Академический Документы
Профессиональный Документы
Культура Документы
Optimizacin no lineal
2.1. Introduccin
En este captulo se estudian algunos aspectos relacionados con la que hemos dado en llamar cuestin
esttica de los problemas de optimizacin. Se presentan y utilizan condiciones necesarias y sucientes
para encontrar de forma explcita la solucin o soluciones de un problema de optimizacin de tipo
general.
Recordemos la formulacin general, que se introdujo en el captulo anterior, para un problema de
optimizacin no lineal
(PPNL)
Optimizar )(x)
Sujeto a /
i
(x) = 0 i = 1, . . . , :
q
)
(x) 0 , = 1, . . . , j
(2.1)
donde ), /
i
, q
)
: R son funciones reales de varias variables reales denidas sobre los puntos
x =(r
1
, . . . , r
a
) del conjunto R
a
. Por regla general el conjunto ser abierto y en las mayora
de las ocasiones ), /
i
, q
)
C
1
(), es decir, las funciones del problema sern derivables sobre con
derivadas parciales continuas.
Recordemos que resolver el problema de optimizacin PPNL es encontrar los ptimos (mximos
y/o mnimos) de la funcin )(x) no sobre todo el conjunto donde est denida, sino sobre el conjunto
factible de los puntos que cumplen todas las restricciones.
Como se coment en el primer captulo, si en el modelo general (2.1) ocurre : = j = 0, el problema
es de optimizacin sin restricciones y se expresa como
(PSR)
Optimizar )(x)
x
(2.2)
Un caso particular de este tipo de problemas aparece cuando : = 1, es decir, cuando slo hay una
variable de decisin, es un problema de optimizacin univariante
(P1D)
Optimizar ) (r)
Sujeto a r 1 R
En otro caso (o bien : o bien j son distintos de 0) el problema se dice de optimizacin con
restricciones y a sus extremos, ya sean locales o globales, se les conoce como extremos condicionados,
para distinguirlos de los extremos de los problemas sin restricciones.
35
36 Captulo 2. Optimizacin no lineal
Finalmente si : 6= 0 y j = 0, es decir, solamente hay restricciones de igualdad, entonces el problema
es un problema de Lagrange
(PRI)
Optimizar )(x)
Sujeto a /
i
(x) = 0 i = 1, . . . , :
(2.3)
En el problema general PPNL el comportamiento de las restricciones de igualdad y el de las de
desigualdad es ligeramente distinto.
Denicin 2.1 (Restricciones activas) Consideremos el problema de optimizacin PPNL y su
conjunto factible . Sea x ; entonces
q
)
(x) 0 es activa o saturada en x q
)
(x) = 0
en caso contrario la restriccin es inactiva o no saturada en x.
Observacin 2.1 Las restricciones activas se comportan como restricciones de igualdad; stas por su
propia naturaleza son activas en cualquier punto factible del problema.
Denicin 2.2 Consideremos el problema PPNL y su conjunto factible . Sea x . Se dene el
conjunto de actividad J (x) asociado a x como
J (x) = {, {1, . . . , j} : q
)
(x) = 0}
es decir, J (x) es el conjunto de los ndices de las restricciones que son activas en x.
Si x
es una solucin ptima para el problema PPNL, entonces las restricciones no activas en l son
irrelevantes puesto que no se alcanza la limitacin impuesta por dicha restriccin. De otro modo, si se
conocieran con antelacin, sera posible eliminar aquellas restricciones no saturadas de la formulacin
del problema, pero esto obviamente, no es posible en general.
Otra denicin importante en optimizacin es la de punto regular, aunque para ello es necesario
que las funciones del problema sean derivables. Damos a continuacin dicha denicin junto con la
denicin de espacio tangente en un punto.
Denicin 2.3 (Punto regular) Consideremos el problema NLPP con su conjunto factible. Di-
remos que x es regular para las restricciones, si y slo si el conjunto de vectores denido por
n
{5/
i
(x)}
i=1,...,n
, {5q
)
(x)}
)J(x)
o
constituye una familia de vectores linealmente independientes.
Notar que en la denicin slo se tienen en cuenta las restricciones de igualdad y las de desigualdad
activas.
En la denicin hay que distinguir dos casos particulares:
1. Caso sin restricciones (: = j = 0): En un problema sin restricciones todos los puntos son
regulares.
2. Caso con restricciones de desigualdad (: = 0, j 6= 0): El punto x tambin es regular si
no hay ninguna restriccin activa en l, es decir, en problemas que slo contienen restricciones
de desigualdad, el punto x tambin ser regular si J (x) = .
c SPH
2.2. Condiciones de Karush-Kuhn-Tucker 37
Denicin 2.4 (Espacio tangente) Consideremos el problema PPNL con su conjunto factible.
Sea x . Denimos el espacio tangente en x al conjunto denido por
' (x) =
d R
a
:
T
/
i
(x) d = 0, i = 1, . . . , :;
T
q
)
(x) d = 0, , J (x)
o de forma equivalente
' (x) =
(
d R
a
:
a
X
I=1
0/
i
0r
I
(x) d
I
= 0, i = 1, . . . , :;
a
X
I=1
0q
)
0r
I
(x) d
I
= 0, , J (x)
)
donde J (x) es el conjunto de actividad asociado a x.
Observacin 2.2 Como caso particular en problemas sin restricciones, el conjunto ' (x) sera todo
el espacio vectorial R
a
.
2.2. Condiciones de Karush-Kuhn-Tucker
En esta seccin se presentan algunas de las condiciones necesarias y sucientes que deben cumplir
los candidatos a solucin ptima del problema de optimizacin PPNL. Estas condiciones son las
llamadas condiciones de Karush-Kuhn-Tucker (CKKT).
Para una mayor claridad, se dan a continuacin las deniciones correspondientes a los problemas
de minimizacin y maximizacin de forma separada.
Denicin 2.5 Dado el problema
Optimizar ) (r
1
, . . . , r
a
)
Sujeto a /
i
(r
1
, . . . , r
a
) = 0 i = 1, . . . , :
q
)
(r
1
, . . . , r
a
) 0 , = 1, . . . , j
(2.4)
con ), /
i
, q
)
: R funciones de clase C
1
() y R
a
un conjunto abierto. Diremos que x
=
(r
1
, . . . , r
a
) es un punto de Karush-Kuhn-Tucker para el problema 2.4 si y slo si `
1
,. . . , `
n
,
j
1
, . . . , j
j
R, de forma que se cumplen las siguientes condiciones:
1. Condicin estacionaria:
) (r
1
, . . . , r
a
) +
n
X
i=1
`
i
/
i
(r
1
, . . . , r
a
) +
j
X
)=1
j
)
q
)
(r
1
, . . . , r
a
) = 0
2. Condicin de factibilidad
/
i
(r
1
, . . . , r
a
) = 0, i = 1, . . . , :
q
)
(r
1
, . . . , r
a
) 0, , = 1, . . . , j
3. Condicin de holgura
j
)
q
)
(r
1
, . . . , r
a
) = 0, , = 1, . . . , j
c SPH
38 Captulo 2. Optimizacin no lineal
4. Condicin de signo: Una vez que se cumplen las condiciones anteriores el punto es de
Mnimo (CKKTMin) j
)
0 , = 1, . . . , j
o de
Mximo (CKKTMax) j
)
0 , = 1, . . . , j
En ambos casos los valores `
1
, . . ., `
n
, j
1
, . . ., j
j
son los llamados multiplicadores y existe
uno por cada restriccin del problema: el multiplicador `
i
est asociado a la restriccin de igual-
dad /
i
(r
1
, . . . , r
a
) = 0 para i = 1, . . . , : y el multiplicador j
)
est relacionado con la restriccin de
desigualdad q
)
(r
1
, . . . r
a
) 0 para , = 1, . . . , j.
Los valores ( `
1
, . . . , `
n
) son los multiplicadores de Lagrange y los valores ( j
1
, . . . , j
j
) son los
multiplicadores de Karush-Kuhn-Tucker.
De la condicin de holgura se deduce que si una restriccin de desigualdad es no activa en el punto
solucin, entonces el multiplicador de Karush-Kuhn-Tucker asociado debe tomar el valor 0.
