Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
PROGRAMACIÓN NO LINEAL
PROGRAMACIÓN NO LINEAL
INVESTIGACIÓN
POR
LUIS ERNESTO FRANCO MADRID – 201342794
MARÍA FERNANDA MURCIA VIVAR – 201344209
CHRISTIAN JOSUÉ PACHECO DE LA CRUZ – 201342376
LUIS ROLANDO GONZÁLEZ ALVARADO – 201340381
CARLOS ALBERTO CORDÓN ORTÍZ – 201340368
WENS SALVADOR CHACÓN FERNÁNDEZ – 200040328
ÍNDICE .................................................................................................................... ii
INTRODUCCIÓN .................................................................................................... 1
OBJETIVOS............................................................................................................ 2
CAPÍTULO I
PROGRAMACIÓN NO LINEAL (PNL)
CONCLUSIONES ................................................................................................. 21
ii
INTRODUCCIÓN
General
Específicos
Año Acontecimiento
Grandes matemáticos, como Newton, Leibnitz, Bernoulli y, sobre
siglos XVII todo, Lagrange, que tanto habían contribuido al desarrollo del
y XVIII cálculo infinitesimal, se ocuparon de obtener máximos y mínimos
condicionados de determinadas funciones.
Posteriormente, el matemático francés Jean Baptiste-Joseph
(1768- Fourier fue el primero en intuir, aunque de forma imprecisa, los
1830) métodos de lo que actualmente se llaman programación lineal y la
potencialidad que de ellos se deriva.
Si se exceptuara al matemático Gaspar Monge, quien en 1 776 se
interesó por problemas de este género, se debe remontar al año
1939 para encontrar nuevos estudios relacionados con los métodos
de la actual programación lineal. En ese año, el matemático ruso
1746-1818 Leonid Vitalevich Kantorovitch publica una extensa monografía
titulada Métodos matemáticos de organización y planificación de la
producción en la que por primera vez se hace corresponder a una
extensa gama de problemas una teoría matemática precisa y bien
definida, llamada hoy en día programación lineal.
4
Año Acontecimiento
Joseph Fourier anticipa la programación lineal. Carl Friedrich Gauss
1826
resuelve ecuaciones lineales por eliminación "gaussiana".
Gyula Farkas concibe un método para resolver sistemas de
1902
inecuaciones.
Se formula por primera vez el problema de transporte, estudiado
independientemente por Koopmans y por Kantorovitch, razón por la
1941-1942
cual se suele conocer con el nombre de problema de Koopmans-
Kantorovftch.
George Dantzig publica el algoritmo simplex y
John von Neumann desarrolló la teoría de la dualidad.
1947
Se sabe que Leonid Kantoróvich también formuló la teoría en forma
independiente.
Otro matemático ruso, Leonid Khachiyan, diseñó el llamado
1979 Algoritmo del elipsoide, a través del cual demostró que el problema
de la programación lineal
Narendra Karmarkar introduce el método del punto interior para
1984
resolver problemas de programación lineal.
Henry L. Gantt con la planeación de la producción (diagramas de
1989
Gantt); y Ford W. Harris con modelos para el cálculo de lotes
económicos y control de inventarios.
Los modelos de optimización que describen los problemas de la vida real son
generalmente no lineales y pertenecen al área de la optimización no lineal. En teoría
de investigación de operaciones se utiliza el término programación no lineal para
referirse a esta clase de problemas.
maximizar f (x),
sujeta a
x ≥ 0,
Entre las más importantes dificultades que se tienen en todos los casos, se pueden
mencionar las siguientes:
matemático, sino en la herramienta financiera que nos puede brindar como soporte
para la toma de decisiones en cualquier organización.
