Unidad: 3

3.1 Conceptos Bsicos De Problemas De Programacin No Lineal

Un modelo de Programacin 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. Esta caracterstica particular de los modelos no lineales permite abordar problemas donde existen economas o deseconomas de escala o en general donde los supuestos asociados a la proporcionalidad no se cumplen. La Programacin no Lineal (PNL) es una parte de la Investigacin Operativa cuya misin es proporcionar una serie de resultados y tcnicas tendentes a la determinacin de puntos ptimos para una funcin (funcin objetivo) en un determinado conjunto (conjunto de oportunidades), donde tanto la funcin objetivo, como las que intervienen en las restricciones que determinan el conjunto de oportunidades pueden ser no lineales. Evidentemente, la estructura del problema puede ser muy variada, segn las funciones que en l intervengan (a diferencia de la Programacin Lineal (PL) donde la forma especial del conjunto de oportunidades y de la funcin objetivo permite obtener resultados generales sobre las posibles soluciones y facilitan los tratamientos algortmicos de los problemas). Ello ocasiona una mayor dificultad en la obtencin de resultados, que se refleja tambin en la dificultad de la obtencin numrica de las soluciones. En este sentido, hay que distinguir entre las diversas caracterizaciones de ptimo, que slo se emplean como tcnicas de resolucin en problemas sencillos, y los

mtodos numricos iterativos, cuyo funcionamiento se basa en estas caracterizaciones, para la resolucin de problemas ms generales. La Programacin No Lineal (PNL) provee una serie de herramientas que manipulan en forma estricta los espacios de bsqueda de solucin de los problemas, aprovechan informacin matemtica del problema para dirigirse en cada paso hacia un punto de buena calidad, mejorando de esta manera la llegada a la solucin. Adems, PNL permite el modela miento de restricciones no lineales, una caracterstica muy til para la formulacin dada en el presente trabajo a los problemas que involucran variables enteras. Estas caractersticas mencionadas se deben a que en problemas de PNL, el cumplimiento de las condiciones de Karush-Kuhn-Tucker (condiciones de primer orden) y algunas condiciones de segundo orden son requeridas para evaluar la factibilidad y la optimalizad de los puntos que se van encontrando.

3.2 Ilustracin Grafica De Problemas De Programacin No Lineal

Algunos problemas de optimizacin matemtica se componen de variables enteras y/o binarias lo que los convierte en problemas de tipo enteros y/o combinatoriales respectivamente, por esta razn, su solucin, a travs de computadores, emplea tiempos grandes cuando se usan tcnicas exactas como Branch and Bound, Benders, Balas, entre otras. Procurando mejorar la bsqueda de soluciones a este tipo de problemas se han empleado, en los ltimos tiempos, tcnicas heursticas y tcnicas inteligentes como Colonia de Hormigas, Recocido Simulado, Bsqueda Tab, Algoritmos Genticos, Partculas Swarm, entre otras. En general, estn basados en la aleatoriedad y en algunos criterios obtenidos de la experiencia del diseador para encontrar una buena solucin. Estas tcnicas usan la funcin objetivo solo para evaluar la calidad de las soluciones, en muchas ocasiones ignorando la informacin matemtica (gradiente) del problema que se encuentra en esta funcin. Ejemplo Una compaa de auditores se especializa en preparar liquidaciones y auditoras de empresas pequeas. Tienen inters en saber cuantas auditoras y liquidaciones pueden realizar mensualmente para maximizar sus ingresos. Se dispone de 800 horas de trabajo directo y 320 horas para revisin. Una auditora

en promedio requiere de 40 horas de trabajo directo y 10 horas de revisin, adems aporta un ingreso de 300 dls. Una liquidacin de impuesto requiere de 8 horas de trabajo directo y de 5 horas de revisin, produce un ingreso de 100 dls. El mximo de liquidaciones mensuales disponibles es de 60. OBJETIVO : Maximizar el ingreso total.

