UNIVERSIDAD NACIONAL DE TRUJILLO

ESCUELA DE POSTGRADO
SECCIÓN DE POSTGRADO EN CIENCIAS FÍSICAS Y MATEMÁTICAS
MAESTRÍA EN INGENIERÍA MATEMÁTICA

Minimización de funciones convexas sobre la

envoltura convexa de un conjunto finito de
puntos usando el método de puntos interiores

AUTOR: LIC. LEYDIDIANA GAMBOA FERRER

ASESORA: DRA. JENNY ROJAS JERONIMO

TRUJILLO - PERÚ
Agosto - 2016

1
Dedicatoria
La presente tesis está dedicada primeramente a mi Padre Celestial y a
Jesucristo porque sin ellos nada lograrı́a en ésta vida, en segundo lugar a mis
queridos padres Arquı́mides Gamboa Orbegoso y Yolanda Ferrer Guzmán 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 Gutiérrez Ocas e
Hijos Camila Michelle y Michael Salvador por su amor, apoyo y comprensión.

I
Agradecimiento
En el transcurso de la realización de ésta 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 Jerónimo, quien me ha
guiado siempre con valiosas sugerencias en su progreso; también quiero agra-
decer a los profesores de la Maestrı́a en Ingenierı́a Matemática, quienes han
contribuido a mi formación profesional.

Gracias.

II
Índice
Lista de figuras IV

1. Introducción 1

2. Material y Métodos 3
2.1. Objeto de estudio . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2. Métodos y técnicas . . . . . . . . . . . . . . . . . . . . . . . . . 3

3. Resultados 4

4. Análisis y Discusión 5
4.1. Convexidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
4.2. Algoritmo del punto interior . . . . . . . . . . . . . . . . . . . . 19
4.3. Algoritmo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4.3.1. Paso de Corrección . . . . . . . . . . . . . . . . . . . . . 20
4.3.2. Paso de Predicción . . . . . . . . . . . . . . . . . . . . . 20
4.3.3. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

5. Conclusiones 23

6. Recomendaciones 24

III
Índice de figuras
1. a)Conj. convexo. b) Conj. no-convexo . . . . . . . . . . . . . . . 6
2. Envolturas convexas de diferentes tipos de conjuntos . . . . . . . 15

IV
Resumen
El presente Informe tiene como objetivo fundamental describir un algorit-
mo usando el método de puntos interiores para minimizar una función convexa
f : Rn → R sobre la envoltura convexa de un conjunto finito de m puntos en
Rn , usando las coordenadas baricéntricas para representar los puntos interio-
res del poliedro P = conv(Z); donde Z = {z 1 , · · · , z m } es el conjunto de m
puntos de Rn y Z := (z 1 , ..., z m ) la matriz de orden n × m con columnas z i .
En particular el algoritmo también puede ser usado para hallar la proyección
ortogonal de un punto z c ∈ Rn hacia P .

PALABRAS Y FRASES CLAVES : Minimización de funciones conve-

xas, envolvente convexa. Métodos de punto interior. Coordenadas baricéntri-
cas.

V
 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 z c ∈ Rn hacia P .

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

Barycentric coordinates.

