PROGRAMACIÓN II.

OBJETIVO GENERAL DE LA ASIGNATURA:

Optimizar una función de n variables, posiblemente sujeta al cumplimiento

de restricciones que también tienen la forma de funciones reales de n
variables. El tratamiento que se hace del problema es fundamentalmente
matemático contemplándolo bajo un triple enfoque: teoría, algoritmos y
aplicaciones.

I.- INTRODUCCIÓN A LA TEORIA DE LA OPTIMIZACIÓN.

1
 La optimización o programación matemática es un instrumento fundamental en
la economía. Es empleada para modelizar la asignación de recursos escasos entre fines
alternativos, y resolver problemas de distribución económica desarrollados en la teoría
del consumidor, teoría de la producción, economía del bienestar, equilibrio general,
etc.

I.I.- CONJUNTOS CONVEXOS.

En un espacio vectorial real o complejo, se dice que una parte C es convexa si

para cada par de puntos de él, el segmento que los reúne está totalmente incluido en
C.
En otras palabras, en un conjunto convexo se puede ir de cualquier punto a cualquier
otro en vía recta, sin salir del mismo.

Formalmente se escribe así:

Más en detalle:

En el caso de un conjunto no convexo, se observa que cada segmento que muestra la

no convexidad ([EF] en la figura) tiene forzosamente que atravesar por lo menos dos
veces (en E´y F´en la figura) el borde de C del conjunto (el borde o la frontera de C lo
constituyen los puntos del espacio en contacto a la vez con C y su complementario).
Por tanto la convexidad depende esencialmente de la forma del borde del conjunto, y
la definición equivale a:

Nótese que en esta fórmula, la suma de los coeficientes (1-t) y t es 1, por lo tanto el
punto así definido no depende del origen del sistema de coordenadas.
En el caso de una frontera diferenciable (sin puntos angulosos) se pueden considerar
sus tangentes, y resulta bastante intuitivo que los convexos se caracterizan por hallarse
enteramento del mismo lado de cada tangente; es decir que las tangentes nunca
atraviesan C. Esta propiedad sigue cierta en presencia de puntos angulosos, como en el
caso de los polígonos.
Se establece la equivalencia de estas dos caracterizaciones considerando que una
tangente (en A por ejemplo) es la posición límite de las cuerdas [AA'] con A'

2
acercándose indefinidamente de A, en el borde de C. El segmento [AA´] está en C
mientras que el esto de la recta (AA') está fuera (por el absurdo: si se encuentra un
punto B de C en la recta (AA´), fuera de [AA'], entonces el segmento [AB], exterior a C,
contradice su convexidad).

I.2.- EL MODELO DE PROGRAMACIÓN LINEAL.

Los términos clave son recursos y actividades, en donde m denota el número de

distintos tipos de recursos que se pueden usar y n denota el número de actividades
bajo consideración. Algunos ejemplos de recursos son dinero y tipos especiales de
maquinaria, equipo, vehículos y personal. Los ejemplos de actividades incluyen
inversión en proyectos específicos, publicidad en un medio determinado y el envío de
bienes de cierta fuente a cierto destino.

En cualquier aplicación de programación lineal, puede ser que todas las actividades
sean de un tipo general (como cualquiera de los ejemplos), y entonces cada una
correspondería en forma individual a las alternativas específicas dentro de esta
categoría general.

El tipo más usual de aplicación de programación lineal involucra la asignación de

recursos a ciertas actividades. La cantidad disponible de cada recurso está limitada, de
forma que deben asignarse con todo cuidado. La determinación de esta asignación
incluye elegir los niveles de las actividades que lograrán el mejor valor posible de la
medida global de efectividad.

Ciertos símbolos se usan de manera convencional para denotar las distintas

componentes de un modelo de programación lineal. Estos símbolos se enumeran a
continuación, junto con su interpretación para el problema general de asignación de
recursos a actividades.

