Unidad 7 Programacin No Lineal

Investigacin de Operaciones I Abel Barajas Hernndez Nmero de Control: 10061171 Profesor: Luis Alberto Campos Sgala Tequila, Jalisco, Mxico Jueves, 8 Diciembre 2011

ndice
1. Introduccin 2. Mtodos iterativos de optimizacin 2.1 Mtodo de bsqueda directa 2.2 Mtodo del gradiente 2.3 Programacin separable 2.4 Programacin cuadrtica 2.5 Programacin geogrfica 3. Conclusin 4. Referencias

1. Introduccin

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. En matemticas, Programacin no lineal (PNL) es el proceso de resolucin de un sistema de igualdades y desigualdades sujetas a un conjunto de restricciones sobre un conjunto de variables reales desconocidas, con un funcin objetivo a maximizar (o minimizar), cuando alguna de las restricciones o la funcin objetivo no son lineales.

Ejemplo Considere que una empresa distribuidora de productos farmacuticos requiere determinar la localizacin de una bodega que funcionar como centro de distribucin y abastecimiento para sus locales en el pas. En especial se busca estar a la menor distancia de los 3 principales locales de venta al pblico denominados A, B y C, respectivamente. Las coordenadas geogrficas de dichos locales se presentan en el siguiente grfico:

Formule y resuelva un modelo de optimizacin que permita determinar la localizacin ptima de la bodega y que minimice la distancia a los distintos locales de la empresa. Asuma que la bodega puede ser ubicada en cualquier coordenada o punto del mapa. Respuesta: Si consideramos como variables de decisin X e Y que correspondan a las respectivas coordenadas de la bodega a instalar, se puede definir el siguiente modelo de optimizacin no lineal sin restricciones, donde la siguiente funcin objetivo de minimizacin de distancia (Min f(x,y)) queda definido por:

2. Modelos Iterativos De Optimizacin 2.1 Metido de bsqueda directa

Los mtodos de bsqueda directa se aplican principalmente a funciones estrictamente unimo- dales de una variable. Aunque puede parecer trivial el caso, la seccin 21.1.2 muestra que la optimizacin de funciones de una variable juega un papel clave en el desarrollo de los algoritmos de varias variables, ms generales. La idea de los mtodos de bsqueda directa es identificar el intervalo de incertidum- bre que comprenda al punto de solucin ptima. El procedimiento localiza el ptimo estrechando en forma progresiva el intervalo de incertidumbre hasta cualquier grado de exactitud que se desee. En esta seccin se presentan dos algoritmos estrechamente relacionados: los mtodos de bsqueda dictomo y de seccin dorada (o urea). Ambos buscan la maximizacin de una funcin unimodal/(x) en el intervalo a ^ x < b, que se sabe que incluye el punto ptimo x*. Los dos mtodos comienzan con /0 = (a, b) que representa el intervalo inicial de incertidumbre. Paso general i. Sea /, _ , = (xD xR) el intervalo actual de incertidumbre (en la iteracin 0, xL = a y xR = b). El siguiente intervalo de incertidumbre, /z, se define como sigue: Si f(xx) > /(x2), entonces xL < x* < x2. Se definen xR = x2 e /, = (xL, x2) Si f(xx) < f(x2\ entonces xx < x* < xR. Se definen xL = xx e I = (xh xR) Si f{x\) = /(jc2), entonces xx < x* < x2. Se definen xL = x2 e /, = (xb x2). La manera en que se determinan xx y x2 garantiza que /, < /,_ p como se demostrar en breve. El algoritmo termina en la iteracin ksilk< A, donde A es un grado de exactitud definido por el usuario. *

La diferencia entre los mtodos dictomos y de seccin dorada estriba en la forma en que se calculan xx y x2. La tabla siguiente presenta las frmulas.

