Problemas con restricciones

Minimizar f ( x)
(P)

h : n m g : n p
con S n
n o S

h( x ) = 0 g( x) 0 xS

Definicin: dada una superficie definida implcitamente por la ecuacin h( x) = 0 , el plano tangente en un punto x * de la superficie es el conjunto de los vectores tangentes de las curvas diferenciables de la superficie que pasan por x *. Definicin: un punto x * que satisface h( x*) = 0 , es un punto regular si los gradientes h1 ( x*), h2 ( x*), , hm ( x*) son l.i. Teorema: el plano tangente en un punto regular x * que satisface h( x*) = 0 , es:

M = {y | h( x*)y = 0}
1

Condiciones de optimalidad (restricciones de igualdad)

(P)

Minimizar f ( x) h( x) = 0
Definicin: una direccin d n es una direccin viable en x si existe > 0 tal que x + d S para todo , 0 . Teorema (condicin necesaria de primer orden): si un punto regular x * es un mnimo local de (P) y d n satisface h( x*) d = 0 entonces: f ( x*)d = 0

Condiciones de optimalidad (restricciones de igualdad)

(P)

Minimizar f ( x) h( x) = 0
Teorema (condicin necesaria de primer orden): si un punto regular x * es un mnimo local de (P), entonces existe m tal que: f ( x*) + T h( x*) = 0 Si definimos L( x, ) = f ( x) + T h( x) (funcin Lagrangiana) tenemos: x L( x*, ) = 0 L( x*, ) = 0
3

Ejemplos (restricciones de igualdad)

Ejemplos: (P)

Maximizar f ( x) = x1 x2 + x2 x3 + x1 x3 h( x) = x1 + x2 + x3 3 = 0
Maximizar el volumen del prisma de superficie igual a c .

(P)

Maximizar f ( x) = x1 x2 x3 h( x) = 2 x1 x2 + 2 x2 x3 + 2 x1 x3 c = 0
Encontrar la forma en equilibrio de una cadena suspendida.
n

(P)

Minimizar f ( y ) = (n i + 1 / 2) yi
n i =1

i =1

n i =1

h1 ( y ) = yi = 0, h2 ( y ) = 1 yi2 L = 0

Condiciones de optimalidad (restricciones de igualdad)

(P)

Minimizar f ( x) h( x) = 0
Teorema (condicin necesaria de segundo orden): si un punto regular x * es un mnimo local de (P), entonces existe m tal que: f ( x*) + T h( x*) = 0 L( x*, ) = 0 y llamando M = {y | h ( x*) y = 0} La matriz 2 L ( x*, ) es positiva semidefinida en M . x

Condiciones de optimalidad (restricciones de igualdad)

(P)

Minimizar f ( x) h( x) = 0
Teorema (condicin suficiente de segundo orden): si un punto regular x * cumple h( x*) = 0 , y existe m tal que: L( x*, ) = 0
2 L( x*, ) es positiva definida en M = {y | h( x*) y = 0} . x

Entonces x * es un mnimo local estricto de (P).

Condiciones de optimalidad (Problema completo)

Minimizar f ( x)
(P)

h : n m g : n p

h( x) = 0 g( x) 0

Teorema de KKT (condicin necesaria de primer orden): si un punto regular x * (considerando tambin los gradientes de las restricciones de desigualdad activas), es un mnimo local de (P), entonces existe m y p , 0 tal que:
f ( x*) + T h( x*) + T g ( x*) = 0 T g( x*) = 0

Si definimos L( x, ) = f ( x) + T h( x) + T g ( x) (funcin Lagrangiana) tenemos:

x L( x*, , ) = 0 L( x*, , ) = 0
7

Condiciones de optimalidad (Problema completo)

Minimizar f ( x)
(P)

h : n m g : n p

h( x) = 0 g( x) 0

Teorema (condicin suficiente de segundo orden): si un punto regular x * cumple h( x*) = 0 , g ( x*) 0 y existen m y p , 0 tal que:
L( x*, , ) = 0 T g ( x*) = 0

y adems la matriz 2 L( x*, , ) es positiva definida en M ' : x

M ' = {y | h( x*)y = 0, g i ( x*)y = 0 i tal que i > 0}

Entonces x * es un mnimo local estricto de (P).

8

Ejemplos
Maximizar el volumen del rectngulo de permetro menor o igual a c . (P)

Maximizar f ( x) = x1 x2 g1 ( x) = 2 x1 + 2 x2 c 0 g 2 ( x) = x1 0 g 3 ( x ) = x2 0
Minimizar la diagonal del rectngulo de permetro mayor o igual a c .

(P)

2 Minimizar f ( x) = x12 + x2

g1 ( x) = 2 x1 2 x2 + c 0 g 2 ( x) = x1 0 g 3 ( x ) = x2 0
9

Condiciones de orden cero

Minimizar f ( x)
(P)

h( x) = 0 g( x) 0 xS

con S n o

S n

S f h g

es es es es

un dominio convexo. una funcin convexa definida en todo el espacio. una funcin afn definida en todo el espacio. una funcin convexa definida en todo el espacio.

h es regular con respecto a S : el conjunto C = {y | y = h( x), x S}

contiene una esfera abierta de centro 0.

10

Condiciones de orden cero (restricciones de igualdad)

(P)

Minimizar f ( x) h( x) = 0 xS
Proposicin 1: la funcin primal (y ) = inf{ f ( x) | h( x) = y , x S } es convexa. Proposicin 2: si x * es solucin de (P), entonces existe m tal que x * es solucin de:

Minimizar f ( x) + T h( x) xS
11

Condiciones de orden cero (restricciones de desigualdad)

(P)

Minimizar f ( x) g( x) 0 xS
Proposicin 1: la funcin primal (y ) = inf{ f ( x) | g ( x) y , x S } es convexa. Proposicin 2: si x * es solucin de (P), entonces existe p , 0 tal que x * es solucin de:

Minimizar f ( x) + T g ( x) xS
y adems T g( x*) = 0 .
12

Condiciones de orden cero (problema completo)

Minimizar f ( x)
(P)

h( x) = 0 g( x) 0
xS
Teorema (Zero-order Lagrange Theorem): p m Si x * es solucin de (P), entonces existen y , 0 tal que x * es solucin de:

Minimizar f ( x) + T h( x) + T g ( x) xS
y adems T g ( x*) = 0 .
13