RESOLUCIÓN DE LOS CASOS PROPUESTOS

Solución B):
• Hallando el vector gradiente y luego la matriz Hessiana de la función:

• Analizando el signo de los primeros menores principales:

-12 < 0
-8 < 0

• Analizando el signo del segundo menor principal:

(-12 x -8) – (7 x 7) = 47 > 0

Conclusión: Los primeros menores principales distintos de

cero son negativos y el segundo menor principal diferente de
cero es > 0. Por lo tanto, f(x1, x2) es cóncava.
Solución C):
• Hallando el vector gradiente y luego la matriz Hessiana de la función:

• Analizando el signo de los primeros menores principales:

6 ≥0
12 ≥ 0
10 ≥ 0
• Analizando el signo de los segundos menores principales:
71 ≥ 0 56 ≥ 0 104 ≥ 0
• Analizando el signo del tercer menor principal:
Conclusión: Todos los menores
550 ≥ 0 principales son ≥ 0. Por lo tanto,
f(x1, x2, x3) es convexa.
 Solución D):
• Hallando el vector gradiente y luego la matriz Hessiana de la función:

• Analizando el signo de los primeros menores principales distintos de cero:

- 10 < 0
-6 <0
-4 <0
• Analizando el signo de los segundos menores principales distintos de cero:
56 > 0 39 > 0 15 > 0
• Analizando el signo del tercer menor principal distinto de cero:
Conclusión:
-140 < 0
f(x1, x2, x3) es cóncava.
Programación No Lineal
Análisis de la solución
óptima
Investigación de Operaciones 2, Unidad 1
Conclusiones obtenidas de lo aprendido en
la presentación anterior:

• Si se resuelve un M.P.N.L. mediante el método

gráfico, la solución óptima será siempre
global.
• Es decir, no existe mejor solución que esa.
• Pero, al resolver un M.P.N.L. en LINGO, la
solución óptima puede resultar local.
• Eso es porque la solución óptima puede estar en
cualquier parte de la región factible.
• Por lo tanto, el usuario debe evaluar si la
solución óptima local es también global.
• La pregunta es: ¿Bajo qué criterio se va a
evaluar?
 Teoremas:
• Sea el modelo de programación
no lineal de 𝒙 = 𝒙𝟏, 𝒙𝟐, … , 𝒙𝒏
variables de decisión y de 𝒎
restricciones:
𝑴𝒂𝒙 𝒁 = 𝒇 𝒙
𝑺𝒖𝒋𝒆𝒕𝒐 𝒂:
𝒈𝒊 𝒙 ≤ 𝒃𝒊 ∀𝒊 = 𝟏, … , 𝒎
• Un máximo local de ese modelo
es también máximo global si
𝒇(𝒙) es cóncava y 𝒈𝒊 𝒙 es
convexa ∀𝒊 = 𝟏, … , 𝒎
• Sea el modelo de programación
no lineal de 𝒙 = 𝒙𝟏, 𝒙𝟐, … , 𝒙𝒏
variables de decisión y de 𝒎
restricciones:
𝑴𝒊𝒏 𝒁 = 𝒇 𝒙
𝑺𝒖𝒋𝒆𝒕𝒐 𝒂:
𝒈𝒊 𝒙 ≤ 𝒃𝒊 ∀𝒊 = 𝟏, … , 𝒎
• Un mínimo local de ese modelo
es también mínimo global si
𝒇(𝒙) es convexa y 𝒈𝒊 𝒙 es
convexa ∀𝒊 = 𝟏, … , 𝒎
Ejemplo 1:

• Resolver el siguinte MPNL

empleando el software LINGO: 𝑴𝒂𝒙 𝒁 = 𝟑𝒙𝟐 + 𝟓𝒚𝟐
𝑺𝒖𝒋𝒆𝒕𝒐 𝒂:

𝒙≤𝟒
𝟗𝒙𝟐 + 𝟓𝒚𝟐 ≤ 𝟐𝟏𝟔
𝒙, 𝒚 ≥ 𝟎
¿La solución óptima es también una solución global?
Solucion en Lingo

Local optimal solution found.

Objective value: 216.0002

Variable Value
X 0.000000
Y 6.572673
Conclusión:

• Al no cumplir con las condiciones del análisis, se

puede afirmar que la solución óptima obtenida por el
software LINGO no es una solución óptima global.

Objective value: 216.0002

Variable Value
X 0.000000
Y 6.572673
Ejemplo 2:

• Resolver el siguiente MPNL

empleando el software LINGO: 𝑴𝒊𝒏 𝒁 = 𝟑𝒙 + 𝟐𝒙𝒚 + 𝒚
𝑺𝒖𝒋𝒆𝒕𝒐 𝒂:
𝟐𝒙 + 𝒚 ≥ 𝟏𝟎
𝒙𝟐 − 𝒙𝒚 + 𝒚𝟐 ≤ 𝟓𝟎
𝒙, 𝒚 ≥ 𝟎

¿La solución óptima es también una solución global?

