Академический Документы
Профессиональный Документы
Культура Документы
sistema o de una realidad compleja. Es una herramienta que ayuda a la toma de decisiones.
Debe ser una simplicacin de la realidad.
Estticos:
Estocsticos.
Determinsticos.
Lineales
No Lineales.
Resumen Optimizacin
Se dene un punto extremo como un punto que es mnimo o mximo, local o global, de una
funcin f sobre un dominio .
Un punto ~x se dene mnimo global de f en (y solucin ptima del problema P )), si
f (~x) f (~y ), ~y .
~y : ||~x ~y || , ~y
jtmarquinezv@uc.cl
- 2012
Resumen Optimizacin
P2 ) mn h(~y )
s.a. lj (~y ) 0 j = 1, . . . , r
~y 2
Equivalencia I:
P1 ) mn f (~x) P2 ) max f (~x)
s.a. ~x
s.a. ~x
Equivalencia II:
P1 ) mn f (~x) P2 ) mn
s.a. ~x
s.a. f (~x)
~x , R
Equivalencia III:
P1 ) mn max{f1 (~x), . . . , fn (~x)} P2 ) mn
s.a. ~x
s.a. fi (~x)
i = 1, . . . , n
~x , R
Equivalencia IV:
P1 ) mn
s.a.
r
X
fi (~x) P2 ) mn
i=1
s.a.
~x
r
X
i=1
fi (~x) i
i = 1, . . . , r
~x , i R i = 1, . . . , r
Equivalencia V:
P1 ) mn f (~x) P2 ) mn g f (~x)
s.a. ~x
s.a. ~x
jtmarquinezv@uc.cl
- 2012
Resumen Optimizacin
Equivalencia VI:
1
P1 ) mn f (~
P2 ) max f (~x)
x)
s.a. ~x
s.a. ~x
Teorema: El Teorema de Convexidad indica que si, para el problema P ), f es una funcin
entonces si ~x es un mnimo local del problema, es tambin su mnimo global. Sin embargo, no
necesariamente este ptimo ser nico.
Corolario: Si f (~x) es estrictamente convexo sobre (cerrado), entonces todo punto mnimo
local de f (~x) es tambin su nico mnimo global.
jtmarquinezv@uc.cl
- 2012
Resumen Optimizacin
Notacin: Para iniciar, se considerar un PPL inicial escrito de la siguiente manera matricial:
mn cT x
s.a. Ax b
mn cT x
s.a. Ax = b
x0
Denicin: La fase II del mtodo Simplex es un algoritmo que itera viajando de un punto
factible hacia su mejor vecino, hasta obtener el resultado deseado. Se basa en que si existe
exactamente una solucin ptima, entonces esta debe ser un vrtice, y si existen mltiples,
al menos dos de ellas deben ser vrtices adyacentes (en problemas acotados). Y que si una
solucin en un vrtice es igual o mejor que todas las soluciones factibles en los vrtices
adyacentes a ella, entonces es igual o mejor que todas las dems soluciones en los vrtices.
Luego, es ptima.
El mtodo requiere llevar el problema en su formato estndar. Para ello:
Si existen variables libres, se debe sustituir por la diferencia de dos variables auxiliares no
negativas. Es decir, x1 = x1 x1 .
Si hay restricciones de desigualdades, se debe agregar variables de holgura para los casos
de o agregar variables de exceso (o restar variables de holgura) para los casos de .
Si el problema requiere maximizar una funcin, se debe cambiar al problema equivalente
utilizando la Equivalencia I.
Por notacin, el nmero de restricciones es m y el nmero de variables totales en este formato
es n.
Denicin: Una base es una submatriz de A formada por m columnas linealmente independientes. Permite despejar unas variables en trminos de otras para jar algunas con el n de
resolver un sistema de n n.
Denicin: Una solucin bsica del sistema Ax = b, x 0 es una solucin de la forma
x = [xB , xR ], donde xR = 0.
Una vez escogida la base, se debe reordenar el problema para que quede escrito de la siguiente
manera:
Jos Toms Marquinez -
jtmarquinezv@uc.cl
- 2012
Resumen Optimizacin
mn z = cTB xB + cTR xR
s.a. BxB + RxR = b
xR , xB 0
donde
xB Rm tiene las coordenadas de x que estn consideradas en la base actual. Es decir,
son las variables bsicas. Por construccin, en la iteracin actual xB 0.
xR Rnm tiene las coordenadas de x que no estn consideradas en la base actual. Es
decir, son las variables no bsicas. Por construccin, en la iteracin actual xR = 0.
