Nota Programacion Cuadratica

Introduccin a la Programacin Matemtica Programacin Cuadrtica
PROGRAMACIN CUADRTICA
Qu es Programacin Cuadrtica?
Programacin cuadrtica es una tcnica de optimizacin no lineal que obtiene el valor mximo /
mnimo de una funcin objetivo cuadrtica, la cual satisface un conjunto de restricciones lineales. La
programacin cuadrtica conforma la base para algunos otros algoritmos de programacin no lineal.
El modelo general de programacin cuadrtica (QP), se representa de la siguiente manera:
n
1 n n
Min f x c j x j qij xi x j
j 1 2 i 1 j 1
Sujeto a n
a
j 1
ij x j bi i 1, , m
xj 0
El modelo general de QP, representado en forma matricial es:
Min Z = cx + x Qx
Sujeto a
Ax b
x0
donde: cj = precios netos; bi es el vector de disponibilidades o requerimientos; aij son los

coeficientes tecnolgicos; xij son las actividades. Q es una matriz n x n (cuadrada), la cual se asume
simtrica y positiva semidefinida. Cuando las variables son aleatorias y se busca minimizar el riesgo
o desvo respecto a una meta, esta matriz Q se constituye de varianzas y covarianzas.
Note que comparte muchos elementos con la programacin lineal.
Resumiendo: la nica diferencia con respecto a la programacin lineal es la funcin objetivo, que ya
no es lineal, sino cuadrtica.
Ejemplos de funciones cuadrticas son
x1 x2
- 461 -
x11/ 2 x23 / 2
6 x12 4 x1 7
3x12 4 x1 x 2 12x 22 20x1 15x 2 14
(x1 6)2+ (x2 8)2
Cualquier funcin cuadrtica que se someta a un conjunto de restricciones lineales se convierte en un

problema de programacin cuadrtica.
Aplicaciones de la Programacin Cuadrtica en Ciencias Econmico-Administrativas.
La programacin cuadrtica tiene una amplia y variada gama de aplicaciones, en la vida y el quehacer
humano. A continuacin se menciona solo una muestra de tales aplicaciones.
Aplicaciones tpicas son:

Cartera de inversin de mnimo riesgo Modelos de inventarios
Modelos de equilibrio espacio-temporal Problema de localizacin
Problemas de planificacin de produccin Teora del consumidor
Mtodos de solucin de problemas de P. Cuadrtica
1. Mtodo de Wolfe
2. Programacin cuadrtica secuencial (SQP)
3. Mtodo de pivote complementario
Aunque el ms aceptado es el mtodo de Wolfe, que incluye a las condiciones Kuhn-Tucker y las
condiciones de holgura complementaria.
La geometra de los problemas no lineales cuadrticos como este- tambin cambia respecto de lo
observado en programacin lineal, especficamente la funcin objetivo, que ya no es una recta. El
espacio de puntos factibles es un polgono como de costumbre, pero las funciones objetivo
frecuentemente son curvas, elipses o crculos concntricos. La solucin ptima es el punto donde la
- 462 -
curva o contorno de la funcin objetivo toca a la regin factible, aunque puede ser que el punto
ptimo sea cualquier punto de la frontera o interior, incluidos los vrtices.
El punto ptimo de los problemas cuadrticos no siempre ocurre en un punto extremo.
La solucin ptima de este problema se alcanza en el punto frontera x1* = 2, x2* = 3 correspondiente
al menor y nico punto donde la curva de nivel hace tangencia con la regin factible.
En ese punto, Z* = x - 6x1 + x - 8x2 + 25

= (2)2 - 6(2) + (3)2 - 8(3) + 25 = - 23 + 25
Z* = 2
Solucin de Problemas Mediante el Mtodo de Wolfe
Se puede utilizar el mtodo de Wolfe para resolver problemas de programacin cuadrtica para los
cuales todas las variables tienen que ser no negativas.
El mtodo de Wolfe sigue con la reescritura del problema original como un problema de
programacin lineal con holguras complementarias; ste ltimo problema es equivalente al
problema original. El problema de programacin lineal a resolver ser de 2(m + n)n variables, m +
n restricciones lineales y m + n restricciones de holgura complementaria.
Min f x c T x x T Qx
s.a. g1 ( x) x 0
g 2 ( x) Ax b 0 - 463 -
Condiciones de Kuhn Tucker
f ( x) c xT (Q QT ) c xT (Q Q T ) A 0
1 Ax b 0
g1 ( x) ... x0
1 x 0
g 2 ( x) AT 0
T ( Ax b) 0
0
Ejemplo: Resolver el siguiente problema de p. cuadrtica por el mtodo de Wolfe:
Max Z = 10x1 + 25x2 10x - x - 4x1x2

