Beruflich Dokumente
Kultur Dokumente
Ramn Cant Cuellar. (1996). Programacin no Lineal. San Nicolas de los Garza: Sin.
Optimizacin no restringida.
Optimizacin linealmente restringida.
Programacin cuadrtica
Programacin convexa.
Programacin separable.
Programacin no convexa.
Programacin geomtrica.
Programacin fraccional.
Problema de complementariedad.
Informacin recuperada de:
https://karenbandala.wordpress.com/unidad-iii/3-3- problemas-no-restringidos-
programacion-no-lineal/
OPTIMIZACIN NO RESTRINGIDA
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 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
necesaria (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 suficiente para que x= 0 sea ptima.
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.
PROGRAMACIN NO CONVEXA
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 deprogramacingeo- mtrica. 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 smplex. 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.
http://www.eurodecision.es/optimisation-lineaire
() <= 0 = 1, ,
x vector de nmeros reales que representan las variables de decisin
Las tcnicas para resolver los problemas matemticos y los resultados de los
algoritmos de optimizacin dependen de la naturaleza de la funcin objetivo y de las
restricciones.
La programacin lineal trata los casos en los que f(x) y gj(x) son lineales. El algoritmo
del Simplex o los mtodos del punto interior permiten resolver problemas de gran
tamao (algunos con miles o millones de variables y decenas de miles de restricciones).
La programacin cuadrtica trata el problema en el que la funcin objetivo f(x) es
cuadrtica, y las restricciones gj(x) son lineales. Existen algoritmos eficaces para tratar
este caso particular, por ejemplo en las problemticas de optimizacin de carteras
financieras.
La programacin estocstica y la optimizacin robusta tratan situaciones en las
que algunos parmetros son variables aleatorias o imprecisas (marco de la
optimizacin robusta).
La programacin dinmica es un mtodo til para los casos en los que una solucin
ptima se divide en sub-soluciones optimales (propiedad utilizada por ejemplo para
buscar los caminos ms cortos en los grficos) y de caminos ms cortos con
restricciones (algoritmos utilizados en los mtodos de generacin de columnas para
resolver sub-problemas asociados en componentes como LP-ShiftPlanner).
La programacin no lineal analiza la problemtica general en la que el objetivo f(x) o
las restricciones gj(x) (o los dos) son funciones no lineales.
Conclusin
Fuentes:
Investigacin de Operaciones.net. (2014) Qu es la Programacin No Lineal? Febrero 02,
2017, de Investigacin de Operaciones.net Sitio web
Ramn Cant Cuellar. (1996). Programacin no Lineal. San Nicolas de los Garza: Sin.