PROBLEMAS DE APLICACIN

OPTIMIZACION NO LINEAL
CON RESTRICCIONES
Mauricio
Espitia
Mrquez

IMPLEMENTATION PROBLEMS
NONLINEAR
CONSTRAINED.OPTIMIZATION

Estudiante Ing. Industrial

carma_505@hotmail.com

ngela Patricia
Reyes
Estudiante Ing. Industrial
pato_01_8@hotmail.com

Viviana Sofa
Cifuentes

Estudiante Ing. Industrial

visoci@yahoo.es

Resumen
La informacin contenida en este documento se desarrolla a partir de
los conceptos que ofrece la programacin no lineal (PNL), para
mtodos de optimizacin no lineal con restricciones mediante el uso
de mtodos como: Griffith-Stewart, programacin separable, entre
otros consultados en diferentes artculos y literaturas basados en
aproximaciones lineales sucesivas para resolver problemas de PNL.
Inicialmente se plantearon los algoritmos para cada uno de los
problemas buscando la solucin ptima. Posteriormente se corrieron
por el mtodo solicitado de optimizacin restringida, presentando
finalmente la sntesis de resultados obtenidos.
Conceptos clave: Programacin no lineal, mtodos de optimizacin
no lineal con restricciones.

Abstract
The information contained in this document developed from concepts
featuring nonlinear programming (NLP), for methods nonlinear
constrained optimization by using methods such as: Griffith-Stewart,
separable programming, among others consulted in different articles
and literature-based successive linear approximations to solve NLP.
Initially the algorithms for each trouble finding the optimal solution is
raised. Later they were run by the method applied to constrained
optimization, finally presenting the synthesis results.
Key concepts: Nonlinear programming, Methods for nonlinear
optimization with constraints.

1. Introduccin
Para problemas de optimizacin no lineal con restricciones son menos los
mtodos desarrollados en comparacin con los no restringidos, bsicamente
por la dificultad inherente en la solucin de problemas restringidos. Existen
una clase de problemas de optimizacin no lineal restringidos, llamados
programas convexos que minimiza (maximiza) una funcin convexa
(cncava) dentro de una regin factible convexa; en donde desaparecen
dificultades como la existencia de ptimos locales y ptimos locales que se
encuentran en el interior o en los bordes de una regin factible, que en
general no es convexa [1] [2].
Para dichos problemas convexos se han desarrollado mtodos de solucin basados en
aproximaciones lineales como lo son Griffith-Stewart, Frank-Wolfe, SLP, programacin
INGENIERA INDUSTRIAL UNIVERSIDAD DISTRITAL FRANCISCO JOS DE CALDAS

Mauricio Espitia Mrquez, ngela Patricia Reyes, Viviana Sofa Cifuentes.

separable y otros como mtodos de penalizacin. El presente documento tiene en cuenta

algunos de estos mtodos, para la resolucin de los problemas planteados, que se
analizaran segn comparacin de los resultados obtenidos.

2. PROBLEMAS PROPUESTOS
2.1. Metodologa y herramientas
Segn requerimientos del problema y luego de previa revisin bibliogrfica, y de apuntes
de clase, se procedi a desarrollar segn mtodo solicitado los problemas, bajo solucin de
ecuaciones, derivadas y su correspondiente programacin en Macros en Excel, solver,
GAMS y express.
2.2. Problema Uno
2.2.1. Descripcin
En los problemas uno y dos, se nos presenta un problema de maximizacin y minimizacin
respectivamente solicitando para su solucin aplicar el mtodo de Griffith-Stewart y (1)
determinar su distancia del ptimo.

(2)
Sujeto a las siguientes restricciones

(3)

A continuacin se muestran los resultados hallados en cada caso. Para ms detalle del
desarrollo de casa enciso ver anexos 1.
2.2.2. Resultados encontrados
Partiendo del punto (1,2) y aplicando el Mtodo de Griffith-Stewart en dos iteraciones para
la solucin del problema se obtuvieron los siguientes resultados.
Tabla I.
Resultados Iteraciones problema 1
Iteraci x
Y Opti
X1
X2
n
mo
1
1, 1, 108
1,25 1,75
5
5
2
1, 2, 99,23 1,89 1,47
6
1
2
7

2.3. Problema Dos

(4)
(5)

Min

s.a

INGENIERA INDUSTRIAL UNIVERSIDAD DISTRITAL FRANCISCO JOS DE CALDAS

Problemas de aplicacin optimizacin no lineal con restricciones

Figura 1. Grafico problema 2.

2.3.1. Resultados encontrados
Iniciar en el punto
propuesto en el problema, no permiti el desarrollo del mismo por
ser un punto no factible ya que: la funcin decrece infinitamente no satisface las
restricciones, , es por eso que se escogi el punto
resultados.

, arrojando los siguientes

Tabla II.
Resultados Iteraciones problema 2
Iteraci x
Y Opti
X1
X2
n
mo
1
1. 4.
49.9
1.2 4.7
5
5
5
5
Ver: Anexo 1.2.
2.4. Problema Tres
2.4.1. Descripcin
Partiendo de
2.4.2. Resultados encontrados

INGENIERA INDUSTRIAL UNIVERSIDAD DISTRITAL FRANCISCO JOS DE CALDAS

Mauricio Espitia Mrquez, ngela Patricia Reyes, Viviana Sofa Cifuentes.

