Apuntes de programacion
1. CASO NO SUJETO A RESTRICCIONES
DEFINICIÓN DEL PROBLEMA
Optimizar F(x1 , x2 ,..., xn )
con Fdefinida en D de Rn.
¿Teoremas Weierstrass y Local-Global?
MÉTODOS CLÁSICOS Condición necesaria
Teorema: Si x* es solución del problema:
Optimizar F(x) , Entonces ∇F(x*) = 0
Notas: • • • Condiciones necesarias o de primer orden Concepto de punto candidato a óptimo (crítico) Concepto de punto de silla
Ejemplo: Determinar los puntos candidatos a óptimo de la función: F(x,y) = x4 + y4 –2(x-y)2
1
Luego los puntos candidatos a óptimo son (0,0), − 2, 2 y
(
) (
2,− 2
)
2
Podemos observar que (0,0) es punto de silla, ya que es un punto candidato a óptimo que no es ni máximo no mínimo (ver curvas de nivel)
Condición Suficiente
Teorema 2: Sea x* un punto candidato a óptimo de:
Optimizar F(x)
Si F es cóncava en x* ⇒ x* es máximo local Si F es convexaen x* ⇒ x* es mínimo local Si F es ni cóncava ni convexa en x* ⇒ x* puede ser punto de silla
Lo aplicamos al ejemplo anterior:
Observamos que los dos primeros son mínimos locales y que (0,0) es un punto de silla, ya que aunque “parecía” que iba a ser un máximo local, al estudiar en el entorno hemos visto que no se conserva el signo.
Puntos de silla: 3
MÉTODOS NUMÉRICOS
IntroducciónLos algoritmos de optimización no restringida (para mínimo) 1.- Partir de un punto inicial x0. 2.- Buscar una dirección de descenso dk 3.- Elegir un paso ρk. 4.- Calcular un nuevo punto: xk + 1 = xk + ρk dk . 5.- Repetir el proceso hasta que se verifique un test de parada y verificar la optimalidad del punto obtenido. DEFINICION: Dados un punto x0 y una función f(x), un vector d es una direcciónde descenso para f(x) en x0, si existe ε > 0 de forma que: f(x0 + ρ d) < f(x0 ) ∀ρ ∈ (0, ε) TEOREMA: Si ∇f(x0 ).d < 0 entonces el vector d es una dirección de descenso para f(x) en x0.
EJEMPLO Determinar las direcciones de descenso de la función:
f@x_, y_D = x3 − 3 x2 y + 5 x;
en el punto (0,1). Solución:
4
Sea d = (a,b) el vector que estamos buscando. Calculemos:
0 ht HL (x*,λ *) h
∧
(
)
EJEMPLO Queremos ver si se verifica que siendo (-1, -1 ; 6) un punto estacionario de la función de Lagrange asociada al problema:
Maximizar x3 + y3 + 9xy sujeta : −x − y ≤ 2
podemos afirmar que (-1,-1) sea solución de dicho problema.
Observemos que no se verifican las condiciones de segundo orden ya que la función objetivo no es cóncava. En primer lugar, al ser λ*=6positivo, la restricción es activa en el punto. Por lo tanto apliquemos las condiciones de Gill-Murray al problema:
Maximizar x3 + y3 + 9xy sujeta : −x − y = 2
Las condiciones I,II y III se verifican como es obvio.
41
Comprobemos la IV:
La matriz
HL (x*, λ *) es:
∧
Al ser indefinida hemos de clasificarla restringida.
La matriz
(JI g(x*) )
t
es:
Por lo tanto:Que es definida negativa y por lo tanto (-1,-1) es un máximo local.
EJERCICIO Resolver:
Maximizar − (x − 1)2 − y 2 sujeta :
− x2 + y ≤ 0
x+y =2 x, y ≥ 0
Solución: 42
La función de Lagrange asociada:
Las condiciones de K.-T. Aplicadas a nuestro ejemplo son:
∂L ≤0 ∂x ∂L ≤0 ∂y
2
I)
II)
−x +y ≤0 x+y =2 x≥0 y≥0
x
III)
∂L =0 ∂x ∂L y =0 ∂y
IV)
λ1 ( −x2 + y) = 0V)
VI)
λ1 ≥ 0 λ2 cualquiera
Tomamos las de igualdad:
Al aplicar las condiciones V y VI nos quedamos con:
(0,2;0,−4 ), 3 , 1 ;0,−1 , (2,0;0,−2)
2 2
Veamos si verifican las restantes condiciones de K.-T.: Condición I)
3 1 Luego la condición I la verifica únicamente el punto , ;0,−1 2 2
43
Condición II) Este punto es admisible, luego es un...
Regístrate para leer el documento completo.