Indice Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones

Optimización lineal

Diego A. Patino

Pontificia Universidad Javeriana

2 de septiembre de 2016

1/ 29
Indice Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones

Introducción

Formulación del problema

Herramientes del análisis convexo

Formas de las restricciones

2/ 29
Indice Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones

• La optimización lineal nace en 1930. Es creada por

economistas con el objetivo de desarrollar métodos para la
distribución apropiada de recursos.
• Durante la segunda guerra mundial, la fuerza aerea de
Estados Unidos buscó procedimientos para la distribución de
recursos, llegando a la programación lineal.
• En 1947 George B. Dantzig con el patrocinio de la fuerza
aerea formulo el problema general de programación lineal y el
método de solución denominado simplex.
• La teorı́a de la dualidad fue desarrollada por Kuhn y Tucker.
• Algunas aplicaciones industriales por Charnes y Cooper.

3/ 29
Indice Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones

Ejemplo motivacional

Ver archivo “demanda.pdf”

4/ 29
Indice Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones

• Varios ejemplos simples de programas lineales: Problema de

Transporte, flujo en la red, etc.
• El problema de optimización lineal en general es:
n
X
mı́n(máx) Z = f (X ) = cj xj
j=1
n
X
s.t. aij xj = bi , i = 1, 2, . . . , q − 1
j=1
Xn
cij xj ≤ di i = q, . . . , m
j=1

q, m ∈ Z+ , 1 ≤ q ≤ m
• Se caracteriza en que todas las funciones que intervienen son
lineales.
• La formulación permite que el problema solo tenga
restricciones de igualdad o desigualdad. 5/ 29
Indice Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones

Caracterı́sticas

• Región factible acotada → el problema siempre tiene solución.

• Optimo de un problema de programación lineal → Es un
óptimo global.
• Si x y y son soluciones óptimas de un problema de
programación lineal, cualquier combinación lineal también es
solución óptima.
Un problema de optimización lineal puede tener: solución única,
múltiples soluciones, soluciones no acotadas, soluciones infactibles.

6/ 29
Indice Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones

Caracterı́sticas

Considere el problema

máx Z = 3x1 + x2
s.t. − x1 + x2 ≤ 2
x1 + x2 ≤ 6
x1 ≤ 3
2x1 − x2 ≤ 4
− x2 ≤ 0
− x1 − x2 ≤ −1
− x1 ≤ 0

7/ 29
Indice Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones

7
x1+x2≤ 2
x1+x2≤ 6
6
2x2−x2≤ 4
−x1−x2≤ −1
5 x1≤ 3
−x1≤ 0
4 −x2 ≤ 0

0
0 1 2 3 4 5 6

8/ 29
Indice Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones

7
x1+x2≤ 2
x1+x2≤ 6
6
2x2−x2≤ 4
−x1−x2≤ −1
5 x1≤ 3
−x1≤ 0
4 −x2 ≤ 0

0
0 1 2 3 4 5 6

9/ 29
Indice Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones

7
x +x ≤ 2
1 2
x1+x2≤ 6
6
2x −x ≤ 4
2 2
−x1−x2≤ −1
5 x1≤ 3
−x ≤ 0
1
4 −x2 ≤ 0

3
Curvas de nivel

0
0 1 2 3 4 5 6
Incremento de Z

10/ 29
Indice Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones

7
x +x ≤ 2
1 2
x1+x2≤ 6
6
2x −x ≤ 4
2 2
−x1−x2≤ −1
5 x1≤ 3
−x ≤ 0
1
4 −x2 ≤ 0

3
Curvas de nivel

0
0 1 2 3 4 5 6
Incremento de Z

El punto óptimo está entonces en (3, 3). LA SOLUCION ES

UNICA. 10/ 29
Indice Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones

Sea las mismas restricciones pero la función objetivo Z = x1 + x2

7
x +x ≤ 2
1 2
x1+x2≤ 6
6
2x −x ≤ 4
2 2
−x1−x2≤ −1
5 x1≤ 3
−x ≤ 0
1
4 −x2 ≤ 0

0
0 1 2 3 4 5 6

11/ 29
Indice Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones

Sea las mismas restricciones pero la función objetivo Z = x1 + x2

7
x +x ≤ 2
1 2
x1+x2≤ 6
6
2x −x ≤ 4
2 2
−x1−x2≤ −1
5 x1≤ 3
−x ≤ 0
1
4 −x2 ≤ 0

0
0 1 2 3 4 5 6

El punto óptimo está sobre la recta x1 + x2 = 6. LA SOLUCION

ES MULTIPLE.
11/ 29
Indice Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones

