PROLOGO

La programacin no lineal se ocupa del problema de optimizar una funcin objetivo

con h. presencia de restricciones tipo de igualdad y/o desigualdad. Si todas las
funciones son lineales tenemos un programa lineal de lo contrario, el programa es
no lineal y su resolucin es el problema de estudio en esta tesis. La popularidad de
la programacin lineal puede atribuirse a muchos factores, incluyendo su habilidad
para modelar problemas grandes y complejos, as como la de su resolucin en un
intervalo razonable de tiempo mediante el uso del mtodo Simplex. Ms
recientemente del mtodo de Karmarkar. Y de las computadoras, por parte de los
usuarios.
Sin embargo muchos problemas reales no pueden ser adecuadamente
representados o aproximados como un programa lineal debido a la naturaleza de la
no linealidad de la funcin objetivo y/o la no linealidad de cualquiera de las
restricciones.
Los esfuerzos por resolver tales problemas no lineales en forma eficiente
provocaron) un rpido progreso durante las pasadas tres dcadas.

2
 INDICE

INTRODUCCION.. 4

4.0 PROGRAMACION NO LINEAL. 5

4.1 CONCEPTOS BASICOS DE PROGRAMACION NO LINEAL. 8

4.2 ALGORITMOS UNERVASALES SIN RESTRICCIONES. 11

4.3 ALGORITMO CON RESTRICCIONES. 13

3
 INTRODUCCIN

La programacin no lineal forma parte de la investigacin de operaciones y tambin,

como la programacin lineal, tiene como finalidad proporcionar los elementos para
encontrar los puntos ptimos para una funcin objetivo. En este planteamiento, tanto
la funcin objetivo como las restricciones son no lineales.
Se presenta un problema de programacin no lineal cuando tanto la funcin objetivo
que debe optimizarse, como las restricciones del problema, o ambas, tienen forma
de ecuaciones diferenciales no lineales, es decir, corresponden a ecuaciones cuyas
variables tienen un exponente mayor que 1.
El campo de aplicacin de la programacin no lineal es muy amplio, sin embargo,
hasta la fecha los investigadores de esta rama del conocimiento no han desarrollado
un mtodo sistemtico que sea prctico para su estudio. La programacin no lineal
tambin es conocida con el nombre de programacin cuadrtica, en virtud de que
la mayor parte de los problemas que resultan contienen ecuaciones cuadrticas o
de segundo grado.
Muchas veces se presentan casos en que se deben maximizar funciones no lineales
que presentan restricciones lineales; esto es posible resolverlo, siempre y cuando
se admita la hiptesis de que la utilidad marginal no es constante, en este caso, la
funcin objetivo deja de ser lineal.
Las ventajas ms importantes de la programacin no lineal son dos:
1. En algunas ocasiones la distribucin ptima del presupuesto excluye cualquiera
de los bienes considerados en el presupuesto general; esta situacin se refleja en
cualquiera de las restricciones del modelo.
2. La programacin no lineal aporta mayor informacin que la contenida en el
anlisis marginal. No slo define el objetivo, sino que tambin seala la orientacin
especfica para lograr el objetivo.

