NO RESTRINGIDA

METODOS NUMERICOS
DOCENTE: ING. HUAMAN DE LA CRUZ, Manuel INTEGRANTES: - AVELINO ROMUALDO, Jean Carlos - ROSALES SATURNO, Miguel - QUISPE PONCE, Jos - NOREA DURAN, Watson - BRUJA

Mtodos matemticos de optimizacin no restringida Bsqueda unidimensional

Muchos mtodos de optimizacin de problemas con restricciones (univariables y multivariables) involucran la resolucin de un problema de optimizacin en una dimensin. Los mtodos analticos imponen demasiadas restricciones a las funciones objetivos. Adems, no siempre es posible resolver el sistema de ecuaciones analticamente.

Existen dos tipos de mtodos numricos, a saber: Mtodos directos: slo utilizan los valores de las funcin objetivo. Mtodos indirectos: utilizan las condiciones necesarias, las derivadas (analticas o numricas) y la funcin objetivo. Los mtodos indirectos requieren el clculo de las derivadas primeras y segundas. Sin embargo, muchas veces obtener las derivadas es una tarea difcil, y hasta es posible que ni siquiera se conozca la forma analtica de la funcin objetivo. Esto plantea la necesidad de contar con mtodos capaces de trabajar nicamente con los valores (experimentos) de la funcin objetivo. Estos son los mtodos de bsqueda directa.

 La obtencin de un valor de la funcin objetivo significar en algunos casos evaluar un modelo matemtico, mientras que en otros significar realizar un experimento. Sea como sea, siempre ser conveniente llegar al ptimo realizando la menor cantidad de evaluaciones. Esa es la misin de los mtodos de bsqueda directa, a partir de los resultados de las evaluaciones realizadas, sugerirn el siguiente experimento de forma tal de aumentar la velocidad de convergencia. Es decir, que estos mtodos disearn un adecuado plan de experiencias. Los mtodos indirectos tienen una ventaja inherente: la convergencia es normalmente rpida, pero no son buenos para funciones no lineales multivariables, estos mtodos dan como resultado un punto que puede encontrarse muy cercano al valor ptimo buscado. Los mtodos directos tienen la ventaja de que pueden ms fcilmente tratar problemas que involucran funciones con discontinuidades, puntos de inflexin y puntos finales, pero necesitan la definicin de un criterio de precisin, estos mtodos dan como solucin al problema de optimizacin un intervalo donde puede encontrarse el valor ptimo.

Mtodos numricos para optimizacin de funciones de una variable

Para la aplicacin de estos mtodos es necesario conocer el intervalo inicial 0 donde esta contenido el ptimo de la funcin objetivo, y asegurar la unimodalidad de la funcin en el intervalo en estudio. Un mtodo de optimizacin para una funcin de una sola variable podra ser determinar una grilla (tan fina como se quiera) de valores de x y calcular los valores de f(x) en cada valor de la grilla, el ptimo sera el mejor valor de f(x). Si utilizamos este procedimiento para funciones multimodales, el tiempo de clculo se vuelve prohibitivo.

1. Mtodos indirectos: Newton, Quasi-Newton y Secante

Es de suponer que si adems de unimodalidad y continuidad en las funciones que queremos optimizar, se requiere tambin la derivabilidad de las mismas, podremos incrementar la eficiencia de los algoritmos de bsqueda. Nos referiremos en esta seccin a mtodos de bsqueda de ptimos en funciones derivables. Recordemos en primer lugar que la condicin necesaria para que un punto x* sea ptimo local de una funcin derivable es que se anule su derivada en ese punto, f(x*) = 0. Cuando f(x) es una funcin de tercer grado o superior, la solucin analtica de la ecuacin f(x) = 0 se complica. Por tanto, requerimos un mtodo de bsqueda que se aproxime sucesivamente al punto estacionario de f(x).

Mtodo de Newton
El mtodo de Newton requiere que la funcin sea dos veces derivable. Se expresa como: ( ) +1 = ( ) asegurando que para cada paso k, f(xk+1)<f(xk), para la bsqueda de un mnimo. Este mtodo utiliza la condicin de que f(x)=0. Ventajas: es un proceso que converge cuadrticamente en forma local. Para una funcin cuadrtica converge con solo una iteracin. Desventajas: se deben calcular las derivadas primeras y segundas, si las derivadas segundas son nulas el mtodo converge lentamente, si existen ms de un extremo el mtodo puede no converger en el valor deseado.

 Desafortunadamente el mtodo depende de la eleccin del punto de partida y de la naturaleza de la funcin. Es bastante posible que este mtodo no converja hacia el verdadero punto estacionario. La figura siguiente ilustra esta dificultad. Si comenzamos en un punto a la derecha de x0, las aproximaciones sucesivas se alejarn del punto estacionario x*.

