UNIVERSIDAD DE GUAYAQUIL

FACULTAD DE INGENIERA INDUSTRIAL

CARRERA INGENIERA EN TELEINFORMTICA
TEMA:
APLICACIONES SOBRE LA PROGAMACIN NO LINEAL
PRESENTADO POR:
VICENTE BENAVIDES ALCVAR
ANTHONY CUJILN ROJAS
FABIOLA MALLA TORRES
MARA VIVAS CAICEDO
MATERIA:
INVESTIGACIN DE OPERACIONES I
DOCENTE: ING. NGEL AVADI
GUAYAQUIL-ECUADOR
05-03-2015

Tabla De Contenido
Tabla De Contenido...................................................................................................2
INTRODUCCIN.....................................................................................................4
Objetivo........................................................................................................................................4

MARCO TERICO..................................................................................................5
Definicin.....................................................................................................................................5

Caractersticas de Problemas de Programacin no lineal..........................................6

Ventajas........................................................................................................................................6

Tipos de problemas de programacin no lineal.........................................................6

Optimizacin Linealmente Restringida.......................................................................................8
Programacin Cuadrtica.........................................................................................................9
Programacin Convexa............................................................................................................9
Programacin Separable...........................................................................................................9
Programacin No Convexa......................................................................................................9
Programacin Geomtrica......................................................................................................10
Programacin Fraccional........................................................................................................10

Metodologas de programacin no lineal................................................................11

Caractersticas de los algoritmos de optimizacin..................................................15
Caractersticas de los problemas que se analizan....................................................16
APLICACIONES DE PROGRAMACIN NO LINEAL......................................17
Programacin No Lineal En La Arquitectura O Construccin..................................................17
Localizacin de Instalaciones:................................................................................................17
Programacin No Lineal En La Economa................................................................................18
Programacin No Lineal En La Microeconoma.......................................................................19
Programacin No Lineal En La Ingeniera Elctrica.................................................................20
Programacin No Lineal En La Geometra................................................................................21
La bombilla.............................................................................................................................21

OPTIMIZACIN DE PORTAFOLIO.....................................................................22
2

Teora De Portafolio...................................................................................................................22
Multiplicadores De Lagrange.....................................................................................................22
Teora De Portafolio De Markowitz...........................................................................................23

SOLVER E IMPLEMENTACIN INFORMTICA.............................................24

APNDICE.............................................................................................................27
Cmo Resolver Un Modelo De Programacin No Lineal Con Ampl........................................27

CONCLUSIN.......................................................................................................29
BIBLIOGRAFA.....................................................................................................30
ANEXOS.................................................................................................................32

INTRODUCCIN
En el presente informe se detalla la informacin de la aplicacin sobre la programacin no lineal
ya que es parte de Investigacin de Operaciones, tiene como finalidad proporcionar los
elementos para encontrar los puntos ptimos para una funcin objetiva. En este caso, tanto la
funcin de objetivo como las restricciones son no lineales.
En el campo de aplicacin de la programacin no lineal es muy amplio, sin embargo, hasta la
fecha los investigadores de esta rama del conocimiento no han desarrollado un mtodo
sistemtico que sea prctico para su estudio.
La programacin no lineal tambin es conocida con el nombre de programacin cuadrtica, en
virtud de que la mayor parte de los problemas que resultan contienen ecuaciones cuadrticas o de
segundo grado.
La programacin no lineal tiene como objetivo la optimizacin de funciones no lineales o
lineales sujeto a restricciones no lineales(o funciones no lineales sujeto a restricciones lineales).
Las tpicas reas de aplicacin son procesos qumicos, valoracin de proyectos, problema de
diseo estructural, ajuste de curvas, asignacin de recursos, diseo de proceso, etc. Cuando el
conjunto de restricciones, la funcin objetivo, o ambos, son no lineales, se dice que se trata de un
problema de programacin no lineal (PPNL).
Los problemas de optimizacin no lineal son ms difciles de resolver que los lineales. Estas
dificultades aparecen incluso en el caso ms simple como el de optimizar una funcin de una
variable en R sin restricciones.
En este tema se presentan algunos problemas de programacin no lineal. En algunos casos,
coinciden con los que se han descrito en temas precedentes, pero bajo hiptesis distintas.
Objetivo.
Crear modelos con ecuaciones no lineales basados en problemas organizacionales de la
actualidad, donde el principal objetivo sea minimizar costos y maximizar las utilidades.

MARCO TERICO
Definicin
Se puede una definicin de programacin no lineal (PNL) por contraposicin con la
programacin lineal (PL). Recurdese que esta ltima trata el problema de optimizar una
n
funcin lineal f : R R

sujeta a una serie de restricciones tambin lineales. Si el problema se

modifica, cambiando la funcin objetiva y/o, al menos, una de las restricciones, por no lineales,
se cae en el campo de la PNL (http://www.konradlorenz.edu)
La optimizacin no lineal o programacin no lineal se utiliza para la resolucin de problemas
de optimizacin en los que la funcin objetivo o las restricciones no son lineales (cuadrticas,
cbicas, etc.), pero tambin son diferenciables las veces en que es necesaria para el
establecimiento de herramientas tericas. (http://www.enciclopediafinanciera.com)
La programacin no lineal analiza la problemtica general en la que el objetivo f(x) o las
restricciones gj(x) (o los dos) son funciones no lineales.
La mayora de los mtodos de programacin no lineales utilizan el concepto de gradiente de
las funciones f(x) y gj(x) para calcular direcciones de descenso, es decir de mejora de la funcin
objetivo.
Cuando las funciones son convexas (caso por ejemplo de la programacin lineal continua), los
algoritmos de descensos convergen hacia un ptimo global. En general, estos algoritmos y los
software correspondientes convergen solamente hacia un ptimo local. Siempre que sea posible,
es importante ejecutar estos algoritmos a partir de varias soluciones iniciales diferentes con el fin
de seleccionar la mejor solucin entre todas las encontradas.
Una problemtica no lineal con restricciones puede convertirse en un problema sin
restricciones con la ayuda del multiplicador de LaGrange: este mtodo consiste en efecto en
introducir en la funcin objetivo variables de holgura y un coste que aumenta cuando disminuye
la desviacin (es decir, restriccin saturada). (http://www.eurodecision.es)

