Вы находитесь на странице: 1из 24

UNIVERSIDAD NACIONAL DE TRUJILLO FACULTAD DE CIENCIAS FISICAS Y

MATEMATICAS
DEPARTAMENTO DE MATEMATICAS

INFORME FINAL

Minimizaci
on de funciones convexas sobre la envoltura
convexa de un conjunto finito de puntos usando el
m
etodo de puntos interiores
Maestra en Ingeniera Matematica.

AUTOR:

ASESORA:

LIC. LEYDIDIANA GAMBOA FERRER

DRA. JENNY ROJAS JERONIMO

TRUJILLO - PERU
Febrero - 2015

*Dedicatoria
En el transcurso de la realizacion de esta tesis he recibido ayuda, apoyo y confianza de
muchas personas a las que quiero expresar mi agradecimiento. A mi asesora de tesis, Dra.
Jenny Margarita Rojas Jeronimo, quien me ha guiado siempre, con valiosas sugerencias, su
progreso. Tambien quiero agradecer a los profesores de la Maestra en Ingeniera Matematica,
quienes han contribuido a mi formacion.
*Agradecimiento
La presente tesis esta dedicada primeramente a mi Padre Celestial y a Jesucristo porque
sin ellos nada lograra en esta vida, en segundo lugar a mis queridos padres Arqumides
Gamboa Orbegoso y Yolanda Ferrer Guzman por su amor y apoyo moral e incondicional
para seguir estudiando y lograr el objetivo trazado para un futuro mejor y ser orgullo para
ellos y de toda la familia, en tercer lugar a mi querido esposo Carlos Michael Gutierrez Ocas
e Hija Camila Michelle por su amor, apoyo y comprension.
Gracias.

Indice
Introduccio1.
n6 Convexidad
1.1. Formulacion del problema . . . . . . . . . . . . . . . . . . . . . . . . . . . .

8
19

2. M
etodos de punto interior
2.1. Idea basica del algoritmo del punto interior . . . . . . . . . . . . . . . . . . .

20
20

3. Algoritmo del punto interior


3.1. Algoritmo: . . . . . . . . . .
3.1.1. Paso de Correccion .
3.1.2. Paso de Prediccion .
3.1.3. Ejemplo . . . . . . .
Conclusiones24 Bibliografa24

21
21
22
22
22

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

*Resumen
El presente Informe tiene como objetivo fundamental describir un algoritmo usando el
metodo de puntos interiores para minimizar una funcion convexa f : Rn R, sobre la envoltura convexa de un conjunto finito de m puntos en Rn usando las coordenadas baricentricas
para representar los puntos interiores del poliedro P = conv(Z) donde Z = {x1 , , xm } es
el conjunto de m puntos de Rn . En particular el algoritmo puede tambien ser usado para
hallar la proyeccion ortogonal de un punto xc Rn hacia P .
PALABRAS Y FRASES CLAVES : Minimizacion de funciones convexas, envolvente
convexa. Metodos de punto interior. Coordenadas baricentricas.

ABSTRACT
In this paper we are describe an interior-point method for minimizing a smooth strictly
convex function f : Rn R, on the convex hull P of m points in Rn using the barycentric
coordinates for representing points in P and generates points en P . In particular, the algorithm can be use to compute the orthogonal projection of a point xc Rn hacia P .

Key words: Minimizing convex functions, hull convex. Interior-point methods. Barycentric
coordinates.

*Introduccion La Optimizacion es muy importante en la resolucion de problemas aplicativos, en las diferentes areas de la ciencia, su finalidad es determinar las soluciones que
representen el valor optimo, al maximizar o minimizar una funcion objetivo, la que constituye una relacion matematica entre las variables de decision, parametros y una magnitud que
representa el objetivo.
Cuando la funcion objetivo y todas las funciones que definen las restricciones son lineales y
son definidas sobre Rn se tiene un problema de optimizacion lineal o tambien conocido como
problema de Programacion lineal (PL) continua, en otro caso, es un problema de Programacion no lineal [3]. Sin embargo cuando la funcion objetivo es una funcion convexa y las
restricciones definen una region convexa, el problema es uno de Programacion convexa, que
es el que vamos a tratar en el presente trabajo[1],[2].
Durante decadas el metodo Simplex ha sido el metodo preferido para resolver problemas de
programacion lineal continua. Sin embargo, desde el punto de vista teorico, el tiempo de
calculo requerido por este metodo, para resolver un problema lineal, crece exponencialmente
a medida que el n
umero de variables mas el de restricciones del problema aumentan, esto es
seg
un el tama
no del problema. Este crecimiento exponencial corresponde al peor caso posible
y que puede presentarse en muchos casos reales[5].
Muchos investigadores trataron de desarrollar algoritmos cuyos tiempos de calculo creciera en tiempo polinomial con el tama
no del problema. En 1987 Karmarkar[5] anuncio el
desarrollo de un nuevo algoritmo para resolver problemas de PL grandes, cuya complejidad
computacional es polinomial y resulto altamente competitivo frente al metodo simplex en la
solucion de problemas de grandes dimensiones. Este algoritmo se basa en la b
usqueda del
optimo a traves de puntos del interior de la region factible, de all el nombre de algoritmo de
punto interior[6,7]. En realidad el algoritmo de Karmarkar y todas sus variantes se conocen
como algoritmos de punto interior [7]. En este informe presentamos un algoritmo de punto
interior para resolver un problema de optimizacion lineal que define una funcion f : Rn R
convexa y diferenciable sujeta a la envoltura convexa de los puntos de Rn , Z = {z 1 , , z m }.
El problema es resolver:
mn f (z)

