1

PROGRAMACIÓN NO LINEAL SEPARABLE

3. INTRODUCCIÓN

Con esta investigación daremos a conocer varios de los aspectos que concierne la programación No
lineal y algunas de sus ramas. Empezando por definir su concepto, de donde proviene, cuál es su
importancia en ámbitos económicos, sociales y humanos. Además, se mencionan los problemas
clásicos que resuelve, que uso se le ha dado a lo largo del tiempo en las áreas de ingeniería,
administración entre otras, se enfatizará con ejercicios propuestos para ver cada uno de los métodos a
fondo para realizar este tipo de Programación y también las aplicaciones donde se abordará como la
programación No lineal fue utilizada con el fin de solucionar las problemáticas planteadas. Finalmente
mencionaremos los resultados obtenidos durante el desarrollo de la investigación.

PARTEI. CONTEXTUALIZACIÓN DE LA INVESTIGACIÓN

3.1.1. Objetivos
3.1.1.1. Objetivo General

Mostrar como la programación no lineal separable, usando diferentes métodos como Base restringida,
Método de gradiente o método de secuenciales no restringidos además de las diferentes herramientas
digitales, sirve para la solución de problemas que involucran decisiones.

3.1.1.2. Objetivos Específicos

● Dar a conocer a fondo la Programación No Lineal Separable (PNLS).

● Mostrar las herramientas y los métodos de solución para problemas PNLS.

 2

● Mostrar las diferentes aplicaciones que posee la programación no lineal separable.

● Dar ejemplos de solución a diferentes ejercicios típicos y ejercicios propuestos de la programación

no lineal separable.

3.1.2. Justificación

La presente investigación se enfocará en describir en detalle la programación no lineal separable,

empezando por su definición planteada desde la perspectiva de distintos autores, además
mencionaremos algunas de las muchas aplicaciones que se han dado en la historia y otras que se
continúan desarrollando.

Se busca dar a entender la importancia que tiene la programación no lineal separable en la ingeniería,
en el desarrollo económico y la administración abordando las distintas aplicaciones y ejercicios en las
cuales esta ha sido la principal herramienta de solución. Centraremos el documento en ejercicios típicos
y propuestos además de aplicaciones principales, los cuales explicaremos en detalle dando a entender
su contexto social real, justificación y método de solución a través de modelos de programación no
lineal separable.

3.1.3. Revisión Teórica

3.1.3.1 Historia

La primera vez que se escuchó sobre Programación no lineal fue en el Año 1951 por el Matemático
Canadiense Albert W. Tucker y el Matemático Americano Harold W Kuhn los cuales venían
trabajando desde hace varios Años juntos con el campo de la teoría de juegos, en dicho año crearon
las condiciones de Kuhn – Tucker el cual es considerado como el primer método de optimización
para un problema No lineal. Este está basado en el proceso matemático conocido como multiplicador
de LaGrange y que solo incluía algunos problemas de programación lineal ya que para poder
 3

resolverse por este método debía de tener unas condiciones básicas y así solucionarse. En el año 1951
estos dos matemáticos Sacan el libro “ Contributions to the Theory of Games ” donde explican y resaltan
los fundamentos de este método y más adelante en 1953 sacan el volumen 2 de su libro donde
explican casos especiales de su método expuesto, cabe resaltar que antes de la publicación del libro
ya se había difundido este método de programación no lineal a base de conferencias.

Sin embargo, investigadores encontraron años después que los fundamentos por los cuales se basaron
estos dos matemáticos ya había sido anunciados antes en 1939 por el matemático Americano William
Karush en su tesis de maestría llamada “ Minima of functions of several variables with inequalities as side
conditions” lo cual genero muchas controversias en la comunidad científica por parte de estos dos
Matemáticos, por lo que el método pionero fue re bautizado como Condiciones de Karush – Kuhn –
Tucker.

En el año 1956 sale la primera rama importante de programación no lineal denominada Programación
no lineal convexa siendo sus pioneros la Matemática francés Marguerite Frank y el Matemático
Americano Phill Wolfe con su método denominado Algoritmo de Frank – Wolfe o método del
gradiente que se publicó en un libro recopilatorio de investigaciones de la Universidad de Pricenton
llamado “Naval Research Logistics Quarterly Vol 3” y su Artículo tenia por nombre ”An algorithm for
quadratic programming” un dato curioso es que Frank y Wolfe formaron parte del proyecto logístico de
Princeton quienes dirigían los señores Kuhn y Tucker los padres de esta programación.

A partir de aquí muchos autores y matemáticos empezaron profundizar con el tema de programación no lineal
dejando de lado un poco a la programación lineal que era muy popular al comienzo de la década de los 50, en
1962 el investigador Americano William W. Cooper en colaboración de A charnes publica su libro “ Programming
with linear fractional functionals” El cual estaba enfocado a un nuevo tipo de Programación con fraccionarios, y
aunque su trabajo estuvo enfocado a programación lineal, se vieron aplicaciones bastante aceptables para
trabajar con la programación no lineal ya que casos exactos donde se requería transformar la función a lineal se
resolvían gracias a los métodos propuestos por Cooper.

y con estas bases nacen las demás ramas que constituyen esta programación y nacieron todo tipo de
investigaciones por parte de muchos autores e incluso de trabajos posteriores de los pioneros y primeros
matemáticos de este tipo de programación contribuyeron a la construcción de esta.
 4

3.1.3.2 Desarrollo

El Experto en Optimización de sistemas Dimitri Bertsekas Dice que la programación no lineal es el

proceso de resolución de un problema de optimización definido por un sistema de igualdades y
desigualdades, colectivamente denominadas restricciones, sobre un conjunto de variables reales
desconocidas, junto con una función objetivo a maximizar o minimizar, donde algunas de las
limitaciones o la función objetivo son de grado mayor a 1.

