Universidad Nacional de Trujillo

Escuela de Postgrado

PROYECTO DE INVESTIGACIÓN DE TESIS

I. GENERALIDADES

1. Titulo
Método de punto interior para la minimización de funciones convexas sobre la envoltura
convexa de un conjunto finito de puntos en Rn .

2. Autor

2.1 Nombre: Leydidiana Rosibel Gamboa Ferrer

2.2 Grado Académico: Licenciada en Matemáticas

2.3 Mención: Ingenerı́a Matemática

3. Asesor

3.1 Nombre: Jenny Margarita Rojas Jerónimo

3.2 Grado Académico: Doctora en Matemática

3.4 Tı́tulo Profesional: Licenciada en Matemáticas

3.5 Dirección Laboral: Av. Juan Pablo II S/N; Ciudad Universitaria. Trujillo - Perú

4. Tipo de investigación

4.1 De acuerdo al fin que se persigue: Aplicada

4.2 De acuerdo a la técnica de contrastación: Explicativa

5. Local e Institución donde se desarrollará el proyecto:

5.1 Localidad: Trujillo

5.2 Institución: Universidad Nacional de Trujillo

6. Duración de la ejecución del proyecto:

12 meses

1
7. Cronograma de Trabajo:

ETAPAS INICIO TERMINO Hrs/Sem

7.1 Recolección de datos 04/10/10 28/02/11 8

7.2 Análisis de datos 01/03/11 30/09/11 8

7.3 Elaboración del informe 03/11/11 30/11/11 8

8. Recursos

8.1 Personal

8.1 Responsable del Proyecto: Leydidiana Gamboa Ferrer

8.2 Profesor de la Escuela de Postgrado de la mención en Ingenerı́a Matemática:

Dra. Jenny Margarita Rojas Jerónimo

8.2 Bienes

8.2.1 De Consumo

8.2.1.1 Disponibles

1 Bibliografı́a especializada

2 Internet

8.2.1.2 No disponibles

1 Papel bond A4 de 80 grs

2 Bolı́grafos de tinta seca

3 Lápices 2B

4 Cuadernos A4 de 96 hojas

5 Fólderes plásticos A4

6 Resaltadores

7 Correctores

8 Un engrampador

9 Grapas estandar

10 Acceso a revistas y portales cientı́ficos

11 Tinta para impresora

12 Bibliografı́a especializada

13 USB

2
 14 Software cientı́fico.

8.2.2 De Inversión

8.2.2.1 Intel Corel 2 Duo de 2.39 GHz y 2 GB de RAM

8.2.2.2 Impresora canon IP 1700

8.2.2.3 Software Cientı́fico: Fortran.90 y MatLab.

8.3 Servicios

8.3.1 Espiralado, encuadernado y empastado

8.3.2 Fotocopias

8.3.3 Servicio de telefonı́a fija y móvil e Internet

8.3.4 Servicio de transporte local, regional y nacional

8.3.5 Consulta a especialistas

8.3.6 Congresos, seminarios y conferencias.

9. Presupuesto

9.1 Recursos Disponibles

Clasificador Denominación Cantidad Costo

2.3.1.9.1.1 Bibliografı́a especializada 6 unidades 2 000.00

2.3.2.2.2.3 Internet 400 horas 600.00

SUBTOTAL 2 600.00

9.2 Recursos No Disponibles

Clasificador Denominación Cantidad Costo

Pasajes y Gastos de Transporte

2.3.2.1.2.99 Local y regional 600.00
2.3.2.1.2.1 Nacional 4 600.00

SUBTOTAL 1 200.00

3
Clasificador Denominación Cantidad Costo

2.3.1.9.1.1 Bibiliografı́a especializada 05 unidades 2 000.00

2.3.1.5.1.2 Materiales de escritorio y oficina
Papel Bond A4 de 80 grs. 07 millares 200.00
Bolı́grafos de tinta seca 03 docena 72.00
Lápices 2B 01 docena 24.00
Cuadernos A4 de 96 hojas 07 unidades 35.00
Folder de plástico A4 05 unidades 26.00
Resaltadores 01 docena 48.00
Correctores 05 unidades 15.00
Engrampador 02 unidades 40.00
Grapas estándar 02 cajas 30.00
Borradores 06 unidades 12.00
Tajadores para lápiz 06 unidades 12.00
2.3.1.5.1.2 Materiales de Impresión
Cartucho para impresora 3 unidades 360.00
Recargas para los cartuchos 6 unidades 120

