MPNL

CONTENIDO
INTRODUCCIN..................................................................................................................2
MARCO TEORICO................................................................................................................3
APLICACIN DE LA PROGRAMACIN NO LINEAL..................................................10
CONCLUSIONES ESPECFICAS.......................................................................................15
CONCLUSIONES................................................................................................................15
BIBLIOGRAFIA..................................................................................................................16
INTRODUCCIN
La programacin no lineal forma parte de la investigacin de operaciones y tambin, como
la programacin lineal, tiene como finalidad proporcionar los elementos para encontrar los
puntos ptimos para una funcin objetivo. En este planteamiento, tanto la funcin objetivo
como las restricciones son no lineales. Se presenta un problema de programacin no lineal
cuando tanto la funcin objetivo que debe optimizarse, como las restricciones del problema,
o ambas, tienen forma de ecuaciones diferenciales no lineales, es decir, corresponden a
ecuaciones cuyas variables tienen un exponente mayor que 1. El campo de aplicacin de la
programacin no lineal es muy amplio, sin embargo, hasta la fecha los investigadores de
esta rama del conocimiento no han desarrollado un mtodo sistemtico que sea prctico
para su estudio. La programacin no lineal tambin es conocida con el nombre de
programacin cuadrtica, en virtud de que la mayor parte de los problemas que resultan
contienen ecuaciones cuadrticas o de segundo grado. Muchas veces se presentan casos en
que se deben maximizar funciones no lineales que presentan restricciones lineales; esto es
posible resolverlo, siempre y cuando se admita la hiptesis de que la utilidad marginal no es
constante, en este caso, la funcin objetivo deja de ser lineal.
MARCO TEORICO
PROGRAMACIN NO LINEAL
DEFINICIN:
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 una
funcin objetivo a maximizar, cuando alguna de las restricciones o la funcin objetivo no
son lineales.
En este tema vamos a considerar la optimizacin de problemas que no cumplen las
condiciones de linealidad, bien en la funcin objetivo, bien en las restricciones. En general,
se puede expresar un problema de Programacin No Lineal (PNL) de la manera siguiente:
encontrar los valores de las variables (x1, x2,, xn) que:
CARCTERSTICAS:
Los problemas no lineales se caracterizan por tener relaciones no lineales; es decir,

no existe una relacin directa y proporcional entre las variables que intervienen. Los
problemas de programacin no lineal, tambin son llamados curvilneos, ya que el
rea que delimita las soluciones factibles en un grfico se presenta en forma de
curva.
La funcin objetivo en la programacin no lineal, puede ser cncavo o convexo. Es

cncavo cuando se trata de maximizar utilidades, contribuciones, etc. Es convexo
cuando trata de minimizar recursos, costos, etc.

Los problemas que contienen restricciones lineales, se resuelven de una forma ms
sencilla que los problemas con restricciones no lineales.
CONCEPTO DE UNA FUNCION

Una funcin relaciona cada elemento de un conjunto con un elemento exactamente de otro
conjunto (puede ser el mismo conjunto).
Una funcin es como una mquina: tiene una entrada y una salida. Y lo que sale est
relacionado de alguna manera con lo que entra.
QU ES LA SOLUCIN FACTIBLE?
El conjunto interseccin, de todos los semiplanos formados por las restricciones, determina
un recinto, acotado o no, que recibe el nombre de regin de validez o zona de soluciones
factibles.
QUS ES LA SOLUCIN PTIMA?

El conjunto de los vrtices del recinto se denomina conjunto de soluciones factibles
bsicas y el vrtice donde se presenta la solucin ptima se llama solucin mxima (o
mnima segn el caso).
PASOS PARA RESOLVER UN PROBLEMA DE PROGRAMACION LINEAL
1. Entender el problema a fondo.