Caractersticas de Problemas de Programacin no lineal

Los problemas no lineales se caracterizan por tener relaciones no lineales; es decir, no existe una
relacin directa y proporcional entre las variables que intervienen. Los problemas de
programacin no lineal, tambin son llamados curvilneos, ya que el rea que delimita las
soluciones factibles en un grfico se presenta en forma de curva. La funcin objetivo en la
programacin no lineal, puede ser cncavo o convexo. Es cncavo cuando se trata de maximizar
utilidades, contribuciones, etc.
Es convexo cuando trata de minimizar recursos, costos, etc. Los problemas que contienen
restricciones lineales, se resuelven de una forma ms sencilla que los problemas con restricciones
no lineales. (http://www.aliatuniversidades.com)
Ventajas
Las ventajas ms importantes de la programacin no lineal son dos:
1. En algunas ocasiones la distribucin ptima del presupuesto excluye cualquiera de los bienes
considerados en el presupuesto general; esta situacin se refleja en cualquiera de las restricciones
del modelo.
2. La programacin no lineal aporta mayor informacin que la contenida en el anlisis marginal.
No slo define el objetivo, sino que tambin seala la orientacin especfica para lograr el
objetivo.

Tipos de problemas de programacin no lineal

Los problemas de programacin no lineal se presentan de muchas formas distintas. Al contrario
del mtodo smplex para programacin lineal, no se dispone de un algoritmo que resuelva todos
estos tipos especiales de problemas. En su lugar, se han desarrollado algoritmos para algunas
clases (tipos especiales) de problemas de programacin no lineal. Se introducirn las clases ms
importantes y despus se describir cmo se pueden resolver algunos de estos problemas.
Si la funcin objetivo f es lineal y el espacio restringido es un politopo, el problema es de
Programacin lineal y puede resolverse utilizando alguno de los bien conocidos algoritmos de
programacin lineal.
6

Si la funcin objetivo es cncava (problema de maximizacin), o convexa (problema de

minimizacin) y el conjunto de restricciones es convexo, entonces se puede utilizar el mtodo
general de Optimizacin convexa
Existe una variedad de mtodos para resolver problemas no convexos. Uno de ellos consiste
en utilizar formulaciones especiales de problemas de programacin lineal. Otro mtodo implica
el uso de tcnicas de Ramificacin, cuando el problema se divide en subdivisiones a resolver
mediante aproximaciones que forman un lmite inferior del coste total en cada subdivisin.
Mediante subdivisiones sucesivas, se obtendr una solucin cuyo coste es igual o inferior que el
mejor lmite inferior obtenido por alguna de las soluciones aproximadas. Esta solucin es
ptima, aunque posiblemente no sea nica. El algoritmo puede ser parado antes, con la garanta
de que la mejor solucin ser mejor que la solucin encontrada en un porcentaje acotado. Ello se
utiliza en concreto en problemas importantes y especialmente difciles y cuando el problema
cuenta con costes inciertos o valores donde la incertidumbre puede ser estimada en un grado de
fiabilidad apropiado.
Las condiciones de Karush-Kuhn-Tucker proporcionan las condiciones necesarias para que
una solucin sea ptima.
1. Optimizacin no restringida.
2. Optimizacin linealmente restringida.
3. Programacin cuadrtica
4. Programacin convexa.
5. Programacin separable.
6. Programacin no convexa.
7. Programacin geomtrica.
8. Programacin fraccional.
9. Problema de complementariedad
Los problemas de optimizacin no restringida no tienen restricciones, por lo que la funcin
objetivo es sencillamente Maximizar f(x) sobre todos los valores x= (x1, x2,,xn). Segn la
7

condicin necesaria para que una solucin especfica x = x* sea ptima cuando f(x) es una

funcin diferenciable es

f
=0 en x =x, para j=1, 2, ,n .
x j

Cuando f (x) es cncava, esta condicin tambin es suficiente, con lo que la obtencin de x* se
reduce a resolver el sistema de las n ecuaciones obtenidas al establecer las n derivadas parciales
iguales a cero. Por desgracia, cuando se trata de funciones no lineales f(x), estas ecuaciones
suelen ser no lineales tambin, en cuyo caso es poco probable que se pueda obtener una solucin
analtica simultnea. Describen procedimientos algortmicos de bsqueda para encontrar x*
primero para n = 1 y luego para n > 1. Estos procedimientos tambin tienen un papel importante
en la solucin de varios tipos de problemas con restricciones, que se describirn en seguida. La
razn es que muchos algoritmos para problemas restringidos estn construidos de forma que se
adaptan a versiones no restringidas del problema en una parte de cada iteracin. Cuando una
variable Xj tiene una restriccin de no negatividad, x- > 0, la condicin necesaria (y tal vez)

suficiente anterior cambia ligeramente a

x j=0

0 en x =x, si =0 en x=x, si x j >0

f

xj

para

cada j de este tipo.

