -1/7?/=/0 1c AP dame | 4 Como W > n + 1, esas ecuaciones no conducen a y,en forma directa. Al despejar y,,.y2¥.y3 en funcién de y, se obtiene 1 -1 1\[y 0 -1 1 Offyl=| ¥ 1 1 flys) (ty osea 31 = 0.51 — 3y,) Ya = OSL — ys) Ys = Ya El problema dual asociado es veiniore-(ogriay) Casta) Gy)756 Capitulo 21 —_Algoritmos de programacién no lineal Maximizar w equivale a minimizar In w. Sin embargo, esto tiltimo es més facil de manipular. Asi, Inw = O.5(1 ~ 3y,jin10 ~ In(1 — 3y9} + O.5(1 — yond ~ In(l ~ yo} + yan ~ 2Inyd) El valor de y, que maximiza a In w debe ser tinico (porque el problema primal tiene un mini- ‘mo tinico). Entonces, alnw aye Esto, después de simplificar, se transforma en -in(? pe 10) + w(¢ = 3y0'l = 2) = (Hin 10 - Hind + InS) + (1 — 3y,) + Hn(1 — ys) — 2Inys = is yi osea (1 — 3y,.P(1 — VE=HF0= 9) _ 196 yh que da como resultado y," ~ 0.16. En consecuencia, y;" = 0.16, y," = 0.42 yy," = 0.26. El valor de z’ se obti 59252, p2GEP6 = 9,661 Por consiguiente Us = 0.16(9.661) = 1.546 = 5x, U, = 0.169.661) = 0.1546 = La solucién de estas ecuaciones es x," = 0.0309 y x," = 0.647. CONJUNTO DE PROBLEMAS 21.2C 1. Resuelva el siguiente problema con programacién geométrica. Minimizar z = 2xj'x} + xfs? + dx} xy > 0 2. Resuelva el siguiente problema con programacién geométrica. Minimizar 2 = Sxjx3'x4 + xi2xj + 10x} + 2x45? Xn ty > 0 3. Resuelva el siguiente problema con programacién geométrica. Minimizar z = 2x}x3° + 8xj°x) + Bayan xh >O 4. Resuelva el siguiente problema con programacién geométrica. Minimizar 2 = 2x} + 4x2 + xp my >0 a21.2 Algoritmos con restricci6n 757 21.2.4 Programacién estocastica La programacién estocdstica tiene que ver con situaciones en las que algunos o todos los pa- rrimetros del problema son variables aleatorias. Esos casos son tipicos en los problemas de la vida real, donde puede ser dificil determinar con certidumbre los valores de los pardmetros. La idea de la programacién estocéstica es convertr el problema probabilistico en un caso deterministico equivalente. En esta secciGn se explicard la programacién restringida por el azar, que se define como Maximizar z = >) ¢)x) A sujeta a * El nombre “restringido por el azar” se debe a que cada restriccién ocurre con una probabili- dad minima de 1 —0,, 0 iy SO Que se puede escribir como sigue: Sayx)— 6 50 ft Como todas las a, y 6, tienen distribucién normal, 5}-,4x; — 6, también es normal. Esto demuestra que la restriccién por azar se reduce al caso 1, y se maneja en forma similar. Ejemplo 21.2-6 Se tiene el problema restringido por el azar Maximizar z = Sx; + 6x2 + 3x5 sujeta a Payx; + ay, + airy = 8} = 0.95 P(Sx; + x2 + 6x3 = by} = 0.10 My 5 = 0 Se supone que todas las a, son variables aleatorias independientes y normalmente distribui- das, con las siguientes medias y varianzas: Efay} = 1, Elan} var{ay} = 25, var{a;.} 9 , Elars} 16, var{a,s) El pardmetro d, tiene distribucién normal con media 7 y varianza 9. De acuerdo con las tablas de la distribucién normal estindar del apéndice D, K, = Kons © 1.645, Ko, = Koyo © 1.285760 Capitulo 21 Algoritmos de programacién no lineal Las dos restricciones se convierten en forma deterministica a X, + 3x, + 9x3 + 1.645 25xq + 16x} + 4x5 = 8 Sky + x, + 6x = 7 + 1.285(3) = 10.855 Si se hace que y? = 25x] + 16x3 + 4x3 el problema se transforma en Maximizar z = Sx, + 6x, + 3x3 sujetaa x, + 3x + 9x + 1.645y = 8 25x} + 16x + 4g — Pr = 0 Say + ay + Oxy = 10.855 2X Xp XY 20 que se puede resolver con programacién separable. La solucién dptima de este problema no lineal, con Excel, se ve en la figura 21.6 (archivo ch21SolverStochasticProgramming.xls). S6lo el