4
 UNIDAD lV
INTRODUCCIN A LA PROGRAMACIN NO LINEAL

Como respuesta a dos de las crticas ms frecuentes de la PL, a saber, la

restrictividad de la hiptesis de linealidad y la dificultad de definir una nica funcin
objetivo, surge la Programacin no lineal (PNL) y la Teora de la decisin
Multicriterio (que no abordaremos en este captulo). Efectivamente, un supuesto
importante en PL es que todas sus funciones (objetivo y restricciones) son lineales.
Aunque, en esencia, este supuesto se cumple en el caso de muchos problemas
prcticos, con frecuencia no es as. Por lo que es necesario abordarlo desde la
Programacin No Lineal (PNL).
De manera general, un problema de PNL consiste en encontrar x = (x1, x2, . . . , xn)
tal que
Existen muchos tipos de problemas de PNL, en funcin de las caractersticas de
estas funciones, por lo que se emplean varios algoritmos para resolver los distintos
tipos. Para ciertos casos donde las funciones tienen formas sencillas, los problemas
pueden resolverse de manera relativamente eficiente. En algunos otros casos,
incluso la solucin de pequeos problemas representa un verdadero reto.
Cuando un problema de PNL tiene solo una o dos variables, se puede representar
en forma grfica. Si las funciones no son lineales, dibujaremos curvas en lugar de
rectas, por lo que funcin objetivo y regin factible dejaran de tener el aspecto que
adquieren en la PL. La solucin no tiene por qu estar en un vrtice de la regin
factible, ni siquiera tiene porque encontrarse en la frontera de esta. Por lo que la
desaparece ahora la gran simplificacin que se utiliza en PL, que permite limitar la
bsqueda de solucin optima a las soluciones en los vrtices.
Adems en PNL un mximo local no es necesariamente un mximo global y en
general, los algoritmos de PNL no pueden distinguir cuando se encuentra en un
optimo local o en uno global. Por tanto, es crucial conocer las condiciones en las
que se garantiza que un mximo local es un mximo global en la regin factible.
Recuerde que en Anlisis Maten tico, cuando se maximiza una funcin ordinaria
(doblemente diferenciable) de una sola variable f(x) sin restricciones, esta garanta
est dada cuando

5
Sea una funcin de una sola variable f(x) y consideremos cada par de valores de
x, x y x
Se dice que es una funcin convexa (o cncava hacia arriba) si se cumple
f (x + (1 ) x ) f(x ) + (1 ) f(x ), (0, 1).
Se dice que es una funcin estrictamente convexa si se cumple
f (x + (1 ) x ) < f(x ) + (1 ) f(x ), (0, 1).
Se dice que es una funcin cncava (o cncava hacia abajo) si se cumple
f (x + (1 ) x ) f(x ) + (1 ) f(x ), (0, 1).
Se dice que es una funcin estrictamente cncava si se cumple
f (x + (1 ) x ) > f(x ) + (1 ) f(x ), (0, 1).

6
Obsrvese que x + (1 ) x es el segmento que une los dos puntos x y x , por
lo que en una funcin cncava hacia arriba (convexa) el segmento queda por
encima de la funcin, mientras que en una funcin cncava hacia abajo (cncava)
el segmento queda por debajo. Por ejemplo, f(x) = x 2 es convexa, f(x) = x 2 es
cncava, f(x) = x es simultneamente cncava y convexa, f(x) = x 3 no es ni
cncava ni convexa. En la Figura 2.2 observamos grficamente los diferentes
casos de funciones segn su concavidad.

El determinante de orden k como el determinante que se obtiene de la matriz

hessiana al considerar las primeras k filas y k columnas, es decir:

7
 4.1 CONCEPTOS BASICOS DE PROGRAMACION NO LINEAL

Programacin no lineal
Se considera-como tal al conjunto de mtodos utilizados para optimizar una
funcin objetivo, sujeta a una serie de restricciones en los que una o ms de las
variables incluidas es no lineal.
Como ejemplo considere el siguiente problema de programacin no lineal
Minimizar f(x)
Sujeta a g(x) < 0 i - 1, 2 m
h(x)- 0 j = 1,2 1
donde f. gj. g-, gm. hb h2,...., h, son funciones definidas en L. el espacio
euclidiano
de n dimensiones. X es un subconjunto de Ln. y x es un vector de componentes x,.
x2,...,xn.
El problema anterior puede ser resuelto para los valores de las variables
x|,x2,...,xn que satisfacen las restricciones y que minimicen la funcin f.
La funcin f es llamada usualmente la funcin objetivo o la funcin criterio. Cada
una de las restricciones para i 1.2 m es llamada restriccin de desigualdad y cada
una de las restricciones h-Jx) para j-l,2,...,l es llamada restriccin de igualdad. Un
vector x que satisface todas las restricciones es llamado una solucin factible al
problema.
La coleccin de todas las posibles soluciones forman la regin factible. El problema
de programacin no lineal es encontrar un punto factible x tal que f(x) >f(X) para
cada punto factible a*. Un punto tal x es llamado una solucin ptima o simplemente
una solucin al problema. Si existe ms de un punto ptimo, estos son referidos
como soluciones alternativas ptimas.
Asimismo, un problema de programacin no lineal puede expresarse como un
problema de maximizacin y las restricciones de desigualdad pueden estar escritas
en la forma g/x) >0 para i = 1.2,...,m. En el caso especial cuando la funcin objetivo
es lineal y cuando todas las restricciones, incluyendo al conjunto .V. puede ser
representado por desigualdades lineales y/o ecuaciones lineales, el problema
anterior es llamado un problema lineal.

