Guı́a Ejercicios

Gestión de Investigación de Operaciones

ILN-250 - 1◦ semestre 2018
MAN U AL DE I D E N T ID A D V I SU AL CO R PO RATI VA 13
Profesores: Pablo Escalona - Jorge Weston
Ayudantes: Diego Araya - Francisca Recabarren - Bárbara Saavedra

Problema 1

Suponga que una compañı́a desea determinar la ruta de mı́nimo costo que conecta al nodo
s (nodo origen) con el nodo t (nodo destino) que satisfaga la condición de no demorarse
más de T unidades de tiempo.
Sea P el conjunto de caminos que conectan s con t, cp el costo asociado a la ruta
p ∈ P y tp el tiempo asociado a utilizar la ruta p ∈ P . Sea xp una variable binaria que
toma el valor 1 si la ruta p ∈ P corresponde a la ruta de mı́nimo costo que satisface la
restricción de tiempo, y 0 en todo otro caso. La situación planteada se puede modelar
según el siguiente problema lineal entero:
 X
 Min cp xp

 x


 p∈P
X


 s.t xp = 1
(RSP ) p∈P
X




 tp xp ≤ T

 p∈P


xp ∈ {0, 1} , ∀p ∈ P.

(a) Formule la relajación lineal del problema (RSP ), interpretando el significado de la

función objetivo y de las restricciones.

(b) Formule el problema dual de la relajación lineal del problema (RSP ).

(c) (Propuesto) La restricción de tiempo máximo permitido puede ser eliminada me-
diante un pre-procesamiento del conjunto P . Considere ahora el conjunto P 0 = {p ∈
P : tp ≤ T }, quedando el siguiente problema de Ruta Mı́nima:

 X
 Min cp xp

 x

 p∈P 0
X
(RSP − 2) s.t xp = 1

p∈P 0



xp ∈ {0, 1} ∀p ∈ P 0 .

,

¿Es la relajación LP de (RSP − 2) la envoltura convexa de sı́ mismo? Justifique.

Solución.

(a) La relajación lineal de (RSP ) se muestra a continuación:

1
  X
 Min cp xp

 x


 p∈P
X


 s.t xp = 1
(RSPLR ) p∈P
X




 t p xp ≤ T

 p∈P


0 ≤ xp ≤ 1 , ∀p ∈ P

Nótese que Xdado que se trata de un problema de minimización, y considerando la

restricción xp = 1, la naturaleza de la variable puede escribirse como xp ≥
p∈P
0 ; ∀p ∈ P . Luego, sin pérdida de generalidad, (RSPLR ) puede reescribirse como:
 X
 Min cp xp

 x


 p∈P
X


 s.t xp = 1
(RSPLR ) p∈P
X




 t p xp ≤ T

 p∈P


xp ≥ 0 , ∀p ∈ P

La función objetivo del problema representa minimizar el costo de transporte entre

el nodos s y el nodo t. La restricción 1 significa que solo una ruta corresponde a
aquella de mı́nimo costo que cumple con la restricción temporal, mientras que la
segunda restricción indica que no se puede superar el limite de tiempo T . La última
restricción corresponde a la naturaleza de la variable x.

(b) El problema dual de (RSPLR ) tendrá tantas variables como restricciones tenga el
primal (en este caso dos), y tantas restricciones como variables tenga el primal (en
este caso |P | restricciones). Sea (D −RSPLR ) el problema dual de la relajación lineal
de (RSP ), tal que:

 Max y1 + T y2


 y

(D − RSPLR ) s.t y1 + tp y2 ≤ cp , ∀p ∈ P


 y1 ∈ R
y2 ≤ 0


Problema 2 (propuesto)

Suponga el problema de asignar n trabajadores a n tareas según una relación de 1 es a

1. Considere que el problema puede representarse según una red G(N, A), donde N es el
conjunto de nodos de la red (trabajadores y tareas) y A es el conjunto de arcos factibles
que unen a los nodos. Sea aij , (i, j) ∈ A el beneficio asociado a asignar un trabajador i a
una tarea j. El problema planteado se puede modelar según:
 X
 Max aij xij
x



 (i,j)∈A

 X
s.t xij = 1 , ∀i = 1, ..., n.



