OPTIMIZACIN CON RESTRICCIONES DE IGUALDAD

Localizacin de ptimos de

Formulacin estndar del problema

opt f ( x ) g i ( x ) = 0 i = 1,2,..., m
Se considerarn problemas en los que el

funciones sujetas a restricciones en forma de igualdad Tcnica de los multiplicadores de Lagrange

nmero de restricciones sea menor que el nmero de variables de decisin Si el nmero de restricciones supera al de variables, puede ocurrir que el problema sea infactible (ninguna solucin factible) Una restriccin de la forma g(x)=b es equivalente a g(x)-b=0

Mtodo de eliminacin de variables

Convertir un problema con n variables y m

El mtodo de eliminacin de variables no

restricciones en un problema con n-m variables sin restricciones

Ejemplo:

resulta operativo cuando el problema tiene muchas restricciones o las restricciones son complejas
Se utilizar un mtodo alternativo que

opt x 2 + y 2 x + y 1 = 0
Tiene un mnimo en el punto (x,y)=(1/2,1-1/2)=(1/2,1/2)

y = 1 x

opt x 2 + (1 x) 2

Tiene un mnimo en el punto x=1/2

adems proporciona ms informacin sobre el problema (mtodo de los multiplicadores de Lagrange)

Deduccin grfica de las condiciones necesarias de optimalidad de primer orden

Ejemplo:
1

Gradiente de la funcin objetivo:

f ( x, y ) = x 2 + y 2 2x f ( x, y ) = 2y
Gradiente de la funcin de restriccin: g ( x, y ) = x + y 1
-0.5 -0.25

0.75

0.5

(1/2,1/2)

0.25

opt x 2 + y 2 x + y 1 = 0 f ( x, y ) = x 2 + y 2 g ( x, y ) = x + y 1
El problema no tiene mximo y tiene un mnimo en el punto (x,y)=(1/2,1/2)

0.5

0.25

0.5

0.75

-0.25

1 g ( x, y ) = 1
1 f (1 / 2,1 / 2) = 1
-1 -0.5 0 0.5 1

-0.5

-0.5

-1

1 g (1 / 2,1 / 2) = 1

Se observa una relacin de proporcionalidad entre los dos vectores

f (1 / 2,1 / 2) + g (1 / 2,1 / 2) = 0

Teorema de los multiplicadores de Lagrange

opt f ( x) Sea x* un ptimo local del problema g i ( x) = 0 i = 1,2,..., m
Si los vectores gradientes

El teorema de Lagrange establece una condicin necesaria de optimalidad (bajo las condiciones de regularidad) Todos los ptimos que verifiquen las condiciones de regularidad establecidas tienen asociados los correspondientes multiplicadores

g1 ( x*),..., g m ( x*)
son linealmente independientes, entonces: Existen 1, 2,..., m nmeros reales tales que:

condicin de regularidad o cualificacin

f ( x*) + 1g1 ( x*) + ... + m g m ( x*) = 0

Los nmeros 1, 2,..., m se conocen como multiplicadores de Lagrange, variables duales o precios sombra

Puntos estacionarios
Se llaman puntos estacionarios del problema

a las soluciones del siguiente sistema de ecuaciones:

f ( x ) + 1g1 ( x ) + ... + m g m ( x ) = 0 g ( x) = 0 1 .......... ..... g m ( x) = 0
Sistema de n+m ecuaciones con n+m incgnitas

Ejemplo de problema en el que no se verifican la condiciones de regularidad 2x f ( x, y ) = 2 2 2y min x + y

3 2 ( x 1) y = 0

2( x 1) 2 g ( x, y ) = 2y

Puntos estacionarios:
2 x + 2( x 1) 2 = 0 2 y + ( 2 y ) = 0 ( x 1) 3 y 2 = 0

Este sistema no tiene solucin

Siempre que se cumplan las condiciones de regularidad del teorema de Lagrange, todo punto ptimo es estacionario

Significa esto que el problema no tiene ningn mnimo?

Funcin lagrangiana
El problema alcanza un mnimo en el punto (1,0)

0.5

Funcin de n+m variables (las n variables de

decisin y los m multiplicadores), definida de la siguiente manera:

L( x, ) = f ( x) + 1 g1 ( x) + 2 g 2 ( x) + ... + m g m ( x)

-0.5

-1 -1 -0.5 0 0.5 1 1.5 2

Los puntos estacionarios son los puntos

2( x 1) 2 0 g ( x, y ) = 0 2 y g (1,0) =
No se verifica la condicin de regularidad: el conjunto de vectores gradientes de las restricciones no es un conjunto de vectores linealmente independientes en el ptimo

crticos de la funcin Lagrangiana

Bajo las condiciones de regularidad exigidas, todo ptimo de un problema con restricciones de igualdad es un punto estacionario No todo punto estacionario es ptimo, puede ser tambin un punto de silla El Teorema de Lagrange establece condiciones necesarias de optimalidad pero no suficientes, salvo en un caso....
EL CASO DE LOS PROBLEMAS CONVEXOS

Problemas convexos con restricciones de igualdad

min f ( x) g i ( x ) = 0 i = 1,2,..., m
con f(x) funcin convexa y gi(x) funciones lineales

Todo punto estacionario es mnimo global

Todo punto estacionario es mximo global

max f ( x ) g i ( x ) = 0 i = 1,2,..., m

con f(x) funcin cncava y gi(x) funciones lineales

Condiciones suficientes de optimalidad (caso general)

opt f ( x ) g i ( x) = 0 i = 1,2,..., m
Dado (x*,*) un punto estacionario del problema

* H x L( x*, *) = Hf ( x*) + 1 Hg1 ( x*) + ... + * m Hg m ( x*)

es la matriz hessiana de la funcin lagrangiana pero restringida a las variables x

