clasificacionpnl
TRANSCRIPT
-
8/16/2019 ClasificacionPNL
1/6
República Bolivariana de Venezuela
Ministerio del Poder Popular Para la Educación Superior
Universidad Centroccidental Lisandro Alvarado
Decanato de Ciencias y Tecnología
Isabel Mosquera 19.590.474 | Optimización | 11 de mayo de 2016 | Prof. Emily Vásquez
OPTIMIZACIÓNCLASIFICACIÓN PROGRAMACIÓN NO LINEAL
-
8/16/2019 ClasificacionPNL
2/6
PÁGINA 1
INTRODUCCIÓN
Los problemas de programación no lineal se presentan de muchas formas distintas.
Al contrario del método símplex para programación lineal, no se dispone de un algoritmo que
resuelva todos estos tipos especiales de problemas. En su lugar, se han desarrollado algoritmos
para algunas clases (tipos especiales) de problemas de programación no lineal.
Se introducirán las clases más importantes y después se describirá cómo se pueden resolver
algunos de estos problemas.
Si la función objetivo f es lineal y el espacio restringido es un politopo, el problema es de
Programación lineal y puede resolverse utilizando alguno de los bien conocidos algoritmos de
programación lineal.
Si la función objetivo es cóncava (problema de maximización), o convexa (problema de
minimización) y el conjunto de restricciones es convexo, entonces se puede utilizar el método
general de Optimización convexa
Existe una variedad de métodos para resolver problemas no convexos.
-
8/16/2019 ClasificacionPNL
3/6
PÁGINA 2
PROGRAMACIÓN NO LINEAL
Es el proceso de resolución de un sistema de igualdades y desigualdades sujetas a un conjunto de
restricciones sobre un conjunto de variables reales desconocidas, con una función objetivo a
maximizar, cuando alguna de las restricciones o la función objetivo no son lineales.
Esta característica particular de los modelos no lineales permite abordar problemas donde existen
economías o deseconomías de escala o en general donde los supuestos asociados a la
proporcionalidad no se cumplen.
De la manera general el problema de programación no lineal consiste en encontrar:
X=(X1, X2, X3, X4, XN) para
Maximizar f(X),
Sujeta a
Gi(X)0;
El campo de aplicación de la programación no lineal es muy amplio, sin embargo, hasta la fecha los
investigadores de esta rama del conocimiento no han desarrollado un método sistemático que sea
práctico para su estudio.
CLASIFICACIÓN O TIPOS DE PROBLEMAS
Las maneras de resolver problemas de Prog. No lineal son muy variadas por lo que no se pueden
resolver por método simplex, los tipos son los siguientes:
1.
Optimización no restringida: problema sin restricciones, es decir, el problema se
reduce a: max f(x).
2.
Optimización linealmente restringida: si todas las funciones de restricciones son
lineales pero la función objetivo es no lineal. Se han desarrollado extensiones del
método Sımplex. Un caso particular, con m = 0 es aquel en que hay variables no
negativas. Por ejemplo, max f(x) s.a xj ≥ 0
3. Programación cuadrática: problema restringido linealmente con función objetivo
cuadrática, ejemplo:
4.
Programación convexa: abarca una amplia clase de problemas, entre los cuales,
como casos especiales, se puede mencionar todos los tipos anteriores cuando f(x) es
una función cóncava que debe maximizarse. Los supuestos son: (i) f(x) es cóncava y (ii)
cada gi(x) es convexa. Estos supuestos aseguran que un máximo local es global, si el
problema es de minimización
-
8/16/2019 ClasificacionPNL
4/6
PÁGINA 3
5.
Programación separable: es un caso especial de programación convexa, en donde
el supuesto adicional es: todas las funciones f(x) y gi(x) son separables. Una función
separable es una función en la que cada término incluye una sola variable, por lo que
la función se puede separar en una suma de funciones de variables individuales.
6.