2. Describir el objetivo.
3. Describir cada restriccin.
4. Definir las variables de decisin.
5. Escribir el objetivo en funcin de las variables de decisin.
6. Escribir las restricciones en funcin de las variables de decisin.
7. Agregar las restricciones de no negatividad.
RESOLUCIN DE UN PROBLEMA DE PROGRAMACIN NO LINEAL

Se puede resolver segn sea el caso, de dos maneras:
MTODO GRFICO: Cuando un problema de programacin no lineal tiene solo

una o dos variables, se puede representar grficamente. La representacin grfica
del modelo proporciona su solucin.
FUNCIONES CONCAVAS Y CONVEXAS:
Las funciones cncavas y convexas representan un papel fundamental en la Teora
de la Optimizacin ya que pueden garantizarnos la globalidad de los ptimos
locales. Por ello vamos a iniciar este apartado introduciendo el concepto de funcin
cncava y convexa para luego ms tarde introducir condiciones que nos permitan
reconocer si una funcin es cncava o convexa dependiendo de sus propiedades de
diferenciabilidad.
Diremos que una funcin f(x) es estrictamente cncava en un conjunto S
convexo si todo segmento que une dos puntos de la grfica est
estrictamente por debajo de la grfica.
Diremos que una funcin es cncava (no estricta) si no todas las cuerdas que
unen puntos de la grfica en dicho intervalo quedan estrictamente por
debajo.
Sea f(x) una funcin definida en un intervalo de R, diremos que dicha
funcin es convexa en el intervalo si todo segmento que une dos puntos de la
grfica queda por encima de la grfica. Si siempre queda estrictamente por
encima, decimos que la funcin es estrictamente convexa.
Sea S un subconjunto convexo de R y sea f: S R. Diremos que f(x) es una
funcin convexa en S si para cualquier par de puntos x, y E S y para
cualquier b E [0,1]
f [ ( 1b ) x +by ] ( 1b ) f ( x ) +bf ( y )
f(x) es una funcin estrictamente convexa en S si para cualquier par de
puntos x, y E S y para cualquier b E [0,1]
f [ ( 1b ) x +by ] < ( 1b ) f ( x )+ bf ( y )
En la figura siguiente se representa grficamente una funcin convexa:
f(x) es una funcin cncava en S si para cualquier par de puntos x, y E S y
para cualquier b E [0,1]
f [ ( 1b ) x +by ] (1b ) f ( x ) +bf ( y )

f(x) es una funcin estrictamente cncava en S si para cualquier par de
puntos x, y E S y para cualquier b E [0,1]
f [ ( 1b ) x +by ] > ( 1b ) f ( x )+ bf ( y )
En la figura siguiente se representa grficamente una funcin cncava
MTODO ANALTICO: Existen varios mtodos que hemos aprendido en clases,

de las que destacan:
o Modelo de una variable de decisin sin restricciones.
o Modelo con ms de una variable de decisin y sin restricciones.
o Modelo con restricciones de igualdad: Multiplicadores de LaGrange.
o Modelos con restricciones de desigualdad.
MULTIPLICADORES DE LAGRANGE
En los problemas de optimizacin, el mtodo de los multiplicadores de LaGrange,
llamados as en honor a Joseph Louis LaGrange, es un procedimiento para encontrar los
mximos y mnimos de funciones de mltiples variables sujetas a restricciones. Este
mtodo reduce el problema restringido con n variables a uno sin restricciones de n + k
variables, donde k es igual al nmero de restricciones, y cuyas ecuaciones pueden ser
resueltas ms fcilmente. Estas nuevas variables escalares desconocidas, una para cada
restriccin, son llamadas multiplicadores de LaGrange. El mtodo dice que los puntos
donde la funcin tiene un extremo condicionado con k restricciones, estn entre los puntos
estacionarios de una nueva funcin sin restricciones construida como una combinacin
lineal de la funcin y las funciones implicadas en las restricciones, cuyos coeficientes son
los multiplicadores.
La demostracin usa derivadas parciales y la regla de la cadena para funciones de varias
variables. Se trata de extraer una funcin implcita de las restricciones, y encontrar las
condiciones para que las derivadas parciales con respecto a las variables independientes de
la funcin sean iguales a cero.
Los multiplicadores de LaGrange se pueden utilizar para resolver el MPNL en los que las
restricciones son restricciones de igualdad.
Considere el MPNL:
Max(min)z=f(x1,x2,,xn)
S.a:
g1(x1,x2,,xn) = b1
g2(x1,x2,,xn) = b2
.
.
.
gm(x1,x2,,xn) = bm
La funcin de Lagrange para resolver el sistema es:
L(x1,x2,,xn, 1, 2,, m)=f(x1,x2,,xn)+
bigi
i
i=m
i=1
x1,x2,,xn)]
10
APLICACIN DE LA PROGRAMACIN NO LINEAL

