2 Optimización

Introducción

Optimización: dado un sistema o proceso, encontrar la mejor

solución o funcionamiento a este proceso, dentro de las
limitaciones.

Variables de decisión: variables que describen o influyen en el

comportamiento del proceso y puede ser ajustada para la
optimización.

Programación no Lineal Función objetivo: el indicador de la "bondad" de la solución, por

ejemplo, el costo, rendimiento, sin fines de lucro, etc.
Nociones básicas
Restricciones: definen los valores que pueden adoptar las
variables para dar posibles soluciones.

3 Optimización 4 Problema de optimización sin restricciones

Puntos de vista  ¿Qué valor debieran tomar las variables de decisión para que
F  f  x  sea mínimo o máximo?
Matemático: Caracterización de las propiedades teóricas de la
optimización, convergencia, existencia de una dirección de
convergencia local.
f ( x* ) f (x)
Ingeniería: Los método de optimización se aplican a
problemas reales. Con énfasis en fiabilidad, robustez, eficiencia,
el diagnóstico y la restauración en condiciones de falla.

x* x

f(x) es máximo para x = x*

5 Maximización y Minimización 6 Condiciones Necesarias de Optimalidad

f (x)
f ( x* ) f (x)
f ( x* )
df df
0 0
dx dx

x* x
x* x

-f ( x )
-f ( x* ) Si x = x* maximiza f(x), entonces:

Si x = x* maximiza f(x), entonces también minimiza –f(x)

df
f  x   f  x   para x  x *   0 para x  x *
dx
 Maximizar f(x) es lo mismo que minimizar –f(x)
df
 Los problemas de minimización y de maximización son f  x   f  x   para x  x *   0 para x  x *
dx
intercambiables
 Dependiendo del problema el óptimo es un máximo o mínimo

7 Condiciones Necesarias de Optimalidad 8 Ejemplo

f ( x)
f (x) df
0
f ( x* ) dx

x
x* x

df
 ¿Para qué valores de x se obtiene 0 ?
dx

Si x = x* maximiza f(x) entonces  En otras palabras, ¿para qué valores de x se satisfacen las
condiciones necesarias de optimalidad ?
9 Ejemplo 10 ¿Cómo se distingue un Máximo de un Mínimo?

f ( x) f ( x)

A B C D A B C D
x x

d2 f
 A y D son máximos  Para x = A y x = D, se tiene 0
dx 2
 B es un mínimo
 C es un punto de inflexión  ¡La función objetivo es cóncava en un máximo!

11 ¿Cómo se distingue un Máximo de un Mínimo? 12 ¿Cómo se distingue un Máximo de un Mínimo?

f ( x) f ( x)

A B C D A B C D
x x

d2 f d2 f
 Para x = B se tiene 0  Para x = C se tiene 0
dx 2 dx 2

 La función objetivo es convexa en un mínimo  La función objetivo es plana en un punto de inflexión

13 Condiciones Necesarias y Suficientes de Optimalidad 14 Ejemplo
 En 1601 el astrónomo alemán Johannes Kepler formuló su
df
 Condición Necesaria: 0 tercera ley del movimiento planetario T = Cx2/3; donde x es la
dx distancia al sol en millones de kilómetros, T es el periodo orbital
en días y C es una constante. Las parejas de datos (x, T)
observados para los primeros cuatro planetas, Mercurio, Venus,
la Tierra y Marte fueron (58, 88); (108, 225); (150, 365) y (228,
 Condiciones Suficientes: 687). Planteé un problema de programación no lineal para
hallar el coeficiente C. Escribas algunas conclusiones sobre la
d2 f tercera Ley de Kepler.
Para un máximo: 0
dx 2

d2 f
Para un mínimo: 0
dx 2

15 Condiciones Necesarias y Suficientes de Optimalidad 16 Conjunto Factible, restricciones

¿Podemos decir todo esto sólo mirando la función objetivo?  Los valores que las variables de decisión pueden tomar son por
lo general limitados
 Sí, pero para casos simples, en una dimensión cuando sabemos
la forma de la función objetivo.  Ejemplos:

