El problema de optimizar una función objetivo que existe dentro de las restricciones de igualdad e desigualdad es abordado por la programación no lineal (NLP). Un programa lineal existe si todas las funciones son lineales; de lo contrario, el problema se denomina como un programa no lineal. El desarrollo de algoritmos y software de programación lineal (LP) altamente eficientes y robustos, la llegada de computadoras de alta velocidad y la comprensión y portabilidad más amplias de los practicantes sobre modelado matemático y análisis han contribuido a la importancia de LP en la resolución de problemas en una variedad de campos. Sin embargo, debido a la naturaleza de la no linealidad de las funciones objetivo y cualquiera de las restricciones, varias situaciones prácticas no pueden ser completamente explicadas o predichas como un programa lineal. Los esfuerzos para superar rápidamente y de manera eficiente tales problemas no lineales han avanzado rápidamente en las últimas décadas. El siglo pasado ha visto un rápido progreso en el campo del modelado no lineal de problemas del mundo real. Debido a la incertidumbre que existe en todos los aspectos de la naturaleza y la vida humana, estos modelos deben ser vistos a través de un sistema conocido como sistema difuso. En este artículo, se propone un nuevo modelo difuso para abordar la vaguedad presentada en los problemas de programación no lineal (NLPPs). Se describe el modelo propuesto; se muestra su formulación matemática y procedimiento computacional detallado con ilustraciones numéricas empleando funciones de membresía difusas trapezoidales (TFMFs). Aquí, el procedimiento computacional tiene un papel importante en adquirir el resultado óptimo utilizando las condiciones necesarias y suficientes del método de multiplicadores de Lagrange en términos de la difuminación. Además, el modelo propuesto se basa en la investigación previa en la literatura, y el resultado óptimo obtenido se justifica con TFMFs. Se completó una evaluación del rendimiento del modelo con diferentes conjuntos de entradas, seguida de un análisis comparativo, resultados y discusión. Por último, la evaluación del rendimiento indica que el nivel de eficiencia del modelo propuesto es de alto impacto. El código para resolver el modelo se implementa en LINGO, y viene con una colección de solucionadores integrados para varios problemas.