Z = valor de la medida global de efectividad

xj = nivel de la actividad j (para j = 1,2,...,n)
cj = incremento en Z que resulta al aumentar una unidad en el nivel de la actividad j

3
bi = cantidad de recurso i disponible para asignar a las actividades (para i = 1,2,...,m)
aij = cantidad del recurso i consumido por cada unidad de la actividad j

El modelo establece el problema en términos de tomar decisiones sobre los niveles de

las actividades, por lo que x1,x2,....,xn se llaman variables de decisión. Los valores de cj,
bi y aij (para i = 1,2,....,m y j = 1,2,....,n) son las constantes de entrada al modelo. Las cj,
bi y aij también se conocen como parámetros del modelo.

I.3.- EL ALGORITMO DEL SIMPLEX.

En la teoría de optimización, el algoritmo simplex , descubierto por el

matemático norteamericano George Bernard Dantzig en 1947, es una técnica popular
para dar soluciones numéricas del problema de la programación lineal. Un método sin
relación, pero llamado de manera similar, es el método Nelder-Mead o método símplex
cuesta abajo, debido a Nelder y Mead (1965), que es un método numérico para
optimización de problemas libres multidimensionales, perteneciente a la clase más
general de algoritmos de búsqueda. El que permite encontrar una solución óptima en
un problema de maximización o minimización, buscando en los vértices del polígono.

En ambos casos, el método usa el concepto de un simplex, que es un politopo de N + 1

vértices en N dimensiones: un segmento de línea sobre una línea, un triángulo sobre
un plano, un tetraedro en un espacio de tres dimensiones y así sucesivamente.
I.4.- DUALIDAD, EN LA PROGRAMACIÓN LINEAL.

Dado un modelo lineal determinado, podemos definir otro modelo lineal que
nos permitirá obtener propiedades interesantes del primero y que será su dual. La
solución del modelo dual permite obtener interesantes resultados, relativos al análisis
de sensibilidad de los términos independientes.

Más concretamente, para los rangos de valores de los términos independientes para
los que se mantiene la base óptima (que podemos conocer mediante el análisis de
sensibilidad), la solución del dual nos permite conocer el precio sombra de la
restricción, que será la variación de la función objetivo por unidad incrementada del
término independiente de la restricción.

En la primera parte de esta sección, encontramos cómo hallar el dual de un modelo

lineal. En las siguientes, se define con más precisión el concepto de precio sombra,
cómo obtener la solución del dual a partir de la del primal, y su aplicación al análisis de
sensibilidad. Finalmente, se enuncian algunas propiedades de interés, como el teorema
de la holgura complementaria y las relaciones entre las soluciones del primal con las
soluciones del dual.

I.4.I.- Reglas de obtención del dual.

Si el modelo está escrito en la forma canónica, el dual resulta singularmente

fácil de obtener. Por ejemplo, partiendo de la forma canónica del modelo de máximo:

4
Primal Dual

[MIN] z = c’· x [MAX] w = b’· u

A· x ≥ b A’· u ≤ c

xj ≥ 0 ui ≥ 0
Si se trata de obtener el dual del dual, se obtendrá el primal: se trata de una
correspondencia biunívoca.

I.5.- FORMAS ESPECIALES DEL ALGORITMO DEL SIMPLEX.

Una vez que hemos estandarizado nuestro modelo, puede ocurrir que
necesitemos aplicar el método Simplex o el método de las Dos Fases. Véase en la figura
como debemos actuar para llegar a la solución de nuestro problema.

5
6
I.6.- ANÁLISIS DE SENSIBILIDAD.

El análisis de sensibilidad es una de las partes más importantes en la

programación lineal, sobretodo para la toma de decisiones; pues permite determinar
cuando una solución sigue siendo óptima, dados algunos cambios ya sea en el entorno
del problema, en la empresa o en los datos del problema mismo.

Este análisis consiste en determinar que tan sensible es la respuesta óptima del
Método Simplex, al cambio de algunos datos como las ganancias o costos unitarios
(coeficientes de la función objetivo) o la disponibilidad de los recursos (términos
independientes de las restricciones).

La variación en estos datos del problema se analizará individualmente, es decir, se

analiza la sensibilidad de la solución debido a la modificación de un dato a la vez,
asumiendo que todos los demás permanecen sin alteración alguna. Esto es importante
porque estamos hablando de que la sensibilidad es estática y no dinámica, pues solo
contempla el cambio de un dato a la vez y no el de varios.