(0.1)

s.a. : z convZ

(0.2)

Se muestra que la principal dificultad para resolver este problema usando el metodo Simplex,
es que conocer explcitamente convZ no es tarea facil. Por otro lado si m es mayor que
d = dim{convZ} entonces la aplicacion afn := convZ tal que Z no es inyectiva
y en general cualquier x en la envolvente convexa de Z tiene mas de una representacion de
la forma x = Z, .

Material y Metodos Los materiales de este trabajo estan constituidos por los conceptos
y teoras a de la programacion lineal, programacion convexa, funciones convexas sobre un
simplex, Coordenadas baricentrica, proyeccion de direcciones sobre simplexes y metodo de
punto interior para problemas de optimizacion lineal. Ademas se hace uso de los conceptos
del algebra lineal y de analisis real.
Se utiliza el metodo constructivo, para la generacion del algoritmo que caracteriza la
metodologa propuesta, mediante el siguiente procedimiento:
1. Formulacion del problema de minimizar una funcion convexa diferenciable, definida
sobre la envolvente convexa de m puntos cada uno en Rn .
2. Basado en las coordenadas baricentricas, se describe un algoritmo que permite resolver
el problema planteado.
3. Usando el metodo de punto interior para resolver el problema de optimizacion, se
describe un nuevo algoritmo para resolver el problema.
4. Se mostrara las ventajas y desventajas del algoritmo usando el metodo de puntos
interiores.
Resultados El planteamiento general de un problema de Optimizacion que se resuelve es:
Min f (x)
s.a. x conv(Z)

z11 z12 . . .
1 2
z2 z2 . . .
donde Z = {z 1 , z 2 , . . . , z m } es un conjunto finito de puntos en Rn , y Z =
..
.. ..
.
. .
1
2
zn zn . . .
i
n
la matriz n m con columnas z y f : R R una funcion convexa diferenciable.
problema es equivalente a:

z1m

z2m
..

.
znm
Este

Min g()
s.a.
donde
m
X
g() := f (
i z i ) = f (Z)
i=1
m

:= { R : i 0,

m
X

i = 1}.

i=1

Considerando una funcion f cuadratica y estrictamente convexa, entonces H = 2 (g())


es una matriz fija. Si f es cuadratica, convexa y 2 (g()) = I, entonces f tiene la forma
cuadratica (x xc )T (x xc ) y en el problema equivalente se precisa encontrar la proyeccion
de xc al poliedro conv(Z) = {Z : }.
7

El algoritmo usa las coordenadas baricentricas para representar puntos interiores del poliedro
y generar nuevos puntos en el con coordenadas positiva. En particular el algoritmo puede ser
usado para calcular la proyeccion ortogonal de un punto xc Rn hacia el poliedro. Analisis
y Discusion

1.

Convexidad
Definiciones basicas y algunas propiedades:

Definici
on 1.1 Sean x1 , x2 Rn , el SEGMENTO CERRADO que une los puntos x1
es el conjunto denotado por [x1 , x2 ] y definido como:

y x2 ,

[x1 , x2 ] := { x1 + (1 ) x2 Rn tal que [0, 1] }


Definici
on 1.2 Sean x1 , x2 Rn , el SEGMENTO ABIERTO que une los puntos x1 y x2 , es el
conjunto denotado por (x1 , x2 ) y definido como:
(x1 , x2 ) := { x1 + (1 ) x2 Rn , tal que h0, 1i }
Definici
on 1.3 Un conjunto X Rn es un CONJUNTO CONVEXO, si todo segmento que une
dos elementos arbitrarios de X esta contenido en X. Esto es:
X es un conjunto convexo si y solo si x1 , x2 X, [x1 , x2 ] X
Equivalentemente:
x1 , x2 X se tiene que t1 x1 + t2 x2 X con t1 + t2 = 1, 0 ti 1 , i = 1, 2
Las figuras (a) y (b) representan un conjunto convexo y uno no convexo, respectivamente.
Notemos que en el conjunto de la figura (b) existen dos puntos para los que parte del segmento
que los une no esta contenido en dicho conjunto.

