OBJETIVO

Proporcionar una serie de resultados y tcnicas tendentes a la determinacin de puntos

ptimos para una funcin (funcin objetivo) en un determinado conjunto (conjunto de
oportunidades), donde tanto la funcin objetivo, como las que intervienen en las
restricciones que determinan el conjunto de oportunidades pueden ser no lineales.

INTRODUCCIN

La Programacin no Lineal (PNL) es una parte de la investigacin operativa.

Evidentemente, la estructura del problema puede ser muy variada, segn las funciones
que en el intervengan (a diferencia de la programacin lineal) donde la forma especial del
conjunto de oportunidades y de la funcin objetivo permite obtener resultados generales
sobre las posibles soluciones y facilitan los tratamientos algoritmos de los problemas. Ello
ocasiona una mayor dificultad en la obtencin de resultados, que se refleja tambin en la
dificultad de obtencin numrica de las soluciones. En este sentido, hay que distinguir
entre las diversas caracterizaciones de ptimo, que solo se emplean como tcnicas de
resolucin en problemas sencillos y los mtodos numricos iterativos, cuyo
funcionamiento se basa en estas caracterizaciones, para la resolucin de problemas ms
generales.
La PNL, en funcin de las caractersticas de estas funciones, por lo que se emplean
varios algoritmos para resolver los distintos tipos. Para ciertos casos donde las funciones
tienen formas sencillas, los problemas pueden resolverse de manera relativamente
eciente. En algunos otros casos, incluso la solucin de pequeos problemas representa
un verdadero reto.
La PNL tiene sol una o dos variables, se puede representar en forma gracia. Si las
funciones no son lineales, dibujaremos curvas en lugar de rectas, por lo que funcin
objetivo y regin factible dejaran de tener el aspecto que adquieren en la PL. La solucin
no tiene por qu estar en un vrtice de la regin factible, ni siquiera tiene porqu
encontrarse en la frontera de esta. Por lo que la desaparece ahora la gran simplicacin
que se utiliza en PL, que permite limitar la bsqueda de solucin ptima a las soluciones
en los vrtices. En PNL un mximo local no es necesariamente un mximo global y en
general, los algoritmos de PNL no pueden distinguir cuando se encuentra en un optimo
local o en uno global. Por tanto, es crucial conocer las condiciones en las que se garantiza
que un mximo local es un mximo global en la regin factible. Recuerde que en Anlisis
Matemtico, cuando se maximiza una funcin ordinaria (doblemente diferenciable) de una
sola variable f(x) sin restricciones.
PNL 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, se necesita
una condicin ms para dar esta garanta, a saber, que la regin factible sea un conjunto
convexo. Por esta razn, los conjuntos convexos tienen un papel fundamental en la
programacin no lineal.
CONCEPTOS BSICOS DE PROGRAMACIN NO LINEAL

Se considera-como tal 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. Como ejemplo considere el siguiente problema de programacin no
lineal:

Donde f. gj. g-, gm. hb h2,...., h, son funciones definidas en L. el espacio euclidiano de n
dimensiones. X es un subconjunto de Ln. y x es un \ector de componentes x,. x2,...,xn.
El problema anterior puede ser resuelto para los valores de las variables x|,x2,...,xn que
satisfacen las restricciones y que minimicen la funcin f.
La funcin f es llamada usualmente la funcin objetivo o la funcin criterio. Cada una de
las restricciones para i 1.2 m es llamada restriccin de desigualdad y cada una de las
restricciones h Jx) para j-l,2,...,l es llamada restriccin de igualdad. Un vector x que
satisface todas las restricciones es llamado una solucin factible al problema.
La coleccin de todas las posibles soluciones forma la regin factible. El problema de
programacin no lineal es encontrar un punto factible x tal que f(x) >f(X) para cada punto
factible a*. Un punto tal x es llamado una solucin ptima o simplemente una solucin al
problema. Si existe ms de un punto ptimo, estos son referidos como soluciones
alternativas ptimas.
Asimismo, un problema de programacin no lineal puede expresarse como un problema
de maximizacin y las restricciones de desigualdad pueden estar escritas en la forma g/x)
> 0 para i = 1.2,..., m. En el caso especial cuando la funcin objetivo es lineal y cuando
todas las restricciones, incluyendo al conjunto .V. puede ser representado por
desigualdades lineales y/o ecuaciones lineales, el problema anterior es llamado un
problema lineal.
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
La solucin ptima se encuentra en un
punto extremo de la regin de factibilidad.
El punto ptimo nunca est dentro de la
regin de factibilidad.
Sus mtodos de optimizacin generan
ptimos absolutos globales.
La regin de factibilidad es un conjunto
convexo.
Sus funciones objetivo y restricciones son
lineales.
Programacin no lineal
No siempre la solucin ptima se
encuentra en un punto extremo de la
regin de factibilidad
Hay casos donde el puni ptimo es la en
el interior de la regin factible.
Generalmente se encuentra un ptimo
local relativo, mas no el ptimo global
absoluto.
Se pueden generar regiones de
factibilidad que no son necesariamente
convexas.
La funcin objetivo, las restricciones
ambas pueden ser no lineales.

