Optimización 2017 TEMA 2

OPTIMIZACIÓN
TEMA 2:
PROGRAMACIÓN NO LINEAL
Desarrollo
• Problemas irrestrictos de una variable
• Problemas irrestrictos de dos variables
• Problemas restringidos
2
Problemas irrestrictos de una variable
• Revisión
Continua
Discontinua
FUNCIÓN
Monotónica
Unimodal
3
• Revisión
– Función f(x): Regla que asigna a cada valor de x un único valor
y=f(x)
4
• Revisión
– Función f(x): Irrestricta
f ( x)  x 3  2 x 2  x  3
xR
5
• Revisión
– Función f(x): Restringida
f ( x)  x 3  2 x 2  x  3
x  S  x  5  x  5
6
• Revisión
– Función f(x): Monotónica
7
• Revisión
– Función f(x): Unimodal
9
0
-3 -2 -1 0 1 2 3
8
• Conceptos
– Óptimo Local y Global: Mínimo y Máximo
a X1 X2 X3 X4 b
9
• Conceptos
– ¿Cómo identificar el óptimo?
10
• Conceptos
– ¿Cómo identificar el óptimo?
11
• Conceptos
– Condición necesaria
df
x x*
0
dx
d2 f
xx*
 0 ( 0)
dx 2
12
• Conceptos
– Punto estacionario
df
x x*
0
dx
13
• Conceptos
– Punto de inflexión
30
20
10
0
y
-10
-20
-30
-3 -2 -1 0 1 2 3
x
14
• Teorema
– En el punto x* la primera derivada es cero
– La primera derivada de orden superior diferente de cero es n
– Si n es impar, entonces x* es un punto de inflexión
– Si n es par, entonces x* es un óptimo local
15
• Aplicación
f ( x)  x 3
df
x 0  0 30
dx 20
d2 f
0
10
2 x 0
dx 0
y
-10
3
d f
x0 6 -20
dx3 -30
-3 -2 -1 0 1 2 3
x
16
• Ejemplo
– Encuentre los puntos estacionarios de la siguiente función
f ( x)  5 x 6  36 x 5  165
2 x 4
 60 x 3
 36
17
• Ejemplo (continuación)
df
 30 x 5  180 x 4  330 x 3  180 x 2  30 x 2 ( x  1)( x  2)( x  3)
dx
d2 f
2
 150 x 4
 720 x 3
 990 x 2
 360 x
dx
18
– Al igualar a CERO la primera derivada se encuentra que x=
0,1,2,3 y se tiene lo siguiente:
X f(x) d2f/dx2
0 36.0 0
1 27.5 60
2 44.0 -120
3 5.5 540
19
• Ejemplo y Actividad
– ¿Qué puede interpretar de la última tabla?
– Escriba el algoritmo para encontrar los puntos estacionarios de
una función y decidir a qué corresponden
20
• Actividad
– Encuentre los puntos estacionarios y determine a qué
corresponden
40
f ( x)   x 3  3x 2  9 x  10
35
30
2  x  4 25
20
15
10
5
-2 -1 0 1 2 3 4
21
• Determinación del óptimo
• Primera derivada
Métodos Exactos • Segunda derivada
• Métodos de
eliminación
Métodos • Aproximación
Aproximados polinomial
• Métodos con
derivadas
22
• Determinación del óptimo
• Interval halving
Eliminació • Golden search
n
• Búsqueda cuadrática
Polinomial • Powell
• Newton-Raphson
Con • Bisección
derivadas
23
– Se conoce como THREE-POINT EQUAL-INTERVAL SEARCH
– En cada iteración elimina exactamente la mitad del intervalo
– Trabaja con tres puntos espaciados a la misma distancia
– De todos los intervalos equidistantes de 2, 3, 4 y 5 puntos, el más
eficiente es el de 3 puntos (KIEFER, Optimum sequential search
and approximation methods under minimum regularity
assumptions”, J. Soc. Ind. App. Math., 5(3), 105-125 (1957))
24
25
26
– En el intervalo [60, 150], minimizar la función
– Se tiene a= 60, b= 150 y L= 150-60= 90
– El punto medio es
xm  2 (60  150)  105
1
27
28
29
30
31
32
400
350
300
250
200
150
100
50
0
80 85 90 95 100 105
33
• Golden search
– Término usado en la antigua Grecia para conceptos de
arquitectura
– El Partenón se construyó con esta medida
– Se basa en la proporción igual a 0.618
– La misma proporción se encuentra al tomar las proporciones de
la serie de números Fibonacci
34
• Golden search
– Para la solución debe definirse en cual situación está el
problema
• CASO 1: f(x1)<f(x2)
• CASO 2: f(x1)=f(x2)
• CASO 3: f(x1)>f(x2)
35
• Golden search
– CASO 1
• Como f(x) es creciente para parte del intervalo [x1, x2] y es
Unimodal, entonces corresponde a un caso en el cual el
óptimo estará entre (x1, b]
36
• Golden search
– CASO 2
• Como f(x) es decreciente para parte del intervalo [x1, x2]
entonces corresponde a un caso en el cual el óptimo estará
entre (a, x2]
37
• Golden search
– CASO 3
• Como f(x) comienza a disminuir antes de que x llegue a x2,
entonces corresponde a un caso en el cual el óptimo estará
entre (a, x2]
38
• Golden search
– El intervalo en el cual queda el valor x*, se conoce como el
intervalo de incertidumbre
– La mayor parte de algoritmos planteados para la búsqueda
dorada buscan reducir el intervalo de incertidumbre
39
• Golden search
– Es posible determinar el número apropiado de iteraciones a
partir de la longitud L del intervalo inicial, basado en que la
longitud final deberá ser menor de ¼
L  0,618k  0,25
40
• Golden search
– A partir de L se pueden calcular los puntos así:
x1  b  0,618  L 
x2  a  0,618  L 
41
• Golden search
– Ejemplo (Winston, 2008)
Max f ( x)   x 2  1
Para  1  x  0,75
42
• Golden search
– Ejemplo (continuación)
L= 1,7500 1,75 (0,618k)=0,25
Proporción 0,6180 (0,618k)=0,1429
k Ln 0,618 = Ln
Control 0,2500
0,1429
k = 4,06 (aprox. 5)
43
• Golden search
a b L x1 x2 f(x1) f(x2) CASO Nvo Interv