Figura 1: a)Conj. convexo. b) Conj. no-convexo

OBS: Por convenio, el conjunto vaco es convexo.

Definici
on 1.4 Sea x Rn , diremos que x es COMBINACION
CONVEXA de los puntos
x1 , x2 , ... , xm Rn cuando existan m n
umeros reales t1 , t2 , ... , tm no negativos
y cuya suma sea la unidad, que verifiquen que:

x = t1 x1 + t2 x2 + ... + tm xm
8

Es claro que x Rn es combinacion convexa de x1 , x2 Rn si y solo si x [x1 , x2 ]


La siguiente proposicion caracteriza a los conjuntos convexos.
Teorema 1.1 (Caracterizacion de Conjuntos Convexos) Un conjunto no vaco A Rn es
convexo si y solo si
t1 x1 + ... + tm xm A m N
xi A donde 0 ti 1, i = 1, ..., m tal que

m
X

ti = 1.

i=1
Demostraci
on:

) Si A es convexo entonces

m
X

ti xi A con xi A,

i=1

m
X

ti = 1 , 0 ti 1, i = 1, ..., m.

i=1

En efecto, por induccion:


para m = 2 se cumple, pues por definicion A es convexo si se tiene que x1 , x2
A donde t1 + t2 = 1 y t1 , t2 [0, 1]
Para m 1 (H.I.), supongamos que A es convexo si:
m1
X

ti xi A ,

i=1

m1
X

t1 x1 +t2 x2

ti = 1 , xi A, 0 ti 1, i = 1, ..., m 1.

i=1

Demostremos que se cumple para m , es decir, verificaremos:


m
X

ti xi A xi A, tal que

i=1

m
X

ti = 1 . . . () , 0 ti 1, i = 1, ..., m

i=1

En efecto:
sabemos que:
m
X

m1
X

ti xi =

i=1

Sea t =

m1
X

ti xi + tm xm

i=1

ti entonces:

i=1
m
X
i=1

Sea y =

m1
X
i=1

m1
X

ti xi = t

i=1

ti
x + t m xm
t i

m1
X
ti
xi , como 0 ti 1 entonces 0 ti
ti = t
t
i=1

luego:
0
Ademas:

m1
X
i=1

ti
1
t

m1

1X
1
ti
=
ti = . t = 1
t
t i=1
t

y como
xi A
9

por lo tanto y A(por la (H.I.).


As tenemos:
m
X
ti xi = t y + tm xm , y A, xm A
i=1

Ademas:
t + tm =

m1
X

ti + tm =

i=1

m
X

ti = 1

i=1

m
X

ti xi A

i=1

pues A es convexo.
) Demostraremos que si:
t1 x1 + ... + tm xm A, m N, xi A, 0 ti 1, i = 1, ..., m
tal que

m
X

ti = 1 entonces A es convexo. En efecto: tomando m = 2 se cumple definicion

i=1

de convexidad.

Veamos la definicion de funcion convexa y unas propiedades importantes:


Definici
on 1.5 Sea f : X R una funcion definida sobre un conjunto convexo X
n
CONVEXA sobre X si:
R (X 6= ) , entonces f es una FUNCION
f (t x1 + (1 t) x2 ) t f (x1 ) + (1 t) f (x2 ) x1 x2 X,

t [0, 1]

Definici
on 1.6 Sea f : X R una funcion definida sobre un conjunto convexo X
n
CONCAVA

R (X 6= ) , entonces f es una FUNCION


sobre X si:
f (t x1 + (1 t) x2 ) t f (x1 ) + (1 t) f (x2 ) x1 x2 X , t [0, 1]
Teorema 1.2 (Continuidad de Funciones Convexas) Sea X Rn y sea f : X R una
funcion convexa, entonces f es continua en el interior de X.
OBS: Diremos que la funcion vectorial f es convexa si cada una de sus funciones componentes fi es convexa (analogamente, la concavidad).
Proposici
on 1.3 Si, en el problema (P M ), X es un subconjunto convexo de Rm y las
funciones f1 (x), f2 (x), ...., fn (x) son concavas, entonces el conjunto:
A = { u = (u1 , ..., un ) Rn : x X con f (x) u }
es convexo en Rn .

10

Demostraci
on:

Sean u = (u1 , u2 , ..., un ) , v = (v1 , v2 , ..., vn ) A y t [0, 1] . Existen x, x0 X tales que:


f (x) u , f (x0 ) v
con lo cual:
fi (x0 ) vi

fi (x) ui

i = 1, n

Evidentemente, tx+(1t)x0 X, ya que X es convexo, ademas, dado que f es concava,


para i = 1, ..., n, se verifica que:
fi (t x + (1 t) x0 ) t fi (x) + (1 t) fi (x0 ) t ui + (1 t) vi
de donde tu + (1 t)v A, por lo tanto A es convexo.

