INDICE

PG.

1. DEFINICIN Y CARACTERSTICAS DE MODELOS DE PROGRAMACIN NO LINEALES 2

2. MTODOS DE RESOLUCIN DE MODELOS DE PROGRACIN NO LINEAL 2
2.1 Optimizacin no restringida 4
2.2 Optimizacin restringida linealmente 4
2.3 Programacin cuadrtica 5
2.4 Programacin convexa 5
2.5 Programacin separable 5
2.6 Programacin no convexa 6
2.7 Programacin geomtrica 6
2.8 Programacin fraccional 7
3. APLICACIN DE MODELOS DE PROGRAMACIN NO LINEALES 8
4. REFERENCIAS 9

1
1. DEFINICIN Y CARACTERSTICAS DE MODELOS DE PROGRAMACIN NO
LINEALES

Es la programacin basada en la resolucin de un sistema de igualdades y desigualdades

sujetas a un grupo de restricciones sobre un conjunto de variables reales desconocidas,
con funcin de maximizar o minimizar, 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. Aunque, en esencia, esta suposicin se
cumple para muchos problemas prcticos, con frecuencia no es as. De hecho muchos
economistas han encontrado que cierto grado de no linealidad es la regla, y no la
excepcin, en los problemas de planeacin econmica, por lo cual, muchas veces es
necesario manejar problemas de programacin no lineal, lo cual vamos a analizar
enseguida.

De la manera general el problema de programacin no lineal consiste en encontrar:

X=(X1, X2, X3, X4, XN) para

Maximizar f(X), sujeta a:

Gi(X)<= bi para i=1,2..m,

Y X=>0,

Donde f(X) y gi(x) son funciones dadas de n variables de decisin.

2. MTODOS DE RESOLUCIN DE MODELOS DE PROGRACIN 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.

2
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. Otro
mtodo implica el uso de tcnicas de Ramificacin y poda, 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.

Los tipos de problemas de programacin no lineal son:

Optimizacin no restringida.
Optimizacin linealmente restringida.
Programacin cuadrtica.
Programacin convexa.
Programacin separable.
Programacin no convexa.
Programacin geomtrica.
Programacin fraccional.
3
 Problema de complementariedad.

2.1 Optimizacin no restringida

Es cuando un problema no posee restricciones, es decir, el problema se reduce a

maxf(x)

Si f(x) es diferenciable, la condicin necesaria para que x = x sea optima es

/|x=x=0,"j"=1,2,,n.

La condicin suficiente es que f(x) sea cncava.

Si el problema es de minimizacin la condicin suficiente es que f(x) sea convexa.

2.2 Optimizacin restringida linealmente

Si todas las funciones de restricciones son lineales pero la funcin objetivo es no lineal.
Se han desarrollado extensiones del mtodo smplex. Un caso particular, con m = 0 es
aquel en que hay variables no negativas.

Max f(x)

s.a xj 0

Entonces la condicin necesaria cambiaria a:

| = = 0, > 0

| = 0, x*j=0

4
2.3 Programacin cuadrtica

Problema restringido linealmente con funcin objetivo cuadrtica (Contiene cuadrados de

variables y/o productos de variables.

F(x1,x2)= a1x21+a2x22+a3x1x2+a4x1+a5x2

Se han desarrollado muchos algoritmos para f(x) cncava, esta formulacin surge de
manera natural en muchas aplicaciones.

2.4 Programacin convexa

Abarca una amplia clase de problemas, entre los cuales, como casos especiales, se
puede mencionar todos los tipos anteriores cuando f(x) es una funcin cncava que debe
maximizarse. Los supuestos son: (i) f(x) es cncava y (ii) cada gi(x) es convexa. Estos
supuestos aseguran que un mximo local es global.

Si el problema es de minimizacin:

Mim f(x)

s.a gi(x) bi

F(x) convexa y g1(x), g2(x),,gm(x) aseguran que un mnimo local es global.

2.5 Programacin separable

Es un caso especial de programacin convexa, en donde el supuesto adiciones es: todas

las funciones f(x) y gi(x) son 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. Por ejemplo, si f(x) es una funcin
separable, se puede expresar como:

() = ()
=1

Es importante distinguir estos problemas de otros de programacin convexa, pues

cualquier problema de programacin separable se puede aproximar muy de cerca

5
mediante uno de programacin lineal y, entonces, se puede aplicar el eficiente mtodo
smplex.

