Академический Документы
Профессиональный Документы
Культура Документы
CONTENIDOS
5. Optimización restringida
5.1. Multiplicadores de Lagrange
5.2. Condiciones de Karush-Kuhn-Tucker
5.3. Programación cuadrática, separable y convexa
1
10/12/14
2
10/12/14
3
10/12/14
Mínimo global de f(x) si f(x*) ≤ f(x) para todo x ∈ ℜ , siendo además único
si la anterior desigualdad es estricta.
4
10/12/14
5
10/12/14
6
10/12/14
Sin embargo:
• la resolución de dicho sistema puede no ser fácil.
• en otros casos la función objetivo no es convexa ni cóncava,
7
10/12/14
8
10/12/14
Vemos que
• x0 se obtiene moviéndonos a partir del extremo superior del intervalo de
incertidumbre hacia la izquierda una fracción r de dicho intervalo
• x1 se obtiene moviéndonos a partir del extremo inferior del intervalo
hacia la derecha la misma fracción.
9
10/12/14
con un intervalo de incertidumbre final con una longitud menor que 0.2.
10
10/12/14
11
10/12/14
f(x) = -x2 + 6x + 4
12
10/12/14
13
10/12/14
con x ∈ ℜ 2y α = 0.02.
14
10/12/14
Paso 3. Hacemos
x1 = x0 - λ*▽f(x0) = (1, 2)T - 0.191(6, 10)T=(-0.146, 0.09)T.
Paso 3. Hacemos
x2 = x1- λ*▽f(x1) = (-0.146, 0.09)T - 1.3098 (-0.112, 0.068) T
= (7×10-4, 9.3×10-4).
15
10/12/14
Método de Newton
Dada una solución de prueba actual xi, la nueva solución de prueba será:
16
10/12/14
Consideremos el problema
17
10/12/14
5. Optimización restringida
(5.1)
con x = (x1,…,xn).
18
10/12/14
19
10/12/14
Paso 0. Las funciones tienen derivadas parciales de segundo orden continuas, luego
vamos al siguiente paso.
8x1 + λ =0
6x2 + 4 –λ = 0
x1 - x2 +1=0
y el plano tangente
20
10/12/14
5. 2 Condiciones de Karush-Kuhn-Tucker
con x = (x1,…,xn).
21
10/12/14
22
10/12/14
Para que x* sea un mínimo, la matriz Hessiana HL(x*) tiene que ser
definida positiva en S={x: xT▽gi(x*)=0, ∀i con λi*>0}, y son necesarias
las restricciones de cualificación, es decir, que los vectores gradientes de
las restricciones activas en x* sean linealmente independientes, y que f y
gi tengan derivadas parciales de segundo orden continuas.
El método de optimización queda:
23
10/12/14
que son definidas positivas las dos primeras y semidefinida positiva la tercera y, por
lo tanto, al ser convexas, x*=(7/2,7/2) es un mínimo global:
24
10/12/14
Programación cuadrática
equivalente a
25
10/12/14
(5.2)
26
10/12/14
27
10/12/14
28
10/12/14
Paso 2. La variable que entra en la base es x1. Aplicando la regla de la razón mí-
nima, la variable que abandona la base es y1.
Como z0 ha dejado de ser básica, la solución de esta tabla satisface las condicio-
nes de K-K-T. Por lo tanto, la solución x*=(1/3,5/3) es un mínimo global del
problema de programación cuadrática.
29
10/12/14
Programación separable
n
Si la función f(x) es separable de la forma ∑ j =1 fj(xj), su aproximación lineal
a trozos, suponiendo que el recorrido de las funciones se ha dividido en r-1
intervalos, es
y no más de dos pesos λik positivos para cualquier i. Si dos son positivos,
éstos tienen que ser adyacentes (condición de adyacencia).
30
10/12/14
31
10/12/14
siendo
32
10/12/14
La tabla inicial es
33
10/12/14
y z∗ = 200.
Programación convexa
34
10/12/14
35