PROGRAMACIÓN NO LINEAL

INTRODUCCION A LA PROGRAMACIÓN NO LINEAL

¿Cuál es el origen de la Optimización?

Desde el inicio de la humanidad el hombre ha tratado de minimizar sus problemas de la manera más conveniente. Con
el pasar de los años, el hombre cada vez más tiende a simplificar y llevar de una manera más práctica y cómoda la
forma de resolver los problemas que se le plantean. A partir de la Segunda Guerra Mundial, con la intervención de los
países de EEUU y Gran Bretaña, se empezaron a crear métodos científicos de toma de decisiones que mejoraron la
resolución a problemas complejos con la aplicación de técnicas e instrumentos cuyo objetivo es la solución óptima.

Durante la guerra, Gran Bretaña reunió un grupo de especialistas en diversas áreas de la tecnología para trabajar en
un programa de defensa militar en su país. Este programa se llamó investigación en operaciones militares y
originalmente consistía en estudios para determinar, entre otras cosas, la mejor utilización del poderío aéreo en
combinación con el recientemente inventado radar. A causa del éxito alcanzado por las investigaciones en
operaciones militares, estas técnicas tuvieron rápida difusión en los campos de la industria, comercio y gobierno. Al
rededor del año 1951, la investigación de operaciones tomó en los EEUU el carácter de ciencia.

La optimización, como herramienta en la toma de decisiones, se le conoce con el nombre genérico de “investigación
de operaciones”. Una de las características de la investigación de operaciones, es que se basa en un enfoque común
para resolver problemas mediante la experimentación. Sin embargo, la experimentación no es con el mismo
problema, sino con un modelo del mismo. Este concepto es sumamente importante, pues el modelo no tiene por qué
ser un modelo físico, tal como sería una maqueta de un edificio, o de un porta aviones a escala reducida, para
experimentar su comportamiento en relación con la fuerza sísmica o el oleaje respectivamente.

¿Qué es la Investigación de Operaciones?

La “Investigación de operaciones” se puede definir como la aplicación de métodos científicos en la mejora de la

efectividad en las operaciones, decisiones y estrategias que aportan gran ayuda en la resolución de problemas. La
principal característica consiste en construir un modelo científico del sistema del cual se pueden predecir y comparar
los resultados de diversas estrategias, decisiones, incorporando medidas del azar y del riesgo. El objetivo es ayudar a
los profesionales a determinar estrategias, políticas y actuaciones en forma científica, proporcionando modelos,
métodos y/o técnicas para la toma de decisiones. Se busca la solución óptima para problemas simples o complejos.

El problema mayor en “Investigación de Operaciones” es que la solución del modelo depende en gran medida de la
creatividad y la habilidad personal del analista encargado de tomar la decisión.

Actualmente, la investigación de operaciones sigue teniendo un gran desarrollo en muchos sectores y se extiende a
campos muy amplios, con grandes avances sobre todo donde con el apoyo de la computación digital y de los
microprocesadores se han podido implementar estas técnicas.

Ventajas del uso de los Modelos en la Investigación de Operaciones

En general, ayudan a tomar 2 tipos de decisiones:

Decisiones estratégicas. - Es una decisión de una sola vez, que involucra políticas con consecuencias a largo plazo
para la organización. Se consideran decisiones importantes, considera la incertidumbre y escoge entre varias
alternativas.

Decisiones Operacionales. - Es una decisión que implica cuestiones de planeación a corto plazo que generalmente
deben hacerse repetidamente. Se consideran decisiones de menor importancia y frecuentes por ser dadas para el
corto plazo. Ignoran la incertidumbre y no evita barajar alternativas nuevas.

Fases para resolver un modelo en Investigación de Operaciones

Las fases para resolver un caso de optimización son:

 Formulación del problema

Consiste en la recolección y análisis de la información que van a definir que las soluciones proporcionadas, las
decisiones adoptadas y conclusiones obtenidas sean las correctas. La “Formulación del problema” se alcanza a través
de lo que se conoce como función objetivo, que no es otra cosa que la expresión algebraica, en términos
matemáticos, de lo que vamos a resolver. Como su nombre lo indica expresa el objetivo de la optimización.