Repetir el mismo procedimiento con,

máx Z = 3x1 + x2
s.t. − x1 + x2 ≤ 2
− x2 ≤ 0
− x1 − x2 ≤ −1
− x1 ≤ 0

12/ 29
Indice Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones

Repetir el mismo procedimiento con,

máx Z = 3x1 + x2
s.t. − x1 + x2 ≤ 2
− x2 ≤ 0
− x1 − x2 ≤ −1
− x1 ≤ 0

Observese que la solución cuando el problema está acotado

siempre está en uno de los vértices de los poligonos (politopos).
Estos son también los puntos extremos del problema.

12/ 29
Indice Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones

Forma estándar de un programa lineal

Dada la múltiples formas que puede tomar un programa lineal, se
estandariza de la siguiente manera:

mı́n Z = c1 x1 + c2 x2 + . . . + cn xn
s.t. a11 x1 + a12 x2 + . . . + a1n xn = b1
..
.
am1 x1 + am2 x2 + . . . + amn xn = bm
x1 ≥ 0, x2 ≥ 0, . . . , xn ≥ 0

Donde cj , bj y aij , i = 1, . . . , m, j = 1, . . . , n son constantes.

De forma matricial:
mı́n Z = cT X
s.t. AX = b
X ≥0
13/ 29
Indice Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones

Caracterı́sticas
Observese que:
• La función objetivo es del tipo de minimización.
• Todas las restricciones son de igualdad.
• Las variables de decisión son no negativas.
• Ejemplo 1: Lleve a la forma estándar el problema:
mı́n Z = 4x1 − 8x2 + 10x3
s.t. x1 + 3x2 ≤ 2
3x1 + 4x2 − x3 ≥ 3
x1 , x2 ≥ 0
• Ejemplo 2: Lleve a la forma estándar el problema:
máx Z = 4x1 − 8x2 + 10x3
s.t. x1 + 3x2 = 2
3x1 + 4x2 − x3 ≤ 3
x1 + x3 ≥ −1 x1 ≥ 0
14/ 29
Indice Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones

• Antes de resolver un problema de optimización lineal o no

lineal, se debe analizar correctamente el conjunto factible
(campo de soluciones que verifican las restricciones).
• Se debe responder a preguntas como: ¿En que casos la
solución existe?, ¿La solución es única?, etc.
• Los diferentes tipos de restricciones dan lugar a conjuntos de
soluciones factibles diferentes.
• El espacio de restricciones puede ser del tipo “espacio
vectorial”, “espacio afin”, “cónica”, “politópica”, “poliédrica”.

15/ 29
Indice Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones

Tipos de restricciones

Las estructuras de las restricciones son entonces:

P
• Espacio vectorial: Hx = 0, siendo x = i ρi vi , ρi ∈ R.
P
• Espacio afin: Hx = a, x = q + i ρi vi , ρi ∈ R.
P
• Cono poliédrico: Hx ≤ 0, x = j πj wj , πj ≥ 0.
P P
• Politopo: Hx ≤ a, x = k λk qk , λk ≥ 0, k λk = 1.
P P P
• Poliedro: Hx ≤ a, x = i ρi vi + j πj wj + k λk qk , ρi ∈ R,
P
πj ≥ 0, λk ≥ 0, k λk = 1.
Donde vi , wj y qk son las bases de cada uno de los espacio.

16/ 29
Indice Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones

• Las restricciones definen un espacio factible.

• ¿Cuándo un problema de optimización tiene un óptimo global
sin importar si el problema es lineal o no?
60 10

8
50
6

4
40
2

x sin(2 π x)
2
(x−5)

30 0

−2
20
−4

−6
10
−8

0 −10
−4 −2 0 2 4 6 8 10 −4 −2 0 2 4 6 8 10
x x

17/ 29
Indice Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones

• Las restricciones definen un espacio factible.

