Anda di halaman 1dari 29

Unidad III.- Programacin No lineal.

Introduccin. Se considera como programacin no lineal, al conjunto de mtodos utilizados para optimizar una funcin objetivo, sujeta a una serie de restricciones en los que una o ms de las variables incluidas es no lineal. La programacin no lineal se ocupa del problema de optimizar una funcin objetivo con n presencia de restricciones tipo de igualdad y/o desigualdad. Si todas las funciones son lineales tenemos un programa lineal de lo contrario, el programa es no lineal. Se dice que la programacin lineal es un caso particular de la programacin no lineal. Por tal motivo, los problemas no lineales son mucho ms difciles de resolver que los de programacin lineal. Haciendo un anlisis de las caractersticas de los problemas lineales y no lineales tenemos la siguiente comparacin entre ambos problemas. Programacin lineal 1. La solucin ptima se encuentra en un punto extremo de la regin de Factibilidad. 2. El punto ptimo nunca est dentro de la regin de factibilidad. 3. Sus mtodos de optimizacin generan ptimos absolutos globales. Programacin No lineal 1. No siempre la solucin ptima se encuentra en un punto extremo de la regin de factibilidad. 2. Hay casos donde el puni ptimo est en el interior de la regin factible. 3. Generalmente se encuentra un ptimo local relativo, ms no el ptimo global absoluto. 4. La regin de factibilidad es un conjunto convexo. 4. Se pueden generar regiones de factibilidad que no son necesariamente convexas. 5. Sus funciones objetivo y restricciones son lineales. 5. La funcin objetivo, las restricciones ambas pueden ser no lineales.

Unidad III.- Programacin No lineal.

Contenido. 3.2- Ilustracin grafica de problemas de programacin no lineal. Cuando un problema de programacin no lineal tiene solo una o dos variables, se puede representar grficamente de forma muy parecida a algn ejemplo anterior de programacin lineal. Se vern unos cuantos ejemplos, ya que una representacin grafica de este tipo proporciona una visin global de las propiedades de las soluciones ptimas de programacin lineal y no lineal. Con el fin de hacer hincapi en las diferencias entre programacin lineal y no lineal.

La figura siguiente muestra lo que ocurre con este problema si los nicos cambios que se hacen al modelo mencionado son que la segunda y tercera restricciones funcionales se sustituyen por la restriccin no lineal 9X 2 + 5X2 1 2 <=216. Compare las figuras que se presentan a continuacin.

La solucin optima sigue siendo (X1, X2) = (2,6). Todava se encuentra sobre la frontera de la regin factible, pero no es una solucin factible en un vrtice (FEV). La solucin optima pudo haber sido una solucin FEV con una funcin objetivo diferente (verifique Z=3X1 + X2), pero que no necesite serlo no significa que ya no se puede aprovechar la gran simplificacin utilizada en programacin lineal que permite limitar la bsqueda de una solucin optima para las soluciones FEV. Ahora suponga que las restricciones lineales d la seccin anterior se conserva sin cambio, pero que la funcin objetivo se hace no lineal. Por ejemplo si

Unidad III.- Programacin No lineal.

Entonces la representacin grafica en la anterior indica que la solucin ptima es X1=8/3, X2=5, que de nuevo se encuentra en la frontera de la regin factible. (El valor optimo de Z es Z=857, as en la figura anterior muestra el hecho de que el lugar geomtrico de todos los puntos para los que z=857 tiene en comn con la regin factible solo este punto, mientras que el lugar geomtrico de los puntos con Z mas grandes no toca la regin factible en ningn punto.) Por otro lado, si

Unidad III.- Programacin No lineal.

Entonces la siguiente figura ilustra que la solucin optima es (x1, x2) = (3,3), que se encuentra dentro de la frontera de la regin factible. (Se puede comprobar que esta solucin optima si se usa calculo para derivarla como un mximo global no restringido; como tambin satisface las restricciones, debe ser optima para el problema restringido.) Por tanto, es necesario que:

Un algoritmo general para resolver problemas de este tipo tome en cuenta todas las soluciones en la regin factible, y no solo aquellas que estn sobre la frontera. Otra complicacin que surge en programacin no lineal es que un mximo local no necesariamente es un mximo global (la solucin ptima global). Por ejemplo, considera la funcin de una sola variable graficada en siguiente figura. En el intervalo 0<=X<=5, esta funcin tiene tres mximos locales X=0, x=2, x=4 pero solo uno de estos X=4 es un mximo global. (De igual manera, existen mnimos locales en X=1, 3, 5, pero solo X=5 es un mnimo global).