El siguiente resultado garantiza que, para problemas donde la funcion es concava, la lnea
de eficiencia queda determinada mediante el procedimiento de escalarizacion.
Proposici
on 1.4 Si, en el problema (P M ), X es un subconjunto convexo de Rn y f es
c
oncava, para cada solucion de (P M ) x0 , existen c1 , c2 , ... , cn 0 no todos nulos y tales
que x0 es solucion de (P Ec ).
Demostraci
on:

Sea x0 solucion de (P.M ), y consideremos los subconjuntos de Rn


A = {u Rn : x X con f (x) u}

B = {u Rn : u f (x0 )}.

A es convexo por la proposicion anterior, y se demuestra sin ninguna dificultad que B tambien lo es, Ademas, el interior de B es, obviamente, el conjunto formado por los u =
(u1 , u2 , ... , un ) Rn tales que:
ui > fi (x0 ), i = 1, ..., n.
De ser x0 solucion de (P M ) se obtiene que A B o = , ya que, si existiera u A B o ,
existira x X con fi (x) ui , i = 1, ..., n, y ui > fi (x0 ), i = 1, ..., n. Pero entonces:
fi (x) > fi (x0 ), i = 1, ..., n,
y por consiguiente, x0 no resolvera (P.M ). De los teoremas de separacion de conjuntos
convexos podemos deducir que existen c1 , c2 , ..., cn no todos nulos y tales que:
n
X

ck u k

k=1

n
X

ck v k

k=1

siempre que (u1 , ..., un ) A y (v1 , ..., vn ) B. En particular, puesto que f (x) A si
x X y f (x0 ) B, es:
n
n
X
X
ck fk (x)
ck fk (x0 ),
k=1

k=1

11

y x0 resuelve (P Ec ). Solo falta probar que ning


un ci es negativo. Si alguno lo fuera
(por ejemplo, c1 ) es claro que para cada z f1 (x0 ) es (z, f2 (x0 ), ..., fn (x0 )) B y que
f (x0 ) A. Por consiguiente:
c1 z +

n
X

n
X

ck fk (x0 )

k=2

ck fk (x0 ),

k=1

es decir:
c1 z c1 f1 (x0 )

z < f1 (x0 )

c1 z c1 f1 (x0 )
Como c1 > 0
z f1 (x0 )().
Por lo tanto c1 es positivo.

Observaciones: Por consiguiente, si en el problema (P M ) la funcion es concava, para


resolverlos basta solucionar los problemas (P Ec ) con c no negativo. Todas las soluciones
que correspondan a un c positivo son ya soluciones de (P M ), as como las que corresponden
a un c no negativo, siempre que sean u
nicas. Finalmente, de la u
ltima proposicion se deduce
que todas las soluciones de (P M ) estan entre las soluciones de los problemas (P Ec ) para
c no negativo.
Para cada c = (c1 , c2 , ... , cn ) no nulo y no negativo, se puede suponer que:
n
X

ck = 1,

k=1

ya que, si esta igualdad no se verifica, basta considerar, en lugar de c, el vector:


1
n
X

c
ck

k=1

y las soluciones de (P Ec ) no cambian. Por consiguiente, desde un punto de vista intuitivo,


si en un problema practico elegimos un optimo de Pareto calculado mediante un proceso de
escalarizacion, cada ci es un peso asociado al objetivo fi , que, de alguna manera, mide la
importancia relativa que a fi le damos frente a los demas objetivos.
CONJUNTOS NOTABLES DE Rn
Definici
on 1.7 : Sea a un vector no nulo de Rn , y R. Llamaremos
Rn , denotado por H, al conjunto:
H = { x Rn / a x = }
Lema 1.5 : Un hiperplano H en Rn , es un conjunto convexo.
12

HIPERPLANO

en

Demostraci
on:

Sean

x1 , x2 H, entonces:
a x1 =

a x2 =

Sea [0, 1] , tenemos:


(a x1 ) =
(1 ) (a x2 ) = (1 )
sumando miembro a miembro:
(a x1 ) + (1 )(a x2 ) = + (1 )
de donde:
(a x1 ) + (1 )(a x2 ) =
Luego usando las propiedades de producto interno, tenemos:
a ( x1 ) + a ((1 )x2 ) =
a ( x1 + (1 ) x2 ) =
Luego

x1 + (1 ) x2 H
H es convexo.

Definici
on 1.8 : Sea a un vector no nulo de Rn , y R. Los conjuntos:
H + = { x Rn / a x }
H = { x Rn / a x }
se denominan

SEMIESPACIOS CERRADOS

de Rn .

Lema 1.6 : Los semiespacios cerrados H + y H son conjuntos convexos.