La función objetivo es una función cuyo valor máximo o mínimo se obtiene mediante un proceso de optimización, y
constituye la base de la elección de una de varias alternativas aceptables de diseño. Es una función escalar de las
variables de diseño, y representa la característica más importante del diseño.

La función objetivo está formada por las variables de diseño, que son todos aquellos aspectos cuantificables del
problema, como pueden ser, por ejemplo, las dimensiones de los elementos estructurales o algunas propiedades
físicas o mecánicas del material.

También está sujeta a una serie de restricciones que provienen de la geometría, comportamiento o cualquier otro
factor limitante.

 Construcción del modelo matemático del problema bajo estudio

El segundo paso representa la traducción a términos matemáticos del problema que se quiere optimizar, definiendo
variables, ecuaciones, función objetivo y parámetros. Puede ser una fórmula matemática u otra representación
abstracta que se comporte de una manera similar al problema en estudio. Es obvio que es mucho más fácil y
económico manipular un modelo que trabajar con el problema real.

 Resolución del modelo

Consiste en determinar los valores de las variables de decisión de modo que la solución sea óptima y las cuales están
sujetas a restricciones. Puede haber distintos algoritmos y formas de aplicación. La resolución de modelos
matemáticos conlleva la construcción del conjunto bien definido de operaciones que una vez terminadas, marcan el
final e implementación del modelo.

 Prueba e implementación del modelo

Esta etapa conlleva la eliminación de los errores en la codificación, es decir, conseguir que el modelo haga lo que se
desea. Es necesario comprobar la validez de las simplificaciones realizadas a través de los resultados obtenidos.

Concepto de Optimización

La optimización consiste en la selección de una mejor alternativa, en algún sentido, de todas las demás alternativas
posibles. Es un concepto inherente a toda la investigación de operaciones, sin embargo, determinadas técnicas
propias de la investigación operativa se recogen de programación matemática. Además de las técnicas de
optimización, la investigación de operaciones incluye también otros modelos como: modelo de decisión, de grafos,
juegos, de colas, etc.

La optimización de cualquier problema se alcanza a través de lo que se conoce como función objetivo, que es la
expresión, en términos matemáticos del problema.

La función objetivo está formada por las variables de diseño o de decisión, y a su vez está sujeta a una serie de
restricciones que provienen de la geometría, comportamiento o cualquier otro factor limitante.

Los pasos para resolver un problema de optimización son los siguientes:

 Función Objetivo
Es una expresión algebraica que expresa el objetivo de la optimización la cual tiene un valor máximo o mínimo, y
constituye la base de la elección de una de varias alternativas aceptables de diseño. Como ejemplo de función
objetivo se pueden mencionar: la minimización de material utilizado en el diseño de vigas, que es nuestro caso, la
maximización de de los beneficios netos de venta de ciertos productos, la minimización de los costos de las variables
de operación de un sistema eléctrico, etc.

La función objetivo es una función escalar de las variables de diseño, y en el siguiente trabajo se designará como Z(x),
y se puede expresar así:

Z(x) = Min. / Máx. F(x)

Donde “x” es un vector de n-variables con la característica que no es lineal.

 Variables de diseño
Las variables en un problema de diseño óptimo, puede consistir en el dimensionamiento de los parámetros que
describen su configuración y propiedades físicas o mecánicas del material que lo constituye, así como de otros
aspectos cuantificables de diseño. Representan las decisiones que se pueden tomar para afectar el valor de la función
objetivo.

Desde un punto de vista funcional se pueden clasificar en variables independientes o principales o de control y
variables dependientes o auxiliares o de estado, aunque matemáticamente todas son iguales. En el caso de un
sistema eléctrico serán los valores de producción de los grupos de generación o los flujos por las líneas. En el caso de
la fabricación o diseño de un producto, sus dimensiones físicas. De acuerdo a esta jerarquía, la variable de diseño más
simple es la dimensión de un miembro, pudiendo representar el área de una sección, o el momento de inercia de un
miembro a flexión.