-1,0000 0,7500 1,7500 -0,3315 0,0815 -1,1099 -1,0066 1 (x1, b]
-0,3315 0,7500 1,0815 0,0816 0,3369 -1,0067 -1,1135 3 [a, x2)
-0,3315 0,3369 0,6684 -0,0762 0,0816 -1,0058 -1,0067 3 [a, x2)
-0,3315 0,0816 0,4131 -0,1737 -0,0762 -1,0302 -1,0058 1 (x1, b]
-0,1737 0,0816 0,2553 -0,0762 -0,0160 -1,0058 -1,0003 1 (x1, b]
-0,0762 0,0816 0,1578 -0,0159 0,0213
Óptimo 0,0027
44
• Aproximación cuadrática
45
46
47
– Ejemplo
• En el intervalo de 1 a 5 encontrar el mínimo de
16
f ( x)  2 x 
2
48
49
50
55
50
45
40
35
30
25
20
15
1 1.5 2 2.5 3 3.5 4 4.5 5
51
• Powell
– Usa estimaciones sucesivas cuadráticas
– Powell, M. J. D. “An efficient method for finding the minimum of
a function of several variables without calculating derivates”.
Computer J 7, 155-162 (1964)
52
• Powell
53
• Powell
54
• Powell
– Ejemplo
16
• Encuentre el mínimo para la función f ( x)  2 x 2 
x
• Tome un valor inicial de x1  1
• El valor del paso es x  1
• La convergencia está dada por
Diferencia _ en _ x Diferencia _ en _ F
 3 102  3 103
x F
55
• Powell
56
• Powell
57
• Powell
58
• Newton-Raphson
– Requiere que la función sea doblemente diferenciable
– Inicia con un punto x1, que corresponde a la aproximación del
punto estacionario f ' ( x)  0
– Se calcula el nuevo punto
f ' ( xk )
xk 1  xk 
f ' ' ( xk )
59
• Newton-Raphson
– Ejemplo
16
• Determinar el mínimo de la función f ( x)  2 x 2 
x
• El punto de inicio es x1  1
• Las derivadas son:
16 32
f ' ( x)  4 x  2 f ' ' ( x)  4 
x x3
60
• Newton-Raphson
• Paso 1:
 12
x1  1, f ' ( x1 )  12, f ' ' ( x1 )  36 x2  1   1.33
36
• Paso 2:
x2  1.33, f ' ( x2 )  3.73, f ' ' ( x2 )  17.6
 3.73
x3  1   1.54
17.6
61
• Newton-Raphson
• Se continúa hasta que f ' ( xk )  
• Épsilon corresponde a la tolerancia permitida
• Suponga que para el problema la tolerancia es 0.002
62
• Newton-Raphson
Xk f'(Xk) f''(Xk) Tolerancia
1,0000 -12,0000 36,0000 0,0001
1,3333 -3,6667 17,5000 0,0001
1,5429 -0,5501 12,7131 0,0001
1,5861 -0,0153 12,0193 0,0001
1,5874 0,0000 12,0000 0,0001

63
• Bisección
– Método de Bolzano
– Si la función f(x) es unimodal sobre el intervalo de búsqueda,
entonces el punto óptimo será uno en donde f’(x)=0
64
• Bisección
– Se tienen dos puntos L y R, y se calcula otro z que corresponde al
punto medio
– Se tiene el intervalo a  x  b
– Se tiene el criterio de terminación ξ
65
• Bisección
66
• Bisección
– Ejemplo
16
• Suponga la función f ( x )  2 x 2

x
• El intervalo es 1  x  5
• La tolerancia permitida es   0.010
67
• Bisección
– Ejemplo (continuación) L R Z f'(z) Toleranc
1,000 5,000 3,000 10,222 0,010
1,000 3,000 2,000 4,000 0,010
1,000 2,000 1,500 -1,111 0,010
1,500 2,000 1,750 1,776 0,010
1,500 1,750 1,625 0,441 0,010
1,500 1,625 1,563 -0,304 0,010
1,563 1,625 1,594 0,076 0,010
1,563 1,594 1,578 -0,112 0,010
1,578 1,594 1,586 -0,018 0,010
1,586 1,594 1,590 0,029 0,010
1,586 1,590 1,588 0,006 0,010
68
Problemas irrestrictos de dos variables
• Introducción
– Se consideran x1 y x2 como variables independientes
– Las funciones son continuas
– La diferenciación es posible (por lo menos hasta segundo orden)
– Utiliza el concepto de derivada parcial
69
• Introducción
– La derivada parcial denota el cambio f ( x1, x2 ) cuando todas
las variables, excepto una, son constantes
– El vector gradiente es un vector que contiene la primera
derivada parcial de la función
f ( x1, x2 )    f , f 
f f T T
x1 , x2 1 2
70
• Condición de optimalidad
– Se asume que las derivadas existen y son continuas
– Los puntos óptimos están dados por f *  0
– La matriz hessiana representa las segundas derivadas
 f11 f12  f1 ' 