Observe que el grado
Sujeto a del trmino 4x1 x2
x1 + 2x2 10 tambin es 2.
x1 + x2 9
x1 0
x2 0
A continuacin se escribe el problema en notacin algebraica, formando la funcin ampliada de

Lagrange la cual incorpora los ponderadores i llamados multiplicadores de Lagrange. De esta
funcin se derivan y verifican las condiciones necesarias y suficientes de Kuhn - Tucker que deben
existir en un ptimo global.
Aplicando los multiplicadores de Lagrange tenemos:
F(x, , ) = 10x1 + 25x2 - 10x - x - 4x1x2 - 1(x1 + 2x2 - 10) - 2(x1 + x2 - 9) - 1(- x1) - 2(- x2)
Las primeras derivadas parciales son:
F
10 - 20x1- 4x2 - 1 - 2 + 1 = 0
x1
F
25 - 2x2 - 4x1 - 21 - 2 + 2 = 0
x 2
El problema de programacin lineal equivalente al original de acuerdo al mtodo Wolfe es:
Min W = v1 + v2
- 464 -
Sujeto a
20x1 + 4x2 + 1 + 2 - 1 + v1 = 10
4x1 + 2x2 + 21 + 2 - 2 + v2 = 25
x1 + 2x2 + y1 = 10
x1 + x2 + y2 = 9
!Restricciones de holgura complementaria:
x11 = 0
x22 = 0
1y1 = 0
2y2 = 0
Utilizando el mtodo Simplex se tiene que la solucin bsica inicial es:
W = - 35; v1 = 10; v2 = 25; y1 = 10; y2 = 9.
En la primera iteracin entra x2 (2 = 0) y sale x1 (es de aclarar que aunque el Simplex escoge 1 y
2 para entrar a la base antes que lo haga x2, 1 y 2 no son aceptables, ya que y1 y y2 son positivos).
El punto extremo luego de recalcular es:
W = - 20; x2 = 5/2; v2 = 20; y1 = 5; y2 = 13/2.
En la tercera iteracin no pueden entrar a la base 1 y 2, y y1 y y2 son positivas; el Simplex elige

a 1 como siguiente candidato a entrar, y a y1 como variable de salida; el punto extremo despus
de iterar es:
W = - 15; x2 = 5; v2 = 15; 1 = 10; y2 = 4.
En la ltima iteracin (v1 = 0 y v2 = 0) debe entrar x1 pero no puede porque 1 es positivo; el

siguiente elemento a entrar a la base es 1 el cual reemplaza a v2. Luego de recalcular (pivotear) el
punto extremo es:
W = 0; x2 = 5; 1 = 15/2; 1 = 35/2; y1 = 4.
La solucin anterior corresponde al ptimo: x1 = 0, x2 = 5; Z* = 100
- 465 -
Los problemas de cartera de mnimo riesgo son aquellos donde un inversor dispone de una cantidad
fija de dinero la cual se desea invertir en varias alternativas. Se sabe que el riesgo es medido por la
varianza del rendimiento ganado por el portafolio, y que las alternativas ms redituables tambin
son aquellas que incorporan el riesgo ms alto. Estos modelos buscan obtener rendimientos altos a
travs de minimizar el riesgo total de las alternativas seleccionadas.
Se trata entonces de seleccionar un portafolio que proporcione el mayor rendimiento aceptable y

cuya varianza de alcanzar ese rendimiento sea mnima. (Markowitz, 1959)
El modelo de cartera de varianza mnima puede ser escrito:
Min xT Qx
Sujeto a
rT x algunos llaman a esta expresin lnea de presupuesto
n
xi
i 1
x0
DONDE: Q es la matriz de varianzas y covarianzas

ri son los rendimientos individuales de los instrumentos de inversin
es el rendimiento o devolucin del portafolio completo.
Recurdese antes las reglas bsicas sobre medias, esperanzas y varianzas de sumas de variables
aleatorias.
Dadas las variables aleatorias:
x1 , x2 , ..., xn
y las constantes:
a, b y k
- 466 -
La esperanza de una suma de variables aleatorias es la suma de las esperanzas de las variables
individuales:
E x1 x2 ... xn E x1 E x2 .... E xn
La varianza de una suma de variables aleatorias es la suma de las varianzas de las variables
individuales ms sus covarianzas:
var x1 x2 ... xn var x1 var x2 ... var xn covxi , x j

i j
La esperanza de una variable aleatoria afectada por una constante k es el producto de la

constante por la esperanza de dicha variable:
E k xi k E xi
La varianza de una variable aleatoria afectada por una constante k es el cuadrado de la

constante por la varianza de dicha variable:
var k xi k 2 var xi
La covarianza de dos variables aleatorias afectadas por dos constantes a y b es el producto de