La optimización No Lineal es una de las áreas más importantes de la matemática aplicada moderna,
con aplicaciones en campos de ingeniería y economía a finanzas, estadísticas, ciencias de gestión y
medicina. Existen varias posibilidades para la naturaleza del conjunto de restricciones, o función a
optimizar, dependiendo de estas características salen ramas principales donde muchos autores han
profundizado y realizado Algoritmos para resolver cada uno de estas.

La programación separable es un caso especial de programación convexa

La suposición adicional es que todas las funciones f(x) y g(x) son funciones 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.

La Función Objetivo y las restricciones deben ser netamente separable y además La función Objetivo
puede tener exponentes En Caso de Maximización debe ser Cóncava, en caso de Minimización debe
ser Convexa
 5

Las restricciones deben ser NO lineales y puede ser Convexa y La escancia de estos problemas es el de
eliminar las restricciones especiales, para convertir el problema lineal Su solución Óptima debe
satisfacer en teoría a la restricción especial.

3.1.3.3 Conceptualización
La programación no lineal en términos generales es el proceso de resolver un problema de
optimización definido por un sistema de igualdades y desigualdades, colectivamente denominadas
restricciones, sobre un conjunto de variables reales desconocidas, junto con una función objetivo a
maximizar o minimizar, donde algunas de las limitaciones o la función objetivo son de orden 2 en
adelante.

Programación cuadrática Es el problema de optimizar (minimizar o maximizar) una función

cuadrática de varias variables sujetas a restricciones lineales sobre estas variables, es decir, el problema
de optimización cuadrática. La programación cuadrática es un tipo particular de programación no
lineal.

Programación convexa. Un subcampo de optimización, estudia el problema de minimizar funciones

convexas sobre conjuntos convexos. La propiedad de convexidad puede hacer la optimización en algún
sentido "más fácil" que el caso general - por ejemplo, cualquier mínimo local debe ser un mínimo
global.

Programación separable es un caso particular de la programación no lineal convexa que se caracteriza

por tener sus restricciones separables, se trata de la eliminación de las restricciones especiales para asi
convertir el problema en un modelo de programación lineal cuya solución optima satisface la
restricción especial inicial.

Programación no lineal sin restricciones Es el proceso de optimización de una función objetivo con
respecto a algunas variables en presencia de restricciones sobre esas variables. La función objetivo es
una función de coste o de energía que debe minimizarse, o una función de recompensa o función de
utilidad, que debe maximizarse. Las restricciones pueden ser restricciones duras que establezcan
condiciones para las variables que se requiera satisfacer o restricciones blandas que tienen algunos
valores variables que se penalizan en la función objetivo si, y en base a la extensión en que las
condiciones en las variables no son satisfechas.
 6

Programación fraccional. La función objetivo en un programa fraccionario es una relación de dos

funciones que son en general no lineales. La relación a optimizar a menudo describe algún tipo de
eficiencia de un sistema.

Metodo Gradiente reduce el calculo de un minimo local a una secuencia de problemas de búsqueda
lineal modificando la búsqueda del gradiente evitando la entrada de la trayectoria de búsqueda a la
frontera de restricción

Metodo de Base Restringida consiste en identificar las funciones que dependen únicamente de una sola
variable, determinar las restricciones como una suma de funciones que dependen de una sola variable,
separar las restricciones que pueden ser lineales o separables, para obtener finalmente la solución
óptima con el método simplex normal.

Metodo de Charnes y Cooper consiste en realizar una transformada a partir del cambio de variable con
el propósito de convertir un problema no lineal en un problema lineal equivalente

Metodo Frank & Wolf está condicionado a problemas netamente convexos los cuales se solucionan a
travez de aproximaciones por medio de la matriz hessiana con el objetivo de Resolver el problema con
dicha aproximación, como un problema de PL con holguras complementarias

3.1.3.4 Trabajos de Investigación Realizados Posteriores

 En 1963 La comunidad de investigadores de operaciones descubren las grandes aplicaciones

que el Método de Newton para encontrar máximos y mínimos mediante la derivación puede
ayudar a la resolución de problemas no lineales.
 En 1969 Phillp Wolf Crea una extensión a su método el cual llamo Las Wolf Condiciones las
cuales se encargan de resolver los incontinentes del método de Newton en casos especiales.
 En 1985 Terlaky T crea su método Criss-Cross lanzado en su libro “A convergent criss-cross
method” Donde modifica el método Simplex para emplearse de una vez a problemas no lineales
 En 1985 el Operativo Yossi Sheffi Publica su libro “ Urban Transportation Networks” el cual
trabaja la asignación estática de flujo de una red basado netamente en métodos no lineales.
 Un estudio detallado de Lupi en 1985 mostraba que el algoritmo de Frank-Wolfe (F-W) era
superior a la mayoría de los otros algoritmos utilizados habitualmente.
 7

 En 1987 el Matematico Roger Fletcher en su libro “Practical methods of optimization” a travez de

métodos no lineales facilita su aplicación a redes de tráfico estáticas.
 En 1990 Arezki & Van Vliet mostraron que existían mejoras aplicables al propio algoritmo F-
W en su publicación “the use of quantal loading equilibrium trafic”
 En 1992 Larsson & proponen una descomposición simplicial y los denominados algoritmos de
relajación fundamentados en la desigualdad variacional en su libro “ An augmented Lagrangean
dual algorithm for link capacity side constrained traffic assignment problems ”
 En 1994 R. Jayakrishnan sugiere la aplicación de un método del gradiente proyectado en su
libro “A faster path-based algorithm for traffic assignment”

 En 1994 Francisco Jubete sugiere el método Polar para resolución de problemas convexosde
una fomra más práctica y rápida basados en el teorema de farkas y Khun & Tucker
 M. Bell & Yasuunori Iida en 1997 publicaron su libro “Transportation Network Analysis” hicieron un
amplio análisis a los métodos convexos y tomaron las aplicaciones de redes recopilándolas.