Es donde la solucin ptima de un problema con una sola variable es x = 0 aun cuando la
derivada ah es negativa y no cero. Como este ejemplo tiene una funcin cncava para
maximizar sujeta a una restriccin de no negatividad, el que su derivada sea menor o igual a 0 en
# = 0, es una condicin necesaria y suficiente para que x= 0 sea ptima.
Un problema que tiene algunas restricciones de no negatividad y que no tiene restricciones
funcionales es un caso especial (m = 0) de la siguiente clase de problemas.
Optimizacin Linealmente Restringida
Los problemas de optimizacin linealmente restringida se caracterizan por restricciones que se
ajustan por completo a la programacin lineal, de manera que todas las funciones de restric8

cin g (x) son lineales, pero la funcin objetivo es no lineal. El problema se simplifica mucho si
slo se tiene que tomar en cuenta una funcin no lineal junto con una regin factible de
programacin lineal. Se han desarrollado varios algoritmos especiales basados en una extensin del mtodo simplex para analizar la funcin objetivo no lineal.
Un caso especial importante descrito a continuacin es la programacin cuadrtica.
Programacin Cuadrtica
De nuevo los problemas de programacin cuadrtica tienen restricciones lineales, pero ahora la
funcin objetivo /(x) debe ser cuadrtica. Entonces, la nica diferencia entre stos y un problema
de programacin lineal es que algunos trminos de la funcin objetivo incluyen el cuadrado de
una variable o el producto de dos variables.
Programacin Convexa
La programacin convexa abarca una amplia clase de problemas, entre ellos como casos especiales, estn todos los tipos anteriores cuando /(x) es cncava. Las suposiciones son
f(x) es cncava.
Cada una de las g(x) es convexa.
Programacin Separable
La programacin separable es un caso especial de programacin convexa, en donde la suposicin adicional es todas las funciones f(x) y g(x) son funciones separables.
Una funcin separable es una funcin en la que cada trmino incluye una sola variable, por lo
que la funcin se puede separar en una suma de funciones de variables individuales.
Es importante distinguir estos problemas de otros de programacin convexa, pues cualquier
problema de programacin separable se puede aproximar muy de cerca mediante uno de
programacin lineal y, entonces, se puede aplicar el eficiente mtodo simplex.
Es importante distinguir estos problemas de otros de programacin convexa, pues cualquier
problema de programacin separable se puede aproximar muy de cerca mediante uno de
programacin lineal y, entonces, se puede aplicar el eficiente mtodo simplex.

Programacin No Convexa
La programacin no convexa incluye todos los problemas de programacin no lineal que no satisfacen las suposiciones de programacin convexa. En este caso, aun cuando se tenga xito en
encontrar un mximo local, no hay garanta de que sea tambin un mximo global. Por lo tanto,
no se tiene un algoritmo que garantice encontrar una solucin ptima para todos estos problemas;
pero s existen algunos algoritmos bastante adecuados para encontrar mximos locales, en
especial cuando las formas de las funciones no lineales no se desvan demasiado de aquellas que
se supusieron para programacin convexa. Ciertos tipos especficos de problemas de
programacin no convexa se pueden resolver sin mucha dificultad mediante mtodos especiales.
Dos de ellos, de gran importancia, se presentarn ms adelante.
Programacin Geomtrica
Cuando se aplica programacin no lineal a problemas de diseo de ingeniera, muchas veces la
funcin objetivo y las funciones de restriccin toman la forma
N

g ( x ) = c i Pi ( x ) , en donde Pi ( x )=x a1 xa2 x a3 , para i=1,2, . , N

i1

i2

i3

i=1

En tales casos, las ci y a ty representan las constantes fsicas y las x son las variables de diseo.
Estas funciones por lo general no son ni cncavas ni convexas, por lo que las tcnicas de programacin convexa no se pueden aplicar directamente a estos problemas de programacin
geomtrica. Sin embargo, existe un caso importante en el que el problema se puede transformar
en un problema de programacin convexa equivalente. Este caso es aquel en el que todos los
coeficientes c en cada funcin son estrictamente positivos, es decir, las funciones son polinomios
positivos generalizados (ahora llamados posinomiales), y la funcin objetivo se tiene que
minimizar. El problema equivalente de programacin convexa con variables de decisin yx, y2,
, yn se obtiene entonces al establecer

x j=e y , para j = 1, 2,, n en todo el modelo original.

i

Ahora se puede aplicar un algoritmo de programacin convexa. Se ha desarrollado otro

procedimiento de solucin para resolver estos problemas de programacin posinomial, al igual
que para problemas de programacin geomtrica de otros tipos.

10

Programacin Fraccional
Suponga que la funcin objetivo se encuentra en la forma de una fraccin, esto es, la razn o

cociente de dos funciones,

Maximizar f ( x ) =

f 1( x)
f 2( x)

.Estos problemas de programacin

fraccional surgen, por ejemplo, cuando se maximiza la razn de la produccin entre las horashombre empleadas (productividad), o la ganancia entre el capital invertido (tasa de rendimiento),
o el valor esperado dividido entre la desviacin estndar de alguna medida de desempeo para
una cartera de inversiones (rendimiento/riesgo). Se han formulado algunos procedimientos de
solucin especiales para ciertas formas de f1(x) y f2 (x)
Cuando se puede hacer, el enfoque ms directo para resolver un problema de programacin
fraccional es transformarlo en un problema equivalente de algn tipo estndar que disponga de
un procedimiento eficiente. Para ilustrar esto, suponga que f(x) es de la forma de programacin

fraccional lineal

f ( x )=

cx +c 0
dx +d 0 , donde c y d son vectores rengln, x es un vector columna

y c0 y dQ son escalares.
Tambin suponga que las funciones de restriccin g (x) son lineales, es decir, las restricciones
en forma matricial son Ax < b y x > 0.
Con algunas suposiciones dbiles adicionales, el problema se puede transformar en un problema
equivalente de programacin lineal si se establece
y=

x
1
y t=
,
dx +d 0
dx+ d 0

y
de manera que x= .
t
Esteresultado conduce a Maximizar Z=cy + c 0 t , sujeta a Aybt 0,
dy +d 0 t =1, y y 0, t 0 , que se puede resolver con el mtodo smplex.