I.6.I.- Objetivo Principal del Análisis de Sensibilidad.

Establecer un intervalo de números reales en el cual el dato que se analiza puede estar
contenido, de tal manera que la solución sigue siendo óptima siempre que el dato
pertenezca a dicho intervalo.
Los análisis más importantes son;

1. Los coeficientes de la función objetivo;

2. Los términos independientes de las restricciones y se pueden abordar por medio del
Método Gráfico o del Método Simplex

I.7.- LOS MODELO DE TRANSPORTE Y ASIGNACIÓN.

El modelo del transporte tiene que ver con la determinación de un plan de costo
mínimo para transportar una mercancía desde varias fuentes (por ejemplo fabricas), a
varios destinos por ejemplo, almacenes o bodegas. El modelo puede extenderse de
manera directa para abarcar situaciones prácticas de las áreas del control de
inventario, programación de empleo y asignación de personal entre otros.

El modelo del transporte en básicamente un programa lineal que se puede resolver a

través del método simplex regular. Sin embargo, su estructura especial hace posible el
desarrollo de un procedimiento de solución, conocido como técnica del transporte,
que es más eficiente en términos de cálculo.

La técnica de transporte puede presentarse, y a menudo se hace, en forma elemental

que parezca completamente separada del método simplex. No obstante, debemos
destacar que la nueva técnica sigue esencialmente los pasos exactos del método
simplex.

7
Definición y aplicación del modelo de transporte.

El modelo de transporte busca determinar un plan de transporte de una mercancía de

varias fuentes a varios destinos. Entre los datos del modelo se encuentran:

1) Nivel de oferta de cada fuente y la cantidad de la demanda en cada destino

2) El costo de transporte unitario de la mercancía, de cada fuente a cada destino.

Como solo hay una mercancía, un destino puede recibir su demanda de una o más
fuentes. El objetivo del modelo es el de determinar la cantidad que se enviará de cada
fuente a cada destino, tal que se minimice el costo del transporte total.

La suposición básica del modelo es que el costo del transporte en una ruta es
directamente proporcional al número de unidades transportadas. La definición de
unidad de transporte varia dependiendo de la mercancía que se transporte.

Cuando hay que llevar acabo varias actividades, maneras alternativas de ejecutarlas e
instalaciones y recursos limitados para desempeñar cada una de ellas del modo más
efectivo, habrá un problema de asignación de esos recursos escasos. El problema
consiste en combinar las actividades y los recursos en forma optima de modo que la
eficiencia general se aumente al máximo, o sea que se aumenten las utilidades y que se
disminuyan los costos.

Esto se conoce como “programación matemática”. Cuando las restricciones se expresan

en forma de ecuaciones lineales, eso se conoce como “programación lineal”. Si alguna
restricción no es lineal, se llama”programación no lineal”. La teoría de dualidad de la
programación lineal que establece la relación entre dos formulaciones distintas del
mismo problema. Además de la programación lineal y no lineal hay otros tipos de
programación: entera, cuadrática, convexa, estocástica, de decisión, parametrica y
dinámica. Difieren en la cantidad de datos que pueden manejar y en la clase de
suposiciones que se hacen. Algunos de estos últimos tipos forman parte de la
programación no lineal.

El tipo más sencillo de modelo de ASIGNACIÓN comprende la asignación de varias

tareas al mismo número de recursos (hombres). A esto se le llama “PROBLEMAS DE
ASIGNACIÓN”, y ese tipo de problema se hace más complicado si algunas de las tareas
requieren más de recursos, y si los recursos se pueden emplear en más de una tarea. El
problema de transporte es un ejemplo de estos. Ambos problemas (de asignación y se
transporte) utilizan el método de “cruce de arroyo” para su solución.

El problema de asignación tiene que ver con la asignación de tareas a

empleados, de territorios a vendedores, de contratos a postores o de trabajos a
plantas. Al aplicar el método de transporte y el método de asignación la gerencia está
buscando una ruta de distribución o una asignación que optimizará algún objetivo; éste
puede se la minimización del costo total, la maximización de las utilidades o la
minimización del tiempo total involucrado.