3.1.3.6 Mapas Casuales

Figura 3.1 Mapa Causales

 8

3.1.3.7 Mentefacto

Figura 3.2 Mentefacto

3.1.3.8 Software Desarrollados

 MATLAB – Mathworks
 Excel Solver – Microsoft
 CPlex- IBM
 AMPL Solver – AMPL
 Gams – Gams
 9

 CONOPT – MPL
 CVXOP – Phyton
 LINGO – Lindo Systems
 OPT ++ - Sandia Software
 GLPK – GNU proyect
 Knitro – Artelys
 FSQP – pyopt
 JOptimizer – Apache Maven
 AMMS Optimization – AMMS
 WinGULF – Martos B.

PARTE II. DESARROLLO DE LA INVESTIGACIÓN

REVISIÓN PRÁCTICA
3.2.1. PROBLEMAS CLÁSICOS RESUELTOS
Ejercicio No. 1:

ENUNCIADO:

SOLUCION:

Pasos Procedimiento
Se separan las funciones,
tanto en la F.O. como en las
restricciones.
 10

Se estiman los intervalos de

cada variable en base a las
restricciones.

Se cambian las funciones Fi

y gij por sus estimaciones

Se determinan las pendientes

que corresponden a las
funciones separables por
medio de la tabla.

El nuevo problema viene a Maximizar:

ser como se muestra en el
cuadro conjunto.

Luego de resolver por

simplex:
Llegamos al resultado que a21=a22=1

X1=5;
 11

X2=5;

Z=200:
Tabla 3.1 Problema Clásico Resuelto 1

Ejercicio No. 2:

ENUNCIADO:

SOLUCIÓN:

1. Identificar funciones separables:

 12

2. Hallar las aproximaciones lineales para cada una de las funciones:

Evaluación en los puntos de quiebre de las funciones separables

Tabla 3 2 Problema Clásico Resuelto 2

Modelo linealizado

3. Solucionar el modelo linealizado usando el método de las 2 fases pero con el criterio de base
restringida:

Primera fase
 13

Segunda fase

Tabla 3.3 Problema Clásico Resuelto 3

Solución óptima:

En
términos de las variables originales:

x1 = 1

x2 = 0.1081

FUENTE:

https://www.me.utexas.edu/~jensen/ORMM/supplements/methods/nlpmethod/S1_separable.pdf

Ejercicio No. 3:

ENUNCIADO:
 14

SOLUCIÓN:

1. Convertir el modelo a uno separable:

El modelo no es separable por la suma al cuadrado de la función objetivo. Para cambiar esta situación
se hace la siguiente sustitución:

El modelo separable quedaría:

2. Se apoximan las funciones separables a partir de puntos de quiebre y se reemplazan en el modelo

anterior. El resultado sería:
 15

3. Solucionar el modelo linealizado. Como las funciones separables son cóncavas se puede omitir la
restricción de base restringida, luego se puede aplicar el simplex sin lo que conlleva la anterior
condición.

Para este caso se omite el proceso y se muestra el resultado:

Las cuales llevan al valor óptimo de 44.

En términos de las variables originales:

x1 = 2, x2 = 3 x3 = 5

FUENTE:

http://web.mit.edu/15.053/www/AMP-Chapter-13.pdf

Ejercicio No. 4:

ENUNCIADO
 16

Resolver el siguiente problema de programación no lineal separable:

MaximizarZ=5 x 1−x 12+3 x 2−x 22

Sujeto a: 2 x14 + x2 ≤32 x 1+ 2 x 22 ≤ 32 x 1 , x 2 ≥0

Utilizando el método de base restringida.

Paso 0: Separar la Función Objetivo y las restricciones gij ( x j ), donde i corresponde al número de la
restricción y j a la variable asociada.

Función Objetivo:

f 1 ( x 1 )=5 x 1−x 12

f 2 ( x 2 )=3 x 2−x 22

Restricciones:

g12 ( x 2 ) =x2

g21 ( x 1 ) =x1 g22 ( x 2 ) =2 x 22

Paso 1:

Restricción 1: 2 x14 + x2 =32 x 1=2

Restricción 2: x 1+ 2 x 22=32 x 2=4

Paso 2: Reemplazo de variables no lineales por suma de variables lineales (t), para ello se genera un
par de tablas para cada función separada:

K t1k f 1(t 1 k ) g11 ( t 1 k ) g21 ( t 1 k )

De manera que: 1 0 0 0 0
2 1 4 2 1
3 2 6 32 2
f 1 ( x 1 )=0t 11 + 4 t 12+6 t 13
 17

g11 ( x 1 )=0 t 11 +2 t 12 +32 t 13 g21 ( x 1 ) =0 t 11 +1 t 12+2 t 13

K t2k f 2(t 2k ) g12 ( t 1 k ) g22 ( t 1 k )