Demostraci
on:

Veamos que H + es convexo:


Sean x1 , x2 H + , entonces:
a . x1

a . x2

Sea [0, 1] , tenemos:


(a x1 )
(1 ) (a x2 ) (1 )
sumando miembro a miembro:
(a x1 ) + (1 ) (a x2 ) + (1 )
13

cancelando en el segundo miembro:


(a x1 ) + (1 ) (a x2 )
Utilizando las propiedades de producto interno:
a ( x1 ) + a ((1 ) x2 )
a ( x1 + (1 ) x2 )
Luego

x1 + (1 ) x2 H +
H + es convexo.

Analogamente para H .
Proposici
on 1.7 : Sean A1 , A2 Rn dos conjuntos convexos, se cumplen las siguientes
afirmaciones:
1. A1 A2 es un conjunto convexo.
2. A1 + A2 = { x1 + x2 / x1 A1 , x2 A2 }

es convexo.

3. A1 A2 = { x1 x2 / x1 A1 , x2 A2 }

es convexo.

4. La interseccion arbitraria de un n
umero finito o infinito de conjuntos convexos es un
conjunto convexo.
Demostraci
on:

2.

Sean

u , v A1 + A2 , entonces:
u = x1 + x2 donde x1 A1 y x2 A2
v = y1 + y2 donde y1 A1 y y2 A2

Sea [0, 1], tenemos:


u = x1 + x2
(1 )v = (1 )y1 + (1 )y2
sumando miembro a miembro:
u + (1 )v = x1 + x2 + (1 )y1 + (1 )y2
u + (1 ) v = x1 + (1 ) y1 + x2 + (1 ) y2
Dado que A1 y A2 son conjuntos convexos, entonces:
x1 + (1 ) y1 A1
x2 + (1 )y2 A2
14

Por lo tanto:
u + (1 ) v A1 + A2 . 2
3. De forma analoga, sean u, v A1 A2 , entonces: u = x1 x2 donde x1 A1 y x2
A2 y v = y1 y2 donde y1 A1 y y2 A2 . Sea [0, 1], tenemos: u = x1
x2 ademas (1 ) v = (1 ) y1 (1 ) y2 . Sumando miembro a miembro, y ubicando
convenientemente las igualdades anteriores, se tiene:
u + (1 ) v = ( x1 + (1 ) y1 ) ( x2 + (1 ) y2 )
{z
}
|
{z
}
|
A1

A2

Dado que A1 y A2 son conjuntos convexos, entonces: u + (1 ) v A1 A2 . 2


4. Sea Ai Rn , i I una familia de conjuntos convexos. Supongamos que iI Ai =
, concluira la demostracion. Pero, si la interseccion fuera diferente del vaco, demos dos
elementos x1 , x2 iI Ai . Entonces, x1 Ai y x2 Ai , i I. Dado que todos los
conjuntos Ai son convexos, tendremos:
tx1 + (1 t)x2 Ai , i I , t [0, 1]
Con lo que:
tx1 + (1 t)x2 iI Ai , t [0, 1]
Esto es, iI Ai es un conjunto convexo. 2.
Definici
on 1.9 : (Envoltura Convexa, Cerradura o C
apsula Convexa)
n
Sea A un conjunto arbitrario en R . La ENVOLTURA CONVEXA de A denotado por C0 (A)
es la coleccion de todas las combinaciones convexas de A , es decir:
n

C0 (A) = { x R /x =

k
X
j=1

j xj ,

k
X

j = 1 , 0 j 1 , xj A , j = 1, ..., k }

j=1

Figura 2: Envolturas convexas de diferentes tipos de conjuntos

15

Definici
on 1.10 La envoltura convexa de un n
umero finito de puntos x1 , ..., xk+1 Rn es
llamado POLITOPO .
Si x2 x1 , x3 x1 , . . . , xk+1 x1 son linealmente independientes entonces C0 (x1 , ..., xk+1 )
la envoltura convexa de x1 , ..., xk+1 es llamada el SIMPLEX O SIMPLEJO con vertices x1 , ..., xk+1 .
Definici
on 1.11 : La interseccion de un n
umero finito de semiespacios cerrados de Rn se

denomina CONJUNTO POLIEDRICO


O POLIEDRO
.
Obs: Un conjunto poliedrico, convexo y acotado es un poltopo.
Tanto el poltopo como el poliedro son conjuntos convexos. Es claro que un semiespacio
cerrado es un conjunto cerrado de Rn . Por tanto, un poltopo, al ser interseccion de cerrados, es tambien un conjunto cerrado. Un poltopo es, entonces, cerrado y acotado, por tanto
compacto.

