.

1 Problemas de programacin no lineal

Planteamiento del problema de Programacin No Lineal.
El objeto de las siguientes secciones es definir una serie de conceptos relacionados con el
problema general de programacin no lineal, as como el estudio de las relaciones existentes
entre cada uno de ellos y la solucin de dicho problema.
Los conceptos que estudiaremos sern los siguientes:
Punto estacionario, en la seccin 3.
Punto minimax, ntimamente relacionado con el concepto de dualidad, y que se estudiar en la
seccin 4.
Veremos que, en general, ser ms directa la demostracin de la suficiencia de estas
condiciones para asegurar que tenemos una solucin del problema que la de la necesariedad de
las mismas, para las que habr que imponercondiciones de regularidad sobre las restricciones
del problema, que llamaremos cualificaciones de restricciones. En esta seccin se enuncian
varias cualificaciones de restricciones y se estudia la relacin entre ellas. En general, los
resultados que se obtienen generalizan los dados en la seccin anterior para los problemas con
restricciones de igualdad, en el sentido de la existencia de condiciones de primer orden que
implican a las primeras parciales de la funcin de Lagrange asociada al problema, y condiciones
de segundo orden que suponen convexidad de ciertas funciones.
Un problema general de programacin no lineal consiste en encontrar los valores de ciertas
variables que maximizan o minimizan una funcin dada, dentro de un conjunto definido por una
serie de restricciones de desigualdad, de forma que no hay aseguradas condiciones de linealidad
ni sobre la funcin a optimizar ni sobre las funciones que definen el conjunto dentro del cual
buscamos dicho ptimo.

donde:

y son ambas al menos de clase dos en todo su dominio.

El conjunto de oportunidades X es el conjunto en el cual maximizamos la funcin, es decir, la
interseccin entre el dominio de las funciones del problema y el conjunto determinado por las
restricciones. As,
donde
X = { x D / g(x) b },
b = (b1 ,, bm).
Este tipo de problemas es muy representativo de las circunstancias en las que se desenvuelve la
actividad econmica. Normalmente, se dispone de cantidades limitadas de recursos, pero sin la
obligacin de emplearlas en su totalidad, si ello no resultase adecuado. Por consiguiente, es
posible pensar en soluciones factibles y ptimas que no saturen necesariamente todas las
restricciones, dejando un excedente inutilizado del recurso cuya disponibilidad limitan.
Se debe tener en cuenta sin embargo, en relacin con el problema formulado, que el sentido de
las desigualdades () es nicamente cuestin de convenio. Una restriccin con la desigualdad
contraria puede reducirse a una del tipo anterior sin ms que multiplicar por (1). Por otra parte, una restriccin de igualdad puede reemplazarse por dos de desigualdad, por
ejemplo, g(x) = b se convierte en g(x) b y g(x) b. O bien puede ser tratada directamente,
sin restringir el signo del multiplicador correspondiente.
En ocasiones, para que el problema sea econmicamente significativo, es necesario que las
variables instrumentales sean no negativas, es decir, x 0. Ms adelante en este captulo,
daremos un tratamiento especfico a estas restricciones.
Asociadas al problema de maximizacin, podemos definir la siguiente funcin, muy importantes
en lo que sigue:
Funcin de Lagrange L:
L : D Rm+ R
L(x, ) = f(x) t[g(x) b] 1,
donde Rm+ es el vector de multiplicadores asociado al bloque de restricciones del
problema, tambin denominados multiplicadores de Kuhn-Tucker.
Dado un vector b Rm, si llamamos x0(b) a la correspondiente solucin del problema
de programacin no lineal, se puede demostrar, anlogamente a lo que vimos en el caso con
restricciones de igualdad, que, para cada j = 1, , m, anterior, una disminucin del valor
de bj originara un aumento del valor de la funcin objetivo en el mximo, para un conjunto de

oportunidades que es un subconjunto del de partida, lo que estara en contradiccin con que x0
fuera el mximo del problema original.
Al objeto de analizar en profundidad las propiedades del problema de programacin no lineal,
ser necesario en algunos casos distinguir entre las restricciones que se verifican con igualdad
en el ptimo y las que se verifican con desigualdad estricta. As, diremos que la restriccin gi(x)
bi es activa en un punto factible x0 (o que x0 satura dicha restriccin), si verifica gi(x0)= bi.

