Академический Документы
Профессиональный Документы
Культура Документы
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
Problemas irrestrictos de una variable
• Revisión
– Función f(x): Regla que asigna a cada valor de x un único valor
y=f(x)
4
Problemas irrestrictos de una variable
• Revisión
– Función f(x): Irrestricta
f ( x) x 3 2 x 2 x 3
xR
5
Problemas irrestrictos de una variable
• Revisión
– Función f(x): Restringida
f ( x) x 3 2 x 2 x 3
x S x 5 x 5
6
Problemas irrestrictos de una variable
• Revisión
– Función f(x): Monotónica
7
Problemas irrestrictos de una variable
• Revisión
– Función f(x): Unimodal
9
0
-3 -2 -1 0 1 2 3
8
Problemas irrestrictos de una variable
• Conceptos
– Óptimo Local y Global: Mínimo y Máximo
a X1 X2 X3 X4 b
9
Problemas irrestrictos de una variable
• Conceptos
– ¿Cómo identificar el óptimo?
10
Problemas irrestrictos de una variable
• Conceptos
– ¿Cómo identificar el óptimo?
11
Problemas irrestrictos de una variable
• Conceptos
– Condición necesaria
df
x x*
0
dx
d2 f
xx*
0 ( 0)
dx 2
12
Problemas irrestrictos de una variable
• Conceptos
– Punto estacionario
df
x x*
0
dx
13
Problemas irrestrictos de una variable
• Conceptos
– Punto de inflexión
30
20
10
0
y
-10
-20
-30
-3 -2 -1 0 1 2 3
x
14
Problemas irrestrictos de una variable
• 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
Problemas irrestrictos de una variable
• 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
x0 6 -20
dx3 -30
-3 -2 -1 0 1 2 3
x
16
Problemas irrestrictos de una variable
• 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
Problemas irrestrictos de una variable
• 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
Problemas irrestrictos de una variable
• Ejemplo (continuación)
– 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
Problemas irrestrictos de una variable
• 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
Problemas irrestrictos de una variable
• 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
Problemas irrestrictos de una variable
• Determinación del óptimo
• Primera derivada
Métodos Exactos • Segunda derivada
• Métodos de
eliminación
Métodos • Aproximación
Aproximados polinomial
• Métodos con
derivadas
22
Problemas irrestrictos de una variable
• Determinación del óptimo
• Interval halving
Eliminació • Golden search
n
• Búsqueda cuadrática
Polinomial • Powell
• Newton-Raphson
Con • Bisección
derivadas
23
Problemas irrestrictos de una variable
• Interval halving
– 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
Problemas irrestrictos de una variable
• Interval halving
25
Problemas irrestrictos de una variable
• Interval halving
26
Problemas irrestrictos de una variable
• Interval halving
– 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
Problemas irrestrictos de una variable
• Interval halving
28
Problemas irrestrictos de una variable
• Interval halving
29
Problemas irrestrictos de una variable
• Interval halving
30
Problemas irrestrictos de una variable
• Interval halving
31
Problemas irrestrictos de una variable
• Interval halving
32
Problemas irrestrictos de una variable
• Interval halving
400
350
300
250
200
150
100
50
0
80 85 90 95 100 105
33
Problemas irrestrictos de una variable
• 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
Problemas irrestrictos de una variable
• 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
Problemas irrestrictos de una variable
• 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
Problemas irrestrictos de una variable
• 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
Problemas irrestrictos de una variable
• 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
Problemas irrestrictos de una variable
• 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
Problemas irrestrictos de una variable
• 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
Problemas irrestrictos de una variable
• Golden search
– A partir de L se pueden calcular los puntos así:
x1 b 0,618 L
x2 a 0,618 L
41
Problemas irrestrictos de una variable
• Golden search
– Ejemplo (Winston, 2008)
Max f ( x) x 2 1
Para 1 x 0,75
42
Problemas irrestrictos de una variable
• Golden search
– Ejemplo (continuación)
k Ln 0,618 = Ln
Control 0,2500
0,1429
k = 4,06 (aprox. 5)
43
Problemas irrestrictos de una variable
• Golden search
– Ejemplo (continuación)
Óptimo 0,0027
44
Problemas irrestrictos de una variable
• Aproximación cuadrática
45
Problemas irrestrictos de una variable
• Aproximación cuadrática
46
Problemas irrestrictos de una variable
• Aproximación cuadrática
47
Problemas irrestrictos de una variable
• Aproximación cuadrática
– Ejemplo
