Instituto Tecnolgico de Nuevo Len

Ingeniera en Sistemas Computacionales

Investigacin de Operaciones


Unidad 3
PROGRAMACIN NO LINEAL






Alumno: Karina Nohemi Tovar Gonzlez
Nm. de control: 13480056
Fecha de entrega: 09 de mayo de 2014
3.1 Conceptos bsicos de problemas 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 una funcin objetivo a maximizar,
cuando alguna de las restricciones o la funcin objetivo no son lineales.

De la manera general el problema de programacin no lineal consiste en
encontrar:
X=(X1, X2, X3, X4, XN) para
Maximizar f(X), sujeta a
Gi(X)<= bi para i=1,2..m,
Y X=>0,
Donde f(X) y gi(x) son funciones dadas de n variables de decisin.
CONCEPTOS BSICOS DE PROBLEMAS DE PROGRAMACIN NO LINEAL
Programacin no lineal: 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 una funcin objetivo a maximizar,
cuando alguna de las restricciones o la funcin objetivo no son lineales.
Qu es una funcin: una funcin es una cosa que hace algo. La funcin
(objetivo) traza, traduce el dominio de entrada (denominado regin factible) en un
rango de salida con dos valores finales denominados valores mximo y mnimo.
El mtodo Simplex es la solucin algortmica inicial para resolver problemas de
Programacin Lineal (PL). Este es una implementacin eficiente para resolver una
serie de sistemas de ecuaciones lineales. Mediante el uso de una estrategia
ambiciosa mientras se salta desde un vrtice factible hacia el prximo vrtice
adyacente, el algoritmo termina en una solucin ptima.
Un algoritmo es una serie de pasos para cumplir con una tarea determinada.
Regin de Factibilidad Ilimitada: Una solucin ilimitada requiere una regin de
factibilidad cerrada ilimitada. La situacin inversa de este enunciado podra no
ocurrir.
Redundancia Entre las Restricciones: Redundancia significa que algunas de las
restricciones no son necesarias dado que existen otras ms severas.
La teora de la produccin implica el anlisis de un tipo especfico de restriccin
sobre el comportamiento de la empresa, el impuesto por la tecnologa, as como la
investigacin de los procesos de toma de decisiones de la empresa.
La tecnologa es simplemente el medio (o el mtodo) por el cual uno o ms
factores pueden convertirse en produccin(es).
Las funciones de produccin relacionan los factores (frecuentemente
denominados factores de produccin, o simplemente inputs) con la produccin. Se
pueden representar grficamente o matemticamente.
La monotonicidad simplemente significa que si una empresa aumenta el uso de
un factor, obtendr al menos tanta produccin.
La convexidad implica que si tenemos dos combinaciones de factores para
producir una cierta cantidad de produccin, la combinacin de stos producir al
menos tanta produccin.

3.2 Ilustracin grafica de problemas de programacin no lineal.
Cuando un problema de programacin no lineal tiene solo una o dos variables, se
puede representar grficamente de forma muy parecida a algn ejemplo anterior
de programacin lineal. Se vern unos cuantos ejemplos, ya que una
representacin grfica de este tipo proporciona una visin global de las
propiedades de las soluciones ptimas de programacin lineal y no lineal. Con el
fin de hacer hincapi en las diferencias entre programacin lineal y no lineal, se
usaran algunas variaciones no lineales del problema anterior. La figura siguiente
muestra lo que ocurre con este problema si los nicos cambios que se hacen al
modelo mencionado son que la segunda y tercera restricciones funcionales se
sustituyen por la restriccin no lineal 9X21 + 5X22 <=216. Compare las figuras que
se presentan a continuacin. La solucin ptima sigue siendo (X1, X2) = (2,6).
Todava se encuentra sobre la frontera de la regin factible, pero no es una
solucin factible en un vrtice (FEV).
La solucin ptima pudo haber sido una solucin FEV con una funcin objetivo
diferente (verifique Z=3X1 + X2), pero que no necesite serlo no significa que ya no
se puede aprovechar la gran simplificacin utilizada en programacin lineal que
permite limitar la bsqueda de una solucin ptima para las soluciones FEV.
Ahora suponga que las restricciones lineales d la seccin anterior se conserva sin
cambio, pero que la funcin objetivo se hace no lineal. Por ejemplo si:



Entonces la representacin grfica en la anterior indica que la solucin ptima es
X1=8/3, X2=5, que de nuevo se encuentra en la frontera de la regin factible. (El
valor ptimo de Z es Z=857, as en la figura anterior muestra el hecho de que el
lugar geomtrico de todos los puntos para los que z=857 tiene en comn con la
regin factible solo este punto, mientras que el lugar geomtrico de los puntos con
Z ms grandes no toca la regin factible en ningn punto.) Por otro lado, si:


Entonces la siguiente figura ilustra que la solucin ptima es (x1, x2) = (3,3), que
se encuentra dentro de la frontera de la regin factible. (se puede comprobar que
esta solucin ptima si se usa clculo para derivarla como un mximo global no
restringido; como tambin satisface las restricciones, debe ser ptima para el
problema restringido.) Por tanto, es necesario que:








Un algoritmo general para resolver problemas de este tipo tome en cuenta todas
las soluciones en la regin factible, y no solo aquellas que estn sobre la frontera.
Otra complicacin que surge en programacin no lineal es que un mximo local no
necesariamente es un mximo global (la solucin ptima global). Por ejemplo,
considera la funcin de una sola variable graficada en siguiente figura.
En el intervalo 0<=X<=5, esta funcin tiene tres mximos locales X=0, x=2, x=4
pero solo uno de estos X=4es un mximo global. (De igual manera, existen
mnimos locales en X=1, 3, 5, pero solo X=5 es un mnimo global).

