Fascículo 4

Fascculo
Investigacin de
Operaciones
Semestre 6
Investigacin de operaciones
Semestre 6
Tabla de contenido
Pgina
Introduccin
Conceptos previos
Mapa conceptual Fascculo 4
Logros
Programacin no lineal
Forma general
Funcin convexa y cncava
Teoremas
Optimizacin en una variable
ptimos locales y globales
Teoremas
Casos
Optimizacin multivariable
11
Mtodo grfico
12
Multiplicadores de Lagrange
13
Programacin cuadrtica
14
Aplicaciones
15
Actividad de trabajo colaborativo
20
Resumen
20
Bibliografa recomendada
21
Nexo
21
Seguimiento al autoaprendizaje
23
Crditos: 3
Tipo de asignatura: Terico Prctica
Semestre 6
Copyright2008 FUNDICIN UNIVERSITARIA SAN MARTN

Facultad de Universidad Abierta y a Distancia,
Educacin a Travs de Escenarios Mltiples
Bogot, D.C.
Prohibida la reproduccin total o parcial sin autorizacin
por escrito del Presidente de la Fundacin.
La redaccin de este fascculo estuvo a cargo de
JUAN CASTRO ORDOEZ
Docente tutor Programa de Ingeniera de Sistemas a Distancia.
Sede Bogot, D.C.
Correccin de estilo
Adriana Valencia Rodrguez
Diseo grfico y diagramacin a cargo de
SANTIAGO BECERRA SENZ
ORLANDO DAZ CRDENAS
Impreso en: GRFICAS SAN MARTN
Calle 61A No. 14-18 - Tels.: 2350298 - 2359825
Bogot, D.C., Marzo de 2012
Semestre 6
Introduccin
En el anterior semestre, se abord el tema de Programacin Lineal (PL).
Una suposicin importante de la PL, es que las variables de decisin se
expresan en forma lineal (Funcin objetivo y funciones de restriccin); es
decir, en la PL, su objetivo es optimizar (maximizar o minimizar) una funcin objetivo sujeta a ciertas restricciones lineales. Por lo general, esta suposicin se cumple en la vida real para muchos problemas prcticos; pero
tambin es frecuente que no sea de esta forma. Un caso en particular se
ve, en los problemas de planeacin econmica donde es necesario manejar algoritmos de programacin no lineal.
En un modelo de Programacin No Lineal (PNL), sus variables de decisin estn expresadas como funciones no lineales tanto en la funcin objetivo como en las restricciones del modelo de optimizacin.
En un problema de Programacin No Lineal (PNL), las

variables de decisin estn
expresadas como funciones
no lineales en la funcin
objetivo en las restricciones
del modelo.
Aunque no hay un mtodo especfico para la solucin de problemas de

PNL, se han aplicado algunos algoritmos directos o indirectos como el del
gradiente para los primeros y la programacin cuadrtica para los segundos.
Conceptos previos
Para el buen desarrollo de este fascculo y aprendizaje de la Programacin
Lineal, se debe tener en cuenta lo aprendido en los siguientes temas:
Programacin lineal.
Clculo diferencial.
Para esto, responda las siguientes preguntas y resuelva los ejercicios propuestos:
1.- Qu es programacin lineal?
2.- Qu es una variable de decisin?
Fascculo No. 4
Semestre 6
Investigacion de
operaciones
3.- Cul es la estructura de un modelo de PL?
4.- Cul es la metodologa para desarrollar un problema de PL?
5.- Defina funcin continua y funcin discontinua.
6.- Cul es el concepto de derivada?
7.- Cul es el concepto de la segunda derivada?
8-. Qu es una derivada parcial?
9.- Qu es un mximo local?
10.- Qu es un mnimo global?
11.- Cules son los criterios de la primera y segunda derivada?
Mapa conceptual Fascculo 4
Investigacin de
operaciones
Fascculo No. 4
Semestre 6
Logros
Al finalizar el estudio de este fascculo, el estudiante:

Define una funcin convexa.
Soluciona un problema de programacin no lineal.
Encuentra la solucin a un problema de programacin cuadrtica.
Programacin no lineal
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 permite 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.1
En general, la PNL responde a la necesidad de solucionar problemas expresados en trminos de funciones no lineales, modelados en situaciones
de la vida real.
Tomado de: http://jorgesosasanchez.wordpress.com/unidad-3/ .
Fascculo No. 4
Semestre 6
Investigacion de
operaciones
Forma general
Es decir, en el problema de PNL se buscan los valores de las variables de

decisin;
para:
De igual manera que en el modelo de PL,
Un problema de PNL que no

tenga restricciones, es un
PNL irrestricto.
es la funcin objetivo y
son las funciones de las restricciones del modelo de PNL (funciones

no lineales). Si un problema de este estilo no tiene restricciones, es un
modelo de PNL irrestricto.
De otra parte, el conjunto de los
es
(conjunto de los nmeros reales) y
particularmente con los siguientes subconjuntos (intervalos):
Investigacin de
operaciones
Fascculo No. 4
Semestre 6
En forma similar que la PL, la regin factible en un problema de PNL, es
el conjunto de los puntos que satisfacen todas las restricciones. Un punto
en esta regin, es un punto factible y el punto que no est es un punto no
factible.
Por otra parte, en un caso de maximizacin, cualquier punto en la regin
factible para la cual
, es una solucin ptima del PNL.
De manera anloga, en un caso de minimizacin, cualquier punto

regin factible para la cual
en la
, es una solucin ptima del PNL.
Funcin convexa y cncava

Una funcin es convexa en un conjunto convexo S, si todo segmento que
une dos puntos de la grfica est por encima de la grfica, figura 4.1 a).
Una funcin es cncava en un conjunto convexo S, si todo segmento que
une dos puntos de la grfica est por debajo de la grfica, figura 4.1 b).
En otras palabras,
, es una funcin convexa s y slo s

es
una funcin cncava y viceversa.
es una funcin convexa s y slo s

es una funcin cncava y viceversa.
Tambin se pueden encontrar funciones cncavas y convexas, figura 4.1

c), de igual modo, funciones que no son ni cncavas ni convexas, figura
4.1 d).
Fascculo No. 4
Semestre 6
Investigacion de
operaciones
Figura 4.1.
Funcin convexa y cncava.
Fuente.
El autor
En el estudio de problemas de PNL, las funciones convexas y cncavas

juegan un papel muy importante. Por ejemplo, la suma de dos funciones
convexas es una funcin convexa, de igual forma, que la suma de dos funciones cncavas da como resultado una funcin cncava.
Teoremas
1. Supngase que
existe para las x de un conjunto convexo S. Enton-
ces f(x) es una funcin convexa en S s y slo s
para toda x en
S.
2. Supngase que
existe para las x de un conjunto convexo S. Enton-
ces f(x) es una funcin cncava en S s y slo s
para toda x en
S.
4.1.
Diga si las siguientes funciones son convexas o cncavas:

a)
Investigacin de
operaciones
b)
c)
Fascculo No. 4
Semestre 6
Optimizacin en una variable
Un programa de PNL en una variable con restricciones y en un subintervalo finito [a, b] tiene la forma:
Recordando que f(x) es una funcin no lineal de la variable nica x. El valor