estas constantes por la covarianza de dichas variables.
covaxi , bx j a b covxi , x j
Ejemplo 1. Cartera de inversin de mnimo riesgo
Una empresa dispone de un capital de $100 000 para invertir en su totalidad en tres ttulos:
Sean r1, r2 y r3 variables aleatorias que corresponde al inters anual para $1.0 invertido en los
ttulos 1, 2 y 3 respectivamente.
Nos dan la siguiente informacin:
De acuerdo a datos histricos, se espera que los rendimientos de estos ttulos sean 0.14, 0.11 y
0.10, por cada dlar invertido, respectivamente. As, si r1 = 0.14 indica que por cada $1.0 invertido
en el ttulo i al inicio del ao, despus de un ao valdr $1.14.
La variabilidad del riesgo de invertir en estos tres ttulos se muestra en la siguiente matriz de
varianzas y covarianzas:
- 467 -
var (r1 ) cov(r1 , r2 ) cov(r1 , r3 ) 0.20 0.05 0.02

cov(r , r ) var (r ) cov(r2 , r3 ) 0.05 0.08 0.03
2 1 2
cov(r3 , r1 ) cov(r3 , r2 ) var (r3 ) 0.02 0.03 0.18
El inversionista desea que el rendimiento anual del portafolio sea de por lo menos 12%.
Formule y resuelva en PC un problema de programacin cuadrtica que proporcione respuestas

acerca de las cantidades de dinero a invertir encada uno de los ttulos y varianza total del portafolio
de inversiones.
Solucin
Sea x j la cantidad de dinero ($) invertida en el ttulo j (j =1, 2, 3).
Se tiene la siguiente informacin:
E r1 0.14; E r2 0.11; E r3 0.10

var (r1 ) 0.20; var (r2 ) 0.08; var (r3 ) 0.18
cov r1 , r2 0.05; covr1 , r3 0.02; covr2 , r3 0.03
El inters o retorno anual de la cartera est dado por:
x1 r1 x 2 r2 x3 r3
100 000
El retorno anual esperado para la cartera o portafolio es:
x1 E r1 x 2 E r2 x3 E r3 0.14 x1 0.11 x 2 0.10 x3

100 000 100 000
Este retorno anual esperado de la cartera debe ser por lo menos 12 %:
0.14 x1 0.11 x 2 0.10 x3 12 000
La varianza de la cartera est definida por la expresin:
Var(x1 r1 + x2 r2 + x3 r3) = var (x1r1) + var (x2 r2) + var (x3r3) + 2cov (x1r1, x2 r2) + 2cov (x1r1, x3 r3)
+ 2cov (x2 r2, x3r3)
= x12 var (r1) + x 22 var (r2) + x32 var ( r3) + 2x1x2cov (r1, r2) + 2x1 x3cov (r1, r3)
+ 2x2 x3cov (r2, r3)
= 0.20 x12 + 0.08 x 22 + 0.18 x32 + 0.10 x1x2 + 0.04 x1x3 + 0.06 x2x3
- 468 -
Entonces, el modelo completo es el siguiente:
Min Z = 0.20 x12 + 0.08 x 22 + 0.18 x32 + 0.10x1x2 + 0.04x1x3 + 0.06x2x3

Sujeto a
0.14 x1 0.11 x 2 0.10 x3 12 000
x1 x 2 x3 100 000
x1 , x 2 , x3 0
La solucin ptima para este problema de programacin cuadrtica es:
x1 38 095.24 , x2 47 619.05 y x3 14 285.71
As, la cartera de varianza mnima que tiene un inters esperado de por lo menos 12%, consiste en
invertir $38 095.24 en el ttulo 1, $47 619.05 en el ttulo 2 y $14 285.71 en el ttulo 3.
La varianza de esta cartera es $752,380,928.
- 469 -
Esta cartera tiene una desviacin estndar de
752380928 $27429.56
La cartera produce un inters esperado de:
[0.14*(38 095.24) + 0.11*(47 619.05) + 0.10*(14 285.71)] /1 00 000 = 0.12 = 12%.
Por cada unidad monetaria invertida, se tendr una retribucin de $0.12.
La edicin y solucin de este problema en LINGO es la siguiente:
Los modelos de equilibrio espacio temporales son aquellos que buscan maximizar una funcin de
bienestar llamada valor social neto (VSN), de tipo cuadrtico que satisface un conjunto de
restricciones de distribucin de la oferta y de abastecimiento de las necesidades de demanda de un
producto homogneo determinado.
Es una extensin del modelo de transporte, pero a diferencia del problema de transporte tradicional,
aqu los datos de las cantidades disponibles de producto en zonas de produccin y de las cantidades
demandadas de producto en zonas de consumo no son datos conocidos, sino que ahora dependen
del precio, esto es, hay una funcin de oferta y una funcin de demanda de ese producto en cada
regin, y estas son determinadas intrnsecamente al resolverse el modelo. Ahora las variables son
adems de los flujos de producto xij, las capacidades o excedentes de produccin xi y las cantidades
requeridas de producto yj.
Funcin de demanda
Pd d wd y d
donde
Pd precio al consumidor en la regin d
yd consumo en la regin d
- 470 -
d 0, wd 0
Funcin de oferta
Ps s s xs
donde
Ps precio al productor en regin s
xs produccin en regin s
s s 0
y 1
rea bajo curva de demanda = 0 (
d y d ) dyd d y d d y d2
d
2
x 1
rea bajo la curva de oferta = 0 ( s s x s ) dxs s x s s x s
2
1 1
Valor Social Neto (VSN) = d y d d y d2 s x s s x s2 - Costos de comercializacin
2 2
VSN = rea bajo curva de demanda

