Programación no lineal

Capítulo 2
Programación no lineal

Joseph-Louis
Lagrange

La programación no lineal responde a la necesidad de resolver los muchos pro-

blemas de la vida real que se expresan en términos de funciones no lineales.
Aquí, no existe un método general como el simplex para programación lineal;
por lo tanto, presentaremos métodos para solucionar algunos tipos, muy es-
peciales, de problemas.

Forma general del problema

Maximice: Z = f(x1 , x2 , . . . , xn)

Con las siguientes restricciones

g1 (x1 , x2 , . . . , xn) < b1

. . . .
. . . .
gi (x1 , x2 , . . . , xn) < bi
. . . .
. . . .
gm (x1 , x2 , . . . , xn) < bm

xj > 0 ; j = 1,2, . . . , n

De los métodos de solución existentes, solamente se abordarán:

Francisco Chediak 57
Programación no lineal

1. Solución preliminar - Método Gráfico.

2. Multiplicadores de Lagrange.
3. Condiciones de Karush-Kuhn-Tucker (KKT)
4. Programación cuadrática.

Método Gráfico

En ésta sección se muestran algunos ejemplos de programación no lineal que

se pueden resolver, exitosamente, mediante el método gráfico. No todos los
problemas se pueden resolver mediante éste método; sólo aquellos, cuyas
características particulares lo permitan. Aquí es importante adquirir expe-
riencia y ojalá disponer de un buen software de graficación de ecuaciones.
Los problemas considerados en ésta sección tienen funciones de máximo dos
(2) variables, lo que permite ver graficadas en el plano cartesiano. Usaremos
el software Advanced Grapher 2.02 que se puede adquirir en su página web:
http://www.serpik.com/agrapher/

Ejemplo 2.1

Resolver gráficamente: Max: Z = 3X1 + 2X2, con las siguientes restricciones

(C.S.R.): 1) X21 + 4X1 - X2 < 5 ; 2) 2X1 + 3X2 < 12 ; Xj > 0 ; j = 1,2
Observaciones:
El problema exige que todas sus variables sean positivas, luego, sólo se consi-
deran las parejas de puntos (X1 , X2) que se encuentren en el primer cuadrante.
La función objetivo y la segunda restricción son una línea recta.
La primera restricción es una parábola sobre el eje Y.
Cada una de las restricciones se tabula, se gráfica y se identifica su área de
soluciones factible. Interceptando todas las áreas individuales de las restric-
ciones, identificamos el área de soluciones factibles para el problema.
Los cálculos analíticos son los siguientes:

2X1 + 3X2 < 12 X21 + 4X1 - X2 < 5 X2 = X21 + 4X1 -5

2X1 + 3X2 = 12 X21 + 4X1 - X2 = 5
X1 = 0 X2 = 0 X1 = 0 X2 = 0 dx2/dx1 = 2X1+4=0
X2 = 4 X1 = 6 X2 =-5 X21 + 4X1 - 5 = 0 X1 = -2 => X2 = -9
P(0,-5) (X1+5)(X1-1)=0 P(-2,-9)
P(0,0) => 0 < 12
X1 = -5 ; X1 = 1 Punto mínimo de la
Verdad
P(-5,0) y P(1,0) parábola

Puntos en donde la parábola cor- d2x2/dx1=2 =>

ta los ejes X y Y Mínimo
En el P(0,0) => 0 < 5
Verdad

58 Flaminio Vera
 Programación no lineal

3X1 + 2X2 = Z Observando la gráfica, debemos hallar la intersección

3X1 + 2X2 = 6 entre: X21 + 4X1 - X2 = 5 y 2X1 + 3X2 = 12. Resolviendo
éste sistema de ecuaciones de dos variables y dos
X1 = 0 X2 = 0 ecuaciones, obtenemos la solución óptima: X*1 = 1.47 ;
X2 = 3 X1 = 2 X*2 = 3.02 ; Z* = 10.45

La correspondiente gráfica es:

X*1 = 1.47
Área de soluciones Solución X*2 = 3.02
factibles óptima Z* = 10.45

Fíjese que, básicamente,

el procedimiento sigue la
misma filosofía del método
gráfico de programación
lineal.

Ejemplo 2.2

Maximizar Z = 2X1 + X2 Z = 2X1 + X2 = 2 2X1 + 3X2 < 12

C.S.R. -X21 + 4X1 - X2 < 0 2X1 + 3X2 = 12
X1 = 0 X2 = 0
2X1 + 3X2 < 12
X2 = 2 X1 = 1 X1 = 0 X2 = 0
Xj > 0 ; j = 1,2
X2 = 4 X1 = 6

-X21 + 4X1 - X2 < 0 P(0,0) => 0 < 12

-X21 + 4X1 - X2 = 0 Verdad
X2 = -X21 + 4X1
X1 = 0 X2 = 0
X2 = 0 X1 = 0 , X1 = 4
P(0,0) P(0,0) , P(4,0)

Francisco Chediak 59
Programación no lineal

X2 = - X21 + 4X1 d2x2/dx12 = -2 < 0 Punto de prueba

dx2/dx1 = -2X1 + 4 = 0 Luego, es un Máximo P(2,0) => 4 < 0
X1 = 2 Falso
X2 = -X21 + 4X1
X2 = -(2)2 + 4(2) = 4
P(2,4)

Efectuados los cálculos analíticos, se procede a la construcción de la gráfica.

Áreas de solución factible

Solución Óptima
X*1 = 6
X*2 = 0
Z* = 12

2X1+3X2<12

Z=2X1+X2=2 ==> Aumenta

Disminuye <==
Z = 12
-X21+4X1-X2<0

Ejemplo 2.3

Resolver empleando el método gráfico, el siguiente problema de programación

no lineal.

Maximizar Z = X2 - X21 = -2
y Z = X2 - X 2
1
X2 = X21 - 2
Minimizar
X1 = 0 X2 = 0
C.S.R. -(10 - X21 - X2)3 < 0 X2 = -2 X1 = 1.41 ; X1 = -1.41
-X1 < -2 P(0,-2) P(1.41,0) ; P(-1.41,0)

Xj > 0 ; j = 1,2
dx2/dx1=2X1=0 d2x2/dx21 = 2 > 0
X1=0 => X2=-2 Luego, es un mínimo
P(0,-2)

60 Flaminio Vera
 Programación no lineal

-(10 - X21 - X2)3 < 0 (-1) X2 + X21 - 10 = 0 -X1 < -2 (-1)

(10 - X21 - X2)3 > 0 X2 = -X21 + 10 X1 > 2
[(10 - X21 - X2)3]1/3 > [0]1/3 X1 = 2
10 - X21 - X2 > 0 (-1) X1 = 0 X2 = 0 P(0,0) => 0 > 2
X2 + X21 - 10 < 0 X2 = 10 X1 = 3.16 ; X1 = -3.16 Falso
P(0,10) P(3.16,0) ; P(-3.16,0)

dx2/dx1 = -2X1 = 0 d2x2/dx21 = -2 < 0 Punto de prueba P(0,0)

X1 = 0 Luego, es un máximo -10 < 0 ; verdad; luego,
X2 = 10 el área de solución está
P(0,10) en el vientre de la parábola

El máximo se encuentra en la intersec- El mínimo se encuentra en la in-

ción de X*1 = 2 y X2 + X21 - 10 = 0, luego: tersección de X2 + X21 - 10 = 0 y
el eje X1, luego:
X2 + (2)2 - 10 = 0 X*2 = 0 =>
X2 + 4 - 10 = 0 X2 + X21 - 10 = 0
X*2 = 6 (0) + X21 = 10
P(2,6) X*1 = 3.16
Z*máximo = X*2 - X*21 P(3.16,0)
Z* = (6) - (2)2 = 2 Z*mínimo = X*2 - X*21
Z* = 2 Z* = 0 - (3.16)2 = -10

X1 > 2
Máximo
Z = X2 - X21 = -2 X*1 = 2
X*2 = 6
Mínimo
Z* = 2
X*1 = 3.16
X*2 = 0
Área de solu- Z* = -10
ciones facti-
bles

X2 + X21 - 10 < 0

Francisco Chediak 61
Programación no lineal

Ejemplo 2.4 Maximizar

y Z = 2X21 - 3X22 - 2X1
Minimizar

C.S.R. X21 + X22 < 1

No hay condición de no negatividad

Solución
Fíjese que la restricción es un circulo con radio uno (1) y no hay condición de
no negatividad.