SUBTOTAL 2 994.00

Clasificador Denominación Cantidad Costo

2.3.2.2.2 Servicios de Telefonı́a e Internet

Servicio de telefonı́a fija y móvil 500.00
Servicio de Internet 600 horas 900.00

SUB TOTAL 1 400.00

4
Clasificador Denominación Cantidad Costo

2.3.2.2.4.4 Servicio de Impresion

encuadernación y empastado
Tipeado 300 páginas. 500.00
Impresión 300 páginas 250.00
Fotocopias 1000 páginas 100.00
Espiralado, encuadernación y empastado 10 juegos 250.00
Otros Gastos 600.00

SUB TOTAL 1700.00

Clasificador Denominación Cantidad Costo

2.3.2.7.2.1 Servicio de Consultoria

Consultas con especialistas 20 horas. 500.00

SUB TOTAL 500.00

Clasificador Denominación Cantidad Costo

2.6.3.2.3 Adquisición de equipos informáticos

y de comunicaciones
Intel Corel 2 Duo de 2.39 GHz 01 unidad 2 000.00
y 2 GB de RAM
Impresora canon IP1700 01 unidad 250.00
USB 01 unidad 50.00

Subtotal 2 300.00

Clasificador Denominación Cantidad Costo

Activos Intangibles
2.6.6.1.3.2 Softwares cientı́ficos: Fortran90 y Matlab 02 unidad 4 000.00
2.6.6.1.99 Otros: Acceso a revistas y portales 2 600.00
cientı́ficos especializados

SUB TOTAL 4 600.00

5
 Tabla resumen del Presupuesto Subtotal

Recursos disponibles 2 600.00

Recursos no disponibles 14 694.00

TOTAL 17 294.00

Son: Diecisiete mil doscientos noventa y cuatro nuevos soles.

10. Financiamiento

10.1 Con recursos propios: Autofinaciado por el investigador, 75 por ciento del total.

10.2 Con recursos universitarios: Universidad Nacional de Trujillo, 5 por ciento del
total.

10.3 Sin financiamiento: 20 por ciento del total.

6
II. PLAN DE INVESTIGACIÓN

1. Antecedentes y Justificación

1.1 Realidad Problemática:

La optimización es una de las áreas de la matemática con una diversidad de apli-

caciones, especialmente en el mejoramiento de la eficiencia de numerosas organi-
zaciones en todo el mundo, su objetivo es como su nombre lo indica optimizar
una determinada función, llamada función objetivo, sujeta a un conjunto de res-
tricciones que son funciones que definen la región factible del problema. Cuando
la función objetivo y todas las funciones que definen las restricciones son lineales
que se definen sobre Rn se tiene un problema de programación lineal (PL) en otro
caso, es un problema de programación no lineal.
Durante décadas el método simplex ha sido el método preferido de resolución de los
problemas de programación lineal continua. Sin embargo, desde el punto de vista
teórico, el tiempo de cálculo requerido por este método crece exponencialmente a
medida que el número de variables más el de restricciones del problema aumentan,
esto es, según el tamaño del problema. Este crecimiento exponencial corresponde
al peor caso posible que no corresponde con lo que normalmente ocurre en los
casos reales.

Muchos investigadores han tratado de desarrollar algoritmos cuyos tiempos de

cálculo tuviesen un crecimiento polinomial con el tamaño del problema. Todos los
intentos realizados hasta el 1984 fallaron, ya fuese desde el punto de vista teórico
o desde el punto de vista práctico. En 1984, un jóven matemático del Laboratorio
AT&T Bell, Nerendra Karmarkar [5] anunció el desarrollo de un nuevo algoritmo
para resolver problemas grandes de programación lineal, cuya complejidad com-
putacional es polinomial y que resultó altamente competitivo frente al método
simplex para resolver problemas de programación lineal de gran tamaño. Muchos
investigadores de alto nivel trabajaron en modificaciones del algoritmo de Kar-
markar para aprovechar todo su potencial. Aunque este algoritmo es radicalmente
diferente al método Simplex, comparte algunas caracterı́sticas como: que es un
algoritmo iterativo, inicia identificando una solución prueba factible, en cada ite-

7
 ración se mueve de una solución prueba actual a una mejor solución prueba en la
región factible y este proceso continua hasta llegar a una solución prueba que es
óptima.