Teorema 1.8 (Carathedory) Sea S un conjunto arbitrario en Rn . Si x C0 (S) entonces x C0 (x1 , ..., xn+1 ) donde xj S , j = 1, ..., n + 1 . En otras palabras, x puede ser
representado como:
x=

n+1
X

j xj ,

j=1

n+1
X

j = 1 , j 0 , xj S , j = 1, ..., n + 1

j=1

Demostraci
on:

Demostraremos que si x C0 (S) entonces:


x=

k+1
X

j xj ,

k+1
X

j=1

j = 1 , j 0 , xj S , j = 1, . . . , k + 1

j=1

Luego, se puede tener k < n, k = n, k > n, veamos:


1)
Si k < n, entonces:
x = 1 x1 + 2 x2 + ... + k xk ,

k
X

j = 1.

j=1

Tomando k+1 = 0, . . . , n+1 = 0 y xj = xk , j = k + 1, ..., n + 1, entonces:


x=

n+1
X
j=1

2)
3)

j xj ,

n+1
X

j = 1 , j 0 , xj S , j = 1, ..., k + 1

j=1

Si k = n se tiene la tesis.
Si k > n, entonces:
x x1 , x3 x1 , ... xk+1 x1
|2
{z
}
mas de n vectores (k vectores)

16

son linealmente dependientes

As que, existen constantes u2 , ... , uk+1 no todos ceros tales que:


k+1
X

uj (xj x1 ) = 0

j=2
k+1
X

uj xj =

k+1
X

j=2

Sea u1 =

k+1
X

k+1
X

uj , entonces

j=2

uj x1

j=2

uj = 0 , y

j=1
k+1
X

uj = u1 x1 + u2 x2 + ... + uk+1 xk+1

j=1
k+1
X

u j xj = u 1 x1 +

j=1

uj x1

j=2
k+1
X

uj xj =

j=1
k+1
X

k+1
X

k+1
X

u j x1

j=1
k+1
X

u j xj = x1

j=1

!
uj

= x1 (0)

j=1
k+1
X

uj xj = 0

j=1

donde alg
un uj son no nulos, es decir existen algunos uj > 0. Luego:
x=

k+1
X

j xj + 0

j=1
k+1
k+1
X
X
x=
j xj uj xj = 0
j=1

x=

j=1

k+1
X
(j uj )xj = 0
j=1

Para mantener la combinacion convexa se requiere que tengamos j uj 0, el cual puede


ser cero.
j uj
j
0
uj
Entonces, tomando:
= min {

j
, uj > 0}
uj

17

Existe alg
un j0 tal que:
=

j0
uj0

Luego:
x=

k+1
X

(j uj )xj

j 6= j0 .

j=1

el cual posee k terminos (pues hay uno que es cero), luego teniendo k + 1 terminos, hemos
llegado a tener k terminos, repitiendo este proceso anterior se llega tener k = n. 2

Definici
on 1.12 Un conjunto C 6= en Rn es denominado
x C implica que x C , 0.
Si el cono C es convexo, se denomina

CONO CONVEXO.

Figura 3: Conos convexos

18

CONO

con vertice cero si

1.1.

Formulaci
on del problema

Sea f : Rn R una funcion convexa y diferenciable, si Z = {z 1 , z 2 , , z m } es un


conjunto finito de m puntos del espacio euclideano Rn y sea la matriz n m Z cuyas
columnas son los vectores z i , se considera el problema:
mn f (x)

(1.1)

s.a. : x conv(Z)

(1.2)

que es equivalente a resolver el problema:


mn{f (Z) : }

(1.3)

La dificultad tpica al resolver (1.3) es que los puntos factibles x Z R\ son parametrizados por m parametros Rm , x = Z donde m  n . Particularmente los parametros
son hallados de manera u
nica por x, si conv(Z) es un simplex. Ademas durante la ejecucion
del algoritmo se requerira del calculo de Z para varios .
Sea f() := f (Z), g(x) := f (x), g() := g(Z). Entonces
f() = Z T f (Z),

2 f() = Z T 2 f (Z)Z

Para aplicar el algoritmo primal de punto interior al problema (1.3), se reformula como:
min{ : f() 0, 0, eT 1 = 0}

(1.4)

El conjunto soluciones factibles estrictas, se denota como S 0 y es:


S 0 = {(, ) : f() < 0, > 0, eT 1 = 0}
Usando terminos de penalizacion logartmica, se introduce la funcion barrera:
(, ) := ln( f())

m
X

lni ,

(, ) S 0

i=1

y con un parametro de penalizacion > 0, se define la funcion:


(, ) :=

+ (, ),

(, ) S 0

Abreviando
= (, ) = (, )T y = (
) := f(),

A := diag(). Luego:

em + 1
+ (
)

!
g () A1
1
(
) =

1
(
) =

"
#
T
T
2
2 2
Z
(g(x)g(x)
+

f
(x))Z
+

g
()
1
2 (
) = 2

()T
1
donde x = Z.
Existe un criterio simple para analizar la optimalidad de un punto para el problema
(1.3) una vez que es calculado el gradiente f( ).
19

2.