Z=2X21-3X22-2X1=-3.2 Mínimo
X*1 = 0.2
X*2=0,961/2=0,979795897
Disminuye Z* = -3,2
<==

Z=2X21-3X22-2X1=4 Z=2X21-3X22-2X1=4

Aumenta <== ==> Aumenta

Máximo
X*1 = -1
X*2 = 0
Z* = 4
Mínimo
<==

X*1 = 0.2
Disminuye X*2=-0,961/2=-0,979795897
Z* = -3,2
Z=2X21-3X22-2X1=-3.2

X21 + X22 < 1 Z = 2X21 - 3X22 - 2X1 = 4

X21 + X22 = 1 2X21 - 3X22 - 2X1 = 4

X1 = 0 X2 = 0 X1 = 0 X2 = 0
X2 = 1 , X2 = -1 X1 = 1 , X1 = -1 -3X22 = 4 2X21 - 2X1 - 4 = 0
P(0,-1) , P(0,1) P(-1,0) , P(1,0) X2 = Imaginario X1 = 2 ; X1 = -1
No corta el eje X2 P(2,0) ; P(-1,0)
P(0,0) => 0 < 1 , Verdad

62 Flaminio Vera
 Programación no lineal

Z = 2X21 - 3X22 - 2X1 = -3,2

2X21 - 3X22 - 2X1 = -3,2
X1 = 0 X2 = 0
-3X22 = -3,2 2X21 - 2X1 + 3,2 = 0
X2 = -1,03279 ; X2 = 1,03279 X1 = Imaginario
P(0;-1,03279) ; P(0;1,03279) No corta el eje X1

Para averiguar el valor Mínimo, resolvemos el siguiente sistema de ecuaciones:

2X21 - 3X22 - 2X1 = -3,2 2X21 - 3X22 - 2X1 = -3,2

X21 + X22 = 1 (3) => 3X21 + 3X22 = 3
5X21 - 2X1 = -0,2

5X21 - 2X1 + 0,2 = 0

X1 = 1/5 = 0,2
Entonces en X21 + X22 = 1
X2 = -(0.96)1/2 = -0,979795897 ; X2 = (0,96)1/2 = 0,979795897
P(0.2 ; -0,979795897) , P(0,2 ; 0,979795897)
Z* = 2X21 - 3X22 - 2X1 = -3,2

Ejemplo 2.5

Minimizar Z = 10(X1 - 4)2 + 20(X2 - 4)2 Fíjese que el área de soluciones

C.S.R. X1 + X2 < 6 factibles está delimitada por
X1 - X2 < 1 líneas rectas, la función obje-
3X1 + X2 > 6 tivo es una familia de elipses
-3X1 + 2X2 < 6 concéntricas, con centro en el
punto P(4,4) y que existe con-
Xj > 0 ; j = 1,2 dición de no negatividad.

X1 + X2 < 6 X1 - X2 < 1 3X1 + X2 > 6 -3X1 + 2X2 < 6

X1 + X2 = 6 X1 - X2 = 1 3X1 + X2 = 6 -3X1 + 2X2 = 6
X1 = 0 X2 = 0 X1 = 0 X2 = 0 X1 = 0 X2 = 0 X1 = 0 X2 = 0
X2 = 6 X1 = 6 X2 = -1 X1 = 1 X2 = 6 X1 = 2 X2 = 3 X1 = -2
P(0,0) => 0 < 6 P(0,0) => 0 < 1 P(0,0) => 0 > 6 P(0,0) => 0 < 6
Verdad Verdad Falso Verdad

En la siguiente gráfica se muestra la función

Z = 10(X1 - 4)2 + 20(X2 - 4)2 objetivo con valores para Z de 0, 5, 15 y
C(h,k) = C(4,4) 80/3. Fíjese que Z aumenta a medida que
Familia de elipses concéntricas se expande la familia de elipses. Estamos
interesados en aquella elipse que menos se
expanda y sea tangente al área de soluciones
factible.

Francisco Chediak 63
Programación no lineal

-3X1 + 2X2 < 6

Z=5
{ 10(X1-4)2+20(X2-4)2=Z
X1+X2=6

Solución óptima Z = 15
Mínimo
X*1 = 8/3 = 2.66
X*2 = 10/3 = 3.33 Z = 80/3 = 26.66
Z* = 80/3 = 26.66
Área de
soluciones
factibles

X1 + X2 < 6

X1 - X2 < 1 3X1 + X2 > 6

En la gráfica se observa que la solución óptima se encuentra en la intersección

de la función objetiva Z = 10(X1 - 4)2 + 20(X2 - 4)2 y la recta X1 + X2 = 6, sis-
tema de ecuaciones dispendioso de solucionar dado que no se conoce el valor
de Z, lo que obliga a considerar el método de los Multiplicadores de Lagrange,
que nos permite obtener analíticamente las coordenadas en donde las dos
funciones son tangentes.

Multiplicadores de Lagrange

Joseph Louis Lagrange (1736 - 1813)

Forma general del problema

Maximice
o Z = f(x1,x2, . . . . ,xn)
Minimice

C.S.R. gi(x1,x2, . . . . ,xn) = bi ; i = 1, . . . , m

64 Flaminio Vera
 Programación no lineal

Características

1. No existe la condición de no negatividad.

2. Todas las funciones son continuas y tienen derivadas al menos de segundo
orden.
3. Las restricciones son ecuaciones o sea igualdades. Son aquellas restricciones
de estricto cumplimiento, en donde la variable de holgura es cero.
4. m < n , el número de ecuaciones es menor al número de variables.

Método de solución
m
1. Definir la función de Lagrange, así: L(x,λ) = f(x) + Σλ [b - g (x)]
i i i
i=1
donde las λi son constantes desconocidas llamadas multiplicadores de La-
grange.

2. Calcule todas las derivadas parciales de la función de Lagrange, hágalas

iguales a cero (0) y resuelva el sistema de ecuaciones para las Xi y las λi

3. Si las restricciones son desigualdades en lugar de igualdades, ignoramos las

restricciones que no sean igualdades, calculamos la solución y averiguamos si
es factible. Si lo es, ese es el óptimo; si no lo es, incluimos las restricciones
violadas, pero, como igualdades y calculamos la nueva solución.

Observación:
Es aplicable para ciertos tipos de problemas pequeños, debido a que el
sistema de ecuaciones por resolver puede ser dispendioso y poco trivial
para obtener los puntos críticos; además, puede ocurrir que el número de
puntos críticos sea elevado, a menudo infinito y se hace no práctico intentar
la identificación de un máximo o un mínimo global.

A continuación se ilustra su aplicación al problema 2.5, que quedó pendiente

para obtener su solución óptima, mediante un método analítico.

Como no hay una restricción que sea una igualdad, entonces, la función de
Lagrange inicial es:

L = 10(X1 - 4)2 + 20(X2 - 4)2

gL gL
Ahora comprobamos que
g x = 20(X1 - 4) = 0 gx = 40(X2 - 4) = 0 ésta presunta solución
1 2
P(4,4) sea factible, que
20X1 - 80 = 0 40X2 - 160 = 0
cumpla con todas las res-
X1 = 4 X2 = 4
tricciones.

Francisco Chediak 65
Programación no lineal

X1 + X2 < 6 X1 - X2 < 1 -3X1 - X2 < -6 -3X1 + 2X2 < 6

4+4<6 4-4<1 -3(4) - 4 < -6 -3(4) + 2(4) < 6
8<6 0<1 -16 < -6 -4 < 6
Falso Verdad Verdad Verdad

Como la primera restricción no se satisface con la actual solución, entonces,

la adicionamos como una ecuación, reduciéndose el problema a:

Min Z = 10(X1 - 4)2 + 20(X2 - 4)2

Ahora, construimos la función de
C.S.R. X1 + X2 = 6
Lagrange
Xj > 0 ; j = 1,2

L = 10(X1 - 4)2 + 20(X2 - 4)2 + λ(6 - X1 - X2)

gL 20X1 - λ = 80
g x = 20(X1 - 4) - λ = 0 40X2 - λ = 160
1
X1 + X2 = 6
gL
=> =>
gx = 40(X2 - 4) - λ = 0 λ =20X1 - 80 = 40X2 - 160
2

gL 20X1 - 40X2 = -80

X1 - 2X2 = -4
g λ = X1 + X2 = 6

X1 - 2X2 = -4
X2 = 6 - X1
X1 - 2X2 = -4 2X1 + 2X2 = 12
X1 + X2 = 6
(2) => => X2 = 6 - 8/3
3X1 = 8 X*2 = 10/3
X*1 = 8/3

λ* = 20(8/3) - 80 = - 80/3

Z* = 10(8/3 - 4)2 + 20(10/3 - 4)2 = 80/3

X*1 = 8/3 = 2,66

Solución óptima (minimizar) al problema es: X*2 = 10/3 = 3,33
Z* = 80/3 = 26,66

Aquí, una buena pregunta es: ¿Cuáles son los valores que maximizan la función
objetivo?

