Академический Документы
Профессиональный Документы
Культура Документы
INTRODUCCIN
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 Programacin no lineal
La solucin ptima se encuentra en un No siempre la solucin ptima se
punto extremo de la regin de factibilidad. encuentra en un punto extremo de la
regin de factibilidad
El punto ptimo nunca est dentro de la Hay casos donde el puni ptimo es la en
regin de factibilidad. el interior de la regin factible.
Sus mtodos de optimizacin generan Generalmente se encuentra un ptimo
ptimos absolutos globales. local relativo, mas no el ptimo global
absoluto.
La regin de factibilidad es un conjunto Se pueden generar regiones de
convexo. factibilidad que no son necesariamente
convexas.
Sus funciones objetivo y restricciones son La funcin objetivo, las restricciones
lineales. ambas pueden ser no lineales.
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
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
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.
(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.
BIBLIOGRFIA