UNIVERSIDAD DE SAN CARLOS DE GUATEMALA

CENTRO UNIVERSITARIO DE ORIENTE

ADMINISTRACIÓN DE EMPRESAS – PLAN SÁBADO
MÉTODOS CUANTITATIVOS III

PROGRAMACIÓN NO LINEAL

LUIS ERNESTO FRANCO MADRID – 201342794

MARÍA FERNANDA MURCIA VIVAR – 201344209
CHRISTIAN JOSUÉ PACHECO DE LA CRUZ – 201342376
LUIS ROLANDO GONZÁLEZ ALVARADO – 201340381
CARLOS ALBERTO CORDÓN ORTÍZ – 201340368
WENS SALVADOR CHACÓN FERNÁNDEZ – 200040328

CHIQUIMULA, GUATEMALA, OCTUBRE DE 2016

 UNIVERSIDAD DE SAN CARLOS DE GUATEMALA
CENTRO UNIVERSITARIO DE ORIENTE
ADMINISTRACIÓN DE EMPRESAS – PLAN SÁBADO
MÉTODOS CUANTITATIVOS III

PROGRAMACIÓN NO LINEAL

INVESTIGACIÓN

POR
LUIS ERNESTO FRANCO MADRID – 201342794
MARÍA FERNANDA MURCIA VIVAR – 201344209
CHRISTIAN JOSUÉ PACHECO DE LA CRUZ – 201342376
LUIS ROLANDO GONZÁLEZ ALVARADO – 201340381
CARLOS ALBERTO CORDÓN ORTÍZ – 201340368
WENS SALVADOR CHACÓN FERNÁNDEZ – 200040328

CHIQUIMULA, GUATEMALA, OCTUBRE DE 2016

 ÍNDICE

ÍNDICE .................................................................................................................... ii

INTRODUCCIÓN .................................................................................................... 1

OBJETIVOS............................................................................................................ 2

CAPÍTULO I
PROGRAMACIÓN NO LINEAL (PNL)

1.1 Historia de la PNL ......................................................................................... 3

1.2 Definición de PNL.......................................................................................... 4

1.3 Características de PNL ................................................................................. 5

1.4 Importancia de la PNL ................................................................................... 6

1.5 Modelos de programación no lineal............................................................... 7

1.5.1 Optimización no lineal con restricciones ..................................................... 9

1.5.2 Análisis gráfico de problemas de programación no lineal .................... 9

1.5.3 PNL con restricciones de igualdad ............................................................12

1.5.4 Tipos de problemas de PNL ........................................................................13

CONCLUSIONES ................................................................................................. 21

LITERATURA CONSULTADA ............................................................................. 22

ii
 INTRODUCCIÓN

La mayoría de problemas que se enfrentan en el ámbito empresarial y la vida real,

no son totalmente lineales, por lo general estos se caracterizan por ser no lineales,
he allí la importancia del estudio de este tipo de programación.

La programación no lineal se considera como un proceso de resolución de un

sistema de igualdades y desigualdades sujetas a un conjunto de restricciones sobre
un conjunto de variables reales desconocidas. La programación no lineal analiza la
problemática en la que el objetivo o las restricciones son funciones no lineales.
Existen varios problemas de programación no lineal, dependiendo de la función de
las características que estos posean, así serán trabajados como mejor resulte su
resolución, para lograr esto se utiliza la aplicación de varios algoritmos.

Un problema es de programación no lineal cuando tiene función objetivo no lineal y

una o más restricciones expresadas a través de funciones no lineales. La
programación no lineal se caracteriza porque está asociada a un conjunto de
problemas difíciles de resolver, pero que pueden ser resueltos a través de algunas
categorías de problemas, entre estos se pueden mencionar: Problemas
irrestrictivos, problemas restrictivos, problemas de programación convexa,
problemas de programaciones no convexas, problemas de optimización separables,
problemas de programación geométrica. Para una mejor comprensión de lo
expuesto en el apartado anterior, a continuación se presenta una descripción de
cada uno de los temas que compre la programación no lineal.
 OBJETIVOS

General

 Conocer cuando un problema se convierte en Programación No Lineal.