• ¿Cuándo un problema de optimización tiene un óptimo global
sin importar si el problema es lineal o no?
60 10

8
50
6

4
40
2

x sin(2 π x)
2
(x−5)

30 0

−2
20
−4

−6
10
−8

0 −10
−4 −2 0 2 4 6 8 10 −4 −2 0 2 4 6 8 10
x x

Uno de los requisitos para que un problema de optimización

tenga un óptimo global es que las funciones sean
CONVEXAS. Esta es una de las condiciones suficientes para
obtener un óptimo global.
17/ 29
Indice Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones

Conjuntos convexos
Un conjunto es convexo si cualquier únion de un par de puntos
mediante una lı́nea recta está dentro del conjunto

y y

x x

18/ 29
Indice Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones

Conjuntos convexos
Un conjunto es convexo si cualquier únion de un par de puntos
mediante una lı́nea recta está dentro del conjunto

y y

x x

Un conjunto S ∈ Rn es convexo si y solo si:

λx + (1 − λy ) ∈ S

para todo λ ∈ [0, 1] y x, y ∈ S

18/ 29
Indice Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones

Conjuntos convexos
Un conjunto C ⊆ Rn se dice un cono si para todo x ∈ C , λx ∈ C
para todo escalar λ ∈ R tal que λ ≥ 0. Un cono que también es
convexo se denomina un cono convexo.

• ¿Un hiperplano es un conjunto convexo?

• ¿Un semiespacio es un conjunto convexo?
• ¿La intersección de convexos es otro convexo?
• ¿La suma de dos conjuntos convexos es otro conjunto
convexo?
• ¿En general la combinación lineal de convexos es otro
convexo?

19/ 29
Indice Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones

Conjuntos convexos
Un conjunto C ⊆ Rn se dice un cono si para todo x ∈ C , λx ∈ C
para todo escalar λ ∈ R tal que λ ≥ 0. Un cono que también es
convexo se denomina un cono convexo.

• ¿Un hiperplano es un conjunto convexo?

• ¿Un semiespacio es un conjunto convexo?
• ¿La intersección de convexos es otro convexo?
• ¿La suma de dos conjuntos convexos es otro conjunto
convexo?
• ¿En general la combinación lineal de convexos es otro
convexo?

La respuesta a todos los puntos anteriores es afirmativa. Probar.

19/ 29
Indice Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones

Conjuntos convexos
Un conjunto C ⊆ Rn se dice un cono si para todo x ∈ C , λx ∈ C
para todo escalar λ ∈ R tal que λ ≥ 0. Un cono que también es
convexo se denomina un cono convexo.

• ¿Un hiperplano es un conjunto convexo?

• ¿Un semiespacio es un conjunto convexo?
• ¿La intersección de convexos es otro convexo?
• ¿La suma de dos conjuntos convexos es otro conjunto
convexo?
• ¿En general la combinación lineal de convexos es otro
convexo?

La respuesta a todos los puntos anteriores es afirmativa. Probar.

Pregunta: Las restricciones de un programa lı́neal estándar que

forma tienen? 19/ 29
Indice Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones

Otras definiciones

Sea S un conjunto convexo no vacı́o en Rn . Un vector x ∈ S se

denomina punto extremo de S si x = λx1 + (1 − λ)x2 con
x1 , x2 ∈ S y λ ∈ (0, 1) implica que x = x1 = x2 .

Ejemplo: Obtener los puntos extremos de los conjuntos circulo,

cuadrado y triángulo.

20/ 29
Indice Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones

Teorema (teorema de representación de conjuntos convexos

finitos)
Si un conjunto convexo está acotado y cerrado, cualquiera de sus
puntos puede escribirse como una combinación convexa de sus
puntos extremos.

Ejemplo:
3

2.5
C = {x ∈ R2 |x1 ≤ x2 , x1 ≥ 0, x2 ≥ 0}
2

1.5
Observese que C no es acotado,
2

1
x

0.5 ¿se puede expresar todos los pun-

0

−0.5
tos del conjunto como una com-
−1
−1 −0.5 0 0.5 1
x1
1.5 2 2.5 3
binación convexa del punto extre-
mo?

21/ 29
Indice Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones

Teorema (teorema de representación de conjuntos convexos

finitos)
Si un conjunto convexo está acotado y cerrado, cualquiera de sus
puntos puede escribirse como una combinación convexa de sus
puntos extremos.