1 0 0 0 0
2 1 2 1 2
3 2 2 2 8
4 3 0 3 18
5 4 -4 4 32
Tal que:

f 2 ( x 2 )=0 t 21 +2t 22+ 2t 23+ 0 t 24−4 t 25

g12 ( x 2 ) =0 t 21 +1t 22+ 2t 23+ 3 t 24 + 4 t 25

g22 ( x 2 ) =0 t 21 +2 t 22 +8 t 23 +18 t 24+32 t 25

Paso 3: Plantear el nuevo modelo lineal, en el cuál se unen funciones objetivo y restricciones
planteadas para cada función:

Max . Z=0 t 11 +4 t 12 +6 t 13 +0 t 21 +2 t 22+2 t 23 +0 t 24−4 t 25

Sujeto a:

0 t 11 +2 t 12+ 32t 13+ 0 t 21 +1t 22+ 2t 23+ 3t 24 +4 t 25 + S1=32

0 t 11 +1t 12+ 2t 13+ 0 t 21 +2t 22+ 8 t 23 +18 t 24 +32 t 25+ S2 =32

t 11 +t 12+t 13=1 ( Rest . complementariedad )

t 21+t 22+ t 23 +t 24+t 25=1 ( Rest . complementariedad )

t ik , S 1 , S2 ≥0

Paso 4: Solución por método simplex teniendo en cuenta el criterio de adyacencia.

Cj 4 6 2 2 0 -4 0 0 0 0
V.B. t 12 t 13 t 22 t 23 t 24 t 25 S1 S2 t 11 t 21 bj
S1 0 2 32 1 2 3 4 1 0 0 0 32
S2 0 1 2 2 8 18 32 0 1 0 0 32
t 11 0 1 1 0 0 0 0 0 0 1 0 1
 18

t 21 0 0 0 1 1 1 1 0 0 0 1 1
Zj 0 0 0 0 0 0 0 0 0 0 0
C j−Z j 4 6 2 2 0 -4 0 0 0 0

El candidato a entrar (t 13), puede hacerlo debido a que el criterio de adyacencia se mira con respecto a
las otras variables lineales t ik ,

Cj 4 6 2 2 0 -4 0 0 0 0
V.B. t 12 t 13 t 22 t 23 t 24 t 25 S1 S2 t 11 t 21 bj

S1 0 -30 0 1 2 3 4 1 0 -32 0 0
S2 0 -1 0 2 8 18 32 0 1 -2 0 30
t 13 6 1 1 0 0 0 0 0 0 1 0 1
t 21 0 0 0 1 1 1 1 0 0 0 1 1
Zj 6 6 0 0 0 0 0 0 6 0 6
C j−Z j -2 0 2 2 0 -4 0 0 0 0

Cj 4 6 2 2 0 -4 0 0 0 0
V.B. t 12 t 13 t 22 t 23 t 24 t 25 S1 S2 t 11 t 21 bj

t 22 2 -30 0 1 2 3 4 1 0 -32 0 0
S2 0 59 0 0 4 12 24 -2 1 62 0 30
t 13 6 1 1 0 0 0 0 0 0 1 0 1
t 21 0 30 0 0 -1 -2 -3 -1 0 32 1 1
Zj -54 6 2 4 6 8 2 0 -58 0 6
C j−Z j 58 0 0 -2 -6 -12 -2 0 58 0

Cj 4 6 2 2 0 -4 0 0 0 0
V.B. t 12 t 13 t 22 t 23 t 24 t 25 S1 S2 t 11 t 21 bj

t 22 2 0 0 1 1 1 1 0 0 0 1 1
 19

S2 0 179/3 239/1 299/1

0 0 0 -1/30 1 -14/15 -59/30 841/30
0 5 0
t 13 6 0 1 0 1/30 1/15 1/10 1/30 0 -1/15 -1/30 29/30
t 12 4 1 0 0 -1/30 -1/15 -1/10 -1/30 0 16/15 1/30 1/30
Zj 4 6 2 31/15 32/15 11/5 1/15 0 58/15 29/15 119/15
C j−Z j 0 0 0 -1/15 -32/15 -31/5 -1/15 0 -58/15 -29/15
Tabla 3.4 Problema Clásico Resuelto 4

Paso 5: Deducir la solución del problema original.

x 1=0 t 11 +1t 12+ 2t 13

1∗1 2∗29 59
x 1= + = 1,96667
30 30 30

x 2=0 t 21+1 t 22 +2 t 23 +3 t 24+ 4 t 25

x 2=1∗1=1

Para hallar el valor de Z:

Z=5 x1 −x12 +3 x 2−x 22

5∗59 59 2
Z=
30
−
30 ( )
+ 3∗1−12=7,96556

REFERENCIAS
 20

Universal Teacher Publications. “Separable programming – Example”. Consultado el 8 de

Septiembre de 2015 en:
http://www.universalteacherpublications.com/univ/ebooks/or/Ch15/seprablex1.htm

Ejercicio No. 5:

PROBLEMA:

MaxZ=3 x 13 +3 x2

S . A . :3 x 12 +6 x 2 ≤ 30

x1 , x2 ≥ 0

Pasos Procedimiento
Separamos tanto la f 1 ( x 1 )=3 x 13
función objetivo como
f 2 ( x 2 )=3 x 2
las restricciones
g11 ( x 1 )=3 x 12

g12 ( x 2 ) =6 x2

Hallamos una 3 x 12 =30

aproximación para x 1
2 30
x1 =
3

x 2=√ 10=3.1622

Encontramos f ( t ) yg ( t ) , |
teniendo en cuenta que
k t1k f 1(t 1 k ) g11 ( x 1 )
t 1 k va hasta el numero
1 0 0 0
siguiente de la
2 1 3 3
aproximación de la
3 2 24 12
variable
4 3 81 27
 21