VARIABLE DE DECISION: Cantidad de auditoras (X1). Cantidad de liquidaciones (X2). RESTRICCIONES : Tiempo disponible de trabajo directo Tiempo disponible de revisin Nmero mximo de liquidaciones. Maximizar Sujeto a:

solucin ptima siempre se encuentra en uno de los vrtices del conjunto de soluciones factibles. Se analizan estos valores en la funcin objetivo. El vrtice que representa el mejor valor de la funcin objetivo ser la solucin ptima.

3.3 Tipos 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 un funcin objetivo a maximizar, cuando alguna de las restricciones o la funcin objetivo no son lineales. Aunque los problemas de programacin lineal son muy comunes y cubren un amplio rango de aplicaciones, en la vida real uno se tiene que enfrentar con cierta frecuencia a otro tipo de problemas que no son lineales. Cuando el conjunto de restricciones, la funcin objetivo, o ambos, son no lineales, se dice que se trata de un tipo de problema de programacin no lineal (PPNL). Las condiciones de Karush-Kuhn-Tucker proporcionan necesarias para que una solucin sea ptima. 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. las condiciones

ALGORITMOS SIN RESTRICCIN

En esta seccin se presentarn dos algoritmos para el problema no restringido: el algoritmo debsqueda directa y el algoritmo de gradiente. Mtodo de bsqueda directa Los mtodos de bsqueda directa se aplican principalmente a funciones estrictamente unimo- dales de una variable. Aunque puede parecer trivial el caso, la seccin 21.1.2 muestra que la optimizacin de funciones de una variable juega un papel clave en el desarrollo de los algoritmos de varias variables, ms generales. La idea de los mtodos de bsqueda directa es identificar el intervalo de incertidum- bre que comprenda al punto de solucin ptima. El procedimiento localiza el ptimo estrechando en forma progresiva el intervalo de incertidumbre hasta cualquier grado de exactitud que se desee. En esta seccin se presentan dos algoritmos estrechamente relacionados: los mtodos debsqueda dictomo y de seccin dorada (o urea). Ambos buscan la maximizacin de una funcin unimodal/(x) en el intervalo a ^ x < b, que se sabe que incluye el punto ptimo x*. Los dos mtodos comienzan con /0 = (a, b) que representa el intervalo inicial de incertidumbre. Paso general i. Sea /, _ , = (xD xR) el intervalo actual de incertidumbre (en la iteracin 0, xL = a y xR= b). A continuacin se definen xx y x2 tales que xj^ ^ ^ x2 ^ xr El siguiente intervalo de incertidumbre, /z, se define como sigue: 1. Si f(xx) > /(x2), entonces xL < x* < x2. Se definen xR = x2 e /, = (xL, x2) (vase la figura 21.2[a]). 2. Si f(xx) < f(x2\ entonces xx < x* < xR. Se definen xL = xx e I = (xh xR) (vase la figura 21.1 [b]). . 3. Si f{x\) = /(jc2), entonces xx < x* < x2. Se definen xL = x2 e /, = (xb x2). La manera en que se determinan xx y x2 garantiza que /, < /,_ p como se demostrar en breve. El algoritmo termina en la iteracin ksilk< A, donde A es un grado de exactitud definido por el usuario. La diferencia entre los mtodos dictomo y de seccin dorada estriba en la forma en que se calculan xxy x2. La tabla siguiente presenta las frmulas.

En el mtodo dictomo los valores jc, y x2 se encuentran simtricos respecto del punto medio del actual intervalo de incertidumbre. Esto significa que

La aplicacin repetida del algoritmo garantiza que la longitud del intervalo de incertidumbre se acercar al nivel de exactitud deseado, A. En el mtodo de la seccin dorada la idea es de mayor involucramiento. Se puede apreciar que cada iteracin del mtodo dictomo requiere calcular los dos valores/(jc,) y f(x2), Pe ro termina por descartar alguno de ellos. Lo que propone el mtodo de la seccin dorada es ahorrar clculos mediante el reuso del valor descartado en la iteracin inmediata siguiente. Para definir 0 < a < 1

