Programacin No Lineal

Javier Fernando Daz Daz, John William Contreras Valero

Optimizacin Lineal
Bogot D.C.

Resumen- El presente artculo busca ofrecer al lector una

sntesis de lo que es la Programacin No Lineal y de su aporte en
la investigacin de operaciones para que el lector tenga la
posibilidad de reconocer que tipo de problemas tanto de
ingeniera como de otras reas de la ciencia puede solucionar
con estos tipos de programacin, mediante el uso de algoritmos
computacionales que encuentre soluciones ptimas que permitan
hallar soluciones rpidas, concretas y factibles.

Palabras Clave- algoritmo gentico, optimizacin multicriterio,

optimizacin multiobjetivo,

I.

OBJETIVOS

Identificar las recientes tendencias en aplicaciones de la

Programacin No Lineal para determinar su grado de
participacin en la Investigacin de operaciones.
Reconocer los diferentes aportes de la Programacin No lineal
en diferentes reas de la ciencia especialmente en las
Ingenieras.
Determinar el grado de aplicacin y los tipos de problemas
que puede ayudar a resolver, contemplando que la era
moderna con la aplicacin de nuevos procesos tecnolgicos y
operativos ofrece un sinnmero de posibilidades en la
bsqueda de las mejores soluciones o alternativas a problemas
de diferente ndole.

II.

INTRODUCCIN

La programacin no lineal es una parte de la investigacin

de operaciones al igual que la programacin lineal y tiene
como finalidad encontrar los elementos para hallar los puntos
ptimos de una funcin objetivo. En este caso, tanto la
funcin objetivo como las restricciones son no lineales y la
estructura del problema puede llegar a ser muy variada, segn
las funciones que en l intervengan. Es as como se presenta
un problema de programacin no lineal, cuando tanto la
funcin objetivo que
debe
optimizarse, como las

restricciones del problema, o ambas, tienen forma de

ecuaciones diferenciales no lineales, es decir, corresponden a
ecuaciones cuyas variables tienen un exponente mayor que 1.
Los problemas de programacin no lineal, tambin son
llamados curvilneos, ya que el rea que delimita las
soluciones factibles en un grfico se presenta en forma de
curva. La funcin objetivo en la programacin no lineal,
puede ser cncavo o convexo. Es cncavo cuando se trata de
maximizar utilidades, contribuciones, etc. Es convexo cuando
trata de minimizar recursos o costos.

III.

MARCO TERICO

La ingeniera industrial en su quehacer empresarial utiliza

modelos matemticos de investigacin de operaciones para
tomar decisiones gerenciales con el fin de hacer uso
eficiente de los capitales y con ello mejorar la rentabilidad de
los proyectos y la optimizacin de todos los recursos de la
organizacin. El uso de la investigacin de operaciones en
cualquier campo de las ingenieras y especficamente en la
industrial es el desarrollo de modelos de optimizacin en
programacin no lineal que permiten resolver problemas
concretos con modelos matemticos que buscan seleccionar la
mejor alternativa en relacin con otras posibles para tomar las
decisiones adecuadas al problema planteado.
De esta manera, la programacin no lineal forma parte de la
programacin matemtica y es una tcnica de optimizacin
para tratar problemas en campos tales como el diseo de
ingeniera, el anlisis de regresin, el control de inventario,
algoritmos evolutivos y en la exploracin geofsica, de modo
que, proporciona informacin fundamental para el anlisis
geomtrico, el estudio de componentes convexos, funcionales
y la aplicacin de problemas especialmente estructurados,
tales como la programacin cuadrtica.
Lo anterior indica que la programacin no lineal requiere de
esfuerzos adicionales para tratar de resolver los problemas que
all se plantean, pues su diseo exige conocimiento en
modelos matemticos que permitan hallar soluciones no

siempre dentro la factibilidad, estrechando el valor ptimo de

las variables presentes que se tienen en cuenta para la
distribucin de probabilidad conjunta de los parmetros.

IV.

NUEVAS TENDENCIAS

Las restricciones en informacin suelen jugar un papel

importante a la hora de entender y comprender mejor la
gentica, ya que es muy difcil contar con datos exactos que
aproximen la interpretacin del comportamiento de los
individuos frente a una situacin.
Es all dnde la
optimizacin con objetivos mltiples extiende la teora de la
optimizacin permitiendo que mltiples objetivos sean
optimados simultneamente.

