Clase NL06 S0109

Programación No Lineal
6
Postgrado de Investigación de Operaciones
Prof. Gonzalo Müller

gmullerb@mail.com
Facultad de Ingeniería
Universidad Central de Venezuela
Clase Anterior
Mínimo de una función f: x*∈S y inf(f(x))=f(x*).
Teorema de Weierstrass (Condición de suficiencia
para la existencia de un mínimo): S es compacto y f
función continua.
Función Convexa.
Función Estrictamente Convexa: no admite
segmentos rectos.
Función Cóncava.
Si f(x) es convexa entonces –f(x) es cóncava, y
viceversa.
Programación No Lineal – Prof. Gonzalo Müller – Clase 6 – GM – 2
Clase Anterior
Propiedades de un función convexa:
Si una función f es convexa y k ≥ 0 entonces kf es
convexa.
La suma de dos funciones convexas es una función
convexa.
Composición de funciones convexas
Todo mínimo local de una función convexa f es un
mínimo global de f.
Todo mínimo local de una función estrictamente es
el único mínimo global sobre todo S.
Clase Anterior
Problema de optimización convexa: OC(f, S).
Teorema de Kuhn-Tucker.
Condición de Slater.
Función Convexa Diferenciable.
Función Estrictamente Convexa Diferenciable.
Si x* es una solución óptima.
Entonces ∇f(x*)T(x–x*) ≥ 0 para todos los x∈S
Si S es un conjunto abierto:
Entonces ∇f(x*) = 0
Clase Anterior
Función Cuasiconvexa.
Función Fuertemente Cuasiconvexa: no admite
segmentos horizontales
Un mínimo local es el único mínimo y por ende el
único mínimo global.
Función Estrictamente Cuasiconvexa: solo admite un
segmento horizontal en el mínimo.
Todo mínimo local es un mínimo global.
Función Cuasiconvexa Diferenciable.
Función Cuasicóncava Diferenciable,
Hessiano Bordeado ∇2f(x).
Clase Anterior
Teorema de Kuhn-Tucker: gk cuasicóncavas .
Función Pseudoconvexa: similar a una estrictamente
cuasiconvexa.
Todo mínimo local es un mínimo global.
Si x* es el mínimo entonces ∇f(x*) = 0.
Teorema de Kuhn-Tucker: f es pseudoconvexa, hj son
cuasiconvexas y cuasiconcavas.

Optimización
Optimización: Búsqueda de la configuración factible
de atributos que alcance el mejor objetivo.
Métodos analíticos:
analíticos: Cálculo diferencial
diferencial..
Métodos gráficos.
gráficos.
Métodos numéricos: Algoritmos.

Optimización
Métodos analíticos: Cálculo diferencial.
Métodos gráficos.
Métodos numéricos
numéricos:: Algoritmos
Algoritmos..

Optimización
Métodos gráficos.
Métodos numéricos
Algoritmos..
Los problemas de optimización son cada vez más
complejos.
Surgen métodos iterativos y cuya convergencia
depende de un estudio matemático de la función.

Optimización
Métodos gráficos.
Métodos numéricos
Algoritmos..
Los problemas de optimización son cada vez más
complejos.
Surgen métodos iterativos y cuya convergencia
depende de un estudio matemático de la función.
No siempre se garantiza la optimalidad.
Metodología para resolución de un problema
Pasos a seguir en la resolución de un problema:
Definición del problema

Formulación del modelo matemático

Desarrollo de un método numérico para resolución

Implementación computacional del método

Implementación computacional del método
Búsqueda y evaluación de la solución

Algoritmo
Algoritmo
Algoritmo: Es el conjunto detallado de pasos
secuénciales, ordenados y detallados que permiten
lograr un objetivo.
Secuenciales: Deben ser ejecutados uno detrás de
otro.
Ordenados: Ya que la posición del paso es
fundamental.
Detallados: Deben estar lo suficientemente
detallado para que no exista ninguna duda en su
puesta en marcha.

Algoritmo
Características de un algoritmo:
algoritmo
Finito: Siempre termina luego de la ejecución de un
número finito de pasos.
Definido: Se obtiene el mismo resultado a partir de
los mismos datos.
Preciso: No debe contener ambigüedades, no pude
ser sujeto de interpretación.

Algoritmo
Partes de un algoritmo:
algoritmo
Entrada: Datos necesarios para comenzar el
proceso.
Proceso: Se realizan todas las operaciones y cálculos
necesarios con los datos de entrada.
Salida: Se obtiene un resultado.

Algoritmo
Una Solución
Entrada xk
Proceso
Algoritmo para
bajar de peso
Algoritmo
Salida xk+1
Una Mejor
Solución

Representación de un algoritmo
Símbolos Básico de un Diagramas de Flujo:
Flujo
Líneas de Flujo: Establece la dirección de la
secuencia de pasos
Una línea de flujo con la dirección saliendo de un
bloque, se conoce como una línea de flujo de salida
del bloque.
Una línea de flujo con la dirección entrando en un
bloque, se conoce como una línea de flujo de
entrada del bloque.

Bloque Terminal: Señala el inicio o el fin del

algoritmo.
Inicio
Fin

Bloque Terminal: Señala el inicio o el fin del

algoritmo.
Inicio
El bloque inicio siempre tiene El bloque fin siempre tiene

solo una línea y es de salida solo líneas de entrada
Fin

Bloque Proceso: Se utiliza para indicar un proceso ó

operación.

Bloque Proceso: Se utiliza para indicar un proceso ó

operación.
El bloque de proceso siempre tiene una línea

de salida (puede tener varias de entrada)
Bloque de Decisión: Establece la dirección de los

subsecuentes pasos en función de una condición
dada.


dada.


dada.
El bloque de decisión siempre tiene dos

de salida (puede tener varias de entrada)
Conectores: Establece la conexión entre dos

bloques que espacialmente no puede ser
conectados.
Se usan en pares.

Reglas de construcción de Diagramas de Flujo:
Flujo
Contiene un único bloque terminal que indica
inicio.
Puede contener varios bloques terminal que indican
el final.
Debe ser organizado de tal forma que la secuencia
sea leída de arriba abajo y de izquierda a derecha.

Cada bloque puede tener a lo sumo una línea de

flujo de entrada.
Cada bloque puede tener a lo sumo una línea de
flujo de salida, exceptuando el bloque de decisión.
El bloque de decisión debe tener dos líneas de flujo
de salida.

Las líneas siempre debe ir del lado derecho.
… … …
DERECHA IZQUIERDA
DERECHA
ÚNICA EXCEPCIÓN
LAS LÍNEAS DE FLUJO NO PUEDEN

CRUZARSE.
Ejemplo 6.1: Construir un algoritmo que sume los
primeros N números enteros:

Entrada: N
Salida: Sumatoria S

Entrada: N
Salida: Sumatoria S
k =N
S = ∑k
k =0

Entrada: N k debe tener un valor inicial de 0
Salida: Sumatoria S
k =N k=0
S = ∑k
k =0

Entrada: N
Salida: Sumatoria S
k =N k=0
S = ∑k k<N
k =0 Verdadero
Se incrementa k hasta N k=k+1

Entrada: N
Salida: Sumatoria S
k =N k=0
S = ∑k k<N
k =0 Verdadero
k=k+1
Se suma k a S S=S+k
Entrada: N S debe tener un valor inicial de 0
Salida: Sumatoria S
k =N k = 0, S = 0
S = ∑k k<N
k =0 Verdadero
k=k+1
S=S+k
Entrada: N
Salida: Sumatoria S Comienzo
k =N k = 0, S = 0
S = ∑k k<N Falso
Fin
k =0 Verdadero
k=k+1
S=S+k
Matlab
Matlab: Matrix Laboratory, Herramienta de
investigación, desarrollo y análisis que permite
expresar en notación matemática familiar el problema,
el método de resolución y la solución.

Matlab
Matlab permite realizar una gran variedad de tareas
destinadas a la resolución numérica de distintos
problemas:
Operaciones con matrices.
Graficación.
Calculo estadístico.
Desarrollo de algoritmos.
Simulación.

Ambiente de trabajo Matlab
El ambiente de trabajo consta de diferentes ventanas:

Ventana de comandos: ingresar variables y ejecución
de funciones.
Ventana
de
comandos

Ventana de variables: contiene una lista de todas las
variables utilizadas.
Ventana
de
variables

Ventana de historia: contiene una lista de todos los
comandos ejecutados.
Ventana
de
historia

Conceptos Básicos de Matlab
Matrices:
Toda la matriz debe estar encerrada entre llaves.
A = [Matriz]
Cada fila esta definida por un conjunto de
elementos separados con espacios o tabulaciones y
un punto y coma que indica el final de la fila.
A = [A11 A12 A13 … ; A21 A22 A23 … ; ]

Matrices:
A = [Matriz]
A = [A11 A12 A13 … ; A21 A22 A23 … ; ]
2 1
A = 3 5 
6 2 
Matrices:
A = [Matriz]
A = [A11 A12 A13 … ; A21 A22 A23 … ; ]
2 1
A = 3 5  A = [2 1; 3 5; 6 2]
6 2 
Todo es una matriz.
Escalar es una matriz 1x1.
A = [Escalar] = Escalar
Un elemento especifico de la matriz.

