OPTIMIZACION

Dr. Waldo Sven Lavado Casimiro

waldo.lavado@gmail.com
OPTIMIZACIN DE FUNCIONES

La optimizacin es una aplicacin directa del clculo

diferencial y sirve para calcular mximos y mnimos de
funciones sujetas a determinadas condiciones. La
aplicacin prctica de los problemas de optimizacin es
bien clara: calcular superficies o volmenes mximos,
costes mnimos, forma ptima de determinadas figuras...
Es importante en este tipo de problemas identificar
claramente la funcin a optimizar que suele depender de
dos variables. El ejercicio nos dar una condicin que liga
a ambas y lo que debemos hacer es despejar una de
ellas y sustituirla en la funcin a optimizar, de forma que
tengamos una sola variable. A partir de aqu aplicaremos
la teora del clculo diferencial para identificar mximos o
mnimos. Aqu van algunos ejemplos:
Disponemos de 100 m. de alambre para vallar un campo rectangular.
Calcula las dimensiones que debe tener dicho campo para que la
superficie vallada sea mxima.
Resolucin:

Desconocemos las dimensiones del campo, as que supondremos que

mide x m. de largo e y m. de ancho.
De esta forma, la funcin que deberemos optimizar (en este caso,
maximizar) ser la funcin rea que, como se trata de un rectngulo es:
A(x, y) = x y
El problema nos dice que disponemos de 100 metros de alambre para vallar el
campo, luego lo que nos est proporcionando es el permetro que deber tener
el rectngulo
y, por tanto, una condicin que nos relaciona x e y.
2x + 2y = 100
Simplificamos para obtener x + y = 50 y despejamos y = 50 x
Sustituimos en la funcin rea y as A(x, y) = x y A(x) = x(50 x) = 50x x2
Derivamos la funcin:
A'(x) = 50 2x e igualamos a 0 para ver los valores que anulan a la 1 derivada
A'(x) = 0 50 2x = 0 x = 25
Calculamos ahora la 2 derivada
A''(x) = 2 , es decir, A''(x) < 0 para cualquier valor de x, en particular para x=25
y, de esta forma, el valor x = 25 es un mximo para la funcin.
Si x = 25 est claro que tambin y = 25 sin ms que despejar en la ecuacin del
permetro. El campo tiene pues forma de cuadrado de 25 m. de lado.
 Problemas de optimizacin

Se va a producir una lata para que

contenga 1L de aceite. Encuentre las
dimensiones que minimicen el costo del
metal para fabricar la lata.
r

V = 1000 cc
5
 Algunas combinaciones

Radio (cm) Altura (cm)

2 79.6
4 19.9
6 8.86
8 4.97
10 3.18
6
 Latas de un
litro
r=2

r=4
r=6 r=8 r = 10

7
Fabricacin de la
lata
r
r

h 2pr

8
 Material requerido

r (cm) h (cm) S (cm2)

2 79.60 1025
4 19.90 600
6 8.84 560
8 4.97 652
10 3.18 828
S(r) = 2000/r + 2pr2

Usando Derive para ver la grfica

9
10
 Estrategia
1. Introducir variables en la figura que permitan describir las
diferentes alternativas del problema.
2. Plantear la funcin objetivo.
3. Expresar la funcin objetivo en trminos de las variables antes
definidas (ecuacin de enlace).
4. Hallar relaciones entre las variables que permitan expresar la funcin
objetivo en trminos de una variable.
5. Precisar el intervalo de decisin.
6. Anlisis en los extremos del intervalo.
7. Anlisis en el interior del intervalo.
8. Precisar el intervalo de decisin.
9. Valor optimo.
10. Respuesta con su respectiva unidad.