8
Lo anterior indica que la programacin lineal es un caso particular de la
programacin no lineal. Por tal motivo, los problemas no lineales son mucho ms
difciles de resolver que los de programacin lineal. Haciendo un anlisis de las
caractersticas de los problemas lineales y no lineales tenemos la siguiente
comparacin entre ambos problemas.

Programacin lineal
1. La solucin ptima se encuentra en un punto extremo de la regin de
factibilidad
2. El punto ptimo nunca est dentro de la regin de factibilidad
3. Sus mtodos de optimizacin generan ptimos absolutos globales
4. La regin de factibilidad es un conjunto convexo
5. Sus funciones objetivo y restricciones son lineales

Programacin no lineal
1. No siempre la solucin ptima se encuentra en un punto extremo de la regin
de factibilidad
2. Hay casos donde el puni ptimo esla en el interior de la regin factible
3. Generalmente se encuentra un ptimo local relativo, mas no el ptimo
global absoluto
4. Se pueden generar regiones de factibilidad que no son necesariamente
convexas.
5. La funcin objetivo, las restricciones ambas pueden ser no lineales.

Por otra parte existen algunas condiciones o postulados que se cumplen para los
dos modelos, los de programacin lineal y los de programacin no lineal:
1. Al aumentar (disminuir) el lado derecho de una restriccin < o > se relaja la
restriccin. Esta no puede contraer y si puede expandir al conjunto factible
2 Aumentar (disminuir) el lado derecho de una restriccin estrecha la restriccin.
Esto no puede expandir pero si contraer el conjunto no restringido
3. Una restriccin no puede perjudicar, sino quiz ayudar, al valor ptimo de la
funcin objetivo
4. Estrechar una restriccin no puede ayudar, sino quiz perjudicar, al \alnr ptimo
de la funcin objetivo.

9
La programacin Lineal es un tema importante en investigacin de operaciones,
donde todas sus funciones (las de objetivo y restriccin) son lineales. Esto se
cumple en muchos casos pero a veces es necesario manejar problemas de
programacin no lineal. De manera general la programacin no lineal Consiste en
encontrar
x= (x1, x2, x3,..,xn) para: Maximizar f(x)
Sujeta a: g(x)b,,, para i = 1,2,.,m
y
x0
Donde f(x) y g(x)
Son funciones dadas de n variables de decisin. Existen tipos diferentes de
problemas de programacin no lineal, lo cual depende de las caractersticas de
las funciones f(x) y g(x). Se emplean varios algoritmos para los diferentes tipos de
problemas. Para ciertos tipos donde las funciones tienen formas simples, los
problemas pueden resolverse de manera relativamente eficiente. En algunos tipos
incluso la solucin de pequeos problemas representa un gran reto.
Los problemas de programacin no lineal se presentan en muchos formas distintas,
al contrario del mtodo simplex para programacin lineal no se dispones de un
algoritmo que resuelva todos estos tipos especiales de problemas. Se han
desarrollado algoritmos para algunas clases de problemas de programacin no
lineal

10
 4.2 ALGORITMOS UNIVERSALES SIN RESTRICCIONES
Uno de los principales campos de la programacin no lineal es el de la optimizacin
no restringida u optimizacin libre, que trata el problema de minimizar o maximizar
una funcin en ausencia de cualquier restriccin. Existen mtodos de bsqueda del
valor ptimo de una funcin f(x) que pueden ser aplicados para funciones de una
varias variables, usando derivadas o sin usar derivadas.
A continuacin analizaremos algunos de los mtodos de bsqueda que existen para
resolver problemas de programacin no lineal no restringidos, despus de presentar
algunos conceptos fundamentales.
Mtodos de optimizacin de funciones unimodales de una sola variable en
problemas no restringidos
Definicin: Se dice que una funcin de una sola variable es unimodal. Cuando tiene
un solo punto mnimo o mximo.
Si f(x) es estrictamente unimodal, entonces (para el caso de maximizacin).
Para x (< x2 < x* entonces f(x,) < f(x2) < f(x*)
y x* < x3 < X1 entonces f(x*) > f(x3) > f(x4)
Siendo x* el valor que optimiza la funcin f(x). Es decir f(x) x_ con x, < x2. existen
tres posibilidades a analizar para efectuar la eliminacin. Por ejemplo para el caso
de maximizacin.
a) Si f (X1) > f(x2) entonces x* < x2
b) Si f (X1) < f(x2) entonces X1< x*
c) Si f(x1) = f(x2) entonces x1< x* < x2