Ejemplos de Programacin No Lineal

Ejemplo N 1
A una compaa le cuesta c UM por unidad fabricar un producto. Si la compaa cobra p UM por
unidad de producto, los clientes pedirn unidades. Para maximizar las ganancias, qu precio
tendra que poner la compaa?

Solucin
La variable de decisin de la empresa es p
Dado que la ganancia de la empresa es , la empresa querr resolver el siguiente problema de
maximizacin sin restriccin:

Ejemplo N 2
Si

se

utilizan K unidades

de

capital

y L unidades

de

trabajo,

una

compaa

puede

producir KL unidades de un bien manufacturado. Se puede conseguir el capital a 4 UM/unidad y

el trabajo a 1 UM/unidad. Se dispone de un total de 8 UM para contratar capital y trabajo. Cmo
puede la compaa maximizar la cantidad de bienes que se pueden fabricar?

Solucin
Sea

K = unidades de capital contratadas y

L = unidades de trabajo compradas
entonces K y L deben satisfacer
Por lo tanto, la compaa quiere resolver el siguiente problema de maximizacin restringido:
Problemas de programacin no lineal.

Solucin:
En general en la resolucin de un problema de programacin no lineal seguiremos una serie de
pasos:
En primer lugar intentaremos representar grficamente nuestro conjunto de oportunidades y las
curvas de nivel de la funcin objetivo.
El segundo paso consistir en comprobar la aplicabilidad de los Teoremas de Weierstrass y Local
Global, de tal forma que podamos tener seguridad de la existencia de solucin global a nuestro
problema, y si dichas soluciones que obtengamos con las tcnicas aplicadas son las soluciones
globales.
En tercer lugar obtendremos las soluciones a nuestro problema mediante las condiciones de
punto estacionario, aunque en este caso podemos seguir dos vas para la resolucin del sistema
que se genera. Una, corresponde a la resolucin de dicho sistema teniendo en cuenta las
distintas ramas que se presenten y otra, basada en la determinacin, con la ayuda de la
representacin grfica, de las restricciones activas en el ptimo y reducir de esa manera las
distintas posibilidades del caso anterior.
Posteriormente deben analizarse las condiciones de segundo orden tanto necesaria como
suficientes, para poder afirmar si dichos puntos estacionarios son ptimos, y si lo son, si son
locales o globales.
El conjunto de oportunidades, como podemos observar en la grfica, es un conjunto cerrado,
acotado, convexo y no vaco, mientras que la funcin objetivo es continua y convexa, luego por

el Teorema de Weierstrass podemos asegurar que existe un mnimo global y por el Teorema Local
Global, todo mnimo local es global.
En consecuencia, nos bastara con determinar los mnimos locales y directamente obtendremos
los globales pero, como se verifican las condiciones suficientes para que un punto estacionario
sea mnimo global, slo necesitamos encontrar los puntos estacionarios.
Para ello, podemos hacerlo de dos formas posibles, directamente a travs de las condiciones de
punto estacionario, o bien, a travs de la grfica analizando las restricciones activas en el
mnimo. Veamos los dos procedimientos comenzando por el de punto estacionario.
Para resolver el problema a travs de las condiciones de punto estacionario, para construir la
funcin de Lagrange deberemos modificar nuestra funcin objetivo de acuerdo con la relacin:
Min (x 3)2 + (y 1)2 = Max (x 3)2 (y 1)2
Y entonces, la funcin de Lagrange vendr dada por
L ( x, y,

1 ,

2 )

= ( x 3)

(y

1)

2 1 ( x+ y 2 9)

2 (

5x + y)

Observemos que la segunda restriccin ha debido adaptarse a la forma .