Cuando un problema de PNL tiene solo una o dos variables, se puede representar
en forma gráfica. Si las funciones no son lineales, se dibujaran curvas en lugar de
rectas, por lo que función objetivo y región factible dejaran de tener el aspecto que
adquieren en la PL. La solución no tiene por qué estar en un vértice de la región
factible, ni siquiera tiene porque encontrarse en la frontera de esta. Por lo que la
desaparece ahora la gran simplificación que se utiliza en PL, que permite limitar la
búsqueda de solución óptima a las soluciones en los vértices. Además en PNL un
máximo local no es necesariamente un máximo global y en general, los algoritmos
de PNL no pueden distinguir cuando se encuentra en un óptimo local o en uno
global. Por tanto, es crucial conocer las condiciones en las que se garantiza que un
máximo local es un máximo global en la región factible.
Igual que con la PL, se puede usar la geometría de dos dimensiones para captar
mejor este problema. Por ejemplo, se realiza el análisis gráfico para resolver este
problema específico:
Observe que todo en este modelo es lineal, excepto la primera restricción. Se dice
que un modelo no es lineal cuando por lo menos una de las funciones de restricción
o la función objetivo, o ambas, es no lineal. Por tanto, es apropiado decir que el
modelo anterior es una programación no lineal (PNL). En la siguiente figura se
puede observar este problema de manera gráfica.
10
La región factible. A fin de usar el método gráfico para resolver este problema, se
procederá de la misma manera como en la programación lineal. Trazar primero el
conjunto de puntos que satisfacen simultáneamente todas las restricciones. Igual
que en el caso de la PL, esta serie de puntos se llama el conjunto restringido o la
región factible. Este conjunto representa las decisiones permisibles. Para encontrar
una decisión permitida que maximice la función objetivo, se busca el contorno “más
ascendente” (o sea, el de mayor valor) que todavía toque algún punto del conjunto
restringido. Ese punto de contacto será una solución óptima (que con frecuencia se
llama simplemente solución) del problema.
Óptimos que no están en vértice. Otro ejemplo de PNL aparece en la figura que
se presenta a continuación, que muestra un modelo hipotético de maximización
11
restringida con desigualdad no lineal. En esta figura, todas las restricciones son
lineales y, por tanto, su conjunto es un poliedro. Sin embargo, la función objetivo es
no lineal y, una vez más, se ve que la solución no se presenta en un vértice. De
hecho, la solución para algunas funciones objetivo no lineales puede no estar ni
siquiera en el límite de la región factible. Por supuesto, podría aparecer una solución
en un vértice, pero lo importante es que esto no representa una propiedad
garantizada, como en el modelo lineal.
f(x) debe ser cóncava y cada gi(x) debe ser convexa. Un problema de este tipo se
llama problema de programación convexa y es una de las clases más importantes
de la PNL.
s.a. 𝑥1 + 𝑥2 = R
𝑠 𝑠 𝑠
Max 𝑥11 + 𝑥22 + 𝑥33
s.a. 𝑝1 𝑥1 + 𝑝2 𝑥2 + 𝑝3 𝑥3 = R
a) Optimización no restringida
Maximizar 𝑓(𝑥)
sobre todos los valores de x = (𝑥1, 𝑥2… , 𝑥𝑛 ). La condición necesaria para que una
Cuando una variable 𝑥𝑗, tiene una restricción de no negatividad, 𝑥𝑗, ≥ 0, la condición
para cada 𝑗 de este tipo. Esta condición se ilustra en la siguiente figura, donde la
solución óptima de un problema con una sola variable es x = 0 aun cuando la
derivada ahí es negativa y no cero. Como este ejemplo tiene una función cóncava
para maximizar sujeta a una restricción de no negatividad, que su derivada sea
menor o igual a 0 en x = 0, es una condición necesaria y suficiente para que x = 0
sea óptima.