(P ) j:(i,j)∈A
 X
xij = 1 , ∀j = 1, ..., n.







 i:(i,j)∈A
xij ∈ {0, 1} , ∀(i, j) ∈ A.


(a) Formule la relajación lineal del problema (P ), interpretando el significado de la

función objetivo y de las restricciones.

2
 (b) Formule el problema dual de la relajación lineal del problema (P ).

Problema 3

Usted ha sido contratado por una importante empresa, la cual se encuentra trabajando
en su plan de inversiones para el próximo año. Para ello, se debe determinar en qué pro-
yectos invertir y qué ejecutivos asignar a cada proyecto. Considere que se cuenta con un
conjunto de M proyectos, y un conjunto de N ejecutivos. Se debe asignar al menos un eje-
cutivo a cada proyecto. Sin embargo, no todos los ejecutivos están capacitados para llevar
a cabo los proyectos, por lo que el departamento de Recursos Humanos de la empresa ha
construı́do un parámetro aij que toma valor 1 si el ejecutivo i ∈ N puede ser asignado al
proyecto j ∈ M .
Para confeccionar el plan óptimo de asignación, se deben cumplir ciertas condiciones.
A saber:

(i) Para cada proyecto j ∈ M existe un conjunto indexado Ej de proyectos que no

pueden ser realizados y viceversa. Esto quiere decir, que si se realiza el proyecto j,
no puede realizarse ningún proyecto del conjunto Ej , y si se realiza algún proyecto
en Ej , no puede realizarse el proyecto j.

(ii) Para cada proyecto j ∈ M existe un conjunto indexado Ij de proyectos que deben
ser realizados. Es decir, si se realiza el proyecto j deben realizarse todos los en Ij , y
si no se realiza algún proyecto en Ij , entonces no puede realizarse el proyecto j.

(iii) Para cada proyecto j existe un conjunto Rj de proyectos que deben ser realizados
como requisito. Es decir, para que se realice el proyecto j, deben realizarse todos los
proyectos en Rj .

(iv) Para cada proyecto j existe un conjunto Sj de proyectos que son requisitos opcionales.
Es decir, para que el proyecto j sea realizado, debe realizarse al menos un proyecto
de Sj .

Además de lo anterior, se sabe que un proyecto i ∈ M requiere una inversión de pj

unidades monetarias, teniendo una rentabilidad esperada de uj unidades monetarias. Se
debe elegir un plan de proyectos que tenga una rentabilidad mı́nima de U unidades mone-
tarias, sin gastar más allá de un presupuesto P unidades monetarias. Suponga que a cada
ejecutivo contratado se le debe cancelar un sueldo cj . Formule un problema de programa-
ción entera que permita minimizar el costo total de contratación de ejecutivos.

Solución.
Conjuntos
M : Conjunto de proyectos.
N : Conjunto de ejecutivos.
Ej : Conjunto de proyectos excluyentes.
Ij : Conjunto de proyectos incluyentes.
Rj : Conjunto de proyectos pre-requisito.
Sj : Conjunto de proyectos opcionales.
Parámetros
aij : 1, si el ejecutivo i ∈ M puede ser asignado al proyecto j ∈ N ; 0, ∼.
U : rentabilidad mı́nima esperada.
P : presupuesto máximo de contratación de ejecutivos.
pj : inversión necesaria para realizar proyecto j ∈ N .
uj : rentabilidad esperada del proyecto j ∈ N .
ci : costo de contratación del ejecutivo i ∈ M .

3
Variables
yi : 1, si se contrata el ejecutivo i; 0, ∼.
zj : 1, si se realiza el proyecto j; 0, ∼.
xij : 1, si se asigna el ejecutivo i al proyecto j; 0, ∼.
Restricciones
Restricción 1: Proyectos excluyentes.

zk + zj ≤ 1 , ∀k ∈ Ej , j ∈ M. (1)

Restricción 2: Proyectos incluyentes.

zj ≤ zk , ∀k ∈ Ij , j ∈ M. (2)

Restricción 3: Proyectos pre-requisito.

