Tema12.

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

El problema bsico de programacin no lineal

Max f( M f(x, y) ) s.a: g(x, y) b

f(x, f(x y) y g(x y) de clase C1 g(x,

[P]

Maximizacin: Restriccin del tipo

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

b u2 g(x, y) L(x, y, u, ) = f(x, y) +

Por el teorema de Lagrange, si (x*, y*, u*) es solucin local del problema y y si g( x*,y*,u*) ( 0,0,0) ( (condicin de regularidad) g ) existen * y u* tales que

L(x*, y*, u*, *) = (0, 0, 0, 0)

Sistema de condiciones necesarias:

f(x,y) g(x,y) =0 x x f( ) f(x,y) g(x,y) ( ) =0 y y 2 u = 0 u = 0 b u2 g(x,y) = 0 g(x,y) + u2 = b

Si eliminamos la variable de holgura obtenemos:

f(x y) f(x,y) g(x,y) g(x y) =0 x x f(x,y) g(x,y) =0 y y g(x,y) b [b g(x,y)] = 0

Signo del multiplicador Supuesto q b p p que puede variar

df(x*,y*) * = db

Si (x* y*) resuelve P p ( y) para * y b aumenta ( (disminuye), y ), entonces

* 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

Signo del multiplicador

g(x, y) b

(x*, y*)

f(x, y) = k

g(x, y) = b Figura 2

Signo del multiplicador

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

L(x, y, ) = f(x, y) + [b g(x, y)]

Si (x*, y*) es solucin de P y si se cumple la regularidad, existe un * nico de modo que:
f( * *) f(x*,y*) g(x*,y*) ( * *) * =0 x x f(x* y*) f(x*,y*) g(x* y*) g(x*,y*) * =0 y y g(x y*) g(x*,y ) b * [b g(x*,y*)] = 0 * 0

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 ) Max f ( x, y ) s.a g ( x, y ) b s.a g ( x, y ) b x 0 x0 y0 y 0

2. Aadimos variables de holgura

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

L(x, y, u, , , ) = f(x, y) + b u2 g(x, y) + [x v 2 ] + [y w 2 ]

4. Calculamos el gradiente de la lagrangiana y lo igualamos al

vector nulo: t l

L(x, y, u, , , ) = f(x, y) + b u2 g(x, y) + [x v 2 ] + [y w 2 ]

f(x,y) g(x,y) + =0 x x f(x,y) g(x,y) +=0 y y b u2 g(x,y) = 0 g(x,y) + u2 = b x v 2 = 0 x + v 2 = 0 y w 2 = 0 y + w 2 = 0 2 u = 0 2v = 0 2w = 0

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.

Resolucin. Escribimos la lagrangiana

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

Resolucin Empezamos analizando la codicin [1 x 2 y 2 ] = 0

= 0 x 2 + y 2 = 1, como = 0 no cumple las condiciones 1 y 2

x2 + y 2 = 1 1 1 De 1y 2 obtenemos = = x= y 2x 2y Sustituyendo en x 2 + y 2 = 1 1 1 2x2 = 1 x = , slo x = cumplir > 0 p 2 2 2 1 1 Solucin , con = 2 2 2

El problema con restricciones de no negatividad

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

L( x, y, ) = x + y + [1 x 2 y 2 ] Co d c o es eces s Condiciones necesarias L = 1 2 x 0 x L = 1 2 y 0 x x2 + y 2 1 x 0 y 0, 0 0, 0

[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

Problemageneraldeoptimizacincon Problema general de optimizacin con restriccionesdedesigualdad

Programacincncava Programacin cncava

Problema en forma estndar

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

Cantidad de recursos disponibles.

s. a.

Restricciones de no-negatividad

Al f la funcin

denominamos f funcin objetivo i bj i f(x f( 1,...,x n ) lla d

i i Las desigualdades g (x1 ,..., xn ) b las denominamos restricciones

Las desigualdades xi 0 las denominamos restricciones de no negatividad. Al conjunto onj nto

S = x

: g1(x) b1,...,gm(x) bm,xi 0,i = 1,...,n

Lo denominamos conjunto de oportunidades o conjunto factible

 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

Propiedades q exigimos al p p que g problema estndar

-

La funcin objetivo debe ser cncava

Probaremos que su matriz hessiana es semidefinida negativa en el conjunto factible.

-

Las restricciones deben ser convexas

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

g(x + (1 )y) g(x) + (1 )g(y)

g(x) b g(x) b x, y S , g(y) b ( ) (1 ) ( ) (1 )b (1- )g(y) (1Sumando

Como

g(x) + (1-)g(y) b + (1-)b=b

Como g es convexa

g(x + (1-)y) g(x) + (1-)g(y) b + (1-)b=b

y por tanto

x + (1-)y S (1

Max f(x1,...,x n ) x
s. a.

gj (x1,...,x n ) b j j=1,...,m ( , , j , , x i 0 i=1,..,m

[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

L(x1 ,..., xn , 1 ,..., n ) = f(x) +

mismo si y slo si, existen
* * * (x1 ,..., xn , 1 ,..., * ) m

(b
j =1 j

g(x))
tales que el punto

Dado un problema (PC), un punto x* es solucin del verifica:

* 1 ,..., * m

L(x* , * ) 0 1 xi 2 gj x* b j
* i

i=1,...,n. j=1,...,m. i=1,...,n.

( )

L(x* , * ) 3 x =0 xi 4 * b j -gj x* j

j 1 ( ) ) = 0 j=1,...,m.

i=1,...,n. 5 xi* 0 6 * 0 j=1,...,m. j

 Nota.Sielproblemaesdeprogramacin cncava,lascondicionesdeKuhnTuckerson necesariasysuficientes,paramximoglobal

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.

Condiciones Kuhn-Tucker Lagrangiana

L( x, y, ) = x 2 2 y 2 + xy + [35 x y ]

[1] 2 x + y 0 [2] 4 y + x 0 [3] x + y 35 [3] x, y, 0 [4] x ( 2 x + y ) = 0 [5] y ( 4 y + x ) = 0 [6] ( 35 x y ) = 0

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?