11

En trminos generales, se puede usar el mismo tipo de transformacin para convertir un

problema de programacin fraccional con /(x) cncava, f2 (x) convexa y g (x) convexas, en un
problema equivalente de programacin convexa.
(https://karenbandala.wordpress.com)

Metodologas de programacin no lineal

Las metodologas de solucin usadas en PNL son muy variadas. Es preciso decir que existen
metodologas para problemas irrestrictos, los cuales en muchos casos constituyen una base para
problemas restrictos. Entre los algoritmos empleados para problemas irrestrictos se encuentran:
Bsqueda Unidimensional (en una variable)
- Mtodo del Gradiente
- Mtodo de Newton y sus variaciones
- Mtodo de las Direcciones Conjugadas
- Mtodos Quasi-Newton y mtodos no derivativos
De la misma forma existen algoritmos para resolver problemas restrictos. En estos, el espacio de
bsqueda es acotado. Algunos de estos algoritmos son:
- Mtodo de las Direcciones Factibles
- Mtodo de Proyeccin de Gradiente
- Mtodos de suboptimizacin mltiple
- Mtodos de Penalidad y Barrera
- Mtodo del Lagrangeano Aumentado
- Programacin Cuadrtica Secuencial
Para resolver un problema de optimizacin bien definido (representa adecuadamente el problema
de la vida real), se pueden usar distintos mtodos de solucin los cuales se clasifican en:

12

1) mtodos analticos.- los cuales usan procedimientos del clculo diferencial, insuficientes para
la mayora de los problemas no lineales.
2) mtodos grficos.- que se apoyan en curvas o representaciones geomtricas de la funcin
objetivo y las restricciones, inadecuados para problemas de muchas variables.
3) mtodos experimentales, basados en la experiencia y en procedimientos de prueba y error.
4) mtodos numricos, basados en algoritmos o procedimientos iterativos y adecuados para la
gran mayora de los problemas de ingeniera. En todos los casos el investigador encuentra las
siguientes dificultades:
No existe un mtodo o algoritmo de optimizacin universal que resuelva todos o la gran
mayora de problemas existentes, en su lugar existe una amplia y variada coleccin de
algoritmos. El investigador debe dominar un amplio espectro de algoritmos.
Los mtodos y algoritmos de optimizacin para PNL presentan comportamientos diferentes
para cada tipo de problema. Su eficiencia cambia cuando cambia el problema.
La responsabilidad de seleccionar el mejor mtodo o algoritmo es del usuario.
Una vez aplicado un algoritmo de optimizacin al modelo matemtico del problema debe
existir una forma de determinar que se ha encontrado una solucin. Algunos problemas admiten
la aplicacin de condiciones de optimalidad, otros no.
Debe definirse una estrategia eficiente para pasar de un punto del espacio solucin a otro
cuando se considera que no se ha encontrado an una solucin al problema.
Los problemas presentan mltiples objetivos, generalmente en conflicto.
Los problemas son multimodales.
Existe ambigedad entre parmetros y variables de decisin.
Existen incertidumbres respecto a los lmites de las variables y las restricciones.
Existen elementos probabilsticos y variables con el tiempo.
Se tiene un conocimiento apenas cualitativo de ciertos aspectos del problema.

13

 Los problemas de la vida real son generalmente no convexos en el espacio de soluciones.

La funcin objetivo o algunas restricciones no son diferenciables.
Para aplicaciones de ingeniera se prefieren los mtodos numricos cuando se intenta resolver un
problema de programacin no lineal. Dentro de los mtodos numricos ms utilizados se
encuentran:
a. Mtodos que no usan derivadas en problemas unidimensionales:
Bsqueda uniforme.
Seccin aurea (dorada)
Mtodo de Fibonacci
b. Mtodos que usan derivadas en problemas unidimensionales:
Biseccin
Newton
c. Mtodos que usan interpolacin polinmica:
Cuadrtica
Cbica
DSC (Davies-Swann-Campey)
d. Mtodos directos multi variables:
Gradiente ptimo
Newton
Gradiente conjugado
Cuasi-newton (LM, DFP, BFGS, etc)
Secante
Hooke and Jeeves
14

 Rosenbrok
Subgradiente e. Mtodos inexactos:
Regla de Armijo
Golstein
f. Mtodos basados en barreras:
Punto interior no lineal
Polinomial-time
g. Mtodos basados en penalidades:
SUMT
Lagrangiano aumentado
Mtodo de multiplicadores
h. Mtodos de direcciones factibles:
Zoutendijk
Programacin lineal sucesiva
Programacin lineal sucesiva con penalidad
Lagrangiano proyectado
Gradiente proyectado de Rosen
Gradiente reducido de Wolfe
Zangwill
i. Otros:
Programacin fraccional
Programacin geomtrica
Programacin separable
15

 Heursticas y metaheursticas
Hbridos

Caractersticas de los algoritmos de optimizacin

A pesar de la diversidad de algoritmos aplicables a los problemas de programacin no lineal,
todos ellos tienen en comn las siguientes caractersticas:
Son iterativos, es decir, se realizan paso a paso.
Requieren de una estimacin inicial del vector solucin x la cual se denomina condicin inicial
o punto de inicio: xo.
Tienen una estrategia para generar una secuencia de valores de x que les permite avanzar hacia
la solucin:
xo x1 x2 ... x
La estrategia usada es lo que diferencia un algoritmo de otro.
El paso de un valor xi a un valor xi+1, usando alguna estrategia, se denomina iteracin.
Poseen una forma de determinar cundo finalizar el proceso de bsqueda de la solucin
(Criterio de parada).
La estrategia usada para pasar de un punto xi a un nuevo punto xi+1 puede usar informacin de:
El valor de la funcin objetivo.
Valores asociados a las restricciones.
Informacin de la primera y/o segunda derivada de la funcin objetivo.
Informacin de la primera y/o segunda derivada de las restricciones.
Informacin del subgradiente de la funcin objetivo y/o de las restricciones.
Informacin asociada al punto actual xi.
Informacin acumulada obtenida en las ltimas iteraciones.

16

 Informacin relacionada con la funcin n objetivo ni con las restricciones.

Independientemente de la estrategia utilizada por el algoritmo, es deseable que posea las
siguientes tres cualidades: robustez, eficiencia y exactitud. La robustez es una caracterstica que
le garantiza un buen desempeo para una gran variedad de problemas y puntos de inicio. La
eficiencia esta asociada a tiempo de clculo y requerimientos de memoria bajos. La exactitud se
relaciona con la baja sensibilidad del algoritmo a los errores de redondeo y a la propagacin de
errores. Estas tres cualidades se encuentran generalmente en conflicto.