Específicos

 Determinar cuáles son las dificultades que más se presentan dentro de la

Programación No Lineal.
 Establecer cuál es la importancia de la Programación No Lineal.
 Indicar cuáles son algunas de las razones de la no linealidad en los
problemas.
 Determinar qué tipos de problemas se pueden presentar en la programación
no lineal
 CAPÍTULO I
PROGRAMACIÓN NO LINEAL (PNL)

1.1 Historia de la PNL

Un modelo de programación no lineal es aquel donde las variables de decisión se

expresan como funciones no lineales ya sea en la función objetivo y/o restricciones
de un modelo de optimización. 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.

A continuación se detallan algunos aspectos relevantes y cómo surge la

programación no lineal:

Año Acontecimiento
Grandes matemáticos, como Newton, Leibnitz, Bernoulli y, sobre
siglos XVII todo, Lagrange, que tanto habían contribuido al desarrollo del
y XVIII cálculo infinitesimal, se ocuparon de obtener máximos y mínimos
condicionados de determinadas funciones.
Posteriormente, el matemático francés Jean Baptiste-Joseph
(1768- Fourier fue el primero en intuir, aunque de forma imprecisa, los
1830) métodos de lo que actualmente se llaman programación lineal y la
potencialidad que de ellos se deriva.
Si se exceptuara al matemático Gaspar Monge, quien en 1 776 se
interesó por problemas de este género, se debe remontar al año
1939 para encontrar nuevos estudios relacionados con los métodos
de la actual programación lineal. En ese año, el matemático ruso
1746-1818 Leonid Vitalevich Kantorovitch publica una extensa monografía
titulada Métodos matemáticos de organización y planificación de la
producción en la que por primera vez se hace corresponder a una
extensa gama de problemas una teoría matemática precisa y bien
definida, llamada hoy en día programación lineal.
 4

Año Acontecimiento
Joseph Fourier anticipa la programación lineal. Carl Friedrich Gauss
1826
resuelve ecuaciones lineales por eliminación "gaussiana".
Gyula Farkas concibe un método para resolver sistemas de
1902
inecuaciones.
Se formula por primera vez el problema de transporte, estudiado
independientemente por Koopmans y por Kantorovitch, razón por la
1941-1942
cual se suele conocer con el nombre de problema de Koopmans-
Kantorovftch.
George Dantzig publica el algoritmo simplex y
John von Neumann desarrolló la teoría de la dualidad.
1947
Se sabe que Leonid Kantoróvich también formuló la teoría en forma
independiente.
Otro matemático ruso, Leonid Khachiyan, diseñó el llamado
1979 Algoritmo del elipsoide, a través del cual demostró que el problema
de la programación lineal
Narendra Karmarkar introduce el método del punto interior para
1984
resolver problemas de programación lineal.
Henry L. Gantt con la planeación de la producción (diagramas de
1989
Gantt); y Ford W. Harris con modelos para el cálculo de lotes
económicos y control de inventarios.

1.2 Definición de PNL

Los modelos de optimización que describen los problemas de la vida real son
generalmente no lineales y pertenecen al área de la optimización no lineal. En teoría
de investigación de operaciones se utiliza el término programación no lineal para
referirse a esta clase de problemas.

Un problema es de programación no lineal cuando tiene función objetivo no lineal y

una o más restricciones expresadas a través de funciones no lineales. Típicamente,
una función no lineal es una relación matemática algebraica donde las variables
están multiplicándose o están elevadas a un exponente diferente de la unidad o
 5

donde las variables son los argumentos de funciones trigonométricas, logarítmicas

o exponenciales.

Como respuesta a dos de las críticas más frecuentes de la Programación Lineal

(PL), a saber, la restrictividad de la hipótesis de linealidad y la dificultad de definir
una única función objetivo, surge la Programación no lineal (PNL). Efectivamente,
un supuesto importante en PL es que todas sus funciones (objetivo y restricciones)
son lineales. Aunque, en esencia, este supuesto se cumple en el caso de muchos
problemas prácticos, con frecuencia no es así. Por lo que es necesario abordarlo
desde la Programación No Lineal (PNL).