 Para casos complejos, multidimensionales (es decir con muchas
variables de decisión) no podemos visualizar la forma de la
función objetivo.
 Debemos confiar entonces en técnicas matemáticas.
– Las dimensiones físicas de un transformador debe ser
positiva
– La potencia activa de salida de un generador debe estar
limitada a un cierto rango (p.ej 200 MW a 500 MW)

– La potencia reactiva de salida de un generador podría estar

limitada a un cierto rango (p.ej -100 MVAr a 150 MVAr)
17 Conjunto Factible 18 Soluciones Interiores y de Borde

f ( x) f ( x)

A B
x min
A B C D
x max x x min
C D
x max x
Conjunto Factible

 A y D son máximos locales, interiores

 B es mínimo local, interior
 Los valores de la función objetivo fuera del conjunto factible no
importan  Xmín es mínimo de borde No satisfacen las condiciones
 Xmáx es máximo de borde de optimalidad!

19 Caso en dos Dimensiones 20 Condiciones Necesarias de Optimalidad

f ( x1 , x2 ) f ( x1 , x2 )
f  x1 , x2 
0
x1 x1* , x2*

f  x1 , x2 
0
x2 x1* , x2*

x1* x1 x1* x1
x2* f ( x1* , x2* ) es un mínimo x2*
x2 x2
21 Caso Multidimensional 22 Condiciones Suficientes para Optimalidad
 En un valor máximo o mínimo de f  x1 , x2 , x3 ,  , xn  debemos
tener:
f ( x1 , x2 )
f
0
x1
f
0
x2
 x1
f
0
xn Mínimo Máximo
x2
 Un punto donde se cumplen estas condiciones se denomina
punto estacionario.

23 Condiciones Suficientes para la Optimalidad 24 Condiciones Suficientes para la Optimalidad

 Cálculo de la matriz Hessiana en el punto estacionario:

f ( x1 , x2 )
Punto de silla
 2 f 2 f 2 f 
  
 x1 x1x2 x1xn 
2

 2 f 2 f 2 f 
  
 x2 x1 x22 x2 xn 
x1      
 
 2 f 2 f 2 f 
  
x2  xn x1 xn x2 xn2 
25 Condiciones Suficientes para la Optimalidad 26 Curvas de Contornos
 Calcular los eigenvalores de la matriz Hessiana en el punto
estacionario
 Si todos los eigenvalores son mayores o iguales al cero: f ( x1 , x2 )
– La matriz H(x*) es definida positiva
– F(x) es convexa en X*
– El punto estacionario es mínimo
 Si todos los eigenvalues son menores o iguales al cero:
– La matriz H(x*) es definida negativa
– F(x) es concova en X*
– El punto estacionario es un máximo x1
 Si hay eigenvalores positivos y otros negativo:
C1 C2
– El punto estacionario es un punto de silla
x2

27 Curvas de Contornos 28 Ejemplo 1

 Las curvas de contorno son el lugar geométrico de todos los
puntos que dan el mismo valor a la función objetivo Minimizar C  x12  4 x22  2 x1 x2

 Condiciones necesarias de optimalidad

X2

C  punto estacionario
 2 x1  2 x2  0 
Mínimo o Máximo x1   x1  0
  
X1
C
 2 x1  8 x2  0   x2  0
 x2 
29 Ejemplo 1 30 Ejemplo 1
 Condiciones suficiente de optimalidad

  2C  2C  X2
 
 x1 x1x2   2 2 
2
 Matriz Hessiana 
  2C 
 2 C   2 8 
 
 x2 x1 x2 
2

 Debe ser positiva definida, es decir, todos los eigenvalores deben

ser positivos X1

 2 2
0   2  10  12  0    5  13  0
2  8 Mínimo: C = 0

El punto estacionario es un mínimo

31 Ejemplo 2 32 Ejemplo 2
 Condiciones suficiente de optimalidad
Minimizar C   x12  3 x22  2 x1 x2
  2C  2C 
 
 x1 x1x2   2 2 
2
 Matriz Hessiana 
 C 
 Condiciones necesarias de optimalidad
2
 2C   2 6 
 
 x2 x1 x22 

C  punto estacionario  Debe ser positiva definida, es decir, todos los eigenvalores deben
 2 x1  2 x2  0  ser positivos
x1   x1  0
  
