1- Introducción

REPASO:

• Problemas de Optimización: son problemas de

asignación óptima de recursos limitados, para
cumplir un objetivo dado que representa la meta del
decisor. Los recursos pueden corresponder a personas,
materiales, dinero, etc. Entre todas las asignaciones de
recursos admisibles, se quiere encontrar la/s que
maximiza/n o minimiza/n alguna cantidad numérica
tal como ganancias o costos, etc.

• Modelo de Optimización Matemática: es una

representación matemática de una cierta “realidad” y
consiste en una función objetivo y un conjunto de
restricciones en la forma de un sistema de ecuaciones
o inecuaciones.
3
Proceso de optimización-modelado
• Aplicaciones: Los problemas de optimización son muy
comunes en el modelado matemático de sistemas reales
en un amplio rango de aplicaciones: economía,
finanzas, química, astronomía, física, medicina,
computación, ...

• Proceso de optimización y modelado: requiere de varios

pasos: descripción del problema, elaboración y emisión
de una solución, control y actualización de la solución si
hay cambio de parámetros o de la estructura misma del
problema.
 Problema de decisión

Etapa de análisis
Modelado matemático

Etapa de control
No Implementación
Validado?

Si

No Etapa de diseño
Implementación Interpretación de la solución

Verificado? Si
 Componentes de problemas de optimización
• Función objetivo:la mayoría de los problemas de
optimización tienen una función objetivo pero hay casos de
varias funciones objetivo (programación multiobjetivo) o
incluso puede no tener función objetivo (interesan
soluciones factibles solamente)
• Entradas controlables son las variables de decisión, cuyos
valores afectan la función objetivo y restricciones.
• Entradas no controlables (parámetros), se fijan a priori y
dependen del problema particular, a veces se requiere un
análisis de sensibilidad o uno paramétrico frente a
variaciones de los mismos.
• Restricciones: son relaciones entre parámetros y variables
de decisión. Restricciones “duras” o esenciales y “débiles”
• Limitaciones de los modelos: información incompleta,
simplificaciones y errores numéricos, tecnología
limitada.

• Problemas de toma de decisiones se pueden clasificar

en dos categorías:
– Modelos determinísticos: no se considera el riesgo,
hipótesis de información completa.
– Modelos probabilísticos: información incompleta,
resultados probabilísticos

• Clasificación problemas optimización y complejidad:

– Según el tipo de variables: contínua, discreta, binaria,
mixta
– Según el tipo de funciónes objetivo y restricciones:
lineal , no lineal, cuadrática, convexa, no convexa,
diferenciable, no diferenciable
• Métodos de resolución:
– Optimización global y local
– exactos (global), heurísticas (local)
– Simplex, métodos de punto interior, gradiente proyectado, etc

• Programación lineal (PL): aborda una clase de problemas de

programación donde tanto la función objetivo a optimizar
como todas las relaciones entre las variables correspondientes
a los recursos son lineales.
• Hoy en día, esta técnica se aplica con éxito para resolver
problemas de presupuestos de capital, diseño de dietas,
conservación de recursos, juegos de estrategias, predicción de
crecimiento económico, sistemas de transporte,etc.
• En este curso se presentarán técnicas para resolución de
problemas de PL contínua y discreta
UN POCO DE HISTORIA ...

1. Siglo XVIII: En 1762, Lagrange resuelve problemas de

optimización con restricciones de igualdad.

2. Siglo XIX: En 1820, Gauss resuelve sistemas de ecuaciones

lineales por el método conocido como “eliminación Gaussiana”.
En 1866 Wilhelm Jordan mejora esta técnica y elabora el método
conocido como “Gauss-Jordan“.