 Restricciones
Son los topes del problema. Representan el conjunto de relaciones (expresadas mediante ecuaciones e inecuaciones)
que ciertas variables están obligadas a satisfacer. Son limitaciones que deben satisfacerse para que el diseño sea
aceptable. Las restricciones pueden tomar la forma de una limitación impuesta indirectamente sobre una variable o
grupo de variables (restricción explícita) o puede representar una limitación sobre cantidades cuya dependencia en
las variables de diseño no pueden ser establecidas directamente (restricción implícita).

Una restricción de igualdad, la cual puede ser tanto explícita como implícita, se designará como sigue:

g (xi) = 0; i = 1, 2,3 ,…,I

Donde I es el número de restricciones de igualdad.

En teoría, cada restricción de igualdad es una oportunidad para remover una variable de diseño del proceso de
optimización y de este modo, reducir el número de las mismas. Sin embargo, el proceso eliminatorio puede ser
delicado y algebraicamente complicado, y por ello no siempre se hace.

Una restricción de desigualdad es de la forma siguiente:

g(xi) ≤ 0; i = 1, 2, 3,……, D

Donde D es el total de restricciones de desigualdad que prevalecen.

La idea de una restricción de desigualdad es muy importante en el diseño óptimo estructural.

Existe otra división importante la cual comprende las restricciones de borde y las restricciones de comportamiento.

Una restricción de borde es una limitación específica (máxima o mínima) de una variable de diseño o una relación que
fija el valor relativo de un grupo de variables de diseño. Las restricciones de borde son entonces restricciones
explícitas.

Las restricciones de comportamiento en el diseño estructural son usualmente limitaciones en los esfuerzos y
deformaciones, pero también pueden ser factores como por ejemplo frecuencias vibratorias. En la práctica pueden
encontrarse restricciones de comportamiento tanto explícitas como implícitas. Unas restricciones típicas de
comportamiento son las especificaciones de diseño.

Cada condición de limitación, representa el lugar geométrico de todos los puntos de diseño, formando una superficie
de restricción.

Modelos de Optimización

Los modelos matemáticos son abstracciones de un sistema y nos proporcionan un enfoque científico eficiente para
atacar, resolver, y diseñar en forma óptima la solución de problemas. Un modelo es una representación de la realidad,
se le construye de modo tal que explique el comportamiento de algunos aspectos de la realidad.

Son muy extensos los campos de modelos matemáticos que abarca la investigación de operaciones, entre los cuales
se encuentran:

 Modelos de programación lineal.

 Modelos de programación no-lineal.
 Modelos de programación dinámicos.

Modelos de programación lineal : constituyen una representación simbólica matemática de un problema totalmente
lineal. Se pueden mencionar varios términos de programación lineal, entre ellos se encuentran: la programación lineal
Standard, programación lineal entera, programación de transporte, y programación de asignación. Todos consisten
en tipos de optimizaciones (maximización o minimización), que según el caso planteado conducen a soluciones
óptimas.

Modelos de programación no-lineal: es aquel que se aplica para la resolución de un problema donde la función
objetivo, y/o una o varias de las restricciones, son funciones no-lineales de las variables de diseño.

Modelos de programación dinámicos: es aplicable a la optimización de sistemas determinísticos y estocásticos,

continuos y discontinuos, lineales y no lineales, que posean una estructura serial, es decir que constan de
componentes conectados “cabezas con cola” sin reciclajes o bucles. El ejemplo más común de este tipo de estructura
lo constituyen aquellas cuyos componentes dependen del tiempo.

En este trabajo se considerará solo la aplicación del método de optimización mediante el uso de modelos de
programación no-lineal.

Programación no lineal

Constituyen una representación simbólica matemática que se aplica en la resolución de un problema donde la función
objetivo, y/o una o varias de sus restricciones son funciones no lineales de las variables de diseño. En la práctica, en
muchas situaciones, las relaciones puramente lineales pueden no existir y como consecuencia inmediata de estos
factores, la función tiene comportamiento no-lineal, o bien una o más de las restricciones de borde tampoco son
lineales.

En la programación no-lineal la función a optimizar es una función matemática no-lineal, es decir, es una función que
tiene en sus expresiones matemáticas términos (cuadráticos, polinomiales, exponenciales, etc.) que hacen que la
función tenga un comportamiento no-lineal.