C
 2 x1  6 x2  0   x2  0 2 2
0   2  4  8  0 
 22 3 0
 2  6   22 3  0
x2
 El punto estacionario es un punto de silla
33 Ejemplo 2 34 Ejemplo 3
 Se requiere construir un recipiente cónico de generatriz 6 cm y
capacidad máxima. ¿Cuál debe ser el radio y la base?

X2
C=0

C=9

C=4

C=1

C=-9 C=-4 C=-1 C=-1 C=-4 C=-9

Variables r : radio de la base del cono
X1
h : altura del cono
C=1 Objetivo V= pr2h/3 (máximizar)
C=4
Restricciones r2+h2 = 62
C=9
r>0
C=0
h>0

35 Ejemplo 4 36 Problema 3
 Convirtiendo el problema con restricciones a uno sin  Condición necesaria (primer orden)
restricciones
dV
1 0  12   h 2  0  h  12
V   r 2h dh
3
62  r 2  h 2
 Condición suficiente (segundo orden)

r 2  62  h2 d 2V d 2V
dh 2
 2 h 
dh 2
  2  
12  0
h  12
1
3
  1
V   62  h 2 h  12 h   h3
3

 Con esto observamos que V es cóncava para h  12

 Es decir, debemos maximizar el volumen del cono en términos  Luego h  12 es máximo.

de la altura h
 Solución: h  12 r2 6
37 Problema 38 Convexidad de la Función Objetivo
– En muchos campos de la ciencia y de la tecnología se tienen  Estamos interesados en la clase de funciones tales que sus
resultados experimentales que relacionan cierto par de mínimos locales sean también globales.
variables x e y. La relación entre estas cantidades es
desconocida, pero se posee cierta información. En muchas  La convexidad asegura este comportamiento
ocasiones se desea encontrar la curva que minimice el error
cuadrático medio de la variable y. Si se ajusta un modelo lineal
al conjunto de datos, se tendría que encontrar la pendiente α y
el término constante β que minimizan la función objetivo
S S
x1
n
x1
f  ,      xi    yi 
2
x2
i 1 x2
 ,  sin restricciones

No Convexa Convexa

39 Convexidad de la Función Objetivo 40 Ejemplos de funciones convexas

Función convexa. Sea f : S → ℝ, donde S es un conjunto no vacío
Función
de ℝn. La función f se dice que es convexa en S si para cualquier f(X) convexa f(X)
Función
cóncova
par de puntos x1 y x2, y cualquier escalar λ que cumpla 0 ≤ λ ≤ 1, f(X2)
se tiene f(X1f(X2) f(X1X2)

f(X1) f(X1)

f   x1  1    x2    f ( x1 )  1    f ( x2 ) f(X X )
1 2
f(X1f(X2)
2
f(X )

X1 X1X2 X2 X X1 X1X2 X2 X

Si la desigualdad se satisface estrictamente, se dice que f es

f(X)
estrictamente convexa. Función

f   x1  1    x2    f ( x1 )  1    f ( x2 )
Ni convexa
Ni concova
f(X1)
f(X2)

Similarmente, una función f es cóncava si se cumple la relación con

la desigualdad inversa, esto es, si la función (−f) es convexa. X
X1 X2
41 Problema de Programación Matemática no Lineal 42 Condición de Optimalidad
De manera compacta un problema de programación matemática no Las condiciónes de optimalidad de Karush, Kuhn y Tucker
lineal (PMNL) puede plantearse de la siguiente forma: constituyen el resultado más importante de programación no lineal.
Deben ser satisfechas por cualquier óptimo restringido, sea éste
Mínimizar Z  f ( x) local o global, y para cualquier función objetivo, ya sea lineal o no
sujeta a : lineal.
h( x)  0
Los criterios de detención (parada) de los métodos iterativos se
g ( x)  0 basan en estas condiciones.
x  ( x1 ,..., xn )T es un vector con las variables de decisión
es la función objetivo El criterio de optimalidad de Karush-Khun-Tucker generalizan las
f : n