Los puntos x
r
1
, . . . , r
a
, `
1
, . . . , `
n
, j
1
, . . . , j
j
= ) (r
1
, . . . , r
a
) +
n
X
i=1
`
i
/
i
(r
1
, . . . , r
a
) +
j
X
)=1
j
)
q
)
(r
1
, . . . , r
a
)
o en forma vectorial
1(x, , ) = ) (x) +
T
h(x) +
T
g (x) (2.5)
siendo
= (`
1
, . . . , `
n
)
=
j
1
, . . . , j
j
h(x) = (/
1
(r
1
, . . . , r
a
) , . . . , /
n
(r
1
, . . . , r
a
))
g (x) = (q
1
(r
1
, . . . , r
a
) , . . . , q
j
(r
1
, . . . , r
a
))
En forma vectorial la condicin estacionaria se puede expresar de forma ms compacta como
x
1(x, , ) = 0
donde el subndice indica que estamos derivando respecto a las componentes de x.
Observacin 2.3 Para diferenciar los puntos estacionarios de problemas sin restricciones de los cor-
respondientes a problemas con restricciones, a estos ltimos se les suele aadir el adjetivo de condi-
cionados.
Cmo encontrar los puntos de KKT?
Para la bsqueda prctica de puntos que cumplan las condiciones de CKKT o puntos de Karush-
Kuhn-Tucker, ya sean de mnimo o mximo, primero hay que resolver el sistema de ecuaciones com-
puesto por: la condicin estacionaria, la condicin de fatibilidad para las restricciones de igualdad y
c SPH
2.2. Condiciones de Karush-Kuhn-Tucker 39
la condicin de holgura
0)
0r
I
(r
1
, . . . , r
a
) +
n
X
i=1
`
i
0/
i
0r
I
(r
1
, . . . , r
a
) +
j
X
)=1
j
)
0q
)
0r
I
(r
1
, . . . , r
a
) = 0 / = 1, . . . , :
/
i
(r
1
, . . . , r
a
) = 0 i = 1, . . . , :
j
)
q
)
(r
1
, . . . , r
a
) = 0 , = 1, . . . , j
Este sistema est compuesto por (: + : +j) ecuaciones y (: +: + j) incgnitas (las : coordenadas
de x
= (r
1
, . . . , r
a
), los : multiplicadores de Lagrange `
i
y los j multiplicadores de Karush-Kuhn-
Tucker j
)
).
La forma usual de resolver el sistema es comenzar por la condicin de holgura complementaria, ya
que dichas ecuaciones nos proporcionan dos opciones
j
)
q
)
(r
1
, . . . , r
a
) = 0
j
)
= 0
q
)
(r
1
, . . . , r
a
) = 0
para j restricciones de desigualdad tendramo 2
j
posibles casos.
Una vez resuelto el sistema, para ver cul o cules de las soluciones obtenidas son puntos de KKT
hay que, por una parte comprobar que son puntos factibles (notar que slo quedara por comprobar si
q
)
(r
1
, . . . , r
a
) 0) y por otra que sus multiplicadores de Karush-Kuhn-Tucker asociados tienen todos
el mismo signo, bien todos 0 para puntos de mnimo o bien todos 0 para puntos de mximo.
Casos Particulares
Las anteriores condiciones de Karush-Kuhn-Tucker se aplican al problema general de optimizacin
(NLPP), sin embargo se obtienen expresiones ms simplicadas de las mismas cuando se aplican a
problemas sin restricciones o cuando el el problema slo tiene restricciones de igualdad.
1. Problemas sin restricciones (: = j = 0): Si el problema no tiene restricciones de ningn tipo
(ecuacin 2.2), los multiplicadores no son necesarios y tampoco las condiciones relacionadas con
ellos. La nica condicin que queda es la estacionaria
) (r
1
, . . . , r
a
) = 0
0)
0r
I
(r
1
, . . . , r
a
) = 0 / = 1, . . . , :
que coincide para ambos objetivos de maximizar y minimizar.
Si adems : = 1, es decir, el problema es optimizar una funcin real de variable real, la condicin
estacionaria nos conduce a un resultado bien conocido del clculo diferencial
)
0
(r
) = 0
2. Problemas de Lagrange (j = 0): Si el problema slo tiene restricciones de igualdad el problema
considerado es un problema clsico de Lagrange (ecuacin 2.3) y las condiciones de Karush-Kuhn-
Tucker se obtienen eliminando aquellas ecuaciones relacionadas con restricciones de desigualdad,
quedando por tanto la condicin estacionaria y la condicin de factibilidad
0)
0r
I
(r
1
, . . . , r
a
) +
n
X
i=1
`
i
0/
i
0r
I
(r
1
, . . . , r
a
) = 0 / = 1, . . . , :
/
i
(r
1
, . . . , r
a
) = 0 i = 1, . . . , :
c SPH
40 Captulo 2. Optimizacin no lineal
que es el resultado que proporciona el teorema clsico de los multiplicadores de Lagrange. De
nuevo las condiciones de KKT para ambos objetivos de maximizar y minimizar coinciden.
A continuacin se presentan algunos ejemplos de bsqueda de puntos de Karush-Kuhn-Tucker.
Ejemplo 2.1 Encuentra los puntos de Karush-Kuhn-Tucker para el problema
Optimizar r + j + .
sujeto a (j 1)
2
+ .
2
1
r
2
+ (j 1)
2
+ .
2
3
(j 1)
2
+ .
2
1
+ j
2
r
2
+ (j 1)
2
+ .
2
3
(j 1)
2
+.
2
1
r
2
+ (j 1)
2
+.
2
3
0
3. Condicin de holgura
j
1
q
1
(r) = 0 j
1
(j 1)
2
+ .
2
1
= 0 [4]
j
2
q
2
(r) = 0 j
2
r
2
+ (j 1)
2
+ .
2
3
= 0 [5]
4. Condicin de signo
j
1
, j
2
0 Para mnimo
j
1
, j
2
0 Para mximo
El sistema que permite localizar los puntos de KKT estar formado por las tres ecuaciones que
proporciona la condicin estacionaria (ecuaciones [1], [2] y [3]) y las dos de la condicin de holgura
(ecuaciones [4] y [5]).
c SPH
2.2. Condiciones de Karush-Kuhn-Tucker 41
A partir de las ecuaciones de la condicin de holgura se obtienen cuatro casos
j
1
= 0 =
j
2
= 0 Caso I
r
2
+ (j 1)
2
+.
2
3 = 0 Caso II
(j 1)
2
+ .
2
1 = 0 =
j
2
= 0 Caso III
r
2
+ (j 1)
2
+.
2
3 = 0 Caso IV
De la ecuacin [1] de la condicin estacionaria se deduce que j
2
6= 0, ya que en caso contario se
llegara a una contradiccin; por ello los casos I y III no pueden darse y quedan por comprobar los
casos II y IV.
1. Caso II
j
1
= 0, r
2
+ (j 1)
2
+ .
2
3 = 0
: Sustituyendo el valor de j
1
= 0 en las ecuaciones
del sistema se obtiene
1 + 2j
2
r = 0 [6]
1 + 2j
2
(j 1) = 0 [7]
1 + 2j
2
. = 0 [8]
r
2
+ (j 1)
2
+.
2
3 = 0 [9]
Si restamos las ecuaciones [6] y [7] se obtiene
(1 + 2j
2
r) (1 + 2j
2
(j 1)) = 0 2j
2
(r j + 1) = 0
y como j
2
6= 0 , se llega a la conclusin de que
r j + 1 = 0 r = j 1
Restando las ecuaciones [6] y [8] obtenemos
(1 + 2j
2
r) (1 + 2j
2
.) = 0 2j
2
(r .) = 0
y como j
2
6= 0, se obtiene
(r .) = 0 r = .
Con las relaciones que se han obtenido entre las variables r, j y ., utilizamos la ecuacin [9]
r
2
+ (j 1)
2
+ .
