Escolar Documentos
Profissional Documentos
Cultura Documentos
PLAN DE CURSO
I. Identificacin
Nombre:
Programacin No Lineal
Cdigo:
779
U.C:
Carrera:
Matemtica
Cdigo:
126
Semestre:
VIII
Prelaciones:
Ninguna
Requisito:
100 U.C
Autor:
Asesora de
Diseo Acadmico:
Nivel Central
Caracas, Julio 2013
2/14
II.
PRESENTACIN
3/14
III.
PLAN DE EVALUACION
MOMENTOS
OBJETIVOS CONTENIDO
TAREA 1
1, 2 y 3
Mdulos 1 y 2
TRABAJO PRCTICO
TAREA 2
4, 5, 6 y 7
Mdulos
3y4
lalitalameda@yahoo.es
M
Resolver problemas de Programacin No Lineal aplicando los Algoritmos del Gradiente, de Newton y de Direcciones
Duales, donde se indique las condiciones y velocidad de convergencia.
Resolver problemas de Programacin No Lineal donde se utilicen Algoritmos que no usan propiedades de
diferenciabilidad de la Funcin Objetivo.
Aplicar los Algoritmos del Gradiente Condicional (paso constante y paso ptimo) para resolver problemas de
Programacin No Lineal con restricciones lineales.
Aplicar Algoritmos derivados del Mtodo Simplex (gradiente reducido y simplex-convexo) de Programacin Lineal
para resolver problemas de Programacin No Lineal con restricciones lineales.
II
III
IV
MODALIDAD
Objetivo
Peso
1
1
Aplicar Algoritmos del Gradiente Proyectado para resolver problemas de Programacin No Lineal con restricciones
lineales.
Aplicar Algoritmos de Direcciones Factibles para resolver problemas de Programacin No Lineal con restricciones
lineales.
2
1
3
1
4
1
5
1
Peso mximo: 7
Criterio de dominio acadmico: 5
6
1
7
1
Peso acumulado
Calificacin
1
1
2
3
3
4
4
5
5
7
6
8
7
10
4/14
ORIENTACIONES GENERALES
Adems de la atencin que te brinda tu asesor en el centro local, si lo deseas, tambin puedes recibir realimentacin
del especialista en contenido de este curso, a travs del correo electrnico: alameda@una.edu.ve
Antes de comenzar a estudiar los contenidos de esta asignatura, realiza una lectura completa del plan de curso y
focaliza las actividades de evaluacin.
Utiliza un cuaderno o carpeta donde sintetices los contenidos de los temas y ejercicios propuestos, esto te permitir
sistematizar tu estudio.
Para obtener mejores beneficios durante la lectura, subraya las ideas principales, toma nota, vuelve a leer, consulta el
diccionario, revisa las preguntas propuestas o realiza otra actividad que te ayude a comprender la lectura; selecciona la
que ms se ajuste a ti y te permita obtener un aprendizaje ms efectivo.
Para interiorizar tu aprendizaje interpreta cada resultado que obtengas al realizar los ejercicios resueltos y los ejercicios
propuestos.
Para obtener los textos debe comunicarse con la Profa. Alejandra Lameda por las direcciones electrnicas:
alameda@una.edu.ve , lalitalameda@yahoo.es o por telfono: (0212)5552084.
5/14
Trabajo Prctico (Orientaciones):
La evaluacin ser mediante dos tareas en las cuales el estudiante resolver los problemas que se planteen, aplicando los
algoritmos pertinentes en cada caso.
Se recomienda al estudiante hacer uso de un software matemtico (por ejemplo Excel Solver, Tora, WinQSB ). Para
cualquier consulta el estudiante deber comunicarse al rea de Matemtica con la Profesora Alejandra Lameda a los
telfonos (0212) 5552084 o a las direcciones electrnicas: alameda@una.edu.ve o lalitalameda@yahoo.es
El enunciado de las tareas sern enviadas por correo electrnico al Centro Local en la primera semana del Lapso
Acadmico o directamente a cada estudiante que se reporte a las direcciones electrnicas: alameda@una.edu.ve,
lalitalameda@yahoo.es
La presentacin del trabajo debe ser en el programa LATEX.
