Scribd Logo
Upload

Welcome to Scribd!

  • PLD 1125

    Uploaded by

    Marco Antonio
    31 views69 pages
    Convexidad y aplicaciones: Pedro Canales García

    Original Title

    Pld 1125

    Copyright

    © © All Rights Reserved

    Available Formats

    PDF or read online from Scribd

    Did you find this document useful?

    Is this content inappropriate?

    Report this Document
    Convexidad y aplicaciones: Pedro Canales García

    Copyright:

    © All Rights Reserved
    Download as PDF or read online from Scribd
    Flag for inappropriate content
    31 views69 pages

    PLD 1125

    Uploaded by

    Marco Antonio
    Convexidad y aplicaciones: Pedro Canales García

    Copyright:

    © All Rights Reserved
    Download as PDF or read online from Scribd
    Flag for inappropriate content
    of 69
    FACULTAD DE CIENCIAS Convexidad y aplicaciones | ! | Pedro Canales Garcia es oo = = = isa) on e. = ‘mal = = a — = = = = 5 = Ss) io) WN = — ==} aR = = oy SZ, a fo) ws = Se Ss SOCIEDAD MATEMATICA PERUANA Convexidad y aplicaciones Pedro Canales Facultad de Ciencias - UNI Sociedad Matematica Peruana XXII Coloquio, 19 - 23 de Julio del 2004 XXII Coloquio de la SMP N°4. Copyright ©, 2004 by P. Canales. Impreso en el Pert / Printed in Peru. Agradecimientos Esta monografia contiene el material de un curso que el Prof. Canales impartié en Julio del 2004 en la Facultad de Ciencias de la Universidad Naciona! de Ingenieria, en el marco del XXII Coloquio de la Sociedad Matematica Peruana. Agradecemos al Prof. Pedro Canales por entre- garnos una versién lista para impresién de esta monografia. La Sociedad Matematica Peruana (SMP) agradece a la Universidad Nacional de Ingenier‘a, y todos los docentes de la Facultad de Ciencias que hicieron posible la realizacién de este XXII Coloquio y a las siguientes instituciones que auspiciaron dicho evento: IMCA Concytec IMPA Coppe - UFRJ CEPRE - UNI IGI-UNI UNI-Petro OCAD -UNT PETRO - UNI Asociacién Educativa Pitagoras ISBN: 9972-899-53-5 Depésito Legal: 1501012004-5629 Todos los derechos reservados Sociedad Mateméatica Peruana Jr. Ancash 536, Casa de las Trece Monedas Lima 1 Peri. http://www. somape.org.pe e-mail: smp@uni.edu.pe TelFax: (451)-1-4263734 Tel: (4+51)-1-4265181 CONVEXIDAD Y APLICACIONES Pedro Canales Garcia Facultad de Ciencias/UNI UNIVERSIDAD NACIONAL DE INGENIER{A FACULTAD DE CIENCIAS - SECCION DE POSTGRADO. Introduccién Esta breve versién de convexidad y sus aplicaciones consta de tres capitulos, en los dos primeros se establecen de modo simple la cercana relaci6n existente entre conjuntos y funciones convexas. EJ enfoque seré puramente algebraicos, esto es, se trabaja sobre espacios vectoriales definidos sobre R y las nociones topolégicas usadas son aquellas asociadas a los nimeros reales. Se da la nocién de minimo y maximo de una funcién convexa definida sobre conjuntos convexos. Algunas nociones sobre condiciones de 6ptimo son expresadas en términos del gradiente de una funcién diferenciable. Se introducen ligeras ideas de no diferenciabilidad de funciones proporcionando interpretaciones graficas. El objetivo principal de estas notas es despertar en el lector el interés por la optimizacién y su relacién estrecha con problemas de la realidad que pueden ser modelados y resueltos usando técnicas poco complicadas. En el ultimo capitulo se presentan aplicaciones de conjuntos y funciones convexas. Esta versién de apuntes ha sido preparada para el XXII Coloquio de la Sociedad Matematica Peruana realizado en Julio del 2004 en la Facultad de Ciencias - UNI. El autor Lima, Julio del 2004 Indice Capitulo 1 CONJUNTOS CONVEXOS 1.1 Algunos conceptos topolégicos 1.2. Conjuntos convexos 1.3 Algunos conjuntos convexos importantes Capitulo 2 CONVEXIDAD DE FUNCIONES Y PROBLEMAS DE OPTIMIZACION 2.1 Introduccién q 2.2 Funciones convexas diferenciables 2.3. Superficies, curvas de’ nivel 2.4 Problemas de minimizacién sin restricciones 2.5 Condiciones necesarias de optimalidad 2.6 Problemas de minimizacién con restricciones 2.7 Algoritmo para el problema irrestricto 2.8 Algoritmo del gradiente éptimo 2.9 Solucién de un problema de programacién lineal Capitulo 3 APLICACIONES 3.1. Ejemplo 1 3.2. Ejemplo 2 3.3. Ejemplo 3 47 50 3.4 Ejemplo 4 3.5 Ejemplo 5 3.6 Ejemplo 6 3.7. Ejemplo 7 3.8 Introduccién a programacién multi-objetivo Bibliografia Capitulo 1 CONJUNTOS CONVEXOS 1.1 Algunos conceptos topolégicos Definicion 1 Sean x e y puntos en R®°, la distancia entre x e y es: d(x, y)=)x - y]=V@- yx - y). Si denotamos x = (Xi, 5 Xp)" Y= (Vts ws Yad? = Ik-wl-[Zou- oe Definicién 2 Dado x € R" y € > 0, al conjunto B (x; €) = {fy © R" fy — x] < €} se Je Hama una bola abierta con centro en x y radio €. En general, una vecindad de x es cualquier conjunto ‘V tal que existe € > 0 con B(x; €) c V. Definicién 3 Se dice que un conjunto S C R" es un conjunto abierto si, Vx ES, Ft) / B(x: e&) CS. Pedro Canales Garcia Ejemplos: a. C= {x € R?/ |x| < 4} es un conjunto abierto. b. He {x € R?/ 2x; + 3x2 > 6} es un conjunto abierto. ce. K= {x € R?/4 < |x| < 16} es un conjunto abierto. d Q={(x,y)e RP /0 0, 3 K(e) tal que para toda n > K(e) => x1 € V(X; €) COLOQUIO DE MATEMATICA 2004 Interpretacién. xX 12 ak x-E * X+E kooket Dado € > 0. 