H   f ( x1, x2 )  
2

 f 21 f 22  f 2 '

71
– El máximo se presenta cuando f11  0( f 22  0)
– El mínimo se da en el caso contrario
72
73
74
– Si la matriz hessiana es
– Definida positiva se tiene un mínimo
– Definida negativa se tiene un máximo
– Indefinida se tiene un punto de inflexión (saddle point)
75
– Si la matriz hessiana es
– Definida positiva se tiene un mínimo
– Definida negativa se tiene un máximo
– Indefinida se tiene un punto de inflexión (saddle point)
76
• Ejemplo
– Los componentes de desplazamiento x1 y x2 del nodo R de dos
barras se pueden encontrar mediante la minimización de la
energía potencial, expresada por la siguiente ecuación:
2 2
EA  l  2 EA  h  2
f ( x1 , x2 )    x1    x2  P1 x1  P2 x2
S  2S  S S
77
– En donde E es el módulo de Young, A es la sección de área de
cada miembro, S es la longitud de cada miembro y P1 y P2 son las
cargas aplicadas en dirección horizontal y vertical. De otro lado,
se tiene que:
h  30"
l  s  20 3
78
P2=500 lbs
P1=1000 lbs
30"
60°
l/2 l/2
79
– Reemplazando los datos en la ecuación, con un valor de A=1 m2,
se tiene que:
f ( x1 , x2 )  0.21650625  10 6 x12  0.886025  106 x22  1000 x1  500 x2
80
– La condición necesaria para el mínimo es
f
 0.43301125 106 x1  1000  0
x1
f
 1.772050 106 x2  500  0
x2
81
– Por lo tanto se tiene que
x1*  2.309402 10 3
x2*  0.28216 10 3
82
– La matriz hessiana es
2 f 2 f
x12 x1x 2 0.4330125 106 0
A 
2 f  f
2
0 1.772050 106
x1x 2 x 22
83
– Para determinar a qué corresponde se tiene que
A1  a11  0.4330125 106  0
a11 a12 0.4330125 106 0

A2  
a21 a22 0 1.772050 106
 (0.4330125 106 )(1.772050 106 )  (0)(0)  7.67 1011  0
84
– Como es una matriz definida positivamente, se tiene que el
punto corresponde a un mínimo
85
• Ejemplo
– Encontrar los puntos estacionarios de la siguiente función y
determinar a qué corresponden
f ( x1 , x2 )  ( x1  1) 2  ( x2  2) 2
86
– La función es (x-1)2+(y-2)2
120
100
80
60
40
20
0
5
5
0
0
-5 -5
y x
87
– Con el vector gradiente se tiene
 f 
 x1   2( x1  1) 
f     2( x  2)
f
 x2   2 
 2( x1  1) 
2( x  2)  0; x1  1; x2  2
 2 
88
– La matriz hessiana es
 2 f 2 f 
 x12 x1 x2   f11 f12  2 0
 2   
 f  f
2
 f 21 f 22  0 2
2 
 x1 x2 x2 
89
– Con el toolbox del Matlab se puede encontrar
90
• Ejemplo
– Para la siguiente función de dos variables, encuentre los puntos
estacionarios y determine a qué corresponden
f ( x)   x1  2 x1 x2  x22
2
91
-x 2+2 x y-y 2
-50
-100
-150
5
5
0
0
-5 -5
y x
92
 f 
 x1   2 x1  2 x2 
f      2x  2x 
f
 x2   1 2 
 2 x1  2 x2 
 2 x  2 x   0; x1  x2
 1 2 
93
 2 f 2 f 
 x12 x1 x2   f11 f12   2 2 
 f  2
2
  
 f  f
2
 f 21 f 22   2  2
2 
 x1 x2 x2 
94
– Los eigenvalores indican la existencia de un máximo porque
f11  0; f 22  0
95
• Ejemplo
– Encontrar los puntos estacionarios y determinar a qué
corresponden
f ( x1 , x2 )  x  x2
3 3
1
96
x 3+y 3
500
-500
5
5
0
0
-5 -5
y x
97
 f 
 x1
3 x 2

f     3x 2 
1
f
 x2   2 
3x12 
 2   0; x1  x2  0
3x2 
98
 2 f 2 f 
 x12 x1 x2   f11 f12  6 x1 0 
 f  2
2
 
 f  f
2
 f 21 f 22   0 6 x2 

2 
 x1 x2 x2 
99
– Al reemplazar los puntos x1  x2  0 en la matriz, da como
resultado un punto de inflexión
100
• Ejemplo
– Encontrar los puntos estacionarios y determinar a qué
corresponden
f ( x1 , x2 )  1  x12  x22
101
1+x 2-y 2
60
40
20
-20
-40
5
5
0
0
-5 -5
y x
102
 f 
 x1   2 x1 
f      2 x 
f
 x2   2
 2 x1 
   0; x1  x2  0
 2 x2 
103
 2 f 2 f 
 x12 x1 x2   f11 f12  2 0 
 f  2
2
  
 f  f
2
 f 21 f 22  0  2
2 
 x1 x2 x2 
104
– La matriz es indefinida, por lo que se tiene un punto de inflexión
105
• Ejemplo
– Encuentre los puntos estacionarios de la siguiente función de
tres variables y determine a qué corresponden
f ( x1 , x2 , x3 )  5 x12  2 x22  x34  32 x3  6 x1 x2  5 x2
106
 f 
 x1   10 x1  6 x2 
  
f  f   4 x2  6 x1  5
x2
f   4 x 3  32 
 x   3 
 3
 10 x1  6 x2   7.5 
4 x  6 x  5  0 x*   12.5
 2 1 
 4 x3  32 
3
 2 
107
 2 f 2 f 2 f 
 x12 x1x2 x1x3   f
 2  11 f12 f13  10 6 0 
 f 
2  f  2
f  f
2
   f 21 f 22 f 23    6 4 0 
 x2x1 x22 x2x3  
 2 f 2 f 2 f   f31 f32 f33   0 0 12 x32 
 x3x1 x3x2 x32 

