14/10/2013

1
Mtodo de Lagrange y condiciones de
Kuhn-Tucker
UdeC2013 Mtodos de Optimizacin 3.ProgramacinNo Lineal.
3. Programacin No Lineal
1. Introduccin
Se tiene una funcin f cualquiera, sin restricciones, f(x)
ptimo se obtiene:
condicin necesaria de primer orden
max, min => f (x
*
) = 0
condicin necesaria de segundo orden
max => f (x
*
) < 0
min => f (x
*
) > 0
inflexin => f (x
*
) = 0
Matrices de Jacobiano - Hessiano
UdeC2013 Mtodos de Optimizacin 3.ProgramacinNo Lineal.
2. Caso bidimensional con restricciones funcionales
Max f(x
1
, x
2
)
s.a g(x
1
, x
2
) = a
Condiciones necesarias de primer orden?
Considerar el siguiente problema no restringido:
L (x
1
, x
2
, ) = f (x
1
, x
2
) + ( a - g(x
1
, x
2
) )
Aplicar a este L las condiciones de primer orden:
c L/cx
1
c L/cx
2
c L/c
UdeC2013 Mtodos de Optimizacin 3.ProgramacinNo Lineal.
L = L(f, g)
2. Caso bidimensional con restricciones funcionales
Condiciones de primer orden:
c L/cx
1
= cf /cx
1
- cg /cx
1
= 0
c L/cx
2
= cf /cx
2
- cg /cx
2
= 0
c L/c = a - g(x
1
, x
2
) = 0
Mtodo de Lagrange
Funcin de Lagrange o lagrangiano L
Multiplicador de Lagrange
Notar que en el ptimo:
L (x
1
, x
2
, )
opt
= f (x
1
, x
2
)
opt
UdeC2013 Mtodos de Optimizacin 3.ProgramacinNo Lineal.
14/10/2013
2
3. Interpretacin del multiplicador de Lagrange.
- Supongamos que se ha resuelto el problema. - solucin.
- Reescribir L en trminos del parmetro a, para ello, sea:
x
1
*
= x
1
(a) x
2
*
= x
2
(a) = (a)
El Lagrangiano en trminos de este parmetro a ser:
L (a) = f (x
1
(a) , x
2
(a) ) + (a) [ a g (x
1
(a) , x
2
(a) ) ]
si se deriva c/r a a, se tiene:
cL/ ca = cf /cx
1
cx
1
/ca + cf /cx
2
cx
2
/ca
+ c/ca (a - g (x
1
(a), x
2
(a)) ) + (a)
- cg /cx
1
cx
1
/ca - cg /cx
2
cx
2
/ca
UdeC2013 Mtodos de Optimizacin 3.ProgramacinNo Lineal.
3. Interpretacin del multiplicador de Lagrange.
cL/ ca = cf /cx
1
cx
1
/ca + cf /cx
2
cx
2
/ca
+ (a - g (x
1
(a), x
2
(a)) ) c/ca + (a)
- cg /cx
1
cx
1
/ca - cg /cx
2
cx
2
/ca
cL/ ca = ( cf /cx
1
- cg /cx
1
) cx
1
/ca
+ ( cf /cx
2
- cg /cx
2
) cx
2
/ca
+ ( a - g (x
1
(a), x
2
(a)) ) c/ca + (a)
luego, en el ptimo se cumple que:
=> cL/ ca |
ptimo
= (a)
cL/ ca |
ptimo
= cf /ca |
ptimo
= (a)
mide la sensibilidad del valor del ptimo
frente a variaciones en el parmetro a (recursos).
3. Interpretacin del multiplicador de Lagrange.
Si a vara en Aa => se puede estimar el cambio en la
F.O. como:
Af ~ Aa
Si a representa un cierto recurso, puede entenderse
como el precio de ese recurso,
precio sombra del recurso a.
representa la disponibilidad a pagar ante la escasez del
recurso, en el ptimo.
Dimensiones de = Af /Aa
= ($/HH, $/u, libros/m
2
, etc.)
UdeC2013 Mtodos de Optimizacin 3.ProgramacinNo Lineal.
4. Caso General: muchas restricciones.
Max f (x
1
, x
2
, ... x
n
)
s.a g
1
(x
1
, x
2
, ... x
n
) = a
1
g
2
(x
1
, x
2
, ... x
n
) = a
2
. . .
g
m
(x
1
, x
2
, ... x
n
) = a
m
Se transforma en el problema no restringido:
Max L (x
i
,
j
) = f (x
1
, x
2
, ... x
n
) + E
j
(a
j
g
j
(x
1
, x
2
, ... x
n
) )
Condiciones de primer orden:
cL/cx
i
= cf/cx
i
- E
j
cg/cx
i
= 0 i = 1,2,...n
cL/c
j
= a
j
- g
j
(x
1
, x
2
, x
n
) = 0 j = 1,2,...m
As se tiene un sistema de n+m ecuaciones, n+m incgnitas.