2.6 Programacin no convexa

Incluye todos los problemas de programacin no lineal que no satisfacen los supuestos de
programacin convexa. En este caso, aun cuando se tenga xito de encontrar un mximo
local, no hay garanta de que sea tambin un mximo global. Por lo tanto, no se cuenta
con un algoritmo que se garantice encontrar una solucin ptima para todos estos
problemas; sin embargo, 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 supuso para programacin convexa. Ciertos tipos
especficos de problemas de programacin no convexa se pueden resolver sin mucha
dificultad mediante mtodos especiales.

2.7 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

() = ()
=1

Donde: Pk(x)=x1ak1x2ak2xnakn, k= 1,2,, N

En tales casos, ck y akj con frecuencia representan las constantes fsicas, mientras que las
xj 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 en
forma directa 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 k
de cada funcin son estrictamente positivos, es decir, las funciones son polinomios
positivos generalizados (ahora llamados polinomios), y la funcin objetivo se tiene que
minimizar. El problema equivalente de programacin convexa con variables de decisin
y1, y2, , yn se obtiene al establecer
6
 Xj= eyj, j= 1,2,,n

En todo el modelo original, de modo que ya se puede aplicar un algoritmo de

programacin convexa. Se ha desarrollado otro procedimiento de solucin para resolver
estos problemas de programacin polinomial, al igual que para problemas de
programacin geomtrica de otros tipos.

2.8 Programacin fraccional

Si la funcin objetivo se encuentra en la forma de una fraccin, esto es, como razn o
cociente de dos funciones.

1()
Max () = 2()

Estos problemas de programacin fraccional surgen, por ejemplo, cuando se maximiza la

razn de la produccin entre las horas-persona 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 de una cartera de inversiones
(rendimiento/riesgo). Se han formulado algunos procedimientos de solucin especiales
para ciertas formas de f1(x) y f2(x). Cuando es posible, 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 este enfoque, suponga que f(x) es de la forma de programacin fraccional lineal.

+0
f(x)=+0

Donde c y d son vectores fila, x es un vector columna y c 0 y d0 son escalares. Tambin

suponga que las funciones de restriccin gi (x) son lineales, es decir, las restricciones en
forma matricial son Ax b y x 0. Bajo algunos supuestos dbiles adiciones, el problema
se puede transformar en un problema equivalente de programacin lineal si se establece

1
y= +0 y t= +0

De manera que x= . Este resultado conduce a

7
 Max z=cy+c0t

s.a Ay-bt 0

dy+d0t=1

y0,t0

Que se puede resolver con el mtodo smplex. En trminos generales, se puede usar el
mismo tipo de transformacin para convertir un problema de programacin fraccional con
f1(x) cncava, f2(x) convexa y gi(x) convexas, en un problema equivalente de
programacin convexa.

3. APLICACIN DE MODELOS DE PROGRAMACIN NO LINEALES

Un modelo de Programacin No Lineal (PNL) es aquel donde las variables de decisin se

expresan como funciones no lineales ya sea en la funcin objetivo y/o restricciones de un
modelo de optimizacin.

La programacin no lineal forma parte de la investigacin de operaciones de la misma

manera que la programacin lineal, tiene como finalidad proporcionar los elementos para
encontrar los puntos ptimos para una funcin objetivo. Esta tiene las siguientes
aplicaciones:

Problemas de utilidad del consumidor: Determinan la cantidad a consumir de

varios bienes para maximizar la utilidad del consumidor.
Problemas de produccin: Determinan la cantidad a producir de varios bienes
para minimizar costes o maximizar ingresos o beneficios.
Problemas de seleccin de carteras en un entorno media varianza:
Determinan la cantidad a invertir en un grupo de activos financieros con el objeto
de minimizar los riesgos.
Diseo de procesos: El Diseo de procesos es el diseo y la eleccin de la
secuencia de transformaciones fsicas con el fin de obtener mayor valor o utilidad.
Asignacin de Recursos: Consiste en asociar las tareas, en el proyecto, las
personas y materiales necesarias para que estas se pueda realizar.

8
4. REFERENCIAS

https://karenbandala.wordpress.com/unidad-iii/3-3-problemas-no-restringidos-
programacion-no-lineal/
https://prezi.com/dbdoeb9eyrcn/aplicaciones-de-la-programacion-no-lineal/
https://karenbandala.wordpress.com/unidad-iii/3-1-problemas-de-programacion-no-
lineal/