Para responderla, recurrimos a la siguiente gráfica y observamos que el últi-

mo, punto a la izquierda del área de soluciones factibles, que toca la elipse a
medida que se expande, se encuentra en la intersección de la rectas: 3X1 + X2
=6 yX -X =1
1 2

66 Flaminio Vera
 Programación no lineal

X2

Solución óptima
Máximo
X*1 = 7/4 = 1,75
X*2 = 3/4 = 0,75
Z = 2.095/8 = 261,875
*

X1

3X1 + X2 = 6 X2 = 7/4 - 1 Z* = 10(7/4 - 4)2 + 20(3/4 - 4)2

X1 - X2 = 1 Z* = 2.095/8 = 261,875
X*2 = 3/4 = 0,75
4X1 =7
X*1 = 7/4 = 1,75

Ejemplo 2.6

Containers S.A. fabrica contenedores sobre pedido y acaba de recibir un

estudio de una compañía británica para contenedores rectangulares de seis
lados, reutilizables, hechos de una lámina especial de fibra. El volumen de cada
contenedor debe ser, al menos de 12.000 cm3. Las restricciones de embarque
de estos contenedores, en Inglaterra, requieren que la suma de sus dimen-
siones no exceda de 72 cm. y que cada una de las dimensiones (largo, ancho y
alto), no exceda de 40 cm. La compañía británica ya tuvo una oferta de $8,20
por contenedor. La Presidencia de Containers S.A. le ha preguntado a Usted,
gerente de la división de investigación de operaciones y sistemas, si la compañía
puede obtener estos contenedores menos costosos y seguir obteniendo una
ganancia del 25% por contenedor, siendo que los costos de trabajo y otros
costos variables son de $1 por contenedor. ¿Se puede hacer una oferta por
el contenedor, si el costo por metro cuadrado de lámina de fibra es de $20?

Solución:

XL = Largo en cmts. XW = Ancho en cmts. XH = Alto en cmts

Costo de la materia prima (lámina) = $20/mt2 = $0,002/cm2

Francisco Chediak 67
Programación no lineal

Costo total de material por contenedor

0,002(2)XWXH + 0,002(2)XLXH + 0,002(2)XWXL
XH

Min Z = 0,004XWXH + 0,004XLXH + 0,004XWXL

XL C.S.R.
XW XLXWXH > 12.000 Mínimo volumen del contenedor
XL + XW + XH < 72 La suma de las dimensiones no
debe exceder de 72 cm.
XL < 40
Cada dimensión no debe
XW < 40
exceder de 40 cm.
XH < 40
XL,XW,XH > 0
La ecuación inicial de Lagrange es:
L(XL,XW,XH) = 0,004XWXH + 0,004XLXH + 0,004XWXL
gL
gx = 0,004XH + 0,004XL = 0 => XH + XL = 0 => XH = -XL
W XW = XL
gL
g x = 0,004XH + 0,004XW = 0 => XH + XW = 0 => XH = -XW

=>
L
gL XW - XL = 0
gx = 0,004XW + 0,004XL = 0 => XW + XL = 0 XW + XL = 0
H
2XW 0
Luego XL = XH = 0
XW = 0
Comprobamos si ésta solución inicial XW = XL = XH = 0 es o no factible.

XLXWXH > 12.000 XL + XW + XH < 72 XL < 40 XW < 40 XH < 40

0 > 12.000 0 < 72 0 < 40 0 < 40 0 < 40
Falso Verdad Verdad Verdad Verdad
Incluimos en la función de Lagrange la primera restricción

L(XL,XW,XH) = 0,004XWXH + 0,004XLXH + 0,004XWXL + λ(12.000 - XLXWXH)

gL
0,004XH + 0,004XW
gx = 0,004XH + 0,004XW - λXWXH = 0 => λ = 
L XWXH

gL 0,004XH + 0,004XL
gx = 0,004XH + 0,004XL - λXLXH = 0 => λ =  
W
XLXH
gL 0,004XW + 0,004XL
gx = 0,004XW + 0,004XL - λXLXW = 0 => λ = 
H
XLXW
gL
g = XL XW XH = 12.000
λ

68 Flaminio Vera
 Programación no lineal

0,004XH + 0,004XW 0,004XH + 0,004XL

= => XL = XW
XWXH XLXH
Luego XL = XW = XH
0,004XH + 0,004XL 0,004XW + 0,004XL
= => XW = XH
XLXH XLXW

Entonces:
XLXWXH = 12.000
X*L = (12.000)1/3 = 22,89 cmts.
XLXLXL = 12.000
X3L = 12.000
=> X*W = (12.000)1/3 = 22,89 cmts.
X*H = (12.000)1/3 = 22,89 cmts.
XL = (12.000)1/3

Ahora, todas las restricciones se cumplen.

XLXWXH > 12.000 => (12.000)3/3 > 12.000 => 12.000 > 12.000 Verdad!
XL + XW + XH < 72 => 3(12.000)1/3 < 72 => 68,68 < 72 Verdad!
XL < 40 => 22,89 < 40 Verdad !
XW < 40 => 22,89 < 40 Verdad !
XH < 40 => 22,89 < 40 Verdad !
El costo total mínimo de los materiales por contenedor es:

Z* = 0,004(XWXH + XLXH + XWXL) = 0,004(3)(12.000)2/3 = $6,2897

El costo total mínimo por contenedor es de: $6,2897 + $1 = $7,2897

Luego, el precio a proponer por contenedor, incluyendo una ganancia del 25%
es $7,2897(1,25) = $9,1121 que es mayor que el ofrecido por la competencia:
$8 por contenedor.

Se recomienda no producir el contenedor.

Ejemplo 2.7

Una compañía de computadores ensambla dos modelos A y B. Si cobra un precio

p1 por computador A y p2 por computador B, pueden vender q1 y q2 computadores
de los modelos A y B, respectivamente, en donde q1 = 4.000 - 10p1 + p2 y q2 =
2.000 - 9p2 + 0,8p1
Producir un computador tipo A, requiere 2 horas de trabajo y 3 chips de
computador, mientras que producir un computador tipo B, requiere 3 horas
de trabajo y 1 chip de computador. Actualmente, se disponen de 5.000 horas
de trabajo y 4.500 chips.
a) Formule el problema como un modelo de programación no lineal
b) Empleando los multiplicadores de Lagrange, encuentre la política óptima
de precios.
c) ¿Cuál es el precio máximo que se puede pagar por una hora adicional de
trabajo? y ¿Cuál es el precio máximo que se puede pagar por un chip adicional?

Francisco Chediak 69
Programación no lineal

Solución:

qj = Unidades a producir y vender del tipo de computador j-ésimo (j = 1 =

computador tipo A, j = 2 = computador tipo B)

pj = Precio de venta por unidad del computador tipo j-ésimo (j = 1 =

computador tipo A, j = 2 = computador tipo B)

Maximizar Z = p1q1 + p2q2

C.S.R.
2q1 + 3q2 < 5.000 Restricción debida a la cantidad de horas de trabajo
disponibles.
3q1 + q2 < 4.500 Restricción debida a la cantidad de chips disponibles.

qj > 0 , j = 1,2 ; pj > 0 , j = 1,2 Restricciones de no negatividad.

Como q1 = 4.000 - 10p1 + p2 y q2 = 2.000 - 9p2 + 0,8p1 , entonces:

Maximizar Z = p1(4.000 - 10p1 + p2) + p2(2.000 - 9p2 + 0,8p1)

C.S.R.
2(4.000 - 10p1 + p2) + 3(2.000 - 9p2 + 0,8p1) < 5.000
3(4.000 - 10p1 + p2) + (2.000 - 9p2 + 0,8p1) < 4.500
=> Simplificando

pj > 0 , j = 1,2

Maximizar Z = 4.000p1 - 10p21 + 1,8p1p2 + 2.000p2 - 9p22

C.S.R.
-17,6p1 - 25p2 < -9.000
-29,2p1 - 6p2 < -9.500
pj > 0 , j = 1,2

Función de Lagrange: L = 4.000p1 - 10p21 + 1,8p1p2 + 2.000p2 - 9p22

gL
g p = 4.000 - 20p1 + 1,8p2 = 0 (10)
200p1 - 18p2 = 40.000
1

gL
=> -1,8p1 + 18p2 = 2.000
198,2p1 = 42.000
g p = 1,8p1 + 2.000 - 18p2 = 0 (-1)
2 p1 = 211,9
Luego p2 = [2.000 + 1,8(211,9)]/18 => p2 = 132,3

En atención a que el problema es de dos variables, construimos su gráfica, para

comprender mejor los resultados, que analíticamente estamos encontrando.

70 Flaminio Vera
 Programación no lineal

29,2p1 + 6p2 > 9.500

Z = 300.000 Área de
soluciones
Z = 400.000
factibles

Z = 488.360,18

Solución óptima
Máximo
p*1 = 292,81
p*2 = 158,32
Z = $488.360,18
*

17,6p1 + 25p2 > 9.000

Fíjese que la solución inicial p1 = 211,9 , p2 = 132,3 son las coordenadas de la

familia de elipses concéntricas y por supuesto, no es una solución factible, ya
que no se encuentra dentro del área de soluciones factibles; esto, se puede
comprobar analíticamente mediante las restricciones (comprobar si la solución
es o no factible).

-17,6p1 - 25p2 < -9.000 -29,2p1 - 6p2 < -9.500

-17,6(211,9) - 25(132,3) < -9.000 -29,2(211,9) - 6(132,3) < -9.500
-7.036,94 < -9.000 -6.981,28 < -9.500
Falso ! Falso !