Ejemplo:
3

2.5
C = {x ∈ R2 |x1 ≤ x2 , x1 ≥ 0, x2 ≥ 0}
2

1.5
Observese que C no es acotado,
2

1
x

0.5 ¿se puede expresar todos los pun-

0

−0.5
tos del conjunto como una com-
−1
−1 −0.5 0 0.5 1
x1
1.5 2 2.5 3
binación convexa del punto extre-
mo? NO. Que hace falta para que
esto sea posible?

21/ 29
Indice Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones

Conjuntos no acotados

• Sea S un conjunto convexo, cerrado y no vacio en Rn . Se dice

que un vector unidad d es una dirección de S, si para cada
x ∈ S, x + πd ∈ S, para todo π ≥ 0.
• Una dirección d se denomina extrema si no puede expresarse
como una combinación lı́neal positiva de dos direcciones
distintas, i.e., d = π1 d1 + πd2 para π1 , π2 > 0, entonces
d = d1 = d2 .

22/ 29
Indice Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones

Espacios vectoriales

23/ 29
Indice Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones

Espacios vectoriales
Considérese una matriz A y el conjunto de vectores columnas

A = {a1 , . . . , an }

Un vector x se dice que es una combinación lineal de los vectores

columna de A si puede expresarse como:

x = α1 a1 + . . . + αk an

donde αi ∈ R, ∀i . El conjunto:

{x ∈ Rn |x = α1 a1 + . . . + αn an , αi ∈ R, i = 1, . . . n}

es el espacio vectorial generado por A. Si los vectores de A son

linealmente independientes A es una base generadora del espacio
vectorial.

Hx = 0 es un subespacio vectorial?
23/ 29
Indice Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones

Espacios vectoriales
Sea S un subconjunto de Rn . El conjunto S es un subespacio
vectorial de Rn si y solo si existe una matriz H de dimension m × n
tal que
S = {x ∈ Rn |Hx = 0}
Ejemplo 1: La solución general del sistema de ecuaciones

x1 − x2 + 2x3 = 0
x2 + 2x3 = 0

es un subespacio vectorial
   
x1 −4
x2  = α −2 , α ∈ R
x3 1

24/ 29
Indice Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones

Espacios vectoriales

Ejemplo 2: La solución general del sistema de ecuaciones

x1 − x2 − x4 = 0
x1 − x3 + x4 = 0
x2 − x3 + 2x4 = 0

es un subespacio vectorial
     
x1 1 −1
x2  1 −2
  = α1   + α2   α1 , α2 ∈ R
x3  1 0
x4 0 1

25/ 29
Indice Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones

Conos poliédricos convexo

• Se dice que x es una combinación lineal no negativa de los

vectores A = {a1 , . . . , an } sii

x = π1 a 1 + . . . + πn a n

πi ∈ R+ , ∀i .
• Sea A = {a1 , . . . , an } el conjunto de

C = {x ∈ Rn |x = π1 a1 + . . . + πn an , πj ≥ 0, j = 1, . . . , n}

se denomina cono poliédrico convexo.

• ¿ Un cono es un subespacio vectorial?

26/ 29
Indice Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones

Conos poliédricos convexo

Ejemplo: La solución general del sistema de ecuaciones

x1 − x2 − x4 ≤ 0
x1 − x3 + x4 ≤ 0
x2 − x3 + 2x4 ≤ 0
es un cono
         
x1 1 −1 −1 −1
x2  1 −2 −1 0
  = α1   + α2   + π1   + π2  
x3  1 1 0 0
x4 0 0 0 0

α1 , α2 ∈ R, π1 , π2 ∈ R+

27/ 29
Indice Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones

Politopos

• Se dice que x es una combinación lineal convexa de los

vectores A = {a1 , . . . , an } sii

x = λ1 a 1 + . . . + λ n a n

donde λi ∈ R+ y ni=1 λi = 1.
P

• El conjunto
n
( )
X
n
Γ= x ∈ R |x = λ1 a1 + . . . + λn an ; λi = 1
i =1

se denomina politopo o envoltura convexa generada por

{a1 , . . . , an }. Si el conjunto de vectores es el mı́nimo posible,
se trata de los puntos extremos de Γ.

28/ 29
Indice Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones

Politopos

Ejemplo: La solución general del sistema de ecuaciones

−x1 − x2 ≤ 0
x1 − x2 ≤ 1
−x1 + x2 ≤ 0
x1 + x2 ≤ 1

¿Es un politopo?, entonces encontrar su representación como

politopo.

29/ 29