Como ilustracin, considere el siguiente problema

K1 problema es encontrar un punto en la regin factible ion el valor ms pequeo posible

de (X - 3) + (X -2). Ntese que los puntos (X , X) con (X - 3) + (X -2)representan
un crculo con radio y centro (3,2). Este crculo es llamado curva de nivel de la funcin
objetivo teniendo el valor c.
Puesto que deseamos minimizar c, debemos encontrar el crculo con el radio ms
pequeo que intersecte la regin factible. Como muestra la figura el tal crculo ms
pequeo tiene c-2 e intersecta a la regin factible en el punto (2.1). Por lo tanto la solucin
ptima se obtiene en el punto (2,1) y tiene un valor objetivo igual a 2.
El mtodo utilizado en el ejemplo anterior consiste en encontrar una solucin ptima
determinando la curva de nivel con el ms pequeo valor objetivo que intersecta la regin
factible. Obviamente este enfoque de resolver geomtricamente el problema es
solamente conveniente para problemas pequeos y no es prctico para problemas con
ms de dos variables o aquellos con restricciones y funciones objetivo complicadas o
complejas.
Por otra parte existen algunas condiciones o postulados que se cumplen para los dos
modelos, los de programacin lineal y los de programacin no lineal:
1. Al aumentar (disminuir) el lado derecho de una restriccin < o r ->e relaja la
restriccin. Esta no puede contraer y si puede expandir al conjunto factible
2 Aumentar (disminuir) el lado derecho de una restriccin estrecha la restriccin. Esto no
puede expandir pero si contraer el conjunto no restringido.
3 Una restriccin no puede perjudicar, sino quiz ayudar, al valor ptimo de la funcin
objetivo.
4. I'streehar una restriccin no puede ayudar, sino quiz perjudicar, al \alnr ptimo de la
funcin objetivo.
Analicemos ahora el planteamiento de problemas, obteniendo modelos de programacin
no lineal
 TIPOS DE PROBLEMA EN PROGRAMACION NO LINEAL

Los problemas de programacin no lineal se presentan de muchas formas distintas. Al

contrario del mtodo simplex 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.

Optimizacin no restringida: problema sin restricciones, es decir, el problema se reduce

a maxf(x).
Si f(x) es diferenciable, la condicin necesaria para que x = x sea optima es

La condicin suciente es que f(x) sea cncava.

Optimizacin restringida linealmente: si todas las funciones de restricciones son
lineales pero la funcin objetivo es no lineal. Se han desarrollado extensiones del mtodo
simplex. Un caso particular, con m = 0 es aquel en que hay variables no negativas.
Entonces la condicion necesaria cambiara a :

Programacin cuadrtica: problema restringido linealmente con funcin objetivo

cuadrtica contiene cuadrados de variables o/y productos de variables. Se han
desarrollado muchos algoritmos para f(x) cncava, esta formulacin surge de manera
natural en muchas aplicaciones.

f(x1,x2) = a1x + a2x + a3x1x2 + a4x1 + a5x2

Programacin convexa: se menciona todos los tipos anteriores cuando f(x) es una
funcin cncava que debe maximizarse. Los supuestos son: (i) f(x) es cncava y (ii) cada
gi(x) es convexa. Estos supuestos aseguran que un mximo local es global.
Si el problema es de minimizacin la concin suciente es que f(x) sea convexa.
Si el problema es de minimizacin
min f(x)
s.a gi(x) bi
f(x) convexa y g1(x),g2(x),...,gm(x) convexas aseguran que un mnimo local es global.
Programacin separable: es un caso especial de programacin convexa, en donde el
supuesto adicional es: todas las funciones f(x) y gi(x) son separables. Una funcin
separable es una funcin en la que cada termin incluye una sola variable, por lo que la
funcin se puede separar en una suma de funciones de variables individuales.