1

2

m
UdeC2013 Mtodos de Optimizacin 3.ProgramacinNo Lineal.
14/10/2013
3
5. Restricciones de no negatividad.
- Problema de una dimensin, funcin f cualquiera:
Max f(x)
s.a x > 0
- Se pueden distinguir 3 situaciones diferentes para
encontrar un punto mximo.
UdeC2013 Mtodos de Optimizacin 3.ProgramacinNo Lineal.
5. Restricciones de no negatividad.
i) x
*
> 0 , es interior al conjunto factible X = { x / x > 0 }
En este caso debe cumplirse que:
f (x
*
) = 0
ii) x
*
= 0 y est en el borde de X = { x / x > 0 }
Se observa que debe cumplirse:
f (x
*
) < 0
iii) En este caso: x
*
= 0 y adems, f (x
*
) = 0.
UdeC2013 Mtodos de Optimizacin 3.ProgramacinNo Lineal.
5. Restricciones de no negatividad
Resumiendo, las condiciones de primer orden se puede caracterizar:
f (x
*
) = 0, si x
*
> 0 (x
*
es interior de X)
f (x
*
) s 0, si x
*
= 0 (x
*
en un borde de X)
es decir: f (x
*
) s 0
x
*
f (x
*
) = 0
Si se tiene un mximo local, debe necesariamente satisfacerse las siguientes
condiciones:
cf (x
*
) /cx s 0
x
*
cf (x
*
) /cx = 0
x
*
> 0
UdeC2013 Mtodos de Optimizacin 3.ProgramacinNo Lineal.
2. 6. Condiciones de Kuhn Tucker
Modelo general
Max f(x)
s.a g(x) s b
x > 0
Se transforman las restricciones en igualdades, agregando v. de holguras, y.
g(x) + y = b
con y > 0
Se tiene:
Max f(x)
s.a g(x) + y = b
x > 0, y > 0
Aplicar el Lagrangeano.
UdeC2013 Mtodos de Optimizacin 3.ProgramacinNo Lineal.
14/10/2013
4
2. 6. Condiciones de Kuhn Tucker
Si no se consideran las restricciones de no negatividad,
simplemente:
L = f(x) + ( b - g(x) y )
cL/cx = 0
cL/cy = 0
cL/c = 0
Pero las restricciones de no negatividad existen, tanto para
x, como para y:
cL /cx s 0
x cL /cx = 0
x > 0
cL /cy s 0
y cL /cy = 0
y > 0
cL/c = 0
UdeC2013 Mtodos de Optimizacin 3.ProgramacinNo Lineal.
2. 6. Condiciones de Kuhn Tucker
cL/cx = cf/cx - cg/cx s 0
x cL/cx = ( cf/cx - cg/cx ) x = 0
x > 0
cL/cy = - s 0
y cL/cy = - y = 0
y > 0
cL/c = b g(x) y = 0
Dado que y no est en el problema original, se debe eliminar y.
Recordar y reemplazar: y = b - g(x).
UdeC2013 Mtodos de Optimizacin 3.ProgramacinNo Lineal.
2. 6. Condiciones de Kuhn Tucker
cL/cx = cf/cx - cg/cx s 0
x cL/cx = ( cf/cx - cg/cx ) x = 0
x > 0
cL/cy = - s 0 > 0
y cL/cy = - y = 0 (b g(x)) = 0
y > 0 b g(x) > 0
cL/c = b g(x) y = 0 0 = 0
Analizar: L = f(x) + (b g(x) )
s.a x > 0
Por lo tanto:
cL/cx s 0 ; cL/cx x = 0 ; x > 0
cL/c > 0 ; cL/c = 0 ; > 0
Condiciones de
Kuhn-Tucker
UdeC2013 Mtodos de Optimizacin 3.ProgramacinNo Lineal.
Interpretacin adicional de las condiciones de KT
Max f(x)
s.a g(x) s b
x > 0
a) cL/cx s 0 d) cL/c > 0
b) x cL/cx = 0 e) cL/c = 0
c) x > 0 f) > 0
Para la solucin ptima se tiene: L ( x
*
, * ) = f ( x
*
)
ya que en el ptimo: * (b g(x
*
)) = 0
Luego se puede observar que en el ptimo siempre se cumple:
g
j
(x
*
) s b
j
pero es g
j
(x
*
) = b
j
, si
j
* > 0 restriccin activa