B es la base.
R es una submatriz de A formada por n m columnas linealmente independientes.
Denicin: Una solucin bsica del sistema Ax = b, x 0 se llama solucin bsica factible
si xB 0. Corresponde a un vrtice del dominio.
b = B 1 b
II) b indica el valor actual de las variables bsicas, las cuales deben ser positivas por construccin. Por lo tanto, se verica que se cumpla el criterio de factibilidad . En caso de no
cumplirse, la base actual no es una base factible:
b = xB = B 1 b 0
Si el valor de una variable bsica es igual a cero, existe solucin degenerada (punto
sobredeterminado).
III) Se verica el criterio de optimalidad , que indica si la base actual es la base ptima.
En caso de que no, se debe continuar con la iteracin. El criterio indica que los costos
reducidos de las variables no bsicas no deben ser negativos (stos indican un aporte
marginal a la funcin objetivo). Si alguno de los costos reducidos es 0, entonces el
problema tiene soluciones mltiples:
0
cR = cR cB B 1 R = cR cB R
jtmarquinezv@uc.cl
- 2012
Resumen Optimizacin
IV) Se verica el criterio de entrada. Entrar a la base aquella variable no bsica que tenga
costos reducidos menores (entre las que poseen costos reducidos negativos). Si el criterio
entrega ms de un p, se escoge arbitrariamente uno para continuar.
mn{
cRi } = cRp xp entra a la base.
V) Se verica el criterio de salida. Saldr de la base aquella variable que deba hacerse cero
para llegar al vrtice vecino ms cercano. Si el criterio de salida entrega ms de un s,
se escoge arbitrariamente. Si el criterio de salida no entrega ningn s, el problema es no
acotado:
b
b
mn
=
xs sale de la base.
a
ip >0
a
ip
a
sp
VI) Se actualizan los componentes xB , xR , B y R y se comienza nuevamente.
Una iteracin de Simplex usando la tcnica de tableau:
I) Se escribe la siguiente matriz (la primera
de qu va en qu columna):
xR
xB
B
II) Pivotear la tabla completa de tal manera que en el cuadrante de B quede la matriz
identidad, y los nmeros sobre esta matriz sean ceros. De esa manera, la matriz pivoteada
quedar de la siguiente manera:
z
xR xB
0 cR ziter = cB B 1 b
b
I R
III) Se verica el criterio de optimalidad . Se verica que todos los valores en la casilla de cR
sean mayor o igual a cero.
IV) Se verica el criterio de entrada. Entrar a la base aquella variable no bsica que tenga
costos reducidos menores (entre las que poseen costos reducidos negativos). Por lo tanto,
entra a la base la variable que se encuentra inmediatamente arriba del menor valor de
los cR en la gua para el calculista.
V) Se verica el criterio de salida. Para ello, se destaca la columna de la variable que entra,
y se calcula el cuociente de los valores entre la columna de z y la columna destacada
(siempre y cuando estos ltimos sean > 0). Se debe destacar la la que contenga el
menor cuociente entre los calculados. Luego, saldr aquella variable que se encuentre
inmediatamente arriba (en la gua del calculista) del pivote (el 1 de la matriz identidad)
de la la seleccionada.
jtmarquinezv@uc.cl
- 2012
Resumen Optimizacin
Denicin: La fase I del mtodo Simplex utiliza el algoritmo de Simplex para encontrar una
solucin factible del problema original. Para ello, agrega variables auxiliares que hacen factible
una solucin que no lo es, al agregar dimensiones al problema.
I) Se agregan variables auxiliares en aquellas restricciones que no presentan pivotes para
la identidad que genera una solucin factible. Generalmente se agrega un variable tj por
cada restriccin j del problema.
II) Se escoge la matriz B del problema como aquella que forme la matriz identidad . En el
caso de haber agregado una variable por restriccin, la base estar conformada por las
variables auxiliares.
III) Se intenta que las variables auxiliares no sean necesarias para estar en una solucin
factible del problema original, por lo que se modica la funcin objetivo a la suma simple
de todas las variables auxiliares que se hayan agregado.
IV) Se comienza a iterar Simplex Fase II de este nuevo problema auxiliar hasta que el criterio
de optimalidad lo indique.