ptimo (mximo o mnimo) se encuentra sobre el subintervalo finito [a, b],
figura 4.2.
Figura 4.2.
Ejemplos de puntos extremos para una funcin de una sola variable.
Fuente.
Modificado de: HAMDY A. Taha, INVESTIGACIN DE OPERACIONES, 7a. edicin, Ed. PEARSON, Mxico 2004, p. 702.
En dado caso que no tenga restricciones, es un programas de PNL irrestricto y el punto ptimo se encuentra en un intervalo infinito (-, ). La figura 4.1, muestra ejemplos de funciones de una sola variable en un intervalo infinito.
Para encontrar la solucin ptima a los programas de PNL con una variable y con restricciones, se hallan los mximos o mnimos locales.
Fascculo No. 4
Semestre 6
Investigacion de
operaciones
ptimos locales y globales
En una funcin objetivo f(x) hay un mnimo local (relativo) en xo, si existe
un intervalo pequeo con centro en xo tal que
para toda x en
ese intervalo en la cual la funcin est definida. Si adems,
para
toda x en la cual la funcin est definida entonces el mnimo en x o tambin es un mnimo global (absoluto). Ver figura 4.2.
Similarmente, en una funcin objetivo f(x) hay un mximo local (relativo)
en xo, si existe un intervalo pequeo con centro en xo tal que
para toda x en ese intervalo en la cual la funcin est definida. Si adems,
para toda x en la cual la funcin est definida, entonces el
mximo en xo tambin es un mximo global (absoluto). Ver figura 4.2.
Teoremas
1. Si f(x) es continua en un intervalo continuo y acotado [a, b], entonces
f(x) tiene ptimos globales en ese intervalo. Es decir, un mximo global
y un mnimo global.
2. Si f(x) tiene un ptimo local en xo y si f(x) es diferenciable en un pequeo
intervalo con centro en xo, entonces f (xo)=0.
3. Si f(x) tiene diferencial en un pequeo intervalo con centro en x o y si
f(xo)=0 y f(xo)>0, entonces f(x) tiene un mnimo local en xo. En caso
contrario, si f(xo)=0 y f(xo)<0, entonces f(x) tiene un mximo local en
xo .
Casos
1. Puntos donde
[llamado un punto estacionario de f(x)].
La figura 4.3, muestra como se determinan los ptimos locales para este
caso.
2. Puntos donde f(x) no existe.
caso.
Investigacin de
operaciones
Fascculo No. 4
Semestre 6
3. Puntos finales a y b del intervalo [a, b]. Ver figura 4.5.
caso.
Figura 4.3.
Ejemplos de ptimos locales cuando f(x) existe. Caso 1.
Fuente.
WINSTON Wayne L., Investigacin de operaciones: Aplicaciones y algoritmos, 4 edicin, Ed. Thomson, Mxico 2005, pg.
638.
Fascculo No. 4
Semestre 6
Investigacion de
operaciones
Figura 4.4.
Ejemplos de ptimos locales cuando f(x) no existe. Caso 2.
Fuente.
639.
Investigacin de
operaciones
10
Fascculo No. 4
Semestre 6
Figura 4.5.
Ejemplos de ptimos locales cuando x o es un punto final. Caso 3.
Fuente.
640.
Las figuras 4.6 y 4.7, muestran un ejemplo de aplicacin para los casos
vistos anteriormente y de la determinacin de los puntos extremos, respectivamente, para una funcin con una sola variable de decisin.
Optimizacin multivariable
Para los programas de PNL multivariable, se presentan dos casos: a) sin
restricciones y b) con restricciones.
Fascculo No. 4
Semestre 6
11
Investigacion de
operaciones
Para el primer caso, el modelo es el siguiente:
Ahora bien, se supone las derivadas parciales de
, tan-
to primera como segunda, existen y son continuas en todos los puntos. Es

decir:
Si la anterior derivada parcial es igual a cero,
es un extremo local.
Para el segundo caso, PNL con restricciones, tambin se presentan dos