3K (€) Fig. 1. Convergencia de la sucesion (Xn) 1.2. Conjuntos convexos Consideremos los siguientes subconjuntos de! plano, representados geométricamente (a) (by (ec) Ww Fig. 2 Conjuntos convexos y no convexos en R? En Jas figuras (a) y (d), para cualquier par de puntos x e y del conjunto, se tiene que e] segmento cuyos extremos son estos puntos siempre se encuentra totalmente en el conjunto. Esta situacién no ocurre con las figuras (b) y (c), pues vemos que existen un par de puntos x € y tal que el segmento con estos extremos no est4 totalmente contenido en el conjunto. Dados dos puntos x e y (x # y) podemos generar puntos z tales que x+A(y-x), donde A € [0, 1] Pedro Canales Garcia Fig. 3 Un segmento en R? Observan que cuando A varia desde 0 hasta 1, se obtienen todos los puntos del segmento xy. Para el punto z tenemos Z=x+A(y—x), Ae [0, 1} Z=x+dy-Aax Z=(1-A)x tay Equivalentemente, observando la figura se puede ver que también se puede expresar zehx+(l-Ajyy, A€ [0, I]. Para A = 0 y A = 1 se obtienen los puntos extremos del segmento. Para puntos de R, R3 o R" en general se tiene una situacién similar. Definicion 8 Un conjunto Q se dice que es convexo si para cada par de puntos xeyenQ se tiene (x+(1-A)y) €Q, Ae [0,1] Sid € (0, 1), entonces se dice que la combinacién convexa es estricta. COLOQUIO DE MATEMATICA 2004 Definicién 9 Sean x, y € R, x $y el conjunto [x, y] = {z2¢ R/x b= Ax + By, dondeA+B=1, A, B20 Ahora, consideremos la placa triangular A en R?, como en la figura con puntos-vértices x, y, Z a“ Fig. 4. Placa triangular con vértices x, y, 2. Seay € A, entonces p = Ax + (1 — A), algin A € [0, 1], pero ademas, s = Bz + (1 - B) y, para algin B € [0, 1]. 5 Pedro Canales Garcia Reemplazando en la expresién para pw: po =Ax+(1-A) (Bz + (1-8) y) =dx+ (1-2) Be + -AC-By = Ax + (1-B-A+AB) y + GB-AB)z Denotemos por ¥ = 1-B-A+AB,O=B-A => psdAx+ Py + OZ. ComoA+1—~B-A+AB+B-AP=A+ ¥ + o = 1, entonces, podemos afirmar que en este caso cualquier punto € A se puede expresar como ft = Ax + Py + 0z,A4+ P%+O= 1,0, 7,020. Una expresi6n como Ax+ Py +z / A+ P+ O=1A4,¥,020 se llama combinacién lineal convexa (finita) de los puntos x, y, Z. Nota.- Una combinacién lineal convexa se puede definir para puntos de un espacio vectorial real o complejo. En este breve tratado solo nos limitaremos a R, R?, R? o R" en general, por ser espacios con los que se tiene bastante familiaridad. Los conjuntos y en particular los conjuntos convexos seran, por tanto, subconjuntos de estos espacios. Hemos logrado una placa triangular considerando todas las combinaciones convexas de un nimero finito de puntos del conjunto inicial A = {x, y, z}. Este conjunto resultante A es convexo. Como siguiente ejemplo consideremos como conjunto A la figura en R? siguiente re Zz q Fig. 5. Conjunto A no convexo. eo COLOQUIO DE MATEMATICA 2004 _Si hallamos todas las combinaciones convexas de y con puntos del lado zq (6 de q con puntos del lado zy ) logramos todos los puntos que extienden el conjunto A al conjunto B, mostrada a continuacién: y q Fig. 6. Conjunto B convexo. Una situacién similar ocurre con el siguiente s6lido en R? Fig. 7. Conjunto A no convexo en R? pee Fig. 8. Conjunto B convexo. Pedro Canales Garcia El conjunto B se logra tomando todas las combinaciones convexas de un nimero finito de puntos de A. Ahora estamos preparados para dar la siguiente definicidn. Definicién 10 Dado un conjunto S c R" (n = 1, 2, 3), la capsula convexa Co (S), de S, es el conjunto de todas las combinaciones convexas de un nimero finito de elementos de S. Es obvio observar que: « G(S) es un conjunto convexo. « S< Q(S). « Si S es convexo, entonces § = G (S). Lo reciproco también se cumple. La definicién anterior puede considerarse como una caracterizacién de (S). Esto es, G(S)= (k= SAK Je NM2ONE 8, SF AQ=N) ist isl El limite indicial superior i, depende del punto x, por ejemplo observar lo siguiente: Sea S = {X1, x2, x3} C R?, C (S) es la placa triangular A G (S): Fig. 9. Conjunto S y G (S). COLOQUIO DE MATEMATICA 2004 i) para XK Ap xp t Axa = 8 AgK; = Ax tA my donde x1 = X4,x2= 3, ik = wh +tdr=1 ii) parax*:x* =A, xX +A2.qg 3 Artho=l : = Ay x? + Aa (Bi x! + Box); Br + Br = 1 = Ay x? + Az Br x! + Ad Box? x ay xt pet y est yt w= bie = 3 donde 1 = As Y2 = AaBi 3 ¥3 = AcB2. Otra observaci6n importante es que: Dado S ¢ R". Cada elemento x € Co (S) puede ser expresado como combinacién convexa de a lo mas (n + 1) puntos de S. (Este es el Teorema de Caratheodory). En el ejempio de la figura 9, la placa A es subconjunto de R? (n = 2), y vemos que cualquier punto x € Co (S) = A puede expresarse como combinacién convexa de a lo mds (n + 1 = 3) puntos de S. Propiedad 1.- Sean S; € R" ,i € N conjuntos convexos arbitrarios, entonces es un Conjunto convexo. Prueba > Sean (x, y) € (} S; , entonces (x, y) € Sj, para cada i = 1, ..., n. isl Como cada Sj es convexo, entonces (Ax + (1 — A) y) € Sj, para cada i=1,..,n, VA © [0, 1]: se sigue (Ax + (1 -A) y) € A S;. Pedro Canales Garcia Observar para el caso de n = 3 conjuntos convexos Fig. 10. Tres conjuntos convexos y su interseccién convexa. Otras operaciones para conjuntos convexos se dan en la siguiente propiedad. Propiedad 2.- Sea S € R" un conjunto convexo, entonces son convexos los siguientes conjuntos: iorS ,reR v+S={x=v+s/se€ S}, ve Res un vector fijo dado. Si+S2,={zeR"/As,€ S,, 52 € S22= 51 + 52} (Si y S2 convexos). Representacién geométrica para subconjuntos de R? i) rS: Fig. 11. El conjunto tS para t > 1, 0 <1 < 1, r= =1 respectivamente (dilatacién, contraccién, reflexién). To COLOQUIO DE MATEMATICA 2004 iii) S$, + Sg: Dados S, y Sz como en la figura siguiente (S, no es convexo). Veamos el conjunto S; + S2. $+ Sy: no convexo. Fig. 12, El conjunto (S1 + S2) no convexo. En la figura siguiente S; y S2 son conjuntos convexos de R? Fig. 13. El conjunto (S, + S2) es convexo. Pedro Canales Garcia Ejercicio. Representar geométricamente S, + Sz en a) y b). 