A(Fila, Columna)

Todo es una matriz.

A(Fila, Columna)
2 1
A = 3 5 
6 2 
Todo es una matriz.

A(Fila, Columna)
2 1 A(1,1)
A = 3 5 
6 2 
Todo es una matriz.

A(Fila, Columna)
2 1
A = 3 5 
6 2  A(3,1)
Operadores Aritméticos
Operadores Aritméticos:
Suma: +
Resta: -
Multiplicación: *
División: /
Exponenciación: ^
Transpuesta: '

Suma: +
Resta: -
Multiplicación: *
División: /
Exponenciación: ^
Transpuesta: '
2 1
A = 3 5  B = A'
6 2
Suma: +
Resta: -
Multiplicación: *
División: /
Exponenciación: ^
Transpuesta: '
2 1
2 3 6 
A = 3 5  B = A' B=
1 6 2 
 
6 2
Funciones Matemáticas Básicas
Funciones Matemáticas Básicas:
Básicas
Valor Absoluto: abs(x) x
Raíz Cuadrada: sqrt(x) 2
x
x
Exponencial: exp(x) e
Logaritmo neperiano: log(x) log e x
Logaritmo base 10: log10(x) log 10 x
Signo: sign(x):-1 si x < 0, 0 si x = 0,1 si x > 0.
help elfun permite obtener una lista detallada de las funciones

Estructuras Básicas de Programación
Estructura Condicional Sencilla
Sencilla: Se ejecutan cierta
secuencia de instrucciones dependiendo de la
condición dada.
DF MATLAB
F
Condición if Condición
V Paso 1
Paso 1 …
Paso N
Paso n end

Estructura Condicional Sencilla
Sencilla: Se ejecutan cierta
secuencia de instrucciones dependiendo de la
condición dada.
DF MATLAB
F
Condición if Condición
V Paso 1
Paso 1 …
Paso N
Paso n end

Estructura Condicional Doble
Doble: Se ejecutan alguna de
dos secuencias de instrucciones dependiendo de la
condición dada. MATLAB
DF if Condición
Paso 1
V F
Condición …
Paso N
Paso 1 Paso 1’ else
Paso 1’
Paso n Paso n’ …
Paso N’
end
Estructura Repetitiva Mientras:
Mientras Una secuencia de paso
se repite en forma consecutiva mientras se cumpla una
condición dada.
DF MATLAB
Condición while Condición

Paso 1
V
…
Paso 1
Paso N
end
Paso n

Estructura Repetitiva Mientras:
Mientras Una secuencia de paso
se repite en forma consecutiva mientras se cumpla una
condición dada.
DF MATLAB
Condición while Condición

Paso 1
V
…
Paso 1
Paso N
end
Paso n

Expresiones Lógicas
Operadores Relaciónales:
Relaciónales Permiten establecer la
relación entre dos valores numéricos.
Mayor que: >
Menor que: <
Igual que: ==
Mayor o igual que: >=
Menor o igual que: <=
Distinto que: ~=
Se utilizan para construir la expresión lógica que
constituye la condición.
Operadores Lógicos
Operadores Lógicos:
Y: &
O: |
Se utilizan para combinar expresiones lógicas.
Negación: ~

Operadores Lógicos
Y: &
O: |

(A == 5)&(B > 0)
Negación: ~

Operadores Lógicos
Y: &
O: |

(A ~= 5)|(B <= 0)
Negación: ~

Variables
Reglas para definir nombre de las variables:
variables
1. Se forma con un secuencia de los siguientes
caracteres:
a bcdefghijklmnopqrstuvwxyz
A BCDEFGHIJKLMNOPQRST
UVWXYZ
0 123456789
_

Variables
2. No puede contener espacios en blanco, ni ningún
otro carácter diferente de los indicados en
anteriormente.
3. El primer carácter no puede ser un dígito.
4. Hay distinción entre las letras mayúsculas y
minúsculas.
5. Puede tener hasta 31 caracteres.
Recomendación: utilizar un nombre que tengan

un significado para el dato que representa.

Algoritmos en Matlab
Ejemplo 6.1: Construir un programa en Matlab que
sume los primeros N números enteros:

Entrada: N
k =N k = 0, S = 0
S = ∑k k<N Falso
Fin
k =0 Verdadero
k=k+1
S=S+k
Entrada: N
k =N k = 0, S = 0
S = ∑k k<N Falso
Fin
k =0 Verdadero
Estructura repetitiva
k=k+1
while
S=S+k
Entrada: N
N=5
k = 0, S = 0
k=0
S=0 Falso
k<N Fin
while k < N Verdadero
k=k+1
k=k+1
S=S+1
end S=S+k
Operaciones útiles en Matlab
Otras operaciones útiles:
; : se coloca al final de una instrucción para evitar la
presentación en pantalla del resultado.
disp(variable): instrucción que presenta en pantalla el
valor de la variable sin incluir el nombre.
: : genera una fila de valores
comienzo:final
comienzo:delta:final
clear: Elimina todas las variable de memoria.

Ctrl+C: Combinación de teclas que detiene la ejecución
de una instrucción.
comienzo:final A = [1:3] ≡ A = [1 2 3]
comienzo:delta:final

comienzo:final A = [1:3] ≡ A = [1 2 3]
comienzo:delta:final A = [1:0.3:2] ≡ A = [1 1.3 1.6 1.9]

plot: permite realizar graficas 2D:
1. Definir el vector de valores de x.
x = –3:0.5:3
2. Definir el vector de valores de y.
y = sin(x)
3. Graficar.
plot(x, y)
1
0.8
0.6
0.4
0.2
-0.2
-0.4
-0.6
-0.8
-1
-3 -2 -1 0 1 2 3

mesh: permite realizar graficas 3D:
1. Definir el vector de valores de x, y.
[x,y] = meshgrid(–3:0.5:3, –3:0.25:3);
(meshgrid → define la malla de puntos: dos matrices, una con filas
iguales para x y otra con columnas iguales para y)
2. Definir el vector de valores de z.
z = x.^2 + y.^2
(Matriz. → Operación de elemento por elemento)
3. Graficar. mesh(x,y,z) 20
15
10
0
4
2 4
0 2
0
-2 -2
-4 -4

Mapa algorítmico
Mapa algorítmico:
algorítmico constituye la secuencia de
soluciones obtenidas al utilizar el algoritmo:
x0 Algoritmo x1 Algoritmo Algoritmo xn
x0, x1,…, xn ∈A(x)

A: Mapa algorítmico

Mapa algorítmico
Iteración
Iteración: representa una transformación de xk a xk+1
en el mapa:
Iteración 2
x0 Algoritmo x1 Algoritmo Algoritmo xn
Iteración 1 Iteración n

Mapa algorítmico
Ejemplo 6.2: Resolver el siguiente problema:
min (x2 – 1)
Sujeto a:
x≥1
Utilizando el siguiente mapa algorítmico
[1, 1/2 (x + 1)], si x ≥ 1
A(x) =
[3/2(x – 1/3), 1], si x < 1
Construir el mapa partiendo de x0 = 3.
Mapa algorítmico
x0 ≥ 1 → [1, 1/2 (x + 1)] → x1 ∈ [1, 2]

↓
x1 = 3/2

Mapa algorítmico
x0 ≥ 1 → [1, 1/2 (x + 1)] → x1 ∈ [1, 2]

↓
x1 = 3/2
x1 ≥ 1 → [1, 1/2 (x + 1)] → x2 ∈ [1, 5/4]
↓
x2 = 9/8

Mapa algorítmico
x2 ≥ 1 → [1, 1/2 (x + 1)] → x3 ∈ [1, 17/16]
↓
x3 = 33/32
↓
…
xn = 1
↓
A(3) : 3, 3/2, 9/8, 33/32, …, 1

Mapa algorítmico
Mapa Cerrado:
Cerrado A(x) es un mapa cerrado si no
presenta discontinuidades.
Un mapa A(x) es un mapa cerrado en x si:

A: X → Y
xk ∈ X
yk ∈ A(xk)

Mapa algorítmico
Ejemplo 6.3:
[1.5 + 0.25 * x, 1+0.5 x], si x ≥ 2

A(x) =
1.5 (x + 1), si x < 2
No es cerrado, debido a la discontinuidad presente

en x = 2.

