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.
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.
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
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)
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
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.