Desde que apareció el primer artículo sobre programación no-lineal escrito por Kuhn y Turcker en 1951, se han
desarrollado numerosos métodos de solución. A pesar de los avances importantes que se han realizado
actualmente, aún está por desarrollarse un método eficiente de solución para el problema general de programación
no-lineal.

En el presente Trabajo final, estudiaremos los conceptos del cálculo infinitesimal, el cual aplicaremos en los cálculos
para optimizar las secciones de las vigas que queremos optimizar.
Método de optimización mediante el cálculo Infinitesimal

La optimización mediante el cálculo infinitesimal requiere establecer y recordar las siguientes definiciones:

Máximos, Mínimos y Puntos de Silla

Los máximos, mínimos y puntos de silla son fundamentales para la comprensión de la optimización no-lineal.

Se debe tener cuidado en no confundir los puntos de silla óptimos locales con el óptimo global.

Sea f (x1, x2) una función de dos variables reales, la cual se puede representar en el plano mediante curvas de nivel.
Una curva de nivel, tal como las indicadas en la Figura a continuación, es aquella cuyo valor de f(x) es constante.

Cuando están involucradas dos variables, la graficación de una curva de nivel nos dará una superficie formada por
líneas iso-costos.

Localización de máximos, mínimos y punto de silla de una función de dos variables reales

Se puede notar que los puntos A y E, son mínimos locales, ya que pequeñas perturbaciones en estos puntos, en
cualquier dirección (± Δ en una o ambas variables) resultan en un aumento de la función f(x).

En vista de que, pequeñas perturbaciones en los puntos B y D, conducen a una disminución de f(x), estos puntos son
máximos locales. El punto C es un punto de silla, ya que perturbaciones en algunas direcciones producen un
incremento en f(x), mientras que en otras direcciones producen una disminución.

El máximo global ocurre en el punto B, y el mínimo global en el punto D, según lo observado en los valores de las
curvas de nivel. En los cinco puntos se cumple, que la derivada parcial con respecto a las dos variables es nula. Es
decir:

∂f / ∂x1 = 0 y ∂f / ∂x2 = 0

En términos algebraicos, diseñar para minimizar el costo de fabricación de una sección de viga de concreto armado,
se representa como minimizar Z(x), que es una función objetivo de n variables de diseño x = x 1,….., xn, sujetas a las
restricciones:

g (xi) = 0 i = 1, 2,……, I
 g (xi) ≤ 0 i = 1, 2,……, D

Representando I las restricciones de igualdad y D las restricciones de desigualdad.

Si la función objetivo no representa el costo del área de la sección que se desea optimizar, pero representa una
función a ser maximizada como las ganancias por medio del ahorro del material, el planteamiento del problema es el
mismo, pero cambiando el signo de función objetivo Z(x).

En la figura siguiente se muestra la representación geométrica del problema de optimización en función de dos
variables de diseño.

Estas dos variables (x1 y x2), representadas en los ejes de coordenadas, nos indican que existen restricciones de borde
y que el espacio factible no está constituido por una serie de puntos (las raíces de una ecuación), sino que es un
espacio.

Estas restricciones pueden ser activas o no, es decir, pueden afectar o no la solución.

Optimización de una función de dos variables.

En la Figura, cada curva representa una superficie de restricción individual y su conjunto forma una superficie de
restricciones compuesta, superficie que pudiera representar, por ejemplo, límites específicos de esfuerzos y
deformaciones para cada alternativa de condición de carga, que serían las restricciones de comportamiento
anteriormente definidas. También se puede observar que están representadas las ya mencionadas restricciones de
borde en forma de líneas paralelas a los ejes de coordenadas que refieren el valor máximo o mínimo de las variables
de diseño.

Un punto de diseño localizado por encima de la superficie compuesta de restricciones, es decir en el espacio libre, es
conocido como punto exterior o punto de diseño factible. Recíprocamente, un punto de diseño que representa la
violación de una restricción, se denomina como punto inferior o diseño infactible.