2
3 = 0 3r
2
3 = 0 r = 1
y para las otras dos variables
. = r = 1
j = r + 1
j = 2
j = 0
c SPH
42 Captulo 2. Optimizacin no lineal
Como r 6= 0, despejamos j
2
de la ecuacin [6]
j
2
=
1
2r
=
1
2
Finalmente y para este caso se han obtenido 2 puntos, que son junto con sus respectivos multi-
plicadores
1
1
= (1, 2, 1) j =
0,
1
2
1
2
= (1, 0, 1) j =
0,
1
2
2. Caso IV
(j 1)
2
+ .
2
1 = 0, r
2
+ (j 1)
2
+ .
2
3 = 0
(j 1)
2
+.
2
1
r
2
+ (j 1)
2
+ .
2
3
= 0 r
2
2 = 0 r
2
= 2 r =
2
Se sustituye ese valor en la ecuacin [10] para calcular j
2
j
2
=
1
2r
=
1
2
2
=
1
2
2
Si ahora se restan las ecuaciones [11] y [12] se obtiene
(1 + 2j
1
(j 1) + 2j
2
(j 1)) (1 + 2j
1
. + 2j
2
.) = 0
y entonces podemos agrupar y sacar factor comn
2j
1
(j 1 .) + 2j
2
(j 1 .) = 0 2 (j
1
+ j
2
) (j 1 .) = 0
Esta ecuacin nos proporciona dos opciones. La primera de ellas es
j
1
+ j
2
= 0
pero utilizando la ecuacin [12]
1 + 2j
1
. + 2j
2
. = 0 1 + 2. (j
1
+ j
2
) = 0 1 = 0
c SPH
2.2. Condiciones de Karush-Kuhn-Tucker 43
que obviamente es imposible. Y la otra opcin es
j 1 . = 0 j 1 = .
y utilizando la ecuacin [13] se obtiene el valor de .
(j 1)
2
+ .
2
= 1 2.
2
= 1 . =
1
2
y por tanto el de j
j = 1 + . = 1
1
2
Queda por determinar el valor del multiplicador j
1
y para ello utilizamos la ecuacin [12]
1 + 2j
1
. + 2j
2
. = 0 j
1
= j
2
1
2.
Si se consideran los distintos valores que se han encontrado para j
2
(2 valores) y para . (otros
2 valores) tendremos 4 casos posibles
j
2
=
1
2
2
. =
1
2
j
1
=
1
2
2
j
2
=
1
2
2
. =
1
2
j
1
=
3
2
2
j
2
=
1
2
2
. =
1
2
j
1
=
3
2
2
j
2
=
1
2
2
. =
1
2
j
1
=
1
2
2
Se han obtenido cuatro puntos
1
3
=
2, 1 +
1
2
,
1
j =
1
2
2
,
1
2
1
4
=
2, 1
1
2
,
1
j =
3
2
2
,
1
2
1
5
=
2, 1 +
1
2
,
1
j =
3
2
2
,
1
2
1
6
=
2, 1
1
2
,
1
j =
1
2
2
,
1
2
c SPH
44 Captulo 2. Optimizacin no lineal
Para determinar cuales de estos puntos son de tipo KKT, hay que comprobar su factiblidad y el
signo de sus multiplicadores. Se expone a continuacin una tabla resumen con los resultados obtenidos
P = (r, j, .) = (j
1
, j
2
) Factibilidad Positividad/Negatividad CKKT
1
1
= (1, 2, 1) j =
0,
1
2
NO - -
1
2
= (0, 1, 1) j =
0,
1
2
NO - -
1
3
=
2, 1 +
1
2
,
1
j =
1
2
2
,
1
2
SI Negatividad Mximo
1
4
=
2, 1
1
2
,
1
j =
3
2
2
,
1
2
SI NO -
1
5
=
2, 1 +
1
2
,
1
j =
3
2
2
,
1
2
SI NO -
1
6
=
2, 1
1
2
,
1
j =
1
2
2
,
1
2
SI Positividad Mnimo
Los puntos 1
1
y 1
2
no son factibles ya que no cumplen la primera restriccin del problema
1
1
= (1, 2, 1) q
1
(1
1
) = (j 1)
2
+.
2
= (2 1)
2
+ (1)
2
= 2 1
1
2
= (0, 1, 1) q
1
(1
2
) = (j 1)
2
+ .
2
= (0 1)
2
+ (1)
2
= 2 1
y por tanto no son puntos vlidos para el problema.
Los puntos 1
4
y 1
5
s son factibles, sin embargo no tiene multiplicadores de signo constante y por
tanto tampoco son puntos de KKT.
Los puntos 1
3
y 1
6
son los nicos que cumplen con todas las condiciones para ser puntos de KKT;
en el caso de 1
3
sera un punto de mximo ya que j 0, mientras que 1
6
sera un punto de mnimo
puesto que j 0.
Ejemplo 2.2 Encuentra los puntos de Karush-Kuhn-Tucker del siguiente problema
Optimizar r
2
+ j
2
Sujeto a 2r +j 2 = 0
Solucin: En este caso : = 1 y j = 0, es decir hay solamente una restriccin de igualdad y el
problema es de Lagrange. La funcin Lagrangiana del problema es
1(r, j, `) =
r
2
+j
2
+ `(2r + j 2)
c SPH
2.3. Condiciones necesarias 45
y las condiciones que debe cumplir un punto para ser de Karush-Kuhn-Tucker sern la condicin
estacionaria y la condicin de factibilidad
(Condicin estacionaria)
x
1 = 0
01
0r
= 0 2r + 2`
1
= 0
01
0j
= 0 2j +`
1
= 0
(Condicin de factibilidad) /(r, j) = 0 2r + j 2 = 0
El sistema es lineal y tiene como solucin nica, y por tanto nico punto de KKT
r =
4
5
j =
2
5
`
1
=
4
5
Como el multiplicador est asociado a una restriccin de igualdad y su signo no inuye en el carcter
del punto, el punto 1 es un punto de KKT que puede ser de mximo o de mnimo.
2.3. Condiciones necesarias
Las condiciones de Karush-Kuhn-Tucker son necesarias para la mayora de los problemas de op-
timizacin no lineal, es decir, si x
Solucin: Un anlisis inicial permitir deducir que el problema tiene solucin para ambos objetivos
de minimizar y maximizar. La funcin objetivo es continua y el conjunto factible es compacto ( es
cerrado porque contiene a la frontera que est expresada mediante igualdades y acotado porque es un
subconjunto de una esfera de centro (0, 1, 0) y radio
2, 1 +
1
2
,
1
j =
1
2
2
,
1
2
para mximo y
1
6
=
2, 1
1
2
,
1
j =
1
2
2
,
1
2
c SPH
2.3. Condiciones necesarias 47
Figura 2.1:
para mnimo.
Deduzcamos que el problema tiene un mnimo global en 1
6
, el razonamiento es el siguiente: Como
la funcin ) (r, j, .) tiene mnimo global, entonces tambin es local, si adems se cumple alguna de
las hiptesis de cualicacin de las restricciones en ese punto, entonces este mnimo local debe ser un
punto de Karush-Kuhn-Tucker de mnimo y por tanto debe ser el punto 1
6
. El razonamiento para
mximo y el punto 1
3
sera anlogo.
Slo resta por probar que se cumple alguna de las hiptesis de cualicacin; en particular, es fcil
comprobar que se cumple la hiptesis de cualicacin de Slater ya que el conjunto factible es convexo
con interior no vaco.
Para comprobar la convexidad de tenemos en cuenta que
=
n
(r, j, .) R : (j 1)
2
+ .
2
1; r
2
+ (j 1)
2
+ .
2
3
o
=
1
2
con
1
=
n
(r, j, .) R : (j 1)
2
+ .
2
1
o
2
=
n
(r, j, .) R : r
2
+ (j 1)
2
+ .