rea bajo curva de oferta
costos de comercializacin
Formulacin del modelo
n n n n
Max VSN = [
d 1
d y d - wd y d2 ] [ s x s + s xs2 ] t sd x sd
s 1 s 1 d 1
- 471 -
Sujeto a
n
x
d 1
sd xs
n
x
s 1
sd yd
X sd 0
Donde:
x sd = cantidad de producto enviado desde la regin s a la regin d.
t sd = costo de transporte de una unidad de producto desde regin s a regin d.
xs = oferta o produccin en la regin s.
y d = consumo o demanda en la regin d.
Por lo que la funcin lagrangeana sera:
n n n n
L(x, y, ) = [ d y d - wd y d2 ] [ s x s + s xs2 ] t sd x sd
d 1 s 1 s 1 d 1
n
n
n
n
s xs xsd d xsd y d
s 1 d 1 d 1 s 1
Donde los i son los multiplicadores indeterminados de Lagrange.
Esta funcin se deriva con respecto a las xs, las yd, los d y los s . Se forman as las condiciones
de primer orden, que en este caso por tratarse de desigualdades las restricciones se les llama las
condiciones de Kuhn - Tucker.
L L
( s s x s )
s 0 , y xs 0 para todo s.
x s precio x s
precio existente
optimo
Para que x s 0, el precio existente debe igualar al

precio ptimo
L L
d Wd y d
d 0 , y yd 0 para todo d
y d precio xd
precio existente optimo
Para que y d 0, el precio existente debe igualar al

precio ptimo
L L
t sd d s 0 , y x sd 0 para todo s, d.
x sd x sd
- 472 -
Para que x sd 0 (que haya comercio), los costos de

transporte t sd debe igualar al diferencial de precios
de equilibrio.
L n
L
x sd y d 0 , y d 0 para todo d
d s 1 d
L n
L
x s x sd 0 , y s 0 para todo s
s d 1 s
Ejemplo. Modelo de Equilibrio Espacial para un producto homogneo; tres regiones, las cuales
pueden ser productoras y consumidoras a la vez, un solo mercado.
Las funciones de demanda para las regiones 1, 2 y 3, respectivamente, son:
P1 = 20 - 0.1y1 P2 = 20 - 0.2y2 P3 = 20 - 0.125y3

1 w1 2 w2 3 w3
Las funciones de oferta para las regiones 1, 2, 3, respectivamente, son:
P1 = 5 + 0.1x1 P2 = 2.5 + 0.05x2 P3 = 5 + 0.1x3

1 1 2 2 3 3
Los costos de transporte son
t11 = 0 t12 = 2 t13 = 2

t21 = 2 t22 = 0 t23 = 1
t31 = 2 t32 = 1 t33 = 0
La funcin objetivo para este problema de tres regiones queda de la siguiente manera:
VSN = [ 1 y1 - w1 y12 + 2 y2 - w2 y22 + 3 y3 - w3 y32 ]
- 473 -
[ 1 x1 + 1 x12 + 2 x2 + 2 x22 + 3 x3 + 3 x32 ]

t11 x11 t12 x12 t13 x13 t 21 x21 t 22 x22 t 23 x23 t 31 x31 t 32 x32 t 33 x33
Por lo que el modelo de equilibrio espacial a resolver es:
Max VSN = [20y1 - (0.1) y12 + 20y2 - (0.2) y 22 + 20y3 - (0.125) y 32 ]

- [ 5x1 + (0.1) x12 + 2.5x2 + (0.05) x 22 + 5x3 + (0.1) x 32 ]
- [ 0x11 + 2x12 + 2x13 + 2x21 +0x22 + x23 + 2x31 + x32 + 0x33 ]
Sujeto a
x11 + x12 + x13 x1
x21 + x22 + x23 x2
x31 + x32 + x33 x3
x11 + x21 + x31 y1
x12 + x22 + x32 y2
x13 + x23 + x33 y3 y1, y2, y3, x1, x2, x3, x11, x12, , x33 0
La funcin Lagrangeana para este problema es:
L(x, y, ) = {[20y1 - (0.1) y12 + 20y2 - (0.2) y 22 + 20y3 - (0.125) y32 ]
- [ 5x1 + (0.1) x12 + 2.5x2 + (0.05) x 22 + 5x3 + (0.1) x 32 ]