En términos geométricos, la figura muestra que el problema de diseño óptimo consiste en hallar un punto oscilatorio
de costo y una superficie de restricciones. Por tanto, el diseñador debe inicialmente efectuar una estimación del valor
inicial de las variables de diseño.

El objetivo de la escogencia de un algoritmo matemático debe ser entonces, aquel que permite pasar de esa
suposición inicial al punto de diseño óptimo con el menor esfuerzo computacional posible.
En la Figura inferior, se muestra uno de los mayores peligros que se pueden encontrar al aplicar los métodos de
programación matemática, éste es distinguir entre un mínimo local y el mínimo global.

Tipos de mínimo de una función.

Puede suceder que un procedimiento analítico entre los puntos A y B nos indique que al llegar al punto B no se puede
realizar otros movimientos sin que una restricción sea violada. Así se puede alcanzar un mínimo local. Pero puede
observarse que existe un mínimo global en el punto C.

Un mínimo local coincide con un mínimo global cuando la superficie de restricciones es estrictamente convexa.

Resolver un problema de optimización consiste en encontrar el valor que deben tomar las variables para hacer óptima
la función objetivo satisfaciendo el conjunto de restricciones.

CONDICIONES DE SEGUNDO ORDEN

Los problemas no lineales pueden identificarse por lo general en:

 Función objetivo de una variable sin restricciones.
 Función objetivo de varias variables sin restricciones.
 Función objetivo de una sola variable con restricciones.
 Función objetivo de varias variables con restricciones.

Función Objetivo de una Variable sin Restricciones

La optimización de una función de una sola variable puede lograrse con relativa facilidad, por medio de la tabulación o
de la graficación. Cuando el problema lo permite, no hay un sustituto de la graficación, no sólo por la posibilidad de
obtener el mínimo por simple inspección ocular, sino porque puede obtenerse una buena idea de la sensibilidad del
costo, ante cualquier cambio en los parámetros de diseño. En la Fig. 7, se representa una función irrestricta de una
sola variable.
 Función irrestricta de una sola variable.

Como ya se mencionó, en este método de búsqueda directa, se hace necesario asumir un punto inicial de partida. En
este caso, como se puede ver, se consideran dos puntos iniciales de partida, Ω y ß y se pondrá que la solución x mín, se
encuentra dentro de ese intervalo. Ahora, se escogen otros dos puntos, x 1 y x2, de manera que Ω < x1 < x2 < ß y se
evalúa la función objetivo de cada uno. Al comparar estas evaluaciones si se encuentra que Z(x 1) < Z(x2), implica que
xmín debe encontrarse entre Ω y x2 y se hace x2 = ß. En cambio, si Z(x1) > Z(x2) entonces xmín debe encontrarse entre x1 y
ß y se hace x1 = Ω, según el caso, se van descartando segmentos. Este proceso se repite hasta que el intervalo |ß – Ω|
sea aceptablemente pequeño.

La efectividad del método puede medirse bien sea mediante el número de evaluaciones necesarias para llegar a un
cierto intervalo, o por el tamaño del intervalo que se encuentre siguiendo el número prescrito de evaluaciones. Estas
medidas dependen de la estrategia que se adopte.

Función Objetivo de varias Variables sin Restricciones

Se trata de encontrar el conjunto de valores de las variables que determinen el máximo/mínimo de la función objetivo.
Algunas de las técnicas de búsqueda directa como la tabulación, nos permite evaluar la función objetivo en todas las
combinaciones posibles de las diferentes variables que intervienen, dentro de un cierto intervalo de incertidumbre.

Este método resulta demasiado caro computacionalmente y puede ser muy lento si el número de variables
involucradas es muy alto.

Otra técnica es la búsqueda al azar, que como su nombre lo indica consiste en la selección de puntos al azar con el fin
de reducir la zona de incertidumbre. Se asumen valores máximos y mínimos de las variables, y para cada uno de ellos
se distribuyen números al azar uniformemente en un intervalo 0 < Pi < 1. Donde Pi es un término de penalización.

Función Objetivo de una Variable con Restricciones

En general, en los problemas reales es más común tener a la función objetivo sujeta a una serie de restricciones, las
cuales pueden ser tanto de igualdad como de desigualdad.