2
3
o
siendo los conjuntos
1
y
2
convexos, puesto que son conjuntos de la forma
= {(r, j, .) R : q (r, j, .) /}
con q (r, j, .) una funcin convexa (por qu?). El conjunto es convexo por ser interseccin de dos
conjuntos convexos. Queda por comprobar que el interior de es no vaco, pero eso es fcil ya que al
c SPH
48 Captulo 2. Optimizacin no lineal
menos el punto (0, 1, 0) est en su interior
q
1
(0, 1, 0) = (1 1)
2
+ 0
2
= 0 < 1
q
2
(0, 1, 0) = 0
2
+ (1 1)
2
+ 0
2
= 0 < 3
Los valores ptimos mnimo y mximo de ) (r, j, .) sobre se obtienen al evaluar la funcin
objetivo en cada uno de ellos
Valor ptimo Mximo ) (1
3
) =
1 +
1
= 1 + 2
2
y
Valor ptimo Mnimo ) (1
6
) =
1
1
= 1 2
2
Ejemplo 2.4 Aplica las condiciones necesarias de primer orden al problema
Minimizar rj +j. + .r
Sujeto a r + j + . = 3
Solucin: Como solamente tiene una restriccin de igualdad se trata de un problema de Lagrange;
dicha restriccin es lineal, luego se cumple la hiptesis de cualicacin de Karlin en todos los puntos del
conjunto factible. De este modo, si el problema tuviera solucin, es decir, si existiera el mnimo global
de la funcin sobre el conjunto factible, sera mnimo local, como debe ser factible, la consecuencia
es que debe ser un punto que cumpla las condiciones Karush-Kuhn-Tucker de Mnimo. Al ser un
problema de Lagrange estas condiciones se reducen a la condicin estacionaria y a la condicin de
factibilidad.
La funcin Lagrangiana para este problema es
1(r, j, ., `) = (rj +j. + .r) + `(r +j + . 3)
y las condiciones de Karush-Kuhn-Tucker proporcionan el siguiente sistema
(Condicin estacionaria)
x
1 = 0
01
0r
= 0 j + . +` = 0
01
0j
= 0 . +r + ` = 0
01
0.
= 0 r + j + ` = 0
(Condicin de factibilidad) /(r, j, .) = 0 r + j + . 3 = 0
que es lineal y con solucin nica
r = j = . = 1 ` = 2
El punto obtenido 1 = (1, 1, 1) junto con el multiplicador asociado ` = 2 es el nico que cumple las
condiciones de KKT. Notar que aunque `
1
= 2 < 0 y el objetivo sea de minimizar, el punto cumple
las condiciones de KKT puesto que ` es un multiplicador asociado a una restriccin de igualdad y
no est condicionado por su signo. No es posible determinar la naturaleza del punto, puesto que se
cumplen las condiciones de KKT tanto para mnimo, como para mximo.
c SPH
2.3. Condiciones necesarias 49
Ejemplo 2.5 Plantea y resuelve el problema de construir una caja de cartn rectangular de volumen
mximo y rea ja .
Solucin: El planteamiento para este problema viene dado por
Maximizar rj.
Sujeto a rj + j. + .r =
2
donde r, j, . son las dimensiones de la caja y 0 su rea. Se han omitido las restricciones de
positividad sobre las variables ya que por la naturaleza del problema, los valores de estas variables
deben 0, es decir, sern inactivas en cualquier punto, en particular en el punto solucin y por tanto
los multiplicadores asociados a estas restricciones sera 0.
Comprobaremos que se cumple la hiptesis de regularidad en todos los puntos factibles, para ello
calculamos el gradiente de la restriccin
/(r, j, .) =
j + .
r +.
r + j
y estudiamos su dependencia lineal en cada punto del conjunto factible. Como slo hay un vector, ste
ser linealmente dependiente cuando sea el vector nulo, es decir
j + . = 0
r + . = 0
r + j = 0
sistema que tiene por nica solucin el vector nulo
r = j = . = 0
sin embargo este punto es infactible
0 + 0 + 0 = 0 6=
2
de donde se deduce que todos los puntos de (conjunto factible) son regulares. Al cumplirse una de
las hiptesis de cualicacin de las restricciones, cualquier extremo local del problema que existiera
debera cumplir las condiciones de Karush-Kuhn-Tucker. La funcin Lagrangiana para este problema
es
1(r, j, ., `) = rj. +`
rj +j. + .r
2
01
0r
= 0 j. +`(j +.) = 0
01
0j
= 0 r. + `(r + .) = 0
01
0.
= 0 rj + `(r + j) = 0
(Condicin de factibilidad) /(r, j, .) = 0 rj + j. + .r
2
= 0
c SPH
50 Captulo 2. Optimizacin no lineal
El sistema anterior tiene como nica solucin, teniendo en cuenta que r, j, . 0 a
r = j = . =
r
6
` =
r
24
y al ser un problema que slo tiene restricciones de igualdad, de momento con estos datos no es posible
determinar si el punto es de mnimo o de mximo.
Contraejemplos
El teorema de las condiciones necesarias de primer orden proporciona los requisitos que deben
cumplir los extremos de un problema de optimizacin con restricciones bajo ciertas hiptesis de cual-
icacin, sin embargo, es posible encontrar problemas en los que la solucin ptima no cumple estas
condiciones, y tambin es posible encontrar puntos que cumplen las condiciones de Karush-Kuhn-
Tucker pero que no son extremos de la funcin. Veamos algunos de estos ejemplos patolgicos.
Ejemplo 2.6 Consideremos el problema
Maximizar r
2
+ j
Sujeto a j
3
= 0
Su conjunto factible es
=
(r, j) R
2
: (r, 0)
01
0r
(1) = 0 2r = 0
01
0j
(1) = 0 1 + `3j
2
= 0
(Condicin de factibilidad) /(r, j, .) = 0 j
3
= 0
Sin embargo, este sistema no tiene solucin, ya que de la ltima ecuacin necesariamente j = 0 y al
sustituir en la segunda obtenemos una contradiccin.
El punto 1 = (0, 0) es un mximo local (de hecho es global puesto que la funcin objetivo siempre
es 0 y slo se anula en r = 0) para el problema de optimizacin planteado, sin embargo no cumple
las condiciones de Karush-Kuhn-Tucker. Contradice este ejemplo el teorema de las condiciones de
primer orden? La respuesta es no, ya que 1 no cumple ninguna de las hiptesis de cualicacin de
las restricciones necesarias en dicho teorema.
1. Hiptesis sin restricciones: Est claro que esta hiptesis no se cumple por la presencia de la
restriccin: j
3
= 0.
c SPH
2.3. Condiciones necesarias 51
2. Hiptesis de Karlin: Esta condicin tampoco se cumple, puesto que la nica restriccin del prob-
lema, /(r, j) = j
3
, es claramente no lineal.
3. Hiptesis de Slater: El conjunto factible es
=
(r, j) R
2
: (r, 0)
y la solucin ptima del problema es cualquier punto de , puesto que ) (r, j, .) es constante sobre l.
La condicin estacionaria para este problema nos proporciona las siguientes ecuaciones
(Condicin estacionaria)
x
1 = 0
01
0r
= 0 2`
1
(r 1) + 2`
2
(r + 1) = 0
01
0j
= 0 1 + 2`
1
j + 2`
2
j = 0
01
0.
= 0 0 = 0
siendo 1(r, j, ., `
1
, `
2
) = ) +`
1
/
1
+ `
2
/
2
la funcin lagrangiana del problema.
Ninguno de los puntos de , (0, 0, .) , es solucin del sistema anterior, puesto que al sustituir
cualquiera de ellos en la segunda ecuacin nos llevara a una contradiccin: Ninguno de los extremos
locales del problema cumple las condiciones de KKT!
Podemos comprobar, como en el caso anterior, que ninguno de ellos cumple ninguna de las hiptesis
de cualicacin. Es un problema con restricciones, ambas no lineales y donde el conjunto factible
tiene interior vaco por ser una recta. Para comprobar si se cumple la hiptesis de regularidad
observamos que el conjunto de vectores que son gradiente de las restricciones activas (en este caso son
todas puesto que es un problema con slo igualdades) est dado por
{/
1
(r, j, .) , /
2
(r, j, .)} =
2 (r 1)
2j
0
2 (r + 1)
2j
0
2
0
0
2
0
0
que es una familia de vectores linealmente dependientes y por tanto ningn punto de la forma (0, 0, .)
es regular.
