1/14

UNIVERSIDAD NACIONAL ABIERTA

VICERRECTORADO ACADMICO
SUBPROGRAMA DE DISEO ACADMICO
REA: MATEMTICA

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:

Lic. Alejandra Lameda G.

Asesora de
Diseo Acadmico:

Profa. Wendy Guzmn

Nivel Central
Caracas, Julio 2013

Plan de curso Programacin No Lineal

Elaborado por Prof. Alejandra Lameda G. UNA 2013

2/14

II.

PRESENTACIN

La asignatura Programacin No Lineal (779), pertenece al grupo de asignaturas electivas

y su fin es de continuar suministrando herramientas de la Programacin Matemtica, esta
asignatura puede ser cursada al tener cien unidades de crditos (100 u.c) aprobadas.
Se requiere analizar y resolver problemas que conducen a la optimizacin de
funciones no lineales que surgen de modelos no lineales, aplicados en los campos:
econmico, social, industrial, entre otros, donde la solucin terica del modelo coadyuva
con respuestas oportunas a la toma de decisiones.
Se pretende que el estudiante adquiera las tcnicas de la programacin no lineal, y en
equipos interdisciplinarios pueda analizar, interpretar, modelar y resolver problemas
relacionados con fenmenos que requieran ser optimizados para hacer un uso racional de
los recursos disponibles para la consecucin de objetivos planteados por las personas
encargadas de tomar decisiones.
El estudiante al aprobar el curso adquiere: rasgos del ser como son el pensamiento
analtico y la objetividad en la expresin de sus ideas, y rasgos del hacer que le permitan
enfrentar situaciones complejas que se puedan tratar mejor con tcnicas y teoras de
optimizacin no lineal para establecer los valores apropiados del modelo, que contribuyen
a facilitar la toma de decisiones pertinentes en base a aspectos objetivos y no intuitivos
sin que se menosprecie estos ltimos, de manera que el balance adecuado de los mismos
permitan resolver la situacin planteada.
El proceso enseanza aprendizaje de la asignatura Programacin No Lineal se apoya
en el Texto UNA: Jess S., Gonzlez, Libuska J. (1983). Programacin No Lineal.
Caracas: UNA y en el texto Bazaraa M., Shetty C.M. (1979) Nonlinear Programming.
Theory and Algorithms. John Wiley & Sons. Para la aplicacin de modelos en la
resolucin de problemas de la vida real o simulaciones de esta, har uso de un software
especfico como por ejemplo Excel Solver, Tora, WinQSB, u otros.

Programacin No Lineal (Cd. 779)

Elaborado por Prof. Alejandra Lameda G. UNA 2013

3/14
III.

PLAN DE EVALUACION

ASIGNATURA: PROGRAMACIN NO LINEAL

COD: 779 CRDITOS: 6 - LAPSO: 2013-2
SEMESTRE VIII
CARRERA: MATEMTICA (126)
Responsable: PROF. ALEJANDRA LAMEDA G.
Horario de atencin: martes y jueves de 2:00 - 4:30 pm
Telfono: (0212)5552084
Correo electrnico: alameda@una.edu.ve

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

OBJETIVOS EVALUABLES DE LA ASIGNATURA

Resolver, mediante las condiciones necesarias y suficientes

Programacin No Lineal.

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

de optimalidad, la solucin de un problema de

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

Programacin No Lineal (Cd. 779)

6
1

7
1
Peso acumulado
Calificacin

1
1

Elaborado por Prof. Alejandra Lameda G. UNA 2013

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.

Reserva un tiempo para repasar frecuentemente la materia.

Organiza un grupo de tres o cuatro personas; la idea es propiciar el aprendizaje colaborativo.

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.

Programacin No Lineal (Cd. 779)

Elaborado por Prof. Alejandra Lameda G. UNA 2013

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).

Las Tareas definitivas debern ser enviadas en fsico al rea de Matemtica.

Programacin No Lineal (Cd. 779)

Elaborado por Prof. Alejandra Lameda G. UNA 2013

6/14

IV. DISEO DE LA INSTRUCCIN DEL CURSO

Objetivo del curso: Analizar situaciones concretas que admitan el tratamiento con mtodos de programacin no
lineal en el campo econmico, social e industrial.