La gran diferencia se encuentra en la naturaleza de estas soluciones prueba, para

el método simplex son soluciones factibles en los vértices, de manera que todos los
movimientos se hacen por las aristas sobre la frontera de la región factible; mientras
que en el algoritmo de Karmarkar las soluciones prueba son puntos interiores, es
decir puntos que están dentro de la frontera de la región factible. Ésta es la razón
del nombre del algoritmo de Karmarkar y de sus variantes como algoritmos de
punto interior. Trabajos pioneros en métodos de punto interior, anteriores al al-
goritmo de Karmarkar, son el de Frisch [4], Fiacco and McCormick [3] y Khachiyan
[6]. El algoritmo de Karmarkar originó multitud de trabajos alrededor de su idea
original que ha sido mejorada en muchos aspectos, los cuáles empiezan a extenderse
para resolver una cantidad de problemas de optimización convexa, como el traba-
jo de Botkin y Stoer [1] y Nesterov Yu y Nemirovsky [7] donde estudian métodos
de punto interior para la programación convexa, Wright [8], estudia métodos de
punto interior en problemas Primal-Dual.
Dado que en muchos problemas de optimización se presenta la necesidad de mini-
mizar una función f : Rn → R estrictamente convexa y suave, sujeta a la envoltura
convexa, convZ, de un conjunto finito de puntos Z = {z 1 , z 2 , ..., z m } en Rn y con-
siderando que la envoltura convexa de Z o la región factible se convierte en una
región similar considerada en programación lineal nos preguntamos si es posible
solucionar este problema haciendo uso de la estructura de los métodos de puntos
interiores.

1.2 Justificación
Existen algoritmos del tipo proyección gradiente que resuelven el problema de
minimizar una función objetivo f : Rn → R estrictamente convexa y suave, sujeta
a un conjunto finito Z = {z 1 , z 2 , ..., z m } de puntos en Rn , los cuáles encuentran una
solución óptima después de un número finito de operaciones muy grande generando
a su vez una sucesión finita de soluciones factibles cada vez más cercanas al óptimo;
no obstante son limitados en su uso para problemas no cuadráticos estrictamente

8
 convexos los cuáles no son finitos pero tienen una razón de convergencia lineal
bien definida generando solamente suceciones convergentes al óptimo; apesar del
deterioro de la estabilidad numérica la eficiencia del método de punto interior
para el problema dado con n << m depende del éxito alcanzado en la estrategia
de reducción.

1.3 Objetivos
- Diseñar e implementar un algoritmo de punto interior para la minimización de
funciones estrictamente convexas suaves f : Rn → R, sobre la envoltura convexa
de m puntos en Rn .
- Usar coordenadas baricéntricas para representar puntos en la envoltura convexa
de m puntos en Rn y generar puntos en ésta con coordenadas positivas.
- Aplicar el algoritmo de punto interior para el cálculo de la proyección ortogonal
de un punto xc ∈ Rn sobre la envoltura convexa de m puntos en Rn .

2. Problema
¿Será posible minimizar una función f : Rn → R estrictamente convexa y suave, sujeta
a la envoltura convexa, de un conjunto finito de puntos Z = {z 1 , z 2 , ..., z m } en Rn
haciendo uso de los métodos de puntos interiores?

3. Hipótesis
Es posible minimizar una función f : Rn → R estrictamente convexa y suave, sujeta
a la envoltura convexa, de un conjunto finito de puntos Z = {z 1 , z 2 , ..., z m } en Rn
considerando que la envoltura convexa de Z o la región factible se convierte en una
región similar considerada en programación lineal haciendo uso del método de punto
interior.

4. Diseño de Contrastación
AGREGAR

Referencias

[1] Botkin, N. and Stoer, J., An interior-point method for minimizing convex functions on
the convex hull of a point set, Taylor and Francis,Vol. 56, No.4, 515-524, 2007.

9
[2] Botkin, N. and Stoer, J., Minimization of a convex function on the convex hull of a point
set. Mathematical Methods of Operations Research, 62, 167-185, 2005.

[3] Fiacco, A. V., and McCormick, G. P., Nonlinear Programming: Sequential Unconstrained
Minimization Techniques, Wiley, New York, 1968.

[4] Frisch, K. R., The Logarithmic Potential Method for Convex Programming, unpublished
manuscript, Institute of Economics, Univ. Oslo, Norway, May 1965.

[5] Karmarkar N., A new polynomial-time algorithm for linear programming, Combinatorica,
4(4): 373-395, 1984.

[6] Khachiyan, L. G., A Polynomial Algorithm in Linear Programming, Doklady Akademii

Nauk SSSR No. 244, 1093-1096, [translated into English in Soviet Mathematics Doklady
No. 20, 191- 194], 1979.

[7] Nesterov Yu. and Nemirovsky A., Interior-Point Polynomial Methods in Convex pro-
gramming, vol. 13 of Studies in Applied Mathematics. Philadelphia, PA: SIAM. 405pp,
1994.

[8] Wright, S. J., Primal-Dual Interior-Point Methods, SIAM, Philadelphia, 1997.

Trujillo, Septiembre del 2010

10
Lic. Leydidiana Gamboa Ferrer Dra. Jenny Rojas Jerónimo

11