Unidad III.- Programacin No lineal.

En general, los algoritmos de programacin no lineal no pueden distinguir entre un mximo local y un mximo global (excepto si encuentran otro mximo local mejor), por lo que es determinante conocer las condiciones bajo las que se garantiza que un mximo local es u mximo global en la regin factible. Recuerde que en clculo, cuando se maximiza una funcin ordinaria (doblemente diferenciable) de una sola variable f(X) sin restricciones, esta garanta est dada cuando:

Una funcin de este tipo cuya curvatura siempre es hacia abajo (o que no tiene curvatura) se llama funcin cncava. De igual manera si se sustituye <= por =>, de manera que la funcin tiene siempre una curvatura hacia arriba (o no tiene curvatura), se llama funcin convexa (As, una funcin lineal es tanto cncava como convexa). En la figura posterior se pueden ver ejemplos de estos. Note que la primera figura ilustra una funcin que no es cncava, ni convexa, pues alterna sus curvaturas hacia abajo y hacia arriba. Las funciones de variables mltiples tambin se pueden caracterizar como cncavas o convexas si su curvatura es siempre hacia abajo o hacia arriba. La siguiente es una forma conveniente de verificar esto para una funcin de ms de dos variables cuando la funcin consiste en una suma de funciones ms pequeas cada una de solo:

Unidad III.- Programacin No lineal.

Si un problema de programacin no lineal no tiene restricciones, el hecho de que la funcin objetivo sea cncava garantiza que un mximo local es un mximo global. (De igual manera, una funcin objetivo convexa asegura que un mnimo local es un mnimo global). Si existen restricciones, entonces se necesita una condicin ms para dar esta garanta, a saber, que la regin factible sea un conjunto convexo. Un conjunto convexo es sencillamente un conjunto de puntos tales que, para cada par de puntos de la coleccin, el segmento de recta que los une esta totalmente contenido en la coleccin. La regin factible para cualquier otro problema de programacin lineal es un conjunto convexo. En general la regin factible para un problema de programacin no lineal es un conjunto convexo siempre que todas las funciones g1(X) [para las restricciones g1(X) <=b1] sean convexas. Para el ejemplo de la siguiente figura, las dos g1(X) son convexas, ya que g1(X)=X1 (una funcin lineal es automticamente cncava o convexa) y g2(X)=9X1 como 5X2 son funciones convexas, por lo que su suma es una funcin convexa). Estas dos funciones convexas g1(X) conducen a que la regin factible de la figura sea un conjunto convexo. Ahora se analizara que pasa cuando solo una de estas funciones g1(X) es una funcin cncava. En particular, suponga que el nico cambio que se hace al ejemplo de la figura es
2 2

Unidad III.- Programacin No lineal.

Que su restriccin no lineal se sustituye por 8X1 + 14X2 X 2 <=49. Por lo tanto, 2
2 la nueva g2(X)=8X1 X2 + 14X2 X2 es una funcin cncava ya que tanto 8X1 11 2 2 X2 como 14X2 X son funciones cncavas. La nueva regin factible mostrada 1 2

en la figura anterior no es un conjunto convexo. Por qu? porque contiene pares de puntos, como (0,7) y (4,3), tales que parte del segmento de recta que los une no est en la regin factible. En consecuencia no se puede garantizar que un mximo local sea un mximo global. De hecho este ejemplo tiene dos mximos locales (0,7) y (4,3), pero solo (0,7) es un mximo global. 3.3- Tipos de problemas de programacin 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. Si la funcin objetivo f es lineal y el espacio restringido es un rea cuadrada o un politopo, el problema es de Programacin lineal y puede resolverse utilizando alguno de los bien conocidos algoritmos de programacin lineal.

Unidad III.- Programacin No 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 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: 1.-Optimizacin no restringida. 2.- Optimizacin linealmente restringida. 3.- Programacin cuadrtica 4.- Programacin convexa. 5.- Programacin separable. 6.- Programacin no convexa. 7.- Programacin geomtrica. 8.- Programacin fraccional. 9.- Problema de complementariedad.