VI
1. Introducción
La Optimización es muy importante en la resolución de problemas aplica-
dos, en diferentes áreas de la ciencia, su finalidad es determinar las soluciones
que representen el valor óptimo, al maximizar o minimizar una función objeti-
vo, la que constituye una relación matemática entre las variables de decisión,
parámetros y una magnitud que representa el objetivo.
Cuando la función objetivo y todas las funciones que definen las restricciones
son lineales y son definidas sobre Rn se tiene un problema de optimización
lineal o también conocido como problema de Programación lineal (PL) conti-
nua, en otro caso, es un problema de Programación no lineal [3]. Sin embargo
cuando la función objetivo es una función convexa y las restricciones definen
una región convexa, el problema es uno de Programación convexa, que es el
que vamos a tratar en el presente trabajo[1],[2].
Durante décadas el método Simplex ha sido el método preferido para resolver
problemas de programación lineal continua. Sin embargo, el tiempo de cálculo
requerido por este método para resolver un problema lineal, crece exponencial-
mente a medida que el número de variables y el de restricciones del problema
aumentan; esto es, según el tamaño del problema. Este crecimiento exponen-
cial corresponde al peor caso posible y que puede presentarse en muchos casos
reales[5].
Muchos investigadores trataron de desarrollar algoritmos cuyos tiempos de
cálculo creciera en tiempo polinomial con el tamaño del problema. En 1987
Karmarkar[5] anunció el desarrollo de un nuevo algoritmo para resolver pro-
blemas de PL grandes, cuya complejidad computacional es polinomial y resultó
altamente competitivo frente al método simplex en la solución de problemas
de grandes dimensiones. Este algoritmo se basa en la búsqueda del óptimo a
través de puntos del interior de la región factible, de allı́ el nombre de algorit-
mo de punto interior[6,7]. En realidad el algoritmo de Karmarkar y todas sus
variantes se conocen como algoritmos de punto interior [7].

1
En esta tesis se presenta un algoritmo de punto interior para resolver un pro-
blema de optimización lineal que define una función f : Rn → R convexa y dife-
renciable sujeta a la envoltura convexa de los puntos de Rn , Z = {z 1 , · · · , z m }.
El problema a resolver es:

minf (z) (1)

s.a. : z ∈ conv(Z). (2)

En la tesis se muestra que la principal dificultad para resolver este problema

usando el método Simplex, es que conocer explı́citamente conv(Z) no es tarea
fácil. Por otro lado si m es mayor que d = dim{conv(Z)} entonces la aplicación
afı́n Λ := Λ → conv(Z) tal que α → Zα no es inyectiva y en general cualquier
x en la envolvente convexa de Z tiene más de una representación de la forma
x = Zα, α ∈ Λ.

2
2. Material y Métodos

2.1. Objeto de estudio

El problema de minimización de una función convexa restringida a la en-

volvente convexa de un conjunto finito de puntos enteros de Rn usando un
método de punto interior.

2.2. Métodos y técnicas

El material para el desarrollo de este trabajo se basa en los conceptos y

teorı́as de la programación lineal, programación convexa, funciones convexas
sobre un simplex, coordenadas baricéntricas, proyección de direcciones sobre
simplexes y un método de punto interior para problemas de optimización lineal.
Además se hace uso de los conceptos del álgebra lineal y de análisis real.
Se utiliza el método constructivo, para la generación del algoritmo que
caracteriza la metodologı́a propuesta, mediante el siguiente procedimiento:

1. Formulación del problema de minimizar una función convexa diferen-

ciable, definida sobre la envolvente convexa de m puntos cada uno en
Rn .

2. Basado en las coordenadas baricéntricas, se describe un algoritmo que

permite resolver el problema planteado.

3. Usando el método de punto interior para resolver el problema de optimi-

zación, se describe un nuevo algoritmo para resolver el problema.

4. Se mostrará las ventajas y desventajas del algoritmo usando el método

de puntos interiores.

3
3. Resultados
El planteamiento general de un problema de minimización restringido a la
envoltura convexa de un conjunto finito de puntos de Rn es:

M inf (x)

s.a. x ∈ conv(Z)

donde Z = {z 1 , z 2 , . . . , z m } es un conjunto finito de puntos en Rn ,

 
1 2 m
z z . . . z1
 1 1 
 1 2
z2 z2 . . . z2m 

Z=  .. .. .. .. 

. . . . 
 
zn1 zn2 . . . znm

la matriz n × m con columnas z i y f : Rn → R una función convexa diferen-

ciable. Este problema es equivalente a:

Min g(α) (3)

s.a. α ∈ Λ

donde
Xm
g(α) := f ( αi z i ) = f (Zα)
i=1
m
X
m
Λ := {α ∈ R : αi ≥ 0, αi = 1}
i=1

Considerando una función f cuadrática y estrictamente convexa, entonces

H = ∇2 (g(α)) es una matriz fija. Si f es cuadrática, convexa y ∇2 (g(α)) = I,
entonces f tiene la forma cuadrática (x − xc )T (x − xc ) y en el problema equi-
valente se precisa encontrar la proyección de xc al poliedro conv(Z) = {Zα :
α ∈ Λ}.
El algoritmo usa las coordenadas baricéntricas para representar puntos inte-
riores del poliedro y generar nuevos puntos en él con coordenadas positiva.