108
– Se tiene un mínimo porque
f11  0; f 22  0; f33  0
109
• Métodos numéricos
– Métodos iterativos
– Conjunto inicial de valores para las variables X 0
– Algoritmo para encontrar el siguiente valor X k 1
– Regla de decisión para decidir cuántas iteraciones
110
• Métodos numéricos
– Downhill simplex
– Uphill simplex
– Búsqueda secuencial univariada
111
• Downhill simplex
– Nelder y Mead (1965)
– Método heurístico de búsqueda de cualquier función N-
dimensional
– Fundamentos de tipo geométrico
– Solución de problemas irrestrictos con función no lineal
112
– Para dos variables, el simplex es el triángulo (unión de tres
puntos)
– Para tres variables, el simplex es un tetraedro (pirámide)
formada por cuatro puntos en diferente plano
– El simplex se forma por la combinación de n+1 puntos en
diferente hiperplano n-dimensional
113
– Requiere pocas evaluaciones
– No necesita derivadas
– Actualiza (iterativamente) el peor punto por cuatro operaciones:
Reflexión, Expansión, Contracción y Contracción múltiple
114
– Evolución (Pérez, 2005)
115
– Las operaciones (Hiwa et al., 2005)
116
• Algoritmo Downhill simplex (Mathews y Fink, 2004)
– Para dos variables el simplex es un triángulo
– El peor vértice es el mayor valor en la función
– El peor vértice es rechazado y reemplazado por un nuevo vértice
– Se forma un nuevo triángulo
– El proceso continúa hasta encontrar un valor aceptable
117
• Algoritmo Downhill simplex (continuación)
118
119
120
121
122
123
124
125
126
127
• RESUMEN Algoritmo Downhill simplex
– Se definen los valores de inicio para los vértices (tres puntos)
– Se evalúan los puntos en la función y se ordenan de mejor (BEST)
a peor (WORST)
– Se calcula el punto medio M y el punto R. se evalúan los puntos
en la función
128
– Si f(R) es menor que f(Best), entonces debe calcularse el punto E.
se mira cuál de los puntos R y E es mejor
– Si f(R) es menor que f(Worst), pero mayor que f(Best), entonces
el punto R entra a formar parte del vértice
129
– Si f(R) es mayor que f(Worst), es decir es un punto peor, entonces
deben calcularse dos puntos C1 y C2, en donde el primero
corresponde al punto medio de la línea M y Worst, y el segundo
al punto medio de la línea M y R. El mejor punto de los dos se
toma
– En cualquier caso, los puntos deben ordenarse otra vez de Best a
Worst
130
• Ejemplo
– A través del método Downhill simplex, encuentre el mínimo de la
función en los puntos indicados
f ( x, y)  x 2  4 x  y 2  y  xy
V1  (0,0),V2  (1.2,0),V3  (0,0.8)
131
• Ejemplo
V1 V2 V3
k
X y f x y f x y f Best Point Good Point Worst Point
1 0,000 0,000 0,000 1,200 0,000 -3,36 0,000 0,800 -0,160 (1.2 y 0) = -3.360 (0 y 0.8) = -0,160 (0 y 0) = 0
2 1,800 1,200 -5,88 1,200 0,000 -3,36 0,000 0,800 -0,160 (1,8 y 1,2) = -5,580 (1.2 y 0) = -3.360 (0 y 0.8) = -0,160
3 1,800 1,200 -5,88 1,200 0,000 -3,36 3,000 0,400 -4,44 (1,8 y 1,2) = -5,581 (3 y 0.4) = -4,440 (1.2 y 0) = -3.360
4 1,800 1,200 -5,88 3,600 1,600 -6,24 3,000 0,400 -4,44 (3.6 y 1.6) = -6,240 (1,8 y 1,2) = -5,581 (3 y 0.4) = -4,440
5 1,800 1,200 -5,88 3,600 1,600 -6,24 2,400 2,400 -6,24 (3.6 y 1.6) = -6,240 (2,4 y 2,4) = -6,240 (1,8 y 1,2) = -5,581
6 2,400 1,600 -6,72 3,600 1,600 -6,24 2,400 2,400 -6,24 (2,4 y 1,6) = -6,720 (3.6 y 1.6) = -6,240 (2,4 y 2,4) = -6,240
7 2,400 1,600 -6,72 3,600 1,600 -6,24 2,700 2,000 -6,910 (2,7 y 2)= -6,910 (2,4 y 1,6) = -6,720 (3.6 y 1.6) = -6,240
8 2,400 1,600 -6,72 3,075 1,700 -6,88 2,700 2,000 -6,910 (2,7 y 2)= -6,911 (3,07 y 1,7)= -6,882 (2,4 y 1,6) = -6,720
9 3,375 2,100 -6,88 3,075 1,700 -6,88 2,700 2,000 -6,910 (2,7 y 2)= -6,912 (3,37 y 2,1)= -6,887 (3,07 y 1,7)= -6,882
10 3,375 2,100 -6,88 3,056 1,875 -6,97 2,700 2,000 -6,910 (3,05 y 1,87)= -6,974 (2,7 y 2)= -6,912 (3,37 y 2,1)= -6,887
132
K x y función
2 M= 0,6 0,4 -2,52
R= 1,2 0,8 -4,48
como f( R)<f(B) se calcula el punto E
E= 1,8 1,2 -5,88 ok
3 M= 1,5 0,6 -4,89