En general, los algoritmos de programacin no lineal no pueden distinguir entre un
mximo local y un mximo global (excepto si encuentran otro mximo local mejor),
por lo que es determinante conocer las condiciones bajo las que se garantiza que
un mximo local es u mximo global en la regin factible. Recuerde que en
clculo, cuando se maximiza una funcin ordinaria (doblemente diferenciable) de
una sola variable f(X) sin restricciones, esta garanta est dada cuando:



Una funcin de este tipo cuya curvatura siempre es hacia abajo(o que no tiene
curvatura) se llama funcin cncava. De igual manera si se sustituye <= por =>, de
manera que la funcin tiene siempre una curvatura hacia arriba (o no tiene
curvatura), se llama funcin convexa (As, una funcin lineal es tanto cncava
como convexa). En la figura posterior se pueden ver ejemplos de estos. Note que
la primera figura ilustra una funcin que no es cncava, ni convexa, pues alterna
sus curvaturas hacia abajo y hacia arriba.
Las funciones de variables mltiples tambin se pueden caracterizar como
cncavas o convexas si su curvatura es siempre hacia abajo o hacia arriba.
La siguiente es una forma conveniente de verificar esto para una funcin de ms
de dos variables cuando la funcin consiste en una suma de funciones ms
pequeas cada una de solo





Una o dos variables. Si cada funcin ms pequea es cncava, entonces la
funcin completa es cncava. De similar, la funcin es convexa si cada funcin
ms pequea es convexa. Para ilustrar esto considere la funcin:



Que la suma de las dos funciones ms pequeas dadas en los parntesis
cuadrados. La primera funcin ms pequea 4X1- X12 es una funcin de la
variable X1 nada ms, por lo que puede verse que es cncava si se observa que
su segunda derivada es negativa. La segunda funcin ms pequea (X2 - X3)2
es una funcin de X2 y X3, por lo que se puede aplicar la prueba para funciones
de dos variables.

Si un problema de programacin no lineal no tiene restricciones, el hecho de que
la funcin objetivo sea cncava garantiza que un mximo local es un mximo
global. (De igual manera, una funcin objetivo convexa asegura que un mnimo
local es un mnimo global). Si existen restricciones, entonces se necesita una
condicin ms para dar esta garanta, a saber, que la regin factible sea un
conjunto convexo. Un conjunto convexo es sencillamente un conjunto de puntos
tales que, para cada par de puntos de la coleccin, el segmento de recta que los
une est totalmente contenido en la coleccin. La regin factible para cualquier
otro problema de programacin lineal es un conjunto convexo.

En general la regin factible para un problema de programacin no lineal es un
conjunto convexo siempre que todas las funciones g1(X) [para las restricciones
g1(X)<=b1] sean convexas. Para el ejemplo de la siguiente figura, las dos g1(X)
son convexas, ya que g1(X)=X1 (una funcin lineal es automticamente cncava o
convexa) y g2(X)=9X12 como 5X22 son funciones convexas, por lo que su suma
es una funcin convexa). Estas dos funciones convexas g1(X) conducen a que la
regin factible de la figura sea un conjunto convexo.

Ahora se analizara que pasa cuando solo una de estas funciones g1(X) es una
funcin cncava. En particular, suponga que el nico cambio que se hace al
ejemplo de la figura es:

Que su restriccin no lineal se sustituye por 8X1 + 14X2 X22 <=49. Por lo tanto,
la nueva g2(X)=8X1 X12 + 14X2 X22 es una funcin cncava ya que tanto 8X1
X12 como 14X2 X22 son funciones cncavas. La nueva regin factible
mostrada en la figura anterior no es un conjunto convexo. Por qu? porque
contiene pares de puntos, como (0,7) y (4,3), tales que parte del segmento de
recta que los une no est en la regin factible. En consecuencia no se puede
garantizar que un mximo local sea un mximo global. De hecho este ejemplo
tiene dos mximos locales (0,7) y (4,3), pero solo (0,7) es un mximo global.


3.3 Tipos de problemas de programacin no lineal

Optimizacin no restringida.
Los problemas de optimizacin no restringida no tienen restricciones, por lo que la
funcin objetivo es sencillamente

Maximizar f(X)

Sobre todos los valores X=(X1, X2,., XN). Segn la condicin necesaria para
que una solucin especfica X=X* sea ptima cuando f(X) es una funcin
diferenciable es:
f = 0 en X=X*, para j=1,2,, n.

Cuando f(X) es cncava, esta condicin tambin es suficiente, con lo que la
obtencin de X* se reduce a resolver el sistema de las n ecuaciones obtenidas al
establecer las n derivadas parciales iguales a cero. Por desgracia cuando se trata
de funciones no lineales f(x), estas ecuaciones suelen ser no lineales tambin, en
cuyo caso es poco probable que se pueda obtener una solucin analtica
simultnea.

Qu se puede hacer en este caso?
Cuando una variable Xj tiene una restriccin de no negatividad, xj=>0, la condicin
necesaria (y tal vez) suficiente anterior cambia ligeramente a

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