Repblica Bolivariana de Venezuela

Ministerio del Poder Popular para la Defensa

Universidad Nacional Experimental Politcnica de la
Fuerza Armada Nacional Bolivariana
UNEFA-Ncleo Bolvar-Extensin San Flix
Tcnico Superior Universitario en Anlisis y Diseo de Sistemas
ADS-04S-01D-1-2017
Asignatura: Investigacin de Operaciones

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

Marzo del 2017.

 2

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

En matemticas, programacin no lineal (PNL) es el proceso de resolucin de un sistema de

igualdades y desigualdades sujetas a un conjunto de restricciones sobre un conjunto de variables
reales desconocidas, con un funcin objetivo a maximizar (o minimizar), cuando alguna de las
restricciones o la funcin objetivo no son lineales. El problema de programacin no lineal puede
enunciarse de una forma muy simple: maxxX f(x) Maximizar una funcin objetivo o
f: Rn R
minxX f(x) minimizar una funcin objetivo (de coste) donde X Rn

Diferencia entre Programacin Lineal y Programacin No Lineal

El supuesto de la proporcionalidad de la Programacin Lineal (PL) no siempre es adecuado

para representar de buena forma situaciones de naturaleza real que requieren de un modelo de
optimizacin como apoyo para el proceso de toma de decisiones. Cabe sealar que un modelo de
Programacin No Lineal (PNL) es aquel donde la funcin objetivo y/o las restricciones son
funciones no lineales de las variables de decisin.

En este sentido la Programacin No Lineal permite enfrentar una serie de aplicaciones

prcticas que requieren una representacin a travs de funciones no lineales. Algunos casos
caractersticos de la Programacin No Lineal son los problemas de minimizacin de distancia,
economas o des-economas de escala, carteras de inversin, ajuste de curva, entre otros. En general
cuando formulamos un modelo de optimizacin no lineal esperamos que ste sea ms representativo
de una situacin real en comparacin a un modelo lineal, sin embargo, a la vez asumimos que es
probable que la complejidad de la resolucin aumente.

Si se resuelve Grficamente el modelo de Programacin Lineal se optiene la solucin

ptima en el vrtice C (X=14/5 Y=8/5 y valor ptimo V(P)=20,8) lo cual corresponde a
una Solucin Bsica Factible ptima. En efecto, una de las propiedades bsicas de la Programacin
 5

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.

En cuanto a la resolucin del modelo de Programacin No Lineal, las curvas de nivel de la

funcin objetivo no lineal tiene la forma de circunferencias concntricas desde la
coordenada (X,Y)=(2,4). Como la funcin objetivo es de minimizacin, se buscan las
circunferencias de menor radio (o dimetro) que intercepte por primera vez el dominio de
soluciones factibles. Eso se alcanza en (X,Y)=(1,2,2,4). El resultado anterior se puede verificar
mediante la aplicacin de las condiciones de optimalidad que establece el Teorema de Karush-
Kuhn-Tucker (KKT) al ser ste un problema de Programacin No Lineal restringido.

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

Tipos de Problemas de Programacin 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 re-
suelva todos estos tipos especiales de problemas. En su lugar, se han desarrollado algoritmos para
algunas clases (tipos especiales) de problemas de programacin no lineal. Se introducirn las
clases ms importantes y despus se describir cmo se pueden resolver algunos de estos
problemas. Si la funcin objetivo f es lineal y el espacio restringido es un politopo, el problema es
de Programacin lineal y puede resolverse utilizando alguno de los bien conocidos algoritmos de
programacin lineal. Si la funcin objetivo es cncava (problema de maximizacin), o convexa
(problema de minimizacin) y el conjunto de restricciones es convexo, entonces se puede utilizar
el mtodo general de Optimizacin convexa.

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.

ALGORITMOS SIN RESTRICCIN

En esta seccin se presentarn dos algoritmos para el problema no restringido: el algoritmo

de bsqueda directa y el algoritmo de gradiente.
 7

Mtodo de bsqueda directa

Los mtodos de bsqueda directa se aplican principalmente a funciones estrictamente

unimodales de una variable. Aunque puede parecer trivial el caso, la optimizacin de funciones de
una variable juega un papel clave en el desarrollo de los algoritmos de varias variables, ms
generales. La idea de los mtodos de bsqueda directa es identificar el intervalo de
incertidumbre que comprenda al punto de solucin ptima. El procedimiento localiza el ptimo
estrechando en forma progresiva el intervalo de incertidumbre hasta cualquier grado de exactitud
que se desee.

Los mtodos de bsqueda dictomo y de seccin dorada (o urea). Ambos buscan la

maximizacin de una funcin unimodal/(x) en el intervalo a ^ x < b, que se sabe que incluye el
punto ptimo x*. Los dos mtodos comienzan con /0 = (a, b) que representa el intervalo inicial de
incertidumbre. Paso general i. Sea /, _ , = (xD xR) el intervalo actual de incertidumbre (en la
iteracin 0, xL = a y xR = b). A continuacin se definen xx y x2 tales que xj^ ^ ^ x2 ^ xr . El
siguiente intervalo de incertidumbre, /z, se define como sigue:

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).

