Professional Documents
Culture Documents
Para cada j de este tipo. Esta condicin se ilustra en la figura siguiente, donde la
solucin ptima de un problema con una variable es X=0 aun cuando la derivada
ah es negativa y no cero.
Como este ejemplo tiene una funcin cncava para maximizar sujeta a una
restriccin de no negatividad, el que su derivada sea menor a 0 en X=0, es una
condicin necesaria y suficiente para que x=0 sea ptima.
Un problema que tiene algunas restricciones de no negatividad y que no tiene
restricciones funcionales es un caso especial (m=0) de la siguiente clase de
problemas.
Optimizacin linealmente restringida
Los problemas de optimizacin linealmente restringida se caracterizan por
restricciones que se ajustan por completo a la programacin lineal, de manera que
todas las funciones de restriccin gi(X) son lineales, pero la funcin objetivo es no
lineal. El problema se simplifica mucho si solo se tiene que tomar en cuenta una
funcin no lineal junto con una regin factible de programacin lineal.
Programacin cuadrtica
De nuevo los problemas de programacin cuadrtica tienen restricciones lineales,
pero ahora la funcin objetivo f(x) debe ser cuadrtica. Entonces, la nica
diferencia entre estos y un problema de programacin lineal es que algunos
trminos de la funcin objetivo incluyen el cuadrado de una variable o el producto
de dos variables.
Se han desarrollado muchos algoritmos para este caso, con la suposicin
adicional de que f(X) es cncava. La programacin cuadrtica es muy importante,
en parte porque las formulaciones de este tipo surgen de manera natural en
muchas aplicaciones. Sin embargo, otra razn por la que es importante es que al
resolver problemas generales de optimizacin linealmente restringida se puede
obtener la solucin de una sucesin de aproximaciones de programacin
cuadrtica.
Programacin convexa
La programacin convexa abarca una amplia clase de problemas, entre ellos
como casos especiales, estn los tipos anteriores cuando f(x) es cncava. Las
suposiciones son:
1. F(X) es cncava.
2. Cada una de las gi(X) es convexa.
Programacin separable
La programacin separable es un caso especial de programacin convexa, en
donde las suposiciones adicionales es:
3.- Todas las funciones f(X) y gj(X) son funciones separables.
Una funcin separable es una funcin en la que cada trmino incluye una sola
variable, por lo que la funcin se puede separar en una suma de funciones de
variables individuales. Por ejemplo, si f(X) es una funcin separable, se puede
expresar como:
F(X)= fj (Xj)
En donde cada fj(Xj) incluye solo los trminos con Xj. en la terminologa de
programacin lineal, los problemas de programacin separable satisfacen las
suposiciones de auditividad pero no las de proporcionalidad (para funciones no
lineales). Para ilustrar, la funcin objetivo considerada en la siguiente figura:
F(X1, X2)=126X1 9x21 + 182X2 13X22
Es una funcin separable porque puede ser expresada como:
F(X1, X2)= F(X1) + F(X2)
Donde F1(X1)= 126X1 9x21 y F(X2)= 182X2 13X22 son cada una funciones
de una sola variable x1 y x2, respectivamente. Usando el mismo razonamiento, se
puede verificar que la funcin considerada en la figura siguiente, tambin es una
funcin separable.
Es importante distinguir estos problemas de otros de programacin convexa, pues
cualquier problema de programacin separable se puede aproximar muy de cerca
mediante uno de programacin lineal y, entonces, se puede aplicar el eficiente
mtodo simplex.
Programacin no convexa.
En este caso, aun cuando se tenga xito en encontrar un mximo local, no hay
garanta de que sea tambin un mximo global. Por lo tanto, no se tiene un
algoritmo que garantice encontrar una solucin ptima para todos estos
problemas; pero si existen algunos algoritmos bastantes adecuados para
encontrar mximos locales, en especial cuando las formas de las funciones no
lineales no se desvan demasiado de aquellas que se supusieron para
programacin convexa.
Programacin geomtrica.
Cuando se aplica programacin no lineal a problemas de diseo de ingeniera,
muchas veces la funcin objetivo y las funciones de restriccin toman la forma:
En donde:
Tales casos, las ci y aij representan las constantes fsicas y las xj son las variables
de diseo. Estas funciones por lo general no son ni cncavas ni convexas, por lo
que las tcnicas de programacin convexa no se pueden aplicar directamente a
estos problemas de programacin geomtrica. Sin embargo, existe un caso
importante en el que el problema se puede transformar en un problema de
programacin convexa equivalente. En este caso es aquel en el que todos los
coeficientes c1 en cada funcin son estrictamente positivos, es decir, las funciones
son polinomios positivos generalizados (ahora llamados posinomios), y la funcin
objetivo se tiene que minimizar. El problema equivalente de programacin convexa
con variables de decisin y1, y2,, yn se obtienen entonces al establecer
en todo el modelo original, de modo que ya se puede aplicar un algoritmo de
programacin convexa.
3.4 Optimizacin clsica
3.4.1 Mximos y mnimos y Puntos de inflexin
MAXIMOS Y MINIMOS
Mnimo (fuerte): Un punto extremo X0 de una funcin f(X0) define un mnimo de la
funcin si f(X0+h) > f(X0), donde X0 es cualquier punto de la funcin y h en valor
absoluto es suficientemente pequea.
Mximo (fuerte): Un punto extremo X0 de una funcin f(X0) define un mximo de
la funcin si f(X0+h) < f(X0), donde X0 es cualquier punto de la funcin y h en
valor absoluto es suficientemente pequea.
Una funcin puede contener varios mximos y mnimos, identificados por los
puntos extremos de la funcin. En la figura 1 se puede observar esto, los puntos
x1, x3 y x6 son mximos, de la figura notamos que f(x6) es el mayor que f(x1) y
f(x3), a este punto se le conoce como mximo global de la funcin y a los
restantes como mximos locales. Lo mismo se puede ver para los mnimos, en los
que tambin existe un mnimo global f(x2) y un mnimo local f(x4). Como es de
lgico, solo puede existir un solo global y posiblemente varios locales.
Fig. 1. Representacin de mximos y mnimos en una funcin con una sola
variable [Taha 1991].
Una condicin necesaria pero no suficiente para que X0 sea un punto extremo, es
que para una funcin con ms de una variable, el gradiente f(X0) = 0. Si es
cierto esto entonces X0 ser conocido como punto estacionario.
Una condicin suficiente para que un punto estacionario sea extremo es que la
matriz Hessiana H obtenida en X0 del sistema de ecuaciones sea positiva cuando
X0 es un punto extremo de mnimo. Y negativa cuando X0 es un punto extremo de
mximo.
Un mximo dbil implica un numero finito de mximos alternativos (ver figura 1) y
se define como X0 es un mximo dbil, si f(X0 + h) <= f(X0). Un anlisis similar es
para los mnimos dbiles.
Un punto de inflexin se encuentra cuando la evaluacin del gradiente da cero y
no es un extremo, esto es, se debe de cumplir la condicin de la matriz Hessiana.
Bibliografa:
HAMDY A. TAHA; (2012); Investigacin de operaciones; Editorial Pearson.
Frederick S. Hillier; (2010); Introduccin a la investigacin de operaciones;
Editorial Mc Graw Hill.
http://www.gridmorelos.uaem.mx/~mcruz/maximominimo.PDF
www.itescam.edu.mx/principal/sylabus/fpdb/recursos/r78233.DOCX