Incluir las tablas de datos y las generadas por el software utilizado y anlisis de los resultados.
Las tareas resueltas podrn ser entregadas, en fsico o por correo electrnico, por el estudiante en la semana 10 del Lapso
Acadmico.
Aquellos estudiantes que entreguen las tareas en la semana mencionada en el pargrafo anterior, le sern corregidas y si el
resultado es considerado insatisfactorio por el nivel corrector, se le devolver con las observaciones correspondientes y el
estudiante deber entregarlas a ms tardar en la semana 13 del Lapso Acadmico, habiendo hecho las correcciones
pertinentes.
Los estudiantes que entreguen las tareas en la semana 13 del Lapso Acadmico no tendrn oportunidad de corregirla, en
caso de que el resultado sea insatisfactorio por el nivel corrector, como consecuencia, tendrn el(los) objetivo(s)
REPROBADO(S).
6/14
Objetivo
Contenido
7/14
Objetivo
Contenido
5. Aplicar Algoritmos Derivados del Mtodo Algoritmos derivados del mtodo simplex de programacin lineal. Algoritmos del
Simplex de Programacin Lineal para resolver gradiente reducido y del simplex convexo.
problemas de Programacin No Lineal con
restricciones lineales.
6. Aplicar Algoritmos del Gradiente Proyectado Algoritmo del gradiente proyectado. Preliminares matemticos. Algoritmo del
para resolver problemas de Programacin No gradiente proyectado. Determinacin de P(xk).
Lineal con restricciones lineales.
7. Aplicar Algoritmos de Direcciones Factibles Algoritmos de direcciones factibles para problemas con restricciones lineales.
para resolver problemas de Programacin No Mtodo para escoger una direccin factible. Algoritmo de direcciones factibles
Lineal con restricciones lineales.
con paso ptimo. Algoritmo de direcciones factibles con paso constante.
8/14
OBJETIVO
1.
Resolver,
mediante
las
condiciones
necesarias
y
suficientes de
optimalidad, la
solucin de un
problema
de
Programacin
No Lineal.
ESTRATEGIAS INSTRUCCIONALES
ESTRATEGIAS DE
EVALUACIN
Lee con atencin la experiencia de aprendizaje N1 de la unidad 1 del material Formativa:
instruccional, Texto UNA: Jess S., Gonzlez, Libuska J. (1983). Programacin No
Lineal. UNA. Caracas, esto te dar una idea del punto de partida de la programacin no
lineal.
En esta unidad vas a establecer las condiciones necesarias de optimalidad. Para
esto, toma nota de los conceptos: Funcin objetivo, direccin factible, restricciones tensas
y no tensas para la determinacin del conjunto de direcciones factibles en un punto.
Resuelve los ejemplos y los ejercicios propuestos del texto UNA, para afianzar estos
conceptos.
Contina con la definicin de funcin cncava, que ya la conoces cuando estudiaste las
funciones reales de una variable real. Aqu, este concepto, se extender a un caso ms
general. La propiedad de concavidad la utilizars sucesivamente en muchas ocasiones.
Escribe las condiciones de Slater , de Kuhn -Tucker y la de Arrow Hurwicz - Uzawa,
llamadas condiciones de regularidad de las restricciones. Retoma los ejemplos y
ejercicios propuestos para verificar si se cumplen o no las condiciones anteriores.
Complementa lo aprendido realizando los ejemplos y problemas propuestos sobre
funciones cncavas y convexas (captulo 3) y las condiciones de Kuhn Tucker (captulo
4) del libro Bazaraa M., Shetty C.M. (1979) Nonlinear Programming. Theory and
Algorithms. John Wiley & Sons.