Las condiciones de punto estacionario vienen dadas por:

El conjunto de oportunidades, como podemos observar en la grfica, es un

conjunto cerrado, acotado, convexo y no vaco,mientras que la funcin objetivo es
continua
y
convexa, luego por
elTeorema de Weierstrass podemos
asegurar que existe un mnimo global y por el Teorema Local Global, todo mnimo
local es global.
En consecuencia, nos bastara con determinar los mnimos locales y directamente
obtendremos los globales pero, como severifican las condiciones suficientes para que un
punto estacionario sea mnimo global, slo necesitamos encontrar los puntos
estacionarios.
Para ello, podemos hacerlo de dos formas posibles, directamente a travs de las
condiciones de punto estacionario, obien, a travs de la grfica analizando las
restricciones activas en elmnimo. Veamos los dos procedimientos comenzando por el de
punto estacionario.

Para resolver el problema a travs de las condiciones de punto estacionario, para

construir la funcin de Lagrange deberemosmodificar nuestra funcin
objetivo
de
acuerdo con la relacin:
Min (x 3)2 + (y 1)2 = Max (x 3)2 (y 1)2
Y entonces, la funcin de Lagrange vendr dada por
L ( x, y, 1 , 2 ) ( x 3)

( y 1) 2 1 ( x y 2 9) 2 ( 5 y)
Observemos que la segunda restriccin ha debido adaptarse a la forma.
Las

condiciones

de

punto

estacionario

vienen

dadas

por:

Para resolver ese sistema que contiene ecuaciones e inecuaciones comenzaremos resolviendo
las ecuaciones y posteriormente, comprobaremos el cumplimiento de las inecuaciones. As,
determinaremos los puntos que verifican (1), (2), (5) y (6). Para ello, pueden formarse cuatro
sistemas que vienen dados por las ecuaciones (1), (2), (5a) o (5b) y (6a) o (6b). Posteriormente,
comprobaremos si las soluciones verifican las inecuaciones (3), (4), (7) y (8) y dichos puntos
sern los puntos estacionarios para nuestro problema de mnimo.
Pasamos a estudiar cada una de las cuatro posibilidades que surgen al combinar las distintas
ramas.

a) 1 = 2 = 0-2(x-3) = 0 x = 3-2(y-1) = 0 y = 1
Punto

que

no

verifica

la

primera

restriccin

luego

no

sera

factible.

b) 1 = 0 5 x + y = 2( x 3)-2(x-3) +

5 2 = 0 2 = 5-2(y-1) 2 = 0 2 = 2( y 1)

Igualando las dos expresiones que surgen para 2 y despejando la variable x

obtenemos que

INTRODUCCION
La Programacin no Lineal (PNL) es una parte de la Investigacin Operativa cuya misin es
proporcionar una serie de resultados y tcnicas tendentes a la determinacin de puntos ptimos
para una funcin (funcin objetivo) en un determinado conjunto (conjunto de oportunidades),
donde tanto la funcin objetivo, como las que intervienen en las restricciones que determinan el
conjunto de oportunidades pueden ser no lineales. Evidentemente, la estructura del problema
puede ser muy variada, segn las funciones que en l intervengan (a diferencia de la
Programacin Lineal (PL) donde la forma especial del conjunto de oportunidades y de la funcin
objetivo permiten obtener resultados generales sobre las posibles soluciones y facilitan los
tratamientos algortmicos de los problemas). Ello ocasiona una mayor dificultad en la obtencin
de resultados, que se refleja tambin en la dificultad de la obtencin numrica de las soluciones.
En este sentido, hay que distinguir entre las diversas caracterizaciones de ptimo, que slo se
emplean como tcnicas de resolucin en problemas sencillos, y los mtodos numricos
iterativos, cuyo funcionamiento se basa en estas caracterizaciones, para la resolucin de
problemas ms generales.
El tema que abordamos est compuesto por los siguientes epgrafes: en la seccin 1, aparte de
esta introduccin, definimos el problema general de Programacin no Lineal que estudiamos, y
daremos las definiciones y resultados bsicos que se emplearn a lo largo de todo el tema.
Asimismo, se recuerda el estudio de los problemas irrestrictos (PI) y de los problemas con
restricciones de igualdad (PRI). La seccin 2 se dedica a establecer y dar los conceptos bsicos
de los problemas con restricciones de desigualdad (PRD), mientras que la seccin 3 estudia la
resolucin de estos problemas a travs de la definicin de punto estacionario, y algunas de sus
variaciones para casos especiales. Con la utilizacin del llamado punto minimax, se aborda en la
seccin 4 el concepto de dualidad en Programacin Matemtica.
El problema general de Programacin no Lineal que estudiaremos a lo largo de todo el tema
toma la siguiente forma:
donde:
x = (x1, x2, , xn) Rn es la variable instrumental o de decisin.
f : D Rn R es la funcin objetivo, es decir, aquella que se desea optimizar (en este caso,
maximizar), y D su dominio.

g : D Rn Rm es una funcin vectorial g = (g1, g2, , gm) compuesta por las funciones de
restriccin.
b Rm

es

el vector de trminos independientes,

o recursos.