De manera general, el problema de programación no lineal consiste en encontrar x

= (x1, x2, . . ., xn) para

maximizar f (x),

sujeta a

gi(x) ≤ bi, para i = 1, 2, . . ., m,

x ≥ 0,

donde f (x) y gi(x) son funciones dadas de n variables de decisión. Análogamente,

este problema podría ser en su caso de minimización.

1.3 Características de PNL

La programación no lineal se caracteriza porque está asociada a un conjunto de

problemas difíciles de resolver. Bajo esta denominación se reúnen un conjunto de
técnicas de solución las cuales se aplican a diversas categorías de problemas no
lineales. Dentro de esas categorías las más importantes son las siguientes

 Problemas sin restricción

 Problemas con restricción
 Problemas de programación convexa
 Problemas de programaciones no convexas
 6

 Problemas de optimización separables

 Problemas de programación geométrica

Entre las más importantes dificultades que se tienen en todos los casos, se pueden
mencionar las siguientes:

 No existen un método o algoritmo de optimización universal que resuelva

todo o la gran mayoría de problemas existentes, en su lugar existe una amplia
y variada colección de algoritmos.
 La función objetivo, las restricciones o ambas pueden ser no lineales.
 Los métodos y algoritmos de optimización para PNL, presentan
comportamientos diferentes para cada tipo de problema.
 Hay casos donde el punto óptimo está en el interior de la región factible.
 La responsabilidad de seleccionar el mejor método o algoritmo es del usuario

Características de los problemas que se analizan:

 Función objetivo y restricciones derivables

 Problemas determinísticos
 Variables continuas
 Espacio de soluciones conectado
 Función objetivo convexa para el problema de minimización y cóncava para
el problema de maximización ( deseable)
 Espacio de soluciones convexo (deseable)

1.4 Importancia de la PNL

Es fácil al pensar en programación lineal o no lineal como un laberinto de números

interminables. Pero para muchos es una parte integral de las matemáticas que debe
ser estudiada, pero en algunos casos se menciona que no hay aplicación alguna en
el mundo real; para otros es una forma de aplicar modelos de optimización para
empresas netamente productivas a nivel macro y para otras personas es un tema
que solo interesa a los ingenieros de sistemas y matemáticos. Sin embargo, la
importancia de la programación lineal no solo radica en el procedimiento
 7

matemático, sino en la herramienta financiera que nos puede brindar como soporte
para la toma de decisiones en cualquier organización.

El campo de la programación no lineal es un elemento clave en el poder creciente

de la administración como método científico en la toma de decisiones, y a pesar que
se basa en fundamentos matemáticos profundos, sustentados por el álgebra lineal
y de matrices, que al realizar los estudios de forma adecuada puede verse como
una herramienta meramente administrativa esto representa una utilidad que el
administrador debe aprovechar para tomar decisiones de forma eficiente,
basándome en datos y resultados validos en beneficio de la empresa generadora
de bienes y servicios.

La importancia de este método resalta como ya se hizo mención anteriormente

como una herramienta que auxilia al administrador de empresas dentro de un
proceso administrativo dinámico. Es deber del administrador conocerlo y manejarlo,
si no en forma eficiente y práctica, por lo menos conocer ampliamente su
fundamento, proceso y aplicación a fin de tener una base segura y fundamentada
para tomar sus decisiones, que implementados a los problemas empresariales
puedan proporcionar al final, los objetivos deseados por el empresario y a la
empresa las utilidades que desea obtener.

1.5 Modelos de programación no lineal

Las funciones o relaciones matemáticas que intervienen en muchos problemas

empresariales y económicos no son totalmente lineales. De hecho, tal vez se puede
decir que los problemas del mundo real que encajan en el estricto molde de la
linealidad son la excepción y no la regla.

Existen muchos tipos de problemas de PNL, en función de las características de

estas funciones, por lo que se emplean varios algoritmos para resolver los distintos
tipos. Para ciertos casos donde las funciones tienen formas sencillas, los problemas
pueden resolverse de manera relativamente eficiente. En algunos otros casos,
incluso la solución de pequeños problemas representa un verdadero reto.
 8

Cuando un problema de PNL tiene solo una o dos variables, se puede representar
en forma gráfica. Si las funciones no son lineales, se dibujaran curvas en lugar de
rectas, por lo que función objetivo y región factible dejaran de tener el aspecto que
adquieren en la PL. La solución no tiene por qué estar en un vértice de la región
factible, ni siquiera tiene porque encontrarse en la frontera de esta. Por lo que la
desaparece ahora la gran simplificación que se utiliza en PL, que permite limitar la
búsqueda de solución óptima a las soluciones en los vértices. Además en PNL un
máximo local no es necesariamente un máximo global y en general, los algoritmos
de PNL no pueden distinguir cuando se encuentra en un óptimo local o en uno
global. Por tanto, es crucial conocer las condiciones en las que se garantiza que un
máximo local es un máximo global en la región factible.