Algoritmos sin restriccin. En esta seccin se presentarn dos algoritmos para el problema no restringido: el algoritmo de bsqueda directa y el algoritmo de gradiente. Mtodo de bsqueda directa. Los mtodos de bsqueda directa se aplican principalmente a funciones estrictamente unimodales 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.

Unidad III.- Programacin No lineal.

La idea de los mtodos de bsqueda directa es identificar el intervalo de incertidumbre 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 de bsqueda 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: Si f(xx) > /(x2), entonces xL < x* < x2. Se definen xR = x2 e /, = (xL, x2) (vase la figura 21.2[a]). Si f(xx) < f(x2\ entonces xx < x* < xR. Se definen xL = xx e I = (xh xR) (vase la figura 21.1 [b]). . 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 k si k< A, donde A es un grado de exactitud definido por el usuario. La diferencia entre los mtodos dictomos y de seccin dorada estriba en la forma en que se calculan xx y x2. La tabla siguiente presenta las frmulas.

Unidad III.- Programacin No lineal.

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

Unidad III.- Programacin No lineal.

Cuando el intervalo de incertidumbre /, en la iteracin i es igual a (jc, x2) o a (xu xR). Considere el caso en que /, = (jcl, x2), lo cual significa que xx est incluido en /. En la iteracin /+1, seleccione x2 igual a jc, de la iteracin /, lo cual lleva a la siguiente ecuacin: x2(iteracin i+l) = x{(iteracin i)

Comparado con el mtodo dictomo, el mtodo de la seccin dorada converge ms rpidamente hacia el nivel deseado de exactitud. Adicionalmente, cada iteracin en el mtodo de la seccin dorada requiere la mitad de los clculos, en virtud de que recicla siempre un conjunto de los clculos correspondientes a la iteracin inmediata anterior.

Unidad III.- Programacin No lineal.

Ejemplo:

El mximo valor de f(x) ocurre en x = 2. La siguiente tabla muestra los clculos para las iteraciones 1 y 2, usando el mtodo dictomo y el de la seccin dorada. Supondremos que A = 0.1.

Al continuar de la misma forma, el intervalo de incertidumbre terminar por estrecharse hasta la tolerancia A deseada. Optimizacin no Restringida. Los problemas de optimizacin no restringida no tienen restricciones, por lo que la funcin objetivo es sencillamente Maximizar f(x) sobre todos los valores x= (x1, x2,,xn). Segn el repaso del apndice 3, la condicin necesaria para que una solucin especfica x = x* sea ptima cuando f(x) es una funcin diferenciable es:

Unidad III.- Programacin No lineal.

Cuando f (x) es cncava, esta condicin tambin es suficiente, con lo que la obtencin de x* se reduce a resolver el sistema de las inecuaciones obtenidas al establecer las n derivadas parciales iguales a cero. Por desgracia, cuando se trata de funciones no lineales f(x), estas ecuaciones suelen ser no

lineales tambin, en cuyo caso es poco probable que se pueda obtener una solucin analtica simultnea. La razn es que muchos algoritmos para problemas restringidos estn construidos de forma que se adaptan a versiones no restringidas del problema en una parte de cada iteracin. Cuando una variable Xj tiene una restriccin de no negatividad, x- > 0, la condicin necesaria (y tal vez) suficiente anterior cambia ligeramente a

Para cada j de este tipo. Esta condicin se ilustra en la figura 13.11, donde la solucin ptima de un problema con una sola variable es x = 0 aun cuando la derivada ah es negativa y no cero. Como este ejemplo tiene una funcin cncava para maximizar sujeta a una restriccin de no negatividad, el que su derivada sea menor o igual a 0 en # = 0, es una condicin necesaria y suficiente para que x= 0 sea ptima. Un problema que tiene algunas restricciones de no negatividad y que no tiene restricciones funcionales es un caso especial (m = 0) de la siguiente clase de problemas. Optimizacin Linealmente Restringida. Los problemas de optimizacin linealmente restringida se caracterizan por restricciones que se ajustan por completo a la programacin lineal, de manera que todas las funciones de restriccin g (x) son lineales, pero la funcin objetivo es no lineal. El problema se simplifica mucho si slo se tiene que tomar en cuenta una funcin no lineal junto con una regin factible de programacin lineal.