Algortmos genticos
Los algoritmos genticos son tcnicas heursticas basadas en
mtodos denominados evolutivos por emular la evolucin
natural, en el cual se disea un algoritmo evolutivo para
resolver un problema de optimizacin multiobjetivo expresado
como un modelo de Programacin No Lineal por Metas con el
objeto de mostrar su desempeo.
Los algoritmos genticos son modelos computacionales de la
evolucin humana y son tiles tanto como mtodos de
bsqueda para la resolucin de problemas como para modelar
sistemas evolutivos. Pertenecen a la clase de mtodos
probabilsticos independientes del problema que pueden
manejar cualquier clase de funciones objetivo y de
restricciones. Debido a su naturaleza evolutiva los
algoritmos genticos realizan bsquedas robustas y
multidireccionales en espacios complejos mediante el
mantenimiento de una poblacin de soluciones potenciales.
De tal manera que ofrecen habilidad para manejar complejos
problemas reales de optimizacin multiobjetivo formulados
como modelos de programacin no lineal por metas.
Los mtodos tradicionales requieren, previo al uso de
cualquier paquete de programacin lineal, la conversin del
modelo no lineal a un modelo lineal; este paso requiere
invertir mayor tiempo, se obtiene una aproximacin del
modelo real y en algunas ocasiones no puede realizarse si
alguna de las funciones objetivo no puede ser diferenciable.
Los resultados obtenidos frente a esta nueva aplicacin han
mostrado en general un buen desempeo del algoritmo
proporcionando resultados acordes con el dominio del
problema. El algoritmo gentico encuentra buenas soluciones,
en un tiempo de computacin aceptable, lo que pudiese ser
considerado como una demostracin de la validez de este
enfoque para la resolucin de este tipo de problemas.

Resilent backpropagation (RPROP),

Otra tendencia en la aplicacin para la optimizacin de
funciones no lineales con restricciones se llama Resilent
backpropagation (RPROP), es una tcnica de optimizacin

basada en gradientes que ha sido usada para el entrenamiento

de redes neuronales artificiales, la cual usa una velocidad por
cada parmetro en el modelo. Es una tcnica capaz de
resolver problemas de optimizacin multivariada sin
restricciones ya que el algoritmo es capaz de encontrar
soluciones ptimas y en algunos casos hallar puntos ptimos
de casos anteriormente resueltos mediante otros mtodos.
En esencia, este mtodo busca encontrar los puntos de
mnima local, regiones de gradiente que se hallan dentro del
punto ptimo de una regin factible donde otros mtodos
como el de Newton-Raphson y de descenso acelerado
presentan dificultades para hallar dicha solucin, pues estas
tcnicas clsicas de propagacin son slo usadas para
determinar el sentido en que deben ser corregidos los pesos de
la red pero no las magnitudes de los ajustes. Los algoritmos
basados en backpropagation modifican los valores de los
parmetros proporcionalmente al gradiente de la funcin de
error, de tal manera que en regiones donde el gradiente tiende
a ser plano el algoritmo avanza lentamente; esta modificacin
se hace a travs de un nico parmetro que controla la
velocidad de avance del algoritmo. RPROP utiliza parmetros
independientes que controlan la velocidad con que se recorre
la funcin objetivo para cada uno de los pesos de la red
neuronal.

V.

CONCLUSIONES

La optimizacin matemtica en programacin no lineal tiene

un amplio uso para resolver no solo problemas
organizacionales reales sino que tambin la gentica y la
ciencia neuronal aplican estos modelos para hallar soluciones
a redes poblacionales que aplican en el modelamiento y
entendimiento del comportamiento de los individuos.
Mediante la aplicacin de modelos en la programacin no
lineal se puede hallar diversas soluciones en campos como la
economa, la logstica, la contabilidad, el transporte, la
medicina, la biologa, microbiologa, etc., ya que la aplicacin
de estas nuevas tendencias en estas disciplinas permite hallar
soluciones ms ptimas y factibles a la hora de tomar
decisiones.
La programacin no lineal permite evaluar diferentes
soluciones escogiendo siempre la ms ptima realizando
variaciones en los parmetros del modelo, lo cual permite
incluir el dinamismo en el que se desarrollan las tomas de
decisin.

VI.

REFERENCIAS

Gudez Fernndez, Carmen. Programacin Lineal e Ingeniera

Industrial: una Aproximacin al Estado del Arte Ingeniera
Industrial. Actualidad y Nuevas Tendencias en lnea 2011,
(Enero-Junio). Fecha de consulta: 23 de noviembre de 2014.
Loyo de Sardi, Jaquelin. Optimizacin Multiobjetivo
Evolutiva a travs un modelo de programacin no-lineal por
metas Ingeniera Industrial. Actualidad y Nuevas Tendencias
2011, (Julio-Diciembre). Fecha de consulta: 23 de noviembre
de 2014.
Villa, Fernn; Velsquez, Juan; Jaramillo, Patricia. (2009).
Conrprop: un algoritmo para la optimizacin de funciones no
lineales con restricciones. Revista Facultad de Ingeniera
Universidad de Antioquia. Fecha de consulta: 29 de noviembre
de 2014.

VII.

OTRAS REFERENCIAS

http://www.aliatuniversidades.com.mx/bibliotecasdigitales/pdf
/economico_administrativo/Investigaci
%C3%B3n_de_operaciones/Investigacion_de_operaciones_Pa
rte_2.pdf
http://www.investigaciondeoperaciones.net/programacion_no_
lineal.html
http://karenbandala.wordpress.com/unidad-iii/3-3-problemasno-restringidos-programacion-no-lineal/