• En el intervalo de 1 a 5 encontrar el mínimo de
16
f ( x) 2 x
2
48
Problemas irrestrictos de una variable
• Aproximación cuadrática
– Ejemplo (continuación)
49
Problemas irrestrictos de una variable
• Aproximación cuadrática
– Ejemplo (continuación)
50
Problemas irrestrictos de una variable
• Aproximación cuadrática
– Ejemplo (continuación)
55
50
45
40
35
30
25
20
15
1 1.5 2 2.5 3 3.5 4 4.5 5
51
Problemas irrestrictos de una variable
• 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
Problemas irrestrictos de una variable
• Powell
53
Problemas irrestrictos de una variable
• Powell
54
Problemas irrestrictos de una variable
• 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
3 102 3 103
x F
55
Problemas irrestrictos de una variable
• Powell
– Ejemplo (continuación)
56
Problemas irrestrictos de una variable
• Powell
– Ejemplo (continuación)
57
Problemas irrestrictos de una variable
• Powell
– Ejemplo (continuación)
58
Problemas irrestrictos de una variable
• 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
Problemas irrestrictos de una variable
• 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
Problemas irrestrictos de una variable
• Newton-Raphson
– Ejemplo (continuación)
• 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
Problemas irrestrictos de una variable
• Newton-Raphson
– Ejemplo (continuación)
• Se continúa hasta que f ' ( xk )
• Épsilon corresponde a la tolerancia permitida
• Suponga que para el problema la tolerancia es 0.002
62
Problemas irrestrictos de una variable
• Newton-Raphson
– Ejemplo (continuación)
64
Problemas irrestrictos de una variable
• 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
Problemas irrestrictos de una variable
• Bisección
66
Problemas irrestrictos de una variable
• 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
Problemas irrestrictos de una variable
• 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
Problemas irrestrictos de dos variables
• 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
Problemas irrestrictos de dos variables
• 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
71
Problemas irrestrictos de dos variables
• Condición de optimalidad
– El máximo se presenta cuando f11 0( f 22 0)
– El mínimo se da en el caso contrario
72
Problemas irrestrictos de dos variables
• Condición de optimalidad
73
Problemas irrestrictos de dos variables
• Condición de optimalidad
74
Problemas irrestrictos de dos variables
• Condición de optimalidad
– 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
Problemas irrestrictos de dos variables
• Condición de optimalidad
– 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
Problemas irrestrictos de dos variables
• 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
Problemas irrestrictos de dos variables
• Ejemplo (continuación)
– 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
Problemas irrestrictos de dos variables
• Ejemplo (continuación)
P2=500 lbs
P1=1000 lbs
30"
60°
l/2 l/2
79
Problemas irrestrictos de dos variables
• Ejemplo (continuación)
– Reemplazando los datos en la ecuación, con un valor de A=1 m2,
se tiene que:
80
Problemas irrestrictos de dos variables
• Ejemplo (continuación)
– La condición necesaria para el mínimo es
f
0.43301125 106 x1 1000 0
x1
f
1.772050 106 x2 500 0
x2
81
Problemas irrestrictos de dos variables
• Ejemplo (continuación)
– Por lo tanto se tiene que
82
Problemas irrestrictos de dos variables
• Ejemplo (continuación)
– La matriz hessiana es
2 f 2 f
x12 x1x 2 0.4330125 106 0
A
2 f f
2
0 1.772050 106
x1x 2 x 22
83
Problemas irrestrictos de dos variables
• Ejemplo (continuación)
– Para determinar a qué corresponde se tiene que
A1 a11 0.4330125 106 0
84
Problemas irrestrictos de dos variables
• Ejemplo (continuación)
– Como es una matriz definida positivamente, se tiene que el
punto corresponde a un mínimo
85
Problemas irrestrictos de dos variables
• Ejemplo
– Encontrar los puntos estacionarios de la siguiente función y
determinar a qué corresponden
f ( x1 , x2 ) ( x1 1) 2 ( x2 2) 2
86
Problemas irrestrictos de dos variables
• Ejemplo (continuación)
– 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
Problemas irrestrictos de dos variables
• Ejemplo (continuación)
– 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
Problemas irrestrictos de dos variables
• Ejemplo (continuación)
– 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
Problemas irrestrictos de dos variables
• Ejemplo (continuación)
– Con el toolbox del Matlab se puede encontrar
90
Problemas irrestrictos de dos variables
• 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