X
zk ≥ zj |Rj | , ∀j ∈ M. (3)
k∈Rj

Restricción 4: Proyectos opcionales (al menos uno debe realizarse).

X
zk ≥ zj , ∀j ∈ M. (4)
k∈Sj

Restricción 5: Rentabilidad mı́nima.

X
zj uj ≥ U (5)
j∈M

Restricción 6: Inversión máxima.

X
zj pj ≤ P (6)
j∈M

Restricción 7: Compatibilidad de proyectos.

X
xij aij ≥ zj , ∀j ∈ M. (7)
i∈N

Restricción 8: No se puede asignar a un ejecutivo aun proyectos, a menos que se realice

dicho proyecto.
xij ≤ yi , ∀i ∈ N, j ∈ M. (8)

Restricción 9: Naturaleza de las variables.

yi , zj , xij ∈ {0, 1} , ∀i ∈ N, j ∈ M. (9)

Función objetivo

X
Min ci yi (10)
i∈N

Problema 4 (propuesto)

Una determinada empresa forestal puede produce L productos distintos y tiene I plan-
tas productoras ubicadas en diferentes zonas, siendo Sit la capacidad de total de producción
de la planta i (i = 1, ..., I) en el periodo t (t = 1, ..., 5) sin importar de que tipo de pro-
ducto se trate. El tipo de producto l tiene un costo de producción de Pl sin importar la

4
planta en que se fabrique ni el perı́odo en cuestión. Los productos son demandados por J
ciudades diferentes, siendo Dljt la demanda de la ciudad j (j = 1, ..., n), por el producto
l (l = 1, ..., L), en el periodo t. Las demandas deben ser satisfechas perı́odo a perı́odo.
Como no existe la posibilidad de almacenar producto en las plantas, la empresa esta
estudiando la posibilidad de arrendar bodegas ubicadas en diferentes puntos geográficos.
El arriendo de las bodegas se hace perı́odo a perı́odo, esto quiere decir que si se arrienda
la bodega k en el perı́odo t, no necesariamente la bodega k debe haber estado arrendada
en el perı́odo t − 1 o seguir arrendada para el perı́odo t + 1. Hay K posibles bodegas para
arrendar. De esta manera, la producción de las plantas se llevará a las bodegas y desde
allı́ se abastecerá a las ciudades. No existe inventario de productos, las bodegas solo se
utilizan para etiquetar los distintos artı́culos. Si se arrienda la bodega k (k = 1, ..., K)
se incurre en un gasto fijo de Fkt pesos por el pago de arriendo en el periodo t. Por
cada unidad del artı́culo l que ingrese a la bodega k se gasta Elk pesos por concepto de
etiquetado. La capacidad de la bodega k es de Qk unidades de producto sin importar su
tipo.
Además se sabe que cada ciudad debe ser abastecida desde una única bodega en cada
perı́odo y también se sabe que la bodega k puede despachar como mı́nimo al total de
ciudades que abastezca la cantidad de Lk y como máximo la cantidad de Uk unidades de
artı́culos (del total de artı́culos que despacha).
El costo de transporte del producto l desde la planta i a la bodega k en el periodo t
es de Mlikt pesos y el costo de transporte desde la bodega k a la ciudad j del producto l
en el perı́odo t es de Nlkjt pesos.
Plantee un modelo de programación lineal entera que permita determinar que bodegas
deben arrendarse para que el costo de producción, transporte, arriendo y almacenamiento
sea mı́nimo. Asuma que la producción se maneja en cantidades discretas (no fraccionarias).

Problema 5

Considere el siguiente problema de programación entera:


 Max x1 + x2

 x
s.t −x1 + 3x2 ≤ 6


 3x1 − x2 ≤ 3
x1 , x2 ∈ Z+


0

(a) Resuelva mediante cortes de Gomory.

(b) Resuelva mediante Branch&Bound.

Solución.