El modelo matemático general de la función objetivo de una variable con restricciones es de la forma:

Máx (Mín) Z = f (xi); i = 1, 2,…, n

 Sujeto a: g(xi) ≥ 0, i = 1, 2,…, n

xi ≥ 0

En aquellos casos en que la función objetivo de una sola variable está sujeta a una restricción de igualdad, esta
igualdad establecerá la solución. Este problema se puede reducir a uno correspondiente sin restricciones, añadiendo
las restricciones correspondientes a la función objetivo, por medio de coeficientes de penalidad. Si la restricción es de
la forma general g (xi) = 0, la solución será la raíz de esta ecuación.

Pero si existen varias raíces de esta ecuación, entonces se tendrá que evaluar cada una de ellas y escoger el menor
valor de la función objetivo.

En cambio, cuando existen restricciones de igualdad la región factible no está constituida por una serie de puntos,
sino que forman un espacio. Estas pueden ser

activas o no, es decir, pueden afectar o no a la solución. Además, deben ser resueltas implícitamente.

Una forma muy generalizada para solucionar este tipo de problema es aquella que consiste en la modificación de la
función objetivo mediante términos de penalización que son valores que se establecen proporcionalmente al grado
en que las restricciones sean violadas en el caso que nos interesa, es decir de minimización, dichos términos son
positivos, así, se aleja forzosamente la solución de las regiones no factibles.

Si tenemos el siguiente modelo matemático:

Min Z(x) = f(x)

Sujeto a: x ≤ xmáx x ≥ xmin

La función objetivo modificada será

Min Zmod(x) = Z(x) + 106·(x - xmáx) ·∂1 + 106·(x - xmín) ·∂2 Siendo:

∂1 = 1 cuando (x - xmáx) > 0

∂1 = 0 cuando (x - xmáx) ≤ 0

∂2 = 1 cuando (xmín - x) > 0

∂2 = 0 cuando (xmín - x) ≤ 0

Los términos ∂1 y ∂2 sirven para expresar matemáticamente el hecho de que los términos (x - x máx) y (xmín - x) se
incluyen si son positivos, es decir, cuando se han violado las restricciones.

Función Objetivo de varias Variables con Restricciones

El siguiente es un modelo matemático que contiene una función objetivo de varias variables, sujetas a restricciones
tanto de igualdad como de desigualdad.

Min Z(x), siendo x = x1, x2,…, xn Sujeto a:

gi (x) = 0 i = 1, 2,………, e

gj (x) ≤ 0 j = 1, 2,………, d
Las restricciones pueden contener cualquier cantidad de las variables de las variables de diseño, pueden ser lineales o
no, explícitas o implícitas. En el caso de las restricciones de desigualdad estas pueden escribirse “mayor que” o
“menor que” según convenga, con solo cambiar el signo de la función que indica la restricción.

Cuando se tienen restricciones de igualdad, resulta conveniente observar si hay la posibilidad de poner una de las
variables en función de las demás, o de alguna constante, y sustituirla en la función objetivo. De esta manera se logra
que ésta tenga menos variables de diseño.

Por supuesto, para poder hacer esto, las funciones de las restricciones deben ser tales que permitan expresar
explícitamente una variable en función de las otras. Cuando se presenta el caso de restricciones más complejas, hay
que recurrir a los términos de penalización y crear una función objetivo artificial. Como se dijo en el caso de funciones
de una sola variable dichos términos son valores altos y entrarán en juego solo cuando la restricción es violada. Serán
valores positivos en caso de minimización.

Los términos de penalización son arbitrarios, pero es conveniente que eleven el valor de la función objetivo en uno o
dos órdenes de magnitud en los alrededores de la solución. De cualquier forma, se recomienda evaluar la función real
para el valor óptimo encontrado.

Si se tiene el modelo:

Min Z(x) = Z(x) sujeto a: g(x) = 0

Entonces el nuevo modelo con la función objetivo modificada y sin restricciones es el siguiente:

Min Z(x) = Z(x) + p |g(x)|

Donde “p” es el término de penalización. Dicho término tendrá un valor distinto de cero cuando la restricción no sea
satisfecha. Cuando existen restricciones de desigualdad también se recurre al uso de los términos de penalización.

