INSTITUTO TECNOLGICO SUPERIOR DE MOTUL

INGENIERA EN SISTEMAS COMPUTACIONALES

INVESTIGACION DE OPERACIONES. INVESTIGACION DE LA UNIDAD 3. PROGRAMACION NO LINEAL

07 DE ABRIL DEL 2011

RESUMEN: Podemos decir que la Programacin lineal es una herramienta que utilizamos para la solucin de problemas en la vida real y para problemas matemticos, pero cabe recalcar que en la vida no todos los problemas son lineales sino que tambin hay problemas no lineales, para la resolucin de este tipo de problemas se necesita la unin de l algebra lineal, el clculo multivariado, anlisis numrico y tcnicas de computacin. Como en todo problema en esta se engloban algunas reas especiales como son al diseo de algoritmos de computacin, la geometra, el anlisis de conjuntos convexos y funciones, y la programacin cuadrtica. La programacin no lineal proporciona mediante la optimizacin un arrojo de informacin que es fundamental para el anlisis matemtico y esta informacin se una mucho en las ciencias aplicadas es decir como en el diseo de ingenieras, en al anlisis de regresin, en el control de inventaro y en la exploracin geofsica. En general un problema de programacin no lineal dice que consistes en buscar las variables que maximizan o minimizan una funcin dada y dentro de todo esto hay que

tener en cuenta las restricciones de desigualdad que se nos dan as que podra decirse que no hay aseguradas condiciones de linealidad y por eso hay que buscar lo optimo para el problema. En nuestro trabajo tambin pusimos ejemplos de programacin no lineal, hablamos de la funcin de LaGrange, otra cosa de la cual hablamos en nuestro trabajo es de las condiciones del punto estacionario que estaban dadas por, el conjunto de oportunidades tambin tenemos una grafica en la cual mostramos como se representa el punto estacionario. La optimizacin clsica es una tcnica til para funciones continuas y diferenciales, este mtodo se dice que es analtico y que tiene un campo limitado de aplicacin, pero esta es la base para los dems mtodos. Tambin nos referimos a los puntos de inflexin y estos son los que se caracterizan por determinar una cambio en la concavidad de la curva, una caracterstica de los problemas de optimizacin no restringida son que estos no tienen restricciones, por lo que la funcin objetivo es sencillamente maximizar f(x). Los multiplicadores de LaGrange si utilizan para resolver problemas no lineales en los cuales las restricciones son iguales.

NDICE: Contenido

CAPITULO 1. GENERALIDADES 1 1.1 INTRODUCCIN: 1 1.2 OBJETIVO GENERAL 1 1.3 JUSTIFICACION 1

1.4 ALCANCES 1 1.5 LIMITACIONES 2 CAPITULO 2. MARCO TEORICO. 1 2.1 PROGRAMACIN NO LINEAL. 1 2.1.1 PLANTEAMIENTO DE PROBLEMAS DE PROGRAMACIN NO LINEAL. 1 Ejemplos de Programacin No Lineal 3 Ejemplo N 1 3 Solucin 4 2.2 OPTIMIZACIN CLSICA. 12 2.2.1 PUNTOS DE INFLEXIN. 12 2.2.2 MXIMOS Y MNIMOS. 12 2.3 PROBLEMAS NO RESTRINGIDOS. 13 Optimizacin no restringida 13 2.3.2 INTERPRETACIN ECONMICA DEL PROBLEMA DUAL. 17 CAPITULO 3. PROCEDIMIENTO 18 CAPITULO 4. CONCLUSIONES Y RECOMENDACIONES 18 Bibliografa 18

