Condiciones de Karush-Kuhn-Tucker (KKT)
Las condiciones óptimas de KKT permite resolver el modelo de PNL con restricciones a
través del modelo, la restricción activa es la restricción que realiza en igualdad. La
condición de Karush-Kuhn-Tucker es una condición necesaria y un requisito suficiente
para resolver problemas de programación matemática para hacerlos óptimos. Es una
generalización del método del multiplicador de Lagrange.
Los modelos de programación no lineal (NLP) son modelos en los que las variables de
decisión se expresan como funciones no lineales en las restricciones de la función
objetivo y / o modelo de optimización. Esta característica específica del modelo no
lineal puede satisfacer el problema de las economías de escala o las deseconomías de
escala, o problemas que generalmente no satisfacen los supuestos relacionados con las
igualdades.
Condiciones de optimalidad KKT
La idea básica del desarrollo de la condición KKT comienza con el método lagrangiano,
considerando que si la restricción de desigualdad es válida en el estado óptimo, se puede
considerar como una restricción de igualdad asignando el multiplicador lagrangiano μ,
si la desigualdad si es válido, puede ignorarse, por lo que su multiplicador μ debe
establecerse en cero. Por tanto, μ o g deben ser cero.
De esta forma, el valor óptimo del problema de PNL debe satisfacer la condición óptima
de L lagrangiano (x, λ, μ), más otras condiciones. Para las funciones diferenciables
continuas J, h y g, las mejores condiciones óptimas para la variable x son:
Condiciones de regularidad (o cualificación de las restricciones)
En las condiciones necesarias anteriores, el multiplicador dual puede ser igual a
cero. Esta condición se llama degradación o anomalía. La condición necesaria no
considera las propiedades de la función, sino la forma geométrica de la restricción.
Hay una serie de condiciones regulares para asegurar que la solución no se degenere (es
decir, = 0).
Si el modelo de optimización también contiene restricciones de desigualdad, se utiliza el
método del multiplicador de Kuhn-Tucker.
Para determinar las (n+m+p) incógnitas x1, x2, ... ,xn, λ1, λ2, ..., λm, μ1, μ2, ..., μp, es
obligatorio resolver el conjunto de (n+m+p) ecuaciones. La solución, da el punto
óptimo en la región factible
Ejemplo Karush Kuhn Tucker (KKT)
No existe un método único para resolver problemas de programación no lineal
utilizando el teorema KKT. Para problemas con sólo la restricción "<=" (menor o igual
a), consideraremos aplicar el teorema en este caso. Si la pregunta tiene una restricción
"> =", puede convertirla multiplicando por -1.
Básicamente, el proceso implica resolver el problema no lineal como un problema no
restringido, y luego, si la solución óptima del problema no satisface todas o parte de las
restricciones del problema, entonces se activa (simultáneamente y / o secuencialmente)
las restricciones y Resuelve el problema de nuevo.
[1] S. Barragán, "Aplicación del despacho optimo de potencia reactiva al
establecimiento del costo por el soporte de voltaje en un sistema eléctrico de potencia
con despacho económico", Tesis, Instituto Politécnico Nacional Escuela Superior de
Ingeniería Mecánica y Eléctrica, 2004.
[2] W. Sifuentes Rosales, "Despacho Económico Activo-reactivo de Corto Plazo
Multiembalse Multinodal. Aplicación de Técnicas de Descomposición", Tesis Doctoral,
Facultad de Ingeniería de la Universidad Nacional de San Juan, 2006.
[3] "Karush Kuhn Tucker - Condiciones de optimalidad de KKT para la resolucion de
modelos de Programacion No Lineal con restricciones. Ejemplos Karush Kuhn
Tucker", Investigaciondeoperaciones.net, 2020. [Online]. Available:
http://www.investigaciondeoperaciones.net/karush_kuhn_tucker.html. [Accessed: 08-
Dec- 2020]