8
Al igual que el método de transporte el método de asignación es computacionalmente
más eficiente que el método simplex para una clase especial de problemas. El método
de asignación también conocido como la Técnica de flood o el método Húngaro de
asignación. Hay básicamente tres pasos en este método
 Determine la tabla de costo de oportunidad:

 Reste el elemento del costo más bajo en cada columna de la tabla de costo
dada, de todo los elementos en esa columna.

 Reste el asiento más bajo en cada renglón de la tabla obtenida en la parte

1.1 de todos los números en ese renglón.

 Determine si se puede hacer una asignación óptima: El procedimiento es

dibujar líneas rectas (verticales y horizontales) a través de la tabla de costos
total de oportunidad, de tal manera que se minimice el número de líneas
necesarias para cubrir todos los cuadros CERO. Si el número de líneas dibujadas
es menor que el número de renglones o columnas, no se puede hacer una
asignación óptima si y el problema no está resuelto.

 Revise la tabla de costo total de oportunidad.

 Seleccione el número más pequeño en la tabla no cubierto, por una línea recta
y reste este número de todos los números no cubiertos por una línea recta.

 Añada este mismo número a los números que están en la intersección de dos
líneas cualesquiera. Regrese al paso 2.

I.7.I.8.- Cinco fases de la correcta aplicación del modelo.

_ Fase de orientación. Ofrece una visión global del contexto o perspectiva en

que se llevan a cabo las tareas. Esta fase aclara dudas y vincula con conocimientos
previos y busca despertar el interés del alumno. Junto con introducir en el trabajo
propuesto proporciona antecedentes sobre recursos, materiales e información útiles
para el trabajo. Suele incluir una definición de los criterios para evaluar los resultados.
_Fase de planificación (identificación, selección y formulación de la tarea). Se
debe tener en cuenta tanto los aspectos objetivos como los subjetivos, ya que el
alumno participa o colabora en el proceso de definir las tareas. Por ejemplo, debe
tener tiempo disponible para planear lo que va a hacer (decisiones). La distribución de
tareas en un grupo se debe conversar y a menudo queda una constancia escrita.
Ocasionalmente se puede especificar en un “contrato de aprendizaje”.
_ Fase de interacción (realización del trabajo). Constituye el núcleo del método
de tareas. En esta fase los alumnos trabajan individualmente o en pequeños grupos, en
la misma o diferentes tareas, con ayuda de información escrita y, a veces, otros medios,
hasta obtener los resultados. En ciertas ocasiones pueden recibir consejos de otras
personas. Los resultados se presentan en forma escrita, como un producto (una planta
que creció con estímulos muy precisos, un diario mural, un dibujo o la maqueta de un

9
proyecto arquitectónico) o como un proceso, en el caso de una dramatización. En cada
caso puede incluir algún control de calidad.
_ Fase de presentación. Los estudiantes presentan sus resultados al curso, a un público
general o un jurado, para que así todos (presentadores y público) aprendan de todo lo
acontecido en la aplicación del modelo. Es importante que se conversen los puntos de
vista comunes y superiores.
_ Fase de evaluación “formativa”. Las reflexiones sistemáticas sobre los productos o las
soluciones encontradas y la exposición del trabajo o tarea se comparten con los demás
en un proceso de intercambio de las experiencias vividas. Estos resultados se comparan
con los criterios acordados previamente para generar una crítica formativa.
Finalmente, se proponen posibles mejorías y comentan las perspectivas futuras
abiertas por el trabajo realizado.

I.7.3.- ROL DEL PROFESOR O FACILITADOR.

En este método el profesor actúa como organizador, moderador, estimulador,
experto y consejero. Los alumnos, en cuantos miembros del grupo o competidores,
también son ayudantes y asistentes del aprendizaje.

I.7.6.- Modelo de asignación.

Discutiremos un modelo de asignación que intente minimizar el coste total de

procesamiento y almacenamiento a la vez que intenta reunir ciertas restricciones en el
tiempo de respuesta. El modelo que emplearemos tiene la forma mín(Coste Total), la
cual está sujeta a restricciones del tiempo de respuesta, restricciones de
almacenamiento y restricciones de procesamiento.