Tambin podra suceder que un punto donde las restricciones no cumplan ninguna de las hiptesis
de cualicacin, sea extremo local del problema y cumpla las condiciones de Karush-Kuhn-Tucker.
Consideremos, por ejemplo, las restricciones del ejemplo anterior, pero cambiando la funcin objetivo
por ) (r, j, .) = r.
En este las condicin estacionaria para el problema es
(Condicin estacionaria)
x
1 = 0
01
0r
= 0 1 + 2`
1
(r 1) + 2`
2
(r + 1) = 0
01
0j
= 0 2`
1
j + 2`
2
j = 0
01
0.
= 0 0 = 0
c SPH
2.3. Condiciones necesarias 53
y teniendo en cuenta que el conjunto factible est formado por los puntos (0, 0, .), el sistema queda
como
1 2`
1
+ 2`
2
= 0
0 = 0
0 = 0
que tiene por solucin
`
1
`
2
=
1
2
Tomando ahora cualquier solucin de esta ecuacin, por ejemplo ` = (`
1
, `
2
) = (1, 1,2), vemos que
todos los puntos extremos cumplen las condiciones de Karush-Kuhn-Tucker, sin embargo, como se ha
comprobado, en ninguno de ellos las restricciones cumplen ninguna de las hiptesis de cualicacin.
Todos estos ejemplos son atpicos y en general suceder que los extremos locales del problema
tendrn que cumplir las condiciones de Karush-Kuhn-Tucker, pero ilustran la necesidad de comprobar
adecuadamente los resultados obtenidos.
Por ltimo hay que indicar que estas condiciones son necesarias, en el sentido de que bajo las
hiptesis del teorema, los extremos de un problema de optimizacin deben ser puntos de Karush-
Kuhn-Tucker. Sin embargo, las condiciones no son sucientes, ya que podemos encontrar puntos que
an cumpliendo las condiciones de Karush-Kuhn-Tucker, no son extremos, por ejemplo la funcin
) (r) = r
3
tiene como nico punto estacionario r = 0, que no es extremo puesto que la funcin es
siempre creciente.
Denicin 2.10 Los puntos factibles que cumplen la condicin estacionaria pero que no son extremos
de la funcin se denominan puntos de silla (que son condicionados si hay presencia de restricciones
en el problema). Para funciones reales de una variable a estos puntos se les conoce mejor por puntos
de inexin.
Condiciones necesarias de segundo orden
Si las funciones del problema son sucientemente derivables, entonces, podemos utilizar informacin
relativa a las segundas derivadas.
Teorema 2.2 (Condiciones necesarias de 2
c
orden) Dado el problema general de optimizacin
no lineal ( PPNL)
Optimizar )(x)
Sujeto a /
i
(x) = 0 i = 1, . . . , :
q
)
(x) 0 , = 1, . . . , j
donde ), /
i
, q
)
: R son funciones de clase C
2
() en el conjunto abierto R
a
. Sea su conjunto
factible y x
un punto donde las restricciones del problema cumplen alguna hiptesis de cuali-
cacin de las restricciones ( H.C.R.) y en el que la funcin )(x) alcanza un mnimo [respectivamente
mximo] relativo condicionado =x
) +
n
X
i=1
`
i
/
i
(x
) +
j
X
)=1
j
)
q
)
(x
) = 0
2. Condicin de factibilidad
/
i
(x
) = 0, i = 1, . . . , :
q
)
(x
) 0 , = 1, . . . , j
3. Condicin de holgura
j
)
q
)
(x
) = 0 , = 1, . . . , j
4. Condicin de signo
j
)
0 para mnimo
j
)
0 para mximo
, = 1, . . . , j
y adems se cumple la siguiente condicin:
5. Condicin del Hessiano: La matriz H1(x
, , ) denida como
H1(x
, , ) = H)(x
) +
n
X
i=1
`
i
H/
i
(x
) +
j
X
)=1
j
)
Hq
)
(x
) (2.7)
es semidenida positiva [semidenida negativa respectivamente] sobre el espacio tangente '(x
)
en x
.
Cuando en el problema no hay restricciones o solamente hay restricciones de igualdad, las condi-
ciones KKT tienen formas particulares que indicamos a continuacin.
1. Caso sin restricciones y una variable (: = j = 0, : = 1): En el caso de problemas con una sola
variable, el Hessiano de la funcin ) (r) es su segunda derivada y la condicin 2.7 se convierte
en
)
00
(r
) 0
2. Sin restricciones y varias variables (: = j = 0): En este caso el espacio tangente es ' (x
) = R
a
,
H1 = H) y la condicin necesaria que debe cumplirse es
x
) es semidenida positiva
x
) es semidenida negativa
3. Problemas de Lagrange (j = 0): Para problemas que tengan solamente restricciones de igual-
dad la condicin del Hessiano no cambia, salvo que en este caso no hay trminos asociados a
restricciones de desigualdad.
Ejemplo 2.8 Aplica las condiciones necesarias de segundo orden al problema 2.1
Optimizar ) (r, j, .) = r + j + .
sujeto a (j 1)
2
+ .
2
1
r
2
+ (j 1)
2
+ .
2
3
c SPH
2.3. Condiciones necesarias 55
Solucin: Vamos a comprobar que las soluciones que se encontraron para este problema, cumplen
las condiciones de segundo orden.
(Mximo) 1
3
=
2, 1 +
1
2
,
1
j =
1
2
2
,
1
2
(Mnimo) 1
6
=
2, 1
1
2
,
1
j =
1
2
2
,
1
2
Para aplicar las condiciones de segundo orden tendremos que construir la matriz H1(1
I
) en cada
punto y evaluarlar sobre el espacio tangente correspondiente ' (1
I
).
Comenzamos por denir la matriz H1
H1(x) = H) (x) + j
1
Hq
1
(x) +j
2
Hq
2
(x) =
2j
2
0 0
0 2 (j
1
+ j
2
) 0
0 0 2 (j
1
+ j
2
)
Para el punto 1
3
tendremos
H1(1
3
) =
2
0 0
0
2 0
0 0
2
0 0
0
2 0
0 0
2
6
,
r
6
,
r
6
!
` =
1
2
r
6
Construiremos a continuacin tanto la matriz H1(1) como el espacio tangente ' (1)
H1 = H) + `H/ =
0 . j
. 0 r
j r 0
+ `
0 1 1
1 0 1
1 1 0
0 . + ` j +`
. + ` 0 r + `
j + ` r +` 0
c SPH
56 Captulo 2. Optimizacin no lineal
evaluando en 1 y teniendo en cuenta que r = j = . = 2`
r + ` = j + ` = . + ` = ` =
1
2
r
6
y la matriz hessiana en 1 es
H1(1) =
1
2
r
0 1 1
1 0 1
1 1 0
6
(1, 1, 1)
y entonces
' (1) =
d R
3
: /(1) d = 0
(d
1
, d
2
, d
3
) R
3
: 2
r
6
(1, 1, 1)
d
1
d
2
d
3
= 0
=
(d
1
, d
2
, d
3
) R
3
: d
1
+ d
2
+ d
3
= 0
A(1)
= (d
1
, d
2
, (d
1
+ d
2
))
0 1 1
1 0 1
1 1 0
d
1
d
2
(d
1
+ d
2
)
=
= (d
1
, d
2
, (d
1
+ d
2
))
d
1
d
2
(d
1
+ d
2
)
= d
2
1
d
2
2
(d
1
+ d
2
)
2
=
d
2
1
+ d
2
2
+ (d
1
+ d
2
)
2
que claramente toma siempre valores negativos, lo que implica que H1(1) es semidenida negativa
sobre ' (1) y el punto 1 cumple las condiciones necesarias de segundo orden para ser un mximo
del problema.
Con las condiciones necesarias obtenemos condiciones que permiten eliminar aquellos puntos que
no son candidatos a extremo de la funcin, sin embargo, necesitamos unas condiciones que permitan
asegurar que los puntos encontrados son realmente las soluciones buscadas.