Programación no convexa: incluye todos los problemas de PNL que no satisfacenlos supuestos de programación convexa. En este caso, aun cuando se tenga ´éxito en
encontrar un máximo local, no hay garantía de que sea también un máximo global. Por
lo tanto, no se cuenta con un algoritmo que garantice encontrar una solución ´óptima
para todos estos problemas; sin embargo, existen algunos algoritmos bastante
adecuados para encontrar máximos locales, en especial cuando las formas de las
funciones no lineales no se desvían demasiado de aquellas que se supuso para
programación convexa. Ciertos tipos específicos de problemas de programación no
convexa se pueden resolver sin mucha dificultad mediante métodos especiales.
7.
Programación geométrica: cuando se aplica PNL a problemas de diseño de
ingeniería, muchas veces la función objetivo y las funciones de restricción toman la
forma
Donde
En tales casos, ck y akj con frecuencia representan las constantes físicas, mientras que las
xj son las variables de diseño. Estas funciones por lo general no son ni cóncavas ni convexas, por lo
que las técnicas de programación convexa no se pueden aplicar en forma directa a estos problemas
de programación geométrica. Sin embargo, existe un caso importante en el que el problema se
puede transformar en un problema de programación convexa equivalente. Este caso es aquel en
el que todos los coeficientes ck de cada función son estrictamente positivos, es decir, las funciones
son polinomios positivos generalizados (ahora llamados posinomios), y la función objetivo se tiene
que minimizar.
8.
Programación fraccional: si la función objetivo se encuentra en la forma de una
fracción, esto es, como razón o cociente de dos funciones, estos problemas de
programación fraccional surgen, por ejemplo, cuando se maximiza la razón de la
producción entre las horas-persona empleadas (productividad), o la ganancia entre el
capital invertido (tasa de rendimiento), o el valor esperado dividido entre la desviación
estándar de alguna medida de desempeño de una cartera de inversiones (rendimiento
/ riesgo).
9.
Problema de complementariedad: Dadas las variables w1, w2, . . . , wp y z1, z2, . . . ,
zp, el problema de complementariedad encuentra una solución factible para el
conjunto de restricciones
-
8/16/2019 ClasificacionPNL
5/6
PÁGINA 4
Que también satisface la llamada restricción de complementariedad,
Aquí, w y z son vectores columna, F es una función vectorial y el superíndice t denota la
transpuesta. El problema no tiene función objetivo, de manera que, desde un punto de vista
técnico, no es un problema de programación no lineal completo. Se llama problema de
complementariedad por las relaciones complementarias que establecen las también conocidas
como variables complementarias que
Un caso en especial importante es el problema de complementariedad lineal, donde
Donde q es un vector columna dado y M es una matriz dada de orden p × p. Se dispone de
algoritmos eficientes para resolver este problema bajo algunos supuestos adecuados sobre las
propiedades de la matriz M. Uno de ´estos requiere pivotear de una solución básica factible a la
siguiente, en forma muy parecida a la del método simplex para programación lineal. Además de
tener aplicaciones en programación no lineal, los problemas de complementariedad se utilizan en
teoría de juegos, problemas de equilibrio económico y problemas de equilibrio en ingeniería.
-
8/16/2019 ClasificacionPNL
6/6
PÁGINA 5
CONCLUSIÓN
La programación no lineal tiene la limitante de la no existencia de un algoritmo único para cualquier
problema no lineal, así como lo hace el método Simplex en la Programación Lineal, lo cual complica
un poco más su estudio.
Los métodos de solución de programación no lineal, se pueden clasificar en términos generales
como procedimientos directos o indirectos. Es una poderosa herramienta en el proceso de
resolución de un sistema de igualdades y desigualdades, también es sumamente importante en la
modernización de los problemas de la vida real como en la teoría de matemática de amplia
aplicación, las igualdades y desigualdades están sujetas a un conjunto de restricciones sobre un
conjunto de variables reales desconocidas, con una función objetivo a maximizar.
La mayoría de los Problemas de Programación no Lineal requieren de la ayuda de Software de
computadora para poder llegar a su solución completa.