En general, algunas razones importantes (y no necesariamente distintivas) de la no

linealidad son: (1) relaciones no proporcionales disminuye); (2) relaciones no
aditivas (por ejemplo, cuando se unen dos sustancias químicas, el volumen
resultante no es necesariamente la suma de los volúmenes de las dos sustancias);
y (3) las eficiencias o ineficiencias de escala (por ejemplo, cuando demasiados
trabajadores tratan de sembrar en la misma huerta, empiezan a estorbarse entre sí
y el rendimiento por trabajador disminuye, en lugar de mantenerse constante). En
suma, cualquier número de relaciones físicas, estructurales, ideológicas,
económicas y lógicas puede dar lugar a la aparición de las características de no
linealidad en un modelo.

Conviene repetir que, aunque los fenómenos no lineales son comunes, la

optimización de modelos no lineales es mucho más difícil que la de modelos
lineales. Por ejemplo, a diferencia de la PL, no se puede suponer que el
procedimiento de optimización no lineal de Solver logrará encontrar siempre la
solución óptima para todos los modelos no lineales. Agregando a esta dificultad el
hecho de que, en muchos contextos, los modelos lineales proporcionan buenas
aproximaciones a los modelos no lineales, por tal motivo se puede entender por qué
son tan populares los modelos lineales, como la PL.
 9

1.5.1 Optimización no lineal con restricciones

En un ambiente de toma de decisiones orientado a la administración, es conveniente

optimizar una función objetivo sujeta a restricciones. Estas restricciones adoptan la
forma de igualdades y/o desigualdades matemáticas, como en el caso de la
programación lineal, salvo que ahora no se supone condición alguna de linealidad.
Así, el modelo general de programación matemática puede escribirse en términos
simbólicos como se indica a continuación.

1.5.2 Análisis gráfico de problemas de programación no lineal

Igual que con la PL, se puede usar la geometría de dos dimensiones para captar
mejor este problema. Por ejemplo, se realiza el análisis gráfico para resolver este
problema específico:

Observe que todo en este modelo es lineal, excepto la primera restricción. Se dice
que un modelo no es lineal cuando por lo menos una de las funciones de restricción
o la función objetivo, o ambas, es no lineal. Por tanto, es apropiado decir que el
modelo anterior es una programación no lineal (PNL). En la siguiente figura se
puede observar este problema de manera gráfica.
 10

La región factible. A fin de usar el método gráfico para resolver este problema, se
procederá de la misma manera como en la programación lineal. Trazar primero el
conjunto de puntos que satisfacen simultáneamente todas las restricciones. Igual
que en el caso de la PL, esta serie de puntos se llama el conjunto restringido o la
región factible. Este conjunto representa las decisiones permisibles. Para encontrar
una decisión permitida que maximice la función objetivo, se busca el contorno “más
ascendente” (o sea, el de mayor valor) que todavía toque algún punto del conjunto
restringido. Ese punto de contacto será una solución óptima (que con frecuencia se
llama simplemente solución) del problema.

En la figura anterior se puede ver que la restricción no lineal presenta curvatura en

el límite del conjunto restringido. El conjunto factible ya no es un poliedro (es decir,
una figura de caras planas, definida por desigualdades lineales) como en el caso de
la PL, y la solución óptima no se encuentra en un vértice. Es necesario recordar que
en el caso de la PL, el análisis gráfico permitió identificar las restricciones activas
en un vértice óptimo, y la solución exacta se obtuvo después resolviendo el sistema
de dos ecuaciones con dos incógnitas. En general, este método no funciona para el
caso no lineal. Como se aprecia en la figura presentada, sólo existe una restricción
activa.