Mapa algorítmico
Si un mapa es cerrado es tal que α(xk+1) < α(xk),
siendo α(x) la función objetivo de un problema de
minimización.
Entonces:
El algoritmo se detiene en un número finito de
iteraciones a un punto x ∈ Ω.
ó
Se genera un número infinito de puntos x ∈ Ω.
Ω: Conjunto de soluciones óptimas global

Algoritmo de Optimización
Características Necesarias para un algoritmo de
optimización:
optimización
Dado xk factible cualquier sucesor xk+1 generado
por el algoritmo debe ser factible.
Dado xk factible cualquier sucesor xk+1 generado
debe mejorar el objetivo:
Minimización: f(xk+1) < f(xk).
Maximización: f(xk+1) > f(xk).

Comienzo
x 0 ∈ S, k = 0
x∈Ω Fin
F
V
xk+1 ∈ A(xk)
k=k+1

Comienzo
Inicialización x 0 ∈ S, k = 0
x∈Ω Fin
F
Búsqueda V
xk+1 ∈ A(xk)
k=k+1

El algoritmo se detiene cuando se alcanza un vector
perteneciente a el conjunto Ω.
En la práctica no siempre es posible alcanzar esta
convergencia o establecer si pertenece al conjunto
por lo que se definen reglas de parada.

Reglas de parada:
Distancia alcanza en N iteraciones:
║xk – xk – N║ < ε
Distancia relativa en una iteración:
║xk+1 – xk║/║ xk ║ < ε
Mejora en el objetivo luego de N iteraciones
|f(xk) – f(xk – N)| < ε
Mejora relativa en el objetivo en una iteración:
|f(xk) – f(xk + 1)| / |f(xk)| < ε
Comienzo
Inicialización x 0 ∈ S, k = 0
║xk – xk – N║≥ε Fin

F
Búsqueda V
xk+1 ∈ A(xk)
k=k+1
ε : Error aceptable

Uso del Algoritmo
El uso de un algoritmo de optimización va a depender
principalmente de dos factores:
Requerimientos del Algoritmo.
Parámetros del Algoritmo.

Uso del Algoritmo
Requerimientos del Algoritmo:
Función diferenciable.
Función convexa.
Problema sin restricciones.
Problema con restricciones.
Problema con restricciones lineales.
…

Uso del Algoritmo
Parámetros del Algoritmo:
Vector inicial.
Tamaño del paso.
Factor de aceleración.
…

Uso del Algoritmo
Sensibilidad de los parámetros:
→ Parada prematura.
→ Otros efectos.
Eficiencia del algoritmo:
Maquina.
Eficiencia del código.
Desempeño del algoritmo:
Nº de iteraciones.
Costo computacional.
Desempeño de un Algoritmo
Algoritmo constituyen una secuencia de pasos que
permiten resolver un problema.
Un algoritmo es totalmente inútil si no es capaz de
resolver en un tiempo finito (tiempo aceptable) el
problema para el que fue diseñado.
Hoy en día se han popularizado debido a la evolución
de las computadoras, lo que permite gran velocidad de
cálculo, y sin ellas sería imposible resolver problemas
reales los cuales poseen gran cantidad de variables y
restricciones.

Factores del Desempeño:
El tiempo dependerá en gran parte del computador
utilizado, es por ello que el desempeño de un
algoritmo generalmente es medido por la cantidad
de operaciones elementales requeridas por éste es
un computador hipotético.
También el desempeño se verá afectado por la
cantidad de atributos que deba manejar para
resolver el problema.

Dado estos factores, al describir el desempeño de un
algoritmo se define un número de n atributos,
variables o entradas y se expresa el desempeño como
el numero de operaciones elementales requeridas en
función de un número de entradas n.
A esto se le conoce como complejidad del
algoritmo.
Normalmente la complejidad se expresa como el
limite superior número de pasos requeridos.

La función O (de orden) permite expresar la
complejidad de un algoritmo:
Dada dos funciones f(n), f: N→R y g(n), g:N→R
f(n): Número de paso requeridos por el algoritmo.
g(n): Limite superior de la complejidad del algoritmo.
Se dice que el algoritmo tiene complejidad O(g(n))
cuando n → ∞ si existe K > 0 y n0 tal que:
|f(n)| ≤ K |g(n)| ∀n > n0

K g(n)
f(n)
n0
Ejemplo 6.4: Determinar la complejidad de un

algoritmo que requiere n5 – 2 n2 + 2

K g(n)
f(n)
n0

|n5 – 2 n2 + 2|≤ n5 + 2 n2 + 2 para n0 > 1

K g(n)
f(n)
n0

|n5 – 2 n2 + 2|≤ n5 + 2 n2 + 2 para n0 > 1
|n5 – 2 n2 + 2|≤ n5 + 2 n5 + 2 n5

K g(n)
f(n)
n0

|n5 – 2 n2 + 2|≤ n5 + 2 n2 + 2 para n0 > 1
|n5 – 2 n2 + 2|≤ n5 + 2 n5 + 2 n5
|n5 – 2 n2 + 2|≤ 5 n5 → O(n5)
Propiedades:
Suma:
O(g(n)+ h(n)) = O(max{g(n),h(n)})

Propiedades:
Suma:
O(g(n)+ h(n)) = O(max{g(n),h(n)})
Suma una constante:
O(K+g(n)) = O(g(n))

Propiedades:
Suma:
O(g(n)+ h(n)) = O(max{g(n),h(n)})
Suma una constante:
O(K+g(n)) = O(g(n))
Producto:
O(g(n) * h(n)) = O(g(n) * h(n))

Propiedades:
Suma:
O(g(n)+ h(n)) = O(max{g(n),h(n)})
Suma una constante:
O(K+g(n)) = O(g(n))
Producto:
O(g(n) * h(n)) = O(g(n) * h(n))
Producto por una constante:
O(K*g(n)) = O(g(n))
Ejemplo 6.5:
Un algoritmo que requiere 3 bucles anidados donde el
número de operaciones realizadas en cada bucle es
igual al numero de entradas del algoritmo, se dice que
tiene complejidad O(n3):
…
V
…
F
V
… O(n3)
F
V
…
F
Ejemplo 6.6: Determinar la complejidad del algoritmo
del simplex:
1. Se realizan un máximo:
 n  iteraciones
 
m
2. En cada iteración se requiere el producto de una

matriz por un vector:
m * m operaciones

La complejidad será:
 n  
O  *m*m 
 m  
n m
  ≤ n
m
O(n m *m 2 )
O(n m
)
Determinar la complejidad de un
algoritmo es una arte que requiere de
mucha destreza, ingenio y experiencia
La complejidad de un algoritmo
establecerá su utilidad práctica

Un algoritmo se considera útil si su complejidad es
polinomial con respecto del número de entradas.
Algoritmos de tiempo polinomial:
O(n), O(n3) , O(n2.5), O(n log n)
Algoritmos de tiempo no polinomial:
O(n!), O(2n) , O(nn)
O(n3) es considerado el límite
aceptable para el tiempo polinomial
Generalmente el estudio de algoritmos no polinomiales
es abandonado por los investigadores al surgir
algoritmos polinomiales para el problema el cuestión
Uso del Algoritmo
Al aplicar un algoritmo, si se conoce la

naturaleza del problema es posible
garantizar si la solución obtenida es la
solución óptima del problema

Programación Lineal
Una clase especial de problema convexo es el
problema de programación lineal, cuya principal
propiedad es que la búsqueda del óptimo se reduce a
la selección entre un conjunto finito de posibles
soluciones.
En este f, gk y hj son todas funciones lineales.
Programación No Lineal
Programación Convexa

El conjunto finito de posibles soluciones la
constituyen los vértices del politope definidos por
las restricciones lineales.
Politope en R2
Los problemas de programación lineal forman parte

de los problemas de optimización combinatoria

Conjuntos poliédricos
Conjunto Poliédrico: Sea S en En, S es un conjunto
poliédrico si S es la intersección de un número finito
de semiespacios cerrados.

Esto es, si pk∈En, pk ≠ 0 ∀k = 1, 2, …, m, entonces

T
S = {x ∈ E : p x ≤ bk,∀k = 1, 2, …, m}
n k

Esto es, si pk∈En, pk ≠ 0 ∀k = 1, 2, …, m, entonces

T
S = {x ∈ E : p x ≤ bk,∀k = 1, 2, …, m}
n k
También se puede expresar en su forma matricial

S = {x ∈ En : A x ≤ b}
donde A∈Em,n y b∈Em.
Punto Extremo: Sea S un conjunto convexo no vacío
en En, un vector x ∈ S es un punto extremo de S, si
no puede ser expresado como una combinación
convexa estricta de dos vectores distintos x1 y x2 ∈ S.