casos: con restricciones de igualdad y con restricciones de desigualdad.
Para las primeras, se utilizan los multiplicadores de Lagrange para su solucin y para la segunda, una extensin de stos multiplicadores y las condiciones generales de Karush-Kuhn-Tucker (KKT). Aunque a veces el
mtodo grfico puede dar una solucin preliminar exitosa. El modelo general de un programa de PNL con restricciones es:
Mtodo grfico
El mtodo grfico, es una
excelente herramienta en la
solucin de problemas de
PNL y sigue la misma metodologa de la PL.
Hay algunos problemas de PNL que se pueden resolver exitosamente mediante el mtodo grfico; sin embargo, slo aquellos cuyas caractersticas
particulares lo admiten, en consecuencia, se requiere eso s de cierta experiencia y un buen software de graficacin de ecuaciones.
Investigacin de
operaciones
12
Fascculo No. 4
Semestre 6
Por lo general y facilidad se utilizan funciones con mximo dos variables de
decisin y se pueden presentar los siguientes casos:
1.- Funcin objetivo lineal con una o ms restricciones no lineales. Ver
ejemplo en la figura 4.8 a).
2.- Funcin objetivo no lineal con restricciones lineales. Ver ejemplos en la
figura 4.8 b) y c). Si la funcin objetivo es cuadrtica, es decir, con exponente dos, es un problema de programacin cuadrtica.
3.- Funcin objetivo no lineal con una o ms restricciones no lineales.
Para la solucin de estos casos bsicamente se sigue el procedimiento de
solucin grfica de programacin lineal. En la figura 4.8, se muestran
ejemplos de aplicacin del mtodo grfico.
Multiplicadores de Lagrange
Generalmente los multiplicadores de Lagrange (en honor a Joseph Louis
Lagrange 1736 1813), se usan para solucionar problemas de PNL en
donde las restricciones son una igualdad. El modelo es el siguiente:
Las caractersticas que debe tener este modelo son:

No hay condicin de no negatividad.
Las funciones deben ser continuas y tener derivada al menos en segundo orden.
Fascculo No. 4
Semestre 6
13
Investigacion de
operaciones
Las restricciones deben ser ecuaciones, o sea igualdades con holgura
cero (0).
El nmero de restricciones debe ser menor que el nmero de variables
de decisin, es decir, m<n.
Mtodo de solucin
1. Definir la funcin de Lagrange, as:
;
Donde
son constantes desconocidas llamadas multiplicadores de La-
grange.
2. Calcular todas las derivadas parciales de la funcin de Lagrange, hacerlas iguales a cero (0) y resuelva el sistema de ecuaciones para las Xi y
las i.
3. Se calcula la solucin y se averigua si es factible y si es lo ptimo. Si hay
desigualdades, se incluyen, si este punto no es el ptimo.
La figura 4.9, muestra un ejemplo de aplicacin de los multiplicadores de
Lagrange.
Los problemas de PNL pueden ser irrestrictos o con restricciones.

De igual forma, pueden ser en una sola variable o multivariable.
Para utilizar los multiplicadores de Lagrange, se debe tener en
cuenta que es un problema con varias variables y con restricciones en forma de ecuaciones. Es necesario saber derivar parcialmente y resolver los sistemas de ecuaciones lineales resultantes.
Programacin cuadrtica
Un problema de programacin cuadrtica (PPC) es un modelo de PNL en
donde las variables de decisin pueden tener grado 2, 1 o 0 en la funcin
Investigacin de
operaciones
14
Fascculo No. 4
Semestre 6
objetivo y en las restricciones tienen grado 1 o 0. Es decir, la funcin objetivo es cuadrtica y las restricciones son lineales.
Las caractersticas que debe tener este modelo son:
La funcin objetivo debe ser cuadrtica.
Las restricciones deben ser lineales.
Un problema de programacin cuadrtica (PPC) es un

modelo de PNL, en donde
la funcin objetivo, es
cuadrtica y las restricciones son lineales.
Se diferencia de la PL porque en la funcin objetivo tambin incluyen

trminos como X2j y XjXk.
El modelo general del programa es encontrar X1, X2, , Xn tales que:
Donde los
y son constantes.
La figura 4.10, es un ejemplo de aplicacin de la programacin cuadrtica.