Fíjese en la gráfica, que entre más pequeña es la elipse, el valor de Z es

mayor. Nos interesa conocer el valor de Z, para la elipse que sea tangente al
área de soluciones factibles y que sea la más pequeña posible. Visualmente,
se presenta la duda, de que si dicho punto es la intersección entre las dos
rectas o si dicha intersección, se encuentra sobre la recta correspondiente
a la segunda restricción.

En atención a que analíticamente, ninguna de las restricciones es factible con

la solución inicial, adicionamos ambas restricciones, pero, como igualdades.
Entonces, la nueva función de Lagrange es:

Francisco Chediak 71
Programación no lineal

L = 4.000p1 - 10p21 + 1.8p1p2 + 2.000p2 - 9p22 + λ1(-9.000 + 17,6p1 + 25p2) + λ2(-

9.500 + 29,2p1 + 6p2)

gL
g p = 4.000 - 20p1 + 1,8p2 + 17,6λ1 + 29,2λ2 = 0
1

gL
g p = 1,8p1 + 2.000 - 18p2 + 25λ1 + 6λ2 = 0 -105,6p1 - 150p2 = -54.000
2 730p1 + 150p2 = 237.500
gL 624,4p1 = 183.500
g λ = 17,6p1 + 25p2 = 9.000 (-6) p1 = 293,88
1
=> Entonces
gL
g λ = 29,2p1 + 6p2 = 9.500 (25)
p2 =
9.500 - 29,2(293,88)
2
6
P2 = 153,1

Reemplazando los valores de p1 y p2 en las dos primeras ecuaciones, obtenemos

los valores de λ1 y λ2 , así:

4.000 - 20(293,88) + 1,8(153,1) + 17,6λ1 + 29,2λ2 = 0

1,8(293,88) + 2.000 - 18(153,1) + 25λ1 + 6λ2 = 0 =>
17,6λ1 + 29,2λ2 = 1.602 (-6)
25λ1 + 6λ2 = 226,8 (29,2) =>

-105,6λ1 - 175,2λ2 = -9.612

730λ1 + 175,2λ2 = 6.622,5
624,4 λ1 = -2.989,5 Como λ1 < 0 , se sugiere eliminar la primera
restricción de la función de Lagrange,
λ1 = -4,78 quedando de la siguiente manera:
λ2 = 57,72

L = 4.000p1 - 10p21 + 1,8p1p2 + 2.000p2 - 9p22 + λ2(-9.500 + 29,2p1 + 6p2)

gL
g p = 4.000 - 20p1 + 1,8p2 + 29,2λ2 = 0
1

gL
g p = 1,8p1 + 2.000 - 18p2 + 6λ2 = 0
2

gL
g λ = 29,2p1 + 6p2 = 9.500
2

De las dos primeras restricciones, concluimos que:

72 Flaminio Vera
 Programación no lineal

-4.000 + 20p1 - 1,8p2 -2.000 - 1,8p1 + 18p2

λ2 = =
29,2 6
-24.000 + 120p1 - 10,8p2 = -56.400 - 52,56p1 + 525,6p2

Luego, con la tercera ecuación se tiene el siguiente sistema de ecuaciones

172,56p1 - 536,4p2 = -34.400 (6)

29,2p1 + 6p2 = 9.500 (536,4)

1.035,36p1 - 3.218,4p2 = -206.400

15.662,88p1 + 3.218,4p2 = 5’095.800
16.698,24p1 = 4’889.400

p*1 = 292,81 y p*2 = 158,32

Entonces:
-2.000 - 1,8p1 + 18p2 Valor máximo que se paga por un chip
λ∗2 = = $53,78
6 adicional.
Como λ∗1 = 0 => No se deben aumentar las horas de trabajo
Por último:
q*1 = 4.000 - 10(292,81) + 158,32 = 1.230,22
q*2 = 2.000 - 9(158,32) + 0,8(292,81) = 809,37

Z* = 292,81(1.230,22) + 158,32(809,37) = $488.360,18

Además, fíjese que ahora la primera restricción se satisface.

-17,6(292,81) - 25(158,32) < -9.000

-9.111,46 < -9.000 Verdad !

A continuación, se ilustra el uso del Software Advanced Grapher en su

versión 2.02 que se puede bajar de http://www.serpik.com/agrapher/.
Sirve para graficar las ecuaciones de primer y segundo grado. El
software viene con soporte para el idioma español; es amigable y de
gran ayuda para resolver problemas de programación no lineal.

Es importante, al entrar por primera vez al programa, configurar las

«propiedades del documento» y «las propiedades gráficas por default»,
opciones que se encuentran bajo el menú desplegable de «gráfica». Para el tipo
de problema que se maneja, frecuentemente, en investigación de operaciones,
se recomienda fijar en propiedades gráficas por default, la opción de introducir
las funciones de la forma: f(x,y) > l=l < 0, denominada ecuación o desigualdad.

Francisco Chediak 73
Programación no lineal

Propiedades del documento Agregar gráfica Duplicar gráfica

Para adicionar una gráfica de una función, dé clic sobre el icono +F y

aparecerá la siguiente ventana de diálogo para introducir la función y
las características de color, tipo de línea, etc., que el usuario desea
para su gráfica.

La sintaxis de algunas funciones es:

5*X+3Y-5=0
4*X^2+3*Y^2-9=0
4000*X-10*X^2+1.8*X*Y+2000*Y-
9*Y^2-30=0
10*(X-4)^2+20*(Y-4)^2-261.875=0

Fíjese que el término independiente

se ha colocado al lado izquierdo de
la ecuación, por supuesto, con signo
contrario.

También, se pueden duplicar las

gráficas y en el proceso, cambiar el
término independiente; esta opción
es útil para graficar varias funciones
objetivo.

Al lado izquierdo de la gráfica, aparece

la ventana de «lista de gráficos», útil
para activar o desactivar gráficas de
las funciones, a gusto del usuario,
que permite identificar las funciones
sobre la gráfica.

Se pueden producir gráficas muy completas como la que se muestra a

continuación. De hecho, todas las gráficas de éste libro han sido producidas
inicialmente, en éste software y se les ha hecho un tratamiento adicional en
el Paint y el Photoshop.

74 Flaminio Vera
 Programación no lineal

Con ésta muy breve introducción al software, el lector puede leer más detalles
del funcionamiento del programa, en el Help del mismo.

El software WinQsb dispone de un módulo dedicado a la programación

no lineal que el lector debe explorar mediante los ejemplos que él trae.

Condiciones de Karush-Kuhn-Tucker

Características

1. Es una extensión de los multiplicadores de Lagrange.

2. Es útil para identificar si una solución sospechada es óptima.
3. Es un grupo de criterios o condiciones que tienen que ser satisfechos por
las X*j sospechadas.
4. Tiene un corolario, que si se cumple, el cumplir las condiciones de KKT es
suficiente para asegurar que realmente las X*j, son óptimas.

Francisco Chediak 75
Programación no lineal

Teorema de Karush-Kuhn-Tucker (KKT)

Una solución óptima sospechada X* a un problema de programación no lineal,

puede ser las solución óptima verdadera, si existen m números no negativos λi
; i = 1,2, . . . , m tales, que satisfagan las condiciones siguientes:

g f(x*)
= gx , Si X*j > 0
m
g g (x*)
1. y 2. Σ λi i
gx
j
j = 1,2, . . . , n
i=1 j
g f(x*)
> , Si X*j = 0
gx
j

= 0 , Si λi > 0
i = 1,2, . . . , m
3. y 4. gi(x ) - bi
*

< 0 , Si λi = 0

λi > 0 Indica que la i-ésima restricción es limitante o equivalente, que

XRi = 0, donde XRi es la i-ésima variable de holgura o relleno.

λi = 0 Indica que la i-ésima restricción puede que no sea limitante o

equivalente, que XRi > 0.

5. Xj > 0 , j = 1,2, . . . , n

6. λi > 0 , i = 1,2, . . . , m

Corolario: Si además, la f(x*) es cóncava y las gi(x) son convexas, el cumplir

con las condiciones anteriores, asegura que la solución X* es óptima.

Caso especial: Si todas las restricciones son lineales: Σaijxj < = > bi , i = 1,2,...,m

m g g (x*) m
Σ λi i
gx = Σ λi a ij
i=1 j i=1

Recordemos que:

f(x1,x2, . . . ,xn) es una función convexa si, para cada par de puntos que pertenecen
a f(x1,x2, . . . ,xn), el segmento de recta que los une se encuentra completamente
arriba o pertenece a f(x1,x2, . . . ,xn). Es una función estrictamente convexa si
este segmento de recta está por completo arriba de la gráfica, excepto por
los puntos extremos del segmento.

76 Flaminio Vera
 Programación no lineal

f(x1,x2, . . . ,xn) es una función cóncava si, para cada par de puntos que pertenecen
a f(x1,x2, . . . ,xn), el segmento de recta que los une se encuentra completamente
abajo o pertenece a f(x1,x2, . . . ,xn). Es una función estrictamente cóncava si
este segmento de recta está por completo abajo de la gráfica, excepto por
los puntos extremos del segmento.