condiciones necesarias de óptimo para los problemas con
h : n
 l son las restricciones de igualdad donde
restricciones.
h( x)   h1 ( x), hl ( x ) 
T

f´(c) = 0
g : n
 m son las restricciones de desigualdad donde
Solución
g ( x)   g1 ( x), g m ( x )  f´(d)= 0
T
óptima
global
Con f(x) convexa, h(x) y g(x) funciones continuamente f´(a) < 0
S
diferenciables en la región convexa S   x h  x   0, g  x   0
a c d b

43 Condición de Optimalidad 44 Condiciones Karush-Khun-Tucker

Mínimo global: Una función convexa f(x) tiene un mínimo global El vector x  n satisface las condiciones de Karush- Khun-Tucker
(mínimo global estricto) en el punto x*, de S también convexo, ssi para el PPMNL anterior si existe un par de vectores   l y
f(x*)  f(x) (f(x*) < f(x)) para todo x en S.   m tales que
l m
Mínimo local: Una función f(x) tiene un mínimo local (mínimo f  x    k hk  x     j g j  x   0 1
local estricto) en el punto x, de S, ssi existe un número positivo e k 1 j 1
tal que f(x)  f(x) (respectivamente, f(x) < f(x)) para todo x en S
hk  x   0, k  1, , l  2
tal que 0 < ║x - x║ < e.
g j  x   0, j  1, , m  3
Diferenciabilidad: La función f :  es diferenciable en x si
 j g j  x   0,  4
n
j  1, , m
existen las derivadas parciales f ; i = 1,…,n.
 f  x  f  x  
xi  j  0, j  1, , m  5
f  x    ,...,  es el gradiente de f en x.
 x1 xn  Los vectores l y m son los multiplicadores de Khun-Tucker.
(2)-(3) se llaman condiciones primales de factibilidad.
Diferenciabilidad continua: Una función f se dice continuamente (4) es la condición complementaria de holgura.
diferenciable en x si todas las derivadas parciales son continuas en (5) son las condiciones duales de factibilidad y requieren la no-
x. negatividad de los multiplicadores de las restricciones de desigualdad
45 Condiciones Karush-Khun-Tucker 46 Lagrangeano del PPMNL
Condiciones necesarias de primer orden, KKT, se escriben como

L  x,  ,    f  x    T h  x    T g  x 


L  x,  ,    0
x

 Para la figura, las curvas de nivel de la función objetivo son de L  x,  ,    0

tal forma que el valor de la función objetivo decrece cuando hay
un desplazamiento según las direcciones de la figura T g  x  0
 Si la proyección del gradiente de la función objetivo sobre el  0
gradiente de la restricción en un punto dado es distinto de cero,
entonces, se puede seguir mejorando el valor de la función
objetivo. Condiciones de segundo orden, suficiencia
 El mínimo (local) se alcanza en un punto en el que el gradiente Curvatura positiva en dirección de las restricciones
de la función objetivo y el de la restricción son linealmente pT  2 L  x*  p , 0 donde p son todas las direcciones de restricción
dependientes.

47 Ejemplo 1 48 Ejemplo
– Problema de Cobb–Douglas: El nivel de producción de un 2
determinado producto depende del nivel de inversión en  9
Minimizar  x1 -   ( x2 - 2)2
materiales, que se denota por x1, y de los recursos humanos  4
empleados, denotado por x2. La función de Cobb–Douglas
determina el nivel de producción en función de las variables x1 y s.a.: x2 - x12  0
x2, y ésta tiene la forma: x1  x2  6
x1 , x2  0
max f  x1 , x2   x1 x2
sujeto a : x1  ax2  C
 Escriba la condiciones de KKT y verifique que estas condiciones
x1  0 se cumplen en el punto X = (3/2, 9/4)T
x2  0