2.4. Condiciones sucientes
En el apartado anterior se han proporcionado condiciones necesarias de primer y segundo orden
que permitan descartar como soluciones a aquellos puntos que no las cumplieran, sin embargo, en oca-
siones, en algunos problemas, es posible encontrar puntos que cumplan tanto las primeras condiciones
como las segundas, sin ser la solucin al problema.
c SPH
2.4. Condiciones sucientes 57
Ejemplo 2.10 Comprueba que el punto 1 = (0, 0) cumple las condiciones necesarias de primer y
segundo orden para el problema
Minimizar
r j
2
r 3j
2
s.a. (r, j) R
2
pero que no es su solucin.
Solucin: Al tratarse de un problema sin restricciones se cumple una de las hiptesis de cuali-
cacin, por tanto cualquier mnimo debe cumplir las condiciones de Karush-Kuhn-Tucker que en este
caso se reducen a la condicin estacionaria
) (r, j) = 0
2r 4j
2
12j
3
8rj
0
0
Este sistema tiene como nica solucin el punto 1 = (0, 0), es decir, 1 cumple las condiciones necesarias
de primer orden.
Las condiciones de segundo orden para problemas sin restricciones se reducen a comprobar el
Hessiano de la funcin ) (r, j) en el punto en cuestin. Si calculamos la matriz Hessiana de ) (r, j)
H) (r, j) =
2 8j
8j 36j
2
8r
y lo evaluamos en 1 = (0, 0)
H) (0, 0) =
2 0
0 0
La matriz H) (1) es semidenida positiva, puesto que sus valores propios son `
1
= 2 0 y
`
2
= 0 0; esto implica que el punto 1 tambin cumple las condiciones necesarias de segundo orden,
concretamente las condiciones de mnimo. Sin embargo vamos a comprobar que el punto 1 no es un
mnimo. Por una parte el valor de la funcin en 1 es nulo
) (0, 0) = 0
y por otra parte si evaluamos la funcin sobre los puntos de la curva
r = 3j
2
obtenemos
) (r, j) = )
3j
2
, j
=
3j
2
j
2
3j
2
4j
2
= 2j
4
0
es decir sobre los puntos de esa curva sucede
) (r, j) 0 = ) (0, 0)
y 1 no podra ser el mnimo, puesto que hay valores cerca de l (tomando j 0) donde el valor de
la funcin es menor.
Este tipo de problema provoca el estudio de condiciones cuyo cumplimiento garantice el hallazgo
de la solucin. Este tipo de condiciones son las llamadas sucientes.
Con el n de dar estas condiciones de suciencia es necesario exigir que la matriz Hessiana corre-
spondiente sea por una parte denida (positiva o negativa para mnimo o mximo, respectivamente)
y por otra que lo sea en un espacio mayor que el espacio tangente.
c SPH
58 Captulo 2. Optimizacin no lineal
Denicin 2.11 Dado el problema general con restricciones
Optimizar )(x)
Sujeto a /
i
(x) = 0 i = 1, . . . , :
q
)
(x) 0 , = 1, . . . , j
donde ), /
i
, q
)
: R, son funciones de clase C
1
() en R
a
abierto. Sea su conjunto factible y
x
q
)
(x
) = 0 y j
)
= 0.
Denicin 2.12 Denimos el conjunto de ndices de restricciones no degeneradas en un punto x
de
KKT como
e
J (x
) =
, {1, . . . , j}| q
)
(x
) = 0 y j
)
6= 0
) = .
Denicin 2.13 Denimos el espacio tangente ampliado como
f
'(x
) =
n
d R
a
|
T
/
i
(x
) d = 0, i = 1, . . . , :;
T
q
)
(x
) d = 0, ,
e
J (x
)
o
Notar que en el caso de un problema sin restricciones el espacio tangente y el espacio tangente ampliado
coinciden:
f
'(x
) = ' (x
) = R
a
y para un problema de Lagrange
f
'(x
) = ' (x
)
Teorema 2.3 (Condiciones sucientes) Dado el problema general de optimizacin
Optimizar )(x)
Sujeto a /
i
(x) = 0 i = 1, . . . , :
q
)
(x) 0 , = 1, . . . , j
donde ), /
i
, q
)
: R son funciones de clase C
2
() en R
a
un conjunto abierto. Sea su conjunto
factible y x
un punto donde las restricciones del problema cumplen alguna de las hiptesis de
cualicacin. Si x
) +
n
X
i=1
`
i
/
i
(x
) +
j
X
)=1
j
)
q
)
(x
) = 0
2. Condicin de factibilidad
/
i
(x
) = 0, i = 1, . . . , :
q
)
(x
) 0 , = 1, . . . , j
3. Condicin de holgura
j
)
q
)
(x
) = 0 , = 1, . . . , j
c SPH
2.4. Condiciones sucientes 59
4. Condicin de signo
j
)
0 para Mnimo
j
)
0 para Mximo
, = 1, . . . , j
5. Condicin del Hessiano: La matriz H1(x
) denida como
H1(x
) = H)(x
) +
n
X
i=1
`
i
H/
i
(x
) +
j
X
)=1
j
)
Hq
)
(x
)
es denida positiva [denida negativa respectivamente] sobre el espacio tangente ampliado
f
'(x
) =
Entonces en x
) es indenida sobre
f
'(x
) entonces en x
) 0.
2. Sin restricciones y varias variables (: = j = 0): En este caso ' (x
) = R
a
y la condicin del
Hessiano es
Si la matriz H)(x
0 1 1
1 0 1
1 1 0
)
' (x
) =
d R
3
/
T
(x
) d =0
=
n
d R
3
(1, 1, 1)|
(1,1,1)
d =0
o
=
=
d R
3
(1, 1, 1)
d
1
d
2
d
3
=0
=
d R
3
d
1
+ d
2
+ d
3
=0
c SPH
60 Captulo 2. Optimizacin no lineal
la forma cuadrtica asociada ser
,|
1)(a
)
(d) = (d
1
, d
2
, d
3
)
0 1 1
1 0 1
1 1 0
d
1
d
2
d
3
= (d
1
, d
2
, d
1
d
2
)
0 1 1
1 0 1
1 1 0
d
1
d
2
d
1
d
2
=
= (d
1
, d
2
, d
1
d
2
)
d
1
d
2
d
1
+d
2
= d
2
1
d
2
2
(d
1
+ d
2
)
2
=
d
2
1
+d
2
2
+ (d
1
+ d
2
)
2
0
y solamente ser 0, cuando
d
1
= d
2
= (d
1
+ d
2
) = 0
y por tanto
d = (0, 0, 0)
Por tanto la forma cuadrtica ,|
1)(a
)
(d) asociada a la matriz H) (r
y multiplicadores `
1
, . . . , `
n
, j
1
, . . . , j
j
R tales que se cumplen las condiciones necesarias
de primer orden para mnimo [mximo] local, entonces x
r
2
+ .
2
9
1. Condicin Estacionaria (
x
1 = 0)
01
0r
= 0 ` + 2jr = 0 (1)
01
0j
= 0 1 + ` = 0 (2)
01
0.
= 0 ` + 2j. = 0 (3)
2. Condicin de factibilidad
r +j +. = 1 (4)
r
2
+.
2
9 (5)
3. Condicin de holgura
jq (r) = 0 j
r
2
+ .
2
9
= 0 (6)
4. Condicin de positividad o negatividad
j 0 Para mnimo
j 0 Para mximo
De la ecuacin [2] obtenemos directamente
` = 1
Utilizando ahora la condicin de holgura [6] obtenemos dos opciones
j = 0
r
2
+ .
2
9 = 0
pero la primera opcin (j = 0) no es vlida, puesto que si sustituimos en [1] obtenemos
` = 0
que es una contradiccin con el valor anterior que hemos obtenido para `.
c SPH
62 Captulo 2. Optimizacin no lineal
Las ecuaciones que quedan son (sustituyendo el valor de `)
1 + 2jr = 0 (7)
1 + 2j. = 0 (8)
r + j + . = 1 (9)
r
2
+ .
2
9 = 0 (10)
Utilizando [7] y [8] y puesto que j 6= 0 (porqu?) obtenemos
r = .
que sustituido en [10]
r
2
+ .