Objetivo

Contenido

Condiciones necesarias de optimalidad: Funcin objetivo. Conjunto factible.

Direccin factible. Restriccin tensa. Restriccin no tensa. Regularidad de las
1. Resolver, mediante las condiciones restricciones. Condicin de Slater. Condicin de Kuhn-Tucker. Condicin de
necesarias y suficientes
de optimalidad, la Arroz-Hurwitz-Uzuwa. Caracterizacin de un punto de solucin mediante las
solucin de un problema de Programacin No direcciones factibles. Lema de Farkas. Condiciones de Kuhn-Tucker.
Multiplicadores de Lagrange. Casos particulares de las condiciones de KuhnLineal.
Tucker. Condiciones de optimalidad sin hiptesis de diferenciabilidad.
Condiciones suficientes de optimalidad: De tipo geomtrico. Relacionadas con
punto de ensilladura. Derivadas de la dualidad.
Algoritmos para problemas sin restricciones: Convergencia de algunos modelos de
algoritmos. Condiciones de convergencia. Velocidad de convergencia.
Algoritmos utilizando propiedades de diferenciabilidad de la funcin objetivo:
Algoritmos del gradiente. Algoritmo de paso ptimo. Algoritmo con paso constante.
2. Resolver problemas de Programacin No Otros mtodos del gradiente.
Lineal aplicando los Algoritmos del Gradiente, de Algoritmo de Newton. Convergencia. Algoritmo de Newton con paso constante.
Newton y de Direcciones Duales, indicando las Algoritmo de newton con paso ptimo. Algoritmo de Newton con cambio de H(x)
condiciones y velocidad de convergencia.
slo cada iteraciones.
Algoritmos de direcciones duales. Preliminar matemtico. Velocidad de
convergencia. Convergencia de los algoritmos de direcciones duales.
1

Determinacin de Ak . Algunas variantes del algoritmo de direcciones duales.

Algoritmos de la aproximacin lineal o del gradiente condicional. Linealizacin de
4. Aplicar los Algoritmos del Gradiente
la funcin objetivo o algoritmos del gradiente condicional. Algoritmo del gradiente
Condicional para resolver problemas de
condicional con paso constante. Algoritmo del gradiente condicional con paso
Programacin No Lineal con restricciones
ptimo.
lineales.

Plan de curso Programacin No Lineal

Elaborado por Prof. Alejandra Lameda G. UNA 2013

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.

Programacin No Lineal (Cd. 779)

Elaborado por Prof. Alejandra Lameda G. UNA 2013

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.

Demuestra la proposicin: Si (x , u ) , x X , verifica las condiciones de Kuhn

Tucker y si f y gi , i = 1 ,2, , m , son cncavas , entonces x es solucin del

problema.
Condiciones suficientes relacionadas con puntos de ensilladura.

Programacin No Lineal (Cd. 779)

Elaborado por Prof. Alejandra Lameda G. UNA 2013

Realiza los ejercicios

resueltos y propuestos
verificando las
condiciones necesarias y
suficientes de
optimalidad, del texto
UNA y 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.

9/14
ESTRATEGIAS INSTRUCCIONALES

OBJETIVO

ESTRATEGIAS DE
EVALUACIN

Demuestra la proposicin y el corolario. Es importante que leas las observaciones.

Condiciones suficientes derivadas de la dualidad.

Escribe las definiciones de Problema Primal, de Problema Dual y factibilidad del par
( x , u ) para el problema dual.
Demuestra la proposicin y el teorema el cual establece las condiciones suficientes

para que x sea solucin del problema de programacin no lineal.