5 4 192 48
f 1 ( x 1 )=0t 11 +3 t 12+24 t 13 +81 t 14 +192 t 15

g11 ( x 1 )=0 t 11 +3 t 12+12 t 13 +27 t 14+ 48 t 15

Plantean el nuevo MaxZ=0 t 11 +3 t 12+24 t 13 +81 t 14 +192 t 15 +3 x 2

problema equivalente
S . A . :0 t 11 +3 t 12 +12t 13 +27 t 14 + 48 t 15 +6 x 2 ≤ 30

t 11 +t 12+t 13+t 14 +t 15=1

t 11 ,t 12 , t 13 , t 14 , t 15 , x2 ≥ 0

Estandarizamos el nuevo MaxZ=0 t 11 +3 t 12+24 t 13 +81 t 14 +192 t 15 +3 x 2

problema
S . A . :0 t 11 +3 t 12 +12t 13 +27 t 14 + 48 t 15 +6 x 2+ s 1=30

t 11 +t 12+t 13+t 14 +t 15=1

t 11 ,t 12 , t 13 , t 14 , t 15 , x2 ≥ 0

Obtenemos el primer +
tablero del Simplex
cj 3 3 24 81 0 0 ---
92
VB x2 t 12 t 13 t 14 t 15 s1 t 11 b
s1 ∨0 6 3 12 27 48 1 0 30
t 11 ∨ 0 0 1 1 1 1 0 1 1
zj 0 0 0 0 0 0 0 0
c j−z j 3 3 24 81 192 0 0 ----

Como resultado final, +

tenemos:
cj 3 3 24 81 192 0 0 ---
VB x2 t 12 t 13 t 14 t 15 s1 t 11 b
t 15 ∨192 1/8 1/16 ¼ 9/16 1 1/48 0 5/8
t 11 ∨ 0 -1/8 15/16 3/4 7/16 0 - 1 3/8
 22

1/48
zj 24 12 48 108 192 4 0 120
c j−z j -21 -9 0 -27 0 0 0 ----

Teniendo como
resultado:
3 5
t 11= ,t 15=
8 8
Reemplazamos en los
valores obtenidos en

x 2=0 t 11 +1t 12+ 2t 13+ 3t 14 +4 t 15

x 2=0 ( 0 ) +1 ( 38 )+ 2( 0 )+ 3 ( 0 )+ 4 ( 58 )
Resultando: x 1=2.875

Reemplazamos el valor x 1=2.875 , x2 =0

de la variable objetivo en
Z=3 x13 +3 x 2
la función objetivo
Z=71.29
Tabla 3.5 Problema Clásico Resuelto 5

BIBLIOGRAFIA

[1] Taha Hamdy, Investigación de operaciones, capítulo 21. Página 742-743

REFERENCIA ELECTRONICA

http://www.virtual.unal.edu.co/cursos/sedes/manizales/4060015/Lecciones/Capitulo
%20V/pseparable.htm

Ejercicio No. 6:

ENUNCIADO:

MinZ=X 12−4 X 1 −X 2

Sujetoa:2 x 12+8 x 22 ≤ 30

x1 , x2 ≥ 0
 23

Pasos

Procedimiento

Paso 1

Separar la Función Objetivo y sus restricciones.

Función Objetivo Restricciones

f 1 ( x 1 )=x 12−4 x 1 g11 ( x 1 )=2 x 12

f 2 ( x 2 )=−x2 g12 ( x 2 ) =8 x22

Paso 2

Se halla una aproximación inicial para x 1 y x 2.

2 x21 +0 x 2=30 ∴ x 1=3,8729

0 x 1+ 8 x 22=30 ∴ x2=1.9364

Paso 3
 24

Se considera k =2 y se encuentra f ( t ) y g ( t ) para x 1 y x 2.

k t 1k t2k f 1(t 1 k ) f 2(t 2k ) g1 ( t 1 k ) g2 ( t 2 k )

1 0 0 0 0 0 0
2 1 1 -3 -1 2 8
3 2 2 -4 -2 8 32

Paso 4

Se replantea el problema y se resuelve por el método Simplex.

MinZ=0 t 11−3 t 12−4 t 13+ 0 t 21−t 22−2 t 23

S.a.

0 t 11 +2 t 12+ 8 t 13 +0 t 21+8 t 22 +3 2 t 23 + S1=30

t 11 +t 12+t 13=1

t 21+t 22+ t 23=1

Paso 5

Se toma la variable t 13 y t 11 como la variable de entrada y salida respectivamente.

Cj 0 3 4 0 1 2 0 bj
V.B. t 11 t 12 t 13 t 21 t 22 t 23 S1
S1 0 0 2 8 0 8 32 1 30
t 11 0 1 1 1 0 0 0 0 1
t 21 0 0 0 0 1 1 1 0 1
Zj 0 0 0 0 0 0 0
Z j−C j 0 -3 -4 0 -1 -2 0
 25

Paso 6

Se desarrolla el método Simplex, haciendo cero los valores por encima y por debajo del pivote,
finalizando por la escogencia del nuevo pivote.

Cj 0 3 4 0 1 2 0 bj
V.B. t 11 t 12 t 13 t 21 t 22 t 23 S1
S1 0 -8 -6 0 0 8 32 1 22
t 13 4 1 1 1 0 0 0 0 1
t 21 0 0 0 0 1 1 1 0 1
Zj 4 4 4 0 0 4 0
Z j−C j 4 1 0 0 -1 2 0

Paso 7

Se desarrollará el método simplex hasta finalizar al tener todos los valores C i−Z i mayores a cero,
siempre teniendo en cuenta las restricciones de adyacencia para la escogencia del pivote.