(a) Para comenzar, reescribimos el problema relajado en su forma estándar, el cual queda
de la siguiente forma:

Min −x1 − x2
x
s.t −x1 + 3x2 + x3 = 6
3x1 − x2 + x4 = 3
x1 , x2 , x3 , x4 ≥ 0

Gráficamente, la solución de este problema se encuentra en el punto (x∗1 , x∗2 ) =

(15/8, 21/8). Es fácil de ver que en el óptimo, las restricciones 1 y 2 están activas.
Luego, la base está asociada a las variables x1 y x2 , con lo que se puede calcular:
     
−1 3 1/8 3/8 6
B= B−1 = b=
3 −1 3/8 1/8 3

5
donde B es la matriz de coeficientes asociados a las variables básicas, B−1 es la
inversa de B y b es el vector lado derecho de las restricciones del problema. El valor
de la solución óptima se obtiene calculando b̄ = B−1 b,
      ∗
1/8 3/8 6 15/8 x1
b̄ = B−1 b = = =
3/8 1/8 3 21/8 x∗2

lo cual es consistente con la solución obtenida gráficamente.

Sea Ā = (I | B−1 B), donde I es la matriz identidad, y Nes la matriz de coeficientes

..
1 0 . 1/8 3/8
asociados a las variables no básicas. En este caso, Ā =  . . Para
0 1 .. 3/8 1/8
encontrar los cortes de Gomory, resolvemos Āx = b̄:
 
  x1
..  
1 0 . 1/8 3/8 x2  = 15/8
 
. x3  21/8
0 1 .. 3/8 1/8
x4

Del sistema anterior, se obtienen dos ecuaciones, las cuales son restricciones activas
en el óptimo encontrado para la relajación lineal:

1 3 15
x1 + x3 + x4 = (11)
8 8 8

3 1 21
x2 + x3 + x4 = (12)
8 8 8
A partir de (??) encontramos un corte de Gomory, el cual puede calcularse como:
     
1 3 15
x1 + x3 + x4 ≤ (13)
8 8 8
x1 ≤ 1 (14)

Y de forma similar para la ecuación (??):

     
3 1 21
x2 + x3 + x4 ≤ (15)
8 8 8
x2 ≤ 2 (16)

Luego, (??) y (??) son dos nuevos cortes posibles. Arbitrariamente se escoge el
segundo, con lo que se añade una tercera restricción al problema relajado, con lo que
queda:

Min −x1 − x2
x
s.t −x1 + 3x2 + x3 = 6
3x1 − x2 + x4 = 3
x2 + x5 = 2
x1 , x2 , x3 , x4 , x5 ≥ 0

Gráficamente, se puede encontrar el óptimo de este problema, el cual se obtiene

para (x∗1 , x∗2 ) = (5/3, 2), donde las restricciones 2 y 3 son activas. De este modo las
variables que conforman la base son x1 , x2 y x3 . Nótese que el conjunto de puntos
factibles del problema entero no ha sido modificado, y solo cambió el óptimo del
problema relajado.
Con lo anterior, se puede determinar la matriz B, B−1 y b:

6
      
−1 3 1 0 1/3 1/3 6
B= 3 −1 0 B−1 =0 0 1  b=3
0 1 0 1 1/3 −8/3 2

El valor de la solución óptima se obtiene calculando b̄ = B−1 b,

       ∗
0 1/3 1/3 6 5/3 x1
−1
b̄ = B b = 0 0
 1  3 =
  2  = x∗2 

1 1/3 −8/3 2 5/3 x∗3
lo cual es consistente con la solución obtenida gráficamente. Al igual que en la
iteración anterior del algoritmo, calculamos Ā = (I | B−1 N). En este caso:
    
0 1/3 1/3 0 0 −1/3 1/3
B−1 N = 0 0 1  1 0 =  0 1 
1 1/3 −8/3 0 1 1/3 −8/3

Luego, resolvemos el sistema de ecuaciones Āx = b̄:

  x 
.. 1
1 0 0 . −1/3 1/2  
 
x 2 5/3
.  
0 1 0 .. x = 2
    
0 1   4

. x3 5/3
  
0 0 1 .. 1/3 −8/3 x 5

Del sistema anterior se obtienen tres ecuaciones, de las cuales solo dos son válidas
por tener un valor fraccionario en el lado derecho, las cuales son restricciones activas
en el óptimo encontrado para la relajación lineal:

1 1 5
x1 + x4 + x5 = (17)
3 3 3

1 8 5
x3 + x4 − x5 = (18)
3 3 3
A partir de (??) encontramos un corte de Gomory, el cual puede calcularse como:
     
1 1 5
x1 + x4 + x5 ≤ (19)
3 3 3
x1 ≤ 1 (20)

Y de forma similar para la ecuación (??):

     
1 8 5
x3 + x4 + − x5 ≤ (21)
3 3 3
x3 − 3x5 ≤ 1 (22)

Ası́, (??) es elegido arbitrariamente como un nuevo corte de Gomory (nueva restric-
ción del problema relajado). Añadiendo esta cuarta restricción, el problema relajado
queda de la siguiente forma:

Min −x1 − x2
x
s.t −x1 + 3x2 + x3 = 6
3x1 − x2 + x4 = 3
x2 + x5 = 2
x1 + x6 = 1
x1 , x2 , x3 , x4 , x5 , x6 ≥ 0

7
 Gráficamente, se puede encontrar el óptimo de este problema, el cual se obtiene para
(x∗1 , x∗2 ) = (1, 2), donde las restricciones 3 y 4 son activas. Claramente, la solución
del problema relajado es entera, por lo que se ha llegado al óptimo del problema
entero original. De este modo las variables que conforman la base son x1 , x2 , x3
y x4 . Nótese que el conjunto de puntos factibles del problema entero no ha sido
modificado en ninguna iteración, y solo cambió el óptimo del problema relajado. Por
lo tanto, la solución óptima del problema entero original es (x∗1 , x∗2 ) = (1, 2) y el valor
de la función objetivo es z ∗ = 3 en el problema de maximización original.

(b) Para resolver el problema por Branch&Bound, planteamos la relajación lineal del
problema de maximización original, el cual denotamos por (P0 ):

 Max x1 + x1

 x
−x1 + 3x2 ≤ 6

(P0 ) s.t


 3x1 − x2 ≤ 3
 x1 , x2 ≥ 0

La solución de (P0 ) ya se obtuvo en la primera iteración del algoritmo de Gomory,

la cual corresponde a (x∗1 , x∗2 ) = (15/8, 21/8) con un valor de z0∗ = 9/2. Como la
solución es fraccionaria, ramificamos (arbitrariamente) por x1 . Con ello, surgen dos
sub-problemas, tomando x1 ≤ 1 y x1 ≥ 2:

 Max x1 + x1

 x
−x1 + 3x2 ≤ 6


 s.t
(P1 ) 3x1 − x2 ≤ 3




 x1 ≤ 1
 x1 , x2 ≥ 0


 Max x1 + x1

 x
−x1 + 3x2 ≤ 6


 s.t
(P2 ) 3x1 − x2 ≤ 3




 x1 ≥ 2
 x1 , x2 ≥ 0

Resolviendo el sub-problema (P1 ), se obtiene una solución óptima (x∗1 , x∗2 ) = (1, 7/3)
con un valor de z1∗ = 10/3. Como la solución es fraccionaria, se ramifica por x2 , dando
origen a dos sub-problemas añadiendo respectivamente las restricciones x2 ≤ 2 y
x2 ≥ 3:

 Max x1 + x1

 x
s.t −x1 + 3x2 ≤ 6




3x1 − x2 ≤ 3

(P3 )


 x1 ≤ 1



 x2 ≤ 2
x1 , x2 ≥ 0



 Max x1 + x1

 x
s.t −x1 + 3x2 ≤ 6




3x1 − x2 ≤ 3

(P4 )


 x1 ≤ 1



 x2 ≥ 3
x1 , x2 ≥ 0


8
 Resolviendo el sub-problema (P3 ), se obtiene una solución óptima (x∗1 , x∗2 ) = (1, 2)
con un valor de z3∗ = 3. Como la solución obtenida es entera, se actualiza el incum-
bente z = z3∗ = 3. Luego, no se ramifica por el lado de (P3 ). Al resolver (P4 ), es claro
ver que el problema es infactible, por lo que no se ramifica por (P4 ). Si analizamos
el problema (P2 ), también es infactible, por lo que la solución óptima del problema
entero es (x∗1 , x∗2 ) = (1, 2) con un valor de z ∗ = 3, lo cual coincide con lo obtenido en
el algoritmo de Gomory.