3.4 Optimizacin Clsica

Esta tcnica es til para funciones continuas y diferenciales. *Estos mtodos son analticos. *Tiene un campo limitado de aplicacin. *Sin embargo, esto es la base para los dems mtodos. 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. Ejemplos funcin objetivo discreta lineal, espacio continuo: programacin lineal funcin objetivo continua, espacio continuo: *mtodos basados en el gradiente p.ej. Newton *trajectory methods (enumeracin de todos los puntos `extremos' *relaxacin (multi-resolucin) *mtodos sin gradiente, p.ej. Nelder-Mead (1965, and recent improvements 1994, 2002)

Rodrguez-Palomares (2002, and recent improvements 2005) Dennis-Torczon (multidirectional search algorithm 1991) funcin objetivo discreta lineal, espacio continuo: *branch and bound *divide and conquer *bayesian search (cluster methods) *monte carlos methods (stochastic search)

3.4.1 Puntos De Inflexin

Definicin de puntos de inflexin Sea F una funcin que es continua en un intervalo abierto y sea c un punto en ese intervalo. Si la grfica de f tiene una recta tangente en ese punto (c, f(c)), entonces este punto es un punto de inflexin de la grafica de f si la concavidad de f cambia de cncava hacia arriba a cncava hacia abajo(o de cncava hacia abajo a cncava hacia arriba) en ese punto. Para localizar los posibles puntos de inflexin, se pueden determinar los valores de x para los cuales f(x)=0 o f(x) no existe. Esto es similar al procedimiento para localizar los extremos relativos de f Teorema Puntos de Inflexin Si (cf(c)) es un punto de inflexin de la grfica de f, entonces f(c)=0 o f no existe en x=c. Ejemplos Determinacin de los puntos de inflexin Determinar los puntos de inflexin y analizar la concavidad de la grfica de f(x)=x4-4x3 Solucin La derivacin doble produce lo siguiente f(x)= x4-4x3 f(x)=4x3-12x2

f(x)=12x2-24=12x(x-2) Haciendo f(x)=0 es posible determinar que los puntos de inflexin posibles ocurre en x=0 y x=2. Al probar los intervalos determinados por estos valores de x, se puede concluir que ambos producen puntos de inflexin. Un resumen de esta prueba se presenta a continuacin

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. En la figura 1 se puede observar esto, los puntos x1, x3 y x6 son mximos, de la figura notamos que f(x6) es el mayor que f(x1) y f(x3), a este punto se le conoce como mximo global de la funcin y a los restantes como mximos locales. Lo mismo se puede ver para los mnimos, en los que tambin existe un mnimo global f(x2) y un mnimo local f(x4). Como es de lgico, solo puede existir un solo global y posiblemente varios locales. As pues, el problema (PNL) consiste en encontrar las variables de decisin factibles para el problema para las cuales la funcin objetivo tome el mayor valor posible. Si para un punto, la funcin objetivo toma el valor mximo de todos los puntos situados en algn entorno suyo, se dice que el mximo es local. Si se encuentra un punto que produce el valor mximo de f en todo el conjunto de oportunidades, el mximo es global.

Una condicin necesaria pero no suficiente para que X0 sea un punto extremo, es que para una funcin con mas de una variable, el gradiente f(X0) = 0. Si es

cierto esto entonces X0 ser conocido como punto estacionario. Una condicin suficiente para que un punto estacionario sea extremo es que la matriz Hessiana H obtenida en X0 del sistema de ecuaciones sea positiva cuando X0 es un punto extremo de mnimo. Y negativa cuando X0 es un punto extremo de mximo. Un mximo dbil implica un numero finito de mximos alternativos (ver figura 1) y se define como X0 es un mximo dbil, si f(X0 + h) <= f(X0). Un anlisis similar es para los mnimos dbiles. Un punto de inflexin se encuentra cuando la evaluacin del gradiente da cero y no es un extremo, esto es, se debe de cumplir la condicin de la matriz Hessiana.