En el mtodo dictomo los valores jc, y x2 se encuentran simtricos respecto del punto medio del actual intervalo de incertidumbre. Esto significa que

La aplicacin repetida del algoritmo garantiza que la longitud del intervalo de incertidumbre se acercar al nivel de exactitud deseado, A. En el mtodo de la seccin dorada la idea es de mayor involucramiento. Se puede apreciar que cada iteracin del mtodo dictomo requiere calcular los dos valores/(jc,) y f(x2), Pe ro termina por descartar alguno de ellos. Lo que propone el mtodo de la seccin dorada es ahorrar clculos mediante el re uso del valor descartado en la iteracin inmediata siguiente. Para definir 0 < a<1

Cuando el intervalo de incertidumbre /, en la iteracin i es igual a (jc, x2) o a (xu xR). Considere el caso en que /, = (jcl, x2), lo cual significa que xx est incluido en /,. En la iteracin /+1, seleccione x2 igual a jc, de la iteracin /, lo cual lleva a la siguiente ecuacin: x2(iteracin i+l) = x{(iteracin i)

Comparado con el mtodo dictomo, el mtodo de la seccin dorada converge ms rpidamente hacia el nivel deseado de exactitud. Adicionalmente, cada iteracin en el mtodo de la seccin dorada requiere la mitad de los clculos, en virtud de que recicla siempre un conjunto de los clculos correspondientes a la iteracin inmediata anterior.

EJEMPLO

El mximo valor de f(x) ocurre en x = 2. La siguiente tabla muestra los clculos para las iteraciones 1 y 2, usando el mtodo dicotomo y el de la seccin dorada. Supondremos que A = 0.1.

Al continuar de la misma forma, el intervalo de incertidumbre terminar por estrecharse hasta la tolerancia A deseada. La plantilla ch21DichotomousGoldenSection.xls de Excel est diseada para manejar cualquiera de estos dos mtodos en forma automtica. Los datos son/(*), a,b y A. La funcin f{x) se captura en la celda E3 como sigue: = IF(C3< = 2,3*C3, (-C3+20)/3)

2.2

Mtodo del gradiente

Un modelo de Programacin Lineal (PNL) es aquel donde las variables de decisin se expresan como funciones no lineales ya sea en la funcin objetivo y/o restricciones de un modelo de optimizacin. Esta caracterstica particular de los modelos no lineales permite abordar problemas donde existen economas o deseconomas de escala o en general donde los supuestos asociados a la proporcionalidad no se cumplen. En este sentido el mtodo del gradiente (conocido tambin como mtodo de Cauchy o del descenso ms pronunciado) consiste en un algoritmo especfico para la resolucin de modelos de PNL sin restricciones, perteneciente a la categora de

algoritmos generales de descenso, donde la bsqueda de un mnimo esta asociado a la resolucin secuencial de una serie de problemas unidimensionales. Los pasos asociados a la utilizacin del mtodo del gradiente o descenso ms pronunciado consiste en:

Ejemplo del Mtodo del Gradiente Considere el siguiente modelo de programacin no lineal sin restricciones. Aplique 2 iteraciones del mtodo del gradiente a partir del punto inicial X0=(1,1).

Luego de realizar la segunda iteracin se verifica que se cumplen las condiciones necesarias de primer orden (d1=(0,0)). Adicionalmente se puede comprobar que la funcin objetivo resulta ser convexa y en consecuencia las condiciones de primer orden resultan ser suficientes para afirmar que la coordenada (X1,X2)=(-2,1) es el ptimo o mnimo global del problema.

2.3

Programacin separable
La programacin separable es un caso especial de programacin convexa, en donde la suposicin adicional es todas las funciones (x) y gi (x) son funciones separables. Una funcin separable es una funcin en la que cada termino incluye una sola varible, por lo que la funcin se puede separar en una suna de funciones de variables individuales. Por ejemplo si (x) es una funcin separable, se puede expresar como

En donde cada j (xj) incluye solo los trminos con xj. En la terminologa de programacin lineal, los problemas de programacin separable sastifacen las suposiciones de aditividad pero no las de proporcionalidad (para funciones no lineales) Para ilustrar, la funcin objetivo considerada en la figura 13.6 (x1,x2)= 126x1-9x21 + 182x2-13x22

es una funcin separable porque puede ser expresada como (x1,x2)= 1(x1,) + 2(x2) donde (x1,x2)= 126x1-9x21 y 2 + 182x2-13x22 son cada una funcin de una sola variable x1 y x2 respectivamente. Usando el mismo razonamiento, se puede verificar que la funcin consederada en la figura 13.7 tambin es una funcin separable. Es importante distinguir estos problemas de otros de programacin convexa, pues cualquier problema de programacin separable se puede aproximar muy de cerca mediante uno de programacin lineal y, entonces se puede aplicar el eficiente mtodo simplex. Este enfoque se describe en la seccin 13.8. (para simplificar, se centra la atencin en el caso linealmente restringido, en el que el tratamiento especial se necesita nada mas para la funcin objetivo.)