Problema 6 (propuesto)

Considere el siguiente problema de programación entera:


 Max x1 + x2

 x
3x1 + x2 ≤ 9

s.t

 −2x1 + 3x2 ≤ 3
x1 , x2 ∈ Z+


0

(a) Resuelva mediante cortes de Gomory.

(b) Resuelva mediante Branch&Bound.

Problema 7

Considere el siguiente problema no lineal:

Min (x1 − 1)2 + (x2 − 3)2

x
s.t x 1 + x2 ≤ 8
x21 − 2x2 ≤ 1
x1 , x2 ≥ 0

Escriba las condiciones de optimalidad KKT para este problema y resuélvalo.

Solución. Sea L(x1 , x2 , λ1 , λ2 ) = (x1 − 1)2 + (x2 − 3)2 + λ1 (x1 + x2 − 8) + λ2 (x21 − 2x2 + 1).
Calculamos las condiciones estacionarias ∇x L(x1 , x2 , λ1 , λ2 ) = 0:

2(x1 − 1) + λ1 + 2λ2 x1 = 0 (23)

2(x2 − 3) + λ1 − 2λ2 = 0 (24)

Las condiciones de factibilidad primal quedan dadas por:

x1 + x2 ≤ 8 (25)
x21 − 2x2 ≤ 1 (26)

Las condiciones de factibilidad dual quedan dadas por:

λ1 ≥ 0 (27)
λ2 ≥ 0 (28)

Finalmente, las condiciones de holguras complementarias son:

λ1 (x1 + x2 − 8) = 0 (29)

λ2 (x21 + 2x2 − 1) = 0 (30)

9
 Luego, las condiciones KKT quedan dadas por las ecuaciones (??)−(??). Resolviendo
el sistema de ecuaciones, consideremos el caso λ1 = λ2 = 0:

2(x1 − 1) = 0 ⇒ x1 = 1 (31)
2(x2 − 3) = 0 ⇒ x2 = 3 (32)

Corroboramos las condiciones de factibilidad primal:

1+3≤8 (verdadero) (33)

2
1 −6≤6 (verdadero) (34)

Como supusimos λ1 = λ2 = 0, se cumplen además las condiciones de factibilidad dual.

Por lo tanto, x1 = 1, x2 = 3 es un punto KKT y es mı́nimo local. ¿Cómo saber si es un
mı́nimo global? ⇒ probar convexidad del problema.
Sea Hf la matriz Hessiana de la función objetivo:
 
2 0
Hf =
0 2

Como det(2)> 0 y det(Hf ) > 0, la función objetivo es estrictamente convexa. La

restricción R1 es una función lineal, por lo que es convexa.
Para probar la convexidad de la restricción R2 utilizamos
 ladesigualdad
 de Jensen.
A 1 B 1
Sea S = {(x1 , x2 ) ∈ R2 : x21 − 2x2 ≤ 1}. Sean A = ,B= ∈ S. Si se cumple
A2 B2
que ∀λ ∈ [0, 1],
f (λA + (1 − λ)B) ≤ λf (A) + (1 − λ)f (B),
entonces S es convexo, ya que
λA + (1 − λ)B ≤ 1,
lo que implicarı́a que f (λA + (1 − λ)B) ≤ 1, i.e., la combinación lineal convexa de dos
puntos que pertenecen a S también pertenece a S. Luego, S serı́a convexo.

f (λA + (1 − λ)B) = (λA1 + (1 − λ)B1 )2 − 2(λA1 + (1 − λ)B2 ) (35)

≤ λ(A21 − 2A2 ) + (1 − λ)(B12 − 2B2 ) (36)
2
λ A21 + 2λ(1 − λ)A1 B1 + (1 − λ) 2
B12 ≤ λA21 + (1 − λ)B12 (37)