R= 3 0,4 -4,44 ok
4 M= 2,4 0,8 -5,92

R= 3,6 1,6 -6,24 ok
como f( R)<f(B) se calcula el punto E
E= 4,8 2,4 -4,32
133
5 M= 2,7 1,4 -6,73
R= 2,4 2,4 -6,24 ok
6 M= 3 2 -7
R= 4,2 2,8 -5,88
como f( R)= f(W) debe probarse otro punto
C1 (W-M)= 2,4 1,6 -6,72 ok
C2 (M-R)= 3,6 2,4 -6,72
7 M= 3 1,6 -6,84
R= 3,6 0,8 -4,48
como f( R) es peor que W
C1 (W-M)= 2,7 2 -6,91 ok
C2 (M-R)= 3,3 1,2 -6,03
134
8 M= 2,55 1,8 -6,8475
R= 1,5 2 -4,75
como f( R) es peor que W
C1 (W-M)= 3,075 1,7 -6,881875 ok
C2 (M-R)= 2,025 1,9 -6,136875
9 M= 2,8875 1,85 -6,98171875

R= 3,375 2,1 -6,886875 ok
10 M= 3,0375 2,05 -6,99796875

R= 3 2,4 -6,84
como f( R)= f(W) debe probarse otro punto
C1 (W-M)= 3,05625 1,875 -6,974179688 ok
C2 (M-R)= 3,01875 2,225 -6,953242188
135
• Ejemplo
– Encontrar el mínimo de
f ( x, y )  x 2  y 2  4 x  5 y  5
V1  (0,0),V2  (1,0),V3  (0,1)
136
V1 - Best V2 - Good V3 - Worst
k
X Y f x y f x y f
1 0,0000 1,0000 -9,0000 1,0000 0,0000 -8,0000 0,0000 0,0000 -5,0000
2 1,5000 1,5000 -14,0000 0,0000 1,0000 -9,0000 1,0000 0,0000 -8,0000
3 1,5000 1,5000 -14,0000 0,5000 2,5000 -13,0000 0,0000 1,0000 -9,0000
4 2,0000 3,0000 -15,0000 1,5000 1,5000 -14,0000 0,5000 2,5000 -13,0000
5 2,0000 3,0000 -15,0000 1,5000 1,5000 -14,0000 3,0000 2,0000 -14,0000
6 2,0000 3,0000 -15,0000 2,3750 2,1250 -14,9688 1,5000 1,5000 -14,0000
7 1,8438 2,0313 -15,0059 2,0000 3,0000 -15,0000 2,3750 2,1250 -14,9688
8 2,1485 2,3203 -15,1957 1,8438 2,0313 -15,0059 2,0000 3,0000 -15,0000
9 1,9981 2,5879 -15,2423 2,1485 2,3203 -15,1957 1,8438 2,0313 -15,0059
10 1,9981 2,5879 -15,2423 2,1485 2,3203 -15,1957 2,3028 2,8769 -15,0163
11 1,9981 2,5879 -15,2423 2,1485 2,3203 -15,1957 2,1881 2,6655 -15,1872

12 1,9981 2,5879 -15,2423 2,1307 2,5598 -15,2293 2,1485 2,3203 -15,1957
13 1,9981 2,5879 -15,2423 2,1065 2,4471 -15,2359 2,1307 2,5598 -15,2293
14 1,9739 2,4752 -15,2487 1,9981 2,5879 -15,2423 2,1065 2,4471 -15,2359
15 1,9739 2,4752 -15,2487 2,0463 2,4893 -15,2477 1,9981 2,5879 137

-15,2423
Optimización restringida
• Generalidades
– En este caso se hace referencia a los problemas de optimización
que tienen una función objetivo y unas restricciones
– La función objetivo y/o las restricciones son no lineales
138
• Ejemplo “Paquete Postal” (Castillo, E. et ál., 2001)
– Un paquete postal es una caja de dimensiones x, y, z, que debe
verificar los siguientes requisitos para ser aceptado en la oficina
de correos: La altura más el perímetro de la base no puede
exceder los 108 centímetros y las longitudes negativas no son
admisibles. Encuentre las tres dimensiones que maximizan el
volumen
139
• Ejemplo “Paquete Postal” (Castillo, E. et ál., 2001)
– El volumen a maximizar es V ( x, y, z )  xyz
– Las restricciones son

z  2 x  2 y  108
x, y , z  0
140
• Ejemplo de “La Tienda” (Castillo, E. et ál., 2001)
– Una tienda tiene una base cuadrada de lado 2a, cuatro paredes
verticales de altura b, y un tejado que una pirámide de altura h
141
• Ejemplo de “La Tienda” (continuación)
– Si el volumen total V y la altura total H de la tienda están dados,
encontrar los valores óptimos a, b y h tales que la tienda
resultante tenga una superficie mínima y requiera el mínimo de
material
142
• Ejemplo de “La Tienda” (continuación)
– Se pretende minimizar la superficie total que corresponde a la
superficie de las 4 paredes más el tejado