- [ 0x11 + 2x12 + 2x13 + 2x21 +0x22 + x23 + 2x31 + x32 + 0x33 ] }
+ s1 [ x1 - x11 - x12 - x13] + s 2 [ x2 - x21 - x22 - x23] + s 3 [ x3 - x31 - x32 - x33]
+ d 1 [ y1 - x11 - x21 - x31] + d 2 [ y2 - x12 - x22 - x32] + d 3 [ y3 - x13 - x23 - x33]
Donde los i son los multiplicadores indeterminados de Lagrange.
Esta funcin se deriva con respecto a las xs, las yd, los d y los s . Se forman as las condiciones
de primer orden, que en este caso por tratarse de desigualdades las restricciones se les llama las
condiciones de Kuhn-Tucker.
L L
20 - 0.1y1 + d 1 = 0 y1 - x11 - x21 - x31 = 0
y1 d 1
L L
20 - 0.2y2 + d 2 = 0 y2 - x12 - x22 - x32 = 0
y 2 d 2
- 474 -
L L
20 - 0.125y3 + d 3 = 0 y3 - x13 - x23 - x33 = 0
y 3 d 3
L L
- 5 - 0.1x1 + s1 = 0 x1 - x11 - x12 - x13 = 0
x1 s1
L L
- 2.5 - 0.05x2 + s 2 x2 - x21 - x22 - x23 = 0
x 2 s 2
L L
- 5 - 0.1x3 + s 3 = 0 x3 - x31 - x32 - x33 = 0
x3 s 3
Entonces se resuelven el sistema de 12 ecuaciones simultneas compuestas, para determinar los

valores de las 21 variables involucradas. Para esta tarea es recomendable auxiliarse de un software
como Lingo, GAMS, Maple, etc.
Explicacin de resultados:
La regin consumidora 1 demanda 92.38 unidades, la regin consumidora 2 demanda 56.19 unidades,
la regin consumidora 3 demanda 81.90. La regin productora 1 debe producir 57.62 unidades de
producto, la regin productora 2 debe producir 125.24 unidades y la regin productora 3 debe
producir 47.62 unidades. La regin productora 1 enva 57.62 unidades a la regin consumidora 1; la
regin productora 2 debe enviar 34.76 unidades a la regin consumidora 1; la regin productora 2
debe enviar 56.19 unidades a la regin consumidora 2; la regin productora 2 enva 34.19 unidades a
la regin consumidora 3; la regin productora 3 enva 47.62 unidades a la regin consumidora 3.
- 475 -
El bienestar social para los productores y consumidores de las tres regiones es de $1,833.21
Anlisis de las condiciones de optimizacin:
Para que Y1 = 92.381 > 0, se tuvo que haber dado que, precio existente igualase a precio ptimo :
1 1 10.762
2 8.762
2
3 9.762
3
si Y1 =92.382 1 1 * y1 1 0
20-0.1(92.381)-10.762 = 0
Muchos problemas consisten en hacer la mejor eleccin de un lugar para establecer una facilty o
instalacin, como puede ser una planta productiva, hospital, aeropuerto, etc., si ya existen estas,
para establecer un almacn, o bodega de distribucin, esto con el fin de minimizar costos de
distribucin. La ubicacin es crtica en muchos casos para el xito del negocio, de ah que es
importante determinar donde establecer las instalaciones para lograr los objetivos de la empresa.
Se utilizan las coordenadas (x, y ) para identificar la ubicacin de una instalacin respecto a un punto
fijo (a, b). Las componentes x, a, representan la longitud o distancia Este - Oeste; las
componente y, y b, representan la longitud Norte - Sur.
Un algoritmo de localizacin trata de encontrar las coordenadas (x, y) de una instalacin nueva que
minimice los costos de transporte hacia una o varias instalaciones ya existentes (ai, bi), con un costo
por unidad de distancia de wi.1
En la solucin del problema es necesario especificar un modelo apropiado de distancia. Se debe tener
claro lo que es distancia, y si la medicin es por tierra o por aire.
1
Leer el siguiente vinculo http://people.brunel.ac.uk/~mastjjb/jeb/or/facloc.html
- 476 -
Si (xi, yi) son las coordenadas de una locacin i y (xj, yj) las coordenadas de una locacin j ,
entonces la medida de distancia en un modelo de localizacin puede ser:
Rectilineal ij = |xi - xj| + |yi - yj|
Euclidiana ij = ( xi x j ) 2 ( yi y j ) 2
Rectangular Euclidiana ij = (xi - xj)2 + (yi - yj)2
Si se dibuja un tringulo rectngulo donde un punto est en un extremo de la hipotenusa y el otro

