PROGRAMACIN

LINEAL Y NO LINEAL

Lilivet Ubiera
Wander Prez
Maxwell Quezada

DEFINICIN DE
PROGRAMACIN LINEAL
Un modelo deProgramacin Lineal (PL)considera que las
variables de decisin tienen un comportamiento lineal, tanto en la
funcin objetivo como restricciones del problema con la finalidad
de optimizar la funcin. Los mtodos ms recurridos para resolver
problemas de programacin lineal sonalgoritmos de pivote, en
particular losalgoritmos simplex.

DEFINICIN DE
PROGRAMACIN NO LINEAL
Programacin
no
lineal(PNL)
es
el
proceso de resolucin
de
un
sistema
de
igualdades
y
desigualdades sujetas a
un
conjunto
de
restricciones sobre un
conjunto de variables
reales
desconocidas,
con un funcin objetivo
a
maximizar
(o
minimizar),
cuando

DIFERENCIAS ENTRE PL Y
PNL

DIFERENCIAS ENTRE PL Y
PNL

EJEMPLO 1. PLANTEAMIENTO
DE PROBLEMA PARA PL Y
PNL
Planteamiento en programacin no lineal.

PLANTEAMIENTO EN
PROGRAMACIN NO LINEAL.

EJEMPLO 1. PLANTEAMIENTO
DE PROBLEMA PARA PL Y
PNL
Planteamiento en programacin lineal.

PLANTEAMIENTO EN
PROGRAMACIN LINEAL
tiene que para el primer mes de produccin, cada unidad de
Se
frigorfico tuvo un costo de 150 USD, para el segundo mes 180
USD, y para el tercer mes 130 USD. Entonces el costo de
produccin en estos tres meses ser igual:

Por tanto:
Min
Las restricciones se mantienen igual:

CARACTERSTICAS DE LA
PROGRAMACIN NO LINEAL
CON RESTRICCIONES

x Rn Espacio de bsqueda

S= En general S=Rn (sin ningn tipo de restriccin)

Si la funcin objetivo es cncava se garantiza que un
mximo local es un mximo global.
una funcin objetivo convexa asegura que un mnimo local
es un mnimo global.

CARACTERSTICAS DE LA
PROGRAMACIN NO LINEAL
SIN RESTRICCIONES

hi (x) = 0, i=1,2,,m
gi (x) 0, i=1,2,,r
Son funciones no lineales de las incgnitas: x=[x1,,xn].
para garantizar que un mximo local sea un mximo global
en un problema de PNL con restricciones g1(x) b1, g2(x)
b2, . . . , gm(x) bm y x 0, la funcin objetivo f(x) debe
ser concava y cada gi(x) debe ser convexa una funcin
objetivo convexa asegura que un mnimo local es un
mnimo global.

EJEMPLO 2: PLN SIN

RESTRICCIONES

EJEMPLO 3: PLN CON

RESTRICCIONES

ALGORITMOS PARA PNL

Entre los principales algoritmos para Programacion No Lineal,
destacamos los siguientes:
MAP (Method of Approximating Programming): Consiste en
aproximar cada funcin no lineal del problema por medio de una
funcin lineal y resolver el problema correspondiente. Tiene como
limitante que las aproximaciones lineales solo son validas localmente
(es decir, alrededor del punto al que se han hecho las
aproximaciones).

RG
(Reduced Gradient): Estos algoritmos se basan en el gradient reducido de
la funcin objetivo. Para un problema:
Sujeto a:
Donde f es una funcion continua diferenciable, A es una matriz m*n, b es el
vector de orden m y mn
La idea central de los mtodos del gradient reducido consiste en eliminar las
variables basicas, sustituyendo su formulacion en la funcion objetivo, y efectuar
una optimizacion (PSR) de dicha funcion a base de las variables independientes.
(Ver Metodo).
GRG y GRG2: Son metodos basados en el de gradient reducido, los cuales
introducen mejoras en las los cambios de base, y en que los valores de las
variables dependientes se obtienen a base de resolver un sistema de ecuaciones
no-lineales (metodo Quasi Newton).

EJEMPLO DE GRG

Aplicando el metodo en MatLAB, se obtiene:

X1= 0.95456

X2=1.0434
-0.04408

X3=

REFERENCIAS
BIBLIOGRFICAS Y
WEBGRFICAS
http://www.programacionlineal.net/programacion_lineal.html
http://www.ugr.es/~proman/IO1Grado/PDF/Tema_8.pdf
https://people.rit.edu/pnveme/EMEM820n/Mod6_Numerical/mod6_cont
ent/mod6_sec3_GRG.html
http://neos-guide.org/content/reduced-gradient-methods
http://www.ehu.eus/mae/html/prof/Maria_archivos/plnlapuntes.pdf
https://es.scribd.com/doc/246170935/26318-26242-1-PB-pdf
Tcnicas de optimizacin en ingeniera. Mster en Tecnologas de la
Informacin y las Telecomunicaciones Curso 2006-2007 Profesora: M
Pilar Jarabo Amores