11
 PROBLEMAS DE OPTIMIZACION DE UNA
VARIABLE

Se tratan de problemas en lo cuales se

desea encontrar la solucin optima

Una funcin Una o ms

ecuaciones
objetivo
de enlace

Un intervalo
de decisin
12
 Algoritmos de optimizacin

Objetivo: maximizar J para una cierta combinacin de valores de x1 , x2 , x3 ,..., xn

5
b2 En 2D

4
0 1 2 3 4 5

x2 3 -2

-1

2 0

1 0
3 2
5 4
1

a2 0
0 1 2 3 4 5

a1 x1 b1
Definir limites inferior y superior para cada parmetro: a y b
 Algoritmos de optimizacin

Objetivo: minimizar/maximizar J para una cierta combinacin de valores de x

Mximo global

Mximos locales

La mayora de las veces para N>3 la cantidad de mximos/mnimos es

enorme (en modelos no lineales)
 Algoritmos de optimizacin

1. Mtodos de bsqueda en malla (generalized gridding methods)

x2 3

0
0 1 2 3 4 5

x1
 Algoritmos de optimizacin

1. Mtodos de bsqueda en malla (generalized gridding methods)

+ bsqueda local
5

x2 3 - Mtodo ineficiente:

2D: 10 intervalos N=102

2

8D: 10 intervalos N=108

1

0
0 1 2 3 4 5

x1
 Algoritmos de optimizacin

2. Mtodos de Monte Carlo (random search methods)

x2 3

0
0 1 2 3 4 5

x1
 Algoritmos de optimizacin

2. Mtodos de Monte Carlo (random search methods)

+ bsqueda local para el mejor
5

x2 3

0
0 1 2 3 4 5

x1
 Algoritmos de optimizacin

2. Mtodos de Monte Carlo (random search methods)

+ bsqueda local para todos
5

x2 3

0
0 1 2 3 4 5

x1
 Algoritmos de optimizacin

3. Mtodos de bsqueda selectiva (greedy search)

x2 3

0
0 1 2 3 4 5

x1
 Algoritmos de optimizacin

3. Mtodos de bsqueda selectiva (greedy search)

x2 3

0
0 1 2 3 4 5

x1
 Algoritmos de optimizacin

3. Mtodos de bsqueda selectiva (greedy search)

x2 3

0
0 1 2 3 4 5

x1
 Algoritmos de optimizacin

3. Mtodos de bsqueda selectiva (greedy search)

x2 3

0
0 1 2 3 4 5

x1
 Algoritmos de optimizacin

3. Mtodos de bsqueda selectiva (greedy search)

x2 3

0
0 1 2 3 4 5

x1
 Algoritmos de optimizacin

3. Mtodos de bsqueda selectiva (greedy search)

x2 3

0
0 1 2 3 4 5

x1
 Algoritmos de optimizacin

4. Mtodos de simulacin de cristalizacin (simulated annealing)

x2 3

0
0 1 2 3 4 5

x1
 Algoritmos de optimizacin

4. Mtodos de simulacin de cristalizacin (simulated annealing)

Tiende a mnimo con una

4
pequea probabidad de saltar
de dominio de atraccin
x2 3

0
0 1 2 3 4 5

x1
 Algoritmos de optimizacin

4. Mtodos de simulacin de cristalizacin (simulated annealing)

Tiende a mnimo/mximo con

4
una pequea probabidad de
saltar de dominio de atraccin
x2 3

0
0 1 2 3 4 5

x1
 Algoritmos de optimizacin

4. Mtodos de simulacin de cristalizacin (simulated annealing)

 Algoritmos de optimizacin

4. Mtodos de simulacin de cristalizacin (simulated annealing)

 Algoritmos de optimizacin

5. Mtodos basados en algoritmos genticos

Basado en una analoga con los principios de la gentica y de selecccin

natural

La evolucin se representa como un proceso de reproduccin

Los padres tienen una alta probabilidad de generar descendientes ms

saludables

Los descendientes son generados a partir de los genes de los padres