Mtodo de Quasi-Newton
Este mtodo es una solucin a las limitaciones del mtodo de Newton. En el caso en que la funcin objetivo no sea conocida o no puedan evaluarse las derivadas, estas pueden reemplazarse por aproximaciones de diferencias finitas: +1 = + /2 + 2 + /2

La desventaja adicional de este mtodo consiste en la necesidad de evaluar funciones adicionales en cada iteracin, tambin es necesario conocer el valor de h (paso de la diferencia finita).

Mtodo de la Secante
El mtodo de la secante combina el mtodo de Newton con un esquema de reduccin de intervalo para encontrar, si existe, la raz de la ecuacin f(x)=0, en el intervalo (a,b). En este mtodo la condicin necesaria se resuelve mediante la siguiente expresin: + ( ) = 0 donde m es la pendiente de la recta que une los puntos y , dada por: ( ) = Este mtodo aproxima la derivada de la funcin a una lnea recta, m aproxima la segunda derivada de la funcin. ( ) = /( ) donde x * es la aproximacin a x* en la iteracin n k. Este mtodo comienza utilizando dos puntos xp y xq, la eleccin de estos puntos debe hacerse de tal manera que los valores de las derivadas sean de signos opuestos. Este mtodo es de convergencia ms lenta que el mtodo de Newton.

2. Mtodos directos: eliminacin de regiones

Este tipo de mtodos se centra en la bsqueda de las soluciones ptimas mediante sucesivas reducciones del intervalo de estudio y en la eliminacin de subintervalos. Si la funcin es unimodal, se puede definir un criterio para eliminar regiones donde seguro el ptimo no se encuentra. Para ello necesitamos evaluar la funcin en dos puntos y aplicar algo de lgica.

 Es fundamental el hecho de que la funcin estudiada sea unimodal, al menos dentro del dominio de inters. La utilidad de esta propiedad radica en el hecho de que si f(x) es unimodal, entonces solamente es necesario comparar f(x) en dos puntos diferentes para predecir en cul de los subintervalos definidos por esos puntos no se va a encontrar el ptimo. Cuando el subintervalo sobreviviente tenga una longitud suficientemente pequea, la bsqueda termina. La gran ventaja de estos mtodos de bsqueda es que solamente requieren evaluaciones de la funcin y no necesitamos ninguna hiptesis adicional acerca de la derivabilidad de la misma.

Bsqueda a intervalos iguales

Este mtodo de bsqueda reduce en 1/3 la longitud del intervalo en cada iteracin. Entonces si 0 es la longitud original del intervalo (b-a) y es la longitud luego de k iteraciones: 2 0 = ( ) 3

Mtodo de la biseccin o dicotoma

Este mtodo elimina exactamente la mitad del intervalo en cada paso. En este caso los puntos de bsqueda x1 y x2 se encuentran ms prximos entre s, manteniendo la equidistancia con los bordes. 1 0 = ( ) 2

Mtodo de Fibonacci
Con este mtodo se conoce ya el rango inicial de bsqueda y en cada evaluacin el mtodo tiende a acorralar el punto ptimo. El intervalo inicial de es L0 y se define 1 como el siguiente incremento: 2 1 = 0 donde n, es el nmero de iteraciones que se desea realizar (en funcin a la tolerancia de error que se desea) y Fn es el nmero de Fibonacci para n evaluaciones, y se define as: F0=F1=1, Fn=Fn-1+Fn-2, n=2,3,... , la secuencia de Fibonacci es entonces 1,1,2,3,5,8,13,21,34,55 Se tiene entonces x1 = 1 y x2 = L0 - 1 Se supone que se quiere minimizar a la funcin unimodal f(x). Entonces si 1 2 , 1 1 1 2 , 2 1 0

 Grficamente se tiene que, si originalmente la funcin es como la que se ilustra en la figura, en la segunda iteracin se rechaza el intervalo 0xx1. En forma grfica tenemos:

A continuacin se calcula el siguiente incremento 2 y se define x3 como L0- 2 3 2 = 1 1 1 = 0 1 En caso de que se hubiera rechazado el intervalo x2x1L0, entonces L1=x2 y x3= 2. Se tiene en la segunda evaluacin lo siguiente: si (2 ) (3 ) , rechazamos el intervalo x1xx3 o si (2 ) 3 , rechazamos el intervalo x2xL0. El proceso se repite hasta llegar al nmero n de iteraciones prefijadas. La efectividad en este caso, 1/Fn, mide la tolerancia del error en el entorno del punto ptimo. As, por ejemplo, si se desea un error menor al 1%, se necesitan 11 evaluaciones de este mtodo, puesto que F11=144 y 1/F11 = 1/144<0.01= 1%.