13° Algunos conjuntos convexos importantes Sabemos que {a siguiente ecuaci6n representa una recta en el plano 2x, ~3x2 = 4, en forma matricial se puede escribir a-o(f)=4 x Si denotamos por C = (3) yx C: entonces tenemos la expresién CTx=B , donde B= 4, denota una ecuaci6n lineal en R?. La ecuaci6n ~5x, + x2 + 7x3 = 5 representa un plano en R3, haciendo <5 x1 C=] 1] y x=! xz |, entonces 7 Xs x se tiene C™x = (-5, 1, 7) =| = 5, denota una ecuacién lineal en R3. X3 iz COLOQUIO DE MATEMATICA 2004 En general, para CT = (cy, ..., Cn) y x7 = (Xi, ..., Xn) la expresiOn x (C1, 5 n) | | | = Cx =B, BER Xn diremos que representa una ecuaci6n lineal de R". En la figura 14 se tienen la representacién geométrica de ecuaciones lineales. x Ms 2 C)X)4C.%, = O 0 x X CX) HOAX +E X= B x Fig. 14. Representaciones de C™x en R? y RB’. Observacién. Desde el punto de vista geométrico es posible ver que tanto una recta, como un plano dividen al espacio en dos semi- espacios ambos con la misma ‘frontera’ Fig. 15. Una recta en R® y los semiespacios que determina. Pedro Canales Garcia Es claro que los conjuntos de puntos determinados por las ecuaciones lineales de la forma cT x = a, cx a}y Sf = {x € R"/c™ x < a}, Mamados semiespacios. El vector constante c # 0 se llama normal del hiperplano y a es un escalar. Luego, si Q es cualquier punto de R", es obvio que, Q esté en H*, esté en Ff o en ambos. Si en los conjuntos H* y H- la desigualdad es estricta, los semiespacios se dicen abiertos. Ejemplo 1. H= {xe R/ -Sx=1} , es un hiperplano en R, en este caso Ejemplo 2. H = {x € R?/ 2x; + 3x2 = 6}, es un hiperplano en R?, donde | Poliedro.- La interseccién finita de semiespacios en R" es un conjunto llamado poliedro de R°. [2] Ejemplo 3. Sean los semiespacios Hy* = {x € R?/ 2x, + 3x22 6} y Hy = (x € R?/ x; -4x2 2 2}, entonces Hy 0 Hy es un poliedro no acotado (ver figura 16). 14 COLOQUIO DE MATEMATICA 2004 Fig. 16. Poliedro no acotado. Ejemplo 3. Mas brevemente, expresamos los semiespacios de la siguiente manera: S|: x © R? tal que x; + 3x. $6, So: x © R? tal que -2x, + 3x2 2-2, S3: x © R? tal que 2x, + x. 24 | La interseccién de estos semiespacios nos da el poliedro de la figura 17. LTT Fig. 17. Un poliedro S acotado, interseccién de tres semiespacios. 15 Pedro Canales Garcia Tomemos las ecuaciones de S;, S2 y S3, y expresemos S de modo simple usando notacién matricial. Primero, todas deberdn tener el mismo sentido de desigualdad. Asf, Si:xp+3x, <6 Sz : 2x, -3x2 <2 $3:-2xj)-x<—-+4 Entonces, escribimos (3 -3}ee)-( 4} Si denotamos por 1 3 _ 6 A=| 2-3 x=( ‘} b=] 2 -2 1 X2 -4 entonces, Ja notacién matricial nos dé S:= {xe R? / Ax R una funcién definida sobre un conjunto S convexo; se dice que f es una funcién convexa, si dados x, y € S se tiene que: f (Ax + (1 -A) y) S$ Af) + (1 -A) fly), para cualquier A € [0, 1). Se dice que f es céncava, si (-f) es convexa. Si se cumple que para todo x # y. f (Ax + (1 -A) y) < AF (x) + (1-*) fly) .A€ ©, 1), se dice que f es estrictamente convexa. Definicién 13 Dada una funcién f: S C R"—> R su grafica es un subconjunto G CR! y es definido por G = {(x, f&)) / xe S} Relacionados con la grafica de la funcién estd el conjunto amado Epigrafo: epi (f) = {(x, y) /x€ S, ye R: f() sy} Teorema.- Sea S # 9 un conjunto convexo en R" y f: S > R. Entonces, f es una funcién convexa si y solo si, su epigrafo es un conjunto convexo. Prueba. i) f convexa => epi (f) es convexa. Definicién: epi (f) = {(x, y)/x € S, ye R: f(x) $¥} Sean (x1, Y1) y (%2, Y2) en epi (f). Probaremos que AO, Yi) + (1 ~ A) (xa Ya) € epi(f), VA € [0, 1]... (1) 20, COLOQUIO DE MATEMATICA 2004 Tenemos (Axi + (1 - A) xa, Ay + (1 — A) yp) € RI Como S es convexo, Axi +(L-A)me Sy Ayt+t(d-ANwne R Veamos que fAx1 + (1-2) m2) R. Decimos que f es diferenciable en xo si existen las n-derivadas parciales a _ : ax, £(xo), i=l... y si Pedro Canales Garcia [POs = £(% 0) — VEX)" (X= x0) lim ——————_———_—————_ = 0, pay -xol a (Xo )reee safe (Xo )} es llamado gradiente de f en 1 donde Vf(xo)™ -( ae Xo. Sea f: R — R diferenciable en xo, por la formula de aproximacién de Taylor de primer orden se tiene: £(x) = f(x0) + f'(xa) (x ~ Xo) Si se hace h = x ~ Xp = f(xo + h) = (xo) + f(xo) En realidad, el lado derecho de la expresi6n anterior es una aproximacién al valor de f en el punto xo + h. Ademés, y(x) = f(xo) + f'(xo) (x — xo) es la ecuacién de una recta que pasa por el punto (Xo, f(xo)) y tiene pendiente m = f’ (xo). En general, esta aproximacién ser4 buena en el sentido que, la diferencia entre f(x) y f(xo) + f' (xo) (x — xo) va a cero en una vecindad suficientemente pequefia de xo. En la siguiente figura, se representa la grafica de una funcién convexa y una recta & trazada de modo tangente a la grdfica de f. Notamos que los puntos de & estén por debajo de la grafica de f salvo en el punto de tangencia, donde coinciden. Esto matematicamente se puede expresar como: £(%) 2 f(%0) + f(Ko) (x - xo) COLOQUIO DE MATEMATICA 2004 Ht y(x) = f(x.) + POO = x,) Fig. 23. Gréfica de una funcién convexa y la recta tangente en el punto Xo. El siguiente teorema caracteriza las funciones convexas usando el gtadiente. Teorema.