CAPITULO I. GENERALIDADES

1.1 INTRODUCCIN: El papel fundamental que juega la programacin no lineal en la investigacin de

operaciones (IO) se refleja con exactitud en el hecho de que es el tema central de este trabajo. La programacin no lineal es una poderosa herramienta en el proceso de resolucin de un sistema de igualdades y desigualdades, tambin es sumamente importante en la modernizacin de los problemas de la vida real como en la teora de matemtica de amplia aplicacin, las igualdades y desigualdades estn sujetas a un conjunto de restricciones sobre un conjunto de variables reales desconocidas, con una funcin objetivo a maximizar. De hecho, muchos economistas han encontrado que cierto grado de no linealidad es la regla, y no la excepcin, en los problemas de planeacin econmica, por lo cual, muchas veces es necesario manejar problemas de programacin lineal, que es el rea que se examinar en seguida. 1.1.1 ANTECEDENTES. Este trabajo refleja el esfuerzo de cada integrante del equipo para satisfacer la necesidad de entregar un trabajo de buena calidad y con la presentacin debida y requerida por el formato previamente proporcionado Este documento es usado como medio para entender y tener una idea clara de lo que es la Programacin no Lineal, sus pasos, sus funciones, mtodos y la ejemplificacin de unos problemas bsicos del tema. 1.1.2 PLANTEAMIENTO DEL PROYECTO. Este trabajo se enfoca en la Programacin no Lineal y la forma de resolver los problemas de estas caractersticas; con mtodos que se basan en funciones matemticas precisas y de resultados ptimos. Los resultados estarn dados de una forma precisa, por que los mtodos que se utilizan se han comprobado con anterioridad que si pueden resolver este tipo de problema.

Nuestro trabajo pretende trazar una organizacin adecuada para entender el funcionamiento de la programacin no Lineal y tener una idea clara y precisa sobre esta.

1.2 OBJETIVO GENERAL Dar a conocer que es la programacin no lineal, con qu reas importantes est relacionado, como plantear los problemas de programacin no lineal y hablar de la funcin de LaGrange y ejemplos.

1.2.1 OBJETIVOS ESPECFICOS 1.- realizar una investigacin a fondo de Programacin no Lineal y averiguar en donde se practica comnmente. 2.- buscar ejemplos que sean lo mas claros y de problemas comunes para entender el tema. 3.- plasmar la informacin recabada en un documento en forma y con el formato debido para su revisin.

1.2.2 PREGUNTAS DE INVESTIGACIN 1.- Qu es la programacin no lineal? 2.- Dnde son comunes los problemas no lineales? 3.- De que forma se representan los problemas no lineales? 4.- Qu tipos de restricciones maneja la programacin no lineal? 5.- Qu procedimiento se sigue para la resolucin de un problema no lineal? 6.- Como saber cuando un problema es no lineal?

1.3 JUSTIFICACIN Este equipo empez desde cero, con las limitaciones de que no todos los integrantes tenan tiempo para reunirse y con el paso de los das, el equipo fue acoplndose para poder juntar la informacin y posteriormente realizar el documento con el formato debido Realizamos este trabajo con el fin de dar a conocer los temas de la unidad 3 y tambin con la finalidad de aprender ms sobre la programacin no lineal, el planteamiento de problemas, la optimizacin clsica, los problemas no restringidos y gran parte de lo relacionado con la programacin no lineal. Adems, se realizo este trabajo como proyecto de la materia de Investigacin de Operaciones.

1.4 ALCANCES Pues hasta ahora tenernos ya investigado toda la unidad 3 ya tenemos listo este trabajo y por una parte nos hiso convivir un poco mas con nuestros compaeros y nos enseo a medio trabajar como equipo para sacar adelante dicho trabajo de investigacin, ahora solo esperamos que lo hayamos hecho haya estado bien porque hicimos el esfuerzo para realizar este trabajo, tuvimos a disposicin libros, el internet y todo lo suficiente para hacer un buen trabajo. Lo que queremos lograr al realizar este trabajo, es cumplir con la tarea que marco nuestro maestro; otro punto es que con lo realizado podamos comprender lo mejor que se pueda el tema de Programacin Lineal, comprender, por lo menos, como se realizan los problemas mas bsicos y que tambin sea una buena herramienta o un

ejemplo para otros grupos e incluso hasta para el nuestro.

1.5 LIMITACIONES Primero que nada nuestra ms grande limitacin fue el tiempo, porque parece que los profesores se pusieron de acuerdo para estar marcando proyectos y trabajos casi para presentar el mismo da, pero tambin tenemos que estar pendientes de la semana de exmenes y pues todo eso fue como una distraccin y una limitacin para seguir mejorando nuestro trabajo. Otra limitacin es que todos los integrantes somos de diferente lugar, y solo tenemos la oportunidad o el tiempo de poder ver el trabajo despus de clases y muchas veces hay mucha tarea y tambin le dedicamos su tiempo ya que debemos cumplir con ellas as como debemos cumplir con este trabajo, y al ser de diferentes lugares se nos hace mas difcil ponernos de acuerdo y mas cuando es por chat.