Punto Extremo: Sea S un conjunto convexo no vacío
en En, un vector x ∈ S es un punto extremo de S, si
no puede ser expresado como una combinación
convexa estricta de dos vectores distintos x1 y x2 ∈ S.
Esto es, x es un punto extremo si x =αx1 + (1–α)x2
con x1 y x2 en En y α ∈ (0, 1), entonces se tiene
necesariamente que x = x1 = x2.
Punto Extremo
Ejemplo 6.7: Determinar el conjunto de puntos
extremos Eext del siguiente conjunto:
S={x∈R2:[1 1] x ≤ 2, [–1 2] x ≤ 2, [–1 0] x ≤ 0, [0 –1]
x ≤ 0}

S={x∈R2:[1 1] x ≤ 2, [–1 2] x ≤ 2, [–1 0] x ≤ 0, [0 –1]
x ≤ 0}
Se realiza la intersección de los semiespacios que
conforman el conjunto poliédrico y se obtiene:
x3
x2
S
x1 x4
Eext = {[0 0]T, [0 1]T, [2/3 4/3]T, [2 0]T}

S={x∈R2:[1 1] x ≤ 2, [–1 0] x ≤ 0, [0 –1] x ≤ 0}

S={x∈R2:[1 1] x ≤ 2, [–1 0] x ≤ 0, [0 –1] x ≤ 0}
Se realiza la intersección de los semiespacios que
conforman el conjunto poliédrico y se obtiene:
x2
S
x1
Eext = {[0 0]T, [0 1]T}

S={x∈R2: xTx ≤ 1}

S={x∈R2: xTx ≤ 1}
Al graficar el conjunto convexo se obtiene:
cuyo puntos extremos están definidos por:

Eext ={x∈R2: xTx = 1}
Rayo: Un rayo R en En es un conjunto de la forma
R = {x∈En: x = x0 + µd, µ ≥ 0}
siendo d∈En y d ≠ 0
d R
x=x0+µd
x0
El vector d recibe el nombre de dirección del rayo R y

el vector x0 recibe el nombre de vértice del rayo.
Si un conjunto incluye un rayo, entonces es no acotado
Dirección de un conjunto: Sea S un conjunto convexo
cerrado no vacío en En, un vector d ∈ En, d ≠ 0 es
llamado una dirección de S, si se puede construir un
rayo incluido en S de vértice x, para todo x de S

Dirección de un conjunto: Sea S un conjunto convexo
cerrado no vacío en En, un vector d ∈ En, d ≠ 0 es
llamado una dirección de S, si se puede construir un
rayo incluido en S de vértice x, para todo x de S
∀x∈S, x + µd ∈ S, ∀µ ≥ 0
Un conjunto que posee una dirección es no acotado,

si un conjunto es acotado no posee dirección alguna

Dirección extrema: Se dice que una dirección d de S
es una dirección extrema de S, si ésta no puede ser
expresada como una combinación lineal positiva de
dos direcciones distintas d1 y d2 de S.

Dirección extrema: Se dice que una dirección d de S
es una dirección extrema de S, si ésta no puede ser
expresada como una combinación lineal positiva de
dos direcciones distintas d1 y d2 de S.
Esto es, d es una dirección extrema de S si:
d = µ1d1 + µ2d2 para µ1>0 y µ2>0 ⇒ d1 = k d2
para algún escalar k > 0
Dos direcciones d1 y d2 en En son distintas
si d1 ≠ k d2 para cualquier escalar k > 0
x2
d1 y d2 son direcciones extremas
d3
S d2
d3 no es una dirección extrema
x1 d1
Caracterización de puntos extremos: Sea el conjunto
poliédrico
S = {x∈En: A x ≤ b, x ≥ 0}
donde A∈Em,n, b∈Em y rgo(A) = m.
Los puntos extremos se encuentran en la intersección
del los hiperplanos definidos por el conjunto
poliédrico:
T
k
p x = bk
↓
Ax=b
La matriz A se puede particionar en [B N] con
B∈Em,m no singular y en forma concomitante
x = [xB xN]T, de esta forma se puede resolver de
forma única
B xB = b
↓
xB = B-1b
Una matriz H no singular
o regular es aquella que es
invertible → det(H) ≠ 0

Haciendo x = [xB xN]T = [xB 0]T, se obtiene una
solución para el sistema original:
Ax=b
 xB 
[B N ]⋅   = b → B ⋅ x B + N ⋅ x N = b
x N 

Ax=b
 xB 
[B N ]⋅   = b → B ⋅ x B + N ⋅ x N = b
x N 
Se tiene lo que se conoce como una solución básica:
x = [B-1b 0]T

Ax=b
 xB 
[B N ]⋅   = b → B ⋅ x B + N ⋅ x N = b
x N 
Se tiene lo que se conoce como una solución básica:
x = [B-1b 0]T
Si x ≥ 0 se tiene una solución básica factible:
x = [B-1b 0]T
B-1b ≥ 0
Sea S = {x∈En: Ax = b, x ≥ 0} donde A es de
rango completo, es decir, es una matriz de m por n
de m filas linealmente independientes con m < n, y b
es un vector columna de m elementos.
Un punto x es un punto extremo de S sí y sólo sí A
puede ser particionada en [B N], con B no singular
y B-1b ≥ 0, tal que
 x B  B −1b
x= = 
x N   0 

El número de puntos extremos es finito, está
acotado superiormente por el número de soluciones
básicas factibles, esto es, por el número de matrices
B no singulares de orden m que se pueden obtener
de A. El máximo número de tales matrices es
n n!
  =
 m  m! ( n − m )!
y no necesariamente todas cumplen B-1b ≥ 0.
Si el conjunto poliédrico S no es vacío,
entonces S tiene al menos un punto extremo

Caracterización de las direcciones extremas:
Partiendo de una solución básica factible:

x = [B-1b 0]T
B-1b ≥ 0
↓
x = [x1 x2 … xm 0]T
xj ≥ 0

Ax=b
[B N] x = b
↓
[B N] [x1 x2 … xm 0]T = b
La matriz A puede ser expresada como un conjunto
de vectores columna:
A =[B N] =[a1 a2 … am … an]
↓
[a1 a2 … am … an] [x1 x2 … xm 0]T = b

La existencia de B-1 permite calcular xB:
B-1BxB + B-1NxN = B-1b
↓
xB = B-1b – B-1NxN
↓
xB = B-1b – B-1[am+1 am+2 … an]xN
↓
xB = B-1b – B-1[am+1xm+1 + am+2xm+2 + … + anxn]

Si se varía el valor de alguna variable no básica xj en
xN se obtiene
xB = B-1b – B-1ajxj

xN se obtiene
Si:
1. xj = 0, se obtiene la solución básica original.
xB = B-1b

xN se obtiene
Si:
1. xj = 0, se obtiene la solución básica original.
xB = B-1b
2. A medida que xj aumenta se tienen soluciones
factibles más no básicas al desplazarse sobre B-1aj:
Si alguna de las componentes de B-1aj > 0

xj puede incrementarse hasta un limite debido a
que xB ≥ 0. Recuerde que las variables de holgura
deben ≥ 0 y son estas las que permiten
transformar el sistema A x ≥ b en A x = b

Si alguna de las componentes de B-1aj > 0

xj puede incrementarse hasta un limite debido a
que xB ≥ 0. Recuerde que las variables de holgura
deben ≥ 0 y son estas las que permiten
transformar el sistema A x ≥ b en A x = b
Si B-1aj ≤ 0
xj puede incrementarse sin limite ya que
xB = B-1b – B-1ajxj ≥ 0 x2
S d2
x1
Sea el conjunto poliédrico
S = {x∈En: A x ≤ b, x ≥ 0}
donde A∈E
∈ m,n, b∈E
∈ m y rgo(A) = m.
Un vector d∈En es una dirección extrema de S, sí y

sólo sí A puede ser particionada en [B N] de forma tal
que B-1aj ≤ 0 para alguna columna aj de N.
El vector d estaría dado por:
− B −1a j 
d= j 
 e 
siendo ej el j-ésimo vector unitario de En-m.
El número de direcciones extremas es finito, su
cota superior es
n n!
( n − m )  =
 m  m! ( n − m − 1)!