V) Si la base actual es tal que el valor ptimo de Fase I es igual a 0, entonces esa es la base
que se utiliza para comenzar a iterar Fase II del problema original. Si la base actual es
tal que el valor ptimo de Fase I es mayor a 0, entonces no existe solucin factible para
comenzar a iterar Simplex Fase II del problema original.
jtmarquinezv@uc.cl
- 2012
Resumen Optimizacin
para ver cmo se comporta la solucin del mismo. Asume una solucin ptima x obtenida de
una base ptima B .
Denicin: Los precios sombra indican el cambio global en la funcin objetivo al variar en
una unidad el lado derecho de una restriccin (una componente del vector b).
Denicin: Los precios sombra indican el cambio global en la funcin objetivo al variar en
una unidad el lado derecho de una restriccin (una componente del vector b).
T =
z
= cTB [B ]1
b
Notemos que para el clculo de T se requiere que no cambie B . Por lo tanto, se requiere
estudiar el criterio de factibilidad.
Variacin en los costos ci :
Esto vara la pendiente de las curvas de nivel, por lo que podra cambiar la solucin ptima:
Requiere que el criterio de optimalidad de Simplex siga cumplindose.
Variacin en los factores tecnolgidos aij : Generalmente requiere un estudio desde cero, porque
ocurren ambas cosas simultneamente.
Agregacin de una variable xn+1 : Proceder como si hubiera cambiado un costo no bsico, ya
que no cambia el tamao de la base.
jtmarquinezv@uc.cl
- 2012
Resumen Optimizacin
Maximizacin
Variables
Restricciones
0
0
Irrestrictas
Restricciones
Variables
0
0
Irrestrictas
Teorema: El Teorema Dbil de Dualidad nos dice lo siguiente: Sea ~x una solucin factible
del problema primal y sea ~y una solucin faactible del problema dual. Entonces, si el problema
primal es de minimizacin en ~x y el dual de maximizacin en ~y , entonces ~x, ~y factibles se
cumple que z(~x) w(~y ).
Corolario: Si alguno de los problemas es factible pero no acotado, entonces el otro problema
es infactible.
jtmarquinezv@uc.cl
10
- 2012
Resumen Optimizacin
Teorema: El Teorema Fuerte de Dualidad nos dice lo siguiente: Dado un par de problemas
primal-dual, si uno de ellos admite solucin ptima, entonces el otro tambin la admite y los
respectivos valores ptimos son iguales:
z(~x ) = ~cT ~x = ~bT ~y = w(~y )
En el Primal
En el Dual
Variables
Holguras
Variables Bsicas
Variables No Bsicas
Mltiples Soluciones
Solucin Degenerada
jtmarquinezv@uc.cl
11
- 2012
Resumen Optimizacin
Denicin: Un modelo de Programacin Lineal Mixto (PLM) es aqul con algunas variables
enteras o binarias y con otras continuas, y tanto sus restricciones como su funcin objetivo
son lineales (1 s p < n).
P B) z = mn z = ~cT ~x
s.a. A~x ~b
xj 0,
j = 1, . . . , s
xj [0, 1],
j = s + 1, . . . , p
+
xj Z ,
j = p + 1, . . . , n
Denicin: Sea el problema binario P B . El siguiente problema se llama relajacin lineal del
problema entero mixto binario original.
P RB) z 0 = mn z = ~cT ~x
s.a. A~x ~b
~x 0
0 xj 1,
j J {1, . . . , n}
Denicin: Sea el problema P . El siguiente problema se llama relajacin lineal del problema
entero original.
P R) z 0 = mn z = ~cT ~x
s.a. A~x ~b
~x ~0
jtmarquinezv@uc.cl
12
- 2012
Resumen Optimizacin
hasta el instante.
Supongamos que se desea resolver el problema P , cuyo espacio factible sin considerar la
naturaleza variable denotaremos R0 :
I) Se resuelve el problema relajado lineal del problema, P R. Si la solucin es entera, no se
acota ms la rama. Si el valor de la funcin objetivo es peor que el valor del incumbente,
no se acota ms la rama. Si el problema actual es infactible, no se resuelve ni se ramica.
Si la solucin posee alguna componente fraccionaria, digamos la componente k , entonces
se debe ramicar.
II) Si de decidi ramicar, entonces se crean dos subproblemas P R1 y P R2 , cuyos dominios
sern:
Para P R1 R1 = R0 {x : xk bxk c + 1}
Para P R2 R2 = R0 {x : xk bxk c}
III) Se contina con cada rama reiniciando el algoritmo recursivamente.
Se tiene que el valor ptimo de las ramas ser siempre peor al valor ptimo del nodo desde
donde fue ramicado.