2.5. Problema Cuatro

2.5.1. Descripcin.
Mtodo de Topkis Veinott
Partiendo de:
f(x), g(x), cumplen con los requisitos de continuidad y diferenciabilidad.
Restriccin activa: se dice que una restriccin de desigualdad, gj(x) es activa en un
punto factible x si g(x)= 0 , y una desigualdad se dice que es inactiva en un punto x
si g(x)< 0 .
Las restricciones que son activas en el punto x restringen el dominio de factibilidad,
mientras que las que no lo son no imponen ninguna restriccin al dominio (6)
en la
vecindad del punto x
Vector de direccin factible: sea x un punto factible xF (F es el conjunto de punto
factible). Cualquier punto x dentro de una bola de radio alrededor de x que se
pueda escribir como x +d y en el que x x y d 0 se llama direccin factible del
punto x si existe una bola de radio tal que:

(7)
Sealar que si x es un mnimo local y d es un vector de direccin factible de x
entonces para un valor suficientemente pequeo de se debe satisfacer que:
f (x) f (x + d ).
Podemos decir: Sea d una direccin factible, diferente de cero, del vector x ,
entonces x debe satisfacer las condiciones:

Vectores de direccin factible que mejoran la funcin objetivo: Es aquel conjunto de

vectores d 0 , que cumplen:
El conjunto de vectores que mejoran la funcin objetivo se llama cono de
direcciones de mejora de F en el punto x.
Si d 0 y d f ( ) x < 0 entonces d es un vector de direccin factible de mejora en
el punto x. [3]
Estructura del problema

(8)

El Mtodo garantiza la convergencia del punto ptimo para el problema presentado (9)
en el
mtodo de Zoutendijk, donde el punto que se obtiene puede ser no ptimo sino
aproximado, sin cumplir las condiciones KKT.
Considerando

Para i= 1,,m
Algoritmo
Dado un punto factible x y una direccin D,
0.

INGENIERA INDUSTRIAL UNIVERSIDAD DISTRITAL FRANCISCO JOS DE CALDAS

Problemas de aplicacin optimizacin no lineal con restricciones

(12)

1.

Seleccionar X1, tal que

0. Sea k=1
Sea (zk,dk) una solucin ptima para
2.

(13)

3.
4.
5.
6.
7.

Si Zk=0, Xk = Punto Fritz John

Fin.
Sino, Zk < 0
Hacer
Sea k una solucin ptima para
max
Donde max = sup {: gi (

8.
9.

para i=1,m} y xk+1=

Reemplazar K por K+1

Ir al paso 1.

(14)

Observacin. Resolviendo el Pl, se est encontrando una mejor solucin a la primera

bsica factible por tanto se est garantizando que reemplazando el punto por el(15)
nuevo
encontrado, mejorando as la solucin objetivo
2.5.2. Resultados encontrados
Teniendo

(16)

1. Partiendo de punto x1 (0, 0.75)

2. Gradiente de la funcin objetivo con respecto a cada una de la variables
-

(10)

3. Gradiente de cada restriccin.

Tabla III
Gradientes
1
-1

(11)

5
-1
0

INGENIERA INDUSTRIAL UNIVERSIDAD DISTRITAL FRANCISCO JOS DE CALDAS

Mauricio Espitia Mrquez, ngela Patricia Reyes, Viviana Sofa Cifuentes.

-1

(18)

4. Evaluando el punto inicial en el gradiente de la funcin objetivo

(19)

5. Problema direccin de bsqueda

s.a.

(20)
= 0.75
6. Resolviendo el problema de direccin de bsqueda tenemos:

7. Mximo Valor de para cada x1+di

8. Con

Iteracin 2.

Tabla IV.
Resultados iteracin 2
Buscar
Direccin
Xk
(0.06 , 0.72)
F(xk)
-5.8272
(-3.04, -4.32)
dk
(-0.07123
,
0.1167)
Zk
-0.2877
Buscar
Lnea
1,5616
1,5616
(0,4888
,
09022)

(17)

Ver. Anexo 4
3. CONCLUSIONES
INGENIERA INDUSTRIAL UNIVERSIDAD DISTRITAL FRANCISCO JOS DE CALDAS

Problemas de aplicacin optimizacin no lineal con restricciones

Si se logra identificar la funcin objetivo del PNL como una funcin separable, es
factible aplicar programacin separable para encontrar una solucin eficiente al PNL
por medio de la solucin de su PL equivalente.
Al disminuir la tolerancia de las iteraciones, se obtiene una mejor aproximacin del
punto ptimo.
En gran medida la eficiencia del mtodo para resolver un PNL, depende en ocasiones
del software que se use para la programacin del algoritmo.

4. REFERENCIAS

[1] J. PRAWDA, Metodos y Modelos de investigacion de operaciones, Mexico, D.F.: Limusa,

2000.
F. Hillier, Investigacin de Operaciones, Thomson, 2002.

[2]
[3] M. S. BAZARAA, Programacion No Lineal, C. M. Shetty., 2006.

INGENIERA INDUSTRIAL UNIVERSIDAD DISTRITAL FRANCISCO JOS DE CALDAS