  0,   0 y     1
49 Ejemplo 50 Ejemplo
2
 9  Verificación cumplimento condiciones KKT
 4
2
 
L  x1 , x2    x1     x2  2   1 x12  x2   2  x1  x2  6 

Condiciones de KKT 3 
31   2  
condición estacionaria 3 9 2 1 
P      0
L  9 2 4 1  2 
 2  x1    2 1 x1   2  0 1   2 
x1  4 2 
L
 2  x2  2   1   2  0
x2
condición de factibilidad
x 2
1 
 x2  0  Se satisfacen todas las condiciones de KKT, luego P es un
punto estacionario
 x1  x2  6   0
condición de holgura
1  x12  x2   0
 2  x1  x2  6   0
condición de signo
1 ,  2  0

51 Ejemplo 52 Ejemplo

Minimizar x12  x2 2  x32  x4 2

s.a.: x1  x2  x3  x4  1

L  x1 , x2 , x3 , x4 ,    x12  x2 2  x32  x4 2   1  x1  x2  x3  x4 

 Condiciones KKT

 2 x1     0 
   
 L  2 x2     0  L
   x1  x2  x3  x4  1  0
x  2 x3     0  
   
 2 x4     0 

1 1
 x1  x2  x3  x4 
4 4
53 Ejemplo 54 Ejemplo
Minimizar x12  x2 2  x32  x4 2 2 1  1 3
x1  x2  x3    x4  
s.a.: x1  x2  x3  x4  1 8 4 8 4 8

x4  A
1 3 3 1
 A o  A
L  x1 , x2 , x3 , x4 ,    x12  x2  x3  x4   1  x1  x2  x3  x4     x4  A
2 2 2 4 8 8 4

 Condición de KKT

 2 x1     0 
   
 L  2 x2     0  L
1    x1  x2  x3  x4  1  0
x  2 x3     0  x
   
 2 x4       0 

2 x4  A
 3   x4  A   0 a) A pequeño b) A grande
4 0

55 Ejemplo 2 56 Solución problema 1

Resolver el problema Llevando el problema a la forma estándar, de minimización, y
planteamos las condiciones de óptimo mediante la técnica de
multiplicadores de Lagrange.
Máx f  x1 , x2   x12  x22
s.a. Mín f  x1 , x2    x12  x22
x1  1
x1  -1 sa : x1  1  0
x2  1  x1  1  0
x2  1  0
x2  0
 x2  0
57 Solución problema 1 58 Solución problema 1
Condiciones duales de factibilidad
L   x  x  1   x1  1   2  x1  1  3   x2  1   4  x2 
2
1
2
2
1 ,  2 , 3 ,  4  0

Condición de holgura complementaria

L
0  2 x1  1   2  0
x1 1   x1  1  0
L
0   2 x2   3   4  0
x2  2  x1  1  0
1   x1  1  0
3   x2  1  0
 2  x1  1  0
3   x2  1  0
 4  x2   0
 4  x2   0

59 Solución problema 1, tanteo 60 Solución problema 1

De la condición de holgura complementaria se encuentran 6 puntos
factibles que cumplen con las condiciones de KKT.

u1  0 u2  0 u3  0 u4  0 x1  0 x2  0
u1  0 u2  0 u3  2 u4  0 x1  0 x2  1
u1  0 u2  2 u3  0 u4  0 x1  1 x2  0
u1  0 u2  2 u3  2 u4  0 x1  1 x2  1
u1  2 u2  0 u3  0 u4  0 x1  1 x2  0
u1  2 u2  0 u3  2 u4  0 x1  1 x2  1
61 Direcciones Factibles 62 Ejemplo 3
Una dirección factible es aquella dirección (vector) que al movernos Encontrar el optimo del siguiente problema mediante técnica de
un poco (diferencial) sobre ella no nos saldremos del conjunto Lagrange.
factible. Así, las direcciones factibles que mejoren el valor de la
función objetivo las podemos hallar gráficamente.
mín f ( x1 , x2 )  e  x1  e 2 x2
s.a : x1  x2  1
En el problema en estudio, observando los vectores de direcciones x1  0
factible se comprueba que los puntos (0,0), (0,1), (-1,0) y (1,0) no
son óptimos locales. Es decir, hay direcciones factibles en las cuales x2  0
encontramos puntos que mejoran la función objetivo.