A su vez, se puede denir el GAP o Brecha de Optimalidad, que indica qu tan lejos estamos
del ptimo, con zRL el mejor valor no entero actual y zL el mejor valor entero actual:
=
zRL zL
zRL
Planos Cortantes:
Denicin: Un plano cortante es una restriccin redundante para la formulacin del problema
pero que corta soluciones fraccionarias de la relajacin lineal. De esta manera, se intenta hacer
que el poliedro formado por las restricciones tengan como vrtices soluciones enteras, como
se muestra en la siguiente gura. Esto se puede hacer con la ayuda del grco del problema.
Mtodo de Gomory:
Denicin: El Mtodo de Gomory es una tcnica antigua de corte del espacio, utilizando
un algoritmo claro de resolucin que impide que la solucin ptima del problema relajado sea
Jos Toms Marquinez -
jtmarquinezv@uc.cl
13
- 2012
Resumen Optimizacin
solucin del prximo problema a resolver, sin exclur soluciones enteras del espacio. Este es el
siguiente:
I) Resolver el problema de relajacin lineal P R. Si la solucin resultante tiene todas las
componentes enteras, no seguir. Si alguna es entera, realizar un corte.
II) Obligar a que se cumpla lo siguiente:
X
(
akj b
akj c)(xR )j (bk bbk c)
jVNB
en donde VNB es el conjunto de ndices de las variables no bsicas, akj son coecientes
de B 1 R y b = B 1~b. De esta manera, se obtienen cortes vlidos para los valores de las
variables no bsicas. De las restricciones del problema estndar se pueden obtener igualdades que permitan escribir estas nuevas restricciones en trminos de lo que convenga
(en particular, de las variables principales para poder gracarlo).
Es til mezclar los mtodos, y ejecutar Branch & Bound con algunos cortes includos en el
problema, para fortalecer la formulacin.
jtmarquinezv@uc.cl
14
- 2012
Resumen Optimizacin
Notacin: Para estos problemas se tiene un grafo dirigido G = (V, A), en el que a cada nodo
i V se le asocia una oferta bi (demanda si es < 0), con
n
X
i=1
se le asocia un costo unitario de transporte cij , una cota mnima de transporte lij 0 una
capacidad mxima de transporte uij lij .
El modelo quedar dado, con xij la cantidad de productos que irn del nodo i al nodo j por
el arco (i, j), por
X
mn
cij xij
s.a.
X (i,j)A X
xij +
xki = bi
(i,j)A
i V
Conservacin de ujo
(k,i)A
xij
xij
La estructura de estos problemas tienen una bondad adicional debido a que la matriz de
restricciones del problema es totalmente unimodular (tambin se dice que es de capacidad
mxima) (determinante de cada una de sus submatrices cuadradas es 0, 1 -1): hace que los
vrtices del poliedro sean puntos enteros del espacio vectorial.
Simplex Especializado en Redes: Permite resolver los problemas de ujo a costo mnimo y
anlogos. Se mueve de un rbol generador (o base) a otro, hasta encontrar el ptimo.
I) Se debe encontrar un criterio de factibilidad de la red, es decir, un grafo conexo y sin
circuitos que abarque todos los nodos del problema sin generar circuitos. Adems, este
grafo debe permitir un ujo inicial factible.
II) Con la ayuda del rbol, determinar las variables bsicas y las no bsicas. Las variables
bsicas son aquellos ujos xij tales que lij xij uij . Las variables no bsicas son
aquellas que xij = lij xij = uij . Luego, es fcil ver que todo ujo que cumple
lij < xij < uij debe ser un ujo bsico.
III) Dado que los costos reducidos de las variables bsicas deben ser 0, se calculan los valores
de las variables duales i , teniendo en cuenta que los grados de libertad del problema
permiten jar una de esas variables arbitrariamente.
cij = cij i + j = 0
Jos Toms Marquinez -
jtmarquinezv@uc.cl
15
- 2012
Resumen Optimizacin
IV) Se verica el criterio de optimalidad , que indica si la base actual es ptima. Para ello, se
verican que se cumplan las siguientes condiciones para las variables no bsicas:
cij = cij i + j 0
cij = cij i + j 0
si
si
xij = lij
xij = uij
(i,j)C2
donde C1 son los arcos del circuito formado que siguen el sentido del ujo, y C2 son los
arcos del circuito formado que siguen el sentido contrario del ujo. La variable entrante
domina el sentido del ujo.
Si el criterio de salida no entrega ningn par (r, s), entonces el problema es un problema
no acotado.