punto en el otro extremo, la longitud de la hipotenusa ser la distancia Euclidiana y la suma de las
longitudes de los catetos ser la distancia rectangular. Tome en cuenta que en la realidad existen
curvas, subidas y bajadas, etc. As es que se debe escoger la que mejor se acerque a la situacin.
La medicin Euclidiana de distancia es la ms comn, y se usa donde un viaje en lnea recta genuina es
posible. As, si la distancia es por aire, la frmula euclidiana para calcular la distancia en lnea recta es:
D (ai x) 2 (bi y) 2
Los datos ai y bi son las coordenadas de la ubicacin de los centros ya existentes, que se toman como
puntos de referencia. Si son varios puntos o instalaciones ya existentes, hay que sacar la distancia
hacia todos ellos.
La distancia total hacia los puntos ya existentes es la suma:
i 1
(ai x) 2 (bi y) 2
- 477 -
Por lo que la funcin objetivo que hace mnimo el costo de transporte hacia los almacenes es:
n
Min Z = w
i 1
i (ai x) 2 (bi y) 2
Estos problemas podran estar condicionados a que cierta rea de r kilmetros de radio y cuyo centro
son las coordenadas (kx, ky) quede incluida excluida para el establecimiento de la instalacin.
( k x x) 2 ( k y y ) 2 r 2
De lo contrario, si no hay esta condicin, se trata de un problema de optimizacin libre.
Hay que indicar al modelo las coordenadas del rea donde no est permitido que se establezca la
instalacin. La ms indicada para este caso es una ecuacin de distancia circular. As, si la condicin
es no se puede establecer la instalacin en un radio de 2 kilmetros desde el punto de coordenadas
(10, 9), lo que se est excluyendo es el rea del circulo cuyo centro es (h, k) = (10, 9) y su radio es de
2.
El rea comprendida dentro del crculo de exclusin est definida por la inecuacin
( x 10) 2 ( y 9) 2 2 2
Entonces, el modelo a optimizar cuando hay un rea de exclusin es:

n
Min Z = w
i 1
i (ai x) 2 (bi y) 2
Sujeto a
( k x x) 2 ( k y y ) 2 r 2
Donde kx y ky son las coordenadas del centro de un rea que necesariamente debe excluirse como
posible ubicacin de la instalacin. Si fuera un rea de inclusin, el smbolo de desigualdad debera
ser . Si no existe tal rea de exclusin, entonces no hay restricciones, y solo se optimiza la funcin
objetivo.
Obtener la solucin ptima es hallar los valores de las coordenadas (X, Y).
- 478 -
La solucin a estos problemas de localizacin de instalaciones, al ser funciones cuadrticas, se pueden

ser con una gran cantidad de sofwares de programacin no lineal, como Quadratic Programming
(QSB), LINGO, GAMS, EXCEL, etc.
Ejemplo 1.- La empresa de fertilizantes Fermat quiere encontrar la mejor ubicacin para establecer
una nueva planta productiva que haga ms econmicos los costos de distribucin hacia 5 almacenes
ya existentes en la zona. Las coordenadas de estos almacenes y costos unitarios de transporte son los
siguientes:
Instalacin ai (km) bi (km) wi ($/km)

Almacn 1 0 0 5
Almacn 2 3 16 22
Almacn 3 18 2 41
Almacn 4 8 18 60
Almacn 5 20 2 34
Encontrar las coordenadas x, y de la nueva instalacin que haga mnima la suma de los costos de
transporte hacia los puntos (ai, bi).
Observe que la ubicacin de la nueva planta de fertilizantes no est restringida a quedar comprendida
o excluida de un rea especfica. Se trata pues de un problema no restringido.
Entonces, la funcin objetivo es
n
Min Z wi (ai x) 2 (bi y) 2
i 1
5 * (0 x) 2 (0 y) 2 22 * (3 x) 2 (16 y) 2 41* (18 x) 2 (2 y ) 2

60 * (8 x) 2 (18 y ) 2 34 * (20 x) 2 (2 y) 2
En este caso, no hay restriccin acerca de una zona que deba ser excluida.
Las coordenadas ptimas de la nueva expansin son: x = 9.79, y = 13.57.