Unidad III.- Programacin No lineal.

Un caso especial importante descrito a continuacin es la programacin cuadrtica. Programacin Cuadrtica. De nuevo los problemas de programacin cuadrtica tienen restricciones lineales, pero ahora la funcin objetivo /(x) debe ser cuadrtica. Entonces, la nica diferencia entre stos y un problema de programacin lineal es que algunos trminos de la funcin objetivo incluyen el cuadrado de una variable o el producto de dos variables.

Unidad III.- Programacin No lineal.

Programacin Convexa. La programacin convexa abarca una amplia clase de problemas, entre ellos como casos especiales, estn todos los tipos anteriores cuando /(x) es cncava. Las suposiciones son: f(x) es cncava. Cada una de las g(x) es convexa. Programacin Separable La programacin separable es un caso especial de programacin convexa, en donde la suposicin adicional es Todas las funciones f(x) y g(x) son funciones 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:

Son cada tina funciones de una sola variable x1 y x2, respectivamente. Es importante distinguir estos problemas de otros de programacin convexa, pues cualquier problema de programacin separable se puede aproximar muy de cerca mediante uno de programacin lineal y, entonces, se puede aplicar el eficiente mtodo smplex. Programacin no Convexa. La programacin no convexa incluye todos los problemas de programacin no lineal que no satisfacen las suposiciones de programacin convexa.

Unidad III.- Programacin No lineal.

En este caso, aun cuando se tenga xito en encontrar un mximo local, no hay garanta de que sea tambin un mximo global. Por lo tanto, no se tiene un algoritmo que garantice encontrar una solucin ptima para todos estos problemas; pero s 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 supusieron para programacin convexa. 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

En tales casos, las ci y a ty representan las constantes fsicas y las x 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 directamente 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 en cada funcin son estrictamente positivos, es decir, las funciones son polinomios positivos generalizados, y la funcin objetivo se tiene que minimizar. El problema equivalente de programacin convexa con variables de decisin yx, y2,, yn se obtiene entonces al establecer:

En todo el modelo original. Ahora se puede aplicar un algoritmo de programacin convexa.

Unidad III.- Programacin No lineal.

Programacin fraccional. Suponga que la funcin objetivo se encuentra en la forma de una fraccin, esto es, la razn o cociente de dos funciones:

Estos problemas de programacin fraccional surgen, por ejemplo, cuando se maximiza la razn de la produccin entre las horas-hombre 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 para una cartera de inversiones (rendimiento/riesgo). Se han formulado algunos procedimientos de solucin especiales1 para ciertas formas de f1(x) y f2 (x) Cuando se puede hacer, 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 esto, suponga que f(x) es de la forma de programacin fraccional lineal:

Donde c y d son vectores rengln, x es un vector columna y c0 y dQ son escalares. Tambin suponga que las funciones de restriccin g (x) son lineales, es decir, las restricciones en forma matricial son Ax < b y x > 0. Con algunas suposiciones dbiles adicionales, el problema se puede transformar en un problema equivalente de programacin lineal si se establece

Unidad III.- Programacin No lineal.

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 /(x) cncava, f2 (x) convexa y g (x) convexas, en un problema equivalente de programacin convexa. 3.4- Optimizacin clsica. La teora de optimizacin clsica se usa para la obtencin de los mximos y mnimos de funciones no lineales restringidas y no restringidas, en los que se hace uso del clculo diferencial. 3.4.1- Puntos de Inflexin. As como los puntos mximos y mnimos de una curva se caracterizan por ser puntos en los cuales la curva cambia de creciente a decreciente o viceversa, los llamados puntos de inflexin de una curva (cuando existen), se caracterizan por determinar un cambio en la concavidad de la curva. Si f y f' son derivables en a, a es un: Punto de inflexin Si f'' = 0 f''' 0 Clculo de los puntos de inflexin Para hallar los puntos de inflexin, seguiremos los siguientes pasos: 1. Hallamos la derivada segunda y calculamos sus races.

Unidad III.- Programacin No lineal.

2. Realizamos la derivada tercera, y calculamos el signo que toman en ella los ceros de derivada segunda y si: f'''(x) 0 Tenemos un punto de inflexin. 3. Calculamos la imagen (en la funcin) del punto de inflexin. Ejemplo Hallar los puntos de inflexin de: f(x) = x3 3x + 2 f''(x) = 6x 6x = 0 x = 0. f'''(x) = 6 Ser un punto de inflexin. f(0) = (0)3 3(0) + 2 = 2 Punto de inflexin: (0, 2) 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.