 Algoritmos de optimizacin

5. Mtodos basados en algoritmos genticos

4
Genero N puntos aleatoriamente

x2 3

x1 , x 2 , x 3 ,..., x N
2

0
0 1 2 3 4 5

x1
 Algoritmos de optimizacin

5. Mtodos basados en algoritmos genticos

4
Obtengo el valor de la funcin
objetivo J=f en esos N puntos
x2 3

f ( x1 ), f ( x 2 ), f ( x 3 ),..., f ( x N )
2

0
0 1 2 3 4 5

x1
 Algoritmos de optimizacin

5. Mtodos basados en algoritmos genticos

4 Ordeno de menor a mayor los N

valores de la funcin objetivo

x2 3

f * ( x1 ), f * ( x 2 ), f * ( x3 ),..., f * ( x N )
2

0
0 1 2 3 4 5

x1
 Algoritmos de optimizacin

5. Mtodos basados en algoritmos genticos

4 Asigno una ley de probabilidades

Trapezoidal a cada punto

x2 3

f * ( x1 ), f * ( x 2 ), f * ( x3 ),..., f * ( x N )
2

0
0 1 2 3 4 5

x1
 Algoritmos de optimizacin

5. Mtodos basados en algoritmos genticos

f * ( x1 ), f * ( x 2 ), f * ( x3 ),..., f * ( x N )

Selecciono dos padres de acuerdo a la ley de probabilidades x a , xb

Genero dos hijos-descendientes (offspring)

x a* , x b*

Calculo la funcin objetivo para los dos descendientes f ( x a* ), f ( x b* )

 Algoritmos de optimizacin

5. Mtodos basados en algoritmos genticos

x2 3

0
0 1 2 3 4 5

x1
 Algoritmos de optimizacin

5. Mtodos basados en algoritmos genticos

x2 3

0
0 1 2 3 4 5

x1
 Algoritmos de optimizacin

5. Mtodos basados en algoritmos genticos

Cmo generar un descendiente ? Utilizando operadores de cruce y mutacin

a a a a
x a = (x1 , x2 , x3 ,..., xn )
b b b b
x b = (x1 , x2 , x3 ,..., xn )

Cruce - crossover Mutacin - mutation

a a a b b
x a* = (x1 ,x 2 ,...,x l ,x l+1 ...,x n ) a* a a * a
x = (x ,x 2 ,...,x i ,...,x n )
1
b b b a a
x b* = (x ,x 2 ,...,x l ,x
1 l+1 ,...,x n )

Nmero aleatorio generado entre (ai,bi)

 Algoritmos de optimizacin

6. Mtodo de evolucin y mezcla de equipos de bsqueda

SCE-UA (shuffled complex evolution method)

Duan et al (1992,1994) Universidad de Arizona

Mtodo ms utilizado en calibracin automtica de modelos

hidrolgicos de cuenca y de hidrologa urbana (DHI, Princeton,
Washington, NOAA, Cornell)

4 conceptos

a) Combinacin de procedimientos deterministas y aleatorios

b) Evolucin de equipos de puntos en el espacio N-dimensional

c) Evolucin competitiva algoritmo gentico

d) Mezclado de equipos
 Algoritmos de optimizacin

6. Mtodo de evolucin y mezcla de equipos de bsqueda SCE-UA

4
1 1
2 2
3
x2 3
4
3
4
5 5
2 6 6
7 7
8 8
1 9 9
10 10
0
0 1 2 3 4 5
2 equipos de bsqueda
x1
 Algoritmos de optimizacin para la calibracin automtica de modelos
6. Mtodo de evolucin y mezcla de equipos de bsqueda SCE-UA

x2 3

0
0 1 2 3 4 5

x1
 Algoritmos de optimizacin para la calibracin automtica de modelos
6. Mtodo de evolucin y mezcla de equipos de bsqueda SCE-UA

x2 3

0
0 1 2 3 4 5

x1
 Algoritmos de optimizacin para la calibracin automtica de modelos
6. Mtodo de evolucin y mezcla de equipos de bsqueda SCE-UA

x2 3

0
0 1 2 3 4 5

x1
 Algoritmos de optimizacin para la calibracin automtica de modelos
6. Mtodo de evolucin y mezcla de equipos de bsqueda SCE-UA

x2 3

0
0 1 2 3 4 5

x1