La programacin no lineal

Generalidades sobre la programacin no lineal

Muchas aplicaciones industriales de optimizacin implican una modelizacin que se
aproxima ms a la fsica. En optimizacin del diseo por ejemplo, se optimizan metamodelos o espacios de respuesta que provienen de un modelo estadstico, que no son
lineales. As mismo, la optimizacin topolgica o la optimizacin de forma recurren a
modelos no lineales y adems de tamao muy grande, como en este ejemplo.
Formalmente,
un
programa
matemtico
no
lineal
Min
gj(x)
<=0
j
=
x vector de nmeros reales que representan las variables de decisin

se

enuncia:
f(x)
1,,m

Las tcnicas para resolver los problemas matemticos y los resultados de los algoritmos de
optimizacin dependen de la naturaleza de la funcin objetivo y de las restricciones.

La programacin lineal trata los casos en los que f(x) y g j(x) son lineales. El
algoritmo del Simplex o los mtodos del punto interior permiten resolver problemas
de gran tamao (algunos con miles o millones de variables y decenas de miles de
restricciones).

La programacin cuadrtica trata el problema en el que la funcin objetivo f(x) es

cuadrtica, y las restricciones gj(x) son lineales. Existen algoritmos eficaces para
tratar este caso particular, por ejemplo en las problemticas de optimizacin de
carteras financieras.

La programacin estocstica y la optimizacin robusta tratan situaciones en las

que algunos parmetros son variables aleatorias o imprecisas (marco de la
optimizacin robusta).

La programacin dinmica es un mtodo til para los casos en los que una
solucin ptima se divide en sub-soluciones optimales (propiedad utilizada por
ejemplo para buscar los caminos ms cortos en los grficos) y de caminos ms
cortos con restricciones (algoritmos utilizados en los mtodos de generacin de
columnas para resolver sub-problemas asociados en componentes como LPShiftPlanner).

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).

Solver e implementacin informtica

Existen varios solver para resolver problemas
EURODECISION ha probado los siguientes:

OPT++

FSQP

KNITRO

FAIPA

GLPK

LPSOLVE

Coin-OR: IPOpt, OBOE

de

programacin

no

lineal.