4
En particular el algoritmo puede ser usado para calcular la proyección ortogo-
nal de un punto xc ∈ Rn hacia el poliedro.

4. Análisis y Discusión

4.1. Convexidad

Definiciones básicas y algunas propiedades:

Definición 1 Sean x1 , x2 ∈ Rn , el SEGMENTO CERRADO que une los puntos

x1 y x2 , es el conjunto denotado por [x1 , x2 ] y definido como:

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

Definición 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 ) := { λ x1 + (1 − λ) x2 ∈ Rn , tal que λ ∈ h0, 1i }

Definición 3 Un conjunto X ⊂ Rn es un CONJUNTO CONVEXO, si todo seg-

mento que une dos elementos arbitrarios de X está contenido en X. Esto
es:

X es un conjunto convexo si y sólo 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 pun-
tos para los que parte del segmento que los une no está contenido en dicho
conjunto.
OBS: Por convenio, el conjunto vacı́o es convexo.

5
 Figura 1: a)Conj. convexo. b) Conj. no-convexo

Definición 4 Sea x ∈ Rn , diremos que x es COMBINACIÓN CONVEXA de los

puntos x1 , x2 , ... , xm ∈ Rn cuando existan m números reales t1 , t2 , ... , tm
no negativos y cuya suma sea la unidad, que verifiquen que:

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

Es claro que x ∈ Rn es combinación convexa de x1 , x2 ∈ Rn si y sólo si

x ∈ [x1 , x2 ]
El siguiente teorema caracteriza a los conjuntos convexos.

Teorema 1 (Caracterización de Conjuntos Convexos) Un conjunto no vacı́o

A ⊂ Rn es convexo si y sólo si

t1 x1 + ... + tm xm ∈ A ∀ m ∈ N
m
X
∀ xi ∈ A donde 0 ≤ ti ≤ 1, i = 1, ..., m tal que ti = 1.
i=1

Demostración:
m
X m
X
⇒) Si A es convexo entonces ti xi ∈ A con xi ∈ A, ti = 1 , 0 ≤ ti ≤
i=1 i=1
1, i = 1, ..., m.
En efecto, por inducción:
para m = 2 se cumple, pues por definición A es convexo si se tiene que
∀ x1 , x2 t1 x1 + t2 x2 ∈ A donde t1 + t2 = 1 y t1 , t2 ∈ [0, 1]
Para m − 1 (H.I.), supongamos que A es convexo si:
m−1
X m−1
X
ti xi ∈ A , ti = 1 , xi ∈ A, 0 ≤ ti ≤ 1, i = 1, ..., m − 1.
i=1 i=1

6
 Demostremos que se cumple para m , es decir, verificaremos:
m
X m
X
ti xi ∈ A ∀ xi ∈ A, tal que ti = 1 . . . (∗) , 0 ≤ ti ≤ 1, i = 1, ..., m
i=1 i=1

En efecto:

sabemos que:
m
X m−1
X
ti xi = ti xi + tm xm
i=1 i=1
m−1
X
Sea t = ti entonces:
i=1

m m−1
X X ti
ti x i = t x + tm xm
i=1 i=1
t i

m−1 m−1
X ti X
Sea y = xi , como 0 ≤ ti ≤ 1 entonces 0 ≤ ti ≤ ti = t
i=1
t i=1
luego:
ti
0≤ ≤1
t
Además:
m−1 m−1
X ti 1X 1
= ti = . t = 1
i=1
t t i=1 t
y como
xi ∈ A

por lo tanto y ∈ A(por la (H.I.).