Programacin no convexa: incluye todos los problemas de PNL que no satisfacen los
supuestos de programacin convexa. 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 cuenta con un algoritmo que garantice encontrar una solucin ptima para
todos estos problemas; sin embargo, 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 supuso para programacin convexa.
Programacin geomtrica: cuando se aplica PNL a problemas de diseo de ingeniera,
muchas veces la funcin objetivo y las funciones de restriccin toman la forma
Programacin fraccional: si la funcin objetivo se encuentra en la forma de una fraccin,
esto es, como razn o cociente de dos funciones

Problema de complementariedad: Dadas las variables w1, w2,..., wp y z1,z2,..., zp, el

problema de complementariedad encuentra una solucin factible para el conjunto de
restricciones
w = F(z), w 0, z 0
Que tambin satisface la llamada restriccin de complementariedad,
wtz = 0
Aqu, w y z son vectores columna, F es una funcin vectorial y el superndice t denota la
transpuesta.

ALGORITMO UNIVARIABLES CON RESTRICCIONES

El problema de programacin no lineal general restringido se define como sujeto a

Las condiciones de no negatividad X 0 son parte de las restricciones. Incluso, al menos

una de las funciones f(X) y g(X) es no lineal, y todas las funciones son continuamente
diferenciables.
El comportamiento errtico de las funciones no lineales impide el desarrollo de un solo
algoritmo para el modelo no lineal general. Quizs el resultado ms general aplicable al
problema sean las condiciones KKT.
Esta seccin presenta varios algoritmos que se pueden clasificar en general como
mtodos indirectos y directos. Los mtodos indirectos resuelven el problema no lineal
valindose de uno o ms programas lineales derivados del programa original. Los
mtodos directos se valen del programa original. Los algoritmos indirectos presentados en
esta seccin incluyen las programaciones separable, cuadrtica y estocstica. Los
algoritmos directos incluyen el mtodo de combinacin lineal y un breve anlisis del
algoritmo SUMT, la tcnica de maximizacin secuencial sin restricciones. En la lista de
referencias al final del captulo se hallan otras importantes tcnicas no lineales.
La pregunta ahora es cmo reconocer una solucin ptima para un problema de
programacin no lineal (con funciones diferenciables). Cules son las condiciones
necesarias y (tal vez) suficientes que esa solucin debe cumplir? Se llaman condiciones
de Karush-Kuhn-Tucker (o condiciones KKT), porque fueron desarrolladas de manera
independiente por Karush11 y por Kuhn y Tucker.12 Su resultado bsico se expresa en el
siguiente teorema.

Teorema. Suponga que f (x), g(x), g(x), . . ., gm(x) son funciones diferenciables que
satisfacen ciertas condiciones de regularidad. Entonces,
x* 5 (x1*, x2*, . . ., x* n)
Puede ser una solucin ptima para el problema de programacin no lineal, slo si existen
m nmeros u, u, . . ., um, que satisfagan todas las siguientes condiciones KKT:
 Observe que las condiciones 2 y 4 requieren que el producto de dos cantidades sea 0.
Por tanto, cada una de estas condiciones en realidad dice que al menos una de las dos
cantidades debe ser cero. En consecuencia, la condicin 4 se puede combinar con la
condicin 3 para expresarlas en otra forma equivalente, tal como

De manera similar, la condicin 2 se puede combinar con la 1 de la siguiente manera:

Cuando m 5 0 (sin restricciones funcionales), esta suma se elimina y la condicin

combinada (1, 2) se reduce a la condicin que se presenta en el tercer rengln de la tabla
12.4. As, para m . 0, cada trmino de la suma modifica la condicin de m 5 0 para
incorporar el efecto de la restriccin funcional correspondiente.
En las condiciones 1, 2, 4 y 6, las u corresponden a las variables duales de programacin
lineal al final de la seccin se estudia ms a fondo esta correspondencia que tienen
una interpretacin econmica comparable. En realidad, las u surgieron de la derivacin
matemtica, como los multiplicadores de Lagrange (que se presentaron en el apndice 3).
Las condiciones 3 y 5 slo ayudan a asegurar la factibilidad de la solucin. Las otras
condiciones eliminan la mayor parte de las soluciones factibles como posibles candidatos
para una solucin ptima. Debe hacerse notar que el cumplimiento de estas condiciones
no garantiza que la solucin sea ptima. Como se resume en la ltima columna de la tabla
12.4, son necesarios ciertos supuestos de convexidad adicionales para obtener esta
garanta. Estos supuestos se establecen de manera formal en la siguiente extensin del
teorema.