Óptimos que no están en vértice. Otro ejemplo de PNL aparece en la figura que
se presenta a continuación, que muestra un modelo hipotético de maximización
 11

restringida con desigualdad no lineal. En esta figura, todas las restricciones son
lineales y, por tanto, su conjunto es un poliedro. Sin embargo, la función objetivo es
no lineal y, una vez más, se ve que la solución no se presenta en un vértice. De
hecho, la solución para algunas funciones objetivo no lineales puede no estar ni
siquiera en el límite de la región factible. Por supuesto, podría aparecer una solución
en un vértice, pero lo importante es que esto no representa una propiedad
garantizada, como en el modelo lineal.

Este hecho tiene implicaciones algorítmicas importantes. Significa que, en el caso

no lineal, no se puede usar un método de “búsqueda en vértices”, como el método
símplex usado por Solver para encontrar una solución en los modelos de PL. Con
esta restricción se complica enormemente el procedimiento de resolución.

Ejemplo 2. Dado el presente modelo matemático, se ubica la región factible, de

acuerdo con las respectivas restricciones. Cabe mencionar que su solución es el
punto interior, (3, 3), de la región factible.
 12

Si un problema de PNL no tiene restricciones, el hecho de que la función objetivo

sea cóncava garantiza que un máximo local es un máximo global. (De igual manera,
una función objetivo convexa asegura que un mínimo local es un mínimo global.) Si
existen restricciones, se necesita una condición más para dar esta garantía, a saber,
que la región factible sea un conjunto convexo. Por esta razón, los conjuntos
convexos tienen un papel fundamental en la programación no lineal.

Un conjunto convexo, es simplemente un conjunto de puntos tales que, para cada

par de puntos de la colección, el segmento de recta que los une está totalmente
contenido en ella. Así, la región factible en el problema presentado anteriormente,
es un conjunto convexo. En realidad, la región factible de cualquier otro problema
de PL es un conjunto convexo. En general, la región factible de un problema de PNL
es un conjunto convexo siempre que todas las funciones gi(x) sean convexas. Para
garantizar que un máximo local sea un máximo global en un problema de PNL con

restricciones g1(x) ≤ b1, g2(x) ≤ b2, . . . , gm(x) ≤ bm y x ≥ 0, la función objetivo

f(x) debe ser cóncava y cada gi(x) debe ser convexa. Un problema de este tipo se
llama problema de programación convexa y es una de las clases más importantes
de la PNL.

1.5.3 PNL con restricciones de igualdad

Muchos problemas no lineales en administración y economía tienen la siguiente

forma:

Es decir, la meta consiste en maximizar o minimizar una función objetivo de n

variables, sujeta a un conjunto de m (m < n) restricciones de igualdad. A
continuación se presentan tres ejemplos.

Ejemplo 1. Un fabricante tiene la posibilidad de elaborar un producto en cualquiera

de las dos máquinas. Suponga que 𝑥1 es la cantidad fabricada en la máquina 1 y

𝑥2 la cantidad fabricada en la máquina 2. Sea

 13

𝑎1 𝑥1 + 𝑏1 𝑥12 = costo de producción en la máquina 1

𝑎2 𝑥2 + 𝑏2 𝑥22 = costo de producción en la máquina 2

Encuentre los valores de 𝑥1 y 𝑥2 con los cuales se minimiza el costo total,

respetando el requisito de que la producción total alcance cierto valor específico,
por ejemplo R. La formulación de este problema es

Min 𝑎1 𝑥1 + 𝑏1 𝑥12 + 𝑎2 𝑥2 + 𝑏2 𝑥22

s.a. 𝑥1 + 𝑥2 = R

Ejemplo 2. Supóngase que 𝑝1 , 𝑝2 y 𝑝3 son los precios de tres bienes y sea B el

presupuesto disponible (es decir, B es una constante específica). Sean 𝑠1 , 𝑠2 y 𝑠3

𝑠 𝑠 𝑠
constantes previamente determinadas y se represente con 𝑥11 + 𝑥22 + 𝑥33 la

“utilidad derivada” de consumir 𝑥1 unidades del bien 1, 𝑥2 unidades del bien 2 y 𝑥3

unidades del bien 3.