lado izquierdo de la restriccién 2 es no li- neal, y se escribe como sigue en la celda F7: =254B12°2+164c12°2+4*D12°2—-B12°2 FISUEA ELS. =BOIZDABCIZIMDIDZEIPE Solueién del problema de programacién estocdstica, ejemplo 21.2-6,con Excel ‘Stochastic Programming Model TAS 12523451 <= =21.2 Algoritmos con restriccién 761 CONJUNTO DE PROBLEMAS 21.2D 1. Convierta el siguiente problema estocéstico en un modelo determinfstico equivalent. Maximizar z = x, + 2 + Say sujeta a Playx, + 3x + ayxs = 10} = 09 P(x, + Sty + xy = by) = 01 Jy tty 20 Suponga que a, y a, son variables aleatorias independientes y normalmente distribuidas, con promedios E(a,) = 2y E{as} = 5, y varianzas var(a,} = 9 y var(a,)= 16. También su- onga que b, esté normalmente distribuida con media 15 y varianza 25, 2. Se tiene el siguiente modelo de programacién estocéstica: Maximizar z = 2) + x7 + a5 sujeta a Pot + ax3 + asVxy 5 10} = 0.9 Xt 20 Los parimetros a, y a; son variables aleatorias independientes y normalmente distribuidas, ‘con medias 5 y 2, y varianzas 16 y 25, respectivamente. Convierta el problema en la forma (de- terministica) de programacién separable. 21.2.5 Método de combinaciones lineales Este método tiene que ver con el siguiente problema, en el que todas las restricciones son li- neales: Maximizar z = f(X) sujeta a AX =b,X=0 El procedimiento se basa en el método de la pendiente més inclinada (del gradiente) (Seccién 21.1.2). Sin embargo, la direcci6n especificada por el vector gradiente podré no resultar en una soluci6n factible para el problema con restricciones. También, el vector gradiente no ne- cesariamente sera nulo en el punto 6ptimo (restringido). El método de pendiente més inclina- da se puede modificar entonces para manejar el caso con restricciones. ‘Sea X* el punto factible de intento en la iteracién k. La funcién objetivo f(X) se puede desarrollar en la proximidad de X* con la serie de Taylor. Asi se llega a FOR) = OR) + VAIKK = 4) = (70K) — WACK + WAKOX En este procedimiento se necesita determinar un punto factible X = X" tal que f(X) se maxi- mice sujeta a las restricciones (Lineales) del problema. Como f(X*) — Vf(X*)X*es una cons- tante, el problema de determinar X” se reduce a resolver el siguiente programa lineal: Maximizar w(X) = V/(K5X sujeto a AX =b,.X20762 Capitulo 21 Algoritmos de programacién no lineal Dado que w, se construye partiendo del gradiente de f(X) en X*, se puede asegurar una solucién mejorada si, y s6lo si w,(X") > w,(X*). Del desarrollo de Taylor, la condicién no garantiza que f(X") > f(X!) a menos que X° esté en la proximidad de X*. Sin embargo, co- mo w(X’) > w,(X4, debe existir un punto X**! en el segmento de recta Xt, X") tal que f(X**1) > f(X4. El objetivo es determinar X'*!. Se define a Xt = (1 — xt +X = KF 4 (KT XY, O Potrebbero piacerti anche
Identifica elementos proyecto informático INEGI 2003Documento6 pagineIdentifica elementos proyecto informático INEGI 2003Daniel ObregonNessuna valutazione finora Unidad 1 Introduccion A La Interconectividad de RedesDocumento28 pagineUnidad 1 Introduccion A La Interconectividad de RedesDaniel ObregonNessuna valutazione finora Sop U2 A1 DaohDocumento5 pagineSop U2 A1 DaohDaniel ObregonNessuna valutazione finora Apartesdealgoritmos 090803213620 Phpapp01Documento60 pagineApartesdealgoritmos 090803213620 Phpapp01Cchemoo CrazyiNessuna valutazione finora Guia de Uso WikiDocumento17 pagineGuia de Uso WikiCampos E IsraelNessuna valutazione finora La Educacion Prohibida para ESTUDIANTES Del SIGLO XXIDocumento18 pagineLa Educacion Prohibida para ESTUDIANTES Del SIGLO XXIDiego TellezNessuna valutazione finora