Notemos que puede ocurrir que la base no cambie (en el caso de que el mnimo sea
upq lpq ), ya que para encontrar el punto de la iteracin siguiente slo bastaba reasignar
el ujo.
VII) Se actualizan los ujos, haciendo:
xnuevo
= xij +
ij
si xij C1
xnuevo
= xij
ij
si xij C2
y se comienza nuevamente.
Anlisis de Sensibilidad para Flujo a costo mnimo: Sigue el mismo criterio que Simplex lineal,
analogizndolo de manera correcta.
jtmarquinezv@uc.cl
16
- 2012
Resumen Optimizacin
Problema de Flujo Mximo: Consiste en determinar la mxima cantidad de glujo que se puede
transportar a travs de una red desde un nodo de origen a otro de destino.
Denotacin: Para estos problemas se tiene un grafo dirigido G = (V, A), en el que cada arco
(i, j) A tiene una se le asocia una cota mnima de transporte lij y una capacidad mxima
de transporte ulj , y no tiene costo asociado. Existen dos nodos especiales: un nodo de origen
r V y un nodo de destino s V .
El modelo quedar dado, con xij el ujo en el arco (i, j) y F el valor del ujo que entra en el
origen, por
max
s.a.
F
X
xij
(i,j)A
F si i = r
0 si i 6= r, s
=
i N
F si i = s
xki
(k,i)A
(i, j) A
El corte con la capacidad ms pequea se denomina corte mnimo y limita el ujo de la red.
Es decir, F C(S), S V .
Teorema: El Teorema de Ford & Fulkerson indica que el mximo valor de ujo (si existe)
que se puede enviar desde el origen al destino es igual a la capacidad de un corte mnimo.
III) A todos los arcos (i, j) p se le resta la cantidad fp en la red. Es decir, se asume que
se pasar esa cantidad por camino. Se recomienda anotar en cada arco la cantidad fp de
esa iteracin, para despus saber cul es el ujo por cada arco. Se vuelve al paso II).
IV) Una vez que no queden caminos posibles de r a s con fp > 0, se ha terminado. El ujo
mximo es
X
F =
fp
p encontrados
jtmarquinezv@uc.cl
17
- 2012
Resumen Optimizacin
Denotacin: Para estos problemas se tiene un grafo dirigido G = (V, A), en el que cada
arco (i, j) A tiene una se le asocia un costo de transporte cij . Se denotan dos nodos como
especiales: un nodo de origen r V y un nodo de destino s V .
El modelo quedar dado, con xij variable binaria relajada que indica si se usar el arco (i, j)
para llegar de r a s, por
mn
n X
n
X
cij xij
i=1 j=1
s.a.
n
X
j=1
xij
n
X
xki
k=1
xij {0, 1}
Algoritmo de
1 si i = r
1 si i = s
0 si i =
6 r, s
i N
(i, j) A
IV) Si dantiguo
< dnuevo
, entonces actualizar nj i.
j
j
V) Sea k (V S) tal que
dk = mn{di : i (V S)}
jtmarquinezv@uc.cl
18
- 2012
Resumen Optimizacin
f (x ) = ~0.
Denicin: Un punto estacionario o punto crtico es aqul punto x que satisface el teorema
anterior. Estos puntos se pueden identicar como candidatos a mnimo.
es
semidenida positiva
submatrices son positivos o cero. De manera similar, lo mismo ocurre si todos los valores propios de
positivos o cero.
Una matriz cuadrada, invertible y simtrica
es
denida positiva
Ann
con
es
son
positivos o cero.
Ann
son
trices son estrictamente positivos. De manera similar, lo mismo ocurre si todos los valores propios de
estrictamente positivos.
es
denida negativa
Ann
jtmarquinezv@uc.cl
19
par son
con
- 2012
Ann
con
par
Resumen Optimizacin
Teorema: Sea ~x mnimo local de f . Entonces, existe r > 0 tal que si el mtodo del gradiente
es iniciado desde un punto ~x0 tal que ||~x ~x0 || < r, este converge a ~x .
jtmarquinezv@uc.cl
20
- 2012
Resumen Optimizacin
jtmarquinezv@uc.cl
21
- 2012
Resumen Optimizacin
bi , i = 1, . . . , m}.
Denicin: Un cono tangente T (~x) es el cono generado por los gradientes de las restricciones
P ) mn
f (x)
s.a. a x b
xR
Si x = a f 0 (x ) 0.
Si x = b f 0 (x ) 0.
