Professional Documents
Culture Documents
Programacin No Lineal.
Concepto, Diferencias entre PL y PNL, Tipos de problemas de PLN y
Ejemplos.
Docente: Bachilleres:
Juan Zambrano Meneses Yanneidis, 20807481
Rodrguez Jheisonn, 26973102
Azuaje Daniel, 25746442
ndice
Contenido Pgina
Introduccin 3
PROGRAMACIN NO LINEAL
Tema.1
1.1 Concepto Y Formulacin matemtica.... 4
1.2 Tipos de Problemas de PNL y Ejemplos.... 6
Conclusin.. 17
Referencias Bibliogrficas.. 18
3
Introduccin
4
PROGRAMACIN NO LINEAL
Lineal es que cuando un modelo admite solucin, sta se encontrar en un vrtice (o tramo frontera
en el caso Infinitas Soluciones ptimas) del dominio de soluciones factibles.
Por tanto, Si un modelo de Programacin No Lineal admite solucin ptima, sta se puede
encontrar en cualquier punto del dominio de soluciones factibles. Por ejemplo, si la funcin objetivo
estuviese centrada en la coordenada (X,Y)=(2,1) sta ya sera la solucin ptima del problema.
Notar que esta situacin (solucin en un punto interno del dominio factible) NO sera posible en la
resolucin de un modelo de Programacin Lineal.
6
Existe una variedad de mtodos para resolver problemas no convexos. Uno de ellos
consiste en utilizar formulaciones especiales de problemas de programacin lineal. Otro mtodo
implica el uso de tcnicas de Ramificacin y poda, cuando el problema se divide en subdivisiones
a resolver mediante aproximaciones que forman un lmite inferior del coste total en cada
subdivisin. Las condiciones de Karush-Kuhn-Tucker proporcionan las condiciones necesarias
para que una solucin sea ptima. Los tipos de problemas de programacin no lineal son:
1. Optimizacin no restringida.
2. Optimizacin linealmente restringida.
3. Programacin cuadrtica
4. Programacin convexa.
5. Programacin separable.
6. Programacin no convexa.
7. Programacin geomtrica.
8. Programacin fraccional.
9. Problema de complementariedad.
1. Si f(xx) > /(x2), entonces xL < x* < x2. Se definen xR = x2 e /, = (xL, x2) (vase la figura
21.2[a]).
2. Si f(xx) < f(x2\ entonces xx < x* < xR. Se definen xL = xx e I = (xh xR) (vase la figura 21.1
[b]). .
3. Si f{x\) = /(jc2), entonces xx < x* < x2. Se definen xL = x2 e /, = (xb x2).
En el mtodo dictomo los valores jc, y x2 se encuentran simtricos respecto del punto
EJEMPLO
El mximo valor de f(x) ocurre en x = 2. La siguiente tabla muestra los clculos para las
iteraciones 1 y 2, usando el mtodo dicotomo y el de la seccin dorada. Supondremos que A =
0.1.
10
OPTIMIZACIN NO RESTRINGIDA
Cuando f (x) es cncava, esta condicin tambin es suficiente, con lo que la obtencin de
x* se reduce a resolver el sistema de las n ecuaciones obtenidas al establecer las n derivadas
parciales iguales a cero. Por desgracia, cuando se trata de funciones no lineales f (x), estas
ecuaciones suelen ser no lineales tambin, en cuyo caso es poco probable que se pueda obtener
una solucin analtica simultnea. Qu se puede hacer en ese caso? Las secciones 13.4 y 13.5
describen procedimientos algortmicos de bsqueda para encontrar x* primero para n = 1 y luego
para n > 1. Estos procedimientos tambin tienen un papel importante en la solucin de varios tipos
de problemas con restricciones, que se describirn en seguida. La razn es que muchos algoritmos
11
Cuando una variable Xj tiene una restriccin de no negatividad, x- > 0, la condicin ne-
cesaria (y tal vez) suficiente anterior cambia ligeramente a
Para cada j de este tipo. Esta condicin se ilustra en la figura 13.11, donde la solucin
ptima de un problema con una sola variable es x = 0 aun cuando la derivada ah es negativa y no
cero. Como este ejemplo tiene una funcin cncava para maximizar sujeta a una restriccin de no
negatividad, el que su derivada sea menor o igual a 0 en # = 0, es una condicin necesaria y su-
ficiente para que x= 0 sea ptima. Un problema que tiene algunas restricciones de no negatividad
y que no tiene restricciones funcionales es un caso especial (m = 0) de la siguiente clase de
problemas.
