Pontificia Universidad Católica

Escuela de Ingeniería
Departamento de Ingeniería Industrial y de Sistemas

Clase 6 • Modelos Equivalentes

ICS 1102 • Optimización

Profesor : Claudio Seebach

Apuntes de Clases • Optimización • Claudio Seebach Introducción al Modelamiento • 35

Motivación: Estación de bomberos

Ejemplo 1 Considere el problema de localizar una estación de bomberos

en una ciudad con el siguiente criterio: que el tiempo máximo de res-
puesta de la bomba a eventos en cinco edificios de asistencia masiva
sea lo más breve posible:
• 2 Hospitales
• 2 Colegios
• 1 Supermercado

Apuntes de Clases • Optimización • Claudio Seebach Introducción al Modelamiento • 36

 Definición: Modelos Equivalentes

• Un problema se puede modelar de varias formas diferentes

• Dos modelos son equivalentes si ambos tienen las mismas
soluciones óptimas o bien si existe una transformación que
permite construir la solución de uno de los modelos a par-
tir de la solución del otro
• Para un mismo problema se busca aquel modelo que facilita su re-
solución.
• Presentaremos siete equivalencias que pueden facilitar la modelación de
muchos problemas.

Apuntes de Clases • Optimización • Claudio Seebach Introducción al Modelamiento • 37

Equivalencia I

P ) max f (x) ∼ P!) min [−f (x)]

x∈D x∈D

" es solución óptima de P ), con valor óptimo v",

x
si y sólo si
" es solución óptima de P!), con v(P!) = −"
x v.

Apuntes de Clases • Optimización • Claudio Seebach Introducción al Modelamiento • 38

 Equivalencia I

Apuntes de Clases • Optimización • Claudio Seebach Introducción al Modelamiento • 39

Ejemplo Equivalencia I

Ejemplo 2 Algunos ejemplos de esta equivalencia son:

Maximizar utilidad ∼ Minimizar pérdida.
Maximizar probabilidad de sano ∼ Minimizar prob. de enfermo.
• Dado un problema de maximización, procedemos a cambiar el signo de
la función de costo, para luego resolver el problema de minimización
equivalente.
• Conocida la solución óptima x∗ y el valor óptimo v(P!), la solución
óptima de P ) es x∗ y el valor óptimo v(P ) = −v(P!).

Apuntes de Clases • Optimización • Claudio Seebach Introducción al Modelamiento • 40

 Equivalencia II

P ) min f (x) ∼ P!) min µ

x x,µ

sujeto a sujeto a
x ∈ D ⊂ Rn f (x) ≤ µ
x ∈ D ⊂ Rn
µ∈R

Apuntes de Clases • Optimización • Claudio Seebach Introducción al Modelamiento • 41

Equivalencia II

!
P ) min f (x) ∼ P!) min µ
x x,µ

sujeto a sujeto a
x ∈ D ⊂ Rn f (x) = µ
x ∈ D ⊂ Rn
µ∈R

!
• El nuevo dominio de P!) o P!) es: D
! = D × R ⊂ Rn+1,
•x
" es solución óptima de P ) con valor óptimo v" = v(P ), si y sólo si
!
x, µ) es solución óptima de P!) o P!) con valor óptimo v".
("

Apuntes de Clases • Optimización • Claudio Seebach Introducción al Modelamiento • 42

 Equivalencia II

• En el nuevo problema el objetivo es encontrar un µ lo más pequeño

posible tal que exista un x que satisfaga f (x) ≤ µ.

• µ∗ cumple con ser el óptimo al problema pues existe un x∗ ∈ D tal que

f (x∗) ≤ µ∗ y ∀µ < µ∗ !x ∈ D tal que f (x) ≤ µ.

Apuntes de Clases • Optimización • Claudio Seebach Introducción al Modelamiento • 43

Equivalencia III

• Sea un problema cuyo objetivo es encontrar un punto tal que el máximo

entre n funciones evaluadas en el punto sea mı́nimo:
P) min( max fi(x))
x∈D i=1,...,n

• De acuerdo a la Equivalencia II el problema P ) puede convertirse

en el siguiente problema equivalente:
P!) min µ
max fi(x) ≤ µ
i=1,...,n
x ∈ D
µ ∈ R

Apuntes de Clases • Optimización • Claudio Seebach Introducción al Modelamiento • 44

 Equivalencia III

• Gráficamente:

• La función no tendrá necesariamente de una derivada continua, por lo

que podemos estar minimizando una función no diferenciable.