2
= 9 2r
2
= 9 r =
3
2
El valor de j se obtiene de [9]
j = 1 r . = 1 2r = 1 2
= 1 3
2
y el valor de j se obtiene de [7]
1 + 2jr = 0 j =
1
2r
=
1
2
2
=
1
3
2
Se han obtenido 2 puntos
1 =
3
2
, 1 3
2,
3
` = 1 j =
1
3
2
Q =
2
, 1 + 3
2,
3
` = 1 j =
1
3
2
Para 1 obtenemos un valor de j 0, por tanto se cumplen las condiciones de Karush-Kuhn-Tucker
de mnimo, mientras que para Q obtenemos un valor j < 0 y por tanto se cumplen las condiciones de
mximo.
La funcin objetivo ) (r, j, .) = j, es lineal, por tanto es cncava y convexa (por qu?). Por otra
parte hay una restriccin de igualdad que es afn (r + j + . = 1) y la otra restriccin de desigualdad
es convexa (por qu?), luego estamos en condiciones de aplicar el teorema anterior y podemos decir
que 1 y Q son respectivamente el mnimo y mximo globales del problema.
Aunque es posible extender las condiciones necesarias y sucientes a rdenes superiores, en la
prctica la aplicacin de estas condiciones requiere de un excesivo esfuerzo y solamente tienen una
utilidad prctica en el caso de funciones reales de variable real, es decir, cuando : = 1 y : = j = 0.
Teorema 2.8 (Condicin suciente de ptimo local) Supongamos que, para r
1, la funcin
) : 1 R es sucientemente derivable y verica
)
(I)
(r
) = 0 / = 1, . . . , : 1
)
(a)
(r
) 6= 0
Donde )
(I)
(r) es la derivada /sima de la funcin
c SPH
2.5. Interpretacin de los multiplicadores de KKT 63
1. Si : es impar = r
es un punto de inexin.
2. Si : es par = r
) 0 r
) < 0 r
= x
(b, c)
Supongamos que para ciertos valores de estos parmetros, (b
, c
,c
)
R
con l
(b
,c
)
un entorno de (b
, c
) R
n+j
, de forma que
1
b, c
= )
x
b,c
b, c l
(b
,c
)
siendo x
b,c
el ptimo del programa para cuando se utilizan en el problema 2.8, los trminos
independientes
b,c
l
(b
,c
)
.
El siguiente teorema da una relacin entre las variaciones del trmino independiente y las varia-
ciones que experimenta el valor ptimo de la funcin objetivo.
Teorema 2.9 Dado el programa de optimizacin con restricciones dado en la ecuacin 2.8. Si para
ciertos valores de los parmetros b y c, (b
, c
) =
/
1
, . . . , /
n
, c
1
, . . . , c
, el punto x
es un punto de
Karush-Kuhn-Tucker y junto con los multiplicadores asociados, `
1
, . . ., `
n
y j
1
, . . ., j
j
; cumple las
condiciones de suciencia para que la funcin ) (x) posea en ese punto un extremo relativo sobre el
conjunto (b
, c
, c
)
0/
i
=
0)
x
,c
0/
i
i = 1, . . . , :
j
)
=
01 (b
, c
)
0c
)
=
0)
x
,c
0c
)
, = 1, . . . , j
c SPH
64 Captulo 2. Optimizacin no lineal
Los multiplicadores `
i
y j
)
, asociados a la i-sima restriccin de igualdad y a la ,sima restriccin
de desigualdad respectivamente, nos mide la tasa de variacin del valor de la funcin objetivo ) (r, j),
en el punto ptimo respecto a la variacin de su correspondiente trmino independiente (/
i
, c
)
).
Notar nalmente que utilizando diferencias nitas obtenemos
1 (b
, c
) =
n
X
i=1
`
i
/
i
j
X
)=1
j
)
c
)
=
n
X
i=1
`
i
/
i
/
n
X
i=1
j
i
c
)
c
La ecuacin anterior nos proporciona un valor aproximado del incremento que se producir en el valor
del objetivo ptimo al variar el trmino independiente de las restricciones de (b
, c
) a
b, c
.
2.6. Dualidad
Sea el siguiente problema de optimizacin con objetivo de minimizacin
Minimizar ) (x)
Sujeto a
/
i
(x) = 0 i = 1, . . . , :
q
)
(x) c , = 1, . . . , j
(1)
que llamaremos problema Primal, podemos construir el llamado problema Dual.
Mientras que en el problema primal los multiplicadores se utilizan como parmetros auxiliares
para resolver el problema y se minimiza sobre las variables del problema, en el problema dual los
multiplicadores seran las variables, mientras que las variables de decisin del problema primal haran
el papel de multiplicadores.
Denicin 2.14 Para el problema de optimizacin P, denimos su problema dual (P*) como
Maximizar 0 (, )
Sujeto a
0
(1
)
donde la funcin 0 (, ) est denida por
0 (, ) = 0
`
1
, . . . `
n
, j
1
. . . j
j
= nf
x
) (x) + `
1
/
1
(x) + . . . + `
n
/
n
(x) + j
1
q
1
(x) + . . . + j
j
q
j
(x)
) = 0 (
)
Lema 2.11 (Lema de Dualidad Dbil) Dado el problema de optimizacin NLPP
Minimizar ) (x)
Sujeto a
/
i
(x) = 0 i = 1, . . . , :
q
)
(x) c , = 1, . . . , j
con ) (r), q
)
(r) y /(r) de clase C
1
(), entonces:
1.
max {0 (, )| 0} mn{) (x)| x }
2. Si (
, y si adems se cumple
) (x
) = 0 (
)
entonces (
) y x
c
1
= 0 =
c
2
= 0 = Caso I
j
2
= 0 = Caso II
j
1
= 0 =
c
2
= 0 = Caso III
j
2
= 0 = Caso IV
que resolvemos de forma independiente:
c SPH
2.6. Dualidad 67
1. Caso I: c
1
= c
2
= 0. Sustituyendo en la primera y segunda ecuaciones, se obtiene
2j
1
+ 4 = 0 j
1
= 2
2j
2
4 = 0 j
2
= 2
que no es un punto factible puesto que j
2
< 0.
2. Caso II: c
1
= j
2
= 0. Sustituyendo
2j
1
+ 4 = 0 j
1
= 2
4 c
2
= 0 c
2
= 4
que cumples las condiciones y por tanto ser el mximo buscado.
3. Caso III: j
1
= c
2
= 0. En este caso
4 c
1
= 0 c
1
= 4
2j
2
4 = 0 j
2
= 2
que no es factible puesto que j
2
< 0.
4. Caso IV: j
1
= j
2
= 0
4 c
1
= 0 c
1
= 4
4 c
2
= 0 c
2
= 4
que no es un punto de KKT de Mximo, puesto que c
1
0.
Hemos obtenido un nico punto para este problema
j = (2, 0) c = (0, 4)
que como hemos comentado cumle las condiciones de KKT para mximo, luego por las condiciones
del problema es la solucin buscada.
Teniendo en cuenta ahora la relacin existente entre los valores de j
1
y j
2
y las variables de
decisin del problema primal, podemos hallar el valor de estas ltimas
r = j
1
+j
2
= 2 + 0 = 2
j = j
1
j
2
= 2 0 = 2
y comprobar que se trata de un punto factible para el problema primal.