S (a, b, h)  4  2ab  a h 2  a 2 
– Las condiciones de volumen total, altura total y no negatividad
son
V  4a b  3 
2 h
H bh
a, b, h  0
143
• Ejemplo de “La bombilla” (Castillo, E. et ál., 2001)
– Una bombilla está situada justo encima del centro de un círculo
de radio r=30 centímetros. Suponiendo que la intensidad de la
luz en cualquier punto de la circunferencia es proporcional a la
raíz cuadrada del seno del ángulo con el que el rayo de luz llega
a tal punto, y al inverso de la distancia d de la bombilla.
Encontrar la altura óptima de la bombilla, de tal manera que la
intensidad en la circunferencia sea máxima
144
• Ejemplo de “La bombilla” (continuación)
– Se debe maximizar la intensidad de luz en los puntos de la
circunferencia de radio r=30 centímetros
145
– Sea I la intensidad, medida en unidades de intensidad, la cual
está en función del seno del ángulo formado por el rayo de luz y
el horizonte. En el triángulo de la figura se aprecia que
h
seno  
h2  r 2
d  h2  r 2
146
– Por lo tanto la expresión a maximizar es
h
I ( h)  k
h 2
r 2

3
4
– Se tiene k>0 como una constante de proporcionalidad y h≥0
147
• Ejemplo del “Voladizo” (Castillo, E. et ál., 2001)
– Se desea diseñar un voladizo de sección rectangular y longitud
dada para conseguir peso mínimo y a la vez asegurar una
deformación máxima transversal bajo la acción de una carga
vertical actuando en el extremo libre. El material para construir
el voladizo tiene una peso específico conocido
148
• Ejemplo del “Voladizo” (continuación)
– La siguiente figura representa la situación planteada:
149
– Las medidas de ancho y alto que se buscan son x, y
– Otras medidas son: Longitud (L), la carga en el extremo libre (F),
la deformación máxima (S) y el peso específico (γ)
– El objetivo es minimizar el peso
W ( x, y )   L xy
150
– La anchura debe ser mayor que 0.5
3
– La deformación en el extremo libre viene dada por FL
3EI
– Módulo de Young (E) xy 3
I
– Momento de inercia de la sección rectangular (I) 12
151
4 FL3
3
S
Exy
x  0.5
x, y  0
152
• Ejemplo de la “Estructura de dos barras” (Castillo, E. et ál.,
2001)
– Se desea diseñar una estructura con dos barras, teniendo en
cuenta tres objetivos: peso mínimo, la tensión máxima no debe
exceder cierto umbral y el desplazamiento en el pivote 3 no debe
superar un cierto valor
153
• Ejemplo de la “Estructura de dos barras” (continuación)
– La siguiente figura representa la situación planteada
154
– Los componentes del problema son:
– Peso específico del material de las barras (γ)
– Módulo de Young del material de la estructura (E)
– Carga que actúa en el pivote fijo con un ángulo de 45˚ a la izquierda del
eje Y (F)
– Tensión máxima admisible (S0)
– Desplazamiento máximo admisible en el pivote (D0)
155
– Y además
– Altura de la estructura (h)
– Desplazamiento del pivote 3 (D)
– Tensión en el pivote 1 (S1)
– Tensión en el pivote 2 (S2)
– Peso total de la estructura (W)
156
– Las variables de decisión son
– Distancia desde los pivotes fijos al eje Y (x)
– Área de la sección de los brazos de la estructura (z)
157
– La función a minimizar es W ( x, z )  2 z x 2  h 2

D ( x, z ) 
F


h x2
h x
2

3
2 4 4

1
2
 D0
2 2 Eh 2 x2 z
F ( x  h ) x 2
 h 2
S 1 ( x, z )    S0
2 2 xz
F ( h  x ) x 2
 h 2
S 2 ( x, z )    S0
2 2 xz
x, z  0
158
• Ejemplo de la “Matriz equilibrada” (Castillo, E. et ál., 2001)
– La información experimental requerida puede ser estructurada
en las llamadas tablas de contingencia
159
• Ejemplo de la “Matriz equilibrada” (continuación)
– El contenido de las celdas puede variar con el tiempo
– El problema planteado está relacionado con la actualización de
las tablas suponiendo que se conocen las sumas en filas y
columnas de tablas actualizadas
160
– Por ejemplo interesa conocer la gente que emigra y cómo las
migraciones cambian con el tiempo
– Cada emigración debe conocerse por su origen y destino
– El objetivo consiste en estimar el número de personas que
emigra desde cada par de ciudades
161
– Suponga datos del censo, por lo que se tienen de información
anual sobre las emigraciones netas de cada ciudad
– Suponga que tiene una tabla de contingencias desactualizada de
mxn y con entradas {tij}
– Suponga que la tabla actualizada es T=(Tij), en donde Tij es el
contenido de la celda i-j
162
– Suponga que se conocen las sumas de las columnas y filas de la
nueva matriz T, es decir se debe respetar lo siguiente
n
T
j 1
ij  ri , i  1,..., m
T
i 1
ij  c j , j  1,..., n
– Los parámetros ri y cj son conocidos
163
– Se requieren condiciones adicionales que reflejen que la celda
representa contadores de elementos
Tij  0; i  1,..., m; j  1,..., n
164
– El objetivo es obtener una matriz con la misma estructura de la
anterior verificando las restricciones en la suma de filas y
columnas
– La función objetivo es una distancia entre {tij} y {Tij}
Z  F (T , t )
165
– Una posibilidad es usar la función ponderada de mínimos
cuadrados
Z   ij Tij  tij 