Encuentre la mezcla de consumo que maximice la utilidad, respetando la restricción

presupuestaria. La formulación de este problema es

𝑠 𝑠 𝑠
Max 𝑥11 + 𝑥22 + 𝑥33

s.a. 𝑝1 𝑥1 + 𝑝2 𝑥2 + 𝑝3 𝑥3 = R

1.5.4 Tipos de problemas de PNL

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.

A continuación se introducirán brevemente las clases más importantes de

problemas que se dan en la programación no lineal.
 14

a) Optimización no restringida

Los problemas de optimización no restringida no tienen restricciones, por lo que la

función objetivo es, sencillamente,

Maximizar 𝑓(𝑥)

sobre todos los valores de x = (𝑥1, 𝑥2… , 𝑥𝑛 ). La condición necesaria para que una

solución específica 𝑥 = 𝑥 ∗ sea óptima cuando 𝑓(𝑥) es una función diferenciable es

Cuando 𝑓(𝑥) es cóncava, esta condición también es suficiente, por lo que la

obtención de x* se reduce a resolver el sistema de las n ecuaciones que se
obtuvieron al establecer las n derivadas parciales iguales a cero.
Desafortunadamente, cuando se trata de funciones no lineales 𝑓(𝑥), estas
ecuaciones también suelen ser no lineales, en cuyo caso es poco probable que se
pueda obtener una solución analítica simultánea.

Cuando una variable 𝑥𝑗, tiene una restricción de no negatividad, 𝑥𝑗, ≥ 0, la condición

necesaria y —tal vez— suficiente anterior cambia ligeramente a

para cada 𝑗 de este tipo. Esta condición se ilustra en la siguiente figura, donde la
solución óptima de un problema con una sola variable es x = 0 aun cuando la
derivada ahí es negativa y no cero. Como este ejemplo tiene una función cóncava
para maximizar sujeta a una restricción de no negatividad, que su derivada sea
menor o igual a 0 en x = 0, es una condición necesaria y suficiente para que x = 0
sea óptima.
 15

Un problema que tiene algunas restricciones de no negatividad y que no tiene

restricciones funcionales es un caso especial (m = 0) de la siguiente clase de
problemas.

b) Optimización restringida linealmente

Los problemas de optimización restringida linealmente se caracterizan por

restricciones que se ajustan por completo a la programación lineal, de manera que
todas las funciones de restricción 𝑔𝑖 (𝑥) son lineales, pero la función objetivo 𝑓(𝑥)
es no lineal. El problema se simplifica de manera notable si sólo se tiene que tomar
en cuenta una función no lineal junto con una región factible de programación lineal.
Se han desarrollado varios algoritmos especiales basados en una extensión del
método símplex para analizar la función objetivo no lineal. Un caso especial
importante que se describe a continuación es la programación cuadrática.

c) Programación cuadrática

De nuevo los problemas de programación cuadrática tienen restricciones lineales,

pero ahora la función objetivo 𝑓(𝑥) debe ser cuadrática. Entonces, la única
diferencia entre éstos y un problema de programación lineal es que algunos
términos de la función objetivo incluyen el cuadrado de una variable o el producto
 16

de dos variables. Se han desarrollado muchos algoritmos para manejar este caso,
con el supuesto adicional de que 𝑓(𝑥) es cóncava. La programación cuadrática es
muy importante, en parte porque las formulaciones de este tipo surgen de manera
natural en muchas aplicaciones. Por ejemplo, la selección de una cartera con
inversiones riesgosas, se ajusta a este formato. Sin embargo, otra razón por la que
es importante es que al resolver problemas generales de optimización restringida
linealmente se puede obtener la solución de una sucesión de aproximaciones de
programación cuadrática.

d) Programación convexa

La 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:

 𝑓(𝑥) es cóncava.
 Cada una de las 𝑔𝑖 (𝑥) es convexa.