3. Siglo XX:
– En 1945, aparece la computación digital
– En 1947, Dantzig inventa el método Simplex.
– En 1968, Fiacco and McCormick introducen los métodos de
Punto Interior.
– En 1984, Karmarkar aplica los métodos de Punto Interior para
resolver Programas Lineales aportanto un análisis innovador.
 SIMPLEX
• Hacia 1945, Dantzig desarrolló el método
SIMPLEX para resolver el problemas de
programación lineal (PL)
• Es un método eficiente, el más utilizado hasta el
momento
• NO es un algoritmo de complejidad polinomial. En
el peor caso, es un algoritmo de complejidad
exponencial con el número de variables del
poblema
METODO DEL ELIPSOIDE
• En 1978 Khachian aplicó el método elipsoidal (de Shor,
Yudin y Nemirovskii) para resolver (PL) y encontró una cota
superior polinomial O(n4L) al número de operaciones
aritméticas que realizaba su algoritmo.
• Lamentablemente es un algoritmo pseudo-polinomial ya que
su complejidad depende de L= largo de los datos de entrada.
• La existencia de un algoritmo polinomial cuya complejidad
dependa únicamente de la cantidad de variables y
restricciones es un problema difícil, aún abierto.
• El método causó gran revolución teórica pero
desafortunadamente las implementaciones prácticas no han
sido eficientes.
11
METODO DE KARMARKAR
• En 1984 Karmarkar publicó un algoritmo para resolver (PL)
de complejidad polinomial O(n3.5L) mejorando la
performance alcanzada por Kachian y anunció que era más
eficiente que el SIMPLEX
• Actualente se sabe que este tipo de algoritmos son muy
eficientes en casos de problemas de grandes dimensiones
• El algoritmo de Karmarkar en lugar de recorrer los vértices
del poliedro determinado por S como en el SIMPLEX,
evoluciona desde el interior relativo S0 como en los métodos
de programación no lineal, siendo un método de punto
interior.
• En este curso estudiaremos los llamados “Path-following
methods for linear programming”
12
 Generalidades
Sea el siguiente problema de optimización:
(G) Min f(x) / xF

• DEF: d es una dirección de descenso (o ascenso)

de la función f, diferenciable, en x*F si  0
tal que f(x+ d)<f(x)   (0, 0 )
en el caso de ascenso: f(x+ d)>f(x)

• OBS: Sea f una función diferenciable en x*F

Si f(x).d <0, entonces d es una dirección de
descenso en x*.
 f(x*+d)
f(x*)
F

d
X*

Si   1, f(x  d)  f(x )  f(x ).d  

* * *
Funciones diferenciables:
• Caso optimización sin restricciones
Condición de óptimo local: f ( x )  0
Puntos críticos: X  x / f ( x)  0
Si existe mínimo x  x X
* *

• Caso g(x) = 0 (multiplicadores de Lagrange)

– Condición de óptimo local: gradiente ortogonal al
 
conjunto de soluciones factibles : F  x / g( x)  0
– Puntos críticos: X   x /  f ( x)   . g( x) 

• Caso general g(x)  0 (Kuhn y Tucker)

Sea (P) Min f(x) / gi(x)  0, con i=1...m
x  X
Sea , x un punto interior de X
• Condiciones necesarias de óptimo de Kuhn–Tucker
son:
– x es factible o sea: gi(x)  0,  i=1...m
– igi(x) = 0,  i=1...m
– i 0 ,  i=1...m
– f(x)+  i.gi (x) =0

• Estas condiciones son necesarias para la existencia

de un óptimo, para que resulten también suficientes,
es necesario algunas hipótesis adicionales sobre f y
el conjunto de restricciones
Sean:
(G) Min f(x) / xF
(GL) Min fL(x) / xFL
DEF: GL es una relajación de G si:
1- FL  F
2- fL(x)  f(x) x  F

DEF: relajación Lagrangeana

(P) Min f(x) / g(x)  0 x  X y
(P) Min f(x) + j*gj(x) / xX
P es una relajación Lagrangeana de M
OBS: toda relajación Lagrangeana con 0 de un
problema (P) es una relajación de (P)
• DEF: problema dual
Dados los problemas P y P , se define el dual D de
P como (D) Max () / 0, siendo:
()= Min (f(x) + j*gj(x) )
xX

• Sean d=Max () / 0 y

p=Min f(x) / g(x)  0 x  X

• DEF: gap de dualidad=  = p-d

• NOTA: p d

• Ejemplo