− B −1a j 
d= j 
 e 
cota superior es Cantidad de posibles bases
n n!
( n − m )  =
 m  m! ( n − m − 1)!
Cantidad de variables no básicas
− B −1a j 
d= j 
 e 
cota superior es
n n!
( n − m )  =
 m  m! ( n − m − 1)!
Si S es no acotado, entonces tiene
al menos una dirección extrema
Representación de conjuntos poliédricos en términos
de sus puntos y direcciones extremas: Sea el conjunto
poliédrico no vació
S = {x∈En: A x ≤ b, x ≥ 0}
donde A∈Em,n, b∈Em y rgo(A) = m.
Sean x1, x2, …, xk los puntos extremos de S y d1, d2,
…, dq las direcciones extremas de S, entonces x∈S sí
y sólo sí x puede expresarse
k
por
q
x = ∑ α j x j + ∑ µ jd j
j=1 j=1
con ∑αj = 1, αj ≥ 0 (j=1, …, k) y µj ≥ 0 (j=1, …, q)
Por lo tanto, todo elemento x de S puede ser
expresado por una combinación convexa de los
puntos extremos de S más una combinación lineal no
negativa de las direcciones extremas de S.
Conjunto Acotado Conjunto No Acotado
x1
x5
x2
x
x’ S x
S x4
x2 x1
2 2
x3 x = ∑ α j x + ∑ µ jd j
j
j=1 j=1
5
x = ∑ α jx j
j=1
Problema de Programación Lineal (PL): Consiste en la
optimización de una función lineal sobre un conjunto
poliédrico.
Muchos problemas reales pueden formularse o
aproximarse mediante programas lineales. La PL se
utiliza con frecuencia en la resolución de problemas
no lineales y aún en casos discretos.
min cTx
s. a:
x∈S
siendo S un conjunto poliédrico en En.
El problema PL puede expresarse como:
k q
min ∑ (
j=1
c T j
x )α j + ∑ d )µ j
( c T j
j=1
s. a: k
∑α
j=1
j =1
αj ≥ 0 (j = 1, 2,…,k)
µj ≥ 0 (j = 1, 2,…,q)
las variables de decisión son α1, α2,..., αk y µ1, µ2,..., µq.

Si cTdj < 0 para algún j (j =1,2,...,k).
Se puede hacer µj tan grande como se desee.
La solución óptima es no acotada.
El óptimo es – ∞

Si cTdj < 0 para algún j (j =1,2,...,k).
Se puede hacer µj tan grande como se desee.
La solución óptima es no acotada.
El óptimo es – ∞
Si cTdj ≥ 0 para toda j (i=1,2,...,q)
En la solución óptima:
La solución óptima es acotada.
µj = 0 para toda j (j=1,2,...,q).

Si existe una solución óptima acotada, ésta tiene
asociado un punto extremo y no una dirección
extrema, por lo tanto:
k
s. a:
min ∑ x )α j
( c
j=1
T j
∑αj=1
j =1
αj ≥ 0 (j = 1, 2,…,k)
donde las variables de decisión son α1, α2, ..., αk
Sea xp un punto extremo que corresponde al mínimo
de z, entonces:
αp = 1
αj = 0 (j=1,2,...,p – 1,p + 1,...k).
Si un problema de PL admite una solución óptima

acotada, ésta corresponde a un punto extremo del
conjunto poliédrico definido por las restricciones

En caso de solución óptima finita es teóricamente
posible proceder por enumeración completa, esto es,
evaluar la función objetivo en cada punto extremo y
calcular
min{cTxj}
pero ello resulta en un cómputo muy costoso y, en

casos grandes, prohibitivo.

Método Simplex
El simplex, introducido en 1947 por G. Dantzyg, se
basa en la exploración (codiciosa) de los puntos y
direcciones extremas del poliedro. Para ello se mueve
en forma sistemática de un punto extremo a otro con
un mejor valor del objetivo (o al menos no peor),
hasta que se alcanza un punto extremo óptimo o bien
una dirección extrema d donde cTd < 0. En este
ultimo caso el objetivo es ilimitado.

Método Simplex
x2
f
x3 x*
f*
x2
f(x3)
S f(x2)
x1 x1 f(x1)
x2
f* f
x3
x2
f(x3)
S f(x2)
x1 x1 f(x1)

Método Simplex
Debe resultar claro que el no acotamiento de la región
factible es condición necesaria más no suficiente para
obtener una solución ilimitada al problema.
x2
f
x*
x2
f*
S f(x2)
x1 x1 f(x1)

Método Simplex
Una solución factible cualquiera x, dada por:
 xB 
x= 
x N 
donde xB ≥ 0 y xN ≥ 0, entonces se puede expresar:
luego:
 x B
Ax = (B N )  = Bx B + Nx N = b
 x N
Por lo tanto:
−1 −1
xB = B b − B N xN
Método Simplex
Al evaluar el objetivo se llega a
T T  xB  T T
z = c x = [cB cN ] x  = c B x B + c N xN
 N

Método Simplex
T T  xB  T T
 N
Si denotamos x’=B-1b a las componentes básicas del
punto extremo correspondiente se tiene
xB = x’ – B-1NxN
T T
z = c x = c B x' + c N − c B B N x N( T T −1
)

Método Simplex
T T  xB  T T
 N
Si denotamos x’=B-1b a las componentes básicas del
punto extremo correspondiente se tiene
xB = x’ – B-1NxN
T T
z = c x = c B x' + c N − c B B N x N ( T T −1
)
Valor actual del objetivo
en el punto x’ Variación del valor del objetivo
al cambiar la solución actual
Método Simplex
Dado que xN ≥ 0, se derivan dos casos:

Método Simplex
1. Si el vector cNT – cBTB-1N ≥ 0 entonces para todo

x de la región factible se tiene que z = cTx ≥ cBTx’ y
por tanto x’ es un óptimo.

Método Simplex
1. Si el vector cNT – cBTB-1N ≥ 0 entonces para todo

x de la región factible se tiene que z = cTx ≥ cBTx’ y
por tanto x’ es un óptimo.
2. Si alguna componente del vector cNT – cBTB-1N es

negativa, por ejemplo la j-ésima componente
correspondiente a la columna j de N denotada aj,
esto es cNj – cBTB-1aj < 0 se tiene que z = cTx <
cBTx’ y por tanto x’ (solución actual) no es un
punto extremo óptimo.

Método Simplex
Dado yj = B-1aj pueden ocurrir dos subcasos:
1. Si yj ≤ 0, entonces dj ≥ 0 y es una dirección

extrema de la región factible, resultando ésta no
acotada, por tanto, ∀λ ≥ 0, x = x’ + λ dj ≥ 0, por
tanto el objetivo es ilimitado.  xB 
x =   − y j 
x N   0 
 
 M 
d= 
 1  j
 M 
 
 0 

Método Simplex
2. Si alguna componente de yj es positiva, se define λ
por
xB = x’ – yj xj ^ xB ≥ 0
x’ – yj xj ≥ 0
x’ ≥ yj xj
 x'h j 
λ = min  j ; y h > 0
1≤ h ≤ m y
 h 
entonces la nueva solución estará dada por:
x = x’ + λ dj
Método Simplex
Algoritmo del Simplex:
Entrada:
La matriz A ∈ Rm,n que define el conjunto de
ecuaciones de las restricciones lineales.
El vector de recursos b ∈ Rm.
El vector de costos c ∈ Rn.
Salida: Un vector x ∈ Rn tal que se satisfacen las
restricciones ó nada si no existe solución.

Método Simplex
Algoritmo Comienzo
B0=I, xB0 = b, k = 0
T k-1 k T F
k
cB B N - cN >
k 0T Fin
k= k + 1
V
T k-1 k T
Bk+1 = Bk cambiar k
max{cB B N - cN }=cj
k
br por aj de A
-1 j V
yk = k
B a ≤0 Fin
xk+1=xk+λdk
F
 − y k
  x kBh k  x kB r
k
d = k  λ = min  k : y h > 0 = k
1≤ h ≤ m  y  y r
 e   h

Método Simplex
Algoritmo Comienzo
Inicialización
B0=I, xB0 = b, k = 0
T k-1 k T F
k
cB B N - cN >
k 0T Fin
k= k + 1
V
T k-1 k T
Bk+1 = Bk cambiar k
k
br por aj de A
Búsqueda
-1 j V
yk = k
B a ≤0 Fin
xk+1=xk+λdk
F
 − y k
  x kBh k  x kB r
k
d = k  λ = min  k : y h > 0 = k
1≤ h ≤ m  y  y r
 e   h

Método Simplex
Algoritmo Comienzo
Inicialización
B0=I, xB0 = b, k = 0
T k-1 k T F
k
cB B N - cN >
k 0T Fin
k= k + 1
V Solución finita
T k-1 k T
Bk+1 = Bk cambiar k
k
br por aj de A
Búsqueda
-1 j V
yk = k
B a ≤0 Fin
xk+1=xk+λdk
F Solución ilimitada
 − y k
  x kBh k  x kB r − y j 
x = x + λ k 
k
k
d = k  λ = min  k : y h > 0 = k e 
1≤ h ≤ m  y  y r
 e   h

Método Simplex
Ejemplo 6.10: Resolver el siguiente problema
utilizando el algoritmo del Simplex:
max z = x1 + 2x2
s. a:
x1 + x2 ≤ 6
x2 ≤ 3
x1, x2 ≥ 0