m n
2
i 1 j 1
– Los pesos ωij son escalares positivos dados
166
– Otra alternativa es la función de entropía con signos cambiados
m n Tij log Tij
Z    Tij  tij
i 1 j 1 tij
167
– En resumen se tienen entonces las restricciones y una función
objetivo (de las dos alternativas)
– Los datos del problema son
– La suma de todos los elementos de la fila i (ri)
– La suma de todos los elementos de la columna j (cj)
– Contenido observado en la celda i-j (tij)
– La variable es
– Contenido estimado de la celda i-j (Tij)
168
• Ejemplo de la “Distribución de viajes” (Castillo, E. et ál.,
2001)
– Corresponde a un problema práctico que encaja en el tipo de
problemas de la matriz equilibrada
– La situación planteada contempla la predicción de la matriz de
distribución T de viajes en una ciudad
169
• Ejemplo de la “Distribución de viajes” (continuación)
– Un área pequeña se ha dividido en cuatro zonas y producto de
una encuesta origen/destino se tiene la siguiente matriz de
viajes
170
– Las restricciones reflejan el conocimiento sobre la generación y
atracción de los viajes en las zonas del área bajo estudio
n
T
j 1
ij  ri , i  1,...,m
T
i 1
ij  c j , j  1,...,n
171
– Interesan las entradas de la matriz que puedan interpretarse
como viajes
– Los movimientos futuros estimados entre las zonas y las
estimaciones sobre el número total de viajes en el futuro que
acaban en cada zona son los siguientes
172
– Las variables intrazonales se han eliminado
– Utilizando la función objetivo de entropía, se obtiene la siguiente
solución
173
• Formulación del problema z  f  x1 ,..., xn 
s.a.
h1  x1 ,..., xn   0
...
hl  x1 ,..., xn   0
g1  x1 ,..., xn   0
...
g m  x1 ,..., xn   0
174
• Formulación del problema
– Vector de variables de decisión (X)
– Restricciones de igualdad (h) y desigualdad (g)
min z  f  X 
s.a.
h X   0
gX   0
175
• Formulación del problema
– Solución factible: Cualquier vector XЄRn que satisface las
restricciones
– Región factible: Es el conjunto de todas las soluciones factibles
176
• Características de los problemas
– Son más difíciles de resolver
– Planteamiento de Pierre de Fermat en el libro Methodus ad
disquirendam maximan et miniman (Siglo XVII): Solución a partir
del estudio de la posición de las rectas tangentes
177
• Características de los problemas
– Es importante saber si existe al menos una solución al problema
de optimización
– Existen condiciones suficientes que lo garantizan, como por
ejemplo la del Teorema de Weierstrass, el cual garantiza la
existencia de soluciones cuando f es una función continua y el
conjunto factible S es cerrado y acotado
178
• Solución: Multiplicadores de Lagrange
– Para problemas no lineales con restricciones de igualdad
min z  f  x1 , x2 ,..., xn 
s.a.
h1  x1 , x2 ,..., xn   b1
h2  x1 , x2 ,..., xn   b2
...
hm  x1 , x2 ,..., xn   bm
179
– Para resolver se asocia un ki con la i-ésima restricción y se forma
la FUNCIÓN DE LAGRANGE
m
Lx1 , x2 ,..., xn , 1 , 2 ,..., m   f x1 , x2 ,..., xn    i bi  hx1 , x2 ,..., xn 
i 1
180

– Se trata de encontrar un punto x1 , x 2 ,..., x n ,  1 ,  2 ,...,  m 
– El punto maximiza o minimiza L x1 , x2 ,..., xn , 1 , 2 ,..., m 
– PARA TENER EN CUENTA: En muchas ocasiones el punto

corresponde a la solución óptima
181
– En un problema de maximización, por ejemplo, si el punto
mencionado anteriormente maximiza a L, entonces
L
 bi  hx1 , x2 ,..., xn   0
i
182
– Lo anterior demuestra que el punto solución va a satisfacer las
restricciones
– Para demostrar que el punto es solución, se supone un punto
cualquiera de la región factible
x'1 , x'2 ,..., x'n 
183
– Como L es maximizado por  x'1 , x'2 ,..., x'n ,  '1 ,  '2 ,...,  'm 
entonces se tiene que
 
L x1 , x 2 ,..., x n ,  1 ,  2 ,...,  m  L x'1 , x'2 ,..., x'n ,  '1 ,  '2 ,...,  'm 
184
– Como los valores de x son factibles, los términos en la función de
Lagrange que están relacionados con λ son CERO y la ecuación
se convierte en
 
f x1 , x 2 ,..., x n  f  x'1 , x'2 ,..., x'n 
185
– CONCLUSIÓN: Si el problema de maximización irrestricta de L es
 
resuelto por x1 , x 2 ,..., x n ,  1 ,  2 ,...,  m

entonces, la solución es x1 , x 2 ,..., x n 
186
– CONCLUSIÓN: Para que resuelva el problema de maximización
irrestricta de L es necesario que
L L L L L L
  ...     ...  0
x1 x2 xn 1 2 m
187
– TEOREMA A: Para el problema de maximización, si f(X) es una
función cóncava y cada h(X) es una función lineal, entonces para
 
cualquier punto x1 , x 2 ,..., x n ,  1 ,  2 ,...,  m produce una
solución
– Para lo anterior es necesario que el punto satisfaga la ecuación

L L L L L L
  ...     ...  0
x1 x2 xn 1 2 m
188
– INTERPRETACIÓN GEOMÉTRICA: Se sabe que para que exista la
 
solución x1 , x 2 ,..., x n es necesario que
L
 0 j  1,..., n
x j
189
– INTERPRETACIÓN GEOMÉTRICA: Lo anterior significa que
existen números “Lambda”, tal que la solución
m
f   i hi
i 1
190
– INTERPRETACIÓN GEOMÉTRICA: El j-ésimo componente del lado
izquierdo es f
x j
m
hi
El j-ésimo componente del lado derecho es 
i 1
i
x j
191
– INTERPRETACIÓN GEOMÉTRICA: Lo anterior implica que para
j=1,…,n se tiene
f m
h
  i i  0
x j i 1 x j
Lo cual se resume como

