OPTIMIZACIÓN

Optimización unidimensional no restringida

Optimización multidimensional no restringida
Optimización restringida
 OPTIMIZACIÓN UNIDIMENSIONAL NO RESTRINGIDA

Una sola variable tiene como objetivo encontrar el valor de x que da un

extremo (máximo o mínimo).
• Búsqueda de la sección dorada: Bisección (xu y xl), signos de f(xl) y f(xu). R
(razón dorada o aúrea).

• La función se evalúa en estos dos puntos interiores. Dos casos:

– f(x1) > f(x2), el dominio de x a la izquierda de x2, de xl a x2, se puede
eliminar ya que no contiene el máximo. En este caso, x2 será el nuevo xl en
la siguiente vuelta.
– f(x2) > f(x1), entonces el dominio de x a la derecha de x1, de x1 a xu, podrá
eliminarse. En este caso, x1 será el nuevo xu en la siguiente vuelta.
• Interpolación cuadrática: Polinomio de segundo grado proporciona una
buena aproximación a la forma de f(x) a las cercanía de un valor óptimo.
Donde: x0, x1 y x2 son valores iniciales y x3 corresponde al valor máximo
del ajuste cuadrático para valores iniciales.

• Método de Newton: Análogo al de Newton – Raphson.

Valor óptimo de f(x) al definir una nueva función, f´(x*)= g(x*)=0.
OPTIMIZACIÓN MULTIDIMENSIONAL NO RESTRINGIDA

• Métodos directos:
– Búsqueda aleatoria
Método de la búsqueda aleatoria

– Búsqueda univariadas y búsqueda patrón

Método de búsqueda univariada

• Métodos con gradiente

– Gradientes y hessianos
– Métodos de la máxima inclinación
– Métodos avanzados del gradiente
 OPTIMIZACIÓN RESTRINGIDA

• Programación lineal
– Forma estándar
Función objetivo y restricciones
Maximizar Z: c1x1 + c2x2 +…+ cnxn
Restricciones: ai1x1 + ci2x2 +…+ ainxn < bi
– Solución gráfica
Dos o tres dimensiones
Espacio de solución factible
– El método simplex
Variables de holgura
Implementación del método simplex
• Optimización restringida no lineal
Directos
Indirectos