PROGRAMACIN CUADRTICA
PROGRAMACIN CONVEXA
La programacin convexa abarca una amplia clase de problemas, entre ellos como casos
especiales, estn todos los tipos anteriores cuando /(x) es cncava. Las suposiciones son:
1. f(x) es cncava.
2. Cada una de las g(x) es convexa.
PROGRAMACIN SEPARABLE
Son cada tina funciones de una sola variable x1 y x2, respectivamente. Usando el mismo
razonamiento, se puede verificar que la funcin considerada en la figura 13.7 tambin es una
funcin separable. Es importante distinguir estos problemas de otros de programacin convexa,
pues cualquier problema de programacin separable se puede aproximar muy de cerca mediante
uno de programacin lineal y, entonces, se puede aplicar el eficiente mtodo simplex.
Son cada tina funciones de una sola variable x1 y x2, respectivamente. Usando el mismo
razonamiento, se puede verificar que la funcin considerada en la figura 13.7 tambin es una
funcin separable. Es importante distinguir estos problemas de otros de programacin convexa,
pues cualquier problema de programacin separable se puede aproximar muy de cerca mediante
uno de programacin lineal y, entonces, se puede aplicar el eficiente mtodo simplex.
PROGRAMACIN NO CONVEXA
cuando las formas de las funciones no lineales no se desvan demasiado de aquellas que se
supusieron para programacin convexa. En la seccin 13.10 se presenta uno de estos algoritmos.
PROGRAMACIN GEOMTRICA
En tales casos, las ci y a ty representan las constantes fsicas y las x} son las variables de
diseo. Estas funciones por lo general no son ni cncavas ni convexas, por lo que las tcnicas de
programacin convexa no se pueden aplicar directamente a estos problemas desprogramacin
geomtrica. Sin embargo, existe un caso importante en el que el problema se puede transformar en
un problema de programacin convexa equivalente. Este caso es aquel en el que todos los
coeficientes c en cada funcin son estrictamente positivos, es decir, las funciones son polinomios
positivos generalizados (ahora llamados posinomiales), y la funcin objetivo se tiene que
minimizar. El problema equivalente de programacin convexa con variables de decisin yx, y2,,
yn se obtiene entonces al establecer
PROGRAMACIN FRACCIONAL
Suponga que la funcin objetivo se encuentra en la forma de una fraccin, esto es, la
razn o cociente de dos funciones,
Que se puede resolver con el mtodo simplex. En trminos generales, se puede usar el
mismo tipo de transformacin para convertir un problema de programacin fraccional
con /(x) cncava, f2 (x) convexa y g (x) convexas, en un problema equivalente de programacin
convexa.
Rodrguez Jheisonn
Azuaje Daniel
Meneses Yanneidis
17
Conclusin
18
Referencias Bibliogrficas
Bibliografa WEB:
HORA: 05:30pm
https://es.wikipedia.org/wiki/Redes-IEEE802.x
http://html.rincondelvago.com/Fibra-optica.html
https://es.wikipedia.org/wiki/FDDI-Architecture
https://josue10.wordpress.com/ISO-IEEE802/
http://www.davidparedes.es/2009/01/02/topologiaDeFDDI/
http://www.monografias.com/trabajos14/GruposDeTrabajoDeLasRedes8732~.shtml