Unidad III.- Programacin No lineal.

Una condicin necesaria pero no suficiente para que X0 sea un punto extremo, es que para una funcin con ms 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. Mtodo de Newton El encontrar la solucin a un sistema de ecuaciones no lineal es mucho ms difcil que el de un sistema lineal.

Unidad III.- Programacin No lineal.

El mtodo de Newton es un procedimiento iterativo y permite la linealizacin de un sistema de ecuaciones no lineal, para posteriormente darle solucin por cualquier mtodo numrico de ecuaciones lineales simultneas, esta forma parte de los mtodos conocidos como mtodos de gradiente. Un sistema de n ecuaciones con n incgnitas (x1, x2, ... xn), se conoce como no lineal, si una o ms de estas no es lineal. De manera general, la solucin de un sistema de n ecuaciones no lineales aplicando el mtodo de Newton [Conte y Boor, 1987] se plantea como sigue:

Unidad III.- Programacin No lineal.

Mtodo de derivadas restringidas (Jacobiano). Se puede considerar como una generalizacin del mtodo simplex para programacin lineal. Considere el problema

Las funciones f(X) y gi(X), donde i = 1,2,,m, se suponen diferenciables y doblemente continuas. El utilizar derivadas restringidas es encontrar una expresin de forma cerrada para las primeras derivadas parciales de f(X) en todos los puntos que satisfacen las restricciones g(X) = 0. Estos puntos estacionarios entonces se sabe que son donde dichas derivadas parciales se anulan. Por el teorema de Taylor, para los puntos X + DX en el entorno factible de X, se deduce que:

Unidad III.- Programacin No lineal.

Indican a las variables dependientes e independientes, respectivamente y que corresponden al vector X. Volviendo a escribir los vectores gradiente de f y g en trminos de Y y Z se encuentra que.

Unidad III.- Programacin No lineal.

Jmxn se conoce como la matriz jacobiana y Cmxn-m = es la matriz de control. Utilizando las definiciones anteriores en (4), se puede escribir el conjunto original de ecuaciones como:

Unidad III.- Programacin No lineal.

Mtodo de ascenso pronunciado (steepest ascent). La terminacin del mtodo del gradiente se realiza en el punto donde le gradiente de vuelve nulo. Esta es solamente una condicin necesaria para la optimizacin. As se enfatiza que la optimalidad no puede verificarse al menos que se conozca que f (X) es cncava o convexa. Suponga que f (X) es maximizada. Tomemos a cual el procedimiento inicia y define a ksimo punto de como el punto inicial en el como el gradiente de f en el

. La idea del mtodo es determinar el PATH p a travs del

cual df / dp es maximizada en un punto dado. Este resultado es alcanzado si los puntos sucesivos y se seleccionan tales que

Unidad III.- Programacin No lineal.

Unidad III.- Programacin No lineal.

Unidad III.- Programacin No lineal.

Unidad III.- Programacin No lineal.

Conclusiones. La programacin no lineal tiene la limitante de la no existencia de un algoritmo nico para cualquier problema no lineal, tal como el mtodo Simplex en programacin lineal, lo que hace ms complicado su estudio. Los mtodos de solucin de programacin no lineal se pueden clasificar en trminos generales como procedimientos directos o indirectos. Ejemplos de los mtodos directos son los algoritmos de gradiente, donde el mximo (mnimo) de un problema se busca siguiendo la tasa de incremento (disminucin) mas rpida de la funcin objetivo en un punto. En los mtodos indirectos, el problema original se transforma primero en un problema auxiliar del cual se determina el ptimo. Algunos ejemplos de estas situaciones son la programacin cuadrtica, la programacin separable, la programacin

fraccional y la programacin geomtrica. Por ltimo, la programacin no lineal es ms complicada de estudiar ya que no existen algoritmos concretos que nos faciliten el desarrollo de problemas de programacin no lineal, los algoritmos que existen no siempre nos llevan a la solucin optima como tal, sino que solamente se aproximan un poco a la solucin optima del problema a desarrollar.

Anda mungkin juga menyukai