Cj 0 3 4 0 1 2 0 bj
V.B. t 11 t 12 t 13 t 21 t 22 t 23 S1
t 23 2 -1/4 -3/16 0 -1/4 0 1 1/32 7/16
t 13 4 1 1 1 0 0 0 0 1
t 22 1 1/4 3/16 0 5/4 1 0 -1/32 9/16
Zj 15/4 61/16 4 3/4 1 2 1/32
Z j−C j 15/4 13/16 0 3/4 0 0 1/32
Tabla 3. 6 Problema Clásico Resuelto 6
 26

Solución al problema:

t 11=t 12=t 21=0

t 13=1

t 23=7/16

t 22=9/16

Paso 8

Se reemplazan los valores obtenidos en las columnas t 1 k y t 2 k para hallar los valores de x 1 y x 2
respectivamente, luego se reemplazan estos valores en la función objetivo para hallar la solución

x 1=0 t 11 +1t 12+ 2t 13 ∴ x1 =2

x 2=0 t 21+1 t 22 +2 t 23 ∴ x 2=1.4375

MinZ=X 12−4 X 1 −X 2=−5.4375

REFERENCIAS

Introducción a la Programación No Lineal – Universidad Nacional de Colombia, Fundación

Universitaria Konrad Lorenz, 2005

https://es.scribd.com/doc/59899398/Introduccion-a-la-Programacion-No-Lineal
 27

Ejercicio No. 7:

Enunciado: Resolver el siguiente ejercicio de programación no lineal separable:

Maximizar:

z=2 x 1−x 1 x 1+ x 2 , sujetoa :

2 x1 x 1+3 x 2 x 2 ≤6

x1 , x2 ≥ 0

Separar la función objetivo y las f1(X1) = 2X1-X12 f2(X2) = X2

restricciones. g11(X1) = 2X12 g12(X2) = 3X22

2X12 = 6
Encontrar la estimación inicial
X12 = 6/2
para la variable con el grado más
X12 = 3
alto dentro de la restricción.
X1 = √ 3 ≈ 1,7321
k Tik f1(t1k) f2(t2k) g11(t1k) g12(t2k)
1 0 0 0 0 0
2 1 1 1 2 3
3 2 0 2 8 12
Así:
Encontrar f(t) y g(t).
f1(X1) = 0t11+1t12+0t13

f2(X2) = 0t21+1t22+2t23

g11(X1) = 0t11+2t12+8t13

g12(X2) = 0t21+3t22+12t23
 28

Max . z=t 12+ t 22 +2 t 23 , sujetoa :

2 t 12 +8 t 13 +3 t 22+12 t 23 + s1=6 ,
Proponer el nuevo problema
t 11 +t 12+t 13=1
equivalente.
t 21+t 22+ t 23=1

t ij ≥ 0.i , j=1,2,3

Con la solución:

Z = 0; t11 = 1; t12 = 0; t13 = 0; t21 = 1; t22 = 0; t23 = 0

La siguiente iteración es:

Con la solución:

Z = 1; t11 = 0; t12 = 1; t13 = 0; t21 = 1; t22 = 0; t23 = 0

La siguiente iteración es:

Cj 1 0 1 2 0 0 0
V.B. t12 t13 t22 t23 s1 t11 t21 bj

s1 0 0 6 0 9 1 -2 -3 1
 29

t12 1 1 1 0 0 0 1 0 1
t22 1 0 0 1 1 0 0 1 1
Zj 1 1 1 1 0 1 1 2
Cj-Zj 0 -1 0 1 0 -1 -1
Con la solución:

Z = 2; t11 = 0; t12 = 1; t13 = 0; t21 = 0; t22 = 1; t23 = 0

No hay más candidatos, entonces la solución es la

óptima para este problema.

Solución para el problema X1 = 0t11+1t12+2t13 = 0(0)+1(1)+2(0) = 1

original X2 = 0t21+1t22+2t23 = 0(0)+1(1)+2(0) = 1

Solución final. Z = 2 para X1 = 1 y X2 = 1
Tabla 3.7 Problema Clásico Resuelto 7

Referencias

TAHA, Hamdy A. Investigación de operaciones. 9na Edición. México 2012. PEARSON

EDUCATION.
 30

Ejercicio No. 8:
Enunciado:

MaxZ=3 x 1 + x 2+ 2 x 12

s. a: 3 x 12 +5 x 2 ≤ 24

x1 , x2 ≥ 0

Solución:

Pasos Procedimiento
F.O:

f 1 ( x 1 )=3 x 1 +2 x 12
Paso Inicial. Antes de
empezar, se debe separar la f 2 ( x 2 )=x 2
función objetivo y las
Restricciones:
restricciones.

Se identifica que funciones g11 ( x 1 )=3 x 12

no son lineales. g12 ( x 2 ) =5 x 2

En este caso, f 1 y su restricción no son lineales.