CAPITULO II. MARCO TEORICO. 2.1 PROGRAMACIN NO LINEAL. La programacin lineal ha demostrado ser una herramienta sumamente poderosa, tanto en la modelizacin de problemas de la vida real como en la teora matemtica de amplia aplicacin. Sin embargo, muchos problemas interesantes de optimizacin son no lineales. El estudio de estos problemas implica una mezcla diversa de lgebra lineal, clculo multivariado, anlisis numrico y tcnicas de computacin. Entre las reas especiales importantes se encuentra el diseo de algoritmos de computacin (incluidas las tcnicas de puntos interiores para programacin lineal), la geometra y el anlisis de conjuntos convexos y funciones, y el estudio de problemas especialmente estructurados, tales como la programacin

cuadrtica. La optimizacin no lineal proporciona informacin fundamental para el anlisis matemtico, y se usa extensamente en las ciencias aplicadas (en campos tales como el diseo de ingeniera, el anlisis de regresin, el control de inventario y en la exploracin geofsica). De una manera general, el problema de programacin lineal consiste en encontrar x= (x1, x2,,xn ) para: Maximizar f(x) Sujeta a:

gj(x) bj,

para i= 1, 2,, m,

x 0, En donde f(x) y las gj (x) son funciones dadas de n variables de decisin. No se dispone de un algoritmo que resuelva todos los problemas especfico que se ajustan a este formato. Sin embargo, se ha hecho grandes logros en lo que se refiere a algunos casos especiales importantes de este problema, haciendo algunas suposiciones sobre las funciones, y la investigacin sigue muy activa.

2.1.1 PLANTEAMIENTO DE PROBLEMAS DE PROGRAMACIN NO LINEAL. 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.

Es decir el problema consiste en:

Maximizar f (x1. x2. L. xn)

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

2.2 OPTIMIZACIN CLSICA. Esta tcnica es til para funciones continuas y diferenciales, estos mtodos son analticos, tiene un campo limitado de aplicacin. Sin embargo, esto es la base para los dems mtodos. Optimizacin de una variable.

Imagen 1. Ejemplo de optimizacin. El problema es encontrar x = x* en el intervalo [a , b] de modo que x* minimice f(x). Ejemplo Determine valores mximos y mnimos de la funcin f(x)= 12x5-45x4+40x3+5 Solucin f(x)=60(x4-3x3+2x2) f(x)=60x2(x-1)(x-2) Luego f (x) = 0 cuando x* = 0, x* = 1, x* = 2. La segunda derivada F(x)= 60(4x3-9x2+4x) F (x) a x*= 0 f (x*) = 0 no es mximo ni mnimo. 2.2.1 PUNTOS DE INFLEXIN.

As como los puntos mximos y mnimos de una curva se caracterizan por ser puntos en los cuales la curva cambia de creciente a decreciente o viceversa, los llamados puntos de inflexin de una curva (cuando existen), se caracterizan por determinar un cambio en la concavidad de la curva.

Antes de presentar la definicin precisa de concavidad, se harn algunas observaciones de tipo intuitivo.

Considere la funcin f cuya grfica aparece en la fig. Note en primer lugar que la curva que f representa, tiene tangente en todos sus puntos.

Se observa que en los puntos cercanos a x1, pero diferentes de x1, la curva se encuentra por debajo de la recta tangente. Se dice en este caso que la curva es cncava hacia abajo en el punto x1. Igualmente se observa que en los puntos cercanos a x2, pero diferentes de x2, la curva se encuentra por encima de la recta tangente. Se dice en este caso que la curva es cncava hacia arriba en el punto x2. El punto (c, f (c)) de la curva en el cual la concavidad cambia se conoce con el nombre de punto de inflexin de la curva. Las ideas anteriores se precisan en las siguientes definiciones: Definiciones: Sea f una funcin derivable en un punto c.