Método Simplex
Se transforma el problema en uno de minimización:
min – x1 – 2x2
s. a:
x1 + x2 ≤ 6
x2 ≤ 3
x1, x2 ≥ 0

Método Simplex
Al introducir las holguras se tiene el sistema:
min – x1 – 2x2
s. a:
x1 + x2 + x3 = 6
x2 + x4 = 3
x1, x2, x3, x4 ≥ 0

Método Simplex
Entrada:
Matriz tecnológica: 1 1 1 0 
A= 
0 1 0 1 
Vector de recursos: 6
b= 
3
Vector de costos:  − 1
− 2
c= 
0
 
0
Método Simplex
Salida:
Vector de variables:
 x1 
x 
x= 
2
x 3 
 
x 4 

Método Simplex
Inicialización:
B0=I, xB0 = b, k = 0
1 0 
B = 0
 = a 3
[ a 4
]
0 1 
↓
0  x 3   6
xB = = 
x 4   3
k=0

Método Simplex
Iteración 1: T -1 T F
cBkT Bk Nk - cNk > 0T Fin
Se calcula cB 0TB0-1N0 - cN0 : V
01 1 0 0  0  − 1
N =  cB =  cN = 
 0 1 0  − 2 
−1
1 0 1 1
[0 0]    − [− 1 − 2]
0 1 0 1
[1 2] > [0 0]
Método Simplex
T k-1 k T
k
k
Determinar max{cB 0TB0-1N0 - 0T

cN }:
max{1 2}= 2 = c2 → j = 2
-1 2
Calcular B a:
0
-1 V
yk = Bk aj ≤0 Fin
F
−1
0 1 0 1 1
y =    = 
0 1 1 1
0 0 
y > 
0 
Método Simplex
 x kBh k  x kB r
Hallar λ: λ = min  k : y h > 0 = k
1≤ h ≤ m  y  y r
 h
0
B1  x 6 x 3  x
0
B2
0
B2
λ = min  = , = = = 3 → r=2
0
1≤h ≤ 2  y
1  1 y 1  y 0
2
0
2

Método Simplex
 − y k

Calcular d0:
k
d = k 
0  e 
1 k=2
d = 
0
− 1
  y0
− 1
Hallar la nueva solución: xk+1=xk+λdk
 0  0   0  0 
 1  0   3   3 
x 1 = x 0 + 3  =   +   =  
− 1 6 − 3 3
       
− 1 3 − 3 0
Método Simplex
Calcular B1: r=2 Bk+1 = Bk cambiar

br por aj de A
B = a0
[ 3
a 4
]
↓
1 1 x 3 
B = a1
[ 3
a =2
0 1
]
 xB 1
= 
  x 2 
Hacer k = k + 1 = 1
Siguiente Iteración
Método Simplex
F
Iteración 2: T -1
cBk Bk Nk - cNk > 0T
T
Fin
Se calcula cB 1TB1-1N1 -
T
cN :
1 V
11 0  1 0 1 − 1
N =  cB =  cN = 
 0 1  − 2  0
−1
1 1 1 0
[0 − 2]    − [− 1 0]
0 1 0 1
[1 − 2] > [0 0]
Método Simplex
T -1 T
max{cBk Bk Nk - cNk }=cj
Determinar max{cB 1TB1-1N1 - 1T

cN }:
max{1 – 2}= 1 = c1 → j = 1
-1 1
Calcular B a:
1
-1 V
yk = Bk aj ≤0 Fin
F
−1
1 1 1 1
1
y =    = 
0 1 0 0
1 0 
y > 
0 
Método Simplex
 x kBh k  x kB r
Hallar λ: λ = min  k : y h > 0 = k
1≤ h ≤ m  y  y r
 h
 x 1B1 3  x 1B1
λ = min  1 =  = 1 = 3 → r=1
 1 1  y1
1≤h ≤ 2  y

Método Simplex
 − y k

Calcular d1:
k
d = k 
1 k=1  e 
 0  y1
1   1
d =
− 1 y10
 
0
Hallar la nueva solución: xk+1=xk+λdk
 1  0   3   3 
 0   3  0   3
x 2 = x 1 + 3  =   +   =  
− 1 3 − 3 0
       
 0  0   0  0 
Método Simplex
Calcular B2: r=1 Bk+1 = Bk cambiar

br por aj de A
2
B = a [ 3
a 2
]
↓
1 1  x1 
B = a2
[ 1
a =2
0 1
]
 xB 2
= 
  x 2 
Hacer k = k + 1 = 2
Más Iteraciones
Método Simplex
T -
cBk Bk
yk = Bk
k
1 k T
Bk N - cNk yk -1 j
a ≤0 bk dk xk+1 Bk+1
> 0T
0 0 
1 0 1 6 1 3 1 1
0  F F    
1 1  3 0 1

− 1 3
0     
− 1
 
0  
1 3
1 1 1  3 0 3 1 1
1  F F    
1 0   3 0 1
− 1 0 
0      
0
 
0  
1 1
2   V - - - - - -
 0 1
Con 2 Iteraciones completas se obtuvo el óptimo
Método del Elipsoide
El método del elipsoide desarrollado por los
matemáticos soviético Shor, Yudin y Nemirovskii, fue
propuesto en 1979 por el matemático soviético, L. G.
Khachian, como una solución de tiempo polinomial,
O(n2), para problemas de Programación Lineal.
El método del Elipsoide consiste en mantener un
elipsoide que contenga una solución del problema
de PL, es decir utilizar un elipsoide cuyo centro sea
una solución factible del PL.

Parte de un elipsoide que contiene toda la región
factible.
En cada iteración se sustituye el elipsoide por uno
más pequeño que contiene una solución factible.
Finalmente puede suceder uno de dos casos:
Encontrar la solución óptima del problema.
El elipsoide se redujo tanto que ya no es capaz de
albergar una solución.

Cuando el centro del elipsoide no es factible
entonces el método calcula un hiperplano separador
entre el punto de el conjunto de soluciones
factibles.
El método es capaz de obtener una solución
aproximada, cuya vecindad estará constituida por el
elipsoide.

Elipsoide
Esfera unitaria: es un conjunto convexo que satisface:
x12 + x22 ≤ 1
en R2

Elipsoide
x12 + x22 + x32 ≤ 1
en R2

Elipsoide
x12 + x22 +···+ xN2 ≤ 1
en R2

Elipsoide
∑xk2 ≤ 1
en R2

Elipsoide
xT x ≤ 1
en R2

Elipsoide
(x1 – x01) 2 + (x2 – x02) 2 +···+ (xN – x0N) 2 ≤ 1
en R2

Elipsoide
(x – x0)T(x – x0) ≤ 1
en R2

Elipsoide
Elipsoide: es un conjunto convexo que satisface:
(x – x0)T B-1(x – x0) ≤ 1
donde:
B: es una matriz semidefinida positiva.
x0: centro del elipsoide.
S Una elipsoide constituye una

transformación afín de una esfera unitaria
en R2

Funciones Convexas Diferenciables
Función Convexa:
Convexa Una función f en E1 diferenciable
sobre un conjunto convexo S ⊆ En es convexa si para
dos puntos cualquiera x, x0∈S se satisface:
f(x) ≥ f(x0) + (x – x0)T∇f(x0)

Función Convexa:
f(x) ≥ f(x0) + (x – x0)T∇f(x0)
f(x) ≥ f(x0) + ∇f(x0)T(x – x0)

Función Convexa:
f(x) ≥ f(x0) + (x – x0)T∇f(x0)
f(x) ≥ f(x0) + ∇f(x0)T(x – x0)
∇f(x0)T(x – x0) ≥ 0
Separación de Conjuntos Convexos
El gradiente ∇f(x0)T define un hiperplano que
establece dos semiespacios:
H + = {x ∈ En : ∇f(x0)T(x – x0) ≥ 0}
H – = {x ∈ En : ∇f(x0)T(x – x0) ≤ 0}

H + = {x ∈ En : ∇f(x0)T(x – x0) ≥ 0}
H – = {x ∈ En : ∇f(x0)T(x – x0) ≤ 0}
∇f(x0)
H+ H
∇f(x0)
x0
H x
x0
x H–

H + = {x ∈ En : ∇f(x0)T(x – x0) ≥ 0}
H – = {x ∈ En : ∇f(x0)T(x – x0) ≤ 0}
Semiespacio de
f(x) ≥ f(x0) ∇f(x0)
H+ H
∇f(x0)
x0
H x
x0
x H–
crece