- Sea S Cc R, no vacio convexo y f: R > R una funcién diferenciable sobre S. Entonces, f es convexa sobre S si y solo si £ (x1) = f(x2) + (x2) (x1 - x2), V x1, x2 € S. Se dice que f es estrictamente convexa si y solo si f (x1) > f(x2) + £2) (1 - x2), V x1, x2 € S. Prueba. (necesidad) Hipotesis: f es convexa sobre S conjunto convexo. Dados x, y € S se tiene £ (Axi + (1 - A) x2) $ Afar) + (1 - A) (x2), WA © [0, I 6 £ (x2 + A (x1 — x2) S$ f(%2) + A (FOr ~ f(x2)), VA € (0, 1] => A (f(x1) -f(x2)) = f(x2 + Alar - x2) - f(x2) 23 Pedro Canales Garcia haciendo h = (x; — x2) y luego multiplicando y dividiendo el lado derecho por (x) — x2): [F(x2 +A) - Fx.) x1 - x2) h [fxs £0 tera) Gal AMF(x1) -£(%2)) 2 = f(x) 2f2) + X2) donde t = Ah. Tomando limite cuando t > 0: f(x1) 2 flx2) + F (%2) (Ki =k) La suficiencia se deja al lector. Nota.- Para funciones f: R" > R convexas y diferenciables, definidas sobre un conjunto S # 9 convexo se tiene: f es convexa sobre S si y solo si f(x) = f(x) + V f(xo)" (x - Xo), V x1, x0 € S, donde V f(xo)" = Steal as (xg) jes el vector gradiente de f en Ox, ox, xo € R™ Ejemplos de funciones convexas (el lector debe verificar que estas funciones son convexas). 3 » x=l 1. f(x) = -x+3, xe(i,4] -1 » xe (4,6) betes 0,2) . fx) = i ; va ) f(xy)=ax+b, abeR. fy) =xt+y? g(x) = |x, xe R a(x) =x?-1 . g(x) =senx, x € (m, 2m) NABwERY ON 24 COLOQUIO DE MATEMATICA 2004 8 gix)=e* , x ER. 9. hh (x1, %2) = 2x1 — Sxz 10.h (x}, X2, X3) = —X1 + 3x2 + 5x3 Ih Gy, x2) = 1-x) 2.3 -Superficies, curvas de nivel Considere z = f(x, y) = ax + by, donde a, b € R. La grdfica de esta funcién es un plano. Supongamos que su gréfica es como se muestra en la figura 24, Plano cuys P a ecuacion es 4 z=ax + by Planos secantes puralelos. Curvas de nivel de z= f(x. y) = ax + by, son rectas paralelas en el plano x-y. Fig. 24. Plano P cuya ecuacién es z = fix, y) y sus curvas de nivel. Las curvas de nivel para esta funcién f : R? — R, definida por z = f(x, y) = ax + by se obtienen haciendo ax + by =k, k = cte. € R, lo que representa una familia de rectas en el plano x_y. En la figura 24 se muestran partes de dos curvas de nivel a saber, AB y CD. En el caso de la gr4fica mostrada en la figura 25, las curvas de nivel son circunferencias. Pedro Canales Garcia curva de nivel n, urva de nivel n, Diteccidn de crecimiento: HE (x,.¥,) Fig. 25. Grdfica de f, los planos secantes Sy y Sz, el gradiente de f en (Xo, yo) y las curvas de nivel en el plano xy. En la figura, m y nz son dos curvas de nivel. Notemos que si evaluamos la funcidn en el punto (xo, yo) y luego en el punto (x;, y;) se tendra que: f(X0, yo) < fO, yD Ademis, observar que el valor de f sobre cualquier punto de n; es el mismo. Lo mismo ocurrir4 sobre la otra curva de nivel n2. Por otro lado vemos que Vf indica la direccién de crecimiento de la funcién y es ortogonal a la tangente trazada a la curva de nivel en el punto de tangencia. . Para la funcién lineal z = ax + by se tiene Vz = (a, b) € R2 y sera perpendicular a las curvas de nivel de z. Ejemplo.- Sea z = -2x + 3y => Vz = (-2, 3). Las curvas de nivel de z se obtienen haciendo —2x + 3y = k, k € R. Ver figura 26. 26 COLOQUIO DE MATEMATICA 2004 Fig. 26. Curvas de nivel de z y el gradiente de z, es perpendicular a cada recta curva de nivel. Notar que a partir del nivel O, los niveles crecen en la direccién del gradiente y decrecen en la direccién negativa del gradiente. Ejemplo.- Sea f(x1, x2) = x1? + (x2 -1)? +c, c = cte. que define af: R? > R= Vf (x, x2) = (2x1, 2(x2 — 1)). Las curvas de nivel se obtiene de x; + (X29- 1) =k, ke R. Se obtiene una familia de circunferencias en el plano. Fig. 27. El gradiente Vf( x1, x2) se anula en el punto (0, 1). En cualquier otro punto es diferente de cero. pail Pedro Canales Garcia Sea f: R" > R_ una funci6n convexa y S C R" un conjunto convexo. El siguiente problema P,:min f(x) xeS es llamado un problema de programaci6n con restricciones. Al conjunto S se le llama conjunto factible. En la figura 27 se tiene que, si x* es la soluci6n del problema sin testricciones P: min f(x) xR" y X es la solucién del problema P,, entonces f(x*) < f (X). Si f es estrictamente convexa, entonces f(x*) < f(X). A continuacién veremos otros resultados sobre estos problemas. 2.4 Problemas de minimizacién sin restricciones Formulacion. Sea f: R" — R una funcidn convexa y diferenciable, un problema de optimizacién se formula como: P: min f(x) xeR* Este problema es llamado problema sin restricciones, consiste en hallar x* € R" que minimice la funcién f. El punto x* es Ilamado solucién Optima global y satisface [4], f (x*) < f(x), VWxe RY Si existe € > O tal que f(x*) S$ f(x), Vx € B(x*; ©), donde B (x*; €) es una vecindad de x*, el punto x* se llama solucién 6ptima local. COLOQUIO DE MATEMATICA 2004 Minimo local Dado el problema P y X un punto no éptimo, entonces existe una direccién (vector) v € R" tal que f (X + Av) < f(X), para algin A € R. EI vector v se llama una direccién de descenso para f en X. punto épiimp punto no 6ptimo Fig. 28. Sea v € R" tal que Vf (X)" v <0, entonces v es una direccién de descenso de f en X punto no dptimo. Definicién 15 Sea f: R° — R una funci6n diferenciable en X . Un vector » € R" es una direccién de descenso para f en X, si existe 5 > 0 tal que f(X + Av) < f(X), VA (0, 8). A continuaci6n se caracteriza una diseccién de descenso a través del gradiente de la funcién. Pedro Canales Garcia Teorema.