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

Además:
m−1
X m
X
t + tm = ti + tm = ti = 1
i=1 i=1
m
X
∴ ti xi ∈ A
i=1

pues A es convexo.

7
 ⇐) Demostraremos que si:

t1 x1 + ... + tm xm ∈ A, ∀ m ∈ N, ∀ xi ∈ A, 0 ≤ ti ≤ 1, i = 1, ..., m
m
X
tal que ti = 1 entonces A es convexo. En efecto: tomando m = 2 se
i=1
cumple definición de convexidad. 2

Veamos la definición de función convexa y unas propiedades importantes:

Definición 5 Sea f : X → R una función definida sobre un conjunto convexo

X ⊂ Rn (X 6= φ) , entonces f es una FUNCIÓN CONVEXA sobre X si:

f (t x1 + (1 − t) x2 ) ≤ t f (x1 ) + (1 − t) f (x2 ) ∀ x1 x2 ∈ X, t ∈ [0, 1]

Definición 6 Sea f : X → R una función definida sobre un conjunto convexo

X ⊂ Rn (X 6= φ) , entonces f es una FUNCIÓN CÓNCAVA sobre X si:

f (t x1 + (1 − t) x2 ) ≥ t f (x1 ) + (1 − t) f (x2 ) ∀ x1 x2 ∈ X , t ∈ [0, 1]

Teorema 2 (Continuidad de Funciones Convexas) Sea X ⊂ Rn y sea f :

X → R una función convexa, entonces f es continua en el interior de X
[8].

OBS: Diremos que la función vectorial f es convexa si cada una de sus

funciones componentes fi es convexa (análogamente, la concavidad).
Dado el problema:

(P M ) minf (x)

x∈X

donde f : Rm → Rn

Proposición 1 Si, en el problema (P M ), X es un subconjunto convexo de

Rm y las funciones f1 (x), f2 (x), ...., fn (x) son cóncavas, entonces el conjunto:

A = { u = (u1 , ..., un ) ∈ Rn : ∃ x ∈ X con f (x) ≥ u }

es convexo en Rn .

8
Demostración:
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 (x) ≥ ui fi (x0 ) ≥ vi ∀ i = 1, n

Evidentemente, tx + (1 − t)x0 ∈ X, ya que X es convexo, además, dado

que f es cóncava, 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. 2

El siguiente resultado garantiza que, para problemas donde la función es

cóncava, la lı́nea de eficiencia queda determinada mediante el procedimiento
de escalarización.

Proposición 2 Si, en el problema (P M ), X es un subconjunto convexo de Rn

y f es cóncava, para cada solución de (P M ) x0 , existen c1 , c2 , ... , cn ≥ 0
no todos nulos y tales que x0 es solución de (P Ec ).

Demostración:
Sea x0 solución de (P M ), y consideremos los subconjuntos de Rn

A = {u ∈ Rn : ∃ x ∈ X con f (x) ≥ u} y B = {u ∈ Rn : u ≥ f (x0 )}.

A es convexo por la proposición anterior, y se demuestra sin ninguna dificultad

que B también lo es, Además, 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 solución de (P M ) se obtiene que A ∩ B o = ∅, ya que, si existiera

u ∈ A ∩ B o , existirı́a x ∈ X con fi (x) ≥ ui , i = 1, ..., n, y ui > fi (x0 ), i =
1, ..., n. Pero entonces:

9
 fi (x) > fi (x0 ), i = 1, ..., n,

y por consiguiente, x0 no resolverı́a (P M ). De los teoremas de separación de

conjuntos convexos podemos deducir que existen c1 , c2 , ..., cn no todos nulos
y tales que:
n
X n
X
ck uk ≤ ck vk
k=1 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
X n
X
ck fk (x) ≤ ck fk (x0 ),
k=1 k=1

y x0 resuelve (P Ec ). Sólo falta probar que ningún 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:
n
X n
X
c1 z + ck fk (x0 ) ≤ ck fk (x0 ),
k=2 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. 2