Si a < x < b f 0 (x ) = 0.
jtmarquinezv@uc.cl
22
- 2012
Resumen Optimizacin
00
0
Si x = b f (a) 0 f (b) 0 si f (b) = 0 .
0
00
Si a < x < b f (x ) = 0 f (x ) 0 .
Si se tiene ms de un mnimo local, se deben comparar todos para encontrar el mnimo global
del problema P ).
Problema con Restricciones de Igualdad:
P ) mn f (~x)
s.a. hi (~x) = ai
x Rn
i = 1, . . . , m
ge dice que si ~x (punto factible regular) es ptimo local del problema, entonces existen
multiplicadores de Lagrange 1 , . . . , m tales que
f (~x ) +
m
X
i hi (~x ) = 0
i=1
m
X
i hi (~x) ai
i=1
s.a.
L
L(~x , ~ ) = 0
x
L
L(~x , ~ ) = 0
Denicin: Se dice que el punto ~x es regular (o que cumple las condiciones de regularidad)
si el Jacobiano2 J (~x) de las restricciones es de rango mximo, es decir, son linealmente
independientes. De lo contrario, se dice que el punto es singular .
h1 (~x)
h2 (~x)
2 J (~
x) =
.
.
.
hm (~x)
jtmarquinezv@uc.cl
23
- 2012
Resumen Optimizacin
Para que los puntos estacionarios ~x sean ptimos locales, debe cumplirse que
x
2 L(~x , ~ ) T
x 0
x2
As, la condicin necesaria de segundo orden ser que el Hessiano del Lagrangeano sea semidenido positivo en el subespacio denido por las restricciones. Y la condicin suciente
de segundo orden ser que el Heddiano del Lagrangeano debe ser denido positivo en dicho
subespacio. En este caso, el punto ser mnimo local estricto.
Luego, basta evaluar los puntos en el Hessiano para determinar la naturaleza de los puntos.
Interpretacin de los Multiplicadores de Lagrange: El valor i es la sensibilidad del valor ptimo
o precio sombra frente a una variacin unitaria en el parmetro ai de la restriccin i. Si ~x es
un punto mnimo local:
f (~x )
L(~x )
=
= i
ai
ai
Problema con Restricciones de Desigualdad: El problema diere en que las condiciones de
optimalidad son distintas si se trata de un punto en el borde del dominio (restricciones activas)
o de un punto interior (todas inactivas).
P ) mn
f (~x)
s.a. gi (~x) bi i = 1, . . . , m
~x Rn
f (~x ) +
m
X
i gi (~x ) = 0
i=1
~ bi = 0,
i gi (x)
Denicin: Se dice que el punto ~x es regular para las restricciones del problema si los
m
X
i gi (~x) bi
i=1
Jos Toms Marquinez -
jtmarquinezv@uc.cl
24
- 2012
Resumen Optimizacin
en el que (~x , mu
~ ) es punto estacionario del problema mn(~x,~),0 L(~x, ~).
Luego, las condiciones de KKT necesarias para el siguiente problema de minimizacion/ maximizacin
mn
P)
f (~x)
max
s.a. gi (~x) bi i = 1, . . . , m
xj 0
j J, j {1, . . . , n}
son, usando el Lagrangeano
L(~x, ~ = f (~x) +
m
X
i gi (~x) bi
i=1
L
xj
L
n+1...n+m)
i
L
n+m+1...2n+m)
xj
xj
L
2n+m+1...2n+2m)
i
i
2n+2m+card(J))
xj
2n+3m+card(J))
i
)
1...n
0
0
j = 1, . . . , n
i = 1, . . . , m
=0
j = 1 . . . , m
=0
i = 1, . . . , m
0
0
j J
i = 1, . . . , m
que satisface las condiciones de KKT, y P ) es un problema convexo, encontes ese punto es
mnimo global del problema (no requiere regularidad del punto ptimo).
Teorema: (Condicin de segundo orden de KKT) Sea ~x punto regular tal que se cumple
KKT con multiplicadores ~ . Se tiene que:
Si ~x es mnimo local, entonces
2 L(~x , ~ ) ~
d~T
d 0,
x2
d~ K(~x )
2 L(~x , ~ ) ~
d~T
d > 0, d~ K(~x ), d~ 6= ~0
x2
entonces ~x es mnimo local estricto del problema.
jtmarquinezv@uc.cl
25
- 2012
Resumen Optimizacin
Aclaracin 1: Esto es un RESUMEN, por lo que puede haber parte de la materia no incluida
intencionalmente.
jtmarquinezv@uc.cl
26
- 2012