Cada expresingi(x)

bidetermina una restriccin sobre las variables instrumentales.

Se denomina conjunto de oportunidades del problema, o conjunto factible al conjunto de
puntos de D que satisfacen las restricciones del problema, es decir,
X = {x D / g(x) b}
Una combinacin de variables instrumentales x se dice que es factible para el problema (PNL) si
pertenece a X.
As pues, el problema (PNL) consiste en encontrar las variables de decisin factibles para el
problema para las cuales la funcin objetivo tome el mayor valor posible. Si para un punto, la
funcin objetivo toma el valor mximo de todos los puntos situados en algn entorno suyo, se
dice que el mximo es local. Si se encuentra un punto que produce el valor mximo de f en todo
el conjunto de oportunidades, el mximo es global:
Definicin 1.
Un punto x* X se dice que es un mximo local de (PNL) si existe un entorno de
x*, E(x*) tal que x E(x*) X, se verifica f(x*) f(x).
Definicin 2.
Un punto x* X se dice que es un mximo global de (PNL) si x X, se verifica
f(x*) f(x).
Es importante tener en cuenta que esta formulacin del problema no supone prdida de
generalidad,

ya

que

si

el

objetivo

fuese

minimizar

la

funcin

objetivo,

se

puede

maximizar su opuesta. Por otro lado, cualquier restriccin con se puede convertir en una de
sin ms que cambiar de signo, y las restricciones de igualdad se pueden descomponer en dos,
con las dos desigualdades. No obstante, tambin enunciaremos los resultados ms importantes
para el problema de mnimo.

Antes de pasar a estudiar los diferentes tipos de problemas, vamos a enunciar dos teoremas
cuya utilidad es crucial en el tema que nos ocupa. Ambos estn orientados a poder asegurar la
globalidad de los ptimos obtenidos. En efecto, veremos que la casi totalidad de los mtodos y
caracterizaciones empleados en la resolucin de problemas no lineales slo nos garantizan la
obtencin de ptimos locales. El primero de los teoremas que enunciamos (Teorema de
Weierstrass) nos da las condiciones bajo las cuales podemos asegurar la existencia de ptimos
globales en un problema. El segundo (Teorema Local Global) nos proporciona las condiciones
que nos permiten afirmar que un ptimo local es global. La demostracin de ambos teoremas
puede encontrarse en Caballero, Gonzlez y Triguero (1992):
Teorema 1. Teorema de Weierstrass.
Dado el problema (PNL), si el conjunto de oportunidades X es compacto y no vaco, y la funcin
objetivo f es continua en X, entonces el problema (PNL) posee mximo y mnimo globales.
Teorema 2. Teorema Local Global.
Dado el problema (PNL), si el conjunto de oportunidades X es convexo, y la funcin objetivo f es
continua y cncava (resp. convexa) en X, entonces cualquier mximo (resp. mnimo) local de
(PNL) es global.

sujeto a:
Como en la programacin lineal z es el funcional del problema de programacin no lineal y

son las restricciones del problema de programacin no lineal.

Un problema de programacin no lineal es un problema de programacin no lineal no
restringido.
El conjunto de puntos , tal que es un nmero real, es
, entonces, es el conjunto de los nmeros reales.
Los siguientes subconjuntos de (llamados intervalos) sern de particular inters:

Y en forma anloga a las definiciones de la programacin lineal.

Supngase que (1) es un problema de maximizacin.

Por supuesto, si son funciones lineales, entonces (1) ser un problema de programacin lineal y
puede resolverse mediante el algoritmo simplex.

Cion de opera
Ciones