Академический Документы
Профессиональный Документы
Культура Документы
| |
V V
\ . \ .
= = =
V V
Por lo tanto la nueva direccin estar dada por
Optimizacin Matemtica
8 Mtodo del Gradiente Conjugado de Fletcher-Reeves
1
1 5 5 5
5 , ,
4 2 4 2
d
| |
| | | |
= =
| | |
\ . \ .
\ .
.
El nuevo punto Y2, se puede determinar por
2 1 1 1
1
1 1
3 5 5
,1 ,
8 4 2
3 10 2 5
,
8 2
Y Y c d
c
c c
= +
| | | |
= +
| |
\ . \ .
| |
=
|
\ .
A continuacin determinemos el nuevo tamao de paso, primero sustituyamos Y2 en
la funcin, derivemos con respecto a c1 e igualemos a cero para determinar c1
( ) ( )
1 1
2 1
2 2
1 1 1 1 1
2
1 1
3 10 2 5
,
8 2
3 10 2 5 3 10 2 5 3 10
4 2 4 5
8 2 8 2 8
100 100 63
16
c c
f Y f c f
c c c c c
c c
| |
= =
|
\ .
| | | | | || | | |
= + +
| | | | |
\ . \ . \ .\ . \ .
=
( )
1 1
1
200 100
0
16 16
1
2
f c c
c
' = =
=
Ya conocido cunto avanzaremos a travs de la bsqueda lineal, sustituyamos lo
anterior en Y2, para conocer el nuevo punto.
( ) ( )
1 1
2
1 1
2 2
3 10 2 5
,
8 2
3 10 2 5
1 1
, ,
8 2 4 4
c c
Y
| |
=
|
\ .
| |
| |
= =
| |
\ .
\ .
Optimizacin Matemtica
9 Mtodo del Gradiente Conjugado de Fletcher-Reeves
Ahora veamos si este nuevo punto es un punto ptimo o de lo contrario buscar una
nueva direccin de bsqueda, para lo anterior lo comprobamos por
( ) ( )
2
1 1
, 0, 0
4 4
f Y f
| |
V = V =
|
\ .
Por consiguiente, la solucin ptima para este problema es
2
1 1
,
4 4
Y
| |
=
|
\ .
Resumen del algoritmo
En resumen, el algoritmo del Gradiente Conjugado de Fletcher-Reeves se describe de la
siguiente manera
Paso 1. Se inicia con un punto
0
Y y se calcula
( )
0
f Y V , definiendo la primera direccin
( )
0 0
d f Y = V
Paso 2. Para 0,1, , 1 k n = , se define
1 k k k k
Y Y c d
+
= +
donde
k
c minimiza
( )
k k k
f Y c d +
Se calcula ( )
1 k
f Y
+
V . A no ser que 1 k n = se definen las direcciones
( )
1 1 k k k k
d f Y t d
+ +
= V +
donde
Optimizacin Matemtica
10 Mtodo del Gradiente Conjugado de Fletcher-Reeves
( ) ( )
( ) ( )
1 1 k k
k
k k
f Y f Y
t
f Y f Y
+ +
V V
=
V V
Paso 3. Reemplace
0
Y por
n
Y y regrese al paso 1.
Mtodo de Gradiente Conjugado de Fletcher-Reeves para funciones
generales
Este algoritmo localiza el mnimo para funciones cuadrticas en a lo ms n
iteraciones, donde n es el nmero de variables de la funcin.
Lo anterior no sucede para funciones generales, es decir el algoritmo sigue siendo
iterativo an despus de n iteraciones para lo cual es necesario una prueba de
convergencia. Tomando ciertas consideraciones se puede utilizar el algoritmo anterior para
minimizar funciones generales.
Las direcciones de bsqueda que son generadas son correspondientes a las actuales
aproximaciones cuadrticas locales de la funcin, y la tasa de convergencia depende de la
respuesta a los cambios en la aproximacin cuadrtica de iteracin en iteracin.
