---
title: "Programowanie nieliniowe"
source: "https://systems-analysis.info/int/Programowanie_nieliniowe"
wiki: "systems-analysis.info/int"
article: "Programowanie_nieliniowe"
language: "pl"
categories:
  - "Category:Mathematical modeling"
  - "Category:Modeling"
  - "Category:Operations research"
  - "Category:Polish"
revision_id: 5902
wiki_created_at: 2026-09-06T23:55:38Z
wiki_modified_at: 2026-09-06T23:55:38Z
downloaded_at: 2026-09-07T23:10:57Z
---

# Programowanie nieliniowe

**Programowanie nieliniowe (PNL)** — to dział programowania matematycznego i badań operacyjnych, zajmujący się zadaniami optymalizacji, w których funkcja celu i/lub co najmniej jedno z ograniczeń są **nieliniowymi funkcjami** zmiennych decyzyjnych.

PNL jest uogólnieniem programowania liniowego i pozwala modelować szerszą klasę rzeczywistych systemów i procesów, w których zależności między zmiennymi nie są ściśle proporcjonalne (tzn. opisywane są krzywymi, a nie liniami prostymi).

## Przedmiot i przeznaczenie

Programowanie nieliniowe stosuje się do znajdowania optymalnych rozwiązań w sytuacjach, gdy:

- Zależność wskaźnika docelowego (zysku, kosztów, efektywności itp.) od parametrów sterowanych jest nieliniowa (np. malejące przychody ze skali, koszty kwadratowe).
- Ograniczenia dotyczące zasobów lub procesów technologicznych opisywane są relacjami nieliniowymi (np. reakcje chemiczne, prawa fizyczne, zależności ekonomiczne).

  
Zadania PNL pojawiają się w wielu dziedzinach:

- Projektowanie inżynieryjne (optymalizacja konstrukcji, procesów).
- Ekonomia i finanse (optymalizacja portfela z uwzględnieniem ryzyka, modelowanie rynku).
- Technologia chemiczna (optymalizacja trybów pracy reaktorów).
- Machine Learning (uczenie sieci neuronowych, metoda wektorów nośnych).
- Zarządzanie procesami produkcyjnymi. Logistyka (z uwzględnieniem kosztów nieliniowych).

## Matematyczne sformułowanie zadania PNL

Ogólne zadanie programowania nieliniowego formułuje się następująco:

Należy znaleźć zestaw wartości **zmiennych decyzyjnych**, który maksymalizuje lub minimalizuje **nieliniową funkcję celu**. Przy tym wartości zmiennych muszą spełniać układ **ograniczeń**, które mogą być wyrażone zarówno w postaci **nierówności** (np. „wartość A musi być mniejsza lub równa B"), jak i w postaci **równości** (np. „wartość C musi być dokładnie równa D"). Istotne jest, że co najmniej jedna z funkcji opisujących cel lub ograniczenia jest **nieliniowa**. Często dodawane są warunki **nieujemności** zmiennych, czyli wymóg, aby ich wartości były większe lub równe zero.

Zbiór wszystkich zestawów wartości zmiennych spełniających ograniczenia tworzy **obszar rozwiązań dopuszczalnych (ORD)**.

## Różnice w stosunku do programowania liniowego

Programowanie nieliniowe różni się zasadniczo od programowania liniowego (PL):

- Nieliniowość: Funkcja celu lub ograniczenia (lub jedno i drugie) zawierają zależności nieliniowe.
- Własności ORD: Obszar rozwiązań dopuszczalnych w PNL może być niewypukły (w odróżnieniu od PL, gdzie ORD jest zawsze wypukłym wielościanem).
- Własności optimum: Optymalne rozwiązanie w PNL niekoniecznie leży w wierzchołku ORD — może leżeć na granicy lub wewnątrz obszaru. W PNL mogą istnieć lokalne optima, które nie są globalnymi.
- Złożoność rozwiązania: Zadania PNL są na ogół znacznie trudniejsze do rozwiązania niż zadania PL. Nie istnieje jeden uniwersalny algorytm, analogiczny do metody simpleks, dla wszystkich zadań PNL.