Estos supuestos son suficientes para asegurar que un máximo local es un máximo
global. (Si, por el contrario, el objetivo fuera minimizar 𝑓(𝑥), sujeta ya sea a 𝑔𝑖 (𝑥) ≤
𝑏𝑖 o a –𝑔𝑖 (𝑥) ≥ 𝑏𝑖 para 𝑖 = 1, 2, . . ., 𝑚, el primer supuesto cambiaría a que 𝑓(𝑥) debe
ser una función convexa, puesto que es lo que se requiere para asegurar que un
mínimo local sea un mínimo global.)

e) Programación separable

La 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. Por ejemplo, si 𝑓(𝑥) es una función separable, se puede
expresar como
 17

𝑓(𝑥) = ∑ 𝑓𝑗 (𝑥𝑗 )
𝑗=1

donde cada 𝑓𝑗 (𝑥𝑗 ) incluye sólo los términos con 𝑥𝑗 . En la terminología de

programación lineal, los problemas de programación separable satisfacen los
supuestos de aditividad, pero violan el supuesto de proporcionalidad cuando
cualquiera de las funciones 𝑓𝑗 (𝑥𝑗 ) son funciones no lineales.

Para ilustrar, la función objetivo que se considera en la figura anterior

𝑓(𝑥1 , 𝑥2 ) = 126𝑥1 − 9𝑥12 + 182𝑥2 − 13𝑥22

es una función separable porque puede ser expresada como

𝑓(𝑥1 , 𝑥2 ) = 𝑓1 (𝑥1 ) + 𝑓2 (𝑥2 )

donde 𝑓1 (𝑥1 ) = 126𝑥1 − 9𝑥12 𝑦 𝑓2 (𝑥2 ) = 182𝑥2 − 13𝑥22 son cada una funciones de
una sola variable 𝑥1 y 𝑥2 , respectivamente. Es importante distinguir estos
problemas de otros de programación convexa, pues cualquier problema de
programación separable se puede aproximar muy de cerca mediante uno de
programación lineal y, entonces, se puede aplicar el eficiente método símplex.
 18

f) Programación no convexa

La programación no convexa incluye todos los problemas de programación no lineal

que no satisfacen los 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.

g) Programación geométrica

Cuando se aplica programación no lineal a problemas de diseño de ingeniería,

muchas veces la función objetivo y las funciones de restricción toman la forma

𝑔(𝑥) = ∑ 𝑐𝑖 𝑃𝑖 (𝑥),
𝑖=1

Donde

𝑎 𝑎 𝑎
𝑃𝑖 (𝑥) = 𝑥1 𝑖1 𝑥2 𝑖2 ... 𝑥𝑛 𝑖𝑛 , para 𝑖 = 1,2, . . . , 𝑁.

En tales casos, 𝑐𝑖 y 𝑎𝑖𝑗 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 𝑐𝑖 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. El problema equivalente de
 19

programación convexa con variables de decisión 𝑦1 , 𝑦2 , . . ., 𝑦𝑛 se obtiene al

establecer:

𝑥𝑗 = 𝑒 𝑦𝑗 para 𝑗 = 1,2, . . . , 𝑛.

en todo el modelo original, de modo que ya se puede aplicar un algoritmo de

programación convexa. Se ha desarrollado otro procedimiento de solución para
resolver estos problemas de programación posinomial, al igual que para problemas
de programación geométrica de otros tipos.

h) Programación fraccional

Suponga que la función objetivo se encuentra en la forma de una fracción, esto es,
la razón o cociente de dos funciones,

𝑓1 (𝑥)
Maximizar 𝑓(𝑥) =
𝑓2 (𝑥)

Estos problemas de programación fraccional surgen, por ejemplo, cuando se

maximiza la razón de la producción entre las horas-hombre 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). Se han formulado
algunos procedimientos de solución especiales para ciertas formas de
𝑓1 (𝑥) 𝑦 𝑓2 (𝑥).

Cuando es posible, el enfoque más directo para resolver un problema de

programación fraccional es transformarlo en un problema equivalente de algún tipo
estándar que disponga de un procedimiento eficiente. Para ilustrar este enfoque,
suponga que 𝑓(𝑥) es de la forma de programación fraccional lineal

𝑐𝑥 + 𝑐0
𝑓(𝑥) = ,
𝑑𝑥 + 𝑑0
 20

donde c y d son vectores renglón, x es un vector columna y 𝑐0 y 𝑑0 son escalares.

