3.1 CONCEPTOS BSICOS DE PROBLEMAS DE PROGRAMACIN NO LINEAL.

Programacin no lineal (PNL) es el proceso de resolucin de un sistema de

igualdades y desigualdades sujetas a un conjunto de restricciones sobre un
conjunto de variables reales desconocidas, con una funcin objetivo a
maximizar, cuando alguna de las restricciones o la funcin objetivo no son
lineales.
Una suposicin importante de programacin lineal es que todas sus funciones
(funcin objetivo y funciones de restriccin) son lineales.
3.2 ILUSTRACIN GRAFICA DE PROBLEMAS DE PROGRAMACIN NO LINEAL.

Cuando un problema de programacin no lineal tiene slo una o dos variables,

se puede representar grficamente.
Se vern unos cuantos ejemplos, ya que una representacin grfica de ese tipo
proporciona una visin global de las propiedades de las soluciones ptimas de
programacin lineal y no lineal.
La figura 13.5 muestra lo que ocurre con este problema si los nicos cambios
que se hacen al modelo.
La segunda y tercera restricciones funcionales se sustituyen por la restriccin
no lineal 9x { + 5x2 <.
La solucin ptima sigue siendo (a^ , x2) = (2,6).
Todava se encuentra sobre la frontera de la regin factible, pero no es una
solucin factible en un vrtice (FEV).
La solucin ptima pudo haber sido una solucin FEV con una funcin
objetivo diferente (verifique Z = 3xx + x2).
3.3 TIPOS DE PROBLEMAS DE PROGRAMACIN NO LINEAL.
Los problemas de programacin no lineal se presentan de muchas formas
distintas.
Al contrario del mtodo simplex 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.
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.
Los tipos de problemas de programacin no lineal son:
1.
2.
3.
4.
5.
6.
7.
8.
9.

Optimizacin no restringida.
Optimizacin linealmente restringida.
Programacin cuadrtica
Programacin convexa.
Programacin separable.
Programacin no convexa.
Programacin geomtrica.
Programacin fraccional.
Problema de complementariedad.
3.4 OPTIMIZACIN CLSICA.

Si la restriccin no existe, o es una restriccin de igualdad, con menor o igual

nmero de variables que la funcin objetivo entonces, el clculo diferencial,
da la respuesta, ya que solo se trata de buscar los valores extremos de una
funcin.
Un problema de optimizacin es, en general, un problema de decisin.
Con el fin de ilustrar de forma adecuada la estructura y composicin de un
problema de optimizacin, introduciremos a continuacin un sencillo ejemplo.
Ejemplo 1.1 (Construccin de una caja con volumen mximo)
Supongamos que queremos determinar las dimensiones de una caja
rectangular de forma que contenga el mayor volumen posible, pero utilizando
para ello una cantidad fija de material.

El problema en forma abstracta se podra plantear en los siguientes trminos:

Maximizar

Volumen de la caja

Sujeto a

rea lateral fija

Con el fin de resolver este problema habr que modelizarlo matemticamente,

es decir tendremos que expresarlo en trminos matemticos.
El primer paso para modelizar un problema de optimizacin es identificar y
definir las variables que estn implicadas en dicho problema, en este caso y
puesto que estamos tratando de determinar el tamao de una caja rectangular,
la opcin ms clara es considerar como variables sus tres dimensiones
rectangulares usuales (ancho, largo, alto) y que representamos con , , .
Con estas variables, la funcin para la que tenemos que encontrar el mejor
valor ser el volumen de la caja que puede expresarse como (
)=
A continuacin debemos tener en cuenta las limitaciones existentes sobre el
material.
Como este material se utiliza para construir las paredes de la caja,
necesitaremos considerar el rea lateral de la misma, y si la caja tiene tapa,
dicha rea ser (
) = 2(
+
+
)
Por ltimo, teniendo en cuenta que las dimensiones de la caja no pueden ser
negativas el problema puede expresarse matemticamente como Maximizar
sujeto a 2 (
+
+
)=
0