Con estas coordenadas se obtiene el costo de transporte sustituyendo en la funcin objetivo:
- 479 -
n
Min Z wi (ai x) 2 (bi y) 2
i 1
5 * (0 9.8) 2 (0 13.57) 2 22 * (3 9.8) 2 (16 13.57) 2 41* (18 9.8) 2 (2 13.57) 2

60 * (8 9.8) 2 (18 13.57) 2 34 * (20 9.8) 2 (12 13.57) 2
= $1635.31 costo total detransporte desde y hacia la planta.
La distancia desde la planta hasta los almacenes 1, 2, 3, 4 y 5, son 16.74km, 7.22km, 14.18km, 4.78km
y 15.43km respectivamente.
EDICIN Y SOLUCIN CON EL MDULO LOCATION DE QM-POM
Hay cuatro submdulos disponibles bajo el mdulo de Location de la instalacin. La ubicacin

cualitativa (con ponderacin) se utiliza para asignar ponderaciones a varios factores de localizacin y
puntuaciones a sitios potenciales. El programa calcula la puntuacin ponderada total. La ubicacin
Unidimensional y ubicacin bi-dimensional se utiliza para encontrar el "centro" de un conjunto de
ubicaciones que se especifican mediante coordenadas horizontales (eje X / Este-Oeste) y / o verticales
(eje Y, Norte-Sur). Tambin est disponible un modelo de anlisis del punto de equilibrio para la
ubicacin.
- 480 -
Resultados
Las COORDENADAS PONDERADAS a la derecha son simplemente las coordenadas multiplicadas por los
ponderadores. La fila TOTAL contiene la suma simple, mientras que la fila AVERAGE contiene la coordenada
x y la coordenada y divididas por el nmero de coordenadas, mientras que para las coordenadas
ponderadas son las mismas coordenadas x y y divididas por el peso total.
NOTA: Para distinguir Norte de Sur (o Este de Oeste) usar coordenadas negativas para una de las direcciones.
p.ej. -2 = 2S mientras que 2 = 2N
- 481 -
LOCALIZACIN RESTRINGIDA
La ubicacin de la nueva instalacin podra estar condicionada a que las coordenadas ptimas quede
incluida excluida de una determinada rea o demarcacin con r kilmetros de radio y cuyas
coordenadas de centro (kx, ky), para el establecimiento de la instalacin.
( k x x) 2 ( k y y ) 2 r 2
Hay que indicar al modelo las coordenadas del rea no permitida. Para tal efecto se usa una ecuacin
de distancia circular. As, si la condicin es no se puede establecer la instalacin en un radio de 2
kilmetros desde el punto de coordenadas (10, 9), lo que se est excluyendo es el rea del circulo
cuyo centro es (h, k) = (10, 9) y su radio es de 2.
El rea comprendida dentro del crculo de exclusin est definida por la inecuacin
( x 10) 2 ( y 9) 2 2 2
Entonces, el modelo a optimizar cuando hay un rea de exclusin es:

n
Min Z = w
i 1
i (ai x) 2 (bi y) 2
Sujeto a
- 482 -
( k x x) 2 ( k y y ) 2 r 2
Donde kx y ky son las coordenadas del centro de un rea que necesariamente debe excluirse como
posible ubicacin de la instalacin. Si fuera un rea de inclusin, el smbolo de desigualdad debera
ser .Qu pasa si P debe estar comprendido entre una regin especifica?
Ejemplo 2.- La compaa Trucko tiene cinco nuevos clientes, y desea establecer un nuevo
warehouse para atender mediante envos de producto a estos clientes. Las posiciones de estos
cinco clientes en el plano X - Y son (5, 10), (10, 5), (0, 12), (12, 0) y (2,4). Se asume que los envos a
los clientes no pueden ser combinados en un mismo viaje. Determine las coordenadas ptimas dnde
debera ubicarse el nuevo warehouse que garantice que la distancia total recorrida por los camiones
transportistas sea mnima.
Procedamos primero a obtener las coordenadas ptimas de la ubicacin an sin limitantes:
Solucin Con El Paquete LINGO:
Las coordenadas donde debe construirse el almacn son (x, y) = (5.4, 6.7).
Ahora considere esta restriccin: El nuevo warehouse debe quedar excluido del rea de radio 3 del
centro cuyas coordenadas son (5, 5). Explique nuevamente los resultados.
- 483 -
La representacin grfica (pictorial) de la situacin anterior es la siguiente:
En la figura anterior se aprecia la nueva ubicacin del almacn, que satisface la condicin de no estar
dentro del rea del crculo de radio 3 y centro (5,5). Se observe que la distancia total aumenta, aunque
marginalmente: de 29.54 km. aumenta a 29.85 km.
Fuentes de informacin:
Winston, Wayne L., Investigacin de Operaciones, Grupo Editorial Iberoamrica, S. A. De C.
V., Mxico, 1.994, ISBN 970-625-029-8.
- 484 -

Nota Programacion Cuadratica

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Nota Programacion Cuadratica

Uploaded by

Copyright:

Available Formats

Introduccin a la Programacin Matemtica Programacin Cuadrtica

El modelo general de programacin cuadrtica (QP), se representa de la siguiente manera:

El modelo general de QP, representado en forma matricial es:

donde: cj = precios netos; bi es el vector de disponibilidades o requerimientos; aij son los

Note que comparte muchos elementos con la programacin lineal.

