Академический Документы
Профессиональный Документы
Культура Документы
OPTIMIZACION NO LINEAL
CON RESTRICCIONES
Mauricio
Espitia
Mrquez
IMPLEMENTATION PROBLEMS
NONLINEAR
CONSTRAINED.OPTIMIZATION
ngela Patricia
Reyes
Estudiante Ing. Industrial
pato_01_8@hotmail.com
Viviana Sofa
Cifuentes
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
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
(4)
(5)
Min
s.a
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
(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:
(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.
(12)
1.
0. Sea k=1
Sea (zk,dk) una solucin ptima para
2.
(13)
3.
4.
5.
6.
7.
8.
9.
(14)
(16)
(10)
Tabla III
Gradientes
1
-1
(11)
5
-1
0
-1
(18)
(19)
(20)
= 0.75
6. Resolviendo el problema de direccin de bsqueda tenemos:
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
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
[2]
[3] M. S. BAZARAA, Programacion No Lineal, C. M. Shetty., 2006.