## Główne trudności i wyzwania PNL

Rozwiązywanie zadań programowania nieliniowego wiąże się z szeregiem trudności:

- Istnienie lokalnych ekstremów: Większość metod PNL gwarantuje znalezienie jedynie lokalnego optimum (rozwiązania najlepszego w pewnym otoczeniu). Poszukiwanie globalnego optimum (najlepszego rozwiązania w całym ORD) jest zadaniem trudnym, szczególnie dla problemów niewypukłych.
- Niewypukłość: Jeśli zadanie nie jest wypukłe (funkcja celu lub ORD są niewypukłe), może istnieć wiele lokalnych optimów, a standardowe metody gradientowe mogą „utknąć" w jednym z nich.
- Złożoność obliczeniowa: Algorytmy rozwiązywania PNL często wymagają znacznie większych zasobów obliczeniowych w porównaniu z PL.

## Ważne klasy zadań PNL

Pomimo ogólnej złożoności, istnieją ważne podklasy zadań PNL, dla których opracowano efektywne metody rozwiązania:

- Programowanie wypukłe: Zadanie minimalizacji funkcji wypukłej na wypukłym zbiorze rozwiązań dopuszczalnych (lub maksymalizacji funkcji wklęsłej). Kluczowa własność: każde lokalne minimum jest jednocześnie globalnym minimum. Znacznie upraszcza to poszukiwanie optymalnego rozwiązania.
- Programowanie kwadratowe: Funkcja celu jest kwadratowa, a wszystkie ograniczenia — liniowe.
- Programowanie separowalne: Funkcja celu i ograniczenia mogą być przedstawione jako sumy funkcji, z których każda zależy tylko od jednej zmiennej.

## Metody rozwiązywania zadań PNL

Metody rozwiązywania zadań programowania nieliniowego (PNL)

**I. Metody optymalizacji bez ograniczeń:**

- Metody gradientowe (metoda najszybszego spadku, metoda gradientów sprzężonych);
- Metoda Newtona i metody quasi-newtonowskie (np. BFGS);
- Metody wykorzystujące aproksymację hesjanu.

**II. Metody optymalizacji warunkowej (optymalizacja z ograniczeniami):**

- Metody transformacji:
  - Metoda funkcji kar (penalty methods);
  - Metoda funkcji barierowych (barrier methods).
- Metody bezpośredniego poszukiwania kierunków:
  - Metoda kierunków dopuszczalnych.
- Metody oparte na warunkach optymalności:
  - Metody Karusha-Kuhna-Tuckera (warunki KKT);
  - Metoda mnożników Lagrange'a.
- Metody iteracyjne:
  - Sekwencyjne programowanie kwadratowe (SQP);
  - Metody punktów wewnętrznych.

**III. Metody optymalizacji globalnej:**

- Metody heurystyczne i metaheurystyczne:
  - Algorytmy genetyczne;
  - Symulowane wyżarzanie;
  - Przeszukiwanie z tabu (tabu search).
- Metody deterministyczne:
  - Podziału i ograniczeń (branch and bound);
  - Algorytmy optymalizacji globalnej dla zadań o specjalnej strukturze.

## Literatura

- *Bazara M., Shetty C.* Programowanie nieliniowe. Teoria i algorytmy. — Moskwa: Mir, 1982.
- *Fiacco A., McCormick G.* Programowanie nieliniowe. Metody sekwencyjnej minimalizacji bez ograniczeń. — Moskwa: Mir, 1972.
- *Himmelblau D.* Stosowane programowanie nieliniowe. — Moskwa: Mir, 1975.
- *Nocedal, Jorge; Wright, Stephen J.* Numerical Optimization. — Springer, 2006. (2nd ed.)

## Zobacz też

- Badania operacyjne
- Optymalizacja
- Programowanie liniowe
- Programowanie wypukłe
- Funkcja celu
- Ograniczenia
- Obszar rozwiązań dopuszczalnych