Observaciones: Por consiguiente, si en el problema (P M ) la función es

cóncava, para resolverlo basta solucionar los problemas (P Ec ) con c no nega-
tivo. Todas las soluciones que correspondan a un c positivo son ya soluciones
de (P M ), ası́ como las que corresponden a un c no negativo, siempre que sean
únicas. Finalmente, de la última proposición se deduce que todas las solucio-
nes de (P M ) están entre las soluciones de los problemas (P Ec ) para c no

10
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 c
X
ck
k=1

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

vista intuitivo, si en un problema práctico elegimos un óptimo de Pareto cal-
culado mediante un proceso de escalarización, 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 demás objetivos.

CONJUNTOS NOTABLES DE Rn

Definición 7 : Sea a un vector no nulo de Rn , y α ∈ R. Llamaremos

HIPERPLANO en Rn , denotado por H, al conjunto:

H = { x ∈ Rn / a · x = α }

Lema 1 : Un hiperplano H en Rn , es un conjunto convexo.

Demostración:
Sean x1 , x2 ∈ H, entonces:

a · x1 = α a · x2 = α

Sea λ ∈ [0, 1] , tenemos:

λ (a · x1 ) = λ α

(1 − λ) (a · x2 ) = (1 − λ) α

11
sumando miembro a miembro:

λ(a · x1 ) + (1 − λ)(a · x2 ) = λ α + (1 − λ) α

de donde:
λ(a · x1 ) + (1 − λ)(a · x2 ) = α

Luego usando las propiedades de producto interno, tenemos:

a · (λ x1 ) + a · ((1 − λ)x2 ) = α

a · (λ x1 + (1 − λ) x2 ) = α

Luego λ x1 + (1 − λ) x2 ∈ H

∴ H es convexo. 2

Definición 8 : Sea a un vector no nulo de Rn , y α ∈ R. Los conjuntos:

H + = { x ∈ Rn / a · x ≤ α }

H − = { x ∈ Rn / a · x ≥ α }

se denominan SEMIESPACIOS CERRADOS de Rn .

Lema 2 : Los semiespacios cerrados H + y H − son conjuntos convexos.

Demostración:
Veamos que H + es convexo:
Sean x1 , x2 ∈ H + , entonces:

a . x1 ≤ α a . x2 ≤ α

Sea λ ∈ [0, 1] , tenemos:

λ (a · x1 ) ≤ λ α

(1 − λ) (a · x2 ) ≤ (1 − λ) α

12
sumando miembro a miembro:

λ (a · x1 ) + (1 − λ) (a · x2 ) ≤ λ α + (1 − λ) α

cancelando en el segundo miembro:

λ (a · x1 ) + (1 − λ) (a · x2 ) ≤ α

Utilizando las propiedades de producto interno:

a · (λ x1 ) + a · ((1 − λ) x2 ) ≤ α

a · (λ x1 + (1 − λ) x2 ) ≤ α

Luego λ x1 + (1 − λ) x2 ∈ H +

∴ H + es convexo. 2

Análogamente para H − .

Proposición 3 : 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 intersección arbitraria de un número finito o infinito de conjuntos

convexos es un conjunto convexo.

Demostración:
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

13
Sea λ ∈ [0, 1], tenemos:
λ u = λ x1 + λ x2

(1 − λ)v = (1 − λ)y1 + (1 − λ)y2

sumando miembro a miembro:

λ u + (1 − λ)v = λ x1 + λ x2 + (1 − λ)y1 + (1 − λ)y2

λ u + (1 − λ) v = λ x1 + (1 − λ) y1 + λ x2 + (1 − λ) y2

Dado que A1 y A2 son conjuntos convexos, entonces:

λ x1 + (1 − λ) y1 ∈ A1

λ x2 + (1 − λ)y2 ∈ A2

Por lo tanto:
λ u + (1 − λ) v ∈ A1 + A2 . 2

3. De forma análoga, 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 λ ∈ [0, 1],
tenemos: λ u = λ x1 − λ x2 además (1 − λ) v = (1 − λ) y1 − (1 − λ) y2 .
Sumando miembro a miembro, y ubicando convenientemente las igualdades
anteriores, se tiene:

λ u + (1 − λ) v = (λ x1 + (1 − λ) y1 ) − (λ x2 + (1 − λ) y2 )
| {z } | {z }
∈ A1 ∈ A2

Dado que A1 y A2 son conjuntos convexos, entonces: λ u + (1 − λ) v ∈

A1 − A2 . 2
4. Sea Ai ⊂ Rn , i ∈ I una familia de conjuntos convexos. Supongamos
que ∩i∈I Ai = φ , concluirı́a la demostración. Pero, si la intersección fuera
diferente del vacı́o, demos dos elementos x1 , x2 ∈ ∩i∈I 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]

14
Con lo que:
tx1 + (1 − t)x2 ∈ ∩i∈I Ai , ∀ t ∈ [0, 1]

Esto es, ∩i∈I Ai es un conjunto convexo. 2.

Definición 9 : (Envoltura Convexa, Cerradura o Cápsula Convexa)

Sea A un conjunto arbitrario en Rn . La ENVOLTURA CONVEXA de A denotada
por conv(A) es la colección de todas las combinaciones convexas de A , es
decir:
k
X k
X
n
conv(A) = {x ∈ R /x = λj xj , λj = 1, 0 ≤ λj ≤ 1, xj ∈ A, j = 1, ..., k}
j=1 j=1

Figura 2: Envolturas convexas de diferentes tipos de conjuntos

Definición 10 La envoltura convexa de un número finito de puntos x1 , ..., xk+1 ⊂

Rn es llamada POLÍTOPO .
Si x2 − x1 , x3 − x1 , . . . , xk+1 − x1 son linealmente independientes entonces
conv(x1 , ..., xk+1 ) la envoltura convexa de x1 , ..., xk+1 es llamada el SIMPLEX O

SIMPLEJO con vértices x1 , ..., xk+1 .

Definición 11 : La intersección de un número finito de semiespacios cerrados

de Rn se denomina CONJUNTO POLIÉDRICO O POLIÉDRO.

15
Obs: Un conjunto poliédrico, convexo y acotado es un polı́topo.
Tanto el polı́topo como el poliédro son conjuntos convexos. Es claro que un
semiespacio cerrado es un conjunto cerrado de Rn . Por tanto, un polı́topo, al
ser intersección de cerrados, es también un conjunto cerrado. Un polı́topo es,
entonces, cerrado y acotado, por tanto compacto.

Teorema 3 (Carathedory) Sea S un conjunto arbitrario en Rn . Si x ∈

conv(S) entonces x ∈ conv(x1 , ..., xn+1 ) donde xj ∈ S , j = 1, ..., n + 1 . En
otras palabras, x puede ser representado como:
n+1
X n+1
X
x= λj xj , λj = 1 , λj ≥ 0 , xj ∈ S , j = 1, ..., n + 1
j=1 j=1

Demostración:
Demostraremos que si x ∈ conv(S) entonces:
k+1
X k+1
X
x= λ j xj , λj = 1 , λj ≥ 0 , xj ∈ S , j = 1, . . . , k + 1
j=1 j=1

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

1) Si k < n, entonces:
k
X
x = λ1 x1 + λ2 x2 + ... + λk xk , λj = 1.
j=1

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

n+1
X n+1
X
x= λj xj , λj = 1 , λj ≥ 0 , xj ∈ S , j = 1, ..., k + 1
j=1 j=1

2) Si k = n se tiene la tesis.
3) Si k > n, entonces:

x − x1 , x3 − x1 , ... xk+1 − x1 son linealmente dependientes

|2 {z }
más de n vectores (k vectores)