Hacemos x 2=0 para encontrar el valor aproximado de x 1
Paso 1. Hallar una
3 x 12 +5 x 2=24
aproximación lineal para la
variable no lineal, usando la 3 x 12 =24
restricción de la función
x 12=8
original.
x 1=2.82842

Paso 2. Encontrar f ( t ) y g ( t )
.
k t 1k f 1(t 1 k ) g11 ( t 1 k )

1 0 0 0
2 1 5 3
3 2 14 12
 31

4 3 27 27

De esta tabla obtenemos las funciones:

f 1 ( X 1 )=0 t 11 +5 t 12 +14 t 13+27 t 14

g1 ( X 1 )=0 t 11 +3 t 12+12 t 13+27 t 14

MaxZ=0 t 11 +5 t 12+14 t 13 +27 t 14 + x 2

Paso 3. Plantear el nuevo
s. a: 0 t 11 +3 t 12 +12t 13 +27 t 14 +5 x 2+ s 1=24
equivalente agregando una
nueva restricción como t 11 +t 12+t 13+t 14=1
holgura complementaria.
t 11 ,t 12 , t 13 , t 14 , x 2 ≥ 0

Cj 1 5 14 27 0 0
V.B. x2 t 12 t 13 t 14 s1 t 11 bj
s1 0 5 3 12 27 1 0 24
t 11 0 0 1 1 1 0 1 1
Zj 0 0 0 0 0 0 0
Paso 4. Solucionar la nueva
C j−Z j 1 5 14 27 0 0
función por el Método
Simplex Modificado,
teniendo en cuenta el En la primera iteración el candidato a entrar es t 14 y a salir es s1 pero
criterio de adyacencia para no puede hacerlo ya que no es adyacente a t 11, así que la variable que
la entrada de una variable a entra es t 13 y sale t 11.
la tabla.

Cj 1 5 14 27 0 0
V.B. x2 t 12 t 13 t 14 s1 t 11 bj
s1 0 5 -9 0 15 1 -12 1
t 13 14 0 1 1 1 0 1 1
Zj 0 14 14 14 0 14 14
 32

C j−Z j 1 -9 0 13 0 -14

En esta iteración el candidato a entrar es t 14 y a salir es s1, como si es

adyacente a t 13 entonces proseguimos.

Cj 1 5 14 27 0 0
V.B. x2 t 12 t 13 t 14 s1 t 11 bj

2
t 14 1/3 −3/5 0 1 1/15 −4/5 4 /5
7
1
t 13 −1/ 3 8 /5 1 0 −1/15 9 /5 1/5
4
Zj 13/3 31/5 14 27 13/15 18/5 122/5
C j−Z j −10/3 −6 /5 0 0 0 −18/5

Como no hay más iteraciones la solución básica queda como:

122 1 4
Z= ; x 2=0 ; t 11 =0 ; t 12=0 ; t 13= ; t 14=
5 5 5
Paso 5. Deducir la solución Según lo que el resultado del método simplex, tenemos que:
del problema original.
x 1=0 t 11 +1t 12+ 2t 13+ 3t 14

x 1=2 ( 15 )+3( 45 )
x 1=2.8

Por lo tanto, para la función original:

Z=3 x1 + x 2 +2 x 12

2
Z=3 ( 2.8 ) +0+2 ( 2.8 )
 33

Z=24.08

Por lo tanto la solución al problema original es:

122
Z= ; x 1=2.8; x 2=0
5

Tabla 3.8 Problema Clásico Resuelto 8

REFERENCIAS ELECTRÓNICAS

Hillier, F. & Lieberman, G. (2010) Introducción a la Investigación De Operaciones, Novena Edición.

Capitulo 12 – Programación No lineal. Ciudad de México, México. Mc Graw Hill.

Ejercicio No. 9:

ENUNCIADO:

s.a.

PROCEDIMIENTO:

1. Se identifican las funciones separables del problema:

 34

2. Los intervalos de las variables de decisión estimados con las restricciones son [0, 3] para x1 y [0, 4]
para x2. De esta manera:

Para i = 1:

Tabla 3.9 Problema Clásico Resuelto 9

Para i = 2:

3. La linealización del problema sería:

 35

4. La solución es:

La cual se traduce en:

x1 = 2.98
x2 = 3.5

REFERENCIAS

TAHA, Hamdy A. Investigación de operaciones. 7a Edición. México 2004.

 36

Ejercicio No. 10:

ENUNCIADO:

Dado el siguiente problema de programación no lineal separable:

1. Maximizarz=x 1−3 x 32
Sujetoa:
2 x1 +2 x 22 ≤ 32
x1 , x2 ≥ 0

PROCEDIMIENTO

 Tomando en cuenta la restricción se halla una solución para x 2, que según el modelo
(derecha) es la variable no lineal, dando como resultado x 2 = 4

f ( x 1 ) =x1
k t2k f2(t2k) g12(t2k)
f ( x 2 ) =−3 x32 1 0 0 0
2 1 -3 2
g11 =2 x 1
3 2 -24 8
g12=2 x 22 4 3 -81 18
5 4 -192 32

32
x 22=
2
x 2=√ 16=4

 Se debe encontrar f(t) y g(t).

De la tabulación se obtiene:
 37

f 2 ( x 2 )=0 t 21−3 t 22−24 t 23 −81t 24−192 t 25

g2 ( x 2) =0 t 21+2 t 22 +8 t 23+18 t 24+ 32t 25

 Se plantea un nuevo problema equivalente con la información obtenida.