- Supongamos que f : R" - R es una funcién diferenciable en X y que existe un vector v € R" tal que vf£(xX) v<0 entonces, v es una direcci6n de descenso para f en X (ver figura 28). Prueba. f diferenciable en X = f es continua en X. f(X+Av)-f(X) <0, Ademés Vf(%)" v = £(%v) = lim x Por la continuidad de f, existe § > 0 tal que faeky) fe <0, WAe (0,8) Asi, siendo 4 > 0 se sigue que f£(X +a) R. {Cémo determinar si se trata de un minimo local o global para f. Vamos a caracterizar el punto usando la diferenciabilidad de f. Teorema. (Para minimo local). Sea f: R° — R una funcién diferenciable en X. Si X es un mfnimo local, entonces Vf (X) = 0. Prueba. (Por contradiccién) Supongamos que Vf (X ) #0. Entonces, podemos definir un vector v=-Vf(x)e R. = V(X)" v = -VECX)T VEC) = = |IVECX IP < 0 = por el Teorema anterior se tiene que v es una direccién de descenso de f en X, esto es 3 5 >0/f (Xx + Av) < f(X), VA © (0, 5). Esto no es posible, pues X es un minimo local. 30, COLOQUIO DE MATEMATICA 2004 Observe que el Teorema solo d4 una condicién necesaria, por tanto al aplicar Vf(x) = 0 para una funcién podremos estar frente a un punto de minimo o de maximo para f. El comportamiento de la funcién como la convexidad hace que la condicién también sea suficiente para que x* sea minimo global. Ejemplo. Sea f definida por f(x1, x2) = 2(x1 — 1)? + 3 (x2 + 3)*. Tenemos —-V£(X1, x2)" = (4 (x1 — 1), 6 (x2 + 3) = 0 =xel, m=-3 Como f es una funcién convexa, se sigue que (x;*, x2*) = (1, -3) es un punto minimo de f. Nota.- Sif es convexa y no diferenciable en X , no existe Vf(X ) y no podemos aplicar la condicién necesaria del Teorema. En estos casos, en analogia al caso diferencialbe y como extensién a ello, definiremos el conjunto subdiferencial y el sub-gradiente de una funcién convexa. Definicién 16 Sea f : R° > R una foncidn convexa. El subdiferencial de f en X es el conjunto d- (%) = {E © R's £(X) > f(x) + ET (K- X), Vxe RY Cada elemento € € 0, f(x ) es llamado un subgradiente de f en X [5]. Pedro Canales Garcia Interpretacién geométrica Fig. 29. Funcién convexa y un punto de no diferenciabilidad. Geométricamente el conjunto subdiferencial de f en X esta constituido por los valores de las pendientes de todas las rectas desde F, hasta Fy. Si mi, ..., Mx son estos valores, entonces para f: R > R, Oe f(X) = [m,, mx] C R. Es un intervalo de valores en R. dF, dk Notar que, M1 ="qy-> Mk aaa Ejemplo. Sea f(x) = |x|, esta funci6n tiene un Unico punto de no diferenciabilidad. Podemos definir el conjunto sub-diferencial de la funcién -l , si x0 [-Ll] , si x=0 Notese que para x # 0, el subgradiente es en realidad la derivada usual de f, pues en esos puntos f es diferenciable, en tanto en x = 0, la funcién no es diferenciable y por lo tanto se definen los subgradientes, que son todos los valores & en el intervalo [-1, 1]. COLOQUIO DE MATEMATICA 2004 Ejemplo.- Sea f(x) = max {h(x), g(x)}, donde h(x) = -x +2 y g(x) = x2. Determine el conjunto sub-diferencial de f(x). Solucion: Veamos la grafica de ambas funciones h y g Fig. 30. La funcién fix) = max {h(x), 9(x)}, resaltada en trazo grueso. Los puntos de interseccién de ambas gréficas son los puntos de no diferenciabilidad de f. Asi, estos puntos se obtiene resolviendo We-x42 > x=-2 a x=l En el punto x = 1, los sub-gradientes & varian desde h’(1) hasta g’(1), esto es E=An)+(1-A g(), Ae [0, 1] =ACI+(-AQ) , AE [0,1] = €e [-1, 2] = dc f(1). En el punto x = -2, &=Ah’ (-2) + (1 -A) g’ (-2), Ae (0, 1] =SE=ACID+0-AG) ,Ae [0,1] =>Eeu, -1] = dc f(-2). 33 Pedro Canales Garcia Una manera (no tan apropiada. ,Porqué?) de representar geométricamente los conjuntos sub-diferenciales es como en la figura 31. hiperplano: y= fil)+€a-1), con &=g(l)=2 hiperplana: aD y= tlle B(x-l con &= hl) = -1 Fig. 31. En el punto x=1, € dc f(1) = [-I, 2] En cualquier otro punto diferente de -2 y 1, la funcién f es diferenciable. Luego se tiene: 2x > X<-2 6 xl aJl-4-1, x=-2 acf= , -2 R es diferenciable y S es un subconjunto convexo de R". Pedro Canales Garcia En particular, S puede ser un conjunto definido por desigualdades, S= {xe R"/g (x) <0}, donde g: R"° > RP es una funci6n con componentes convexas diferenciables. La condicién necesaria de minimo para este problema se enuncia en el siguiente teorema. Teorema.- Sea f: R° > R diferenciable en x* € S CR", S un conjunto convexo. Sea dado el problema P. Si x* es un minimo local de P, entonces VE(x*)! (x — x*) 20, Vxe S. La condicién es suficiente cuando la funcién f es convexa sobre S. Consecuencia. Si f es convexa diferencialbe y X € S noes un punto dptimo, existe x € S tal que VE(X)T- X) <0. Interpretacién geométrica Curvas de nivel def Fig. 33. Punto dptimo y no dptimo. En X, existe x € R" tal que V£(X )T (x — K) < 0, mas en x* se tiene VE(x*)! (x — x*) 2 0, Vx € S. 36 COLOQUIO DE MATEMATICA 2004 2.7 Algoritmo para el problema irrestricto Consideremos el problema P: min f(x) xeR" donde f: R" — R es diferenciable. Un algoritmo que encuentra una aproximacién al punto éptimo (minimo) es el del gradiente éptimo. En general, un algoritmo es una regla la cual a partir de un punto xk © R®, define un nuevo punto x**! siguiendo una direcci6n tal que en xk! Ja funcién mejora. Asi, el nuevo punto es xt = xk + Ad (2) donde A € R y d € R"— {0}, son el tamajio del paso y la direcci6n de avance respectivamente. 