1- Introduccin

REPASO:
Problemas de Optimizacin: son problemas de
asignacin ptima de recursos limitados,
para
cumplir un objetivo dado que representa la meta del
decisor. Los recursos pueden corresponder a personas,
materiales, dinero, etc. Entre todas las asignaciones de
recursos admisibles, se quiere encontrar la/s que
maximiza/n o minimiza/n alguna cantidad numrica
tal como ganancias o costos, etc.
Modelo de Optimizacin Matemtica: es una
representacin matemtica de una cierta realidad y
consiste en una funcin objetivo y un conjunto de
restricciones en la forma de un sistema de ecuaciones
o inecuaciones.
3

Proceso de optimizacin-modelado
Aplicaciones: Los problemas de optimizacin son muy
comunes en el modelado matemtico de sistemas reales
en un amplio rango de aplicaciones: economa,
finanzas, qumica, astronoma, fsica, medicina,
computacin, ...
Proceso de optimizacin y modelado: requiere de varios
pasos: descripcin del problema, elaboracin y emisin
de una solucin, control y actualizacin de la solucin si
hay cambio de parmetros o de la estructura misma del
problema.

Problema de decisin

Etapa de anlisis
Modelado matemtico
Etapa de control
Implementacin

No
Validado?
Si
Implementacin

No

Verificado?

Etapa de diseo
Interpretacin de la solucin

Si

Componentes de problemas de optimizacin

Funcin objetivo:la mayora de los problemas de
optimizacin tienen una funcin objetivo pero hay casos de
varias funciones objetivo (programacin multiobjetivo) o
incluso puede no tener funcin objetivo (interesan
soluciones factibles solamente)
Entradas controlables son las variables de decisin, cuyos
valores afectan la funcin objetivo y restricciones.
Entradas no controlables (parmetros), se fijan a priori y
dependen del problema particular, a veces se requiere un
anlisis de sensibilidad o uno paramtrico frente a
variaciones de los mismos.
Restricciones: son relaciones entre parmetros y variables
de decisin. Restricciones duras o esenciales y dbiles

 Limitaciones de los modelos: informacin incompleta,

simplificaciones y errores numricos, tecnologa
limitada.
Problemas de toma de decisiones se pueden clasificar
en dos categoras:
Modelos determinsticos: no se considera el riesgo,
hiptesis de informacin completa.
Modelos probabilsticos: informacin incompleta,
resultados probabilsticos

Clasificacin problemas optimizacin y complejidad:

Segn el tipo de variables: contnua, discreta, binaria,
mixta
Segn el tipo de funcines objetivo y restricciones: lineal
, no lineal, cuadrtica, convexa, no convexa,
diferenciable, no diferenciable

 Mtodos de resolucin:
Optimizacin global y local
exactos (global), heursticas (local)
Simplex, mtodos de punto interior, gradiente proyectado, etc

Programacin lineal (PL): aborda una clase de problemas de

programacin donde tanto la funcin objetivo a optimizar
como todas las relaciones entre las variables correspondientes
a los recursos son lineales.
Hoy en da, esta tcnica se aplica con xito para resolver
problemas de presupuestos de capital, diseo de dietas,
conservacin de recursos, juegos de estrategias, prediccin de
crecimiento econmico, sistemas de transporte,etc.
En este curso se presentarn tcnicas para resolucin de
problemas de PL contnua y discreta

UN POCO DE HISTORIA ...

1.

Siglo XVIII: En 1762, Lagrange resuelve problemas de

optimizacin con restricciones de igualdad.

2.

Siglo XIX: En 1820, Gauss resuelve sistemas de ecuaciones

lineales por el mtodo conocido como eliminacin Gaussiana.
En 1866 Wilhelm Jordan mejora esta tcnica y elabora el
mtodo conocido como Gauss-Jordan.

3.

Siglo XX:
En 1945, aparece la computacin digital
En 1947, Dantzig inventa el mtodo Simplex.
En 1968, Fiacco and McCormick introducen los mtodos de
Punto Interior.
En 1984, Karmarkar aplica los mtodos de Punto Interior para
resolver Programas Lineales aportanto un anlisis innovador.