En el resto de este punto desarrollaremos los componentes de este modelo

basándonos en la información necesaria presentada anteriormente. La variable de
decisión es xij, la cual se define como

xij = 1 si el fragmento Fi se almacena en el sitio Sj

xij = 0 en otro caso

Coste total. La función de coste total tiene dos componentes: el procesamiento de la

consulta y el almacenamiento. Entonces podríamos expresarla como donde CPQi es el
coste de procesar una consulta de la aplicación qi, y CAFjk es el coste de almacenar el
fragmento Fj en el sitio Sk.

Consideremos primero el coste de almacenamiento. Su fórmula viene dada por donde

se representa el coste total de almacenamiento en todos los sitios y para todos los
fragmentos.

10
El coste de procesamiento de consultas es más difícil de especificar. Muchos modelos
de asignación de archivos se dividen en dos componentes: el coste de procesar las
lecturas y el coste de procesar las actualizaciones. Nosotros escogeremos un enfoque
diferente para el problema de asignación en las bases de datos y lo especificaremos a
partir del coste de procesamiento (CP) y el coste de transmisión (CT). El coste de
procesamiento de una consulta (CPQ) para una aplicación qi es:

De acuerdo con las líneas presentadas anteriormente, el componente de

procesamiento CP se basa en tres factores: el coste de acceso (CA), el coste de
mantenimiento de la integridad (MI) y el coste de control de la concurrencia (CC):

La especificación detallada de cada uno de estos factores depende del algoritmo que se
emplee para desarrollar estas tareas. Sin embargo, se especificará CA detalladamente:

El primero de los términos de la fórmula calcula el número de accesos de la consulta qi

al fragmento Fj. Advierta que (URij + RRij) da el número total de accesos de lectura y
actualización. Asumiremos que los costes locales de procesamiento de ambos son
idénticos. El sumatorio proporciona el número total de accesos para todos los
fragmentos a los que accede qi. El producto por UPTk da el coste de este acceso al sitio
Sk. Usamos de nuevo, xjk para seleccionar únicamente los valores de coste para los
sitios donde se almacenan los fragmentos.

Se debe tener en cuenta que la función de coste de acceso asume que el

procesamiento de una consulta implica su descomposición en una serie de
subconsultas, cada una de las cuales trabaja sobre un fragmento almacenado en un
sitio, seguido de una transmisión de los resultados al sitio del cual partió la consulta. Se
vio, anteriormente, que es un enfoque muy simplista no tener en cuenta la
complejidad del procesamiento de la base de datos. Por ejemplo, la función de coste
no tiene en cuenta el coste de desarrollar yuntos (si fuese necesario), lo cual puede
ejecutarse de varias formas. En un modelo más realista, que el modelo genérico
considerado, esto problemas no deberían omitirse.

11
El factor de coste del esfuerzo de integridad puede especificarse como el componente
de procesamiento, excepto que la unidad de coste de procesamiento local,
probablemente, cambiaría para reflejar el coste real del esfuerzo de integridad.

La función del coste de transmisión puede formularse sobre las líneas de la función del
coste de acceso. Sin embargo, los gastos de la transmisión de datos para
actualizaciones y para lecturas no es el mismo. En las consultas de actualización, es
necesario informar a todos los sitios donde existen réplicas, mientras que en las
consultas de lectura, es suficiente con acceder al sitio que alberga las copias. En suma,
al final de una petición de actualización, no existe una transmisión de datos al sitio
origen de ésta, sino un mensaje de confirmación, mientras que en las consultas de
lectura, los datos a transmitir al origen son significativos.

El componente de actualización de la función de transmisión es:

El primer término es para el envío del mensaje de actualización de qi desde el sitio

origen o(i) a todas las réplicas de los fragmentos que necesiten actualizarse. El segundo
término hace referencia a la confirmación. El coste de lectura puede especificarse
como:

El primer término de CTL representa el coste de transmitir la petición de lectura a los

sitios que contienen copias de los fragmentos a los que se necesita acceder. El segundo
término cuenta para la transmisión de los resultados desde estos sitios al sitio origen.
La ecuación afirma que para todos los sitios con copias del mismo fragmento, sólo el
sitio que produzca el coste total de transmisión más pequeño debería seleccionarse
para la ejecución de la operación.