Los puntos (-1,1) y (1,1) son óptimos. No existen direcciones

factibles que permitan seguir mejorando la función objetivo.
El problema ya está en forma estándar

63 Ejemplo 3 64 Ejemplo 3
Construimos el Lagrangeano  Cuatro casos que analizar:

L  e  x1  e 2 x2   1  x1  x2   1  x1   2  x2   u1 u2 x1 x2
a) 0 1 1 0 0
Luego, las condiciones de optimalidad nos llevan a las siguientes
ecuaciones b) 1 0 0  
L c) 1 0 1  
0  e  x1    1  0
x1 d) 1 1 0  
L
0  2e 2 x2     2  0 a) No cumple con la restricción de igualdad  infactible
x2
2  ln(2) ln(2)  x1
L b) x1   0.436 x2   0.564   0.647  factible
0  x1  x2  1  0 3 2

x1   ln(2e  u2 )  infactible
1  x1   0 c)

ln(1 2)  ln(e  u1 )
1 , 2  0  2  x2   0 d) x2  
2
 infactible
65 Ejemplo 3 66 Ejemplo 4
Considere el siguiente problema de PMNL. Utilizando las
condiciones de optimalidad de KKT encuentre la solución óptima
x2
del problema.

Min ( x1  3) 2  ( x2  3) 2
sa :
 
f h x12  x22  5
2 x1  x2  6
x1  2 x2  4
x1 x1 , x 2  0

67 Ejemplo 4 68 Ejemplo 4
Resolución gráfica  Solución analítica, inicialmente no se considera la restricciones,
Curvas de contorno
problema relajado.
función objetivo

x1  2 x2  4 5
El lagrangeano para el problema relajado (sin restricciones)
( x1  3) 2  ( x2  3) 2  f

L  x1 , x2    x1  3   x1  3
2 2

5 0 5 Condiciones KKT
x12  x2 2  5 d
L  x1 , x2   2 x1  6  0  x1  3
dx1
2 x1  x2  6
d
5 L  x1 , x2   2 x2  6  0  x2  3
dx2

Optimo en: x1 = 2 x2 = 1 f=5 No es solución del problema ya que no se satisfacen las

restricciones.
69 Ejemplo 4 70 Ejemplo 4
 Se introducen en el lagrangeano aquella restricción más violada.  Se verifica nuevamente el cumplimiento de las restricciones

x12  x22  0.499 Primera restricción activa, se cumple en igualdad

L  x1 , x2    x1  3   x1  3  u1  x12  x22  5 
2 2

2 x1  x2  4.743 Segunda restricción inactiva

x1  2 x2  4.743 Tercera restricción violada
Nuevas condiciones de KKT
 Resolvemos nuevamente el problema con la tercera restricción
d en el lagrangeano
L  x1 , x2   2 x1  2u1 x1  6  0
dx1
L  x1 , x2    x1  3   x1  3  u1  x12  x22  5   u3  x1  2 x2  4 
2 2
d
L  x1 , x2   2 x2  2u1 x2  6  0
dx2
u1  x12  x22  5   0
d
L  x1 , x2   2 x1  2u1 x1  u3  6  0
dx1
u1  0 d
L  x1 , x2   2 x2  2u1 x2  2u3  6  0
dx2
Solución de estas nuevas condiciones
u1  x12  x22  5   0
 x1  1.581 
 x   1.581  u3  x1  2 x2  4   0
 2  
 u1  0.897  u1 , u3  0

