Documente Academic
Documente Profesional
Documente Cultură
Optimizacinconrestriccionesde desigualdad
1. Elproblemabsicodeprogramacinnolineal 1.1Geometradelproblemabsicodeprogramacinnolineal 1.2CondicionesnecesariasdeKuhn yTuckerparael problemabsico 1.3Restriccionesdenonegatividad.CondicionesdeKuhn y Tucker 2.Elproblemageneraldeprogramacinnolineal 2.1Formulacinestndardelproblema 2.2 Programascncavos 2.3 CondicionesdeKuhn yTucker y
[P]
Condiciones necesarias (Kuhn- Tucker) (esquema de l d ( d la demostracin) t i ) Transformamos el problema P en un problema de Lagrange aadiendo una variable denominada de holgura Mx. f(x, ) M f( y) s.a g(x, y) b Mx. f(x, y) s.a g(x, y) + u2 = b
df(x*,y*) * = db
* O bien ( * y*) sigue siendo solucin y entonces * bi (x* *) i i d l i O bien el objetivo aumenta (disminuye) y entonces
=0 * > 0
Concluimos:
* 0
g(x, y) b
(x*, y*)
f(x, y) = k
g(x, y) = b Figura 2
g(x, y) b
(x*, y*) f(x, y) = k
Figura 3
g(x, y) = b
Teorema de Kuhn-Tucker. Sea el problema P Mx. f(x, y) con f y g de clase C1 s.a: g(x, y) b
Condicin de regularidad o de cualificacin de g las restricciones. C1 C j Conjunto f ibl convexo y existe un punto que cumple factible i l todas las restricciones con desigualdad estricta (Slater). C2 Todas las restricciones son lineales
El problema con restricciones de no negatividad. p g Condiciones necesarias (Kuhn Tucker). (esquema de la demostracin) 1. Escribimos el problema en forma estndar
Max f ( x, y ) s.a g ( x, y ) + u 2 = b x + v2 = 0 y + w2 = 0
3. D fi i Definimos la funcin lagrangiana l f i l i
5. Por ltimo, eliminamos las variables de holgura, como en el caso anterior, anterior y obtenemos las siguientes condiciones necesarias
f(x,y) g(x,y) 0 x x f(x,y) g(x,y) 0 y y g(x,y) b x 0;y 0 0 [b g(x,y)] = 0 g( ,y) g(x,y) f(x,y) x =0 x x f(x,y) g(x,y) y =0 y y
5. Condiciones suficientes
Estudiaremos slo problemas de programacin cncava: Maximizacin de una funcin cncava en un conjunto factible convexo ms una restriccin de cualificacin. En este caso las condiciones necesarias son tambin suficientes para mximo global. f
Ejemplos
Max s.a x+ y x2 + y 2 1
Este es un problema de programacin cncava: La funcin objetivo es cncava y la restriccin es una funcin convexa. Tambin se cumple una condicin de cualificacin o regularidad: g el punto (1/2,1/2) cumple la restriccin estrictamente.
L( x, y, ) = x + y + [1 x 2 y 2 ] Condiciones necesarias L = 1 2 x = 0 x L = 1 2 y = 0 x x2 + y 2 1 0
[1 x 2 y 2 ] = 0
Max s.a x0 y0
x+ y x2 + y 2 1
Tambin T bi es un problema d programacin cncava: l f bl de i la funcin objetivo es i bj ti cncava y la restricciones son funciones convexas. Tambin se cumple una condicin de cualificacin: el punto (1/2,1/2) cumple las restricciones estrictamente
Resolucin
[1 x 2 y 2 ] = 0 x[1 2 x] = 0 y[1 2 y ] = 0
Se empieza resolviendo las condiciones de igualdad y para cada uno de los puntos obtenidos se van comprobando el resto de condiciones.
De las tres ltimas ecuaciones deducimos que: x = 0, y = 0, = 0 imposible porque no se cumplira (1) (2) Por tanto: x2 + y 2 = 1, 1 2 x, 1 2 y 2 1 1 Resolviendo obtenemos la solucin , con = 2 2 2
Este punto es un mximo global del problema. Comprobarlo grficamente utilizando las curvas de nivel de la funcin
Objetivo
Restricciones de capacidad
Max f(x1,...,x n )
g1(x1,...,x n ) b1 2 2 g (x1,...,x n ) b .......... gm(x1,...,x n ) bm x1 0 x2 0 ... xn 0
s. a.
Restricciones de no-negatividad
Al f la funcin
S = x
Cualquierproblemadeoptimizacinsepuedeescribirdeesta manera Mi i i Minimizarequivaleamaximizarlafuncincambiadadesigno i l i i l f i bi d d i Lasrestriccionesdetipocambiandesignomultiplicandopor (1). ( 1) Unarestriccindeigualdadseconvierteendos desigualdades d i ld d . Siunavariablenoestsujetaalarestriccindeno negatividadsepuedeescribircomodiferenciadedos negatividad se puede escribir como diferencia de dos variablesnonegativas
Probaremos que la matriz hessiana de cada restriccin es semidefinida positiva en el conjunto factible.
El conjunto factible es siempre convexo dado que las funciones que intervienen en las restricciones son convexas.
S = {x : g(x) b}
Debemos probar que
x, y S 0,1 x + (1 ) y S
Sabiendo que g es convexa, es decir
Como
x + (1-)y S (1
Max f(x1,...,x n ) x
s. a.
[PC]
Es un problema de programacin cncava si: PC1) La funcin objetivo es cncava con parciales continuas PC2) Las funciones que definen las restricciones son convexas, con parciales continuas PC3) Se verifica una restriccin de cualificacin.
Diremos que el problema cumple una condicin de regularidad o de cualificacin de las restricciones si cumple una de las dos condiciones siguientes:
C1) Existe un p ) punto q que cumple todas las restricciones con p desigualdad estricta (Slater). C2) Todas las restricciones son lineales )
Bajo estas condiciones se cumple el teorema de Kuhn-Tucker j di i l l d h k con condiciones establecidas sobre la lagrangiana del problema
L(x1 ,..., xn , 1 ,..., n ) = f(x) +
(b
j =1 j
g(x))
Teorema de Kuhn-Tucker
(b
j =1 j
g(x))
tales que el punto
L(x* , * ) 0 1 xi 2 gj x* b j
* i
( )
L(x* , * ) 3 x =0 xi 4 * b j -gj x* j
j 1 ( ) ) = 0 j=1,...,m.
Ejemplo
Max x 2 2 y 2 + xy s.a x + y 35 x 0, y 0
Notar que se trata de un programa cncavo: la funcin es cncava y las restricciones convexas. Adems las restricciones son lineales y, por tanto, tanto se cumple una de las condiciones de cualificacin Las condiciones de cualificacin. Kuhn-Tucker nos proporcionarn la solucin.
L( x, y, ) = x 2 2 y 2 + xy + [35 x y ]
De la condicin [6] = 0 35 x y = 0 [6], Si = 0 de [4] y [5] obtenemos x = y = 0 que cumple el resto de las condiciones. De la condicin 35 x y = 0 con [4] y [5] no obtenemos ninguna solucin q cumpla el resto de condiciones. g que p Concluimos que el mximo global se alcanza en el punto (0,0) con =0
Podamos haber obtenido la solucin, en este caso, por otro mtodo ms fcil? Por qu?