2.4

Programacin cuadrtica
De nuevo los problemas de programacin cuadrtica tienen restricciones lineales, pero ahora la funcin objetivo (x) deben ser cuadrticas. Entonces, la nica diferencia entre estos y un

problema de programacin lineal es que algunos trminos de la funcin objetivo incluyen el cuadrado de una variable o el producto de dos variables. Se han desarrollado muchos algoritmos para este caso, con la suspensin adicional de que (x) es cncava. La programacin cuadrtica es muy importante, en parte porque las formulaciones de este tipo surgen de manera natural en muchas aplicaciones. Por ejemplo, el problema de las seleccin de una cartera con inversin riesgosas, se ajusta a este formato. Sin embargo, otra razn por la que es importante es qye al resolver problemas generales de optimizacin linealmente restringida se puede obtener la solucin de una sucesin de aproximaciones de programacin cuadrtica.

2.5 Programacin geogrfica

La Programacin geomtrica soluciona un caso especial de problemas de Programacin No lineal. Este mtodo resuelve al considerar un problema dual asociando los siguientes dos tipos de Programacin No lineal: 1. Problema geomtrico no restringido:

2. Problema geomtrico restringido:

Donde es real, para toda supone para ambos casos son finitas, los exponentes no tienen restricciones de signo , las funciones toman la forma de un polinomio, excepto que los exponentes pueden ser negativos; por esta razn y

porque todas las ; se denominan posinomiales. La Programacin Geomtrica fue diseada por Duffin, Peterson y Zener. La lgica de la Programacin Geomtrica se basa en la desigualdad de Cauchy (desigualdad de media aritmtica - geomtrica) :

El mtodo de solucin consiste en calcular las primeras derivadas parciales de de la funcin objetivo se obtiene la ecuacin:

De las primeras derivadas parciales iguales a cero se escribe la relacin:

donde aij son los coeficientes positivos, m es el nmero de variables y n el nmero de trminos. Generalmente, el nmero de trminos determina el nmero de factores de peso y el nmero de variables independientes seala el nmero de ecuaciones. Cuando n = m + 1, se dice que el problema tiene cero grados de dificultad. Cuando n - (m + 1)> 0, es un problema que no se puede resolver mediante Programacin Geomtrica. Finalmente se resuelven los sistemas de ecuaciones simultneas planteadas y se obtiene la solucin del problema. Ejemplo: 1. Encontrar la cantidad econmica de pedido de un producto, es decir, se debe decidir que cantidad del artculo conviene almacenar peridicamente; los costos totales asociados al producto y su almacenamiento se pueden expresar CT = CCI + CHP + VC donde

Donde:

La funcin objetivo tiene la siguiente formula general:

De tal modo que al resolver el anterior sistema de ecuaciones simultneas llegamos a que 1 = 2 y la variable Q* debe ser tal que haga que los dos trminos de la funcin objetivo sean iguales:

3. Conclusin
Bsicamente la programacin no lineal se ocupa de relaciones no lineales en las que las restricciones y las funciones objetivo pueden tomar casi cualquier forma matemtica. Actualmente no hay un mtodo general para resolver problemas de PNL, aunque hay algunos tipos especiales que pueden resolverse. Estos mtodos de PNL sirven para determinar los posibles ptimos de un problema de n ecuaciones con n incgnitas.

4. Referencias 1. Investigacin de Operaciones Taha Handy 7ed.

2. http://212.128.130.23/eduCommons/ensenanzastecnicas/investigacion-operativa-i/contenidos/TemasIOI_PDF/Cap06(PNL)_IO-I.pdf 3. http://karenbandala.wordpress.com/unidad-iii/3-3-problemas-norestringidos-programacion-no-lineal/ 4. http://es.wikipedia.org/wiki/Programaci%C3%B3n_no_lineal 5.http://www.famaf.unc.edu.ar/publicaciones/documents/serie_b/BMa t44.pdf