Suponiendo que se requieren hacer k evaluaciones de una funcin f(x), que es

estrictamente unimodal, sean x0 y xn los extremos izquierdo y derecho del intervalo
de bsqueda, respectivamente, sea xp el mejor punto obtenido y sean x, y xr los
puntos a la izquierda y derecha de xp, respectivamente. Obviamente el punto ptimo
x* debe encontrarse en el intervalo x, < x* < xr. La distancia xr - x, se denomina
intervalo de incertidumbre.

Una medida de la efectividad de los mtodos de bsqueda de puntos ptimos en

funciones unimodales de una sola variable es la siguiente:
E= X1-X1
Xn Xp

11
Bsqueda en un intervalo con derivadas Mtodo de bsqueda de Fibonacci El
mtodo de Fibonacci es un mtodo de bsqueda en un intervalo para minimizar
una funcin estrictamente cuasi-convexa.
Este mtodo es bastante eficiente para aproximar, bajo cierta tolerancia de error,
un punto mnimo o mximo en funciones unimodales de una sola variable. Este
mtodo tiene la ventaja de que, como no utiliza derivadas, puede calcular puntos
ptimos en funciones no diferenciales. Este mtodo supone que se conoce un
rango inicial de bsqueda.
Procedimiento
1.- Con el porcentaje de aproximacin requerido, se determina el valor de Fn, que
deber de utilizarse.
2 - Con el intervalo de bsqueda dado inicial, a < x* < b, se define el valor inicial L.
Lo - b - a
3.- Con la expresin
4.- Se procede a calcular los valores de xh x2> x,- a + A h x2= b - A, y se procede
a evaluar f(x,) y f(x2).
Optimizacin no restringida: problema sin restricciones, es decir, el problema se
reduce a max f(x).
Si f(x) es diferenciable, la condicin necesaria para que x = x sea optima es
f |x =x= 0, j = 1, 2,..., n
xj.
La condicin suficiente es que f(x) sea cncava.
Ejemplos de los problemas que se aplica la programacin NO Lineal:
Problema de transporte con descuentos por cantidad: El precio unitario de
transporte entre un origen y un destino es decreciente en funcin de la cantidad a
transportar.
Problema de flujo de cargas en un sistema elctrico: Las prdidas son no lineales
Problema de produccin con elasticidad en el precio y/o en el coste: Consideremos
que los precios unitarios disminuyen cuando vendemos un nmero importante de
productos, esto nos indica que la renta marginal disminuye cuando aumentan las
ventas. Es el caso de reducir el precio de venta a partir de cierta cantidad vendida:
cuando llevo vendido una cantidad importante le reduzco el precio de venta.
Extremos de la funcin: Los valores donde alcanza el mximo o el mnimo se llaman
extremos de la funcin.

12
 4.3 ALGORITMO CON RESTRICCIONES

Optimizacin restringida linealmente: si todas las funciones de restricciones son

lineales pero la funcin objetivo es no lineal. Se han desarrollado extensiones del
mtodo simplex. Un caso particular, con m = 0 es aquel en que hay variables no
negativas.
Consideremos el caso de maximizar una funcin diferenciable de una variable
cncava (f (x ) < 0) no sujeta a ninguna restriccin. Recordemos el resultado de
Anlisis Matemtico que nos dice que x es mximo global si y solo si
df(x ) = 0.