As aplicando el algoritmo de GCFR para funciones generales, se deben considerar
cuatro puntos importantes, los cuales son:
1. La eleccin del punto inicial
Para funciones cuadrticas cualquier eleccin del punto inicial es en un principio
igualmente satisfactoria, pero para funciones generales es posible que el algoritmo
converja a un mnimo no deseado. Por lo anterior es necesario prestarle
importancia a la eleccin del punto inicial.
2. Bsqueda lineal
Las direcciones de bsqueda lineal se realizarn de la misma forma, pero lo que
determinar el tamao de paso se realizar mediante el mtodo de interpolacin
cbica.
3. Tasa de convergencia
Optimizacin Matemtica
11 Mtodo del Gradiente Conjugado de Fletcher-Reeves
Para funciones generales, el algoritmo presenta un convergencia lenta al mnimo (es
decir, presenta un nmero grande de iteraciones). Para esto se propone reiniciar el
proceso en cada n+1 iteraciones para obtener resultados satisfactorios.
4. Criterio de convergencia
Para este tipo de funciones es necesario definir un criterio de convergencia en al
ngulo formado entre la direccin de bsqueda y el gradiente en un punto (para
asegurar obtener vectores conjugados), debido a la convergencia lenta que presenta
este algoritmo.
Ejemplo de minimizacin de funciones generales
A continuacin se presenta un ejemplo de minimizacin de una funcin general
(Fletcher & Reeves, 1964), conocida como la funcin de valle de banana de Rosenbrock en
dos dimensiones
( ) ( ) ( )
2
2
2
1 2 2 1 1
, 100 1 f x x x x x = +
empezando en el punto
( ) 1.2, 1 . Los autores proponen un criterio de convergencia en el
ngulo de los vectores conjugados en 0.06.
En la Figura 4 se muestran los contornos de dicha funcin, para localizar sus
mnimos.
Figura 4. Curvas de nivel (Contornos) de la funcin de Rosenbrock en dos dimensiones. Tomado de Fletcher, 2000.
Optimizacin Matemtica
12 Mtodo del Gradiente Conjugado de Fletcher-Reeves
Los resultados obtenidos al aplicar el algoritmo y considerando reinicios del
proceso, se muestran en la Tabla 1, como podemos notar se localiz el mnimo en 27
iteraciones, mostrando su poca practicidad para resolver este tipo de funciones.
Iteracin X1 X2 f
0 -1.200 1.000 24.200
3 -0.631 0.324 3.199
6 -0.425 0.124 2.353
9 -0.171 -0.045 1.921
12 0.139 -0.023 0.920
15 0.510 0.214 0.453
18 0.681 0.433 0.193
21 0.846 0.698 0.053
24 0.989 0.980
4
8 10
27 1.000 1.000
8
1 10
Tabla 1. Resultado de la funcin de valle en forma de banana, mediante el mtodo de GCFR para funciones generales
Bibliografa
Bazaraa, M. S., Sherali, H. D., & Shetty, C. M. (2006). Nonlinear Programming: Theory and
Algorithms. NY, John Wiley and Sons, Inc.
Fletcher, R. (2000). Practical Methods of Optimization (Segunda ed.). NY, John Wiley & Sons.
Fletcher, R., & Reeves, C. M. (1964). Function minimization by conjugate gradients. The
Computer Journal , 2 (7), 149-154.
Hestenes, M. R. (1980). Conjugate Direction Methods in Optimizacin. NY, Springer-Verlag.
Jacoby, S. L., Kowalik, J. S., & Pizzo. (1972). Iterative Methods for Nonlinear Optimization
Problems. NJ, USA: Prentice-Hall, Inc.
Martnez, E. J. (1994). Programacin Matemtica. Mxico: SEPI-ESIME IPN.
Peressini, A. L., Sullivan, F. E., & Uhl, J. J. (1988). The Mathematic of Nonlinear Programming.
NY, Springer-Verlag.
Scales, L. E. (1985). Introduction to Nonlinear Optimization. NJ, MacMillan Publishers.