Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
1. Optimizacin no restringida.
2. Optimizacin restringida linealmente.
3. Programacin cuadrtica.
4. Programacin convexa.
5. Programacin separable.
6. Programacin no convexa.
7. Programacin geomtrica.
8. Programacin fraccional.
Los puntos de inflexin son aquellos puntos en donde la curva cambia su direccin
con respecto al eje dependiente.
Se dice que el punto de inflexin mximo es cuando el valor, en un tramo de estudio
de la curva, llega al punto con mayor valor en relacin con la variable dependiente.
Asimismo, el punto de inflexin mnimo es cuando el valor de la variable
dependiente se encuentra en el su menor valor.
La programacin convexa abarca una amplia clase de problemas, entre los cuales,
como casos especiales, se puede mencionar todos los tipos anteriores cuando f (x)
es una funcin cncava que debe maximizarse. Los supuestos son:
1. f (x) es cncava.
2. Cada una de las gi(x) es convexa.
Programacin separable.
() = ( )
=1
Programacin no convexa.
La programacin no convexa incluye todos los problemas de programacin no
lineal que no satisfacen los supuestos 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 cuenta con un algoritmo que
garantice encontrar una solucin ptima para todos estos problemas; sin
embargo, 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 supuso para programacin convexa.
Programacin geomtrica.
() = (),
=1
Donde
() = 11 22
= , = 1,2,
Programacin fraccional.
Suponga que la funcin objetivo se encuentra en la forma de una fraccin, esto es,
la razn o cociente de dos funciones,
1 ()
() =
2 ()
Problema de complementariedad.
= 0
Aqu, w y z son vectores columna, F es una funcin dada con valores vectoriales y
el superndice T denota la transpuesta El problema no tiene funcin objetivo, de
manera que, desde un punto de vista tcnico, no es un problema de programacin
no lineal completo
Mnimos
El nivel mnimo de las existencias se establece al nivel ms bajo posible, pero
incluyen un margen de seguridad para prevenir que se agoten.
Mximo y mnimos
Este mtodo de mximo y
mnimos utiliza la requisicin que
representa la cantidad que se supone es ms conveniente por comprar.
Entonces el punto mximo del inventario se fijar como la suma del mnimo real ms
la cantidad de la requisicin solicitada
El mnimo real ser entonces el punto mnimo, por el cual no se permitir que se
disminuya las materias primas antes de que se efectu un nuevo pedido
Las variables de decisin del problema son:
x : el nmero aplicaciones web producidas
y : el de sistemas informticos
Optimizar la variable.
Funcin objetivo
Z=f(x,y)=200x2 + 250y2 funcin Al analizar el problema anterior, sabiendo
que se cuenta con una funcin objetivo cuadrtica y con restricciones lineales, el
mtodo a emplear seria de programacin no lineal cuadrtica con restricciones
lineales.
Programacin Cuadrtica
Un problema de Programacin Cuadrtica es aqul que contiene una funcin
objetivo cuadrtica y restricciones lineales:
min () = +
=1 =1 =1
Sujeto a:
. = 1..
=1
En notacin matricial:
min () = +
Sujeto a:
. 1 () = 0
2 () = 0
Condiciones de Kuhn-Tucker
() = + ( + )
() = [ ]
() =
Si la funcin objetivo es convexa, es decir la matriz Q es una matriz cuadrada y
definida positiva, y las restricciones son lineales, las condiciones de Kuhn-Tucker
son necesarias y suficientes para encontrar el ptimo de la funcion.En este
caso nuestra funcin es convexa.
https://www.google.com.mx/search?q=200x%5E2+%2B+250y%5E2&source=lnms
&sa=X&ved=0ahUKEwj2vuDlnoLWAhXPZiYKHSshAAgQ_AUICSgA&biw=1366&bi
h=662&dpr=1
objetivo con variables al cuadrado
Restricciones lineales.
+ 3 28
2 + 2 38
0; 0
Solucin Grfica:
Intersecciones de restricciones con ejes:
Restriccin 1: X + Y 28
X=0 Y=0
0+Y = 28 X+0 = 28
Y = 28 X = 28
Restriccin 2: X2 + Y2 38
X2 = 0 Y2 = 0
0*2+Y2 = 38 X2+Y*0 = 38
Y2 = 38 X2 = 38
Y = 19 X = 19
Con la grfica vemos que las restricciones son representadas por una curva
convexa, por lo que la funcin objetivo es cncava, como lo habamos mencionado.
Tabla matricial
X1 X2 H1 H2 Solucin
H1 0 0 1 0 28
H2 2 2 0 1 38
Z -200 -250 0 0 0
Z = 4750 X1 = 0 X2 = 19
Z = 200x + 250y Z = (200*0) + (250*19)
Z = 0 + 4750 Z = 4750
6. Utiliza un programa (los que seleccionaste en la unidad 2 o un programa de hoja
de clculo) donde puedas introducir datos del modelo y te ayude a calcularlo.
Funcion Objetivo: X2 Y2
Valor: 14.50000002 4.5 Ingresos
Factores: 200 250 4,025.00 $
Funcion Objetivo: X2 Y2
Valor: 1 1 Ingresos
Factores: 200 250 450.00 $
Y vemos que para hora extra por unidad y y una hora ms de trabajo pagara 450.
Una vez obtenidos los datos colocamos nuestra funcin objetivo con sus
restricciones.
Funcin objetivo: Z = 200x 2 + 250y2
Restricciones: X + Y <= 28 aplicaciones y sistemas no mayores a 28 unidades disponibles
X2 + Y2 <= 38 aplicaciones y sistemas no mayores a 38 horas de trabajo disponibles
X, Y >= 0 Siempre mayor a cero
Despus colocamos los datos en Excel para usar el solver.
Solucin:
aplicaciones sistemas
Variables: X Y
Valor: 3.807886555 2.12132034
Funcion Objetivo: X2 Y2
Valor: 14.50000002 4.5 Ingresos
Factores: 200 250 4,025.00 $
1. Reflexin
La importancia dada en este ejercicio nos muestra que podemos usar estos
mtodos de programacin no lineal precisamente para calcular cunto podemos
cobrar por un proyecto ya sea para ganar ms dinero o ahorrar tiempo, para mi es
lo ms importante en cuanto se refiere al mbito de desarrollo de software.
2. Referencias