j
* > 0 pero es
j
* = 0, si g
j
(x
*
) < b
j
restriccin inactiva
complementariedad de las holguras
b g(x) > 0
(b g(x)) = 0
L(x, ) = f(x) + (b g(x) )
s.a x > 0
UdeC2013 Mtodos de Optimizacin 3.ProgramacinNo Lineal.
14/10/2013
5
Aspectos bsicos de la Teora de Dualidad en PL.
Asociado a todo problema de PL existe otro PPL, conocido como PD.
Condiciones de KT al problema de:
Max cx
s.a Ax s b
x > 0
y el Lagrangiano asociado a l es: L = c x + ( b A x )
y las condiciones de KT sern:
a) cL/cx = c - A s 0 d) cL/c = b A x > 0
b) x cL/cx = x ( c - A ) = 0 e) cL/c = ( b Ax ) = 0
c) x > 0 f) > 0
Para que la solucin sea ptima, es necesario y suficiente que exista al menos
un tal que junto a esta solucin satisfaga las condiciones de KT.
Si el problema de PL tiene solucin, debe existir.
UdeC2013 Mtodos de Optimizacin 3.ProgramacinNo Lineal.
Aspectos bsicos de la Teora de Dualidad en PL
Se considerarn dos sets de oportunidades:
X = { x / Ax s b, x > 0 }
A = { / A > c, > 0 }
Si x e X y e A, entonces, de las condiciones de KT se tiene que:
c - A s 0 c x s A x
c x s b
En especial, en el ptimo:
Max cx = c x
*
s b , e A y x e X.
Por lo tanto, en particular tambin debe cumplirse:
c x
*
s Min b
Pero si el ptimo existe,
*
existe Min b =
*
b
Luego: Max c x = c x
*
=
*
b = Min b
b > Ax s b
UdeC2013 Mtodos de Optimizacin 3.ProgramacinNo Lineal.
Aspectos bsicos de la Teora de Dualidad en PL
Problema Primitivo PP y el Problema Dual PD:
Max cx Min b
s.a Ax s b es equivalente a s.a A > c
x > 0 > 0
Las relaciones de KT para ambos problemas son idnticas (demostrarlo!)
Tabla de transformacin
Primo (max) Dual (min)
restriccin i s b variable i > 0
restriccin i > b variable i s 0
restriccin i = b variable i irrestricta
variable j > 0 restriccin j > c
variable j s 0 restriccin j s c
variable j irrestricta restriccin j = c
UdeC2013 Mtodos de Optimizacin 3.ProgramacinNo Lineal.