Cuando se tiene Min Z(x); sujeto a: g(x) ≤ 0

Zmod(x) = Z(x) + δp · g(x)

Siendo p el término de penalización y

δ = 1 cuando g(x) > 0; δ = 0 cuando g(x) ≤ 0

Estos valores de δ indican que g(x) entrará en juego cuando la restricción ha sido violada, es decir, cuando g(x) > 0.

FUNCIONES DE SEGUNDO ORDEN

Funciones Convexas y Cóncavas

Se dice que una función es estrictamente cóncava, si toda línea que conecta cualquier par de puntos de la función, se
sitúa por completo por debajo de la función. Si ocurre lo contrario, decimos que la función es estrictamente convexa.
 a b

a. Función estrictamente cóncava b. Función estrictamente convexa

Cuando se trata de una función de una sola variable, decimos que la función es estrictamente cóncava si su pendiente
es continuamente decreciente o que ∂2f / ∂x2

< 0. Una función es estrictamente convexa, si su pendiente es continuamente creciente o que ∂ 2f / ∂x2 > 0.

Estas definiciones se aplican también a funciones de variables múltiples, aunque existen otros criterios (matriz
hessiana), por medio de los cuales se pueden determinar la concavidad o convexidad de la función.

MAXIMIZACIÓN Y MINIMIZACION DE FUNCIONES CONVEXAS

Casos de Optimización Matemática

Cuando se menciona las estructuras los trabajos de optimización estructural según Cohn y Dinovitzer (1994, cita
de Payá 2007) se distinguen por:

 Poca correlación entre la teoría de optimización y las aplicaciones directas a la ingeniería.

 La mayoría de los problemas han sido resueltos usando métodos exactos con software.

 EL 92% de las estructuras resultas eran de Acero y un 4% de hormigón armado.

 El 88% de los casos estructuras con cargas estáticas y un 12% con cargas dinámicas

 En su mayoría se estudió la optimización monobjeto que la multiobjeto.

También Sarma y Adeli (1998 cita de Payá 2007) estudiaron el conocimiento existente sobre la optimización de
estructuras de hormigón armado donde recomiendan resolver estructuras reales y la optimización sea referida al
costo.
Siendo que para la optimización matemática debe existir un modelo matemático, ósea una abstracción de un
sistema que pude reflejar la realidad con los comportamientos descritos de forma numérica, entre los modelos
en optimización matemática según Perez (2005) se puede mencionar:
Modelos de programación lineal

Modelos que llevan una simple dependencia como representación simbólica matemática. Se pueden mencionar varios
términos de programación lineal, entre ellos se encuentran: la programación lineal Standard, programación lineal
entera, programación de transporte, y programación de asignación.

Modelos de programación no-lineal

Modelos donde se aplica para la resolución de un problema donde la función objetivo, y/o una o varias de las
restricciones, son funciones no-lineales de las variables de diseño.

Modelos de programación dinámicos

Aplicable a la optimización de sistemas determinísticos y estocásticos, continuos y discontinuos, lineales y no lineales,

que posean una estructura serial, es decir que constan de componentes conectados “cabezas con cola” sin
reciclajes o bucles.
Las ecuaciones de diseño a flexión ya mencionadas no tienen una dependencia lineal directa entre
sus variables, por lo que será necesario para la investigación un modelo de programación no-lineal
para poder optimizar la función costo.

Optimización Estructural.- Saitou (2005) realiza un resumen sobre los trabajos en optimización
estructural con matiz histórico dividiéndolos en tres etapas; antes de los 80 realizada con
limitaciones pero con gran énfasis conceptual, mayormente realizada por quienes no son ingenieros
civiles, físicos, ingenieros mecánicos y otros.; entre los 80 y 90s trabajos significativos que entre ellos
se destacan los modelos en tres dimensiones y la ayuda computacional; 2000 en adelante marcada
por el desarrollo de software especializado y herramientas computacionales, además de temas
aparentemente desconocidos como el comportamiento no lineal.