Condiciones de optimalidad sin hiptesis de diferenciabilidad: Establece las condiciones
necesarias de optimalidad sin utilizar la diferenciabilidad de las funciones f y
Max f(x) sujeto a
g i , i = 1 ,2, , m que definen el problema:
x X = x IR n / gi (x) 0 , i 1, 2 , , m
Has el ejemplo y los ejercicios resueltos y propuestos referentes a esta parte del tema.
A continuacin, en la experiencia de aprendizaje N 2 del texto UNA, establece las
condiciones suficientes de optimalidad:
Condiciones suficientes de tipo geomtrico.
9/14
ESTRATEGIAS INSTRUCCIONALES
OBJETIVO
ESTRATEGIAS DE
EVALUACIN
2.
Resolver
problemas de
Programacin
No
Lineal
aplicando los
Algoritmos del
Gradiente, de
Newton y de
Direcciones
Duales,
indicando las
condiciones y
velocidad
de
convergencia.
Formativa:
Realiza los ejercicios
resueltos y propuestos
del texto UNA, aplicando
los algoritmos del
Gradiente, de Newton y
de Direcciones Duales, y
compara tus resultados
con los indicados en el
texto, de existir
discrepancias consulta
con el asesor.
Sumativa:
Realizar en la Tarea 1 lo
concerniente a este
objetivo, en el cual se
justifiquen
los elementos
matemticos que
sustentan el modelo.
10/14
ESTRATEGIAS INSTRUCCIONALES
OBJETIVO
3.
Resolver
problemas de
Programacin
No
Lineal
donde
se
utilicen
Algoritmos que
no
usan
propiedades de
Diferenciabilida
d de la Funcin
Objetivo.
ESTRATEGIAS DE
EVALUACIN
Formativa:
Realiza los ejercicios
resueltos y propuestos
del texto aplicando el
mtodo de direcciones
duales modificado y
mtodo cclico
secuencial con paso
ptimo y con paso
constante modificado o
mtodo de variaciones
locales. Compara tus
resultados con los
indicados en el texto, de
existir discrepancias
consulta con el asesor.
Sumativa:
Realiza en la Tarea 1 lo
concerniente a este
objetivo, en el cual se
justifiquen los elementos
matemticos que
sustentan el modelo.
11/14
ESTRATEGIAS INSTRUCCIONALES
OBJETIVO
Los algoritmos del gradiente condicional son derivados de los algoritmos del gradiente
que estudiaste en el objetivo 2 modificados para tomar en cuenta las restricciones
lineales que definen el conjunto factible, as como estimar su velocidad de convergencia.
En la experiencia de aprendizaje N 10 estudia stos algoritmos:
4.1.- Algoritmos de la aproximacin lineal o del gradiente condicional. Linealizacin
la funcin objetivo o algoritmos del gradiente condicional.
4.1.1.- Algoritmo del gradiente condicional con paso constante. Escribe el algoritmo,
4. Aplicar los
demuestra la proposicin, el corolario y resuelve los ejemplos y ejercicios propuestos.
Algoritmos del
4.1.2.- Algoritmo del gradiente condicional con paso ptimo. Escribe el algoritmo,
Gradiente
demuestra la proposicin, el corolario y resuelve los ejemplos y ejercicios propuestos.
Condicional
para resolver
problemas de
Programacin
No Lineal con
restricciones
lineales.
5.
Aplicar
Algoritmos
Derivados del
Mtodo
Simplex
de
Programacin
Lineal
para
resolver
problemas de
Programacin
No Lineal con
ESTRATEGIAS DE
EVALUACIN
Formativa:
Realiza los ejercicios
resueltos y propuestos
del texto UNA, aplicando
los algoritmos de la
aproximacin lineal o del
gradiente condicional
con paso constante y
con paso ptimo y
compara tus resultados
con los indicados en el
texto, de existir
discrepancias consulta
con el asesor.
Sumativa:
Realiza en la Tarea 2 lo
concerniente
a este
objetivo, en el cual se
justifiquen los elementos
matemticos que
sustentan el modelo.