Por ltimo es sencillo comprobar que ambos problemas coinciden en sus respectivos valores ptimos
) (r
, j
) = ) (2, 2) =
2
2
2
+
2
2
2
= 4
0 (j
1
, j
2
) = 0 (2, 0) = 2
2
0
2
+ 4 2 4 0 = 4
c SPH
68 Captulo 2. Optimizacin no lineal
2.7. Temporal
Ejemplo 2.14 Encuentra los puntos que cumplen las condiciones de Karush-Kuhn-Tucker para el
problema
Optimizar r
2
+ j
2
Sujeto a r + j = 6
r
2
+ j
2
26
r 1 0
Solucin: En primer lugar transformamos el problema en la forma general, es decir, los trminos
independientes de las restricciones deben ser cero y las restricciones de desigualdad de la forma
Optimizar r
2
+ j
2
Sujeto a r +j 6 = 0
r
2
+ j
2
26 0
1 r 0
La funcin Lagrangiana del problema ser
1(r, j, `
1
, j
1
, j
2
) = r
2
+ j
2
+ `(r + j 6) + j
1
r
2
+ j
2
26
+ j
2
(1 r)
y planteamos las condiciones de KKT:
1. Condicin estacionaria (
a
1 = 0)
01
0r
= 0 2r + ` + 2rj
1
j
2
= 0 [1]
01
0j
= 0 1 + ` + 2jj
1
= 0 [2]
2. Condicin de factibilidad
r + j 6 = 0 [3]
r
2
+ j
2
26 0
1 r 0
3. Condicin de positividad o negatividad
j
1
, j
2
0 Para mnimo
j
1
, j
2
0 Para mximo
4. Condiciones de holgura
j
1
q
1
(r) = 0 j
1
r
2
+ j
2
26
= 0 [4]
j
2
q
2
(r) = 0 j
2
(1 r) = 0 ([5])
El sistema que permite localizar los puntos de KKT estar formado por las dos ecuaciones que
proporciona la condicin estacionaria (ecuaciones [1], [2]), la restriccin de igualdad ([3]) y las dos de
la condicin de holgura (ecuaciones [4] y [5]).
c SPH
2.7. Temporal 69
Resolvemos el sistema utilizando la condicin de holgura. Este anlisis produce dos opciones por
cada ecuacin, con un total de cuatro casos:
j
1
= 0 =
j
2
= 0 Caso I
(1 r) = 0 Caso II
r
2
+ j
2
26 = 0 =
j
2
= 0 Caso III
(1 r) = 0 Caso IV
que resolvemos de forma independiente
1. Caso I (j
1
= j
2
= 0): El sistema para estos valores queda
2r + ` = 0
1 + ` = 0
r + j = 6
que es lineal y tiene como nica solucin
` = 1
r =
`
2
=
1
2
j = 6 r = 6 +
1
2
=
13
2
Tenemos por tanto un punto para este caso
1
1
=
1
2
,
13
2
` = 1 =(0, 0)
Sin embargo, este punto no es factible ya que no cumple ninguna de las restricciones de desigual-
dad del problema
r
2
+ j
2
=
1
2
2
+
13
2
2
=
1
4
+
169
4
=
85
2
26 No se cumple
1 r = 1
1
2
=
3
2
0 No se cumple
y por tanto no es de KKT.
2. Caso II (j
1
= 0, r = 1): Con estos datos el sistema queda
2 + ` j
2
= 0
1 +` = 0
1 + j = 6
c SPH
70 Captulo 2. Optimizacin no lineal
que es lineal y cuya nica solucin es
j = 5
` = 1
j
2
= 2 +` = 2 + 1 = 3
Obtenemos otro punto
1
2
= (1, 5) ` = 1 =(0, 3)
Comprobamos si es un punto factible
r
2
+j
2
26 = 1 + 25 26 0 S cumple la primera restriccin
1 r = 1 1 = 0 0 S cumple la segunda restriccin
como adems se cumple la condicin de positividad, 1
2
es un punto que cumple las condiciones
de KKT de mnimo.
3. Caso III (r
2
+ j
2
= 26, j
2
= 0): Para este caso el sistema es
2r + ` + j
1
2r = 0
1 + ` + j
1
2j = 0
r + j = 6
r
2
+ j
2
26 = 0
cuya solucin se obtiene fcilmente despejando una de las variables de la tercera ecuacin, j =
6 r, y sustituyendo en la cuarta para obtener una ecuacin de segundo grado
r
2
+ (6 r)
2
26 = 0 2r
2
12r + 10 = 0
con soluciones
r
1
= 5 y r
2
= 1
Se obtiene un valor de j para cada valor de r
r
1
= 5 j
1
= 6 r
1
= 1
y
r
2
= 1 j
1
= 6 r
1
= 5
Se comprueba la factibilidad de estos dos puntos, 1
3
= (5, 1) y 1
4
= (1, 5), sustituyendo en las
restricciones de desigualdad
1
3
= (5, 1)
5
2
+ 1
2
26 = 0 0
1 5 = 4 0
1
4
= (1, 5)
1
2
+ 5
2
26 = 0 0
1 1 = 0 0
c SPH
2.7. Temporal 71
Finalmente se calculan los valores de los multiplicadores asociados a cada uno de ellos, para
determinar si se cumplen algunas de las condiciones de positividad o negatividad y establecer si
los puntos son de KKT. Utilizando las dos primeras ecuaciones, que forman un sistema lineal en
` y j
1
y evaluando en cada punto obtenemos
j
1
=
1 + 2r
2 (j r)
=
j
1
(1
3
) =
11
8
j
1
(1
4
) =
3
8
` =
r(1 + 2j)
r j
=
`(1
3
) =
15
4
`(1
4
) =
11
4
En resumen, los puntos con sus respectivos multiplicadores son:
1
3
= (5, 1) ` =
15
4
j
1
=
11
8
0 j
2
= 0
y
1
4
= (1, 5) ` =
11
4
j
1
=
3
8
0 j
2
= 0 0
de donde se obtiene que que 1
4
es un punto de KKT para el problema de minimizacin
(j
1
, j
2
0), mientras que 1
3
cumple las condiciones de KKT para mximo (j
1
, j
2
0).
4. Caso IV (r
2
+ j
2
= 6, r = 1): En este ltimo caso queda el siguiente sistema:
2 + ` + 2j
1
j
2
= 0
1 + ` + j
1
2j = 0
1 + j = 6
1 + j
2
26 = 0
De la tercera y cuarta ecuacin tenemos el punto
1
5
= (1, 5)
que es uno de los puntos encontrados en el apartado anterior y por tanto ya se ha discutido. Sin
embargo, el clculo de los multiplicadores se obtiene a partir de las dos primeras ecuaciones, en
las que al sustituir por los valores de r e j correspondientes obtenemos el sistema
2 + ` + 2j
1
j
2
= 0
1 + ` + j
1
10 = 0
que es lineal y con ms incgnitas que ecuaciones, por tanto ser indeterminado. Su solucin es
en forma paramtrica
` = t; j =
1 t
10
,
11 + 4t
5
c SPH
72 Captulo 2. Optimizacin no lineal
Notar, por ejemplo, que si
Si t = 1 ` = 1; j = (0, 3)
Si t =
11
4
` =
11
4
; j =
3
8
, 0
a
X
I=1
j
I
1
!
+ `
2
a
X
I=1
r
I
j
I
A
!
a
X
I=1
j
I
j
I
y las condiciones de KKT:
c SPH
2.7. Temporal 73
1. Condicin estacionaria (
a
1 = 0): En este caso las variables independientes son las j
I
01
0j
I
= 0 lnj
I
1 + `
1
+ `
2
r
I
j
I
= 0 Para / = 1, . . . , :
2. Condicin de factibilidad:
a
X
I=1
j
I
= 1
a
X
I=1
r
I
j
I
= A
j
I
0 Para / = 1, . . . , :
3. Condicin de negatividad: Puesto que estamos buscando el mximo de la funcin, los multipli-
cadores asociados a las restricciones de desigualdad deben ser negativos
j
I
0 Para / = 1, . . . , :
4. Condicin de holgura:
j
I
(j
I
) = 0 Para / = 1, . . . , :
De la condicin de holgura se deduce que j
I
= 0, puesto que para la otra opcin j
I
= 0 la funcin
logaritmo no estara denida. Todos los multiplicadores j
)
, asociados a las restricciones de desigualdad
deben ser nulos. Sustituyendo en las ecuaciones de la condicin estacionaria
lnj
I
1 + `
1
+ `
2
r
I
= 0 / = 1, . . . , :
y podemos despejar j
I
de cada ecuacin
lnj
I
= 1 + `
1
+ `
2
r
I
j
I
= c
A
2
a
+(A
1
1)
Notar que j
I
0.
Los valores de `
1
y `
2
deben seleccionarse de forma que se cumplan las 2 restricciones
a
X
I=1
j
I
= 1
a
X
I=1
r
I
j
I
= A
c SPH