M
etodos de punto interior

Durante decadas el metodo simplex ha sido el metodo de solucion de los problemas


de programacion lineal. Sin embargo, desde el punto de vista teorico, el tiempo de calculo
requerido por este metodo crece exponencialmente con el tama
no del problema.
Muchos investigadores han tratado de desarrollar algoritmos cuyos tiempos de calculo
tuviesen un crecimiento polinomial con el tama
no del problema. En 1984, Karmarkar propuso un algoritmo cuya complejidad computacional es polinomial y que resulto altamente
competitivo frente al metodo simplex para resolver problemas de programacion lineal de
gran tama
no.
El algoritmo de Karmarkar origino multitud de trabajos alrededor de su idea, la cual ha
sido mejorada en muchos aspectos. Una de las mas fructferas variantes es el algoritmo de
barrera logartmica Primal-Dual.
El metodo de Puntos Interiores Primal-Dual presenta la particularidad que siempre intenta encontrar un punto factible del problema que se encuentra ubicado en el centro del
politope y desde all realiza una b
usqueda del optimo actualizando las variables del problema.
Este comportamiento permite que sea posible desarrollar algoritmos que mejoren el proceso
de b
usqueda ya sea para volverlo mas eficiente o que tenga un objetivo adicional.

2.1.

Idea b
asica del algoritmo del punto interior

Considerese el siguiente ejemplo (trivial):


max z

= x1

sujeta a 0 x1 2
Si se usa x2 como variable auxiliar, se puede reexpresar el problema como sigue:
max z

= x1
x1 + x 2 = 2
x1 , x2 0.

El espacio de soluciones se define por el segmento de recta AB. La direccion de aumento de


z es la direccion positiva de x1 . Comencemos con cualquier punto interior (no extremo) C
en el espacio factible (lnea AB). El gradiente de la funcion objetivo (maximizar z = x1 ) en
C es la del aumento mas rapido de z. Si se ubica un punto arbitrario a lo largo del gradiente
y a continuacion se proyecta perpendicularmente sobre el espacio factible (lnea AB), se
obtiene el nuevo punto D, con mejor valor objetivo z. Esa mejora se obtiene moviendose en
la direccion del gradiente proyectado CD. Si se repite el procedimiento en D, se determinara
un nuevo punto E mas cercano al optimo. Se puede uno imaginar que si nos movemos (con
cuidado) en la direccion del gradiente proyectado, nos tropezaremos con el punto optimo
B. Si se esta minimizando a z (en lugar de maximizarla), el gradiente proyectado nos alejara
del punto B hacia el mnimo, en el punto A (x1 = 0).
20

Los pasos que se dieron difcilmente definen un algoritmo en el sentido normal, pero la
idea es interesante! Se necesitan ciertas modificaciones que garanticen que 1) los pasos generados a lo largo del gradiente no se pasen del punto optimo en B, y 2) en el caso general
n dimensional, la direccion definida por el gradiente proyectado no cause un empantanamiento del algoritmo en un punto no optimo. Esto es, basicamente, lo que se logra con el
algoritmo del punto interior de Karmarkar.

3.

Algoritmo del punto interior

En los metodos de punto interior, el concepto de ruta central


(), > 0 es muy
importante. En el presente problema este concepto se define como:

()

:= argmin{ (
) :
S 0}
= argmin{ (, ) : > 0, > f(), eT = 1}

es decir como la solucion


= alpha()
y y = y(), del sistema no lineal:
(
) + ey = 0

(3.1)

eT
=1

(3.2)

La ruta central esta bien definida para > 0 y ademas converge a la solucion optima de
(1.3) cuando 0.
Para cada
0 S 0 y 0 > 0 se define tambien una ruta no-central
(), > 0 que pasa a
0
0
traves de
en 0 y
(0 ) =
como:

() := argmin{ (
) 0 (
0 )T
:
S )}
o equivalentemente, se puede definir como la solucion del sistema no lineal:
(
) 0 (
0 ) + ey = 0

(3.3)

eT
=1

(3.4)

Diferenciando respecto a se obtiene un sistema de ecuaciones lineales para


0 y y0:
"
#
!
!
2 (
) e
0
em+1 /2
=
eT
0
y0
0

3.1.

(3.5)

Algoritmo:

Inicio:
0 = (0 , 0 ) S 0 arbitrarios, 0 := 0 f(0 ) > 0, estos generaran una sucesion
k 0 y
k = (k , k ) S 0 , k = 0, 1, ,.
Iteracion basica:
(
,
) := (k ,
k ) (
+ ,
+ ) =: (k+1 ,
k+1 )
luego calcular un
+ con 0 <
+ <
,
+ S 0 que consiste en calcular un paso de correccion
y otro de prediccion. El paso de correccion mejora
, es decir se aproxima con buena exactitud
a la ruta central. El paso de prediccion, reduce
a un adecuado
+ y calcula un
+ S 0.
21

3.1.1.