Aplicaciones
La figura 4.6, muestra un ejemplo de aplicacin de los casos vistos en la
solucin para un problema de PNL con una variable.
Fascculo No. 4
Semestre 6
15
Investigacion de
operaciones
Figura 4.6.
Ejemplo de aplicacin de solucin para un problema de PNL con una variable.
Fuente.
641.
Investigacin de
operaciones
16
Fascculo No. 4
Semestre 6
Figura 4.7.
Ejemplos de puntos extremos para una funcin de una sola variable
Fuente.
Modificado de: HAMDY A. Taha, INVESTIGACIN DE OPERACIONES, 7a. edicin, Ed. PEARSON, Mxico 2004, p. 705.
Fascculo No. 4
Semestre 6
17
Investigacion de
operaciones
Figura 4.8.
Ejemplos de aplicacin del mtodo grfico.
Fuente.
Modificado de: http://chikareven.wordpress.com/ilustracion-grafica-de-problemas-de-programacion-no-lineal/
Investigacin de
operaciones
18
Fascculo No. 4
Semestre 6
Figura 4.9.
Ejemplos de aplicacin de los multiplicadores de Lagrange.
Fuente.
667.
Fascculo No. 4
Semestre 6
19
Investigacion de
operaciones
Figura 4.10.
Ejemplo de aplicacin de la programacin cuadrtica.
Fuente.
680.
Investigue en diferentes medios y entregue un informe sobre los siguientes temas:

1.- Algoritmo de Philip Wolfe.
2.- Matriz Hessiana.
3.- Seccin urea.
4.- Condiciones de Karush-Kuhn-Tucker (KKT).
5.- Matriz Jacobiana.
Para los temas o casos anteriores d un ejemplo de aplicacin.
En este fascculo, se hizo un breve anlisis de la programacin no lineal

(PNL) tanto en una variable como en varias variables de decisin. Lo anterior, en razn a que en la vida real no siempre se encuentran casos o problemas lineales, a nivel econmico. Pese a las buenas bases que se necesitan de clculo multivariado y vectorial el tratamiento y desarrollo del se
Investigacin de
operaciones
20
Fascculo No. 4
Semestre 6
hizo lo ms sencillo posible. Gracias a estos mtodos de solucin de PNL,
se han podido resolver muchos problemas que con la programacin lineal
no se haba logrado. Cabe anotar que, el mtodo grfico es el de ms fcil
aplicacin, aunque requiere de una buena herramienta de graficacin y
para ello estn los ingenieros de sistemas; para crear cada vez ms y mejores elementos de software que ayuden eficientemente a la toma de decisiones por parte de los gerentes de las organizaciones.
BRONSON Richard, INVESTIGACIN DE OPERACIONES, Ed. Mc Graw

Hill, Mxico 1983.
CHEDIAK PINZON Francisco, VERA MENDEZ Flaminio, Investigacin de
operaciones, 1 edicin, volumen 2, Ed. El Poira, Colombia 2005.
HAMDY A. Taha, INVESTIGACIN DE OPERACIONES, 7a. edicin, Ed.
PEARSON, Mxico 2004. Texto gua.
HILLIER Frederick, LIEBERMAN Gerarld J., Introduccin a la Investigacin
de Operaciones, 3a. edicin, Ed. Mc Graw Hill, Mxico l982.
WINSTON Wayne L., Investigacin de operaciones: Aplicaciones y algoritmos, 4 edicin, Ed. Thomson, Mxico 2005. Texto gua.
Despus de aprender y resolver diferentes modelos de investigacin de