H + = {x ∈ En : ∇f(x0)T(x – x0) ≥ 0}
H – = {x ∈ En : ∇f(x0)T(x – x0) ≤ 0}
Semiespacio de decrece
f(x) ≥ f(x0) ∇f(x0)
H+ H
∇f(x0)
x0
H x
x0
x H–
crece Semiespacio de
f(x) ≤ f(x0)
Si se trata de un problema de minimización la solución
optima x* pertenece al semiespacio H – , es decir:
x* ∈ {x ∈ En : ∇f(x0)T(x – x0) ≤ 0}

Si se trata de un problema de minimización la solución
optima x* pertenece al semiespacio H – , es decir:
x* ∈ {x ∈ En : ∇f(x0)T(x – x0) ≤ 0}
Por lo tanto, se puede descartar el semiespacio

positivo:
{x ∈ En : ∇f(x0)T(x – x0) ≥ 0}

El método del elipsoide convierte el problema de
optimización a una serie de reducciones de la región
de factibilidad, es decir:
x* ∈ {x ∈ En : ∇f(x0)T(x – x0) ≤ 0}

x* ∈ {x ∈ En : ∇f(x0)T(x – x0) ≤ 0}
1. Se define un elipsoide E0 que contenga a S cuyo
centro sea x0, de esta manera al realizar el estudio
de factibilidad se reduce a la mitad el espacio de
posible soluciones para una siguiente iteración.

x* ∈ {x ∈ En : ∇f(x0)T(x – x0) ≤ 0}
1. Se define un elipsoide E0 que contenga a S cuyo
centro sea x0, de esta manera al realizar el estudio
de factibilidad se reduce a la mitad el espacio de
posible soluciones para una siguiente iteración.
2. Se halla el mínimo elipsoide Ek, tal que:
Ek ∈ {E0 ∩ H – }
El mínimo elipsoide Ek+1, tal que:
Ek+1 ∈ {Ek ∩ H – }
Esta dado por:
x k +1
= x + 1/( n + 1) ⋅ d
k k +1
2
k +1  k
n 2 k + 1 k +1 T 
B = 2 B − d ⋅ d
n − 1  n +1 
k +1 B • ∇f( x )
k 0
d =−
∇f( x ) B ∇f( x )0 T k 0

El método del elipsoide reduce el problema de
optimización a una serie de problema de factibilidad:
min cTx
Ax≤b
cTx ≤ cTx0
Ax≤b
cTx0: Costo en el centro del elipsoide inicial.
El método del elipsoide reduce el problema de
optimización a una serie de problema de factibilidad:
min cTx min f(x)

Ax≤b gk(x) ≤ 0
cTx ≤ cTx0 f(x) ≤ f(x0)

Ax≤b gk(x) ≤ 0
cTx0: Costo en el centro del elipsoide inicial.
Al resolver el problema de factibilidad pueden ocurrir
dos situaciones:
x0 es una solución factible.
x0 no es una solución factible.

Si x0 es una solución factible, entonces:
Se reduce el elipsoide con el semiespacio definido
por el objetivo:
x* ∈ {x ∈ En : ∇f(x0)T(x – x0) ≤ 0}
Por lo tanto, se puede descartar el semiespacio donde

la función tiene un mayor valor que la solución actual:
{x ∈ En : ∇f(x0)T(x – x0) ≥ 0}
En R2:
x2
(0,30)
(20,0) x1

En R2:
x2
(0,30)
x0
(x1, x2)
S
Solución óptima
(0,0) (20,0) x1

En R2:
x2
(0,30)
x0
(x1, x2)
cTx ≤ cTx0
S
Solución óptima
(0,0) (20,0) x1

En R2:
x2
(0,30)
x0
(x1, x2)
cTx ≤ cTx0
Sk
Solución óptima
(0,0) (20,0) x1

Si x0 no es una solución factible, entonces:
Se reduce el elipsoide con el semiespacio definido
por la restricción violada:
x* ∈ {x ∈ En : ∇gk(x0)T(x – x0) ≤ 0}
Por lo tanto, se puede descartar el semiespacio de las

soluciones no factibles:
{x ∈ En : ∇gk(x0)T(x – x0) ≥ 0}
En R2:
x2
(0,30)
(20,0) x1

En R2:
x2
(0,30)
x0
(x1, x2)
S
Solución óptima
(0,0) (20,0) x1

En R2:
x2
∇gk(x0)T(x – x0) ≥ 0
(0,30)
∇gk(x0)T(x – x0) ≤ 0 x0
(x1, x2)
S
Solución óptima ∇gk(x0)T(x – x0) )= 0
(0,0) (20,0) x1

Tamaño de un problema de PL: El tamaño L de un
problema de PL, se define como:
L = m*n+log(|P|)
donde P = producto de todos los coeficientes no
nulos de A, b y c.(sin incluir la restricciones de no
negatividad en caso de que existan)
Lema:
Las soluciones básicas factibles de PL son vectores
∈ Rn de números racionales donde el numerador y
los denominadores están limitados por 2L

Algoritmo del Elipsoide:
Entrada:
La matriz A ∈ Rm,n que define el conjunto de
restricciones lineales.
El vector de costos c ∈ Rn.
El vector de recursos b ∈ Rm.
Máximo error permisible ε.
Salida: Un vector x ∈ Rn tal que se satisfacen las
restricciones ó nada si no existe solución.

Comienzo
Algoritmo k = 0, xk=0, Bk = n2 * 22L * I
V F
xk∈S
r= c r = aj
D = r T Bk r
F
D≥ε Fin
V
k= k + 1 Bk r
d k +1 =−
D
x k +1 = x k + 1/( n + 1) ⋅ d k +1
n2  k 2 k +1 k +1 T 
B k +1 = 2  B − d ⋅d 
n −1  n +1
Comienzo
Inicialización k = 0, xk=0, Bk = n2 * 22L * I
V F
xk∈S
r= c r = aj
D = r T Bk r
F
D≥ε
Búsqueda
Fin
V
k= k + 1 Bk r
d k +1 =−
D
x k +1 = x k + 1/( n + 1) ⋅ d k +1
n2  k 2 k +1 k +1 T 
B k +1 = 2  B − d ⋅d 
n −1  n +1
Comienzo
Algoritmo k = 0, xk=0, Bk = n2 * 22L * I Se parte de un
esfera centra en 0
V F
xk∈S
r= c r = aj
a j fila j de la matriz A
T k
D constituye la D = r B r
Restricción j | xk∉S
distancia que F
separa los puntos D ≥ ε Fin
V Si xk∉S → PL no
k= k + 1 k +1 B k
r tiene solución factible
d =−
D
x k +1 = x k + 1/( n + 1) ⋅ d k +1
n2  k 2 k +1 k +1 T 
B k +1 = 2  B − d ⋅d 
n −1  n +1
Ejemplo 6.12: Resolver el siguiente problema
utilizando el algoritmo del Elipsoide:
max x1 + 2x2
s. a:
x1 + x2 ≤ 6
x2 ≤ 3
x1, x2 ≥ 0

Se transforma el problema en uno de minimización:
min – x1 – 2x2
s. a:
x1 + x2 ≤ 6
x2 ≤ 3
x1, x2 ≥ 0

Al transformar el problema en uno de factibilidad
queda:
– x1 – 2x2 < 0
x1 + x2 ≤ 6
x2 ≤ 3
– x1 ≤ 0
– x2 ≤ 0

Entrada:
Matriz tecnológica: 1 1
0 1
A= 
− 1 0 
 
Vector de costos:  0 − 1
 − 1
c= 
− 2

Salida:
Vector de variables:
 x1 
x= 
x 2 

Inicialización: k = 0, xk=0, Bk = n2 * 22L * I
m=2
n=2
P = 1*1*1*6*3*(– 1)*(– 2)= 36
↓
L = 2*2 + log (|36|) = 5.5563
↓
L=6

0  x 3  0 
xB = = 
 x 4  0 
1 0  14 
2 2⋅6
1 0
B =2 2 
0
 =2  
 0 1   0 1 
16384
0
0 
B = 
 0 16384 
k=0
V
xk ∈ S
Iteración 1: r= c
Hallar la restricción violada:
Todas las restricciones se satisfacen.
 − 1
r =c= 
− 2 
Calcular la norma: D = r T Bk r
16384 0   − 1
D = [− 1 − 2]  − 2
 0 16384  
 − 16384 
D = [− 1 − 2]  = 16384 + 65536
− 32768
D = 81920
Determinar la dirección: k +1 Bk r
d =−
D
16384 0   − 1
 0 16384  − 2
1
d =−    
81920
 − 16384 
− 32768  16384 / 5 
1
d = 
d1 = −  
 65536 / 5 
81920
Hallar la nueva solución:
x k +1 = x k + 1/( n + 1) ⋅ d k +1
1 1  16384 5 
0
x =x +  
2 + 1  65536 5 
 16384 45  19.08111
1
1
x =  x ≅ 
 38. 16223
 65536 45 
Calcular la matriz que define el elipsoide:
k +1 n2  k 2 k +1 k +1 T 
B = 2  B − d ⋅d 
n −1  n +1
4  16384 0  2  16384 5  
B = 1