SIMPLEX
Hacia 1945, Dantzig desarroll el mtodo
SIMPLEX para resolver el problemas de
programacin lineal (PL)
Es un mtodo eficiente, el ms utilizado hasta el
momento
NO es un algoritmo de complejidad polinomial. En
el peor caso, es un algoritmo de complejidad
exponencial con el nmero de variables del
poblema

METODO DEL ELIPSOIDE

En 1978 Khachian aplic el mtodo elipsoidal (de Shor,
Yudin y Nemirovskii) para resolver (PL) y encontr una cota
superior polinomial O(n4L) al nmero de operaciones
aritmticas que realizaba su algoritmo.
Lamentablemente es un algoritmo pseudo-polinomial ya que
su complejidad depende de L= largo de los datos de entrada.
La existencia de un algoritmo polinomial cuya complejidad
dependa nicamente de la cantidad de variables y
restricciones es un problema difcil, an abierto.
El mtodo caus gran revolucin terica pero
desafortunadamente las implementaciones prcticas no han
sido eficientes.
11

METODO DE KARMARKAR
En 1984 Karmarkar public un algoritmo para resolver (PL)
de complejidad polinomial O(n3.5L) mejorando la
performance alcanzada por Kachian y anunci que era ms
eficiente que el SIMPLEX
Actualente se sabe que este tipo de algoritmos son muy
eficientes en casos de problemas de grandes dimensiones
El algoritmo de Karmarkar en lugar de recorrer los vrtices
del poliedro determinado por S como en el SIMPLEX,
evoluciona desde el interior relativo S0 como en los mtodos
de programacin no lineal, siendo un mtodo de punto
interior.
En este curso estudiaremos los llamados Path-following
methods for linear programming
12

Generalidades
Sea el siguiente problema de optimizacin:
(G) Min f(x) / xF
DEF: d es una direccin de descenso (o ascenso)
de la funcin f, diferenciable, en x*F si 0
tal que f(x+ d)<f(x) (0, 0 )
en el caso de ascenso: f(x+ d)>f(x)
OBS: Sea f una funcin diferenciable en x*F
Si f(x).d <0, entonces d es una direccin de
descenso en x*.

f(x*+d)
f(x*)

d
X*

Si 1, f(x d) f(x ) f(x ).d

*

Funciones diferenciables:
Caso optimizacin sin restricciones
Condicin de ptimo local: f ( x ) 0
Puntos crticos: X x / f ( x ) 0
Si existe mnimo

x x X
*

Caso g(x) = 0 (multiplicadores de Lagrange)

Condicin de ptimo local: gradiente ortogonal al
conjunto de soluciones factibles : F x / g ( x ) 0
Puntos crticos:

X x / f ( x ) . g ( x )

Caso general g(x) 0 (Kuhn y Tucker)

Sea (P) Min f(x) / gi(x) 0, con i=1...m

x X
Sea , x un punto interior de X
Condiciones necesarias de ptimo de KuhnTucker
son:

x es factible o sea: gi(x) 0, i=1...m

igi(x) = 0, i=1...m
i 0 , i=1...m
f(x)+ i.gi (x) =0

Estas condiciones son necesarias para la existencia

de un ptimo, para que resulten tambin suficientes,
es necesario algunas hiptesis adicionales sobre f y el
conjunto de restricciones

Sean:
(G) Min f(x) / xF
(GL) Min fL(x) / xFL
DEF: GL es una relajacin de G si:
1- FL F
2- fL(x) f(x) x F

DEF: relajacin Lagrangeana

(P) Min f(x) / g(x) 0 x X
(P) Min f(x) + j*gj(x) / xX

P es una relajacin Lagrangeana de M

OBS: toda relajacin Lagrangeana con 0 de un
problema (P) es una relajacin de (P)

 DEF: problema dual

Dados los problemas P y P , se define el dual D de P como (D) Max
() / 0, siendo:
()= Min (f(x) + j*gj(x) )
xX

Sean d=Max () / 0 y
p=Min f(x) / g(x) 0 x X
DEF: gap de dualidad= = p-d
NOTA: p d
Ejemplo