Investigacion 3 2

3.
2 Ilustración grafica de
problemas de programación
no lineal.
Supongamos el siguiente problema:
«Windor Glass Co produce productos de vidrio de alta
calidad, incluyendo ventanas y puertas de vidrio. Tiene tres plantas.
Marcos de aluminio y molduras son hechos en la planta 1, marcos de
madera son hechos en la planta 2 y la planta 3 produce vidrio y
ensambla los productos.
Se tiene un programa de cambio de la producción y se
propone incursionar dos nuevos productos:
Producto 1. Puerta de vidrio con marco de aluminio.
Producto 2. ventana de vidrio con marco de madera.
Según el departamento de comercialización toda la
producción de estos puede colocarse en el mercado.»
Se desea determinar la tasa de producción de los 2
productos para maximizar las utilidades sujeto a las limitaciones que
tiene la empresa.
Nota: se fabrican lotes de 20 productos por semana. La
tasa de producción será el número de lotes producidos a la semana.
Restricciones funcionales:
ℎ𝑜𝑟𝑎𝑠 𝑎𝑟𝑡 ℎ𝑜𝑟𝑎𝑠

∗ =[ ]
𝑎𝑟𝑡 𝑠𝑒𝑚 𝑠𝑒𝑚
Restricción 1: Horas disponibles en la planta 1.

𝑥1 ≤ 4

2𝑥2 ≤ 12

3𝑥1 + 2𝑥2 ≤ 18
La figura 1 muestra lo que ocurre con este problema
si los únicos cambios que se hacen al modelo son la segunda
y tercera restricciones funcionales se sustituyen por la
restricción no lineal 9𝑥 21 + 5𝑥 22 ≤ 216.
𝑥2
6 (2,6) = solución optima
𝑧 = 36 = 3𝑥1 + 5𝑥2
4
0 𝑥1
2 4
Figura 1. Ejemplo de la Wyndor Glass Co. Con la restricción no
lineal 9𝑥 21 + 5𝑥 22 ≤ 216 en lugar de la segunda restricción
original.
Ahora suponga que las restricciones del problema se conservan sin
cambio, pero que la función objetivo se hace no lineal. Por ejemplo si,
𝑧 = 126𝑥1 − 9𝑥12 − 182𝑥2 − 13𝑥2
entonces la representación grafica en la figura en la figura 2 indica que la
8
solución optima es 𝑥1 = , 𝑥2 = 5, que de nuevo se encuentra en la frontera de
3
la región factible.
𝑥2
4 𝑧 = 907
𝑧 = 857
𝑧 = 807
2
0 𝑥1
2 4
Figura 2. Ejemplo de la Wyndor Glass Co. con la región factible original pero con
la función objetivo no lineal 𝑧 = 126𝑥1 − 9𝑥1 − 182𝑥2 − 13𝑥2
en lugar de la función objetivo original.
(El valor optimo de 𝑍 es 𝑍 = 857; así la figura 2 muestra el hecho
de que el lugar geométrico de los puntos con 𝑍 mas grande no toca la región
factible en ningún punto.)
Por otro lado, si
𝑧 = 54𝑥1 − 9𝑥12 + 78𝑥2 − 13𝑥22
entonces la figura 3 ilustra que la solución optima es 𝑥1 , 𝑥2 = (3,3), que se

encuentra dentro de la frontera factible.
𝑥2
6 𝑧 = 117
𝑧 = 162
4 𝑧 = 189
𝑧 = 198
0 𝑥1
2 4
Figura 3. El ejemplo de la Wyndor Glass Co. Con la región factible original pero con
2
otra función objetivo no lineal 𝑧 = 54𝑥1 − 9𝑥1 + 78𝑥2 − 13𝑥22, en lugar de la
original.
(Se puede comprobar que esta solución es optima si se usa el
calculo para derivarla como un máximo global no restringido; como también
satisface las restricciones, debe ser optimo para el problema restringido.) Por
tanto, es necesario que un algoritmo general para resolver problemas de este
tipo tome en cuenta todas las soluciones en la región factible, y no solo aquellas
que están sobre la frontera.
Otra complicación que surge en la programación no lineal es que un
máximo local no necesariamente es un máximo global(la solución optima
global). Por ejemplo, considere la función de una sola variable graficada en la
figura 4.
𝒇(𝒙)
0 1 2 3 4 5 𝒙
Figura 4. Función con varios máximos locales (𝑥 = 0,2,4), pero solo 𝑥 = 4 es un

máximo global.
En el intervalo 0 ≤ 𝑥 ≤ 5, esta función tiene 3 máximos locales
− 𝑥 = 0, 𝑥 = 2, 𝑥 = 4 − pero solo uno de estos − 𝑥 = 4 − es un máximo global.
(De igual manera, existen mínimos locales en 𝑥 = 1,3 𝑦 5, pero solo 𝑥 = 5 es un
mínimo global.)
En general, los algoritmos de programación no lineal no pueden
distinguir entre un máximo local y un máximo global (excepto si encuentran otro
máximo global mejor), por lo que es determinante conocer las condiciones bajo
las que se garantiza que un máximo local es un máximo global en la región
factible. Hay que recordar que en el calculo, cuando se maximiza una función
ordinaria (doblemente diferenciable) de una sola variable 𝑓(𝑥) sin restricciones,
esta garantía esta dada cuando
𝑑2 𝑦
𝑑𝑥 2
≤ 0 para toda 𝑥.
Una función de este tipo cuya curvatura siempre es «hacia abajo» (o

que no tiene curvatura) se llama función cóncava. De igual manera, si se
sustituye ≤ por ≥, de manera que la función tiene siempre una curvatura «hacia
arriba» (o no tiene curvatura), se llama función convexa. (Así, una función lineal
es tanto cóncava como convexa).
En la figura 5 se pueden ver ejemplos de esto. Hay que notar que la
figura 4 ilustra una figura que no es cóncava, ni convexa pues alterna sus
curvaturas hacia arriba y hacia abajo.
𝒇(𝒙) 𝒇𝒖𝒏𝒄𝒊𝒐𝒏 𝒄𝒐𝒏𝒄𝒂𝒗𝒂 𝒇(𝒙)
𝒇𝒖𝒏𝒄𝒊𝒐𝒏 𝒄𝒐𝒏𝒗𝒆𝒙𝒂
𝒂) 𝒙 𝒃) 𝒙
Figura 5. Ejemplos de a) una función cóncava y b) una función convexa.

Investigacion 3 2

Cargado por

Copyright:

Formatos disponibles

Investigacion 3 2

Cargado por

Información del documento

Título 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

Investigacion 3 2

Cargado por

Copyright:

Formatos disponibles

3.

ℎ𝑜𝑟𝑎𝑠 𝑎𝑟𝑡 ℎ𝑜𝑟𝑎𝑠

Restricción 1: Horas disponibles en la planta 1.

Restricción 2: Horas disponibles en la planta 2.

Restricción 3: Horas disponibles en la planta 3.

6 (2,6) = solución optima

entonces la figura 3 ilustra que la solución optima es 𝑥1 , 𝑥2 = (3,3), que se

Figura 4. Función con varios máximos locales (𝑥 = 0,2,4), pero solo 𝑥 = 4 es un

Una función de este tipo cuya curvatura siempre es «hacia abajo» (o

𝒇(𝒙) 𝒇𝒖𝒏𝒄𝒊𝒐𝒏 𝒄𝒐𝒏𝒄𝒂𝒗𝒂 𝒇(𝒙)

Figura 5. Ejemplos de a) una función cóncava y b) una función convexa.

También podría gustarte