Solucion en Lingo

Local optimal solution found.

Objective value: 15.0000

Variable Value
X 5.000000
Y 0.000000
Conclusión:

• Al no cumplir con los criterios del análisis, se puede

afirmar que la solución óptima obtenida por el software
LINGO no es una solución óptima global.
Local optimal solution found.
Objective value: 15.0000

Variable Value
X 5.000000
Y 0.000000
 Ejercicio 1

Una compañía planea gastar 10000 euros en publicidad. Se sabe que un minuto de
publicidad en televisión cuesta 3000 euros y 1000 euros en la radio. Si la empresa compra
x minutos de publicidad en televisión e y minutos en la radio, su ingreso, en euros, esta
dado por −2x2 −y2 + xy + 8x + 3y. ¿Cómo puede la empresa maximizar sus ingresos?
Variables de decisión:
x: minutos de publicidad en la TV
y: minutos de publicidad en la radio

Función Objetivo: Max Z = -2x2 −y2 + xy + 8x + 3y

Restricciones:
3000X + 1000Y <= 10000
X, Y >= 0
 -2*x^2 -y^2 + x*y + 8*x + 3*y;

Local optimal solution found. f(x)' = -4x + y + 8

Objective value: 15.01786 f(x)'' = -4 + y
Infeasibilities: 0.000000
Extended solver steps: 5
Total solver iterations: 36 f(y)' = -2y + x + 3
f(y) = -2 + x
Variable Value Reduced Cost
X 2.464286 0.000000 -4 1
Y 2.607143 0.000000 1 -2

PMP = -4 y -2
SMP = 7
Por lo tanto la solución local es un óptimo global
Programación No Lineal
Programación Separable
Investigación de Operaciones 2, Unidad 1
Contenido

• 1. Definición.
• 2. ¿Cómo se logra dicha aproximación?
• 2.1 Sustitución aproximada
• 2.2 Sustitución exacta
1. Definición

• La programación separable permite

aproximar ciertos MPNL a Modelos de
Programación Lineales, obteniendo una
solución óptima aproximada.
• Sólo se aplica esta técnica cuando en un
MPNL las variables de decisión aparecen en
términos separados tanto en la función
objetivo como en las restricciones.
Por ejemplo, este MPNL no es separable:

Max Z 3x x  2x 2  x 2
1 2 1 2

s.a.:
x  2x  4
2 2
1 2

2x1  x2  3
x x 2  x 2x  2
1 2 1 2

x1, x2  0
Pero este MPNL sí es separable:

Max Z  30x  35x  2x  3x 2 2

1 2 1 2

s.a.:
x1 2  2x 22  250
x1  x2  20
x1, x2  0
2. ¿Cómo se logra dicha aproximación?

• Se logra mediante la sustitución de

las expresiones no lineales por
funciones lineales por tramos.
• La sustitución puede ser de dos tipos:
• Sustitución aproximada: La solución
óptima que el software arroja se
considera una aproximación a la
verdadera solución óptima.
• Sustitución exacta: La solución óptima
que el software arroja se considera
solución óptima global.
2.1 Sustitución aproximada

• Se reemplazan las expresiones no lineales por funciones lineales por

tramos de manera aproximada.
• A menor amplitud que posean los tramos, mayor precisión; pero
también el modelo resultante se hace más grande.
• Ejemplo: Resolver el siguiente MPNL aplicando programación separable

Max Z  30x  35x  2x 2  3x 2

1 2 1 2

Sujeto a :
x 2  2x 2  250
1 2

x1  x2  20
x1, x2  0
Max Z  30x  35x  2x 2  3x 2
1 2 1 2 Reemplazar

X12 = Y1
X22 = Y2
x 2  2x2 2  250
1

x1  x2  20 Max Z = 30x1 + 35x2 – 2y1 – 3y2

x1, x2  0 Restriciones:

Y1 + 2y2 <= 250

X1 + x2 <= 20
X1, x2 >=0
Y1, y2 >=0
 16

y1
X12 = Y1

6 S1 <= 2
S2 <= 4-2

X1 = s1 + s2

4 Y1 = 2*s1 + 6*s2

2 4 x1

s1 s2
Solución

• Son dos las expresiones no lineales: x1 2 y x22

• Analizando la primera restricción, el máximo valor que podría tomar:
• x1: 2500.5 = 15.81  16
• x2: (250 / 2)0.5 = 11.18  12
• Ambos valores máximos satisfacen también la segunda restricción (no
exceden de 20)
• Luego, se efectúa la siguiente sustitución:
• X12 = F1
• X22 = F2
Se aproxima cada expresión no lineal a
funciones lineales por tramos:
• Arbitrariamente, se emplearán 4 tramos.
• Para cada tramo, se calculará la pendiente
F1 = x1 2
Aproximación de F1
De igual manera, para F2 = x22