La empresa Madelei ubicado en la campia de Huacho (Santa Mara Chonta), desea
traer al grupo Corazn Serrano para lo cual planifica gastar 10.000 soles en publicidad.
Costndole 3.000 soles un minuto de publicidad en la televisin (Canal 17 en cable plus y
canal 25 en Cable Color) y 1.000 soles un minuto de publicidad en la radio (Todas las
radios locales de la ciudad de Huacho). Si la empresa compra x minutos de publicidad en la
televisin e y minutos de publicidad en la radio, su ingreso, en miles de soles, est dado
por:
f ( x , y ) =2 x 2 y 2 + xy +8 x+ 3 y
Plantear y resolver el problema de manera que la empresa maximice sus ingresos.
x=minutos en television
y=minutos en radio
RESOLUCIN:
La formulacin del problema no lineal queda de la forma:
Max (min)=f ( x , y )=2 x 2 y 2 + xy +8 x +3 y
11
Sujeta a:
g ( x , y )=3 x+ y=10
Formamos los multiplicadores de lagrange:

L ( x , y , )=2 x 2 y 2 + xy +8 x+ 3 y+ (3 x+ y10)
Luego hallamos derivadas parciales:

dL
=4 x+ y+ 8+3
dx
dL
=2 y + x+ 3+
dy
dL
=3 x + y 10
d
Luego:
dL
=4 x+ y+ 8+3
dx
dL
=2 y + x+ 3+
dy
dL
=3 x + y 10
d
y=4 x3 8
x=2 y3
3 x+ y =10
12
Vamos a poner las expresiones de x e y en funcin de
. Sustituyendo x en
y=4 x3 8 , tenemos:
y=4 ( 2 y3 )3 8
7 y=7 + 20 y= +
20
7
Llevando este valor de y a
x=2 +
x=2 y3 , tenemos:
20
3
7
19
7
x=+
Sustituyendo los valores de x e y en 3 x+ y =10 , tenemos:
3 +
19
20
+ +
=10
7
7
)(
1
4
Sustituyendo este valor de
1
4
en las expresiones de x e y, tenemos:
13
x=+
19
1 19
69
x=
+ x=
7
4
7
28
y= +
20
1 20
73
y = + y=
7
4
7
28
Derivamos parcialmente dL con respecto a x e y:

2
d L
=4
2
dx
d2 L
=2
2
dy
d2 L
=1
dxdy
( )
Para determinar puntos mximos y mnimos se evalan las siguientes condiciones:

Si:
d2 L
>0
d x2
14
( )( ) ( )
d L
2
dx
d L
d L
>0
2
dxdy
dy
Entonces el punto es de un mnimo local.

Si:
d2 L
<0
d x2
Y
2
( )( ) ( )
d L
d x2
d L
d L
>0
2
dxdy
dy
Entonces el punto es de un mximo local.

