Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Optimización no lineal
Introducción a la programación no lineal
Abril de 2017
Optimización no lineal
Contenido de la exposición
Modelos no lineales
Un modelo de programación matemática no lineal usualmente
tiene la siguiente estructura
Minimizar f (X)
Sujeto a:
gi (X) ≤ 0, i = 1, 2 . . . , m
(1)
hi (X) = 0, i = 1, 2 . . . , l
X∈X
donde f , g1 . . . , gm , h1 , . . . , hl son funciones definidas sobre Rn , X
es un subconjunto de Rn y X es un vector de n componentes. El
problema debe resolverse para los valores de X que satisfacen las
restricciones mientras minimizan la función f .
Optimización no lineal
Ejemplos de programación no lineal
Lanzamiento de un cohete
d 2 y (t)
m + mg = u(t), t ∈ [0, T ]
dt 2
donde dydt(t) es la aceleración al tiempo t, y g es la desaceleración debido
a la gravedad. Suponga que la máxima fuerza de empuje que podrı́a
aplicarse en cualquier tiempo no debe exceder el valor de b. El objetivo
es minimizar la energı́a usada para que el cohete alcance la altura ȳ en el
tiempo T . El problema es:
Optimización no lineal
Ejemplos de programación no lineal
Lanzamiento de un cohete
RT dy (t) 0
Minimizar 0
| u(t) | dt dt
Sujeto a:
d 2 y (t)
m dt 2 + mg = u(t), t ∈ [0, T ]
|u(t)| ≤ b
y (T ) = ȳ
donde y (0) =. Note que el modelo contiene una ecuación diferencial de
segundo orden.
Optimización no lineal
Ejemplos de programación no lineal
dy (t)
| | ≤ b1
dt
Además, se debe reducir la aspereza de la carretera, la tasa de cambio de
la pendiente no debe exceder el valor b2 , es decir
d 2 y (t)
| | ≤ b2
dt 2
se deben observar además las condiciones y (0) = a y y (T ) = b.
Optimización no lineal
Ejemplos de programación no lineal
Sujeto a:
| dydt(t) | ≤ b1 , t ∈ [0, T ],
2
| d dty (t)
2 | ≤ b2 , t ∈ [0, T ],
y (0) = a
y (T ) = b
Aquı́, la variable de control está dada por u(t) = y (t) − c(t).
Optimización no lineal
Ejemplos de programación no lineal
q1 = 150 − 2p1 − p2
q2 = 200 − p1 − 3p2
donde pj es el precio del producto en usd j y qj es la demanda del
producto j (en miles de unidades). Note que el modelo relaciona los
precios de ambos productos entre sı́. Determine el precio que debe tener
cada producto a fin de maximizar los ingresos totales de ambos.
El modelo pedido es:
Un fabricante estima que las ventas anuales (en unidades) son una
función de los gastos hechos en publicidad por radio y tv. La función que
especifica la relación es
La función convexa
Sea f : S → R1 donde S es un conjunto no vacı́o de Rn . Se dice que la
función f es convexa si
Función convexa
f f
Optimización no restringida
1
f (X) = f (X∗ )+∇f (X∗ )t (X−X∗ )+ (X−X∗ )t H(X)(X−X∗ )+α (X∗ , (X−X∗ ))
2
(4)
para cada X ∈ S , donde limX→X∗ α (X∗ , (X − X∗ ) = 0
Optimización no restringida
2 2 2
∂ f (X) ∂ f (X) ∂ f (X)
∂X21 ∂X1 ∂X2 ... ∂X1 ∂Xn
∂ 2 f (X) ∂ 2 f (X) ∂ 2 f (X)
∂X2 ∂X1 ∂X22
... ∂X2 ∂Xn
H(X) =
... ... ... ...
∂ 2 f (X) ∂ 2 f (X) ∂ 2 f (X)
∂Xn ∂X1 ∂Xn ∂X1 ... ∂X2n
Optimización no restringida
Optimización restringida
Considere el problema de optimización restringida dado por
Optimización restringida
Considere el problema
2x1 + x2 = 4
Aquı́
Optimización restringida
estos valores son candidatos a valores extremos. La condición de
suficiencia se obtiene a partir de la matriz Hessiana acotada dada por
∂g (X) ∂g (X) ∂g (X)
0 ∂X1 ∂X2 ... ∂Xn
∂g (X) ∂L ∂L ∂L
∂X1 ∂X1 X1 ∂X1 X2 ... ∂X1 Xn
HB (X) =
∂g (X) ∂L ∂L ∂L
∂X2 ∂X2 X1 ∂X2 X2 ... ∂X2 Xn
... ... ... ... ...
∂g (X) ∂L ∂L ∂L
∂Xn ∂Xn X1 ∂Xn X2 ... ∂Xn Xn
Optimización restringida
Con relación a la función ∇ L(X∗ ) = 25 − x12 − x22 − λ(2x1 + x2 − 4), y
para X∗ = (1.6, 0.8) con λ = −1.6, se tiene que
0 2 1
HB (X∗ ) = 2 −2 0 , |HB (X∗ )| = 10 > 0
1 0 −2
Por lo que la función dada alcanza un máximo relativo en el punto dado.
En general se deben evaluar los determinantes de las submatrices
acotadas dadas por
∂g (X) ∂g (X)
0 ∂X1 ∂X2
∗ ∂g (X) ∂L ∂L
HB2 (X ) = ∂X1
∂X1 X1 ∂X1 X2
∂g (X) ∂L ∂L
∂X2 ∂X2 X1 ∂X2 X2
Optimización no lineal
Optimización restringida: Multiplicadores de Lagrange
Optimización restringida
y ası́ sucesivamente.
Optimización no lineal
Optimización restringida: Multiplicadores de Lagrange
Optimización restringida
1 ∇L(f (X∗ ), λ∗ ) = 0
2 Evaluar HB3 (X∗ ). Si |HB1 (X∗ )| > 0, |HB2 (X∗ )| < 0, |HB3 (X∗ )| > 0
entonces existe un máximo relativo en X∗
3 Si |HB1 (X∗ )| < 0, |HB2 (X∗ )| < 0, |HB3 (X∗ )| < 0 entonces existe un
mı́nimo relativo en X∗
Optimización restringida
Consideremos el siguiente problema general:
Min f (X)
Sujeto a
gi (X) ≤ 0, i = 1 . . . , m
hj (X) = 0, j = 1 . . . , l
Las condiciones necesarias para la existencia de un mı́nimo local son
m
X l
X
λ+ µi + |vj | > 0 (11)
i=1 i=1
m
X l
X
λ + ∇f (X∗ ) + µi ∇f (X∗ ) + vj ∇hj (X∗ ) = 0 (12)
i=1 i=1
∗
µi gi (X ) = 0, i = 1, 2, . . . , m (13)
Optimización no lineal
Optimización restringida: Condiciones KKT
Optimización restringida
µi gi (X∗ ) = 0, i = 1, 2, . . . , m (15)
Optimización no lineal
Optimización restringida: Condiciones KKT
Optimización restringida
A manera de ejemplo
Sujeto a:
5 − x1 − x2 = 0, x1 + 0.2x2 − 3 ≤ 0
Se forma la función
Optimización restringida
∂L ∂L
= 5 − x1 − x2 = 0, = x1 + 0.2x2 − 3 = 0
∂λ ∂µ
µ (x1 + 0.2x2 − 3) = 0, µ ≥ 0