Caractersticas de los problemas que se analizan

Los algoritmos que sern estudiados son aplicables a un subconjunto de problemas de
optimizacin que deben satisfacer los siguientes requerimientos:
Funcin objetivo y restricciones derivables.
Problemas determinsticos.
Variables continuas.
Espacio de soluciones conectado.
Funcin n objetivo convexa para el problema de minimizacin y cncava para el problema de
maximizacin (deseable).
Espacio de soluciones convexo (deseable). (http://www.utp.edu.co)

APLICACIONES DE PROGRAMACIN NO LINEAL

Programacin No Lineal En La Arquitectura O Construccin.
Localizacin de Instalaciones: Considere que una empresa distribuidora de productos
farmacuticos requiere determinar la localizacin de una bodega que funcionar como centro de
distribucin y abastecimiento para sus locales en el pas. En especial se busca estar a la menor
distancia de los 3 principales locales de venta al pblico denominados A, B y C, respectivamente.
Las coordenadas geogrficas de dichos locales se presentan en el siguiente grfico:

17

Formule y resuelva un modelo de optimizacin que permita determinar la localizacin ptima de

la bodega y que minimiza la distancia a los distintos locales de la empresa. Asuma que la bodega
puede ser ubicada en cualquier coordenada o punto del mapa.
Respuesta: Si consideramos como variables de decisin X e Y que correspondan a las respectivas
coordenadas de la bodega a instalar, se puede definir el siguiente modelo de optimizacin no
lineal sin restricciones, donde la siguiente funcin objetivo de minimizacin de distancia (Min
f(x,y)), (http://investigaciondeoperaciones.net)
Queda definido por:

Programacin No Lineal En La Economa

Las aplicaciones de la programacin no lineal en economa son abundantes y muy importantes,
mostraremos primeramente que los multiplicadores de Kuhn-Tucker pueden ser interpretados
heursticamente como los precios de equilibrio, luego presentaremos dos aplicaciones, validas
tanto por su importancia en la teora econmica como por sus enseanzas para la tcnica que
estamos estudiando.
Interpretacin de los multiplicadores de Kuhn-Tucker. Supongamos que la funcin objetivo
representa un costo que se intenta minimizar. Los argumentos de la funcin son los insumos
necesarios para producir cierto producto. Las restricciones estn definidas por la cantidad de
recursos disponibles para la produccin. El programa sera un programa de minimizacin con
restricciones convexas del tipo:
gj (x) = 0; j = 1; 2; .; m: Se ajusta al programa de maximizacin.
18

Aterrizando lo descrito anteriormente se presenta un ejemplo de cmo puede ser usada un

algoritmo de la programacin no lineal en el campo de la economa.
Ejemplo: seria el problema de minimizar costos (MC) por parte de una firma competitiva, que
produce un nico producto.
La firma elegira una cierta cantidad a producir y
seran representados por un vector

R; y sus correspondientes insumos, que

x R n ; en forma acorde con la tcnica de produccin que

n
posee, la que sera representada por una funcin f: R R . La firma elegira

x Rn

tal

que: Minimizar: wx, (Maximizar: -wx).

Sujeto a: f ( x ) yx 0 .
Donde, w es el vector de precios (dado), admitimos

w i> 0i=1,2 n

; x el vector de insumos,

y (> 0) nivel del producto deseado, f(x) funcin de produccin. Las condiciones de primer orden
(CPO), para este problema son:

f (x)
f (x)
wi +
0 wi +
x i=0 i=1, 2, , n [ f x y ] =0
xi
xi
f x y 0

Estas condiciones determinan la funcin de demanda,

El conjunto factible para este problema es
x >
x 0 al que f

x =x ( w , y ) tanto cuando a ( w , y ) .

C={ X : X 0, F ( X ) Y } .

Suponga que existe

y esto es que se cumple la condicin de Slater. Si la funcin de produccin es

cncava, entonces la condicin 1 es necesaria para la existencia de un ptimo local, siendo

adems la funcin objetivo lineal, y por lo tanto cncava, la condicin es tambin suficiente para
un ptimo global.
19

Siendo f cncava, y si se cumple la condicin de Slater, entonces la condicin 1 es necesaria y

suficiente para la existencia de un ptimo global. Obsrvese que es perfectamente posible
obtener una solucin de esquina, esto es una solucin donde se cumpla la desigualdad estricta en
(1);

f i ( x )<w

en este caso

x i=0

.Puede pensarse que para la tecnologa existente es un

factor muy caro y que por lo tanto no se usara.

En el caso en que se cumpla la igualdad:
f x =wi , y=f (x )
xi

La funcin demanda

x i=x i ( w , y ) asi como = (w, y), se determinan a partir del teorema de

la funcin implcita a partir del sistema (2).

Programacin No Lineal En La Microeconoma.
Ejemplo:
El problema del consumidor p>0 y sea x (p, M) la solucin del problema siendo (p,M) el
multiplicador de Lenguaje. En este caso = (p, M).la funcin de utilidad del consumidor ser u.
Definimos:
U ( p , M )=u [ x ( p , M ) ] ( Funcion de Utilidad Directa)
La funcin lagrangiana seria:
=u ( x ) + ( M px ) . por el teoremaenterior tendremos :
U
= (p , M )
M
Esto es multiplicador de lenguaje representa la utilidad margina del ingreso. Por otra parte
obtenemos:

20

U
=x j , j=1,2, , n
pj
Esto significa que un aumento en el precio disminuir la satisfaccin del consumidor.
Las igualdades obtenidas nos permiten obtener la identidad de Roy.
U
U
+xj
=0, j=1,2, , n
pj
M
Programacin No Lineal En La Ingeniera Elctrica.
Los sistemas de energa elctrica se extienden sobre naciones e incluso continentes para asegurar
el suministro elctrico a la industria, los negocios y los hogares. A lo largo de la red se
encuentran situados aparatos de medida de diversos tipos. Los voltmetros miden las tensiones
con una cierta precisin. Se realiza una medida de tensin, que se designa por vi, en cada nudo
i; su nivel de calidad viene determinado por el parmetro vi. Cuanto menor es vi, mayor es la
precisin de la medida. Normalmente, las medidas de potencia activa se toman en los extremos
de cada lnea. Tales medidas de potencia activa que circula desde el nudo k hacia el nudo l de la
lnea k l se denota pkl y tiene un grado de precisin indicado por p kl. Del mismo modo, las
medidas de potencia reactiva se encuentran en ambos extremos de toda lnea y se indica por qkl
con un grado de precisin asociado al parmetro q kl. Adems de la potencia activa, la potencia
reactiva tambin viaja por las lneas de potencia. La potencia reactiva es una variable relacionada
con los valores del voltaje. Si se dispone de suficiente potencia reactiva, el perfil del voltaje es
adecuado, pero si no, tal perfil se deteriora. Finalmente, si la potencia reactiva disponible es
mayor de la deseada, el perfil del voltaje se sobredimensiona. El estado de la red de potencia se
determina por los voltajes en los nodos. El valor del voltaje en cada nodo es un nmero
complejo, expresado normalmente en forma polar. El mdulo de este nmero complejo
proporciona el valor del voltaje mientras que el ngulo es una medida de la altura relativa de
este nudo. Cuanto mayor es la altura de un nudo, mayor es el flujo de la potencia activa desde
este nudo hacia otros nudos conectados con l.
Para conocer el estado de la red de potencia, es necesario conocer las variables de estado.
Tpicamente se dispone de un nmero de medidas mayor que el mnimo requerido. Pero tales
medidas no son exactas. Un modo racional de proceder consiste en usar todas las medidas para
21

generar la mejor estimacin del estado de la red. Los voltajes (variables de estado) en la red se
denotan por vi _ i i , donde vi es la magnitud del voltaje; i es el ngulo del voltaje; y , el
conjunto de nudos de la red. Debe observarse que el ngulo de cualquier nudo fijo puede tomarse
como el origen; as se podr m = 0, donde m es un nudo arbitrario.
Programacin No Lineal En La Geometra.
La bombilla
Una bombilla est situada justo encima del centro de un crculo de radio r. Suponiendo que la
intensidad de luz en cualquier punto de la circunferencia es proporcional a la raz cuadrada del
seno del ngulo con el que el rayo de luz llega a tal punto, y al inverso de la distancia a la
bombilla, d, encontrar la altura optima de la bombilla, de suerte que la intensidad en la
circunferencia (frontera del crculo) sea mxima. Se debe maximizar la intensidad de luz en los
puntos de la circunferencia de radio r = 30 cm. Sea

la intensidad, medida en unidades

apropiadas, que depende del seno del ngulo formado por el rayo de luz y el horizonte.

=
En el tringulo de la figura se ve que:

h
; d= h2 +r 2
2
2
h + r
sin

h
( 2+r 2 )
As se puede escribir:

3
4
1
2

h
I ( h )=k

Donde k > 0 es una constante de proporcionalidad. Esta expresin debe maximizarse con
respecto a h, recordando que debe tenerse h 0. (https://es.scribd.com/doc)

22

OPTIMIZACIN DE PORTAFOLIO
Teora De Portafolio
Se entiende por portafolio a una combinacin de activos. La teora del portafolio trata acerca de
la solucin ptima de dichas combinaciones, para inversores a versos al riesgo. La teora
maneja dos conceptos fundamentales, los rendimientos y los riesgos, tanto para activos
individuales como para portafolios.
En este estudio se analiza el mtodo de optimizacin de carteras de Markowitz, cuya no
linealidad se resuelve por el mtodo de los Multiplicadores de LaGrange, para agilizar la
toma de decisiones (tomar posiciones en el mercado de valores) en operaciones de intrada.
Multiplicadores De Lagrange
En los problemas de optimizacin, el mtodo de los multiplicadores de LaGrange, llamados as
en honor a Joseph Louis LaGrange, es un procedimiento para encontrar los mximos y
mnimos de funciones de varias variables sujetas a restricciones. Este mtodo reduce el problema
restringido con n variables a uno sin restricciones de n + k variables, donde k es igual al nmero
de restricciones, y cuyas ecuaciones pueden ser resueltas ms fcilmente. Estas nuevas variables
escalares desconocidas, una para cada restriccin, son llamadas multiplicadores de LaGrange.
El mtodo dice que buscar los extremos condicionados de una funcin con k restricciones, es
equivalente a buscar los extremos sin restricciones de una nueva funcin construida como una
combinacin lineal de la funcin y las restricciones,

donde

los

coeficientes

de

las

restricciones son los multiplicadores. La demostracin usa derivadas parciales y la regla de la

cadena para funciones de varias variables. Se trata de extraer una funcin implcita de las
restricciones, y encontrar las condiciones para que las derivadas parciales con respecto a las
variables independientes de la funcin sean iguales a cero.
Sea f (x) una funcin definida en un conjunto abierto n-dimensional {x Rn}. Se definen
s restricciones gk (x) = 0, k=1,..., s, y se observa (si las restricciones son satisfechas) que:
s

h ( x , )=f k g k ( 1 )
k=1

23

Se produce a buscar un extremo para h

Lo que es equivalente a
s

f
xi

f
=0 ( 2 )
xi

k xk (3)
k

Los multiplicadores desconocidos k se determinan a partir de las ecuaciones con las

restricciones y conjuntamente se obtiene un

extremo

para

que

al

mismo

tiempo

satisface las restricciones (gk=0), lo que implica que f ha sido optimizada.