Función
Función estrictamente
convexa convexa

Función
Función estrictamente
cóncava cóncava

Función
Función
cóncava
no cóncava
ó
ni convexa
convexa

Lo anterior se resume en el siguiente cuadro:

Prueba de convexidad y de concavidad para una función de dos variables

Estrictamente Estrictamente
Expresión Convexa Cóncava
Convexa Cóncava
g 2f g 2f g 2f 2
- g >0 >0 >0 >0
g x2 g x2
1 2
x1 g x2

g 2f
g x2 >0 >0 <0 <0
1

g 2f
g x2 >0 >0 >0 <0
2

Para todos los valores posibles de X1 , X2

Francisco Chediak 77
Programación no lineal

Ejemplo 2.8

Minimizar Z = 10(X1 - 4)2 + 20(X2 - 4)2

C.S.R. X1 + X2 < 6
X1 - X2 < 1 Demuestre que X*1 = 8/3 , X*2 = 10/3 ,
3X1 + X2 > 6 son la solución óptima.
-3X1 + 2X2 < 6
Xj > 0 , j = 1,2

Expresamos el problema de la forma standard, así:

Maximizar Z = -10(X1 - 4)2 - 20(X2 - 4)2
C.S.R. X1 + X2 < 6 (λ1)
X1 - X2 < 1 (λ2)
-3X1 - X2 < -6 (λ3)
-3X1 + 2X2 < 6 (λ4)
Xj > 0 , j = 1,2

Corolario

gz gz
= -20(X1 - 4) g = -40(X2 - 4)
gx x2
1

g 2z g2z
= -20 g = -40
g x2 x22
1

g 2z g 2z
gx g x =0 g x gx = 0
1 2 2 1

g 2f g 2f g2
∆ = g 2 g 2 - g gf = (-20)(-40) - (0)(0) = 800 > 0
2

x1 x2 x1 x2

g 2z
g x2 = -20 < 0 para cualquier valor de X1 , X2
1

g 2z
= -40 < 0 para cualquier valor de X1 , X2
g x2
2

Luego, observando la quinta columna de la tabla resumen de Prueba de

convexidad y de concavidad para una función de dos variables, podemos concluir
que la función objetiva es estrictamente cóncava.

78 Flaminio Vera
 Programación no lineal

Como cada una de las restricciones es una línea recta, podemos asumir que,
cada una de ellas, es cóncava o convexa; para nuestro caso, decimos que, cada
una de ellas, es una función convexa. Además, fíjese que el conjunto solución
de las restricciones es un conjunto convexo.

Luego, queda demostrado el corolario, por lo que cualquier solución que satisfaga
las condiciones de KKT será, definitivamente, una solución óptima.

λ1 + λ2 - 3λ3 - 3λ4 = -20X1 + 80

De las condiciones 1 y 2:
λ1 - λ2 - λ3 + 2λ4 = -40X2 + 160

De las condiciones 3 y 4:

X1 + X2 < 6 X1 - X2 < 1 -3X1 - X2 < -6 -3X1 + 2X2 < 6

8/3 + 10/3 < 6 8/3 - 10/3 < 1 -3(8/3) - 10/3 < -6 -3(8/3) + 2(10/3) < 6
18/3 < 6 -2/3 < 1 -34/3 < -6 -4/3 < 6
6<6 XR3 > 0 XR4 > 0
XR1 = 0 XR2 > 0 λ3 = 0 λ4 = 0
λ1 > 0 λ2 = 0
Restricción
de estricto
cumplimiento

Luego λ1 > 0 y λ2 = λ3 = λ4 = 0

Reemplazando en las ecuaciones resultantes de las condiciones 1 y 2

λ1 + λ2 - 3λ3 - 3λ4 = -20X1 + 80 λ1 - λ2 - λ3 + 2λ4 = -40X2 + 160

λ1 + 0 - 3(0) - 3(0) = -20X1 + 80 λ1 + 0 - 0 + 2(0) = -40X2 + 160
λ1 = -20X1 + 80 λ1 = -40X2 + 160
Entonces, el sistema de ecuaciones que se debe satisfacer con la solución
óptima sospechada es:

20X1 + λ1 = 80
40X2 + λ1 = 160
X1 + X2 = 6

De la primera ecuación: λ1 = 80 - 20(8/3) = 80/3

De la segunda ecuación: λ1 = 160 - 40(10/3) = 80/3

Por último, en las condiciones 5 y 6, es trivial que X*1 = 8/3 > 0 ; X*2 = 10/3 >
0 ; λ1 = 80/3 > 0 ; λ2 = λ3 = λ4 = 0 todos > 0

Por lo tanto, el sistema se satisface con la solución propuesta y la solución

óptima, efectivamente, es: X*1 = 8/3 ; X*2 = 10/3 ; Z* = 80/3

Francisco Chediak 79
Programación no lineal

Ejemplo 2.9

Empleando las condiciones de KKT, demuestre que p1 = 293.88 , p2 = 153.1 no

es solución óptima al siguiente problema de programación no lineal.
Maximizar Z = 4.000p1 - 10p21 + 1,8p1p2 + 2.000p2 - 9p22
C.S.R.
-17,6p1 - 25p2 < -9.000 (λ1)
-29,2p1 - 6p2 < -9.500 (λ2)
pj > 0 , j = 1,2

Corolario:
gz gz
gp = 4.000 - 20p1 + 1,8p2 gp = 1,8p1 + 2.000 - 18p2
1 2

g 2z g 2z
= -20 < 0 g p2 = -18 < 0
g p2
1 2

g 2z g 2z
g p g p = 1,8 g p g p = 1,8
1 2 2 1

Matriz Hessiana H(X):

g 2z g 2z
g p2 gp g p g 2z g 2z
1 g 2z g 2z
∆ = H(x) = 1 2
= -
g 2z g 2z g p2 g p2 gp g p gp g p
1 2 1 2 2 1
gp g p g p2
2 1 2

∆ = (-20)(-18) - (1,8)(1,8) = (-20)(-18) - (1,8)2 = 356,76 > 0 ; de esta forma, la

función objetivo es estrictamente cóncava.
Las restricciones por ser líneas rectas las podemos considerar cóncavas
o convexas. Para nuestro caso, las consideraremos convexas. Siendo cada
restricción convexa, el sistema de inecuaciones convexas forma un conjunto
convexo. Luego el corolario se cumple y al cumplir las condiciones de KKT, se
asegura que se trata de una solución óptima.
De las condiciones 1 y 2 de KKT:
-17,6λ1 - 29,2λ2 = 4.000 - 20p1 + 1,8p2
-25λ1 - 6λ2 = 1,8p1 + 2.000 - 18p2
De las condiciones 3 y 4

-17,6(293,88) - 25(153,1) < -9.000 -29,2(293,88) - 6(153,1) < -9.500

-9.000 < -9.000 -9.500 < -9.500
XR1 = 0 => λ1 > 0 XR2 = 0 => λ2 > 0

80 Flaminio Vera
 Programación no lineal

Entonces, se debe satisfacer el siguiente sistema de ecuaciones:

20p1 - 1,8p2 - 17,6λ1 - 29,2λ2 = 4.000
-1,8p1 + 18p2 - 25λ1 - 6λ2 = 2.000
17,6p1 + 25p2 = 9.000
29,2p1 + 6p2 = 9.500

20(293,88) - 1,8(153,1) - 17,6λ1 - 29,2λ2 = 4.000

17,6λ1 + 29,2λ2 = 1.602,02
-1,8(293,88) + 18(153,1) - 25λ1 - 6λ2 = 2.000
25λ1 + 6λ2 = 226,816
Resolvemos el siguiente sistema de ecuaciones de dos variables y dos ecuaciones.

17,6λ1 + 29,2λ2 = 1.602,02 (-6) λ1 = -4,78

25λ1 + 6λ2 = 226,816 (29,2) λ2 = 57,72

Luego λ1 < 0 y no cumple la condición 5 de KKT (λi > 0). Por lo tanto concluimos
que la solución sospechada no es óptima.

Ejemplo 2.10

Empleando las condiciones de KKT, demuestre que p1 = 292,81 , p2 = 158,32 es

solución óptima al siguiente problema de programación no lineal.

Maximizar Z = 4.000p1 - 10p21 + 1,8p1p2 + 2.000p2 - 9p22

C.S.R.
-17,6p1 - 25p2 < -9.000 (λ1)
-29,2p1 - 6p2 < -9.500 (λ2)
pj > 0 , j = 1,2

Corolario:
gz gz
gp = 4.000 - 20p1 + 1,8p2 gp = 1,8p1 + 2.000 - 18p2
1 2

g 2z g 2z
g p2 = -20 < 0 g p2 = -18 < 0
1 2

g 2z g 2z
g p g p = 1,8 g p g p = 1,8
1 2 2 1

Francisco Chediak 81
Programación no lineal

Matriz Hessiana H(X):

g 2z g 2z
g p2 gp g p g 2z g 2z
1 g 2z g 2z
∆ = H(x) = 1 2
=
g 2z g 2z g p2 g p2 - gp g p gp g p
1 2 1 2 2 1
gp g p g p2
2 1 2

∆ = (-20)(-18) - (1,8)(1,8) = (-20)(-18) - (1,8)2 = 356,76 > 0 ; por consiguiente,

la función objetivo es estrictamente cóncava.