Ahora, la función del coste de la transmisión para la consulta qi puede especificarse

como que indica la función de coste total.

Restricciones. Las funciones restrictivas pueden especificarse de forma similar. Sin

embargo, en lugar de describir estas funciones con detalle, simplemente indicaremos
el aspecto que deberían tener. El tiempo de respuesta debería especificarse como
tiempo de ejecución de qi máximo tiempo de respuesta de qi, qi Q

12
Preferiblemente, la medida de coste en la función objetiva debería especificarse en
términos de tiempo, para hacer la especificación del tiempo de ejecución
relativamente sencilla.

La restricción de almacenamiento es:

Así misma, la restricción de procesamiento es

Esto completa el desarrollo del modelo de asignación.

II.- MÉTODOS DE PROGRAMACIÓN MATEMÁTICAS.

Introducción a la teoría de optimización. Conjuntos convexos. El modelo de

programación lineal. El algoritmo del simplex. Dualidad, en programación lineal.
Formas especiales del algoritmo del simplex. Análisis de sensibilidad. Los modelos de
transporte y asignación. El modelo de programación lineal entera. Métodos de planos
de corte. Métodos de enumeración implícita. Métodos de ramificación y acotación.
Teoremas de alternativa. Funciones convexas. Generalización de funciones convexas.
Optimización sin restricciones unidimensional.

Optimización sin restricciones multidimensional. Criterios de optimalidad en

programación no lineal. Dualidad en programación no lineal. Programación cuadrática.
Programación geométrica. Métodos de programación no lineal: gradiente y direcciones
factibles. Métodos de penalización. El modelo de la programación dinámica.

II.I.- EL MODELO PROGRAMACIÓN LINEAL ENTERA.

Procedimiento o algoritmo matemático mediante el cual se resuelve un

problema indeterminado, formulado a través de ecuaciones lineales, optimizando la
función objetivo, también lineal.

Las variables son números reales mayores o iguales a cero. . En caso que se
requiera que el valor resultante de las variables sea un número entero, el
procedimiento de resolución se denomina Programación entera.

13
II.2.- MÉTODOS DE PLANOS DE CORTE.

En matemática, y más en concreto en optimización, el método de los planos de

corte es un procedimiento para encontrar soluciones enteras de un problema lineal.
Fue introducido por Gomory.
Funciona resolviendo un programa lineal no entero, después comprobando si la
optimización encontrada es también una solución entera. Si no es así, es añadida una
nueva restricción que corta la solución no entera pero no corta ningún otro punto de la
región factible. Esto se repite hasta que se encuentra la solución entera óptima .
Interpretación geométrica, una restricción es equivalente a un hiperplano, permitiendo
solo soluciones en uno de los lados del plano.
Tengo una solución x admisible y tengo una base B asociada a x tal que

Si tengo una solución fraccionaria entonces tengo un elemento enésimo de x

fraccionario.

II.3.- MÉTODOS DE ENUMERACIÓN IMPLÍCITA.