Teora De Portafolio De Markowitz
Markowitz advirti que el problema de seleccin de inversiones implicaba la nocin central de
incertidumbre (o riesgo), significaba reconocer que cualquier inversin financiera tiene ms de
un resultado posible en trminos de rendimiento y que, en el mejor de los casos, slo es posible
conocer o inferir una distribucin de probabilidades para el resultado de la misma. Si no existiera
incertidumbre todos los inversionistas invertiran en el activo que ofreciera la ms alta tasa de
rendimiento, lo que equivale a decir que slo poda existir un nico activo de inversin. Por otro
lado, si se considera slo el valor esperado de los rendimientos, la inversin escogida sera aquel
activo que tuviese el valor esperado ms alto. En ambos casos, no se planteara el problema de la
diversificacin de activos.
Es fcil cuantificar el rendimiento esperado de una inversin si se conocen los valores iniciales y
finales esperados de la misma. En cuanto al riesgo financiero, desde Markowitz se acepta que
una medida de ella es la varianza (o desviacin estndar) de los rendimientos. Puesto que
normalmente no es posible encontrar activos que al mismo tiempo tengan los rendimientos
esperados ms altos y el riesgo ms bajo, el inversionista se encuentra en un
rendimiento

riesgo

que

se

dilema

entre

resuelve dependiendo de la tasa personal a la que l est

dispuesto a intercambiar riesgo por rendimiento. El anlisis reconoce que no todos los

24

inversionistas tienen el mismo grado de hostilidad al riesgo y, por lo tanto, la tasa a la que cada
inversionista prefiere canjear ms riesgo por ms rendimiento es subjetiva.
Una de las formas de encontrar este conjunto de portafolios eficientes es a travs del siguiente
modelo, que slo considera la minimizacin de la varianza media del portafolio y que
corresponde al siguiente esquema de programacin no lineal, (ver modelo de Harry
Markowitz).
n

1
1
min 2p= wi w k ik ( 4 )
2
2 i=1 k=1
Sujeto a:
n

Y p= wi Y i
i=1

wi=1 , donde Yp es una tasade rendimientoarbitraria

i=1

El resultado ms importante del enfoque de Markowitz es que permite deducir combinaciones de

activos (portafolios) que simultneamente cumplen con dos condiciones: (a) tienen la varianza
mnima dentro de todas las combinaciones posibles que tienen

un rendimiento esperado

dado y (b) tienen el rendimiento esperado mximo dentro de todas las combinaciones
posibles que tienen una varianza dada. Aquellas combinaciones que renen estos dos atributos
se llaman portafolios eficientes. (http://www.redalyc.org)

SOLVER E IMPLEMENTACIN INFORMTICA

Existe varios solver para resolver problemas de programacin no lineal.
OPT++: es un paquete de optimizacin no lineal orientado a objetos. Soluciona problemas de
optimizacin de la forma en la que el usuario especifica la funcin f (y, cuando est disponible,
su primera y segunda derivadas de anlisis) y las funciones h y g. OPT ++ proporciona muchos
algoritmos de solucin diferentes, incluyendo:
25

- Diversos mtodos de Newton.

-Un mtodo de Newton paralelo.
-Un mtodo de gradiente conjugado no lineal.
-Un mtodo de bsqueda directa en paralelo.
-Un mtodo de punto interior no lineal. (http://acts.nersc.gov)
FSQP: Factible Programacin Cuadrtica Secuencial
Este cdigo implementa un enfoque SQP que se ha modificado para generar itera factibles.
Adems de ocuparse de objetivos limitados problemas de optimizacin no lineal individuales
generales, el cdigo tambin es capaz de manejar mltiples competir restricciones de
desigualdad lineales objetivo funciones no lineales (minimax) lineal y, lineal y, as como
restricciones lineales y no lineales de igualdad. (http://www.pyopt.org)
KNITRO: es un anuncio (Software comercial) paquete de software (Paquete de software
(instalacin)) para solucionar la optimizacin matemtica a gran escala (programacin
matemtica) problemas. Se especializa para la optimizacin no lineal (optimizacin no lineal),
sino tambin soluciona problemas de la programacin (programacin lineal) lineales, problemas
de la programacin (programacin cuadrtica) cuadrticos y sistemas de ecuaciones no lineales
(ecuaciones simultneas). El unknowns en estos problemas debe ser variables continuas en
funciones continuas (funciones continuas); sin embargo, las funciones pueden ser convexas
(funciones convexas) o no convexo. Calcula una solucin numrica del problema - no encuentra
un matemtico simblico (clculo simblico) solucin, tambin puede solucionar el nmero
entero mezclado problemas de programacin lineales, cuadrticos o no lineales, es decir
problemas con variables que toman valores enteros. (http://es.knowledger.de)
FAIPA: (Feasible Arc Interior Point Algorithm) para optimizacin no lineal, el cual es una
herramienta matemtica para optimizacin de diseo en ingeniera.
(http://www.cimec.org.ar)
GLPK: El paquete GLPK (Kit de Programacin Lineal GNU) est pensado para la solucin de
programacin a gran escala lineal (LP), la programacin entera mixta (MIP), y otros problemas
26

relacionados. Es un conjunto de rutinas escritas en ANSI C y organizadas en forma de una

biblioteca exigible. (https://www.gnu.org)
LPSOLVE: Mixta de Programacin Lineal Entera (MILP) lpsolve solucionador resuelve puro
lineal, (mixto) entero / binario, semi-cont y especial conjuntos ordenados (SOS) models.lpsolve
est escrito en ANSI C y se pueden compilar en diferentes plataformas como Linux y Windows.
(http://sourceforge.net/projects/lpsolve/)
Coin-OR: La infraestructura computacional para la Investigacin de Operaciones (COIN-O **, o
simplemente COIN) proyecto es una iniciativa para estimular el desarrollo de software de cdigo
abierto para la comunidad de investigacin de operaciones. (http://www.coin-or.org/)
IPOpt:(Interior Point Optimizer) es una biblioteca de software para la optimizacin no lineal a
gran escala de sistemas continuos. (http://openopt.org)
OBOE: (Oracle Based Engine Optimization) es un software de cdigo abierto para la
optimizacin convexa general. Se supone que un cdigo hecho por el usuario, a partir de
entonces llamado orculo, es capaz de ofrecer informacin de primera orden en los elementos
clave del problema (apoyar el conjunto factible, el apoyo a la funcin objetivo). El motor explota
esta informacin para construir el llamado conjunto de localizacin que es una aproximacin
polidrica del conjunto de soluciones ptimas. (https://projects.coin-or.org)