También suponga que las funciones de restricción 𝑔𝑖 (𝑥) son lineales, es decir, las
restricciones en forma matricial son Ax ≤ b y x ≥ 0.

Bajo algunos supuestos débiles adicionales, el problema se puede transformar en

un problema equivalente de programación lineal si se establece

𝑥 1
𝑦= y 𝑦= ,
𝑑𝑥+𝑑0 𝑑𝑥+𝑑0

de manera que 𝑥 = 𝑦/𝑡. Este resultado conduce a

Maximizar 𝑍 = 𝑐𝑦 + 𝑐0 𝑡,

Sujeta a

𝐴𝑦 − 𝑏𝑡 ≤ 0,
𝑑𝑦 + 𝑑0 𝑡 = 1,

𝑦 ≥ 0, 𝑡 ≥ 0,

que se puede resolver con el método símplex. En términos generales, se puede

usar el mismo tipo de transformación para convertir un problema de programación
fraccional con 𝑓1 (𝑥) cóncava, 𝑓2 (𝑥) convexa y 𝑔𝑖 (𝑥) convexa, en un problema
equivalente de programación convexa.
 CONCLUSIONES

 Un problema se convierte de programación No Lineal, cuando este tiene función

objetivo no lineal y una o más restricciones expresadas a través de funciones no
literales.
 Algunas de las dificultades que más se presentan dentro de la programación no
lineal es que no existe un método o algoritmo de optimización universal que
resuelva la mayoría de problemas, los métodos y algoritmos presentan
comportamientos diferentes para cada tipo de problema, las variables son
continuas, la responsabilidad de seleccionar el mejor método o algoritmo recae
en el usuario, etc.
 La importancia de la programación no lineal no solo radica en el procedimiento
matemático, sino en la herramienta financiera que nos puede brindar como
soporte para la toma de decisiones en cualquier organización.
 Entre las razones por las que un problema es no lineal, son que las relaciones
no proporcionales disminuyen, las relaciones no aditivas y las eficiencias o
ineficiencias de escala.
 Los problemas de programación lineal se pueden presentar en muchas formas
distintas, siendo los más comunes la optimización no restringida y no restringida,
así como la programación convexa y no convexa, programación cuadrática,
programación separable, programación geométrica y la programación fraccional.
 LITERATURA CONSULTADA

Avriel, Mordecai. Nonlinear. Programming: Analysis and Methods. Dover

Publishing, 2003.

Bazaraa, Mokhtar S. y Shetty, C. M. Nonlinear programming. Theory and

algorithms. John Wiley & Sons, 1979.

Bertsekas, Dimitri P. Nonlinear Programming: 2nd Edition. Athena Scientific, 1999.

Calix Ng, Carlos Amadeo. La programación lineal, como Herramienta básica en la

Planeación y Toma de decisiones. Tesis de licenciatura en Administración de
empresas, Escuela de Administración de Empresas : Universidad Mariano
Gálvez, 1982.

Díaz, Gloria Marlene. Programación lineal como herramienta para la toma de

decisiones financieras. Universidad Santo Tomas, 2002.

Eppen, G.D.; Gould, F.J.; Schmidt, C.P.; Moore, Jeffrey H. y Weatherford, Larry R.
Investigación de operaciones en la ciencia administrativa. México : Prentice-
Hall, 5a. edición, 2000.

Escobar Zuluaga, Antonio Hernando; Gallego Rendón, Ramón Alfonso y Romero

Lázaro, Rubén Augusto. Programación no lineal. Universidad Tecnológica de
Pereira, Colombia, 2014.

Hillier, Frederick S. y Lieberman, Gerald J. Introducción a la investigación de

operaciones. México : Editorial McGrw-Hill, Novena edición. 2010.

Merino Maestre, María. Técnicas Clásicas de Optimización Parte I: Programación

Lineal y No Lineal. Facultad de Ciencia y Tecnología, Departamento de
Matemática Aplicada y Estadística e Investigación Operativa. Disponible en:
http://www.ehu.eus/mae/html/prof/Maria_archivos/plnlapuntes.pdf

Nocedal, Jorge and Wright, Stephen J. Numerical Optimization. Springer, 1999.

Taha, Hamdy A. Investigación de operaciones. México : Pearson Education.,

Novena edición, 2012.