Apuntes de Clases • Optimización • Claudio Seebach Introducción al Modelamiento • 45

Equivalencia III

• La nueva desigualdad puede expresarse como n desigualdades indivi-

duales:
!
P!) min µ
fi(x) ≤ µ ∀i = 1, ..., n
x ∈ D
µ ∈ R
• Este último problema contempla sólo funciones diferenciables.

Apuntes de Clases • Optimización • Claudio Seebach Introducción al Modelamiento • 46

 Ejemplo Equivalencia III

• El siguiente ejemplo tiene una función objetivo es no lineal y cuya derivada no es

continua. # $
7x1 + 6x2 + 5x3 5x1 + 9x2 + 4x3
P ) max(min , )
4 3
s.a 8x1 + 5x2 + 3x3 ≤ 100
6x1 + 9x2 + 8x3 ≤ 200
x 1 , x2 , x 3 ≥ 0
• Identifiquemos un problema equivalente cuyas funciones tengan derivadas continuas.
• De la Equivalencia I, P ) es equivalente a:
P!) min(− min {f1(x), f2(x)})
x∈D

• Además: − min {f1(x), f2(x)} = max {−f1(x), −f2(x)} , por lo tanto P!) es equiva-
lente a
!
P!) min(max {−f1(x), −f2(x)})
x∈D

Apuntes de Clases • Optimización • Claudio Seebach Introducción al Modelamiento • 47

Ejemplo Equivalencia III

!
• De la Equvalencia III P!) es equivalente a:
!
!
P!) min µ
s.a. − f1(x) ≤ µ
−f2(x) ≤ µ
x∈D µ ∈ R.

o equivalentemente:
!
!
!
P!) max µ
!
! ≤ f1(x)
s.a. µ
! ≤ f2(x)
µ
x∈D ! ∈ R.
µ

• Este problema es derivable en el espacio D × R.

Apuntes de Clases • Optimización • Claudio Seebach Introducción al Modelamiento • 48

 Equivalencia III

• En resumen:
P ) max( min {fi(x)})
i=1,...,n
s.a. x ∈ D
es equivalente a
!
P!) max µ
s.a. µ ≤ fi(x) ∀i = 1, ..., n
x ∈ D
µ ∈ R.
• Este problema lineal es equivalente al problema original.

Apuntes de Clases • Optimización • Claudio Seebach Introducción al Modelamiento • 49

Ejemplo Equivalencia III

Ejemplo 3 En un callejón de 100 metros de largo hay un prófugo que necesita

ubicarse en el lugar que tenga menos luz. En el callejón hay 4 focos con diferentes
caracterı́sticas (altura, potencia, posición). Suponga que la intensidad de luz que
llega al prófugo es sólamente la del foco que alumbra más en dicho punto y que para
estos efectos los postes (si los hubiera) se pueden considerar transparentes. Suponga
que la intensidad de luz de cada foco se puede considerar inversamente proporcional
a la distancia entre el foco y el prófugo y directamente proporcional a la potencia
del foco.

Apuntes de Clases • Optimización • Claudio Seebach Introducción al Modelamiento • 50

 Ejemplo Equivalencia III

De esta forma, al prófugo le interesará pararse en el lugar que haya menos luz, es decir,
su función objetivo será:
min(max {f1, f2, f3, f4})
donde
ki
fi = & 0 ≤ x ≤ 100
h2i
+ (xi − x)2
en que ki, xi y hi corresponden a la potencia, ubicación y altura respectivamente de cada
foco. La única variable del problema es la ubicación del prófugo, x.

Apuntes de Clases • Optimización • Claudio Seebach Introducción al Modelamiento • 51

Equivalencia IV

• Consideremos el siguiente problema:

r
%
P) min fi(!x)
i=1
!x ∈ D ⊂ Rn
• Este problema puede expresarse en forma equivalente como:
%r
!
P ) min µi
i=1
fi(!x) ≤ µi; ∀i = 1, ..., r
!x ∈ D
!µ ∈ Rr

Apuntes de Clases • Optimización • Claudio Seebach Introducción al Modelamiento • 52

 Ejemplo Equivalencia IV

Por ejemplo:

P ) min(|x1| + |x2|)
x1 + 2x2 ≥ 1

P!) min µ1 + µ2
|x1| ≤ µ1
|x2| ≤ µ2
x1 + 2x2 ≥ 1

Apuntes de Clases • Optimización • Claudio Seebach Introducción al Modelamiento • 53

Ejemplo Equivalencia IV

Lo que también equivale a: (Problema Lineal Equivalente)