Maxz=0 t 21−3 t 22−24 t 23−81t 24−192 t 25+ x 1

Sujetoa:
0 t 21+2 t 22+8 t 23+18 t 24 +32t 25+ 2 x 1 +s 1=32
t 21+t 22+ t 23 +t 24=1
t 21 , t 22 , t 23 ,t 24 , x 1 ≥0

 Se resuelve el problema por simplex (se divide la fila 1 en 2) teniendo en cuenta el criterio
de adyacencia y se obtiene como tabla final (derecha)

Cj 1 -1 -24 -81 -192 0 0

VB x1 t 22 t 23 t 24 t 25 S1 t 21 bj
1
x1 1 1 4 9 16 2 0 16
t 21 0 1 1 1 1 0 1 1
Zj 1 1 4 9 16 1 0 16
2

Cj - Z j 0 -2 -28 -90 -208 1 0

-
2
Tabla 3.10 Problema Clásico Resuelto 10

 La solución óptima del problema es entonces

 38

X1 = 16
X2 = 0
Z = 16

REFERENCIAS

TAHA, Hamdy A. Investigación de operaciones. 9na Edición. México 2012.

3.2.2. PROBLEMAS DE INVESTIGACION

3.2.3. PROBLEMAS PROPUESTOS

Enunciado:

Una fábrica de textiles desea aumentar sus ganancias modificando el número de camisetas y
pantalones producidos por una maquina al día, la ganancia que se obtiene son 2 por camiseta
y 1 por pantalón, pero por cada venta se pierde el valor del cuadrado del número de las
camisetas vendidas, para que la producción pueda ser fabricada no puede sobrepasarse que
2(camisetas producidas)2 +3(pantalones producidos)2 sea mayor a 6, pues este es el valor que
regula la producción de la máquina.

Donde x 1: camisas y x 2: pantalones

Maximizar:

z=2 x 1−x 1 x 1+ x 2 , sujetoa :

2 x1 x 1+3 x 2 x 2 ≤6

x1 , x2 ≥ 0
 39

Separar la función objetivo y las f1(X1) = 2X1-X12 f2(X2) = X2

restricciones. g11(X1) = 2X12 g12(X2) = 3X22

2X12 = 6
Encontrar la estimación inicial
X12 = 6/2
para la variable con el grado más
X12 = 3
alto dentro de la restricción.
X1 = √ 3 ≈ 1,7321
k Tik f1(t1k) f2(t2k) g11(t1k) g12(t2k)
1 0 0 0 0 0
2 1 1 1 2 3
3 2 0 2 12

Encontrar f(t) y g(t). Así:

f1(X1) = 0t11+1t12+0t13

f2(X2) = 0t21+1t22+2t23

g11(X1) = 0t11+2t12+8t13

g12(X2) = 0t21+3t22+12t23
Max . z=t 12+ t 22 +2 t 23 , sujetoa :

2 t 12 +8 t 13 +3 t 22+12 t 23 + s1=6 ,
Proponer el nuevo problema
t 11 +t 12+t 13=1
equivalente.
t 21+t 22+ t 23=1

t ij ≥ 0.i , j=1,2,3
 40

Cj 1 0 1 2 0 0 0

V.B. t12 t13 t22 t23 s1 t11 t21 bj

s1 0 2 8 3 12 1 0 0 6

t11 0 1 1 0 0 0 1 0 1

t21 0 0 0 1 1 0 0 1 1

Zj 0 0 0 0 0 0 0 0

Cj-Z 1 0 1 2 0 0 0
Con la solución:

Z = 0; t11 = 1; t12 = 0; t13 = 0; t21 = 1; t22 = 0; t23 = 0

La siguiente iteración es:

Cj 1 0 1 2 0 0 0

Resolver mediante el método V.B. t12 t13 t22 t23 s1 t11 t21 bj

simplex s1 0 0 6 3 12 1 -2 0 4

t12 1 1 1 0 0 0 1 0 1

t21 0 0 0 1 1 0 0 1 1

Zj 1 1 0 0 0 1 0 1

Cj-Zj 0 -1 1 2 0 -1 0
Con la solución:

Z = 1; t11 = 0; t12 = 1; t13 = 0; t21 = 1; t22 = 0; t23 = 0

La siguiente iteración es:

Cj 1 0 1 2 0 0 0

V.B. t12 t13 t22 t23 s1 t11 t21 bj

s1 0 0 6 0 9 1 -2 -3 1
 41

t12 1 1 1 0 0 0 1 0 1

t22 1 0 0 1 1 0 0 1 1

Zj 1 1 1 1 0 1 1 2

Cj-Zj 0 -1 0 1 0 -1 -1
Con la solución:

Z = 2; t11 = 0; t12 = 1; t13 = 0; t21 = 0; t22 = 1; t23 = 0

No hay más candidatos, entonces la solución es la

óptima para este problema.

Solución para el problema X1 = 0t11+1t12+2t13 = 0(0)+1(1)+2(0) = 1

original X2 = 0t21+1t22+2t23 = 0(0)+1(1)+2(0) = 1

Solución final. Z = 2 para X1 = 1 y X2 = 1
Tabla 3.11 Problema Clásico Resuelto 11

Respuesta:

Se deben fabricar 1 pantalón y 1 camiseta por maquina para obtener una ganancia de 2.

PARTE III. CIERRE DE LA INVESTIGACIÓN

CONCLUSIONES
3.3.1. VERIFICACIÓN, CONTRASTE Y EVALUACIÓN DE LOS OBJETIVOS
 42

 Se muestra la importancia que tiene la programación no lineal separable, para la

solución de problemas que involucran decisiones, usando diferentes métodos como
Base restringida, Método de gradiente o método de secuenciales no restringidos.
 Se resalta la importancia que tiene las herramientas digitales para la solución óptima
y precisa de este tipo de problemas, ya que estos problemas en la vida real tienden a
ser largos y con más variables de lo previsto
 Se ve la relevancia de la programación al comprobar que en la mayoría de los casos
de la vida real tienden a tener muchas variables no lineales y comúnmente
separables