L
0
x j
192
– EJEMPLO: (Tomado de Winston, 2008) Una compañía planea
gastar $10.000 dólares en publicidad. El costo de anunciarse en
TV es de $3.000 dólares el minuto, y en radio de $1.000 dólares
el minuto. Si la empresa compra x minutos de TV y z minutos en
radio, entonces el ingreso se ha estimado en
f ( x, z )  2 x 2  z 2  xz  8 x  3z
¿Cómo puede la empresa maximizar su beneficio?
193
– EJEMPLO: (continuación) El problema queda formulado así
Max f ( x, z )  2 x 2  z 2  xz  8 x  3z
s.a. 3x  z  10
194
– EJEMPLO: (continuación) La función de Lagrange es
L( x, z ,  )  2 x 2  z 2  xz  8 x  3z   (10  3x  z )
L L L
Se establece   0
x z 
195
– EJEMPLO: (continuación) De acuerdo a lo anterior se resuelve
L
 4 x  z  8  3  0  z  4 x  8  3
x
L
 2 z  x  3    0  x  2 z  3  
z
L
 10  3 x  z  0

196
– EJEMPLO: (continuación) reemplazando la segunda en la
primera
z  4 x  8  3  4(2 z  3   )  8  3
z  8 z  12  4  8  3
20
7 z  7  20  z   
7
197
– EJEMPLO: (continuación) Reemplazando el valor de z se
encuentra x
x  2 z  3    2   207   3  
x  2  407  3      197
198
– EJEMPLO: (continuación) Reemplazando los valores de x, z en la
tercera se tiene
L
 10  3 x  z  0

10  3197      207     0
10  577  3  207    0
10  11  4  0    1
4
199
– EJEMPLO: (continuación) La hessiana es
 4 1 
H ( x, z )   
 1  2
200
– EJEMPLO: (continuación) Es cóncava porque cada menor de
primer orden es negativo y
H 2 ( x, z )  (4)(2)  (1)(1)  7  0
201
– EJEMPLO: (continuación)
202
– EJEMPLO: (continuación)
203

Optimización 2017 TEMA 2

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Optimización 2017 TEMA 2

Загружено:

Авторское право:

Доступные форматы

OPTIMIZACIÓN

L= 1,7500 1,75 (0,618k)=0,25

Proporción 0,6180 (0,618k)=0,1429

a b L x1 x2 f(x1) f(x2) CASO Nvo Interv

Xk f'(Xk) f''(Xk) Tolerancia

1,0000 -12,0000 36,0000 0,0001

1,3333 -3,6667 17,5000 0,0001

1,5429 -0,5501 12,7131 0,0001

1,5861 -0,0153 12,0193 0,0001

1,5874 0,0000 12,0000 0,0001

 f11 f12  f1 ' 

f ( x1 , x2 )  0.21650625  10 6 x12  0.886025  106 x22  1000 x1  500 x2

x1*  2.309402 10 3

x2*  0.28216 10 3

a11 a12 0.4330125 106 0

 (0.4330125 106 )(1.772050 106 )  (0)(0)  7.67 1011  0

f ( x1 , x2 , x3 )  5 x12  2 x22  x34  32 x3  6 x1 x2  5 x2

V1  (0,0),V2  (1.2,0),V3  (0,0.8)

3 M= 1,5 0,6 -4,89

4 M= 2,4 0,8 -5,92

9 M= 2,8875 1,85 -6,98171875

10 M= 3,0375 2,05 -6,99796875

V1  (0,0),V2  (1,0),V3  (0,1)

1 0,0000 1,0000 -9,0000 1,0000 0,0000 -8,0000 0,0000 0,0000 -5,0000

2 1,5000 1,5000 -14,0000 0,0000 1,0000 -9,0000 1,0000 0,0000 -8,0000

3 1,5000 1,5000 -14,0000 0,5000 2,5000 -13,0000 0,0000 1,0000 -9,0000

4 2,0000 3,0000 -15,0000 1,5000 1,5000 -14,0000 0,5000 2,5000 -13,0000

5 2,0000 3,0000 -15,0000 1,5000 1,5000 -14,0000 3,0000 2,0000 -14,0000

6 2,0000 3,0000 -15,0000 2,3750 2,1250 -14,9688 1,5000 1,5000 -14,0000

7 1,8438 2,0313 -15,0059 2,0000 3,0000 -15,0000 2,3750 2,1250 -14,9688

8 2,1485 2,3203 -15,1957 1,8438 2,0313 -15,0059 2,0000 3,0000 -15,0000

9 1,9981 2,5879 -15,2423 2,1485 2,3203 -15,1957 1,8438 2,0313 -15,0059

10 1,9981 2,5879 -15,2423 2,1485 2,3203 -15,1957 2,3028 2,8769 -15,0163

11 1,9981 2,5879 -15,2423 2,1485 2,3203 -15,1957 2,1881 2,6655 -15,1872

15 1,9739 2,4752 -15,2487 2,0463 2,4893 -15,2477 1,9981 2,5879 137

– Las restricciones son

– Se tiene k>0 como una constante de proporcionalidad y h≥0

– Las restricciones son

– Los parámetros ri y cj son conocidos

Tij  0; i  1,..., m; j  1,..., n

Z   ij Tij  tij 

– Los pesos ωij son escalares positivos dados

– PARA TENER EN CUENTA: En muchas ocasiones el punto

x'1 , x'2 ,..., x'n 

– Para lo anterior es necesario que el punto satisfaga la ecuación

Lo cual se resume como

Вам также может понравиться