15
c) Programación cuadrática
de dos variables. Se han desarrollado muchos algoritmos para manejar este caso,
con el supuesto adicional de que 𝑓(𝑥) es cóncava. La programación cuadrática es
muy importante, en parte porque las formulaciones de este tipo surgen de manera
natural en muchas aplicaciones. Por ejemplo, la selección de una cartera con
inversiones riesgosas, se ajusta a este formato. Sin embargo, otra razón por la que
es importante es que al resolver problemas generales de optimización restringida
linealmente se puede obtener la solución de una sucesión de aproximaciones de
programación cuadrática.
d) Programación convexa
La programación 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 función cóncava que debe maximizarse. Los supuestos son:
𝑓(𝑥) es cóncava.
Cada una de las 𝑔𝑖 (𝑥) es convexa.
Estos supuestos son suficientes para asegurar que un máximo local es un máximo
global. (Si, por el contrario, el objetivo fuera minimizar 𝑓(𝑥), sujeta ya sea a 𝑔𝑖 (𝑥) ≤
𝑏𝑖 o a –𝑔𝑖 (𝑥) ≥ 𝑏𝑖 para 𝑖 = 1, 2, . . ., 𝑚, el primer supuesto cambiaría a que 𝑓(𝑥) debe
ser una función convexa, puesto que es lo que se requiere para asegurar que un
mínimo local sea un mínimo global.)
e) Programación separable
Una función separable es una función en la que cada término incluye una sola
variable, por lo que la función se puede separar en una suma de funciones de
variables individuales. Por ejemplo, si 𝑓(𝑥) es una función separable, se puede
expresar como
17
𝑓(𝑥) = ∑ 𝑓𝑗 (𝑥𝑗 )
𝑗=1
donde 𝑓1 (𝑥1 ) = 126𝑥1 − 9𝑥12 𝑦 𝑓2 (𝑥2 ) = 182𝑥2 − 13𝑥22 son cada una funciones de
una sola variable 𝑥1 y 𝑥2 , respectivamente. Es importante distinguir estos
problemas de otros de programación convexa, pues cualquier problema de
programación separable se puede aproximar muy de cerca mediante uno de
programación lineal y, entonces, se puede aplicar el eficiente método símplex.
18
f) Programación no convexa
g) Programación geométrica
𝑔(𝑥) = ∑ 𝑐𝑖 𝑃𝑖 (𝑥),
𝑖=1
Donde
𝑎 𝑎 𝑎
𝑃𝑖 (𝑥) = 𝑥1 𝑖1 𝑥2 𝑖2 ... 𝑥𝑛 𝑖𝑛 , para 𝑖 = 1,2, . . . , 𝑁.
En tales casos, 𝑐𝑖 y 𝑎𝑖𝑗 con frecuencia representan las constantes físicas, mientras
que las 𝑥𝑗 son las variables de diseño. Estas funciones por lo general no son ni
𝑥𝑗 = 𝑒 𝑦𝑗 para 𝑗 = 1,2, . . . , 𝑛.
h) Programación fraccional
Suponga que la función objetivo se encuentra en la forma de una fracción, esto es,
la razón o cociente de dos funciones,
𝑓1 (𝑥)
Maximizar 𝑓(𝑥) =
𝑓2 (𝑥)
𝑐𝑥 + 𝑐0
𝑓(𝑥) = ,
𝑑𝑥 + 𝑑0
20
También suponga que las funciones de restricción 𝑔𝑖 (𝑥) son lineales, es decir, las
restricciones en forma matricial son Ax ≤ b y x ≥ 0.
𝑥 1
𝑦= y 𝑦= ,
𝑑𝑥+𝑑0 𝑑𝑥+𝑑0
Maximizar 𝑍 = 𝑐𝑦 + 𝑐0 𝑡,
Sujeta a
𝐴𝑦 − 𝑏𝑡 ≤ 0,
𝑑𝑦 + 𝑑0 𝑡 = 1,
𝑦 ≥ 0, 𝑡 ≥ 0,
Eppen, G.D.; Gould, F.J.; Schmidt, C.P.; Moore, Jeffrey H. y Weatherford, Larry R.
Investigación de operaciones en la ciencia administrativa. México : Prentice-
Hall, 5a. edición, 2000.