Las restricciones por ser líneas rectas las podemos considerar cóncavas
o convexas. Para nuestro caso las consideraremos convexas. Siendo cada
restricción convexa, el sistema de inecuaciones convexas forma un conjunto
convexo. Luego, el corolario se cumple y al cumplir las condiciones de KKT,
asegura que se trata de una solución óptima.

De las condiciones 1 y 2 de KKT:

-17,6λ1 - 29,2λ2 = 4.000 - 20p1 + 1,8p2
-25λ1 - 6λ2 = 1,8p1 + 2.000 - 18p2

De las condiciones 3 y 4

-17,6(292,81) - 25(158,32) < -9.000 -29,2(292,81) - 6(158,32) < -9.500

-9.111,456 < -9.000 -9.500 < -9.500
XR1 > 0 => λ1 = 0 XR2 = 0 => λ2 > 0

Luego las ecuaciones de las condiciones 1 y 2 se simplifican y el sistema de

ecuaciones que se debe satisfacer con la solución sospechada, es:

20p1 - 1,8p2 - 29,2λ2 = 4.000

-1,8p1 + 18p2 - 6λ2 = 2.000
29,2p1 + 6p2 = 9.500

De las dos primeras restricciones:

λ2 = 20(292,81) - 1,8(158,32) - 4.000 = 53,8 λ1 = 0

29,2 λ2 = 53,8

λ2 = -1,8(292,81) + 18(158,32) - 2.000 = 53,8

6

Se satisface el sistema de ecuaciones para valores positivos de λ2 ; entonces,

la solución sospechada es una solución óptima.

82 Flaminio Vera
 Programación no lineal

Programación cuadrática

Características

1. La función objetivo debe ser cuadrática.

2. Las restricciones deben ser lineales.
3. Difiere de las programación lineal, solamente, en que la función objetivo
también incluye términos en X2j y XjXk

Formulación general del problema

Encontrar X1,X2, . . . ,Xn tales que:

n n n

Maximice Z = ∑cjxj - 1/2∑∑qjkxjxk

j=1 j=1 k=1
n
C.S.R. ∑ aijxj ≤ bi Para i = 1,2, . . . , m
j=1

Xj > 0 ; j = 1,2, . . . ,n

Donde los qjk = qkj y son constantes.

Algoritmo de Philip Wolfe

Este algoritmo empieza aplicando las condiciones de Karush-Kuhn-Tucker y se

ilustrará mediante el siguiente ejemplo:

2.11 Resolver el siguiente problema de programación cuadrática.

Maximice Z = 15X1 + 30X2 + 4X1X2 - 2X21 - 4X22

C.S.R. X1 + 2X2 < 30 (λ)

Xj > 0 ; j = 1, 2
De las condiciones 1 y 2 de Karush-Kuhn-Tucker

λ = 15 + 4X2 - 4X1 ; Si X1 > 0

λ > 15 + 4X2 - 4X1 ; Si X1 = 0 De éstas dos ecuaciones la más general es:
4X1 - 4X2 + λ > 15 Restando una variable de holgura, tenemos:
4X1 - 4X2 + λ - H1 = 15
(H1)(X1) = 0 ; Sólo una de las dos, podrá ser
Si H1 = 0 => X1 > 0 => variable básica. Condición de complementarie-
Si H1 > 0 => X1 = 0 dad adicional o regla de entrada restringida.

Francisco Chediak 83
Programación no lineal

Como H1 no sirve como variable básica, entonces, adicionamos una variable

artificial o de superávit.

4X1 - 4X2 + λ - H1 + A1 = 15

De la misma manera:
2λ = 30 + 4X1 - 8X2 Si X2 > 0
2λ > 30 + 4X1 - 8X2 Si X2 = 0 La ecuación más general es:

-4X1 + 8X2 + 2λ > 30

Establecemos la igualdad, restando una variable de holgura (H2) al lado iz-

quierdo de la restricción.

-4X1 + 8X2 + 2λ - H2 = 30

Si la variable de holgura (H2) es igual a cero (0), la ecuación provino de la

igualdad. Esto, se expresa así: Si H2 = 0 => X2 > 0.

Si la variable de holgura (H2) es diferente de cero (0), la ecuación provino de

la desigualdad. Esto, se expresa así: Si H2 > 0 => X2 = 0.

Las anteriores dos deducciones se pueden expresar como: (H2)(X2) = 0, que

en el método simplex significa que las dos variables no pueden estar al mismo
tiempo en la base. Esto quiere decir, que al escoger la variable para entrar,
debemos observar si su compañera está o no en la base. Si está en la base, no
podrá ser escogida para entrar y procedemos a escoger la siguiente variable
posible.

Ahora, escogemos variable básica para ésta ecuación. Como H2 asume un valor
no positivo (H2 = -30), debemos acudir a adicionar una variable artificial (A2)
o de superávit que sirva como variable básica.

-4X1 + 8X2 + 2λ - H2 + A2 = 30 (H2)(X2) = 0

Condición de entrada restringida
H2 = Variable de holgura o de relleno de la segunda restricción
A2 = Variable artificial o de superávit de la segunda restricción

De las condiciones 3 y 4 de Karush-Kuhn-Tucker (KKT)

X1 + 2X2 = 30 Si λ > 0
X1 + 2X2 < 30 Si λ = 0

X1 + 2X2 + H3 = 30 Si H3 = 0 => λ > 0

(H3)(λ) = 0
Si H3 > 0 => λ = 0

84 Flaminio Vera
 Programación no lineal

Ahora, formulamos el problema de programación lineal.

Minimizar Z = A1 + A2

Minimizar la sumatoria de las variables artificiales, por supuesto, que si el

problema tiene solución factible, entonces Z deberá ser igual a cero (0) en
el óptimo, ya que ninguna variable artificial puede ser diferente de cero (0).
Si en el óptimo, Z es diferente de cero, el problema no tiene solución.

Nota: Recuerde el método de las dos (2) fases, en programación lineal.

C.S.R. 4X1 - 4X2 + λ - H1 + A1 = 15

-4X1 + 8X2 + 2λ - H2 + A2 = 30
X1 + 2X2 + H3 = 30

Xj > 0 , j = 1,2 ; λ > 0 ; Hj > 0 , j = 1,2,3 , Aj > 0 ; j = 1,2

(H1)(X1) = 0
(H2)(X2) = 0
(H3)(λ) = 0
} (H1)(X1) + (H2)(X2) + (H3)(λ) = 0

Restricción de complementariedad adicional

o
Regla de entrada restringida
Cj → 0 0 0 0 0 0 1 1
b/a
↓ V.B. b X1 X2 λ H1 H2 H3 A1 A2
1 A1 15 4 -4 1 -1 0 0 1 0 no
1 A2 30 -4 8 2 0 -1 0 0 1 30/8 → (1/8)
0 H3 30 1 2 0 0 0 1 0 0 30/2
Zj -Cj 45 0 4 3 -1 -1 0 0 0
↑ (no)
Cj → 0 0 0 0 0 0 1 1
b/a
↓ V.B. b X1 X2 λ H1 H2 H3 A1 A2
1 A1 30 2 0 2 -1 -1/2 0 1 1/2 15
0 X2 30/8 -1/2 1 1/4 0 -1/8 0 0 1/8 no (4) (-2)
0 H3 90/4 2 0 -1/2 0 1/4 1 0 -1/4 45/4 → (1/2)
Zj -Cj 30 2 0 2 -1 -1/2 0 0 -1/2
↑ (no) (no)
Cj → 0 0 0 0 0 0 1 1
b/a
↓ V.B. b X1 X2 λ H1 H2 H3 A1 A2
1 A1 15/2 0 0 5/2 -1 -3/4 -1 1 3/4 3 → (2/5)
0 X2 75/8 0 1 1/8 0 -1/16 1/4 0 1/16 75
0 X1 45/4 1 0 -1/4 0 1/8 1/2 0 -1/8 no (1/2) (-2)
Zj -Cj 15/2 0 0 5/2 -1 -3/4 -1 0 -1/4
↑ (no) (no)

Francisco Chediak 85
Programación no lineal

Cj → 0 0 0 0 0 0 1 1
↓ V.B. b X1 X2 λ H1 H2 H3 A1 A2
0 λ1 3 0 0 1 -2/5 -3/10 -2/5 2/5 3/10
0 X2 9 0 1 0 1/20 -1/40 3/10 -1/20 1/40
0 X1 12 1 0 0 -1/10 1/20 2/5 1/10 -1/20
Zj -Cj 0 0 0 0 0 0 0 -1 -1

Solución: X*1 = 12 λ=3 H*1 = H*2 = H*3 = 0

X*2 = 9
Z* = 0 A*1 = A*2 = 0

Solución al problema original: X*1 = 12 , X*2 = 9

Z* = 15(12) + 30(9) + 4(12)(9) - 2(12)2 - 4(9)2

Z* = 270

PROBLEMAS PROPUESTOS

Empleando el método gráfico y los multiplicadores de Lagrange, halle el valor

máximo de Z, sujeta a cada restricción dada.
2.1 Z = XY 2.2 Z = 2XY 2.3 Z = 4 - X2 - Y2 2.4 Z = 3 - X2 - Y2
c.s.r. c.s.r. c.s.r. c.s.r.
2X + Y = 8 4X + Y = 16 X + 2Y = 10 X + 6Y = 37
Solución: Solución: Solución: Solución:
Z* = 8 Z* = 32 Z* = -16 Z* = -34
X* = 2 X* = 2 X* = 2 X* = 1
Y* = 4 Y* = 8 Y* = 4 Y* = 6
λ =2 λ = 4 λ = -4 λ = -2

Empleando el método gráfico y los multiplicadores de Lagrange, halle el valor

mínimo de Z, sujeta a cada restricción dada.