Has los ejercicios resueltos y propuestos.
Responde la autoevaluacin para afianzar lo aprendido.
En el objetivo 1 se estableci condiciones que te permiten decir si un punto es solucin
del problema de Programacin No Lineal. Ahora estudiars la manera de llegar a un
punto solucin a partir de un punto factible. Para esto utilizars un proceso iterativo o
algoritmo que a partir de un punto xk te permite determinar un punto xk+1 llamado
k
sucesor de xk , as, a partir de un punto inicial x0 vas a generar una sucesin x .
Comienza leyendo en la experiencia de aprendizaje N 5, la nocin de algoritmo,
condiciones de convergencia y velocidad de convergencia de algoritmos.
A continuacin, en la experiencia de aprendizaje N 6 , 7 y 8 escribe los algoritmos que
utilizan propiedades de diferenciabilidad de la funcin objetivo:
2.1.-Algoritmos del gradiente:
2.1.1.- Algoritmo del gradiente con paso ptimo. Demuestra la proposicin y el corolario y
realiza ejemplos y problemas propuestos.
2.1.2.- Algoritmo del gradiente con paso constante. Demuestra la proposicin y el corolario y
realiza ejemplos y problemas propuestos.
2.2.-Algoritmo de Newton. Convergencia.
2.2.1.- Algoritmo de Newton con paso constante. Demuestra la proposicin y el corolario y
realiza ejemplos y problemas propuestos.
2.2.2.- Algoritmo de Newton con paso ptimo. Demuestra la proposicin y el corolario y
realiza ejemplos y problemas propuestos.
2.2.3.- Algoritmo de Newton con cambio de H(x) slo cada iteraciones. Demuestra la
proposicin y el corolario y realiza ejemplos y problemas propuestos.
2.3. Algoritmos de direcciones duales. Preliminar matemtico. Velocidad de
convergencia. Convergencia de los algoritmos de direcciones duales. Determinacin de
Ak1 . Algunas variantes del algoritmo de direcciones duales.

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.

Programacin No Lineal (Cd. 779)

Elaborado por Prof. Alejandra Lameda G. UNA 2013

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.

Demuestra las proposiciones y resuelve los ejemplos y ejercicios propuestos.

Responde la autoevaluacin para afianzar lo aprendido.
En los algoritmos de direcciones duales viste cmo aproximar la matriz hessiana de la
funcin objetivo de manera de conservar las propiedades de convergencia y velocidad de
convergencia de los algoritmos de Newton, pero sin calcular e invertir la matriz hessiana
en cada iteracin.
Ahora, en la experiencia de aprendizaje N 9, vas a tratar de aproximar el gradiente de la
funcin objetivo conservando las propiedades de convergencia de los algoritmos de
direcciones duales; obtendrs as algoritmos de direcciones duales que slo contemplan
la evaluacin de la funcin objetivo y no su diferenciacin.
Luego estudiars dos algoritmos que no utilizan derivadas de la funcin objetivo y que no
son modificaciones de algoritmos con clculo de derivadas.
3.1.- Modificacin del mtodo de direcciones duales. Examina sucesivamente los
diferentes elementos que componen un algoritmo de direcciones duales indicando las
modificaciones que se introducen al aproximar los valores del gradiente de la funcin
objetivo por diferencias finitas. Demuestra la proposicin y resuelve el ejemplo.
3.2.- Mtodo cclico secuencial. En este mtodo la escogencia de la direccin de
desplazamiento a partir de un punto xk no depende de la informacin que se pueda tener
k
sobre el gradiente de la funcin f en el punto xk ( f (x ) ) . Si llamas e1 , e2, , en la base
cannica, en la iteracin k se realiza primero un desplazamiento en la direccin de e1
seguido de un movimiento en la direccin e1 , luego un desplazamiento en la direccin
e2 seguido de uno en la direccin e2 , y as hasta en ; el paso en cada direccin se
puede determinar por el procedimiento paso ptimo o por el procedimiento paso
constante adaptado al hecho que no se calcula el gradiente y el ltimo punto as obtenido
es el punto inicial para la iteracin siguiente.
3.2.1.-Mtodo cclico secuencial con paso ptimo. Escribe el algoritmo, demuestra la
proposicin y resuelve los ejemplos y ejercicios propuestos.
3.2.2.-Mtodo cclico secuencial con paso constante modificado o mtodo de
variaciones locales. Escribe el algoritmo, demuestra la proposicin y resuelve el ejemplo
y ejercicios propuestos.
Responde la autoevaluacin para afianzar lo aprendido.

Programacin No Lineal (Cd. 779)

Elaborado por Prof. Alejandra Lameda G. UNA 2013

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

5.- Algoritmos derivados del mtodo simplex de programacin lineal.