14
 Estos algoritmos obtienen la solución en base a enumerar, implícita o
explícitamente, todas las soluciones posibles y escogiendo la mejor de todas ellas.
En problemas complejos, un ordenador no sería capaz de enumerar todas las posibles
soluciones.
Aplican un conjunto de reglas para evitar enumerar soluciones infactibles o peores que
la mejor solución factible que se haya localizado hasta el momento.
La familia de algoritmos enumerativos más importante es la de los algoritmos de
Branch and Bound (BB).
Prácticamente todos los códigos comerciales de PE están basados en un algoritmo del
tipo BB.
Tienen su origen en Land y Doig (1960).
Esta metodología se ha sofisticado posteriormente pero, la idea básica es muy sencilla.
Los algoritmos enumerativos obtienen la solución del problema a base de enumerar,
implícita o explícitamente, todas las soluciones posibles y escogiendo la mejor de todas
ellas.
La forma mas inmediata de resolver problemas de PE consistiría en calcular todas las
posibles soluciones y buscar la mejor entre ellas (enumeración explicita). Este método
tiene graves inconvenientes. Por ejemplo, en el caso de la programación entera binaria,
el número de posibles soluciones es 2 elevado al número de variables enteras. En la
figura 9.2 se representa la combinatoria de un problema con cuatro variables 0-1.
Encima y debajo de cada nodo, se presentan los subíndices d cuatro variables que
toman valores “1” y “0”, respectivamente. Como puede apreciarse, el árbol tiene 2 4
=16 nodos.
Los métodos de enumeración implícita aplican un conjunto de reglas para evitar
enumerar soluciones in factibles o peores que la mejor solución factible que se haya
localizado hasta el momento.
Otro algoritmo enumerativo importante es el algoritmo aditivo. Es debido
originalmente a Egon Balas (1965). Se llama aditivo porque todas las operaciones
matemáticas que se realizan consisten en sumar o restar.
El procedimiento consiste en generar una secuencia de soluciones parciales añadiendo
en cada iteración una variable y considerando las soluciones complementarias (resto
de soluciones posibles). De esta forma, podemos por enumeración implícita, eliminar
conjuntos de soluciones sin necesidad de evaluarlos exhaustivamente.
La selección de la variable añadida se hace en función de reducir al máximo la
infactibilidad en la solución actual y eliminar la redundancia.

15
II.4.- MÉTODOS DE RAMIFICACIÓN Y ACOTACIÓN.

La ramificación consiste en dividir cada problema en dos nuevos sub problemas,

obtenidos mediante la imposición de restricciones excluyentes que dividen el conjunto
de oportunidades del problema original en dos partes, pero eliminando en ambas
partes la solución no entera del problema original.

Si al proceso de ramificación no se mejora de alguna forma, llegaríamos a analizar

TODAS las soluciones enteras (Enumeración Total). Por eso, se añade la fase de
Acotación, esta tiene que ver con el valor de la función objetivo.

A medida que se va ramificando se obtienen soluciones enteras y otras que no lo son.

No podemos asegurar que la primera solución entera obtenida sea la solución óptima,
Si no que es necesario comprobar si existen otras soluciones enteras o no.

II.6.- FUNCIONES CONVEXAS.

Toda combinación lineal con coeficientes positivos de funciones convexas es

una función convexa.

Una función es convexa en un intervalo si las rectas tangentes a la función en ese

intervalo están por debajo de la función. Una función es cóncava en un intervalo si las
rectas tangentes a la función de ese intervalo están por encima.

La denominación de convexidad y concavidad depende del punto de vista que se

adopte para considerar que es una concavidad, esto es si se mira a la función "desde
arriba" o "desde abajo". Por ello, algunos textos denominan convexas a las funciones
que se curvan "hacia abajo", al contrario de la definición que se acaba de dar en los
anteriores párrafos. Por ello, es frecuente que en ocasiones se adopten las
denominaciones cóncava hacia arriba y cóncava hacia abajo para evitar las
ambigüedades.
Las técnicas del análisis diferencial permiten determinar si una función es creciente,
decreciente, cóncava o convexa a través del estudio de las derivadas sucesivas de la
función.

16
II.6.I.- GENERALIZACIÓN DE UNA FUNCIÓN CONVEXA.

La convexidad es central para la transición del análisis clásico a varias ramas del
análisis moderno: desde el análisis lineal al análisis no-lineal, desde la suavidad a la no-
suavidad, desde el estudio de las funciones al estudio de las multifunciones. Además el
análisis convexo es un poderoso y elegante lenguaje que unifica la teoría de la
optimización.

Cimentar los conocimientos adquiridos en la Licenciatura sobre Álgebra Lineal, Cálculo

Diferencial de varias variables y Análisis Real, en el espacio euclídeo finito dimensional,
mediante su generalización: de subespacio lineal a cono convexo cerrado, de
ortogonalidad a polaridad de conos, de gradiente a subgradientes, y de la diferencial a
la multifunción subdiferencial. Proveer las bases analíticas y geométricas para la teoría
de Optimización, global y restringida, y para Convexidad generalizada.

17