dx

Si se puede despejar x de modo directo, el problema llega a su fin; pero si f(x) no

es una funcin sencilla y su derivada no es una funcin lineal o cuadrtica, tal vez
sea imposible resolver la ecuacin analtica. De ser as, existe una cantidad de
procedimientos de bsqueda para resolver el problema en forma numrica.
El enfoque con cualquiera de estos procedimientos de bsqueda implica encontrar
una serie de ensayos de solucin que conduzcan hacia una solucin optima. En
cada iteracin se comienza con la solucin de prueba actual para llevar a cabo una
bsqueda sistemtica, que culmina con la identificacin de una nueva solucin de
prueba mejorada. El procedimiento continuo hasta que la solucin de prueba haya
convergido hacia una solucin optima, en caso de que exista una. Como el
conocido procedimiento intuitivo y directo Mtodo de Biseccin para resolver.
f (x) = 0,

El problema general de programacin no lineal con restricciones se define como

sigue:
Maximizar (o minimizar) z = f(X)
sujeta a g(X) 0
Las condiciones X 0 de no negatividad forman parte de las restricciones. Tambin,
al menos una de las funciones f(X) y g(X) es no lineal, y todas las funciones son
continuamente diferenciables.

13
 No existe algoritmo general para manejar modelos no lineales, por el
comportamiento complicado de las funciones no lineales. Quiz el resultado ms
general aplicable al problema es el de las condiciones KKT. La tabla 2 de la seccin
correspondiente, muestra que a menos que f(X) y g(X) tengan buen comportamiento
(condiciones de convexidad y concavidad), las condiciones KKT solo son
necesarias (pero no suficientes) para alcanzar la optimalidad.
En esta seccin se presentan varios algoritmos que se pueden clasificar en general
como mtodos indirectos y directos. Con los mtodos indirectos se resuelve el
problema no lineal manejando uno o ms programas lineales derivados del
programa original. Los mtodos directos manejan el problema en su forma original.
Son varios los mtodos indirectos, pero solo veremos la programacin cuadrtica.
Entre los mtodos directos est el de combinaciones lineales, y presentaremos una
breve descripcin de la tcnica de maximizacin secuencial sin restricciones.

Programacin cuadrtica

Un modelo de programacin cuadrtica se define como sigue:

Maximizar z = CX + XTDX
Sujeta a AX b, X 0

En donde X = (x1, x2, . . . , xn) T

C = (c1, c2, . . . , cn)
b = (b1, b2, . . . , bm) T
A = a11 . . . a1n
am1 . . . Amn
D = d11 . . . d1n

14
La funcin XTDX define una forma cuadrtica. Se supone que la matriz D es
simtrica y negativa definida. Eso quiere decir que z es estrictamente cncava. Las
restricciones son lineales, lo que garantiza que el espacio de soluciones es convexo.
La solucin de este problema se basa en las condiciones KKT necesarias. Como z
es estrictamente cncava y el espacio de soluciones es convexo, esas condiciones
tambin son suficientes para tener un optimo global, como se ve en la tabla 2, de
la seccin correspondiente.
Se describir a el problema de programacin cuadrtica para el caso de la
maximizacin. Es trivial cambiar la formulacin para el caso de la minimizacin. El
problema se puede plantear como sigue:
En la optimizacin matemtica, la optimizacin con restricciones es el proceso
de optimizacin de una funcin objetivo con respecto a algunas variables
con restricciones en las mismas.
La funcin objetivo es, o bien una funcin de coste o funcin de energa que debe
ser minimizada, o una funcin de recompensa o funcin de utilidad, que ha de ser
maximizado.
Las restricciones pueden ser tanto restricciones duras que establecen condiciones
para las variables que se requieren para estar satisfecha, o restricciones blandas
que tienen algunos valores de las variables que estn penalizados en la funcin
objetivo si, y basados en la medida en que, las condiciones en las variables no son
satisfecho.

Restricciones de igualdad
Si el problema restringido slo tiene restricciones de igualdad, el mtodo de los
multiplicadores de Lagrange puede ser utilizado para convertirlo en un problema sin
restricciones cuyo nmero de variables es el nmero original de las variables ms
el nmero original de restricciones de igualdad.
Alternativamente, si las restricciones son todas las restricciones de igualdad y son
lineales, que se pueden resolver para algunas de las variables en trminos de los
otros, y la antigua pueden ser sustituidos de la funcin objetivo, dejando un
problema sin restricciones en un nmero menor de variables.

15