27

APNDICE

Cmo Resolver Un Modelo De Programacin No Lineal Con Ampl

La complejidad adicional que representan los modelos de programacin no lineal en
comparacin a los modelos de programacin lineal, justifica el desarrollo de algoritmos
especializados que permitan abordar de forma ms eficiente la resolucin de este tipo de
modelos.
En este contexto, uno de los lenguajes de programacin matemtica ms conocidos y
confiable para formular diversos modelos de optimizacin es AMPL. Su popularidad ha sido
sustentada adicionalmente por el desarrollo de distintos algoritmos de resolucin (o solvers) que
son compatibles con AMPL y que permiten resolver modelos de programacin lineal,
programacin no lineal, programacin entera, entre otras. Estos solvers han sido resultado del
trabajo de prestigiosas universidades y centros de investigacin, en algunos casos en conjunto
con empresas de software. El servidor NEOS consolida esta informacin en Internet.
A continuacin mostraremos cmo resolver un modelo de programacin no lineal sencillo
utilizando la versin estudiantil de AMPL y utilizando el solver de resolucin MINOS versin
5.5. Para ello debemos descargar el archivo amplcml.zip a nuestro computador, descomprimir
ste y luego ejecutar el archivo de nombre ampl.
Consideremos el siguiente modelo de programacin no lineal:

La sintaxis utilizada por AMPL es bastante intuitiva como se aprecia a continuacin en la

resolucin del ejemplo:
28

La solucin ptima es X1=1,2 y X2=2,4 con valor ptimo V(P)=3,2.

29

CONCLUSIN
En conclusin este informe presenta una introduccin sobre programacin no lineal destacando
definiciones, caractersticas, ventajas, etc. Adems se describe algunas aplicaciones sobre la
programacin no lineal en la arquitectura, economa, microeconoma, geometra, ingeniera
elctrica.
El modelo de Markowitz, resuelto con multiplicadores de Lagrange, es mucho ms rpido
para resolver problemas de optimizacin de portafolios de inversin correspondientes a
variaciones de precios pequeos durante perodos cortos de tiempo, para casos de negociacin.
De la matriz de correlaciones (correlaciones bajas), se puede apreciar que el portafolio
ideal depende de un alto grado de diversificacin, lo que se pierde de rentabilidad por la baja en
el precio de una o varias acciones del portafolio, se recuperara por el incremento en el precio de
las otras acciones.
Se present una metodologa alterna para resolver problemas de PE basada en una
transformacin matemtica del problema original. El algoritmo presentado para resolver el
nuevo problema de PNL muestra ser eficiente cuando es apoyado por un minimizador irrestricto
de buen desempeo como el gradiente conjugado. Inclusive muestra que el tiempo
computacional empleado no es elevado aun cuando se tratan problemas de gran tamao. Sin
embargo, los algoritmos de PNL no garantizan la convergencia hacia el optimizador global, sino
que resultan en un punto que satisface condiciones de primer orden de Karush Kuhn Tucker, es
decir, optimizadores locales. Se puede afirmar, que problemas de pocas variables convergen
rpidamente al optimizador global.

30

BIBLIOGRAFA

http://acts.nersc.gov. (s.f.). Obtenido de http://acts.nersc.gov/opt++/

http://es.knowledger.de. (s.f.). Obtenido de http://es.knowledger.de/3774380/KNITRO
http://investigaciondeoperaciones.net.

(s.f.).

Obtenido

de

http://investigaciondeoperaciones.net/programacion_no_lineal.html
http://openopt.org. (s.f.). Obtenido de http://openopt.org/IPOPT
http://sourceforge.net/projects/lpsolve/. (s.f.). Obtenido de http://sourceforge.net/projects/lpsolve/
http://www.aliatuniversidades.com.

(s.f.).

Obtenido

de

http://www.aliatuniversidades.com.mx/bibliotecasdigitales/pdf/economico_administrativ
o/Investigaci%C3%B3n_de_operaciones/Investigacion_de_operaciones_Parte_2.pdf
http://www.cimec.org.ar.

(s.f.).

Obtenido

de

http://www.cimec.org.ar/ojs/index.php/mc/article/viewFile/211/186
http://www.coin-or.org/. (s.f.). Obtenido de http://www.coin-or.org/
http://www.enciclopediafinanciera.com.

(s.f.).

Obtenido

de

http://www.enciclopediafinanciera.com/definicion-programacion-no-lineal.html
http://www.eurodecision.es. (s.f.). Obtenido de http://www.eurodecision.es/optimisation-lineaire
http://www.konradlorenz.edu.

(s.f.).

Obtenido

de

http://www.konradlorenz.edu.co/images/stories/suma_digital_matematicas/PNL.pdf
http://www.pyopt.org. (s.f.). Obtenido de http://www.pyopt.org/reference/optimizers.fsqp.html
http://www.redalyc.org. (s.f.). Obtenido de http://www.redalyc.org/articulo.oa?id=84927487017#
http://www.utp.edu.co.

(s.f.).

Obtenido

de

http://www.utp.edu.co/~aescobar/PNL_introduccion.pdf
https://es.scribd.com/doc.

(s.f.).

Obtenido

de

https://es.scribd.com/doc/36404359/La-

Programacion-no-Lineal#download
31

https://karenbandala.wordpress.com.

(s.f.).

Obtenido

de

https://karenbandala.wordpress.com/unidad-iii/3-3-problemas-no-restringidosprogramacion-no-lineal/
https://projects.coin-or.org. (s.f.). Obtenido de https://projects.coin-or.org/OBOE
https://www.gnu.org. (s.f.). Obtenido de https://www.gnu.org/software/glpk/

32

ANEXOS
Imgenes del Ejercicio
Imagen 1

Imagen 2

33

Imagen 3

Imagen 4

Imagen 5

Imagen 6

34

Imagen 7

Imagen 8

35

Imagen 9

Imagen 10

36

Imagen 11

37