Escolar Documentos
Profissional Documentos
Cultura Documentos
PG.
1
1. DEFINICIN Y CARACTERSTICAS DE MODELOS DE PROGRAMACIN NO
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.
Y X=>0,
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.
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.
Optimizacin no restringida.
Optimizacin linealmente restringida.
Programacin cuadrtica.
Programacin convexa.
Programacin separable.
Programacin no convexa.
Programacin geomtrica.
Programacin fraccional.
3
Problema de complementariedad.
maxf(x)
/|x=x=0,"j"=1,2,,n.
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
| = = 0, > 0
| = 0, x*j=0
4
2.3 Programacin cuadrtica
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.
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
() = ()
=1
5
mediante uno de programacin lineal y, entonces, se puede aplicar el eficiente mtodo
smplex.
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.
() = ()
=1
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
Si la funcin objetivo se encuentra en la forma de una fraccin, esto es, como razn o
cociente de dos funciones.
1()
Max () = 2()
+0
f(x)=+0
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.
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/