Se considera como tal al conjunto de mtodos utilizados para optimizar una funcin objetivo, sujeta a una serie de restricciones

en los que una o mas de las variables incluidas es no lineal.

Un problema no lineal es un problema de programacin matemtica donde la funcin objetivo o alguna restriccin es no lineal.

Forma general de un P.P.N. L. M ax(M in) f(x1; ; x2; : : : ; xn) s:a: g1(x1; x2; : : : ; xn)(; =; )b1 g2(x1; x2; : : : ; xn)(; =; )b2 gm(x1; x2; : : : ; xn)(; =; )bm

Como en Programacin lineal la funcin f(x1; ; x2; : : : ; xn) es la funcin objetivo del P.N.L. y gi(x1; x2; : : : ; xn)(; =; )bi; i = 1; : : : ; m son las restricciones del mismo. Adems se supone que estas funciones son diferenciables.

Sin restricciones: Estos problemas son un programa matemtico para los que las variables de decisin no estn restringidas.
Su formulacin es de la siguiente forma: M ax (M in) f(x1; ; x2; : : : ; xn) Un aspecto importante de este tipo es que, en ocasiones, un P.N.L. con restricciones se puede resolver a partir de uno sin restricciones.

Ejemplo: Se poseen los siguientes datos sobre una poblacin animal, a lo largo de cinco aos. Se quiere ajustar a un modelo

La funcin a optimizar es:

En este caso sera:

El mtodo de mnimos cuadrados responde a una formulacin no lineal sin restricciones; esto es, La funcin y = ax + b se ajusta a los datos (xi; yi); i = 1; : : : ; n minimizando la expresin:

Con restricciones: La formulacin de este tipo de problemas responde a la formulacin general presentada al comienzo.
Los problemas con restricciones de desigualdad permiten reflejar la realidad en trminos matemticos mejor que los problemas con restricciones de igualdad, ya que no limitan tanto la eleccin de los valores de las variables de decisin.

Ejemplo: Una compaa planea gastar 10000 euros en publicidad. Se sabe que un minuto de publicidad en televisin cuesta 3000 euros y 1000 euros en la radio.

Si la empresa compra x minutos de publicidad en televisin e y minutos en la radio, su ingreso, en euros, est dado por:

Cmo puede la empresa maximizar sus ingresos?

Las variables de decisin del problema son: x : minutos que compra la empresa en televisin y : minutos que compra la empresa en radio

El objetivo es maximizar los ingresos,

Restricciones del problema: * Gastar 10000 euros en publicidad en los dos medios, 3000x + 1000y = 10 000. Por tanto:

Este problema es un problema no lineal con restricciones de igualdad (lineal).

Ejemplo: Una compaa petrolfera debe determinar cuntos barriles de petrleo hay que extraer en los prximos dos aos. Si la compaa extrae x1 millones de barriles durante un ao, se pondra vender cada barril a 30-x1 euros. Si extrae x2 millones de barril durante el segundo ao, se podra vender cada barril a 35-x2 euros.

El costo para extraer X1 millones de barriles en el primer ao es de X1 millones de euros y el costo para extraer X2 millones de barriles durante el segundo ao es de 2X millones de euros. Se puede obtener como mximo un total de 20 millones de barriles de petrleo, y se puede gastar como mximo 250 millones de euros en la extraccin. Formular el P.N.L. para ayudar a la empresa a maximizar sus ganancias para los prximos dos aos.

Las variables de decisin del problema son: x1 : millones de barriles extrados durante el primer ao. x2 : millones de barriles extrados durante el segundo ao.

Este problema es un problema no lineal con restricciones de desigualdad (no lineal y lineal)

Mtodo lagrangiano:

Es un proceso iterativo en el que nos movemos de una posible solucin a otra, a fin de mejorar el valor de la funcin objetivo. No garantiza que cada solucin sucesiva este mas cercana a la solucin ptima y puede requerir un nmero infinito de repeticiones para su convergencia. Este mtodo puede usarse cuando la funcin objetivo y las restricciones no contengan linealidad.

Las variables de decisin del problema son: x1 : millones de barriles extrados durante el primer ao. x2 : millones de barriles extrados durante el segundo ao.

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).

Una condicin necesaria para la optimizacin es que sea no negativa (no positiva) para problemas de maximizacin (minimizacin). Esto se justifica como sigue. Considere el caso de maximizacin. Como mide la taza de variacin de F con respecto a g.

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.

 Se aplican principalmente a funciones estrictamente unimodales de una variable. Su idea principal es identificar el intervalo de incertidumbre que comprenda al punto de solucin ptima.

Los mtodos usados en este tema son: 1. Mtodo de bsqueda dictomo.

2. Mtodo de bsqueda de seccin dorada.

Buscan la maximizacin de una funcin unimodal f(x) en el intervalo a x b que incluye el punto x*

Comienzan con l = (a , b), representa el intervalo inicial de incertidumbre.

Paso general i:

Sea l 1 ( = XiXR) el intervalo actual de incertidumbre.

En la iteracin 0 XL=a Y XR=b Con XL < X1 < X2 < XR

El intervalo de incertidumbre li se define de la siguiente manera: 1. Si f(xi) > f(x2), entonces x1 < x* < x2. se definen XR = X2 e Ii= (x1, xR) 2. Si f(x1) < f(x2), entonces x1 < x* < xR. se definen XL=X1 e Li= (X1, XR) 3. Si f(X1)= f(X2), entonces X1 < x* < X2, se definen XL= X1, XR= X2 e Li=(X1,X2)

La diferencia entre los dos mtodos ya mencionados es la forma en que se calcula x1 y x2 METODO DICOTOMO X1= (XR + XL -) X2= (XR + XL + )

METODO DE LA SECCION DORADA X1= XR- ((5 1)/2)(XR XL) X2= XL + ((5 1)/2)(XR XL)

EJEMPLO:

Al continuar de la misma forma, el intervalo de incertidumbre terminar por estrecharse hasta la tolerancia deseada.