Introduccion 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 permiten 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.

metodologia programacion no lineal 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. Como ejemplo considere el siguiente problema de programacin no lineal Minimizar f(x) sujeta a g i(x) < 0 i - 1, 2 m hj(x)-0 j - 1 ,2 1

donde f. gj. g-, gm. h b h2,...., h, son funciones definidas en L. el espacio euclidiano de n dimensiones. X es un subconjunto de Ln. y x es un \ector de componentes x,. x2,...,xn. El problema anterior puede ser resuelto para los valores de las variables x|,x2,...,xn que satisfacen las restricciones y que minimicen la funcin f. La funcin f es llamada usualmenle la funcin objetivo o la funcin criterio. Cada una de las restricciones para i 1.2 m es llamada restriccin de desigualdad y cada una de las restricciones h-Jx) para j-l,2,...,l es llamada restriccin de igualdad.

Un vector x que satisface todas las restricciones es llamado una solucin factible al problema. La coleccin de todas las posibles soluciones forman la regin factible. El problema de programacin no lineal es encontrar un punto factible x tal que f(x) >f(X) para cada punto factible a*. Un punto tal x es llamado una solucin ptima o simplemente una solucin al problema. Si existe mas de un punto ptimo, estos son referidos como soluciones alternativas ptimas. El PNL tambien consiste en encontrar las variables de decisin factibles para el problema para las cuales la funcin objetivo tome el mayor valor posible. Si para un punto, la funcin objetivo toma el valor mximo de todos los puntos situados en algn entorno suyo, se dice que el mximo es local. Si se encuentra un punto que produce el valor mximo de f en todo el conjunto de oportunidades, el mximo es global.
Programacion Lineal comparada con la Programacion No Lineal.

Programacion Lineal

Programacion No Lineal

La solucin optima se encuentra en un No siempre la solucin optima se punto extremo de la regin de encuentra en un punto extremo de la regin de factibilidad

factibilidad

El punto optimo nunca esta dentro de la Hay casos donde el punto optimo esta en regin de factibilidad Sus mtodos de optimizacin generan optimos absolutos o globales La regin de factiblidad es un conjunto convexo el interior de la regin factible Generalmente se encuentra un ptimo local o relativo, mas no el ptimo global Se pueden generar regiones de

factibildad que no son necesariamente convexas

Sus funciones objetivo y restricciones son lineales

La funcin objetivo, las restricciones o ambas pueden ser no lineales

Representacion grafica Se implementa el metodo grafico para encontrar la solucion a problemas de programacion no lineal, cuando se estudian de una a dos variables, interpreta geomtricamente a las restricciones, condiciones tcnicas y el objetivo. La representacion grafica del problema proporciona una vision global de las propiedades de las soluciones optimas de programacion no lineal. Con el fin de hacer hincapie en las diferencias entre la PL y la PNL se implementan algunas variaciones no lineales en el metodo grafico implementado en la programacion lineal.

En general, los algoritmos de programacin no lineal no pueden distinguir entre un mximo local y un mximo global (excepto si encuentran otro mximo local mejor). Por tanto, es crucial conocer las condiciones en las que se garantiza que un mximo local es un mximo global en la regin factible. Recuerde que en clculo, cuando se maximiza una funcin ordinaria (doblemente diferenciable) de una sola variable f (x) sin restricciones, esta garanta est dada cuando

para toda x. Una funcin de este tipo que siempre es cncava hacia abajo (o que no tiene convexidad) se llama funcin cncava. De igual manera, si se sustituye # por $, de manera que la funcin sea siempre cncava hacia arriba (o que no tenga concavidad), se llama funcin convexa. En la figura siguiente se pueden ver este tipo de ejemplos.

Figura recuperada del libro Introduccion a la Investigacion de Operaciones, Ferederick S. Hillier and Gerald J. Lieberman,Capitulo 12: programacion no lineal. pag. 504. Donde la grafica a) representa una funcion cncava y la grafica b) representa una funcion convexza.

Si un problema de programacin no lineal no tiene restricciones, el hecho de que la funcin objetivo sea cncava garantiza que un mximo local es un mximo global y el minimo local es un minimo global . Si existen restricciones, se necesita una condicin ms para dar esta garanta, a saber, que la regin factible seaun conjunto convexo. Por esta razn, los conjuntos convexos tienen un papel fundamental en la programacin no lineal. En realidad, la regin factible de cualquier otro problema de programacin lineal es un conjunto convexo.

tipos de problemas de programacion lineal

Optimizacin no restringida a una variable Mtodo de biseccin

Mtodo de Newton

Optimizacin no restringida de varias variables Procedimiento de bsqueda de gradiente Mtodo de Newton

Condiciones Karush-Kuhn-Tucker (KKT) para optimizacin no restringir Programacin cuadrtica Condiciones KKT para programacin cuadrtica Mtodo simplex modificado

Programacin separable Programacin convexa Algoritmo de aproximacin lineal secuencial (Frank-wolfe) Tecnica secuencial de minimizacin no restringida (SUMT)

Programacin no convexa