M ( x*) = p R n g i ( x*) o p = 0 i = 1,2,..., m

Se define: M ( x*) = { p R n g i ( x*) o p = 0 i = 1,2,..., m}

* H x L ( x*, *) = Hf ( x*) + 1 Hg1 ( x*) + ... + * m Hg m ( x*)

representa el espacio asociado al hiperplano tangente a la regin factible en el punto x* Ejemplo:

Si se verifica: p H x L( x*, *)p > 0 p M ( x*), p 0 entonces x* es un mnimo local estricto del problema
T

opt x + y 2 2 x + y 2 = 0

tiene dos puntos estacionarios: el punto (1,1) con = -1/2 y el punto (-1,-1) con = 1/2

Si se verifica: pT H x L( x*, *)p < 0 p M ( x*), p 0 entonces x* es un mximo local estricto del problema

p1 M (1,1) = ( p1 , p2 ) g (1,1) = 2 p1 + 2 p2 = 0 = {( p, p) p R} p 2

Aplicacin prctica de las condiciones suficientes

Si HxL(x*,*) es definida positiva entonces el
punto estacionario (1,1)

punto corresponde a un mnimo local

Por la propia definicin de matriz definida positiva pT HxL(x*,*) p>0 para cualquier vector p

Si HxL(x*,*) es definida negativa entonces

el punto corresponde a un mximo local

Regin factible x2+y2=2

M (1,1) = {( p, p ) p R}

Por la propia definicin de matriz definida negativa pT HxL(x*,*) p<0 para cualquier vector p

 Si HxL(x*,*) es semidefinida positiva

ESTUDIO DE LA EXPRESIN

entonces el punto podra ser un mnimo o un punto de silla Si HxL(x*,*) es semidefinida negativa entonces el punto podra ser un mximo o un punto de silla Si HxL(x*,*) es indefinida entonces el punto podra ser un mnimo, un mximo o un punto de silla

pT H x L( x*, *)p p M ( x*), p 0

9 Si el signo es siempre estrictamente positivo el punto sera un mnimo. 9 Si el signo es siempre estrictamente negativo el punto sera un mximo. 9 Si el signo es positivo o negativo dependiendo del vector p considerado el punto sera un punto de silla. 9 Cuando el signo es mayor o igual que cero, o menor o igual que cero, para los vectores p no nulos, se estara ante un caso DUDOSO

En estos tres ltimos casos para salir de dudas debera estudiarse el signo de la expresin

pT H x L( x*, *)p p M ( x*), p 0

Interpretacin econmica de los multiplicadores de Lagrange

EJEMPLO: Una compaa fabrica una serie de productos,
tres de los cuales son deficitarios, el objetivo de la empresa es minimizar sus prdidas P(x,y,z) = x3 + 2yz La compaa tiene firmado dos contratos con sendos clientes: Contrato 1: Suministrar al primer cliente 6 unidades en total de los dos primeros artculos Contrato 2: Suministrar al segundo cliente 2 unidades del tercer artculo

Solucin del problema:

Producciones ptimas: x = 1.1547 y = 4.8453

z=2

Prdidas mnimas: P(1.1547, 4.8453, 2) = 20.9208 Multiplicadores de Lagrange: 1 = - 4 2 = - 9.6909

La empresa se plantea una negociacin con sus clientes para modificar o anular los contratos es interesante tal negociacin?

min x 3 + 2 yz x + y = 6 z = 2

Problema de optimizacin con restricciones de igualdad

min x 3 + 2 yz x + y = b1 z = b 2

Punto ptimo: Valor ptimo:

x * (b1 , b2 ) VOpt (b1 , b2 ) = f ( x * (b1 , b2 ))

Multiplicadores: 1 (b1 , b2 )

2 (b1 , b2 )

Prdidas mnimas para diferentes condiciones de los contratos:

b1 6 6 6 6 5 6 7 8 b2 1 2 3 4 2 2 2 2 x 0,816 1,155 1,414 1,633 1,155 1,155 1,155 1,155 y 5,183 4,84 4,586 4,367 3,845 4,84 5,845 6,845 z 1 2 3 4 2 2 2 2 Prdidas mnimas 10,911 20,921 30,343 39,291 16,921 20,921 24,921 28,921

Interpretacin econmica de los multiplicadores de Lagrange

opt f ( x) g (x) = b 1 1 ............... g m ( x) = bm
Los multiplicadores de Lagrange miden la variacin que sufre el valor ptimo por variaciones infinitesimales en los parmetros de la derecha de las restricciones

ValorOptimo(b) = k bk

bk .

Si k < 0 el valor ptimo del problema aumenta al aumentar el valor de bk. Si k > 0, el valor ptimo del problema disminuye al aumentar Si k = 0 no se dispone de informacin suficiente para predecir la variacin del valor ptimo.

Multiplicadores del problema inicial: 1 = 4 2 = 9.6906

Los multiplicadores actan como un sistema de precios

Si una restriccin representa disponibilidad de materia prima: Materia prima gastada = Materia prima disponible El multiplicador asociado a la restriccin indicar el precio mximo a pagar por una unidad adicional de materia prima

Aproximacin de los valores ptimos de problemas modificados

opt f ( x) g (x) = b 1 1 .......... ..... P g k ( x) = bk .......... ..... g m ( x) = bm
k =

opt f (x) g ( x) = b 1 1 .......... ..... P g k ( x) = bk + .......... ..... g m ( x) = bm

Se realiza una modificacin en el trmino de la derecha de una restriccin

VOpt VOpt ( P ) VOpt ( P ) bk

VOpt ( P ) VOpt ( P ) k

La aproximacin ser ms fiable cuanto menor sea el incremento aplicado a la restriccin