Corolario. Suponga que f (x) es una funcin cncava y que g1(x), g2(x), . . ., gm(x) son
funciones convexas es decir, se trata de un problema de programacin convexa, en
donde todas estas funciones satisfacen las condiciones de regularidad. Entonces, x* 5
(x1*, x2*, . . ., xn*) es una solucin ptima si y slo si se satisfacen todas las condiciones
del teorema.

Ejemplo. Para ilustrar esta formulacin y la aplicacin de las condiciones KKT, considere
el siguiente problema de programacin no lineal con dos variables:
 donde ln denota el logaritmo natural. De esta forma, m 5 1 (una restriccin funcional) y
g(x) 5 2x 1 x, de manera que g(x) es convexa. An ms, es fcil verificar que f (x) es
cncava. Entonces se puede aplicar el corolario, por lo que cualquier solucin que
satisfaga las condiciones KKT ser en definitiva una solucin ptima. Al aplicar las
frmulas en el teorema, se obtienen las siguientes condiciones KKT para este ejemplo:

A continuacin se describen los pasos para resolver las condiciones KKT para este
ejemplo.

Por lo tanto, existe un nmero u = 1 tal que x = 0, x = 3 y u = 1 satisfacen todas las

condiciones. En consecuencia, x* = (0, 3) es una solucin ptima para este problema.
Con frecuencia resulta ms difcil encontrar la forma de comenzar. La sucesin particular
de pasos que se necesita para resolver las condiciones KKT difiere de un problema a otro.
Cuando la lgica no es evidente, a veces es til considerar por separado los distintos
casos en donde cada x y u se especifican como iguales o mayores que 0, y despus se
prueba cada caso hasta que uno conduce a una solucin.
 Para ilustrar, suponga que este enfoque de considerar los diferentes casos de manera
separada se ha aplicado al ejemplo previo en lugar de emplear la lgica implicada en los
siete pasos anteriores. Para este ejemplo, hay ocho casos que corresponden a las ocho
combinaciones de x = 0 contra x.>0, x =0 contra x . >0, o u >0 contra u > . 0.
Cada caso conduce a una afirmacin y anlisis ms sencillos de las condiciones. Como
ejemplo, considere primero el caso que se expone en seguida, en donde x = 0, x = 0 y
u =0.

(Todas las dems condiciones son redundantes.) Como se enumera despus, los
otros tres casos donde u = 0 tambin llevan de inmediato a contradicciones en
forma muy parecida, por lo cual no se dispone de soluciones.

El caso x > 0, x > 0, u > 0 permite eliminar estos tres multiplicadores diferentes
de cero de las condiciones 2(j = 1), 2(j = 2) y 4, lo que a su vez permite eliminar las
condiciones 1(j = 1), 1(j = 2) y 3 como redundantes, tal como se resume en seguida.
Condiciones KKT para el caso x > 0, x > 0, u > 0.

(Todas las dems condiciones son redundantes.)

Entonces, u = 1, as x = 1/2, lo que contradice x >0. Ahora suponga que se
intenta el caso x = 0, x >0, u. 0.
Condiciones KKT para el caso x1 5 0, x > 0, u > 0
(Todas las dems condiciones son redundantes.) Por lo tanto, x = 0, x = 3, u = 1.
Una vez que se ha encontrado una solucin, se sabe que no es necesario
considerar casos adicionales.
Para problemas ms complicados que ste puede ser difcil, si no es que
materialmente imposible, derivar una solucin ptima directa de las condiciones
KKT. De todas maneras, estas condiciones proporcionan informacin valiosa en
cuanto a la identidad de una solucin ptima y tambin permiten verificar que una
solucin propuesta pueda ser ptima. Existen muchas aplicaciones indirectas
valiosas de las condiciones KKT. Una de ellas surge de la teora de dualidad que se
desarroll para programacin no lineal, que se puede poner en paralelo con la
teora de dualidad para programacin lineal
COCNLUSION

BIBLIOGRFIA

1.- Introduccin a la investigacin de operaciones

Novena edicin
Frederick S. hiller
Gerald J Lieberman
2. investigacin de operacin
Novena edicin
Hamdy A. taha