La manera en que se determinan xx y x2 garantiza que /, < /,_ p como se demostrar en

breve. El algoritmo termina en la iteracin ksilk< A, donde A es un grado de exactitud definido
por el usuario. La diferencia entre los mtodos dictomos y de seccin dorada estriba en la forma
en que se calculan xx y x2. La tabla siguiente presenta las frmulas.
 8

En el mtodo dictomo los valores jc, y x2 se encuentran simtricos respecto del punto

medio del actual intervalo de incertidumbre. Esto significa que . La aplicacin

repetida del algoritmo garantiza que la longitud del intervalo de incertidumbre se acercar al nivel
de exactitud deseado, A. En el mtodo de la seccin dorada la idea es de mayor involucramiento.
Se puede apreciar que cada iteracin del mtodo dictomo requiere calcular los dos valores/(jc,)
y f(x2), Pe ro termina por descartar alguno de ellos. Lo que propone el mtodo de la seccin
dorada es ahorrar clculos mediante el reuso del valor descartado en la iteracin inmediata
siguiente. Para definir 0 < a < 1

Cuando el intervalo de incertidumbre /, en la iteracin i es igual a (jc, x2) o

a (xu xR). Considere el caso en que /, = (jcl, x2), lo cual significa que xx est incluido en /,. En la
iteracin /+1, seleccione x2igual a jc, de la iteracin /, lo cual lleva a la siguiente
ecuacin: x2(iteracin i+l) = x{(iteracin i)
 9

Comparado con el mtodo dictomo, el mtodo de la seccin dorada converge ms

rpidamente hacia el nivel deseado de exactitud. Adicionalmente, cada iteracin en el mtodo de
la seccin dorada requiere la mitad de los clculos, en virtud de que recicla siempre un conjunto
de los clculos correspondientes a la iteracin inmediata anterior.

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

Al continuar de la misma forma, el intervalo de incertidumbre terminar por estrecharse

hasta la tolerancia A deseada. La plantilla ch21DichotomousGoldenSection.xls de Excel est
diseada para manejar cualquiera de estos dos mtodos en forma automtica. Los datos
son/(*), a,b y A. La funcin f{x) se captura en la celda E3 como sigue:

= IF(C3< = 2,3*C3, (-C3+20)/3)

OPTIMIZACIN NO RESTRINGIDA

Los problemas de optimizacin no restringida no tienen restricciones, por lo que la funcin

objetivo es sencillamente Maximizar f(x) sobre todos los valores x= (x1, x2,,xn). Segn el repaso
del apndice 3, la condicin necesaria para que una solucin especfica x = x* sea ptima cuando
f(x) es una funcin diferenciable es

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

para problemas restringidos estn construidos de forma que se adaptan a versiones no

restringidas del problema en una parte de cada iteracin.

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.

OPTIMIZACIN LINEALMENTE RESTRINGIDA

Los problemas de optimizacin linealmente restringida se caracterizan por restricciones

que se ajustan por completo a la programacin lineal, de manera que todas las funciones de
restriccin g (x) son lineales, pero la funcin objetivo es no lineal. El problema se simplifica
mucho si slo se tiene que tomar en cuenta una funcin no lineal junto con una regin factible de
programacin lineal. Se han desarrollado varios algoritmos especiales basados en una exten-
sin del mtodo simplex para analizar la funcin objetivo no lineal.

PROGRAMACIN CUADRTICA

De nuevo los problemas de programacin cuadrtica tienen restricciones lineales, pero

ahora la funcin objetivo /(x) debe ser cuadrtica. Entonces, la nica diferencia entre stos y un
 12

Problema de programacin lineal es que algunos trminos de la funcin objetivo incluyen

el cuadrado de una variable o el producto de dos variables.

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

La programacin separable es un caso especial de programacin convexa, en donde la

suposicin adicional es: todas las funciones f(x) y g(x) son funciones separables. Una funcin
separable es una funcin en la que cada trmino incluye una sola variable, por lo que la funcin se
puede separar en una suma de funciones de variables individuales. Por ejemplo, si f(x) es una
funcin separable, se puede expresar como
 13

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

La programacin no convexa incluye todos los problemas de programacin no lineal que

no satisfacen las suposiciones 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 tiene un algoritmo que garantice encontrar una solucin ptima para todos estos problemas;
pero s existen algunos algoritmos bastante adecuados para encontrar mximos locales, en especial
 14

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.

Ciertos tipos especficos de problemas de programacin no convexa se pueden resolver

sin mucha dificultad mediante mtodos especiales. Dos de ellos, de gran importancia, se pre-
sentarn ms adelante.

PROGRAMACIN GEOMTRICA

Cuando se aplica programacin no lineal a problemas de diseo de ingeniera, muchas

veces la funcin objetivo y las funciones de restriccin toman la forma

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

En todo el modelo original. Ahora se puede aplicar un algoritmo de programacin

convexa. Se ha desarrollado otro procedimiento de solucin para resolver estos problemas de
 15

programacin posnominal, al igual que para problemas de programacin geomtrica de otros

tipos.1

PROGRAMACIN FRACCIONAL

Suponga que la funcin objetivo se encuentra en la forma de una fraccin, esto es, la
razn o cociente de dos funciones,

Estos problemas de programacin fraccional surgen, por ejemplo, cuando se maximiza la

razn de la produccin entre las horas-hombre empleadas (productividad), o la ganancia entre el
capital invertido (tasa de rendimiento), o el valor esperado dividido entre la desviacin estndar de
alguna medida de desempeo para una cartera de inversiones (rendimiento/riesgo). Se han
formulado algunos procedimientos de solucin especiales1 para ciertas formas de f1(x) y f2 (x)

Cuando se puede hacer, el enfoque ms directo para resolver un problema de programa-

cin fraccional es transformarlo en un problema equivalente de algn tipo estndar que disponga
de un procedimiento eficiente. Para ilustrar esto, suponga que f(x) es de la forma de programacin
fraccional lineal

Donde c y d son vectores rengln, x es un vector columna y c0 y dQ son escalares.

Tambin suponga que las funciones de restriccin g (x) son lineales, es decir, las restricciones en
forma matricial son Ax < b y x > 0. Con algunas suposiciones dbiles adicionales, el problema se
puede transformar en un problema equivalente de programacin lineal si se establece
 16

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:

FECHA: 27 de octubre de 2016

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