Problemas irrestrictos de dos variables
• Ejemplo (continuación)
-x 2+2 x y-y 2
-50
-100
-150
5
5
0
0
-5 -5
y x
92
Problemas irrestrictos de dos variables
• Ejemplo (continuación)
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
Problemas irrestrictos de dos variables
• Ejemplo (continuación)
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
Problemas irrestrictos de dos variables
• Ejemplo (continuación)
– Los eigenvalores indican la existencia de un máximo porque
f11 0; f 22 0
95
Problemas irrestrictos de dos variables
• Ejemplo
– Encontrar los puntos estacionarios y determinar a qué
corresponden
f ( x1 , x2 ) x x2
3 3
1
96
Problemas irrestrictos de dos variables
• Ejemplo (continuación)
x 3+y 3
500
-500
5
5
0
0
-5 -5
y x
97
Problemas irrestrictos de dos variables
• Ejemplo (continuación)
f
x1
3 x 2
f 3x 2
1
f
x2 2
3x12
2 0; x1 x2 0
3x2
98
Problemas irrestrictos de dos variables
• Ejemplo (continuación)
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
Problemas irrestrictos de dos variables
• Ejemplo (continuación)
– Al reemplazar los puntos x1 x2 0 en la matriz, da como
resultado un punto de inflexión
100
Problemas irrestrictos de dos variables
• Ejemplo
– Encontrar los puntos estacionarios y determinar a qué
corresponden
f ( x1 , x2 ) 1 x12 x22
101
Problemas irrestrictos de dos variables
• Ejemplo (continuación)
1+x 2-y 2
60
40
20
-20
-40
5
5
0
0
-5 -5
y x
102
Problemas irrestrictos de dos variables
• Ejemplo (continuación)
f
x1 2 x1
f 2 x
f
x2 2
2 x1
0; x1 x2 0
2 x2
103
Problemas irrestrictos de dos variables
• Ejemplo (continuación)
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
Problemas irrestrictos de dos variables
• Ejemplo (continuación)
– La matriz es indefinida, por lo que se tiene un punto de inflexión
105
Problemas irrestrictos de dos variables
• Ejemplo
– Encuentre los puntos estacionarios de la siguiente función de
tres variables y determine a qué corresponden
106
Problemas irrestrictos de dos variables
• Ejemplo (continuación)
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
Problemas irrestrictos de dos variables
• Ejemplo (continuación)
2 f 2 f 2 f
x12 x1x2 x1x3 f
2 11 f12 f13 10 6 0
f
2 f 2
f f
2
f 21 f 22 f 23 6 4 0
x2x1 x22 x2x3
2 f 2 f 2 f f31 f32 f33 0 0 12 x32
x3x1 x3x2 x32
108
Problemas irrestrictos de dos variables
• Ejemplo (continuación)
– Se tiene un mínimo porque
f11 0; f 22 0; f33 0
109
Problemas irrestrictos de dos variables
• 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
Problemas irrestrictos de dos variables
• Métodos numéricos
– Downhill simplex
– Uphill simplex
– Búsqueda secuencial univariada
111
Problemas irrestrictos de dos variables
• 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
Problemas irrestrictos de dos variables
• Downhill simplex
– 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
Problemas irrestrictos de dos variables
• Downhill simplex
– Requiere pocas evaluaciones
– No necesita derivadas
– Actualiza (iterativamente) el peor punto por cuatro operaciones:
Reflexión, Expansión, Contracción y Contracción múltiple
114
Problemas irrestrictos de dos variables
• Downhill simplex
– Evolución (Pérez, 2005)
115
Problemas irrestrictos de dos variables
• Downhill simplex
– Las operaciones (Hiwa et al., 2005)
116
Problemas irrestrictos de dos variables
• 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
Problemas irrestrictos de dos variables
• Algoritmo Downhill simplex (continuación)
118
Problemas irrestrictos de dos variables
• Algoritmo Downhill simplex (continuación)
119
Problemas irrestrictos de dos variables
• Algoritmo Downhill simplex (continuación)
120
Problemas irrestrictos de dos variables
• Algoritmo Downhill simplex (continuación)
121
Problemas irrestrictos de dos variables
• Algoritmo Downhill simplex (continuación)
122
Problemas irrestrictos de dos variables
• Algoritmo Downhill simplex (continuación)
123
Problemas irrestrictos de dos variables
• Algoritmo Downhill simplex (continuación)
124
Problemas irrestrictos de dos variables
• Algoritmo Downhill simplex (continuación)
125
Problemas irrestrictos de dos variables
• Algoritmo Downhill simplex (continuación)
126
Problemas irrestrictos de dos variables
• Algoritmo Downhill simplex (continuación)
127
Problemas irrestrictos de dos variables
• 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
Problemas irrestrictos de dos variables
• RESUMEN Algoritmo Downhill simplex
– 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
Problemas irrestrictos de dos variables
• RESUMEN Algoritmo Downhill simplex
– 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