I. F es cncava hacia arriba en c o cncava positiva en c, si existe un intervalo

abierto (a, b) al cual pertenece c, tal que para todo x de (a, b), x c se cumple que:

yc: y de la curva;

yt: y de la tangente

2.2.2 MXIMOS Y MNIMOS.

Mnimo (fuerte): Un punto extremo X0 de una funcin f(X0) define un mnimo de la funcin si f(X0+h) > f(X0), donde X0 es cualquier punto de la funcin y h en valor absoluto es suficientemente pequea. Mximo (fuerte): Un punto extremo X0 de una funcin f(X0) define un mximo de la funcin si f(X0+h) < f(X0), donde X0 es cualquier punto de la funcin y h en valor absoluto es suficientemente pequea. Una funcin puede contener varios mximos y mnimos, identificados por los puntos extremos de la funcin. En la figura 1 se puede observar esto, los puntos x1, x3 y x6 son mximos, de la figura notamos que f(x6) es el mayor que f(x1) y f(x3), a este punto se le conoce como mximo global de la funcin y a los restantes como mximos locales. Lo mismo se puede ver para los mnimos, en los que tambin existe un mnimo global f(x2) y un mnimo local f(x4). Como es de lgico, solo puede existir un solo global y posiblemente varios locales.

Imagen 2. Representacin de mximos y mnimos en una funcin con una sola variable [Taha 1991].

Una condicin necesaria pero no suficiente para que X0 sea un punto extremo, es que para una funcin con ms de una variable, el gradiente f(X0) = 0. Si es cierto

esto entonces X0 ser conocido como punto estacionario. Una condicin suficiente para que un punto estacionario sea extremo es que la matriz Hessiana H obtenida en X0 del sistema de ecuaciones sea positiva cuando X0 es un punto extremo de mnimo. Y negativa cuando X0 es un punto extremo de mximo. Un mximo dbil implica un numero finito de mximos alternativos (ver figura 1) y se define como X0 es un mximo dbil, si f(X0 + h) 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: fxj 0 en x=x*, si xj* =0=0 en x=x*, si xj* >0

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. 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. 2.3.1 MULTIPLICADORES DE LAGRANGE ( LAMBDA).

Se pueden utilizar los multiplicadores de LaGrange para resolver los problemas no lineales en los cuales las restricciones son igualdades. Consideramos

los del tipo siguiente:

Max (o min) z=f ( x1 , x2 , , xn )

sa g1 x1 , x2 , , xn = b1 g2 x1 , x2 , , xn = b2 g1 x1 , x2 , , xn = b1 gm x1 , x2 , , xn = bm

Para resolverlo, asociamos un multiplicador l 1 con la i-sima restriccin y formamos el lagrangiano L x1 ,x2 ,, xn ,, 1 , 2 ,,m =f(x1 ,x2 ,, xn ) + i-li-mibi- gi x1 ,x2 ,, xn

Donde ii=1,2, ,xn son constantes (desconocidas) denominadas multiplicadores de LaGrange. Despus resulvase el sistema de n + m ecuaciones:

Lxj=0 Lxi=0

(j=1, 2, ,n) (j=1, 2, ,m)

Teorema: Si existe una solucin al programa (1), sta se encuentra contenida entre las soluciones al sistema anterior, siempre f x y cuando y gix(i=1,2,,m) todas tengan primeras derivadas parciales continuas y la matriz jacobina de m x n, J= gixj

Tenga rango m en X = X*

El mtodo de los multiplicadores de LaGrange es equivalente a emplear las ecuaciones de restriccin para eliminar algunas de las variables x de la funcin objetivo y resolver despus un problema de maximizacin sin restricciones para las restantes variables x.

EJEMPLO:

Una compaa planea gastar 10,000 dlares en publicidad. Cuesta 3,000 dlares un minuto de publicidad en la televisin y 1,000 dlares un minuto de publicidad en la radio. Si la empresa compra x minutos de comerciales en la televisin y minutos de comerciales en la radio, su ingreso, en miles de dlares, est dado por fx,y= -2x2- y2+ xy+8x+ 3y. Cmo puede la empresa maximizar su ingreso?

Solucin:

Se tiene el programa no lineal siguiente:

Max z= -2 x2- y2+ xy+8y+3y sa 3x+y=10

Entonces L x,y, = -2x2- y2+ xy+8x+ 3y+(10-3x-y) Hacemos

Lx= Ly= L=0 Esto da: Lx= -4x+y+8-3=0 (1) Lx= -2y+x+3-=0 (2) Lx= -10+3x-y=0 (3)

Obsrvese que 10 - 3x -y = 0 se convierte en la restriccin 3x + y = 10. La ecuacin (1) da y= 3-8+4x y la ecuacin (2) da x= -3+2y As, y= 3-8+4-3+2y=7-20+8y o y= 207- x= -3+2207- = 197- Sustituyendo (4) y (5) en la (3), obtenemos, o 4-1=0, o = 14 . Entonces (4) y (5) nos dan:

y= 207- 14= 7328 x= 197- 14= 6928 El hessiano para f (x, y) es: Hx, y=-411-2 Ya que cada mejor principal de primer orden es negativo, y H2x,y=7>0, f (x, y)es una funcin cncava. La restriccin es lineal y, por lo tanto da la solucin ptima para el programa no lineal.