3.4.1 PUNTOS DE INFLEXIN.

Un punto de inflexin es un punto donde los valores de x de una funcin
continua pasa de un tipo de concavidad a otra. La curva "atraviesa" la
tangente.
Matemticamente la derivada segunda de la funcin f en el punto de inflexin
es cero, o no existe.
Clculo de los puntos de inflexin en funciones reales derivables de variable
real
En las funciones derivables reales de una variable real, para hallar estos
puntos de inflexin, basta con igualar la segunda derivada de la funcin a cero
y despejar. Los puntos obtenidos debern ser sustituidos en la derivada tercera
o sucesiva hasta que nos d un valor diferente de cero. Cuando esto suceda, si
la derivada para la que es distinto de cero es impar, se trata de un punto de
inflexin; pero, si se trata de derivada par, no lo es.

Ms concretamente:
1.
2.
3.
4.
5.

Se halla la primera derivada de

Se halla la segunda derivada de
Se halla la tercera derivada de
Se iguala la segunda derivada a 0:
Se despeja la variable independiente y se obtienen todos los valores
posibles
de
la
misma:
.
6. Se halla la imagen de cada sustituyendo la variable dependiente en la
funcin.
7. Ahora, en la tercera derivada, se sustituye cada :
1. Si
, se tiene un punto de inflexin en
.
2. Si
, debemos sustituir en las sucesivas derivadas
hasta sea distinto de cero. Cuando se halle la derivada para la que
no sea nulo, hay que ver qu derivada es:
1. Si la derivada es impar, se trata de un punto de inflexin.
2. Si la derivada es par, no se trata de un punto de inflexin.
La ecuacin
no tiene puntos de inflexin, porque la derivada
segunda es siempre mayor o igual a cero, por tanto no hay cambio de
concavidad dado que es no negativa en todo su dominio. Sin embargo en
la derivada segunda se anula y la primera derivada no nula en
es
la derivada cuarta, que es par. Obsrvese que tampoco presenta un extremo
en .
Ejemplo
Sea la funcin

tiene como segunda derivada

1

, luego el punto de inflexin es

3.4.2 MXIMOS Y MNIMOS.

Mnimo (fuerte): Un punto extremo X0 de una funcin f(X0) define un
mnimo de la funcin si f(X0+h) > f(X0), donde X0 es cualquier punto de la
funcin y h en valor absoluto es suficientemente pequea.
Mximo (fuerte): Un punto extremo X0 de una funcin f(X0) define un
mximo de la funcin si f(X0+h) < f(X0), donde X0 es cualquier punto de la
funcin y h en valor absoluto es suficientemente pequea.
Una funcin puede contener varios mximos y mnimos, identificados por los
puntos extremos de la funcin.
Puntos minimax.
El punto minimax de la funcin lagrangiana es otro concepto relacionado con
la solucin de un problema de optimizacin.
Si bien su definicin no le hace til a la hora de la resolucin directa del
problema, s constituye un paso intermedio muy importante en la obtencin
del problema dual, que estudiaremos ms adelante.
En esta seccin definimos dicho punto y estudiamos su relacin con otro
concepto, el punto de silla de la lagrangiana.
La relacin del punto minimax con la solucin del problema de programacin
no lineal se obtiene de forma inmediata sin ms que tener en cuenta que:
Min L (x, ) = f (x) Max t [g(x) b]R m+R m+
Si gi (x) bi 0, entonces i [gi(x) bi] 0, luego
Max i ( gi (x) bi ) = 0R m+ (se alcanza en = 0). Por tanto, si x X, Min
L (x, ) = f (x) .R m+ Si gi (x) bi > 0, entonces Sup i [gi(x) bi] = , por lo
que en este caso no se alcanza el R m+ mnimo de la Lagrangiana.
As pues, si (x0, 0) es un punto minimax, x0 es una solucin ptima del
problema original.