Problemas irrestrictos de dos variables
• 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
131
Problemas irrestrictos de dos variables
• 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
Problemas irrestrictos de dos variables
• Ejemplo (continuación)
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
133
Problemas irrestrictos de dos variables
• Ejemplo (continuación)
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
Problemas irrestrictos de dos variables
• Ejemplo (continuación)
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
f ( x, y ) x 2 y 2 4 x 5 y 5
136
Problemas irrestrictos de dos variables
V1 - Best V2 - Good V3 - Worst
k
• Ejemplo (continuación)
X Y f x y f x y f
138
Optimización restringida
• 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
Optimización restringida
• Ejemplo “Paquete Postal” (Castillo, E. et ál., 2001)
– El volumen a maximizar es V ( x, y, z ) xyz
140
Optimización restringida
• 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
Optimización restringida
• 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
Optimización restringida
• 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 bh
a, b, h 0
143
Optimización restringida
• 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
Optimización restringida
• Ejemplo de “La bombilla” (continuación)
– Se debe maximizar la intensidad de luz en los puntos de la
circunferencia de radio r=30 centímetros
145
Optimización restringida
• Ejemplo de “La bombilla” (continuación)
– 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
Optimización restringida
• Ejemplo de “La bombilla” (continuación)
– Por lo tanto la expresión a maximizar es
h
I ( h) k
h 2
r 2
3
4
147
Optimización restringida
• 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
Optimización restringida
• Ejemplo del “Voladizo” (continuación)
– La siguiente figura representa la situación planteada:
149
Optimización restringida
• Ejemplo del “Voladizo” (continuación)
– 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
Optimización restringida
• Ejemplo del “Voladizo” (continuación)
– 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
Optimización restringida
• Ejemplo del “Voladizo” (continuación)
– Las restricciones son
4 FL3
3
S
Exy
x 0.5
x, y 0
152
Optimización restringida
• 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
Optimización restringida
• Ejemplo de la “Estructura de dos barras” (continuación)
– La siguiente figura representa la situación planteada
154
Optimización restringida
• Ejemplo de la “Estructura de dos barras” (continuación)
– 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
Optimización restringida
• Ejemplo de la “Estructura de dos barras” (continuación)
– 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
Optimización restringida
• Ejemplo de la “Estructura de dos barras” (continuación)
– 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
Optimización restringida
• Ejemplo de la “Estructura de dos barras” (continuación)
– La función a minimizar es W ( x, z ) 2 z x 2 h 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
Optimización restringida
• Ejemplo de la “Matriz equilibrada” (Castillo, E. et ál., 2001)
– La información experimental requerida puede ser estructurada
en las llamadas tablas de contingencia
159
Optimización restringida
• 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
Optimización restringida
• Ejemplo de la “Matriz equilibrada” (continuación)
– 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
Optimización restringida
• Ejemplo de la “Matriz equilibrada” (continuación)
– 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
Optimización restringida
• Ejemplo de la “Matriz equilibrada” (continuación)
– 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
163
Optimización restringida
• Ejemplo de la “Matriz equilibrada” (continuación)
– Se requieren condiciones adicionales que reflejen que la celda
representa contadores de elementos
164
Optimización restringida
• Ejemplo de la “Matriz equilibrada” (continuación)
– 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
Optimización restringida
• Ejemplo de la “Matriz equilibrada” (continuación)
– Una posibilidad es usar la función ponderada de mínimos
cuadrados
i 1 j 1
166
Optimización restringida
• Ejemplo de la “Matriz equilibrada” (continuación)
– Otra alternativa es la función de entropía con signos cambiados
m n Tij log Tij
Z Tij tij
i 1 j 1 tij
167
Optimización restringida
• Ejemplo de la “Matriz equilibrada” (continuación)
– 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
Optimización restringida