16
Ası́ que, existen constantes u2 , ... , uk+1 no todos ceros tales que:
k+1
X
uj (xj − x1 ) = 0
j=2

k+1
X k+1
X
u j xj = u j x1
j=2 j=2

Xk+1 k+1
X
Sea u1 = − uj , entonces uj = 0 , y
j=2 j=1

k+1
X
uj = u1 x1 + u2 x2 + ... + uk+1 xk+1
j=1

k+1
X k+1
X
uj xj = u1 x1 + u j x1
j=1 j=2

k+1
X k+1
X
u j xj = uj x1
j=1 j=1

k+1 k+1
!
X X
uj xj = x1 uj = x1 (0)
j=1 j=1

k+1
X
u j xj = 0
j=1

donde algún uj son no nulos, es decir existen algunos uj > 0. Luego:

k+1
X
x= λ j xj + 0
j=1

k+1
X k+1
X
x= λj xj − α uj xj = 0
j=1 j=1

k+1
X
x= (λj − α uj )xj = 0
j=1

Para mantener la combinación convexa se requiere que tengamos λj −αuj ≥ 0,

de donde:
λj ≥ α uj

17
 λj
≥α≥0
uj
Entonces, tomando:
λj
α = min { , uj > 0}
uj
existe algún j0 tal que:
λj0
α=
uj0
luego:
k+1
X
x= (λj − αuj )xj j 6= j0 .
j=1

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

Definición 12 Un conjunto C 6= ∅ en Rn es denominado CONO con vérti-

ce cero si x ∈ C implica que λ x ∈ C , ∀ λ ≥ 0.

Si el cono C es convexo, se denomina CONO CONVEXO.

18
4.2. Algoritmo del punto interior

En los métodos de punto interior, el concepto de ruta central α̃(µ), µ > 0

es muy importante. En el presente problema este concepto se define como:

α̂(µ) := argmin{ϕµ (α̂) : α̂ ∈ S 0 }

= argmin{ϕµ (α, ξ) : α > 0, ξ > f˜(α), eT α = 1}

es decir como la solución α̂ = α̂(µ) y y = y(µ), del sistema no lineal:

∇ϕµ (α̂) + ēy = 0 (4)

ēT α̂ = 1 (5)

La ruta central está bien definida para µ > 0 y además converge a la solución
óptima de (3) cuando µ ↓ 0.
Para cada α̂0 ∈ S 0 y µ0 > 0 se define también una ruta no-central ᾱ(µ), µ > 0
que pasa a través de α̂0 en µ0 y ᾱ(µ0 ) = α̂0 como:

ᾱ(µ) := argmin{ϕµ (α̂) − ∇ϕµ0 (α̂0 )T α̂ : α̂ ∈ S}

o equivalentemente, se puede definir como la solución del sistema no lineal:

∇ϕµ (ᾱ) − ∇ϕµ0 (α̂0 ) + ēy = 0 (6)

ēT ᾱ = 1 (7)

Diferenciando respecto a µ se obtiene un sistema de ecuaciones lineales para

α̂0 y y 0 :
    
2 0 2
∇ Φ(α̂) ē ᾱ e /µ
    =  m+1  (8)
T 0
ē 0 y 0

4.3. Algoritmo

Inicio: α̂0 = (α0 , ξ 0 ) ∈ S 0 arbitrarios, µ0 := ξ 0 − f˜(α0 ) > 0, estos generaran

una sucesión µk ↓ 0 y α̂k = (αk , ξ k ) ∈ S 0 , k = 0, 1, · · · ,.

19
Iteración básica:

(µ̄, α̂) := (µk , α̂k ) → (µ̄+ , α̂+ ) =: (µk+1 , α̂k+1 )

luego calcular un µ̄+ con 0 < µ̄+ < µ̄, α̂+ ∈ S 0 que consiste en calcular un paso
de corrección y otro de predicción. El paso de corrección mejora α̂, es decir se
aproxima con buena exactitud a la ruta central. El paso de predicción, reduce
µ̄ a un adecuado µ̄+ y calcula un α̂+ ∈ S 0 .