λ2 A21 − λA21 + 2λ(1 − λ)A1 B1 + (1 − λ)2 B12 − (1 − λ)B12 ≤ 0 (38)

−λA21 (1 − λ) + 2λ(1 − λ)A1 B1 + (1 − λ)B12 (1 − λ − 1) ≤ 0 (39)
−λA21 + 2λA1 B1 − λB12 ≤0 (40)
λA21− 2λA1 B1 + ≥0λB12 (41)
√ √
( λA1 − λB1 )2 ≥ 0 (42)

La ecuación (??) es verdadera ∀λ ∈ [0, 1]. Luego, S es convexo, y como se cumple

convexidad para la función objetivo y la restricción R1, el problema es convexo. Por lo
tanto, la solución encontrada es mı́nimo global.

Problema 8

Considere el siguiente problema:

10
 Min x2 + y 2
x,y
s.t x2 + y 2 ≤ 4
x2 + y 2 ≥ 1
x−y−1≤0
y−x−1≤0

(a) ¿Es este problema convexo?, ¿por qué?

(b) Encuentre las condiciones KKT y un punto KKT para este problema.

(c) (Propuesto) ¿Cómo modificarı́a el problema para que sea convexo?

(d) (Propuesto) Encuentre las condiciones KKT y un punto KKT para el problema
planteado en (c).

Solución.

(a) R3 y R4 son restricciones lineales. Luego, el conjunto R3 ∩ R4 es convexo.

Sea R1 la función x2 + y 2 . Sea H(x2 + y 2 ) la matriz Hessiana de R1 . Es fácil ver que
det(H(x2 + y 2 )) es estrictamente mayor a cero, por lo que R1 es convexo. Pero, ¿es
S1 = {(x, y) ∈ R2 : x2 + y 2 ≤ 4} convexo?
       
x x x1 x
Sea Z = λ 1 + (1 − λ) 2 , donde , 2 ∈ S1 . Por demostrar que:
y1 y2 y1 y2
Z ∈ S1 , ∀λ ∈ [0, 1]:

Zx2 + Zy2 = (λx1 + (1 − λ)x2 )2 (λy1 + (1 − λ)y2 )2

= λ2 x21 + 2λ(1 − λ)x1 x2 + (1 − λ)2 x22 + λ2 y12 + 2λ(1 − λ)y1 y2 + (1 − λ)2 y22
= λ2 (x21 + y12 ) + (1 − λ)2 (x22 + y22 ) + 2λ(1 − λ)(x1 x2 + y1 y2 )
≤ 4(λ2 + (1 − λ)2 ) + 2λ(1 − λ)4
= 4(λ2 + 2λ(1 − λ) + (1 − λ)2 )
= 4(λ + (1 − λ))2
= 4.

Por lo tanto, S1 es convexo. Ahora, consideremos

  R2 . Lafunción
 es convexa,
  pero ¿es
x x x x
S2 = {x2 + y 2 ≥ 1} convexo? Sea Z = λ 1 + (1 − λ) 2 , donde 1
, 2 ∈
y y2 y1 y2
      1 
x1 1 x2 −1
S1 . Consideremos = y = . Reemplazando en Z se tiene:
y1 0 y2 0
 
λ−1+λ
Z=
0

⇒ Zx2 + Zy2 = (2λ − 1)2 + 0

0≥1

Luego, Z ∈
/ S2 . Por lo tanto S2 no es convexo. En consecuencia, el problema no es
convexo.

(b) Encuentre las condiciones KKT y un punto KKT para este problema.
Solución. Sea L(x, y, λ) = x2 + y 2 + λ1 (x2 + y 2 − 4) − λ2 (x2 + y 2 − 1) + λ3 (x − y −
1) + λ4 (y − x − 1). Calculamos las condiciones estacionarias ∇x,y L(x, y, λ) = 0:

2x(1 + λ1 − λ2 ) + λ3 − λ4 = 0 (43)

11
 2y(1 + λ1 − λ2 ) − λ3 + λ4 = 0 (44)

Las condiciones de factibilidad primal quedan dadas por:

x2 + y 2 ≤ 4 (45)
x2 + y 2 ≥ 1 (46)
x−y−1≤0 (47)
y−x−1≤0 (48)