2.5 Z = X2 + Y2 2.6 Z = X2 + Y2 2.7 Z = 2Y2 - 6X2 2.8 Z = 2X2 + Y2 - XY

c.s.r. c.s.r. c.s.r. c.s.r.
2X + Y = 10 X + 4Y = 17 2X + Y = 4 X+Y=8
Solución: Solución: Solución: Solución:
Z* = 20 Z* = 17 Z* = -96 Z* = 28
X* = 4 X* = 1 X* = 8 X* = 3
Y* = 2 Y* = 4 Y* = -12 Y* = 5
λ = 4 λ = 2 λ = -48 λ = 7

86 Flaminio Vera
 Programación no lineal

2.9 Z = X2 + Y2 + W2 2.10 Z = X2 + Y2 + W2
c.s.r. c.s.r.
Y + 2X - W = 3 X+Y+W=1

Solución: Solución:
Z* = 3/2 Z* = 1/3
X* = 1 X* = 1/3
Y* = 1/2 Y* = 1/3
W* = -1/2 W* = 1/3
λ = 1 λ = 2/3

Utilice el método de los multiplicadores de Lagrange para solucionar cada

uno de los siguientes problemas:

2.11 De todos los números cuya suma es 70, halle los dos que tengan el máximo
producto.
Solución: Z* = 1225 , X* = 35 , Y* = 35 , λ = 35

2.12 De todos los números cuya suma es 50, halle los dos que tengan el máximo
producto.
Solución: Z* = 625 , X* = 25 , Y* = 25 , λ = 25

2.13 De todos los números cuya diferencia es 6, halle los dos que tengan el
mínimo producto.
Solución: Z* = -9 , X* = 3 , Y* = -3 , λ = -3

2.14 De todos los números cuya diferencia es 4, halle los dos que tengan el
mínimo producto.
Solución: Z* = -4 , X* = 2 , Y* = -2 , λ = -2

2.15 Maximización del área de digitación. Una hoja estándar de papel para
digitar tiene un perímetro de 39 pulgadas. Halle las dimensiones del pa-
pel que proporcione la mayor área de digitación, sujeta a la restricción
perimetral de 39 pulgadas. ¿Cuál es el área? ¿La hoja estándar de 8.5X11
pulgadas, tiene un área máxima?
Solución: Z* = 1.521/16 , X* = 39/4 , Y* = 39/4 , λ = 39/8 . La hoja estándar
de 8,5X11 pulgadas, no tiene un área máxima, por que el perímetro es de
39 pulgadas. Fíjese que el perímetro de dicha hoja es: 2(8,5) + 2(11) =
39 pulgadas.

2.16 Maximización del área de habitación. Un carpintero está armando una

habitación rectangular con un perímetro fijo de 80 pies. ¿Cuáles son las
dimensiones que se pueden tomar para construir la mayor habitación?
¿Cuál es el área?
Solución: X* = 20 pies, Y* = 20 pies, Z* = 400 pies2, λ = 10

Francisco Chediak 87
Programación no lineal

2.17 Minimización del área de superficie. Un barril de petróleo de tamaño

estándar tiene un volumen de 200 galones, es decir 27 pies3. ¿Qué dimen-
siones pueden proporcionar la mínima área de superficie?. Halle esa área.
Solución: r* = 1,62577821 pies; h* = 3,251556421 pies; Z* = 49,82 pies3,
λ = 1,2302 pies2/pie3

2.18 Problema de la lata de jugo. Una lata de tamaño estándar puede tener un
volumen de 99 pulg3. ¿Qué dimensiones debe proporcionar la mínima área
de superficie?. Halle el área.
Solución: r* = 2,5069; h* = 5,01431 ; Z* = 118,46 pulg2 ; λ = 0,797798

2.19 Maximización de las ventas totales. Las ventas totales S de una firma de
un solo producto están dadas por: S(L,M) = ML - L2; donde M corresponde
al costo de los materiales y L es el costo de mano de obra. Halle el valor
máximo de ésta función sujeta a la restricción presupuestaria: M + L = 80.
Solución: M* = Costo de materiales = $60, L* = Costo de la mano de obra:
$20, S* = Ventas totales máximas: $800, λ = $20

2.20 Maximización de ventas totales: Las ventas totales S de una firma de un

solo producto están dadas por: S(L,M) = 2ML - L2; donde M corresponde
al costo de los materiales y L es el costo de mano de obra. Halle el valor
máximo de ésta función sujeta a la restricción presupuestaria: M + L = 60.
Solución: L* = $20, M* = $40, S* = $1.200, λ = $40

2.21 Minimización de los costos de construcción. Una compañía está planeando

construir un depósito cuyas dimensiones en pies3 serían de 252.000 pies3.
Los costos de construcción por pie2 se estiman así: Muros $3/pie2, Pisos:
$4/ pie2, Techo: $3/pie2.
a) El costo total de la construcción es una función C(x,y,z), donde «x» es
la longitud, «y» corresponde al ancho y «z» es la altura. Halle la fórmula
para C(x,y,z).
b) ¿Qué dimensiones de la construcción minimizarán el costo total?
Solución: a) C(x,y,z) = 7xy + 6yz + 6xy , b) x* = 60 pies, y* = 60 pies, z* =
70 pies, C* = $75.600, λ = 0.2

2.22 Minimización de los costos de construcción de un contenedor. Una compañía

de contenedores desea construir un contenedor de embarque cuyo volumen
sea de 12 pies3, con una parte superior e inferior cuadradas. Los costos
de la parte superior y los lados son de $2/pie2 y los de la parte inferior,
son de $3/pie2. ¿Qué dimensiones minimizarán el costo del contenedor?
Solución: l* = 2,1253 pies; h* = 2,6566 pies; λ = $3,7642; Z* = $67,7531

88 Flaminio Vera
 Programación no lineal

2.23 Minimización del costo total. Un producto se puede hacer en su totali-

dad en la máquina A o en la máquina B, o en ambas. La naturaleza de las
máquinas hace diferir sus funciones de costos: Máquina A: C(x) = 10 +
x2/6, Máquina B: C(y) = 200 + y3/9. El costo total esta dado por: C(x) +
C(y). ¿Cuántas unidades deben fabricarse en cada máquina con el fin de
minimizar los costos totales si se requieren x + y = 10.100?
Solución: x* = 10.000 unidades en la máquina A, y* = 100 unidades en la
máquina B, C*(x,y) = $16’777.978,78, λ = $3.333,3

En los siguientes ejercicios, (2.24 a 2.30), halle los valores máximos y

mínimos indicados de Z, sujetos a las restricciones dadas:

2.24 Min Z = XY 2.25 Min Z = 2X2 + Y2 + 2XY + 3X + 2Y

c.s.r. c.s.r.
X2 + Y2 = 4 Y2 = X + 1
Solución: Solución:
Z* = +- 2 Z* = -155/128 = - 1.21
X* = +- (2)1/2 X* = -7/16 = - 0.4375
Y* = +- (2)1/2 Y* = -3/4 = - 0.75
λ = +- 1/2 λ = 1/4 = 0.25

2.26 Max Z = x + y + z 2.27 Max Z = x2y2z2

c.s.r. c.s.r.
x2 + y2 + z2 = 1 x2 + y2 + z2 = 1

Solución: Solución:
x* = ± 1/3(3)1/2 x* = ± 1/3(3)1/2
y* = ± 1/3(3)1/2 y* = ± 1/3(3)1/2
z* = ± 1/3(3)1/2 z* = ± 1/3(3)1/2
λ* = ± 1/2(3)1/2 λ* = 1/9
Z* = ± (3)1/2 Z* = 1/27