As, la empresa tendra que comprar 69/28 minutos de tiempo de televisor y 73/28 minutos de tiempo de radio. Ya que l = , el gasto de un D extra (en miles) (para un D pequeo) aumentara los ingresos de la empresa en aproximadamente 0.25 D dlares (en miles).

En general, si la empresa tiene a dlares para gastar en la publicidad, se puede demostrar que = 11-a 4. Vemos que si gasta ms dinero en la publicidad, el incremento en el ingreso por cada dlar adicional para la publicidad se hace ms pequeo. 2.3.2 INTERPRETACIN ECONMICA DEL PROBLEMA DUAL. Precio Sombra.- Se define como la proporcin con que mejora el valor de la funcin objetivo a partir de la i - sima restriccin, dependiendo si se trata de maximizacin tiende a aumentar y a disminuir cuando es de minimizacin. La interpretacin econmica de la dualidad se basa directamente en la interpretacin ms frecuente del problema primal (16). Interpretacin del problema dual. Para ver cmo la interpretacin del problema primal conduce a una interpretacin econmica del problema dual. Ntese el valor de Z como: Z = W1b1 + W2b2 + W3b3 + + Wmbm donde cada bi Wi puede interpretarse como la contribucin a la ganancia por disponer de bi unidades del recurso i. Wi se interpreta como la contribucin a la ganancia por unidad del recurso i (i = 1, 2,. . ., m), cuando se usa el conjunto actual de variables bsicas para obtener la solucin primal. Sujeto a: Unidades del M recurso i-simo Valor unitario Ganancia asignada j = 1,, n Suma utilizados por * del recurso = a cada unidad de i =1 unidad

de la i-simo la actividad j-sima Actividad j-sima Valor unitario i - 1, , m * del recurso >= 0 i-simo

CAPITULO III. PROCEDIMIENTO

Lo primero que hicimos para hacer un buen trabajo fue en primera opcin repartirnos los temas e investigar en donde se pueda y todo lo que se pueda buscar sobre el tema que le haya tocado a cada uno de los integrantes, una vez ya investigado todo sobre los temas nos tomamos a la tarea de juntar toda la informacin y como equipo sacar la mejor y ms clara informacin para anexarla al documento, una vez ya teniendo la informacin decidimos basarnos en el formato de revisin de proyecto que nos proporciono el profesor para poder armar como se debe el trabajo para poder terminarlo y entregarlo. 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:

La cantidad de bienes que se pueden fabricar.

Solucion: Sea K = Unidades de capital encontradas y L = Unidades de trabajo compradas.

Entonces K y L deven satisfacer 4K + L 8; K 0; L 0

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

Z = KL Mximo

Sujeto a

4K + L 8 K,L0

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.

1.- resolver el problema

Min (x 3)2 + (y 1)2 sa x2 + y2 89

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 ( 5 5x +y)

Observemos que la segunda restriccin ha debido adaptarse a la forma . Las condiciones de punto estacionario vienen dadas por:

Imagen 3. Punto estacionario

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, paraconstruir la funcin de LaGrange deberemos modificarnuestra funci n 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: (1) L X= 2 (x 3)2Lx+5L2 = 0 (2) L Y= 2 y 12Ly L2 = 0

(3) L Y= x2+y29 0 (4) L Y= 5 5x+ y 0 (5) L x2+y29 =0 [x2+y2 = 9 (5b)L=0 5a (6) L2 5 5x+y =0 [ L2=0 (6a) 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) + (y 1)

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

Igualando las dos expresiones que surgen para 2 y despejando la va riable x;

Obtenemos que: x= 2 5y+ 2 5+ 62

Con lo que tenemos que:

5 2 5y+ 2 5+ 66+ y= 5

Expresin de la que podemos obtener el valor de la variable y

y= 5+2 56

Valor que nos genera el siguiente resultado:

L=2 1+2 56 0

Con lo cual encontramos el punto: 910, 310, 1+ 103, 0

En cambio, si tomamos los valores negativos obtenemos el siguiente valor de L. L=