2.8 Algoritmo del gradiente éptimo En este algoritmo, también llamado de descenso maximo, se sigue la direccién del gradiente y el tamajio del paso es determinado en cada iteracién. Asi, xkel = xk — , Vf(xK) donde el signo negativo es debido a que (P) es un problema de minimizaci6n, por lo que se toma la direccién negativa del gradiente. Entonces f(x!) = f(xk — 2 VEC). Como queremos que en el punto xt! el valor de la funcién decrezca, con respecto a su vaor en x*, entonces debemos determinar A€ R resolviendo el siguiente problema unidimensional: i kL k min f(x A VE(x*)) 37 Pedro Canales Garcia Si A* es la solucién de este problema, se tiene que xttl = xk 1 Voix) sera el nuevo punto. Ejemplo. Dado el problema min (P+ 2x3) xeR y el punto inicial x° -(13)}; Determinar el préximo punto x!, Soluci6n. Notar que en x° el valor de f es 9 2 £(x°) = (1)? +43) =41.5. VE(x) = “(a \s VER) Luego, determinamos A resolviendo A 9 Ay=fl | LS |- min g(A) (+3) i 18) =f/1-2a, =- A, 2 18, 9 2 =(1-2a)? +2(3-18) Condicién de minimo: aga) _ 2 2)+4 5-182 -18)= 0 = 13042 - 328 =0 == 0.25 yxts (: 3) — 0.25 (2, 18) = (0.5, 0). 38 COLOQUIO DE MATEMATICA 2004 Vemos que en x! = (0.5, 0) el vator de la funcién es £(0.5, 0) = 0.25, esto es f(x!) < f(x°). Esto dice que el valor de la funcién objetivo mejora en el punto x!, pues se estd frente a un problema de minimizacién. EI lector se estar4 preguntando —,En qué momento o circunstancia se termina el proceso?— pues es obvio que gustarfamos que la funcién objetivo mejore atin mas, asf podriamos obtener x?, x3, ..., x*. Bien, sabemos que si x* es un Optimo local, entonces Vf(x*) = 0; cuando f es convexa, esta condicién es también suficiente. En métodos computacionales interesa una aproximaci6n aceptable a la solucién Optima. As{ tomamos un € > 0 (dado a priori) y paramos el proceso cuando se cumple que ||V f(x*)|| < €. En este caso tomamos como una buena aproximacién a la solucién éptima, al punto x‘, obtenido en la iteracion k-ésima. 2.9 Solucién de un problema de programacién lineal En un problema de programacién lineal (PL) se quiere minimizar una funcién lineal f(x) = c1x1 + C2X2 + ... + Ca Xn, donde x € SC R® y S es un poliedro, Es claro que una funcién (lineal) de esta forma es convexa y el problema minimizar f(x) (2.9.1) sujeto aque x € S tendra su solucién en la frontera del poliedro S, en particular serén puntos extremos de S (ver seccidn 2.3). Supongamos que S est4 definido por un sistema de desigualdades lineales y que después de transformado a un sistema de igualdades, tenemos: Ax=b (2.9.2) donde A es de orden mxn (mBxe+Nxu=b => xp = B' b-B!N xy (2.9.3) Es claro que la solucién x del sistema (2.9.2) se obtendrd, solo si se dan valores arbitrarios a las variables no-basicas, lo cual dé la connotacién de existencia de infinitas soluciones para el sistema (2.9.2). En efecto, sabemos que cuando (A) = k < n, existen n-k variables libres o parémetros y la solucién adopta la forma wa-k nek x=Po+D tin), wjeR" tHe R; j Fl COLOQUIO DE MATEMATICA 2004 teotty a} t (2.9.4) Si hacemos t; = 0, j = 1, .... 1 ~ k, lo que equivale hacer xy = 0 en (2.9.3), se obtiene x = Pp = (ee como solucién del sistema 2.9.2. y es una solucién particular. Ba programacién lineal, esta solucién, asi obtenida se le llama solucién basica. Cuando xg 2 0, la solucién x se llama solucién bdsica factible para el problema min f(x) sa. Ax Sb x20 Ahora, f(x) = (x (73) es el valor de la funcién objetivo Ny evaluada en esta solucién, sin embargo, ya que el nimero de matrices basicas es menor o igual a n)y_ nt k}~ kt(n—k)! sera posible obtener igual numero de soluciones basicas y otro tanto de valores para la funcién f. Cada matriz bdsica puede obtenerse por el cambio de una columna bdsica por una columna no-basica, lo que se traduce en el cambio de una variable basica por una variable no-bdsica. Es logico que el cambio se realiza de modo que la nueva matriz bdsica origina un mejoramiento en la funcién objetivo. 41 Pedro Canales Garcia Esquema explicativo: aye ( ay Agee Fie ; Art =| Army) oAmk f Amictt oe Ame ‘ Columaa que sale HEHE Eee matriz bésica inicial B a... (ay; dn & & ‘ a Any sm ket | Amy} nueva matriz bésica Bi Asociada a esta nueva matriz bdsica, se tendr4 la nueva solucién xp )_{ Bi’: 0 0 es claro que en esta solucién se tendré f(x') S$ f(@)- Un algoritmo bien conocido, existente en la literatura de programaci6n lineal es e] Simplex, el cual se fundamenta en estos resultados y garantiza (caso exista) convergencia a la solucién. Este algoritmo encuentra la solucién en un nimero finito de pasos debido a que en programacién lineal, el conjunto factible es un poliedro, el cual tiene un numero finito de puntos extremos. Puede probarse que cada solucién basica corresponde a un punto extremo [6]. 42 COLOQUIO DE MATEMATICA 2004 Ejemplo.- Consideremos el sistema xX) + x2 S2 3x1-x2 <1 x1 20,x220 Este sistema, geométricamente representa la siguiente regién S (poliedro) de R?: Ny u Fig. 34. La region poliédrica S y sus puntos extremos. Observemos que a-(5-o} pia} C=(0,2) yD= (00). Transformemos el sistema original a un sistema de igualdades, para lo cual hacemos uso de las variables llamadas de holgura: x3, x4. Asf tenemos Pedro Canales Garcia XL + XQ + =2 3x1 - x2 +x] X1, X2, x3, X4 2 0. Matriz de coeficientes: Variables; x, X2 X3 X4 A= 1110 3-101 Matrices bdsicas: X, Xz X, X3 X X4 11 11 1 0 B= » B= > B= , ; | ; [: 5 i [: | Xy X3 KX, Xq4 X3 X4 By = lee » Bs= i » Bo= illitg -l 0 = THe o 1 resolviendo los sistemas para las respectivas variables basicas y haciendo Jas variables no-basicas correspondientes igulaes a cero se obtienen: x, 2 3 5 a )-(i]= xy “7 xX, 7 x3 =0=x,. Esta solucién bdsica corresponde al punto extremo B. 2 oS {le x, =}. x=8, x, =0, x, =0. COLOQUIO De MATEMATICA 2004 Esta solucién basica corresponde al punto extremo A. 2 2 a(t Jone X4=3, x, =0, x,=0. x} (1 Esta solucién basica corresponde al punto extremo C. 2 a [ - x, =0= Xp, X3=2, X4=1- xX 1 solucién bdsica correspondiente al punto origen 0. {Qué puntos originan los sistemas B3 x = b y Bax = b? 45 COLOQUIO DE MATEMATICA 2004 Capitulo 3 Aplicaciones Funciones lineales tienen miiltiples aplicaciones. En este capftulo veremos algunas de eilas. 