Determinamos punto mximo o mnimo local:
d2 L
d2 L
<
0
<4
d x2
d x2
Y
d2 L
d x2
d2 L
d2 L
>0 (4 ) (2 ) ( 1 )> 0
dxdy
d y2
( )( ) ( )
15
( 8 ) (1 )> 0
7>0
Entonces el punto es de un mximo local:

Se obtiene la funcin ptima remplazando los valores seleccionados en el paso anterior:
2
Max(min)=f ( x , y )=2 x y + xy +8 x +3 y
Sujeto a:
g ( x , y )=b 3 x+ y =10
Remplazando
x=
69
28
f ( x , y ) =2
y=
69
73
69 73
69
73
+( )( )+8( )+3 ( )
28
28
28 28
28
28
( ) ( )
f ( x , y ) =15.01785714
Sujeto a:
g ( x , y )=b 3
g ( x , y )=10
73
28
( 6928 )+( 7328 )=10
16
CONCLUSIONES ESPECFICAS
1. Para que la empresa maximice sus ingresos, con los 10,000 soles que gastar en
publicidad, tendr que invertir
televisin e invertir
( 6928 )
equivalente a 2.464285714 minutos en
73
)
28 equivalente a 2.607142857 minutos en radio,
generando as un ingreso de 15,017.85714 soles.

CONCLUSIONES
La programacin lineal es el campo de las matemticas que aplica los mtodos de
optimizacin a los problemas del mundo real
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.
Adems, los problemas de programacin lineal tienen limitaciones asociadas a ellos. Estas
limitaciones actan como barreras de la maximizacin o minimizacin de la funcin
objetivo.
17
BIBLIOGRAFIA
Avriel, Mordecai (2003). Nonlinear Programming: Analysis and Methods. Dover
Publishing. ISBN 0-486-43227-0.

Bazaraa, Mokhtar S. and Shetty, C. M. (1979). Nonlinear programming. Theory
and algorithms. John Wiley & Sons. ISBN 0-471-78610-1.

Nocedal, Jorge and Wright, Stephen J. (1999). Numerical
Optimization. Springer. ISBN 0-387-98793-2.

Bertsekas, Dimitri P. (1999). Nonlinear Programming: 2nd Edition. Athena
Scientific. ISBN 1-886529-00-0.

MPNL

Cargado por

Copyright:

Formatos disponibles

MPNL

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

MPNL

Cargado por

Copyright:

Formatos disponibles

CONTENIDO

Los problemas no lineales se caracterizan por tener relaciones no lineales; es decir,

La funcin objetivo en la programacin no lineal, puede ser cncavo o convexo. Es

cuando trata de minimizar recursos, costos, etc.

CONCEPTO DE UNA FUNCION

QUS ES LA SOLUCIN PTIMA?

PASOS PARA RESOLVER UN PROBLEMA DE PROGRAMACION LINEAL

1. Entender el problema a fondo.

RESOLUCIN DE UN PROBLEMA DE PROGRAMACIN NO LINEAL

MTODO GRFICO: Cuando un problema de programacin no lineal tiene solo

f [ ( 1b ) x +by ] (1b ) f ( x ) +bf ( y )

MTODO ANALTICO: Existen varios mtodos que hemos aprendido en clases,

La funcin de Lagrange para resolver el sistema es:

L(x1,x2,,xn, 1, 2,, m)=f(x1,x2,,xn)+

APLICACIN DE LA PROGRAMACIN NO LINEAL

Plantear y resolver el problema de manera que la empresa maximice sus ingresos.

Formamos los multiplicadores de lagrange:

Luego hallamos derivadas parciales:

Vamos a poner las expresiones de x e y en funcin de

Llevando este valor de y a

Sustituyendo los valores de x e y en 3 x+ y =10 , tenemos:

Sustituyendo este valor de

en las expresiones de x e y, tenemos:

Derivamos parcialmente dL con respecto a x e y:

Para determinar puntos mximos y mnimos se evalan las siguientes condiciones:

Entonces el punto es de un mnimo local.

Entonces el punto es de un mximo local.

Entonces el punto es de un mximo local:

( 6928 )+( 7328 )=10

publicidad, tendr que invertir

equivalente a 2.464285714 minutos en

generando as un ingreso de 15,017.85714 soles.

Avriel, Mordecai (2003). Nonlinear Programming: Analysis and Methods. Dover

Publishing. ISBN 0-486-43227-0.

and algorithms. John Wiley & Sons. ISBN 0-471-78610-1.

Optimization. Springer. ISBN 0-387-98793-2.

También podría gustarte