La programación cuadrática (QP) se refiere al problema de minimizar una función cuadrática sujeta a

restricciones lineales de igualdad y desigualdad. En su forma estándar, este problema se representa de la

siguiente manera

Donde 𝐴 ∈ 𝑅 𝑚𝑥𝑛 ,𝑏 ∈ 𝑅 𝑚 ,𝑐 ∈ 𝑅 𝑛 , 𝑄 ∈ 𝑅 𝑛𝑥𝑛 y 𝑥 ∈ 𝑅 𝑛 .

Son clases especiales de problemas de optimización no lineal y contienen problemas de programación lineal
como casos especiales.
Las estructuras de programación cuadrática se encuentran con frecuencia en la optimización de modelos. Por
ejemplo, problemas de mínimos cuadrados ordinarios que son usados a menudo en el ajuste de datos son QPs
sin restricciones. Optimización de varianza media, problemas desarrollados por Markowitz para la selección
de las carteras son problemas de QP. Además, los problemas de QP se resuelven como subproblemas en la
solución de problemas generales de optimización no lineal a través de enfoques de programación cuadrática
secuencial (SQP).

Recuerde que, cuando Q es una matriz semidefinida positiva, es decir, cuando:

𝑦 𝑇 𝑄𝑦 ≥ 0

para todo y, la función objetivo del problema es una función convexa de X. Dado que el conjunto factible es
un conjunto poliédrico (es decir, un conjunto definido por restricciones lineales) es un conjunto convexo. Por
lo tanto, cuando Q es positivo semidefinido, el QP es un problema de optimización convexa. Como tal, sus
soluciones óptimas locales también son soluciones óptimas globales. Esta propiedad se ilustra en la Figura
donde los contornos de una función cuadrática con un semidefinido positivo Q se contrastan con los de una Q
indefinida.
Programación Cuadrática Secuencial

Volvemos al problema general de Programación No Lineal minimizar

𝑚𝑖𝑛𝑖𝑚𝑖𝑧𝑎𝑟 𝑓(𝑥)

Sujeta a :

𝑐𝑖 (𝑥) = 0 𝑖∈𝜀

𝑐𝑖 (𝑥) ≥ 0 𝑖∈𝜑

La idea de los métodos SQP (Sequential Quadratic Programming ) es desarrollar un proceso

iterativo en el que en cada punto ( 𝑥𝑘 , 𝜆𝑘 ) ,se modeliza el problema mediante uno de
programación cuadrática:

1
𝑚𝑖𝑛𝑖𝑚𝑖𝑧𝑎𝑟𝑝𝜖𝑅𝑛 𝑓𝑘 + 𝑓𝑘𝑇 + 𝑝𝑇 ∇2𝑥𝑥 𝐿𝑘 𝑝
2

Sujeta a ∇ci(𝑥𝑘 )𝑇 + ∇ci(∇ci(𝑥𝑘 ) = 0 𝑖∈𝜀

∇ci(𝑥𝑘 )𝑇 + ∇ci(∇ci(𝑥𝑘 ) ≥ 0 𝑖∈𝜑

Cuyo optimo llevara a ( ( 𝑥𝑘 + 𝑝, 𝜆𝑘+1 ), el nuevo punto.