4.3.1. Paso de Corrección

Este paso consiste en una o más iteraciones del método de Newton para
resolver el sistema (8) con µ = µ̄ usando como valor inicial α̂. Por lo tanto la
corrección de Newton δ α̂ se obtiene de resolver el sistema:
    
2
∇ Φ(α̂) ē 4α̂ ∇ϕ (α̂)
   = −  µ̄ 
ēT 0 y 0

Luego con λmin := argmin{ϕµ̄ (α̂ + λ4α̂) : λ > 0}, el punto α̂+ := α̂ +
λmin 4α̂ ∈ S 0 será la mejor aproximación a la ruta central. Los paso de Newton
se repiten hasta que 4α̂ sea lo suficientemente pequeño. Un criterio de parada
para las iteraciones de Newton es cuando 4α̂T ∇2 Φ(α̂)4α̂ ≤ 1/4.

4.3.2. Paso de Predicción

Sea α̂ ∈ S 0 el resultado del paso de predicción. Entonces considerando

la ruta no central ᾱ(µ), 0 < µ < µ̄, a través de α̂ ,ᾱ(µ̄) = α̂ y hallamos su
derivada ᾱ0 en µ = µ̄ resolviendo el sistema:
    
2 0 2
∇ Φ(α̂) ē ᾱ e /µ̄
    =  m+1 
ēT 0 y0 0

Para µ ≤ µ̄ se considera la tangente:

α̌(µ) = α̂ + (µ − µ̄)ᾱ0 (µ̄)

20
Luego se encuentra µmin = min{µ > 0 : α̌(µ) ∈ S 0 } y sea

µ̄+ = γµmin + (1 − γ)µ̄, α̂+ = α̌(µ̄+ )

donde γ = 0,7.

4.3.3. Ejemplo

Sea el conjunto :

Z = {z i : z i = (ξi1 , ξi2 , · · · , ξin )T , i = 1, 2, · · · , m}

de puntos donde ξij ∈ [0, 1] distribuidos aleatoriamente, sea la función cuadráti-

ca convexa f (x) = (x − xc )T (x − xc ) donde también xc ∈ [0, 1]n \ convZ. El cri-
terio de parada usado fue: µ ≤ 10−6 . El punto inicial α0 = (1, 1, · · · , 1)T /m ∈
Rm . Se aplicó el algoritmo para valores grandes de n respecto a m. Los resul-
tados se muestran en la siguiente tabla cuando n = 20 fijo y m se varı́a:

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

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

n iter tiempo
3 35 0.14
5 35 0.27
10 35 0.33
20 36 0.78
30 36 1.57
40 37 2.49

21
Lo que se puede observar es que en ambos casos el óptimo se encuentra en
un número finito de pasos sobre todo cuando se aplica este algoritmo para
problemas cuadráticos estrictamente convexos y genera una sucesión finita αk
de soluciones factibles tales que f˜(αk+1 ) < f˜(αk )

22
5. Conclusiones
En el presente trabajo sobre la minimización de funciones convexas sobre
la envolvente convexa de un conjunto finito de puntos usando un algoritmo de
puntos interiores, formulado matemáticamente como el modelo (3) se obtienen
las siguientes conclusiones:

1. El algoritmo presentado resulta conveniente para problemas de optimi-

zación convexos, llegando a una buena aproximación.

2. El algoritmo puede usarse también para hallar la proyección de un punto

de Rn sobre la envolvente convexa de un conjunto finito de puntos.

3. El método de puntos interiores se puede usar en un problema de optimi-

zación donde la función objetivo no necesariamente es cuadrática pues
se tiene bien definida la taza de convergencia lineal aún para problemas
no-cuadráticos convexos.

23
6. Recomendaciones
Debido al amplio campo de aplicación que tiene el área de optimización
sobre todo en la toma de decisiones y los modelos económicos, muchos de ellos,
son de minimización de funciones convexas, se recomienda seguir estudiando
nuevas estrategias para obtener la solución con un tiempo y exactitud deseada.

24
Referencias Bibliográficas
[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 program-
ming, 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.

[8] Rockafellar, R.T.,Convex Analysis. Princeton University Press, Prin-

ceton, New Jersey, 1970.

25