Formativa:
Realiza los ejercicios
resueltos y propuestos
del texto UNA, aplicando
algoritmos del gradiente
reducido y algoritmos del
simplex-convexo
compara tus resultados
con los indicados en el
texto, de existir
discrepancias consulta
12/14
ESTRATEGIAS INSTRUCCIONALES
OBJETIVO
restricciones
lineales.
siguiente iteracin).
Loa algoritmos difieren en la manera de determinar la direccin factible dk en cada
iteracin: el algoritmo del gradiente reducido toma en consideracin todas las variables
no bsicas susceptibles de provocar un incremento en el valor de f y permite variaciones
simultneas de los valores de todas ellas compatibles con la factibilidad, mientras que el
algoritmo simplex-convexo ms parecido al mtodo simplex, slo admite variaciones del
valor de la variable no bsica que provoca el mayor incremento del valor actual de f.
Para ambos algoritmos x / x verifica las condiciones de Kuhn - Tucker
ESTRATEGIAS DE
EVALUACIN
con el asesor.
Sumativa:
Realiza en la Tarea 2 lo
concerniente
a este
objetivo, en el cual se
justifiquen los elementos
matemticos que
sustentan el modelo.
6.
Aplicar
Algoritmos del
Gradiente
Proyectado
para resolver
problemas de
Programacin
No Lineal con
restricciones
lineales.
Formativa:
Realiza los ejercicios
resueltos y propuestos
del texto UNA, aplicando
algoritmo del gradiente
proyectado y compara
tus resultados con los
indicados en el texto, de
existir discrepancias
consulta con el asesor.
Sumativa:
Realiza en la Tarea 2 lo
concerniente
a este
13/14
ESTRATEGIAS INSTRUCCIONALES
OBJETIVO
ESTRATEGIAS DE
EVALUACIN
objetivo, en el cual se
justifiquen los elementos
matemticos
que
sustentan el modelo.
Por no utilizar argumentos derivados del mtodo simplex no tienes que llevar las
restricciones a la forma estndar y vas a considerar que el conjunto factible X est
n
definido por: X x IR / Bx b , donde B es la matriz mxn. En la experiencia de
aprendizaje N 13 estudia:
7.1.- Mtodo para escoger una direccin factible. Demuestra la proposicin y el
corolario
7.2.-Algoritmo de direcciones factibles con paso ptimo. Escribe el algoritmo,
demuestra la proposicin y resuelve los ejemplos.
7.3.-Algoritmo de direcciones factibles con paso constante. Escribe el algoritmo,
demuestra la proposicin y resuelve los ejemplos, los ejercicios propuestos y responde la
autoevalucin para afianzar lo aprendido.
Como complemento de lo estudiado, has el ejemplo 10.1.5 del captulo 10 del texto
Bazaraa M., Shetty C.M. (1979) Nonlinear Programming. Theory and Algorithms. John
Wiley & Sons.
Formativa:
Realiza los ejercicios
resueltos y propuestos
del texto UNA,
aplicando los algoritmos
de direcciones factibles
con paso ptimo y con
paso constante y
comparas tus resultados
con los
indicados en el texto, de
existir discrepancias
consulta con el asesor.
Sumativa:
Realiza en la Tarea 2 lo
concerniente
a este
objetivo, en el cual se
justifiquen
los elementos
matemticos que
sustentan el modelo.
14/14
BIBLIOGRAFA
Obligatoria
Texto UNA: Jess S., Gonzlez, Libuska J. (1983). Programacin No Lineal. UNA.
Caracas
Bazaraa M., Shetty C.M. (1979) Nonlinear Programming. Theory and Algorithms.
NOTA: Para obtener los textos debe comunicarse con la Profa. Alejandra Lameda por
las direcciones electrnicas: alameda@una.edu.ve, lalitalameda@yahoo.es
o por
telfono: (0212)5552084.
Complementaria
McGraw Hill.
Iberoamrica