operaciones, se ver una aplicacin de la misma en el rea de la logstica,
se trata de los modelos de inventarios. Para un director de una empresa es
importante saber cul es la cantidad econmica de pedido ptima y sus
respectivos costos, y stos sern los temas que se vern en el siguiente
fascculo.
Fascculo No. 4
Semestre 6
21
Investigacion de
operaciones
Investigacin de
operaciones
22
Fascculo No. 4
Semestre 6
Seguimientoal autoaprendizaje
Investigacin de operaciones - Fascculo No. 4
Nombre_______________________________________________________
Apellidos ________________________________ Fecha: _________________
Ciudad___________________________________Semestre: _______________
Resuelva las siguientes preguntas con el fin de evaluar su proceso de autoaprendizaje:
1.- Encuentre la solucin ptima para:
a)
b)
Tomado de:
Winston, problemas 5 y 6 de la pgina 648.
2.- Resuelva mediante el mtodo grfico el siguiente problema:
Investigue en diferentes medios y d un ejemplo de aplicacin para:

3.- Solucin por los multiplicadores de Lagrange.
4.- Solucin del modelo de programacin cuadrtica.
Fascculo No. 4
Semestre 6
23
Investigacion de
operaciones

Fascículo 4

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Fascículo 4

Uploaded by

Copyright:

Available Formats

Fascculo

Mapa conceptual Fascculo 4

Funcin convexa y cncava

Optimizacin en una variable

ptimos locales y globales

Actividad de trabajo colaborativo

Copyright2008 FUNDICIN UNIVERSITARIA SAN MARTN

En un problema de Programacin No Lineal (PNL), las

Aunque no hay un mtodo especfico para la solucin de problemas de

Mapa conceptual Fascculo 4

Al finalizar el estudio de este fascculo, el estudiante:

Tomado de: http://jorgesosasanchez.wordpress.com/unidad-3/ .

Es decir, en el problema de PNL se buscan los valores de las variables de

De igual manera que en el modelo de PL,

Un problema de PNL que no

son las funciones de las restricciones del modelo de PNL (funciones

(conjunto de los nmeros reales) y

particularmente con los siguientes subconjuntos (intervalos):

, es una solucin ptima del PNL.

De manera anloga, en un caso de minimizacin, cualquier punto

, es una solucin ptima del PNL.

Funcin convexa y cncava

, es una funcin convexa s y slo s

es una funcin convexa s y slo s

Tambin se pueden encontrar funciones cncavas y convexas, figura 4.1

En el estudio de problemas de PNL, las funciones convexas y cncavas

existe para las x de un conjunto convexo S. Enton-

ces f(x) es una funcin convexa en S s y slo s

existe para las x de un conjunto convexo S. Enton-

ces f(x) es una funcin cncava en S s y slo s

Diga si las siguientes funciones son convexas o cncavas:

Recordando que f(x) es una funcin no lineal de la variable nica x. El valor

ese intervalo en la cual la funcin est definida. Si adems,

[llamado un punto estacionario de f(x)].

Ahora bien, se supone las derivadas parciales de

to primera como segunda, existen y son continuas en todos los puntos. Es

Si la anterior derivada parcial es igual a cero,

Para el segundo caso, PNL con restricciones, tambin se presentan dos

Las caractersticas que debe tener este modelo son:

son constantes desconocidas llamadas multiplicadores de La-

Los problemas de PNL pueden ser irrestrictos o con restricciones.

Un problema de programacin cuadrtica (PPC) es un

Se diferencia de la PL porque en la funcin objetivo tambin incluyen

La figura 4.10, es un ejemplo de aplicacin de la programacin cuadrtica.

Investigue en diferentes medios y entregue un informe sobre los siguientes temas:

En este fascculo, se hizo un breve anlisis de la programacin no lineal

BRONSON Richard, INVESTIGACIN DE OPERACIONES, Ed. Mc Graw

Despus de aprender y resolver diferentes modelos de investigacin de

2.- Resuelva mediante el mtodo grfico el siguiente problema:

Investigue en diferentes medios y d un ejemplo de aplicacin para:

You might also like