Los algoritmos del gradiente reducido y del simplex-convexo que estudiars a
continuacin, en la experiencia de aprendizaje N 11, son derivados del mtodo simplex
de Programacin Lineal, en el sentido que particionan las variables en variables bsicas y
variables no bsicas y consideran las componentes del gradiente correspondientes a las
variables no bsicas (este vector se denomina gradiente reducido por analoga con el
trmino costo reducido del mtodo simplex) para determinar en cada iteracin una
direccin de desplazamiento dk la cual deber ser una direccin factible en el punto xk.
Luego realiza un desplazamiento en la direccin dk hasta que se produzca uno de los dos
eventos siguientes: o bien f deja de crecer o bien se encuentra una frontera del conjunto
factible, quedando as determinado el paso tk y xk+1 = xk + tk dk (punto inicial de la

Programacin No Lineal (Cd. 779)

Elaborado por Prof. Alejandra Lameda G. UNA 2013

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.

5.1.- Algoritmos del Gradiente Reducido. Escribe el algoritmo, demuestra la

proposicin y resuelve los ejemplos y ejercicios propuestos.
Como complemento de lo estudiado, has el ejemplo 10.4.2 del captulo 10 del texto
Bazaraa M., Shetty C.M. (1979) Nonlinear Programming. Theory and Algorithms. John
Wiley & Sons.
5.2.- Algoritmos del Simplex-convexo. Escribe el algoritmo, demuestra la proposicin,
el corolario y resuelve los ejemplos y ejercicios propuestos.
Como complemento de lo estudiado, has el ejemplo 10.5.2 del captulo 10 del texto
Bazaraa M., Shetty C.M. (1979) Nonlinear Programming. Theory and Algorithms. John
Wiley & Sons.

6.
Aplicar
Algoritmos del
Gradiente
Proyectado
para resolver
problemas de
Programacin
No Lineal con
restricciones
lineales.

6.- Algoritmo del Gradiente Proyectado.

Sin recurrir al mtodo simplex estos algoritmos determinan en cada iteracin una direccin
factible, tal que un desplazamiento, en esta direccin, produce un incremento del valor de la
funcin objetivo. Como no se utiliza el mtodo simplex, no es necesario llevar las
restricciones del problema a la forma estndar. En la experiencia de aprendizaje N 12
estudia:
6.1.- Algoritmo del Gradiente Proyectado. Preliminares matemticos. Determina p(x).
Escribe el algoritmo y resuelve los ejemplos. Determina P(xk).
Resuelve los ejercicios propuestos del texto UNA.
Como complemento de lo estudiado, has el ejemplo 10.3.5 del captulo 10 del texto
Bazaraa M., Shetty C.M. (1979) Nonlinear Programming. Theory and Algorithms. John
Wiley & Sons.

Programacin No Lineal (Cd. 779)

Elaborado por Prof. Alejandra Lameda G. UNA 2013

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.

7.- Algoritmos de direcciones factibles para problemas con restricciones lineales.

Estos algoritmos determinan en cada iteracin la direccin factible que tiene el menor
ngulo con el vector f(x); para esto considerars el conjunto F(x) de las direcciones
factibles en el punto x, normaliza stas y escoge la direccin factible que corresponde al
valor mximo de f (x) , d , para dF(x) , d 1.
7.
Aplicar
Algoritmos de
Direcciones
Factibles para
resolver
problemas de
Programacin
No Lineal con
restricciones
lineales.

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.

Programacin No Lineal (Cd. 779)

Elaborado por Prof. Alejandra Lameda G. UNA 2013

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.

John Wiley & Sons.

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

Hamdy A. Taha (2004) Investigacin de Operaciones. 7 Edicin, Mxico: Alfaomega.

Hiler M. y Lieberman G. (2002) Investigacin de Operaciones. 7 Edicin, Mxico:

McGraw Hill.

Wayne L., Winston (1994) Investigacin de Operaciones. Mxico: Grupo Editorial

Iberoamrica

Plan de curso Programacin No Lineal

Elaborado por Prof. Alejandra Lameda G. UNA 2013