2.28 Max Z = x + 2y - 2z 2.29 Max Z = x + y + z + t

c.s.r. c.s.r.
x2 + y2 + z2 = 4 x2 + y2 + z2 + t2 = 1
Solución:
Solución:
x* = 2/3
x* = ± 1/2
y* = 4/3
y* = ± 1/2
z* = 4/3 z* = ± 1/2
λ = 3/4 t* = ± 1/2
Z* = 2/3 λ* = ± 1
Z* = 2

Francisco Chediak 89
Programación no lineal

2.30 Min Z = x2 + y2 + z2 Solución: z* = 1/6

c.s.r. x* = 1/30 λ = 1/15
x - 2y + 5z = 1 y* = 1/15 Z* = 1/30

2.31 Economía: La ley de la productividad equimarginal. Suponga que p(x,y) re-

presenta la producción de dos productos, por parte de una firma. No hay
una fórmula para p. La compañía produce «x» artículos del primer producto
a un costo de c1, cada uno, y «y» artículos del segundo producto a un costo
de c2, cada uno. La restricción presupuestaria B es una constante dada
por: B = c1x + c2y. Halle el valor de λ con el método de multiplicadores de
Lagrange en términos de: px, py, c1, y c2. La ecuación que resulta se llama
la ley de la productividad equimarginal.
Solución: λ = px/c1 = py/c2

2.32 Negocios: Maximización de la producción. Una compañía de computadores

tiene la siguiente función de producción para un producto:
p(x,y) = 800x3/4y1/4, donde «x» es la mano de obra medida en dólares,
y «y» es el capital, en dólares. Suponga que una compañía puede hacer
una inversión total en mano de obra y capital de US$1’000.000. ¿Cómo
asignaría la inversión entre la mano de obra y el capital, con el fin de
maximizar la producción?.
Solución: x* = 750.000, y* = 250.000, Z* = US$455’901.411,4; λ =
US$455,9014114

2.33 Una compañía está planeando gastar $10.000 en propaganda. La propa-

ganda en televisión cuesta $3.000 el minuto y en radio, $1.000 el minuto.
Si la empresa compra «x» minutos de propaganda en televisión y «y»
minutos de propaganda en radio, ésta renta en miles de dólares está
establecida por: f(x,y) = -2x2 - y2 + xy + 8x + 3y. ¿Cómo puede la firma
maximizar ésta renta?
Solución: x* = 69/28 = $2,4643, y* = 73/28 = $2,6071, λ = 1/4.000 =
$0,00025, f*(x,y) = 841/56 = $15,01785

2.34 Resolver, empleando el método gráfico y los multiplicadores de Lagrange.

a) Min Z = 2X21 + 3X2 b) Max Z = X1X2 c) Max Z = X2 - X21

c.s.r. 5X1 - X2 = 5 c.s.r. X21 + X22 = 1 c.s.r.
Xj > 0 ; j = 1,2 Xj > 0 ; j = 1,2 -(10 - X21 - X2)3 < 0
-X1 < -2
Xj > 0 ; j = 1,2
Solución: Solución:
X*1 = 1 X*1 = (1/2)1/2 Solución:
X*2 = 0 X*2 = (1/2)1/2 X*1 = 2
Z* = 2 Z* = 1/2 X*2 = 6
Z* = 2

90 Flaminio Vera
 Programación no lineal

d) Max Z = 5X21 + 2X22 e) Min Z = 0,04(X1 - 95)2 + 0,02(X2 - 195)2

c.s.r. c.s.r.
X1 + 2X2 = 6 0,2X1 + 0,2X2 < 20
X1 + X2 = 4 0,8X1 + 0,3X2 < 60
3X1 + 4X2 < 22 Xj > 0 ; j = 1,2

Solución: Solución:
X*1 = 2 X*1 = 55
X*2 = 2 X*2 = 45
Z* = 28 Z* = 192

f) Max y Min Z = X21 + 2X22

c.s.r.
X21 + X22 = 1

Xj > 0 ; j = 1,2

Solución: Máximo Solución: Mínimo

X*1 = 0 X*1 = 1
X*2 = 1 X*2 = 0
Z* = 2 Z* = 1

2.35 Resolver, empleando los multiplicadores de Lagrange

a) Max Z = 5X21 + 2X22 b) Minimice Z = 5X21 + 2X22 + X1X2 + 5X1

c.s.r. c.s.r.
X1 + 2X2 = 6 X1 < 4
X1 + X2 = 4 X2 < 6
3X1 + 4X2 < 22
Solución: Solución:
X*1 = 2 X*1 = -20/39 = -0,512820512
X*2 = 2 X*2 = 5/39 = 0,128205128
Z* = 28 Z* = -1,28

c) Min Z = X21 + X22 + X23 d) Max Z = 50X1 + 70X2 - 900X11/2

c.s.r. - 1.200X21/2
X1 + X2 + 3X3 = 2 c.s.r.
5X1 + 2X2 + X3 = 5 5X1 + 6X2 = 5.000
2X1 + 4X2 = 3.000
Solución:
X*1 = 37/46 = 0,804347 Solución:
X*2 = 8/23 = 0,347826 X*1 = 250 λ1 = -0,73
X*3 = 13/46 = 0,282608 X*2 = 625 λ2 = 12,595
Z* = 39/46 = 0,847826 Z* = 12.019,75
λ1 = 2/23 = 0,086956
λ2 = 7/23 = 0,304347

Francisco Chediak 91
Programación no lineal

e) Max f) Max Z = X21 + 2X2 g) Min Z = 5X2 + 6Y2 - XY

Z = X21 + 2X22
Min c.s.r. c.s.r.
c.s.r. X21 + X22 = 1 X + 2Y = 24
X21 + X22 = 1
Máximo Mínimo Solución: Solución:
X*1 = 0 X*1 = ± 1 X*1 = 0 X* = 6
X*2 = ± 1 X*2 = 0 X*2 = 1 Y* = 9
Z* = 2 Z* = 1 Z* = 2 Z* = 612

2.36 Considere el siguiente problema de programación no lineal y Determine

si X1 = 1, X2 = 2 puede ser óptimo, aplicando las condiciones de Karush-
Kuhn-Tucker (KKT). Si no, cuál es la solución óptima? X*1, X*2, Z*.
Solución:
Max Z = 36X1 + 9X21 - 6X31 + 36X2 - 3X32 X1* = 1,605551275
c.s.r. X1 + X2 < 3 X2* = 1,394448725
X1 > 0 ; X2 > 0 Z* = 98,23299949
l* = 18,49961479
2.37 Considere el siguiente problema de programación convexa.
Maximice Z = 10X1 - 2X21 - X31 + 8X2 - X22, Sujeta a: X1 + X2 < 2 ; X1 > 0 ,
X2 > 0

a) Utilice las condiciones de KKT para demostrar que X1 = 1, X2 = 1 no es

una solución óptima.
b) Utilice las condiciones de KKT para encontrar una solución óptima.

2.38 Resuelva gráficamente. Maximice Z = 3X1 + 5X2

c.s.r. X1 < 4
8X1 - X21 + 14X2 - X22 < 49
Xj > 0 ; j = 1,2

2.39 Considere el siguiente problema de programación no lineal.

Max Z = 8X1 - X21 + 4X2 - X22
c.s.r. X1 + X2 < 2
Xj > 0 ; j = 1,2

a) Utilice las condiciones de KKT, para demostrar que X1 = 1, X2 = 1 no es

una solución óptima.
b) Utilice las condiciones de KKT para encontrar una solución óptima.
c) Formule el problema de programación lineal e identifique la restricción
de complementariedad adicional a que obliga el algoritmo de Philip-Wolf.

92 Flaminio Vera
 Programación no lineal

2.40 Resuelva el siguiente problema de programación cuadrática.

Maximice Z = 8X1 - X21 + 4X2 - X22 sujeta a X1 + X2 < 2 y Xj > 0 ; j = 1,2.
Use el método modificado de Philip-Wolfe. Demuestre que la solución
óptima, cumple las condiciones de KKT.
Solución: X*1 = 2, X*2 = 0, Z* = 12

2.41 Considere el siguiente problema de programación no lineal.

Max Z = X1 + X2
c.s.r. X21 + X22 < 1
Xj > 0 ; j = 1,2

a) Verifique que se trata de un problema de programación convexa.

b) Resuelva el problema gráficamente.
c) Use las condiciones de KKT para verificar (X1,X2) = (1/21/2,1/21/2) es
óptima.

2.42 Considere el siguiente problema de programación convexa.

Max Z = 24X1 - X21 + 10X2 - X22 , sujeta a: X1 < 8, X2 < 7, Xj > 0 ; j = 1,2
Utilice las condiciones de KKT para encontrar una solución óptima.

2.43 Considere el siguiente problema de optimización linealmente restringida.

Max Z = Ln(1 + X1 + X2), sujeta a: X1 + 2X2 < 5 , Xj > 0 ; j = 1,2, donde Ln
denota logaritmo natural.

a) Verifique que se trata de un problema de programación convexa.

b) Utilice las condiciones de KKT para encontrar una solución óptima.

Solución: X*1 = 5, X*2 = 0, Z* = 1,791759

Francisco Chediak 93