71 Ejemplo 4 72 Ejemplo
 Solución de las condiciones  Considere el problema de determinar las ubicaciones de dos
nuevas escuelas secundarias en un conjunto de subdivisiones Nj,
 x1   2 
 x  1  de un total P. A partir de la subdivisión Nj, considere que w1j es
 2    el número de estudiantes que van a la escuela A y w2j es el
 u1   0 
    número de estudiantes que van a la escuela B. Suponga que la
 u3   2  capacidad máxima de estudiante en la escuela A es c1 y la
capacidad máxima de estudiante en la escuela B es c2 y que el
 Se cumplen todas las restricciones número total de estudiantes de cada subdivisión es rj. Queremos
minimizar la distancia total recorrida por todos los estudiantes
x12  x22  5
que pueden asistir a la escuela, ya sea A o B. Construya un
2 x1  x2  5  6
modelo de programación no lineal para determinar la ubicación
x1  2 x2  4 (a,b) y (c,d) de las escuelas secundarias A y B, suponiendo que
la ubicación de cada subdivisión Ni se modela como un único
 Queda por verificar si se cumple la condición de segundo grado, punto denotado (xi,yi).
para ver si éste punto es un óptimo y no una singularidad
(punto de silla)
 En todo caso, como el problema es cuadrático, éste punto es un
óptimo global.
73 Ejemplo 74
variables param P; # número de subdivisiones
(a, b) : Coordenadas para la ubicación del primer colegio param N; # número de colegios a ubicar
param r {i in 1..P} >0; # número de alumnos por
(c, d ) : Coordenadas para la ubicación del segundo colegio # subdivisión
función objetivo param c {j in 1..N} >0; # capacidad colegio j
param x {i in 1..P}; # coordenada x de la subdivisión

  a  x   b  y      c  x    d  y  
P 1 1
2 2 2 2 2 2
param y {i in 1..P}; # coordenada y de la subdivisión
1j j j 2j j j
j 1
var w {i in 1..P, j in 1..N} integer; # alumnos que van al colegio j desde la
restricciones # subdivisión i
1 j  2 j  rj j  1 P var xo{j in 1..N} ; # coordenada x de la ubicación del
# colegio j;
P


var yo{j in 1..N} ; # coordenada y de la ubicación del
ij  ci i  1 2 # colegio j;
j 1

minimize DistRec: sum{i in 1..P, j in 1..N} w[i,j]*((xo[j]-x[i])^2+((yo[j]-

y[i])^2))^(1/2);
1 1

  a  x   b  y   2 j  c  x j    d  y j 
P
2 2 2 2 2 2
mín 1j j j s.t. Alm_Subdiv {i in 1..P}: sum{j in 1..N} w[i,j] = r[i];
j 1
s.t. Cap_Colegio {j in 1..N}: sum{i in 1..P} w[i,j] <= c[j];
sa :
1 j  2 j  rj j  1 P
P


j 1
ij  ci i  1 2

75 Ejemplo 76 Ejemplo
Dimensionar el paquete rectangular de dimensiones mínimas que param N; # número de objetos redondos
param R {i in 1..N} >0; # radios objetos redondos
envuelve los tres objetos redondos de radios R1, R2 y R3.
var A >=0; # alto
var B >=0; # ancho
var x {i in 1..N} >=0 ;
R2
var y {i in 1..N} >=0 ;
A R3
R1
minimize dimension: 2*A + 2*B;

B s.t. radiox {i in 1..N}: x[i] >= R[i];

s.t. radioy {i in 1..N}: y[i] >= R[i];

 Plantear el modelo de programación matemática para el s.t. dimx {i in 1..N}: x[i] <= B-R[i];
problema. s.t. dimy {i in 1..N}: y[i] <= A-R[i];

s.t. dist12 : (x[1]-x[2])^2+(y[1]-y[2])^2 >= (R[1]+R[2])^2;

 Escriba los archivos apropiados en AMPL que permita resolver s.t. dist13 : (x[1]-x[3])^2+(y[1]-y[3])^2 >= (R[1]+R[3])^2;
el problema. s.t. dist23 : (x[2]-x[3])^2+(y[2]-y[3])^2 >= (R[2]+R[3])^2;