Repblica Bolivariana De Venezuela Ministerio Del Poder Popular Para La Defensa Universidad Nacional Experimental De La Fuerza Armada UNEFA

Ncleo Carabobo Extensin Guacara.

Bachiller: Mariuska Rangel C.I. 17.569.943 Ing. De Sistemas VI semestre Seccin G-002 Profesor: Orlando Gmez

Programacin Cuadrtica

Qu es?

Es un mtodo utilizado para optimizar una funcin cuadrtica multivariable que puede o no puede ser lineal restringida

Muchos de los problemas del mundo real, tales como la optimizacin de la cartera de la empresa o la reduccin de los costos de un fabricante, se puede describir mediante un programa de segundo grado. Si la funcin objetivo es convexa entonces una solucin viable puede existir y pueden ser resueltos por algoritmos conocidos, tales como el algoritmo simplex ampliados. Existen mtodos para resolver algunas de las funciones cuadrticas no convexos, pero son complicadas y no estn fcilmente disponibles. Tcnicas de optimizacin matemtica se utilizan en la programacin cuadrtica para minimizar una funcin objetivo. La funcin objetivo se compone de una serie de variables de decisin que puede o no puede ser limitada. Las variables de decisin tienen poderes 0, 1 2. La funcin objetivo puede ser sometida a una serie de restricciones lineales de igualdad y desigualdad sobre las variables de decisin. Un ejemplo de programacin cuadrtica es: minimizar f (x, y) = x2 + 3y2 - 12y + 12 donde x + y = 6 y x> 0, y 0.

El problema de la programacin cuadrtica se puede formular como: Asuma x pertenece a espacio. nn matriz Q es simtrico, y c es cualquiera n vector 1. Reduzca al mnimo (con respecto a x) Conforme a unos o ms apremios de la forma: (constreimiento de la desigualdad)

Ex = d (constreimiento de la igualdad) Si Q es a matriz semidefinite positiva, entonces f(x) es funcin convexa. En este caso el programa cuadrtico tiene un minimizer global si existe por lo menos un vector x de satisfaccin de los apremios y f(x) se limita abajo en la regin factible. Si la matriz Q es definido positivo entonces este minimizer global es nico. Si Q es cero, despus el problema se convierte en a programa lineal. De teora de la optimizacin, una condicin necesaria paraun punto x ser un minimizer global est para que satisfaga Karush-Kuhn-Tucker Condiciones (KKT). Las condiciones de KKT son tambin suficientes cuando f(x) es convexo.

Importancia:

La importancia de la programacin cuadrtica recae en que, como es un caso especial de la programacin no lineal, se utiliza como una funcin modelo para aproximar funciones no lineales a travs de modelos locales. La programacin cuadrtica trabaja con una clase especial de problemas en el que una funcin cuadrtica de variables de decisin sujeta a restricciones lineales de desigualdad requiere ser optimizada, bien sea, ser minimizada o maximizada. Una funcin cuadrtica, en notacin matricial, es una funcin de la forma f(x)=

Es de gran importancia identificar o poder definir la caracterstica de la matriz Hessiana, ya que a partir de sta podemos determinar ciertas caractersticas del problema, que nos sern tiles para encontrar su solucin.

Para que se usa? Existen diferentes tipos de problemas de programacin cuadrtica, los cuales se pueden clasificar en:

Problemas cuadrticos de minimizacin sin restricciones, requieren minimizar la funcin cuadrtica f (x) sobre el espacio completo.

Problemas cuadrticos de minimizacin sujetos a restricciones de igualdad, requieren minimizar la funcin objetivo f (x) sujeta a restricciones lineales de igualdad Ax = b.

Problemas cuadrticos de minimizacin sujetos a restricciones lineales de desigualdad. Requieren minimizar la funcin objetivo f (x) sujeta a restricciones lineales de desigualdad Ax = b, tambin puede contener restricciones de igualdad.

Problemas de optimizacin de redes cuadrticas. Son problemas cuadrticos en los que las restricciones son restricciones de baja conservacin sobre una red pura o generalizada.

Problemas cuadrticos convexos. Son cualesquiera de los mencionados arriba, en el cual la funcin objetivo a ser minimizada, f (x) es convexa.

Problemas

cuadrticos

no

convexos.

Son

cualesquiera

de

los mencionados arriba, en el cual la funcin objetivo a ser minimizada, f (x) es no convexa. y Problemas de complementariedad lineal. Son problemas especiales con un sistema de ecuaciones en variables no negativas, en el cual las variables estn formadas en varios pares llamados pares

complementarios.

Histricamente, las funciones cuadrticas fueron prominentes porque provean modelos locales simples para funciones no lineales generales. Una funcin cuadrtica, es la funcin no lineal ms simple, y cuando es usada como una aproximacin para una funcin no lineal general, esta puede capturar la informacin importante de la curvatura, lo que una aproximacin lineal no puede. El uso de aproximaciones cuadrticas para resolver problemas con funciones no lineales generales se remonta mucho tiempo atrs. Entre los mtodos ms destacados, tenemos al mtodo de Newton y el mtodo de gradiente conjugado. Para la programacin cuadrtica se pueden encontrar mnimos locales, mnimos globales, puntos estacionarios o de KKT, (son los que satisfacen

las condiciones de KKT del problema).En problemas convexos de programacin cuadrtica, todo punto KKT o mnimo local, es un mnimo global.