Ejemplos de funciones cuadrticas son

Cualquier funcin cuadrtica que se someta a un conjunto de restricciones lineales se convierte en un

Aplicaciones de la Programacin Cuadrtica en Ciencias Econmico-Administrativas.

Aplicaciones tpicas son:

Mtodos de solucin de problemas de P. Cuadrtica

El punto ptimo de los problemas cuadrticos no siempre ocurre en un punto extremo.

En ese punto, Z* = x - 6x1 + x - 8x2 + 25

Solucin de Problemas Mediante el Mtodo de Wolfe

Condiciones de Kuhn Tucker

Max Z = 10x1 + 25x2 10x - x - 4x1x2

A continuacin se escribe el problema en notacin algebraica, formando la funcin ampliada de

Aplicando los multiplicadores de Lagrange tenemos:

Las primeras derivadas parciales son:

El problema de programacin lineal equivalente al original de acuerdo al mtodo Wolfe es:

Utilizando el mtodo Simplex se tiene que la solucin bsica inicial es:

W = - 35; v1 = 10; v2 = 25; y1 = 10; y2 = 9.

W = - 20; x2 = 5/2; v2 = 20; y1 = 5; y2 = 13/2.

En la tercera iteracin no pueden entrar a la base 1 y 2, y y1 y y2 son positivas; el Simplex elige

W = - 15; x2 = 5; v2 = 15; 1 = 10; y2 = 4.

En la ltima iteracin (v1 = 0 y v2 = 0) debe entrar x1 pero no puede porque 1 es positivo; el

La solucin anterior corresponde al ptimo: x1 = 0, x2 = 5; Z* = 100

Se trata entonces de seleccionar un portafolio que proporcione el mayor rendimiento aceptable y

El modelo de cartera de varianza mnima puede ser escrito:

DONDE: Q es la matriz de varianzas y covarianzas

Dadas las variables aleatorias:

var x1 x2 ... xn var x1 var x2 ... var xn covxi , x j

La esperanza de una variable aleatoria afectada por una constante k es el producto de la

La varianza de una variable aleatoria afectada por una constante k es el cuadrado de la

La covarianza de dos variables aleatorias afectadas por dos constantes a y b es el producto de

Ejemplo 1. Cartera de inversin de mnimo riesgo

Nos dan la siguiente informacin:

var (r1 ) cov(r1 , r2 ) cov(r1 , r3 ) 0.20 0.05 0.02

cov(r3 , r1 ) cov(r3 , r2 ) var (r3 ) 0.02 0.03 0.18

Formule y resuelva en PC un problema de programacin cuadrtica que proporcione respuestas

Sea x j la cantidad de dinero ($) invertida en el ttulo j (j =1, 2, 3).

Se tiene la siguiente informacin:

E r1 0.14; E r2 0.11; E r3 0.10

El inters o retorno anual de la cartera est dado por:

x1 E r1 x 2 E r2 x3 E r3 0.14 x1 0.11 x 2 0.10 x3

Este retorno anual esperado de la cartera debe ser por lo menos 12 %:

0.14 x1 0.11 x 2 0.10 x3 12 000

La varianza de la cartera est definida por la expresin:

Entonces, el modelo completo es el siguiente:

Min Z = 0.20 x12 + 0.08 x 22 + 0.18 x32 + 0.10x1x2 + 0.04x1x3 + 0.06x2x3

La solucin ptima para este problema de programacin cuadrtica es:

x1 38 095.24 , x2 47 619.05 y x3 14 285.71

La varianza de esta cartera es $752,380,928.

Esta cartera tiene una desviacin estndar de

La cartera produce un inters esperado de:

[0.14*(38 095.24) + 0.11*(47 619.05) + 0.10*(14 285.71)] /1 00 000 = 0.12 = 12%.

Por cada unidad monetaria invertida, se tendr una retribucin de $0.12.

La edicin y solucin de este problema en LINGO es la siguiente:

VSN = rea bajo curva de demanda

Formulacin del modelo

Por lo que la funcin lagrangeana sera:

Donde los i son los multiplicadores indeterminados de Lagrange.

Para que x s 0, el precio existente debe igualar al

Para que y d 0, el precio existente debe igualar al

Para que x sd 0 (que haya comercio), los costos de

[0.14(38 095.24) + 0.11(47 619.05) + 0.10*(14 285.71)] /1 00 000 = 0.12 = 12%.