Las condiciones de factibilidad dual quedan dadas por:

λ1 ≥ 0 (49)
λ2 ≥ 0 (50)
λ3 ≥ 0 (51)
λ4 ≥ 0 (52)

Finalmente, las condiciones de holguras complementarias son:

λ1 (x2 + y 2 − 4) = 0 (53)

λ2 (x2 + y 2 − 1) = 0 (54)
λ3 (x − y − 1) = 0 (55)
λ4 (y − x − 1) = 0 (56)

Luego, las condiciones KKT quedan dadas por las ecuaciones (??)−(??). Resolvien-
do el sistema de ecuaciones, consideremos el caso λ1 = λ2 = 0:

Caso λ1 = λ2 = 0 :

λ3 (x − y − 1) = 0 (57)
λ4 (y − x − 1) = 0 (58)

2x + λ3 − λ4 = 0 (59)
2y − λ3 + λ4 = 0 (60)

De (??) y (??) se obtiene:

x = −y (61)

Reemplazando (??) en (??) y (??):

λ3 (−2y − 1) = 0 (62)
λ4 (2y − 1) = 0 (63)

Observación: note que si λi = 0, i = 1, ..., 4, se violan las condiciones de factibilidad

primal.

12
 (i) λ3 = 0, λ4 > 0:

2y − 1 = 0 (64)
1 1
y= →x=− (65)
2 2
Evaluando la condición de factibilidad primal reemplazando (??):

−1 2 1 2
+ ≤ 4 (verdadero) (66)
2 2
−1 2 1 2
+ ≥ 1 (f also) (67)
2 2
Por lo tanto para este valores de λ utilizados, nos entregan soluciones que son
infactibles en el problema primal.
(ii) λ4 = 0, λ5 > 0:
1 1
y=− →x= (68)
2 2
Por simetrı́a, el primal es infactible.
(iii) λ3 > 0, λ4 > 0:
1
y=− (69)
2
1
y= (70)
2
Lo que implica una contradicción.

Caso λ1 = 0 λ2 > 0 :

x2 + y 2 = 1 (71)
λ3 (x − y − 1) = 0 (72)
λ4 (y − x − 1) = 0 (73)

(i) λ3 6= 0, λ4 6= 0:

x−y−1=0 (74)
y−x−1=0 (75)

Al resolver el sistema compuesto por las restricciones (??) y (??) se obtiene:

−2 = 0 (f also) (76)

(ii) λ3 = 0, λ4 = 0:

x2 + y 2 = 1 (77)
2x(1 − λ2 ) = 0 (78)
2y(1 − λ2 ) = 0 (79)

De (??) y (??) se obtiene que λ2 = 1, dado que la restricción (??) impide que
x e y sean 0 a la vez. Por lo tanto, todo punto que satisface la restricción (??)
es solución del sistema. Además, todos los λi , i = 1.,4, cumplen con factibilidad
dual.
Ahora, analizando la factibilidad primal, se observa que se cumplen todas las
restricciones. Por lo tanto, uno de los puntos KKT es (1, 0) que corresponde a
un mı́nimo local, ya que el problema no es convexo.

13
Problema 9 (propuesto)

Considere el siguiente problema no lineal:

Min x21 + 2(x2 − 1)2

x
s.t x 1 + x2 = 2

Determine un punto que satisfaga las condiciones KKT y compruebe si éste correspon-
de a una solución óptima.

Problema 10 (propuesto)

Considere el problema de minimizar la función de dos variables f (x, y) = 3x2 + y 4 .

(a) Aplique una iteración del método del gradiente con (1, −2) como el punto inicial y
con un tamaño de paso elegido según búsqueda de lı́nea “back-tracking”, con α = 0,1
y β = 0,5.

(b) Repita (a) usando α = 0,1 y β = 0,5. ¿Cómo cambia el costo de la nueva iteración
comparado con lo obtenido en (a)?. Comente respecto a los pro y contra en la elección
de β.

Hint: considere como criterio de parada k∇f (x, y)k2 ≤ , donde  es un número lo
suficientemente pequeño.

14