F2 = x22
Aproximación de F2
Modelamiento de las funciones lineales por
tramos:
• Se asigna una variable auxiliar por cada tramo:
• A1, A2, A3, A4 : Representan a cada tramo de la recta que contiene a x1.
• En consecuencia:
• x1 = A1 + A2 + A3 + A4
• A1 ≤ 4, A2 ≤ 4, A3 ≤ 4, A4 ≤ 4
• B1, B2, B3, B4 : Representan a cada tramo de la recta que contiene a x2.
• En consecuencia:
• x2 = B1 + B2 + B3 +B4
• B1 ≤ 3, B2 ≤ 3, B3 ≤ 3, B4 ≤ 3
• Por ejemplo: Si x1 toma el valor de 9, entonces:
• A1 = 4, A2 = 4, A3 = 1 y A4 = 0
• F1 se expresa en función de las variables A1, A2, A3, A4 y de las
pendientes obtenidas en cada tramo:
• F1 = 4A1 + 12A2 + 20A3 + 28A4
• F2 se expresa en función de las variables B1, B2, B3, B4 y de las
pendientes obtenidas en cada tramo:
• F2 = 3B1 + 9B2 + 15B3 + 21B4
Entonces el modelo cambia de la siguiente
manera:
Modelo Linealizado
Modelo No Lineal Original 𝑴𝒂𝒙 𝒁 = 𝟑𝟎𝒙𝟏 + 𝟑𝟓𝒙𝟐 − 𝟐𝑭𝟏 − 𝟑𝑭𝟐
𝑴𝒂𝒙 𝒁 = 𝟑𝟎𝒙𝟏 + 𝟑𝟓𝒙𝟐 − 𝟐𝒙𝟐𝟏− 𝟑𝒙𝟐 𝟐 𝑺𝒖𝒋𝒆𝒕𝒐 𝒂:
𝑺𝒖𝒋𝒆𝒕𝒐 𝒂: 𝑭𝟏 + 𝟐𝑭𝟐 ≤ 𝟐𝟓𝟎
𝒙𝟐𝟏 + 𝟐𝒙𝟐𝟐 ≤ 𝟐𝟓𝟎 𝒙𝟏 + 𝒙𝟐 ≤ 𝟐𝟎
𝒙𝟏 + 𝒙𝟐 ≤ 𝟐𝟎 𝑭𝟏 = 𝟒𝑨𝟏 + 𝟏𝟐𝑨𝟐 + 𝟐𝟎𝑨𝟑 + 𝟐𝟖𝑨𝟒
𝒙 𝟏 , 𝒙𝟐 ≥𝟎 𝑭𝟐 = 𝟑𝑩𝟏 + 𝟗𝑩𝟐 + 𝟏𝟓𝑩𝟑 + 𝟐𝟏𝑩𝟒
𝒙𝟏 = 𝑨𝟏 + 𝑨𝟐 + 𝑨𝟑 +𝑨𝟒
𝑨𝟏 ≤ 𝟒
𝑨𝟐 ≤ 𝟒
𝑨𝟑 ≤ 𝟒
𝑨𝟒 ≤ 𝟒
𝒙𝟐 = 𝑩𝟏 + 𝑩𝟐 + 𝑩𝟑 + 𝑩𝟒
𝑩𝟏 ≤ 𝟑
𝑩𝟐 ≤ 𝟑
𝑩𝟑 ≤ 𝟑
𝑩𝟒 ≤ 𝟑
𝒙 𝟏 , 𝒙𝟐 ≥ 𝟎
Análisis de la solución óptima del modelo no
lineal original
• La solución óptima que LINGO
arroja del modelo no lineal
(originalmente formulado) es:
• Óptimo Local: 214.5833
• Valores: x1 = 7.5 ; x2 = 5.8333
• La región factible del modelo es
convexa y la función objetivo es una
función cóncava; por lo tanto esta
solución es también global
Análisis de la solución óptima del modelo
linealizado:
• La solución óptima que LINGO arroja
del modelo “linealizado” es:
• Óptimo Global: 214
• Valores: x1 = 8 ; x2 = 6
• LINGO le da la categoría de Global
porque ha resuelto un modelo lineal al
fin y al cabo; pero en realidad es una
aproximación a la verdadera solución
debido a que las expresiones no
lineales han sido sustituidas de
manera aproximada a funciones
lineales por tramos.