• 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
Optimización restringida
• 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
Optimización restringida
• Ejemplo de la “Distribución de viajes” (continuación)
– 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
Optimización restringida
• Ejemplo de la “Distribución de viajes” (continuación)
– 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
Optimización restringida
• Ejemplo de la “Distribución de viajes” (continuación)
– Las variables intrazonales se han eliminado
– Utilizando la función objetivo de entropía, se obtiene la siguiente
solución
173
Optimización restringida
• 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
Optimización restringida
• 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
gX 0
175
Optimización restringida
• Formulación del problema
– Solución factible: Cualquier vector XЄRn que satisface las
restricciones
– Región factible: Es el conjunto de todas las soluciones factibles
176
Optimización restringida
• 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
Optimización restringida
• 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
Optimización restringida
• 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
Optimización restringida
• Solución: Multiplicadores de Lagrange
– Para resolver se asocia un ki con la i-ésima restricción y se forma
la FUNCIÓN DE LAGRANGE
m
Lx1 , x2 ,..., xn , 1 , 2 ,..., m f x1 , x2 ,..., xn i bi hx1 , x2 ,..., xn
i 1
180
Optimización restringida
• Solución: Multiplicadores de Lagrange
– 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
181
Optimización restringida
• Solución: Multiplicadores de Lagrange
– En un problema de maximización, por ejemplo, si el punto
mencionado anteriormente maximiza a L, entonces
L
bi hx1 , x2 ,..., xn 0
i
182
Optimización restringida
• Solución: Multiplicadores de Lagrange
– 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
183
Optimización restringida
• Solución: Multiplicadores de Lagrange
– 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
Optimización restringida
• Solución: Multiplicadores de Lagrange
– 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
Optimización restringida
• Solución: Multiplicadores de Lagrange
– 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
Optimización restringida
• Solución: Multiplicadores de Lagrange
– 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
Optimización restringida
• Solución: Multiplicadores de Lagrange
– 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
188
Optimización restringida
• Solución: Multiplicadores de Lagrange
– 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
Optimización restringida
• Solución: Multiplicadores de Lagrange
– INTERPRETACIÓN GEOMÉTRICA: Lo anterior significa que
existen números “Lambda”, tal que la solución
m
f i hi
i 1
190
Optimización restringida
• Solución: Multiplicadores de Lagrange
– 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
Optimización restringida
• Solución: Multiplicadores de Lagrange
– INTERPRETACIÓN GEOMÉTRICA: Lo anterior implica que para
j=1,…,n se tiene
f m
h
i i 0
x j i 1 x j
192
Optimización restringida
• Solución: Multiplicadores de Lagrange
– 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
Optimización restringida
• Solución: Multiplicadores de Lagrange
– 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
Optimización restringida
• Solución: Multiplicadores de Lagrange
– 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
Optimización restringida
• Solución: Multiplicadores de Lagrange
– 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
Optimización restringida
• Solución: Multiplicadores de Lagrange
– 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
Optimización restringida
• Solución: Multiplicadores de Lagrange
– EJEMPLO: (continuación) Reemplazando el valor de z se
encuentra x
x 2 z 3 2 207 3
x 2 407 3 197
198
Optimización restringida
• Solución: Multiplicadores de Lagrange
– EJEMPLO: (continuación) Reemplazando los valores de x, z en la
tercera se tiene
L
10 3 x z 0
10 3197 207 0
10 577 3 207 0
10 11 4 0 1
4
199
Optimización restringida
• Solución: Multiplicadores de Lagrange
– EJEMPLO: (continuación) La hessiana es
4 1
H ( x, z )
1 2
200
Optimización restringida
• Solución: Multiplicadores de Lagrange
– EJEMPLO: (continuación) Es cóncava porque cada menor de
primer orden es negativo y
H 2 ( x, z ) (4)(2) (1)(1) 7 0
201
Optimización restringida
• Solución: Multiplicadores de Lagrange
– EJEMPLO: (continuación)
202
Optimización restringida
• Solución: Multiplicadores de Lagrange
– EJEMPLO: (continuación)
203