3.1. Ejemplo 1 Sea z=Cy x1 +... + Cn Xn, donde c; € R,i = 1, 2, ..., n. Esta funcién lineal se puede escribir como z=clX, donde cT = (cy, ..., Cn) y XT = (Xt, oy Xn) Una funcidn lineal es convexa (también céncava). Una persona desea alquilar un departamento y no sabe exactamente cuantos meses residir4 en él. Tiene dos alternativas: alquilar en la zona A, donde debe pagar 150 nuevos soles de garantia y 240 soles mensual o alquilar en la zona B, donde debe pagar 450 soles de garantia y 180 soles por mes. Describir el modelo que le permite tomar la mejor decisién. Solucién: Supongamos que la persona vivird en el departamento x meses. Un modelo del costo segtn la alternativa, es el siguiente: Alternativa A: Ca = 150 + 240 x Alternativa B: Cg = 450 + 180 x aT Pedro Canales Garcia En un sistema meses-costo se pueden expresar estas funciones lineales. Costo 1400 1200 1000 800 600 400 200 Fig. 35. Costos lineales para cada alternativa. EI punto de interseccién es x = 5 meses. Andlisis. Si la persona va a residir en el departamento que pretende alquilar, menos de 5 meses, le conviene la alternativa A, para mas de 5 meses le conviene la alternativa B. Si va a residir exactamente 5 meses es indiferente cualquier alternativa. 3.2 Ejemplo 2 Una fabrica de monturas para anteojos produce tres tipos de ellos. Usa cuatro clases de materia prima en la fabricacién. La tabla 1 muestra la cantidad consumida grs) de cada materia prima y el beneficio obtenido por unidad producida. Formule el modelo matematico que permita maximizar el beneficio total empleando sdlo la materia de almacén. 48 COLOQUIO DE MATENATICA 2004 Tabla 1 Materia prima Tipo? | Tipo2 | Tipo 3 | Aimacén Plastico 10gr. | 12gr. | ISer. 300 Alambre de cobre Ser.) 4gr.| 6gr.] 800 Alambre platinado | Tgr.| Sgr| 7er.| 450 Tornillos 2gr | 3gr| 4g. | 200 [ Beneficio Si [SHAS [25 Sz Modelo matematico 1. Cantidades a producir x; : Cantidad de monturas de tipo 1. x2 : Cantidad de monturas de tipo 2. x3 : Cantidad de monturas de tipo 3. 2. Funcién objetivo z= 15 x; + 25 x2 + 32 x3. Esta expresiOn expresa el beneficio total, luego deberd ser maximizada. 3. Restricciones a. De almacén 10 xj + 12 x2 + 15 x3 < 300 5 x1 + 4 x2 + 6 x3 $800 7 x1 + Sx2 + 7x3 S$ 450 2x, +3 x2 +4 x3 $ 200 b. De variables (cantidades) enteras X1, X2%3 € Zt Luego el modelo es: max (15x; + 25x2 + 32x35} s.a. 10x; + 12x2 + 15x3 < 300 5x5 + 4x2 + 6x3 < 800 7x, + 5X2 + 7x3 < 450 2x) + 3x2 + 4x3 < 200 Xi, Xn x3 Zt. 49 Pedro Canales Garcia 3.3. Ejemplo 3 Ejemplo geométrico Hallar geométricamente el punto (x n x) que resuelve el siguiente problema: minimizar (-x; + 5x2), tal que (x1, x2) € S. Donde S = {(X1, X2) / 2x1 + 4x2 S 12; -2x) + 3x2 S 6; 2x1 -— x2 S$ 45 x1, x2 2 O}. Solucion: Representemos geométricamente el conjunto S, el cual es un poliedro. Fig. 36. Curvas de nivel de una funcién objetivo lineal. Vemos que e] punto dptimo es la interseccién de las rectas cuyas ecuaciones son 2x) + 4x2 = 12 2x, + 3x2 = 6. 50 COLOQUIO DE MATEMATICA 2004 ou 6 1 La solucién numérica es bi.xi)e(>. 7} 3.4 Ejemplo 4 Dieta éptima de costo minimo Un comedor debe proporcionar un ment de costo minimo, pero proporcionando al menos 1800 kilocalorias de energia; 60 gramos de proteinas y 600 miligramos de calcio. La siguiente tabla contiene la cantidad de cada producto alimenticio y lo que esa cantidad aporta en energia, proteina y calcio: Producto | Cantidad | Energia | Protefna | Calcio | Precio alimenticio_| del producto (gr) | (migr.) | _S/. Leche 300m 10 300 | 1.00 Ruevo 2unid. 13 60 | 150 Pollo 100 gr. 35 12 | 1.50 Carne 260 gr. 14 80 | 4.00 Torta de fresa 180 gr. 4 25__| 2.00 Se recomienda que el memi no contenga mas de 300 grs de pollo, ni mds de 2 huevos, ni mas de 500 cm? de leche, ni mas de 360 grs de torta de fresa, ni mds de 520 grs de carne. Formule el modelo matematico para el menti de costo minimo. Solucién: Sean las siguientes variables: x1: Cantidad de leche en la dieta 6ptima, X2: Cantidad de huevos en la dieta 6ptima, x3: Cantidad de pollo en la dieta éptima, x4: Cantidad de carne en la dieta 6ptima, Xs: Cantidad de torta de fresa en la dieta 6ptima. ST Pedro Canales Garcia Funcién objetivo: Z=Xr 4-15 x2 + 1.5 x3 +4 x4 + 2 x5. Esta funcién debe ser minimizada. Restricciones de exigencia de cantidades minimas en kilocalorias, protefnas y calcio: 160 x; + 160 x2 + 205 x3 + 260 x4 + 430 x5 2 1800 10 x, + 13x2 + 35x3 + 14 X4 + 4 x5 2 60 300 x1 + 60 x2 + 12 x3 + 80 x4 + 25x5 2 600 Restricciones de cantidad de productos x 500 x2 300 520 360 x3 IAA WIA xs 3.5 Ejemplo 5 Una fabrica de golosinas compra azticar blanca a S/. 2.00 y azicar rubia a S/. 