!
P!) min µ1 + µ2
x1 ≤ µ1
−x1 ≤ µ1
x2 ≤ µ2
−x2 ≤ µ2
x1 + 2x2 ≥ 1
µ1, µ2 ∈ R

Apuntes de Clases • Optimización • Claudio Seebach Introducción al Modelamiento • 54

 Equivalencia IV

En términos generales se puede decir que:

%r
P ) min |fi(x)|
i=1
x ∈ D ⊂ Rn

r
%
P!) min µi
i=1
fi(x) ≤ µi ; ∀i = 1, ..., r
−fi(x) ≤ µi ; ∀i = 1, ..., r
x ∈ D
µ ∈ Rr

Apuntes de Clases • Optimización • Claudio Seebach Introducción al Modelamiento • 55

Equivalencia V

• Si la función g : f (D) ⊂ R → R es estrictamente creciente sobre D

entonces:
min f (x) ∼ min g(f (x))
x∈D x∈D
– La solución óptima será la misma en ambos casos, pero no ası́ los
valores óptimos.
– Sea x∗ el óptimo del problema original.
– Por lo tanto f (x∗) ≤ f (x) ∀x ∈ D. Como g(x) es estrictamente
creciente, si x1 ≤ x2 entonces g(x1) ≤ g(x2).
– Ası́, necesariamente g(f (x∗)) ≤ g(f (x)) ∀x ∈ D y por lo tanto
ambos problemas arrojarán la misma solución óptima.
– Ejemplo: cambiar la escala de unidades de la función objetivo de
dólares a pesos (U S$ → $)

Apuntes de Clases • Optimización • Claudio Seebach Introducción al Modelamiento • 56

 Ejemplo Equivalencia V

Ejemplo 4 Determinar el punto más cercano al origen (0,0) que sat-

isfaga 2x1 + x2 ≥ 2.

Apuntes de Clases • Optimización • Claudio Seebach Introducción al Modelamiento • 57

Ejemplo Equivalencia V

• Si el problema P ) está bien formulado (i.e. el argumento de la raı́z es

no negativo para todo x ∈ D) se puede siempre prescindir de la raiz.
&
P ) min r(x)
x∈D
con r(x) ≥ 0 ∀x ∈ D
P!) min r(x)
x∈D

• Si x P!) con v(P!) = r("

" es solución óptima de & " es solución
x), entonces x
óptima de P ) con v(P ) = r(" x).

Apuntes de Clases • Optimización • Claudio Seebach Introducción al Modelamiento • 58

 Equivalencia VI

1
P) min ∼ P!) max f (x)
x∈D f (x) x∈D

f (x) > 0, ∀x ∈ D

Apuntes de Clases • Optimización • Claudio Seebach Introducción al Modelamiento • 59

Equivalencia VI

Demostración:
• Consideremos el caso particular en que g(y) = ln y, estrictamente cre-
ciente ∀y > 0.
• Aplicando la Equivalencia V P ) es equivalente a:
' (
!! 1
P ) min ln = min − ln f (x)
x∈D f (x) x∈D

!
• De la Equivalencia I, P!) es equivalente a:
!
!
P!) max ln f (x)
x∈D

Apuntes de Clases • Optimización • Claudio Seebach Introducción al Modelamiento • 60

 Demostración Equivalencia VI

!
!
• De la Equivalencia V, con g(y) = ey , P!) es equivalente a:
!
!
!
P!) max f (x).
x∈D

• Es importante notar que esta equivalencia solo corresponde si f (x) es

estrictamente positivo en todo D.

Apuntes de Clases • Optimización • Claudio Seebach Introducción al Modelamiento • 61

Equivalencia VII

• El problema:
P) min(g(x) + max {fi(x)})
x∈D i=1,...,r

• Es equivalente a:
P!) min µ1 + µ2
x∈D
g(x) ≤ µ1
fi(x) ≤ µ2 ∀i = 1, ..., r
µ1, µ2 ∈ R.

Apuntes de Clases • Optimización • Claudio Seebach Introducción al Modelamiento • 62

 Ejercicio

Considere el siguiente problema no lineal y escriba un problema equivalente

lineal y diferenciable:

max ln(max{|x1 + x2 − 1|, |2x1 − 3x2 − 8|} + |3x1 − 1|)

sujeto a x1 + 2x2 ≤ 5 y x1, x2 ≥ 0

Apuntes de Clases • Optimización • Claudio Seebach Introducción al Modelamiento • 63