Paso de Correcci
on

Este paso consiste en una o mas iteraciones del metodo de Newton para resolver el sistema
(1.4) con =
usando como valor inicial
. Por lo tanto la correccion de Newton
se
obtiene de resolver el sistema:
"
#
!
"
#
2 (
) e 4

(
)
=
eT
0
y
0
Luego con min := argmin{ (
+ 4
) : > 0}, el punto
+ :=
+ min 4
S 0 sera
la mejor aproximacion a la ruta central. Los paso de Newton se repiten hasta que 4
sea
lo suficientemente peque
no. Un criterio de parada para las iteraciones de Newton es cuando
4
T 2 (
)4
1/4.
3.1.2.

Paso de Predicci
on

Sea
S 0 el resultado del paso de prediccion. Entonces considerando la ruta no central

(), 0 < <


, a traves de
,
(
) =
y hallamos su derivada
0 en =
resolviendo el
sistema:
"
#
! "
#
2 (
) e
0
em+1 /
2
=
eT
0
y0
0
Para
se considera la tangente:

() =
+ (
)
0 (
)
Luego se encuentra min = min{ > 0 :
() S 0 } y sea

+ = min + (1 )
,

+ =
(
+ )

donde = 0,7.
3.1.3.

Ejemplo

Sea el conjunto :
Z = {z i : z i = (i1 , i2 , , in )T , i = 1, 2, , m}
de puntos donde ij [0, 1] distribuidos aleatoreamente, sea la funcion cuadratica convexa
f (x) = (x xc )T (x xc ) donde tambien xc [0, 1]n \ convZ. El criterio de parada usado fue:
106 . El punto inicial 0 = (1, 1, , 1)T /m Rm . Se aplico el algoritmo para valores
grandes de n respecto a m. Los resultados se muestran en la siguiente tabla cuando n = 20
fijo y m se varia:
m
Iter tiempo
1000 28
0.28
2000 36
0.78
3000 42
1.41
4000 45
2.16
5000 48
2.9
6000 51
3.70
22

Cuando se fija m = 2000 y n va aumentando, los resultados son:


n
3
5
10
20
30
40

iter
35
35
35
36
36
37

tiempo
0.14
0.27
0.33
0.78
1.57
2.49

Lo que se puede observar es que en ambos casos el optimo se encuentra en un n


umero finito de
pasos sobre todo cuando se aplica este algoritmo para problemas cuadraticos estrictamente
convexos y genera una sucesion finita k de soluciones factibles tales que f(k+1 ) < f(k )

23

*Conclusiones En el presente trabajo sobre la minimizacion de funciones convexas sobre la


envolvente convexa de un conjunto finito de puntos usando un algoritmo de puntos interiores,
formulado matematicamente como el modelo (1.3) se obtienen las siguientes conclusiones:
1. El algoritmo presentado resulta conveniente para problemas de optimizacion convexos,
llegando a una buena aproximacion.
2. El algoritmo puede usarse tambien para hallar la proyeccion de un punto de Rn sobre
la envolvente convexa de un conjunto finito de puntos.
3. El metodo de puntos interiores se puede usar en un problema de optimizacion donde
la funcion objetivo no necesariamente es cuadratica pues se tiene bien definida la taza
de convergencia lineal a
un para problemas no-cuadraticos convexos.

Recomendaciones
Debido al amplio campo de aplicacion que tiene el area de optimizacion sobre todo en
la toma de decisiones y los modelos, muchos de ellos, son de minimizacion de funciones
convexas, se recomienda seguir estudiando nuevas estrategias para obtener la solucion con
un tiempo y exactitud deseada.

Referencias
[1] Bertsekas, DP,Projected Newton methods for optimization problems with simple constraints. 1982. Siam J. Control Optimo 20:221-246.
[2] Botkin,N. Stoer. J., Minimization of a convex function on the convex hull of a point
set, 2007. Mathematical Methods of Operations Research., 62. pp.167-185.
[3] Fiacco,A., McCormick,G.P., Nonlinear Programming: Sequential Unconstrained
Minimization Techniques, Wiley. New York, pp.273-281. 2008.
[4] Frisch, K.R., The Logarithmic Potential Method for Convex programming, Unpublished manuscript. Institute of Economics. University Oslo Norway, 1999.
[5] Karmarkar, A New polynomial-time algorithm for linear programming, Combinatorica. 4 pp373-395. 1999.
[6] Nestorov Yu, Nemirovsky, A., Interior Point Polynomial Methods in Convex programming,. Siam. Philadelphia .2000.
[7] Wright, S.J.,Primal-Dual Interior Point Methods. Siam, philadelphia 1998.
24