4 − 1   0  −  
16384  3  65536 5 
16384 5 [ ]
65536 5 


4  16384 0  2 16384 5 32768 5 
B =  
1
 −   
3  0 16384  3 32768 5 65536 5  
4   212992 15 − 65536 15 
B =  
1
 
3  − 65536 15 114688 15   k= k + 1=1
1  851968 45 − 262144 45
B = 
 − 262144 45 458752 45 
Iteración 2:
F
Hallar la restricción violada: xk∈S
r = aj
x1 + x2 ≤ 6
1
1
a = 
1
Calcular la norma: D = r T Bk r
 851968 45 − 262144 45 1

D = [1 1]   
− 262144 45 458752 45  1
1114112 45
D = [1 1]  = 1114112 45 + 720896 45
 720896 45 
D = 1835008 45
Determinar la dirección: k +1 Bk r
d =−
D
851968 45 262144 45 1

262144 45 458752 45  1
d2 = −   
1835008 / 45
1114112 45
 720896 45 
d2 = −  
1835008 45
2
− 1114112 45 45 1835008 
d = 
 − 720896 45 45 1835008 
2
− 1114112 * 17 /( 28 * 45 ) 
d = 
 − 720896 * 11/( 28 * 45 ) 
2
− 278528 * 17 /( 7 * 45 )  − 278528 * 17 / 315 
d = = 
 − 180224 * 11/( 7 * 45 )   − 180224 * 11/ 315 
Hallar la nueva solución:
x k +1 = x k + 1/( n + 1) ⋅ d k +1
2 1 − 278528 * 17 / 315 
1
x =x +  
3  − 180224 * 11/ 315 
2
 16384 45  1 − 278528 * 17 / 315 
x = +  
 65536 45  3  − 180224 * 11/ 315 
− 21.78679
2
x ≅ 
 11. 71829 
Calcular la matriz que define el elipsoide:
k +1 n2  k 2 k +1 k +1 T 
B = 2  B − d ⋅d 
n −1  n +1
 16505,363 − 10679,941
2
B ≅ 
 − 10679,941 12621, 748 
k= k + 1 = 2
Más Iteraciones
k xk ∈ S ak D D≥ε dk+1 xk+1 Bk+1
 − 1  57, 24  19,08   18932,62 − 5825,42

0 V − 2  286,21 V 114 ,48  36,16 − 5825,42 10194 ,49 
     
 
1  − 99,15   5,11   16505,363 − 10679,941
1 F 1 132,19 V − 33,05 − 11,02  − 10679,941 12621,748 
    

0 − 95,06 − 42,70   16505,36 − 10679,94 
2 F − 1 112,34 V  112,35   37,45  − 10679,94 12621,75 
 
 
Se continua hasta obtener una solución
Aunque teóricamente el Algoritmo del

Elipsoide (Algoritmo de Tiempo Polinomial) es
mejor que el Algoritmo del Simplex (Algoritmo
de Tiempo No Polinomial), es mucho más
lento en la práctica y no compite con el Simplex

Resumen
Métodos numéricos: Algoritmos.
Metodología para resolución de un problema.
Algoritmo.
Características de un algoritmo.
Representación: Diagramas de Flujo.
Matlab.
Ambiente de trabajo.
Conceptos Básicos: Matrices.
Operadores Aritméticos.
Resumen
Funciones Matemáticas Básicas.
Algoritmos.
Estructuras Básicas de Programación.
Operadores Relaciónales.
Operadores Lógicos.
Variables.
Operaciones útiles.
Mapa algorítmico.
Mapa Cerrado.
Resumen
Algoritmo de Optimización.
Características Necesarias.
Reglas de parada.
Uso.
Requerimientos.
Parámetros.
Desempeño: función O (de orden).
Programación Lineal.
Conjuntos poliédricos.
Resumen
Punto Extremo.
Rayo.
Dirección extrema.
Caracterización de puntos extremos.
Caracterización de las direcciones extremas.
Método Simplex.
Algoritmo.
Método del Elipsoide.
Elipsoide.
Resumen
Funciones Convexas Diferenciables.
Separación de Conjuntos Convexos.
Algoritmo.

Clase NL06 S0109

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Clase NL06 S0109

Diunggah oleh

Hak Cipta:

Format Tersedia

Programación No Lineal

Prof. Gonzalo Müller

Programación No Lineal – Prof. Gonzalo Müller – Clase 6 – GM – 6

Programación No Lineal – Prof. Gonzalo Müller – Clase 6 – GM – 7

Programación No Lineal – Prof. Gonzalo Müller – Clase 6 – GM – 8

Programación No Lineal – Prof. Gonzalo Müller – Clase 6 – GM – 9

Programación No Lineal – Prof. Gonzalo Müller – Clase 6 – GM – 11

Formulación del modelo matemático

Programación No Lineal – Prof. Gonzalo Müller – Clase 6 – GM – 12

Formulación del modelo matemático

Desarrollo de un método numérico para resolución

Programación No Lineal – Prof. Gonzalo Müller – Clase 6 – GM – 13

Formulación del modelo matemático

Desarrollo de un método numérico para resolución

Implementación computacional del método

Programación No Lineal – Prof. Gonzalo Müller – Clase 6 – GM – 14

Formulación del modelo matemático

Desarrollo de un método numérico para resolución

Implementación computacional del método

Búsqueda y evaluación de la solución

Programación No Lineal – Prof. Gonzalo Müller – Clase 6 – GM – 15

Programación No Lineal – Prof. Gonzalo Müller – Clase 6 – GM – 16

Programación No Lineal – Prof. Gonzalo Müller – Clase 6 – GM – 17

Programación No Lineal – Prof. Gonzalo Müller – Clase 6 – GM – 18

Programación No Lineal – Prof. Gonzalo Müller – Clase 6 – GM – 19

Programación No Lineal – Prof. Gonzalo Müller – Clase 6 – GM – 20

Bloque Terminal: Señala el inicio o el fin del

Programación No Lineal – Prof. Gonzalo Müller – Clase 6 – GM – 21

Bloque Terminal: Señala el inicio o el fin del

El bloque inicio siempre tiene El bloque fin siempre tiene

Programación No Lineal – Prof. Gonzalo Müller – Clase 6 – GM – 22

Bloque Proceso: Se utiliza para indicar un proceso ó

Programación No Lineal – Prof. Gonzalo Müller – Clase 6 – GM – 23

Bloque Proceso: Se utiliza para indicar un proceso ó

El bloque de proceso siempre tiene una línea

Bloque de Decisión: Establece la dirección de los

Programación No Lineal – Prof. Gonzalo Müller – Clase 6 – GM – 25

Bloque de Decisión: Establece la dirección de los

Programación No Lineal – Prof. Gonzalo Müller – Clase 6 – GM – 26

Bloque de Decisión: Establece la dirección de los

El bloque de decisión siempre tiene dos

Conectores: Establece la conexión entre dos

Programación No Lineal – Prof. Gonzalo Müller – Clase 6 – GM – 28

Programación No Lineal – Prof. Gonzalo Müller – Clase 6 – GM – 29

Cada bloque puede tener a lo sumo una línea de

Programación No Lineal – Prof. Gonzalo Müller – Clase 6 – GM – 30

Las líneas siempre debe ir del lado derecho.

LAS LÍNEAS DE FLUJO NO PUEDEN

Programación No Lineal – Prof. Gonzalo Müller – Clase 6 – GM – 32

Programación No Lineal – Prof. Gonzalo Müller – Clase 6 – GM – 33

Programación No Lineal – Prof. Gonzalo Müller – Clase 6 – GM – 34

Programación No Lineal – Prof. Gonzalo Müller – Clase 6 – GM – 35

Programación No Lineal – Prof. Gonzalo Müller – Clase 6 – GM – 36

Programación No Lineal – Prof. Gonzalo Müller – Clase 6 – GM – 40

Programación No Lineal – Prof. Gonzalo Müller – Clase 6 – GM – 41

Programación No Lineal – Prof. Gonzalo Müller – Clase 6 – GM – 42

Programación No Lineal – Prof. Gonzalo Müller – Clase 6 – GM – 43

Programación No Lineal – Prof. Gonzalo Müller – Clase 6 – GM – 44

Programación No Lineal – Prof. Gonzalo Müller – Clase 6 – GM – 45

Programación No Lineal – Prof. Gonzalo Müller – Clase 6 – GM – 46

Un elemento especifico de la matriz.

Programación No Lineal – Prof. Gonzalo Müller – Clase 6 – GM – 49

Un elemento especifico de la matriz.