1.80. La tabla siguiente muestra las cantidades (en kilos) de caramelos, chancaca y crema de torta que pueden ser producidas por cada kilo de cada clase de azticar. Carametos | Chancaca | Crema de torta Azucar blanca 0.20 0.15 Azticar rubia 0.18 La fabrica debe abastecer pedidos de 150 kilos de caramelos, 80 kilos de chancaca y 70 kilos de crema de torta. Formula un modelo de programaci6n mateméatica para determinar la cantidad 6ptima de kilos de aztcar blanca y rubia que deber4 comprar la fabrica para abastecer la demanda a un costo minimo. COLOQUIO DE MATEMATICA 2004 Solucién: Sean x;: La cantidad de kilos de azticar blanca a ser comprada. x2: La cantidad de kilos de azticar rubia a ser comprada. Funcién objetivo: Z=2xy, + 18% Esta es la funcién de costo. Restricciones de satisfaccién de la demanda: 0.20x; + 0.18x2 2 150 0.15x1 + 0.32x2 2 80 0.25x; + 0.16x2 2 70 Restricciones de no negatividad de las variables: x20, x220. El modelo matemitico es: minimizar (2 x, + 1.8 x2) Sujeto a: 0.20 x; + 0.18 x2 2 150 0.15 x; + 0.32 x22 80 0.25 x1 + 0.16 x22 70 x20, 220 3.6 Ejemplo 6 Transponte de productos Supongamos que desde n plantas industriales que producen un producto, se desea transportar estos productos a m centros de consumo. Cada planta produce una cantidad a;, i = 1, ..., n de producto y en cada centro de consumo se requiere bj, j = 1, .. , m productos. Si todo lo que se produce en cada planta sale de ella y todo lo que se requiere en cada 53 Pedro Canales Garcia centro llega a él. Formular el modelo matematico que permita determinar las cantidades que deben ser transportadas de manera que el costo sea minimo. Solucion: El esquema de la red de transporte es: Plantas. Centros de consumo © © © © . . . . . . © @ Fig. 37. Red de transporte. Desde la planta i se transporta al centro j una cantidad xij, a un costo cj. Vamos a suponer que el sistema esta equilibrado, esto es, se cumple: Ms ce Ms a xij: €S la cantidad (debe determinarse) que se transportaré desde la planta i al centro j. ij: es el costo (unitario) de transporte del producto desde la planta ial centro j. Entonces se tiene que, “cij xi” es el costo a pagar por transportar la cantidad xj de productos a cj de costo unitario desde la planta i al centro j. COLOQUIO DE MATEMATICA 2004 Si consideramos el transporte desde la planta i para todos los centros se tendra m Ci Xi + CiQXjq Hoe + Cim Kim = Dy Cy Xiyj> a © Fig. 38. El costo de transporte desde la planta i para todos los centros de distribucién j = 1,2, ..., m. Ahora, como sabemos existen n plantas de produccién, entonces el costo total de transporte sera: m m m Cr =D Cy % y+ D C24 Xa to + D Cy Xqj > fl jal il cr=)) D cj xy- Esta cantidad deberd ser minimizada, pues el ist jel a transporte debe ser hecho a un costo minimo. Ademés como todo lo que sale de la planta i debe ser igual a lo que se produce alli, entonces m DX jel y todo lo que entra al centro j debe ser igual a lo que se necesita alli, entonces Yu Pedro Canales Garcia Finalmente ef modefo matematico es: nom Minimizar cp =D) D) cy Xy is} jal sujeto a: 3.7. Ejemplo 7 Una empresa debe transportar minerales desde un centro minero hasta una refinerfa ubicada a 80 km. Quiere hacerlo en contenedores de 10 m3 de capacidad que ser4n construidos y cuyas dimensiones sean ¢: largo, a: ancho, h : altura y solo tendra fondo. Las partes laterales y el fondo tienen un precio de S/. 200 por m2, mientras que las cabeceras cuestan S/. 300 por m?. Los camiones cobran por recorrido de ida y vuelta entre el centro y la refinerfa S/. 150. Razones técnicas de transporte de carga exigen que el ancho de los contenedores no exceda los 3 m, que el largo no exceda los 15 m, Ja altura no exceda los 3.50 m y el peso del camién més la carga no exceda fos 20000 kilos. {Cudles deben ser las dimensiones de los contenedores de manera que el transporte del mineral por viaje sea minimo? (peso de 1 kg de mineral = peso de 1 dm’). Solucion: Funci6n objetivo (Funcién de costo) Costo de partes laterales y el fondo: 2 x 200 Ch + 200 af 3.8 COLOQUIO DE MATEMATICA 2004 Costo de cabeceras: 2 x 300 ah Costo de recorrido: 10 —~ | (150) (a) tee KN Fig. 39. Contenedor a construir. Luego el modelo es: 1500 minimizar| 400 fils 200 at O00 atta sujeto a las siguientes restricciones: O R', g: R° > RP. Las soluciones dptimas de estos problemas son indiferentemente llamadas “soluciones eficientes”, “soluciones 6ptimas de Pareto” 0 “soluciones no inferiores”. Ejemplos. Situacién en la cual, de manera simultanea se desea lograr dos o més metas. Esto es, se desea maximizar ciertas funciones objetivos y minimizar otras al mismo tiempo. Por ejemplo si se trata de inversiones, se desearfa maximizar la cantidad a recuperar, maximizar la tasa a la cual debe recuperar la inversi6n, minimizar la cantidad de impuestos a las transacciones comerciales y minimizar riesgos. Es claro que los objetivos miltiples, con frecuencia entran en conflicto entre si. Es decir al optimizar uno de ellos, se afecta a los otros. Por ejemplo, si se maximiza la recuperacién esperada, en general, se tiene una cartera con alto riesgo (préstamos que son recuperados 0 devueltos a tasas altas, solo podria ser, para tener “maxima” recuperacién). Usaremos “a fa )sfy (x) > fa CR) => F(X) Sf (x), esto dice que x es una solucién inferior o igual a %. Definicién.- Un punto x" € S se dice que es una solucién 6ptima completa del problema (I) si f(x") $ f(x), Vx € S. 59, Definicién.- Un punto & € S es llamada soluci6n eficiente del problema (I) si axe S/f(x) R? Fig. 41. Puntos dptimos de Pareto. En la figura, los puntos 6ptimos de Pareto son AE, ED. Existe otra definicién de eficiencia, es la siguiente: 60 COLOQUIO DE MATEMATICA 2004 Definicién.- Un punto & € S se dice que es una solucién debilmente eficiente del problema I, si Ax € S /f (x)

    You might also like