Professional Documents
Culture Documents
Agosto, 2018
Introducción
Estas técnicas se aplican en una amplia variedad de casos, en los campos de agricultura,
industria, transporte, economía, salud, ciencias sociales y de la conducta, y militar. Sin
embargo, hasta la fecha los investigadores de la rama de programacion no lineal no han
desarrollado un método sistemático que sea práctico para su estudio.
Programación no lineal
Programación convexa
t X 1 + ( 1−t ) X 2 ∈C
Características importantes
Una región es convexa si todos los puntos de una línea que conecta dos puntos de la región están en
dicho conjunto.
( X1 , f ( X 1)) ( X2 , f ( X 2))
Esto significa que el segmento que une ( X1 , f ( X 1)) y ( X2 , f ( X 2)) , o sea, la cuerda
que va de X1 a X 2 , se encuentra sobre la grafica de f.
1a minimización de una función convexa sobre una región convexa tiene la siguiente propiedad:
Un mínimo local es también un mínimo global.
Algunos tipos de enfoques usados para resolver el problema general de programación convexa donde:
1a función objetivo: f(x) que se debe maximizar es cóncava y las funciones de restricción
gi( x) son convexas.
Algoritmos:
No existe un algoritmo estándar único que se pueda usar siempre para resolver problemas de
programación convexa.
Se han desarrollado muchos algoritmos diferentes cada uno con ventajas y desventajas y la
investigación continua activa en esta área.
Categorías:
1. Algoritmos de gradientes.
2. Algoritmos de programación.
3. Algoritmos secuenciales no restringidos.
Algoritmos de gradiente
Por ejemplo:
Un método de gradiente popular es el método de gradiente reducido generalizado (GRG).
El Excel Solver emplea el método GRG para resolver problemas de programación convexa.
Esta conversión se logra al incorporarlas restricciones a una función barrera que se resta de
la función objetivo con el fin de imponer un castigo grande a la violación de cualquier
restricción o aun al o de estar cerca de los límites.
Este trabajo se logra mediante otro análisis que conduce a una sucesión de
soluciones que convergen en una solución óptima para el problema original.
Paso inicial: se encuentra una solución de prueba factible inicial X(0), por ejemplo
al aplicar los procedimientos de programación lineal para encontrar una solución
básica factible.
Se hace K=1
Iteración con K:
1. Para j=1,2,3,…,n, se evalúa
∂ f (x )
en x = x(k−1) y se iguala c j a este valor
∂x j
n
Maximizar g ( x ) =∑ c j x j
j=1
Sujeta a A x ≤ b y x≥0
De manera que h(t) proporciona el valor de f(x) sobre el segmento de recta entre x(k-1)
(donde t=0) y (donde t=1).
Se aplica algún procedimiento como el de búsqueda en una dimensión para maximizar h(t)
en 0 ≤t ≤1 y se establece x(k) igual a la x correspondiente.
Regla de detención: si x ( k−1) y x (k ) están lo suficientemente cerca, el proceso
se detiene y se usan x (k ) o una extrapolación o una extrapolación de
x (0 ) , x (1) , … , x ( k−1 ) , x (k ) como la estimación de una solución optima. De otra
manera se hace k=k+1 y se realiza otra iteración.
4. Cambios simultáneos en C, b y en P.
Supongamos que t es el parámetro con el que cambian los diferentes coeficientes. La idea
general de la programación paramétrica es calcular la solución óptima en t=0. Luego,
adoptando las condiciones de optimidad y factibilidad de los métodos simplex primal y
dual, encontrar el intervalo esta dado por (0, t 1 ). Esto significa que cualquier incremento
2>¿ t 1
t2 , donde . El proceso se repite entonces en t = t 2 y se obtiene una nueva
t¿
solución. Finalmente, se alcanza un punto en la escala de t mas allá del cual la solución o
bien no cambia o no existe, aquí es donde termina el análisis paramétrico.
Determinación de los valores críticos t1 , t2 , … y sus soluciones asociadas. Se
consideraran por separado los diferentes cambios.
Cambios en C
−1
X B=Bi b
Permanece óptima para toda t ≥ t i para la que toda z j ( t ) −C j (t) permanece no
negativa (maximización). En forma matemática esto se expresa como:
C B ( t ) B−1
i P j −C j ( t ) ≥0 Para toda j
Estas desigualdades se satisfacen para el intervalo de t entre ti y t i +1 , donde t i +1
se determina como la t mayor, mas allá de la cual se viola por lo menos una de las
desigualdades. Obsérvese que en las desigualdades nada obliga a que C(t) varíe linealmente
con t. cualquier función es aceptable. La principal dificultad al utilizar funciones no lineales
es que la evaluación numérica de las desigualdades puede ser muy trabajosa. Puede
necesitarse incluso usar algún tipo de método numérico para determinar los resultados.
Cambios en b
Sea b(t) el vector parametrizado del segundo miembro dado en función de t.
Definimos Bi y X B como la base y el vector básico en el valor critico t i
Como los cambios en el vector b, solo afectan la factibilidad de la solución. Así, la solución
X B permanece factible siempre que se satisfaga la condición.
−1
B 1 b (t)≥0
Cambios en P j
Supondremos Pj es un vector no básico en la solución óptima en t= 0. Si fuera
básico, la situación no se presentaría fácilmente a un análisis paramétrico porque la
base B o se afectaría en forma directa. Sea P j (t) el vector parametrizado.
Los cambios en un vector no básico solo pueden afectar la optimidad de ese vector.
El vector Pj entrará en la solución solo cuando su z j−C j resulte negativo.
Así, una base corriente Bi permanece óptima en tanto que se satisfaga la
condición.
−1
z j ( t ) −C j ( t )=C B B i P j ( t )−C j ≥ 0
Esta desigualdad se pude usar para determinar el siguiente valor crítico t i +1
En t= t i +1 se puede obtener una base optima alternativa B i+1 mediante la
incorporación de Pj en la base. Para t≥ t i +1 , Pj debe ser el vector entrante.
En este punto no será posible seguir adelante con el análisis paramétrico, ya que
Pj estará en la base y volverá sumamente compleja la situación resultante. Por
esta razón se determina un valor crítico t i +1 dada la base B i en t= t i
Cambios simultáneos en C y b
Se combinan las parametrizaciones de C y b de manera que permita que ocurra
en forma simultánea. La idea es muy sencilla. Para una base optima dada Bi ,
revisamos por separado la optimidad y la factibilidad. Sean t’ y t’’ los valores
críticos próximos por optimidad y factibilidad, respectivamente. Se tienen casos:
1. Si t ´ <t ´ ´ , B i resultará primero no optima y la siguiente B i+1 , se
Ejemplo cambio en C
Ejemplo
Maximizar z=( 3−6 t ) x 1+ (2−2 t ) x 2+(5+5 t) x3
Sujeto a
x 1+2 x 2+ x 3 ≤ 40
3 x1 +3 x 3 ≤ 60
x 1+ 4 x 2 ≤ 30
x1 , x2, x3 ≥ 0
Básica x1 x2 x3 x4 x5 x6 Solució
n
z 4 0 0 1 2 0 160
x2 −1 1 0 1 −1 0 5
4 2 4
x3 3 0 1 0 1 0 30
2 2
x6 2 0 0 -2 1 1 10
Entonces
° X B =x2 5
x3 = 30
x6 10
y
B−1
0 =¿ ½ -¼ 0
0 ½ 0
-2 1 1
Ahora determinamos el primer valor critico t= t i , los coeficientes objetivo
parametrizados de ° X B son
En consecuencia,
Conclusión