Mtodo de Dogleg

Optimizacin Tarea 2
Ricardo Coronado Leija
Maestra en Ciencias de la Computacin y Matemticas Industriales Centro de Investigacin en Matemticas Guanajuato, Guanajuato rleija@cimat.mx
Abstract Ajuste de un seal por medio de suma de Gaussianas (Funciones de base Radial) utilizando Mtodos de Regin de Confianza en Particular el Mtodo de Dogleg por medio de una aproximacin por medio de un modelo cuadrtico

si

p B k entonces pk p B
U

sino pk = p + p p
B

INTRODUCCION En este trabajo se implement el Mtodo de Dogleg para minimizar una funcin que resulta de una suma de diferencias cuadradas entre una seal y una suma de Funciones de Base Radial Gaussianas, con el objetivo de aproximar la seal por medio de estas. En las siguientes secciones se describe el procedimiento y los resultados. A. Problema El objetivo del este trabajo es minimizar la siguiente funcin:

donde

pU + ( p B pU ) = 2
2

se obtiene resolviendo:

el pk obtenido de este algoritmo es el paso para ir minimizando la funcin y es el que ser evaluado en el algoritmo de regin de confianza para ver si se aumenta o disminuye el radio de esta regin. C. Metodo de Regin de Confianza Habiendo obtenido el tamao del paso pk se analiza de acuerdo a este si es prudente aumentar, disminuir o dejar igual el tamao del radio de la regin, para ello se calcula la relacin:

k =
utilizando el Mtodo de Dogleg. B. Metodo de Dogleg En el mtodo de regin de confianza el primer paso es encontrar el pk que minimice el siguiente modelo cuadrtico m k:

f ( xk ) f ( xk + p k ) mk ( 0 ) mk ( pk )

y a partir del valor de esta se toma una decisin. El algoritmo de regin de confianza queda: Dado

> 0, 0 ( 0, ) , [ 0,1 / 4)

min mk ( p ) = f k + f k p + n
T p R

1 T p Bk p s.a. p 2

Para k = 0, 1, 2, 3,.. Obtener pk que minimiza mk Evaluar k Si k <

el Mtodo de Dogleg realiza esto analizando varias alternativas para el paso pk tratando de seleccionar la mejor. El algoritmo es el siguiente:

1 pk 4 sino si k > 3 / 4 y pk =
k+ 1

gT g pU = T g g Bg
si p sino
U

entonces sino

k+ 1 k

= min ( 2 k ,

k+ 1

k entonces pk
p B Bk 1 g k

pU pU

si
k

k > entonces xk + 1 = xk + pk
xk + 1 = xk

sino

IMPLEMENTACION Para el manejo de matrices y vectores, incluyendo las operaciones fundamentales, se utilizaron un conjunto de funciones creadas en la material de Algebra Lineal Numrica, las cuales se encuentran en FuncionesALN.cpp. Para calcular el gradiente y la hessiana se aproximaron mediante diferencias finitas, las funciones de regin de confianza y mtodo dogleg se encuentran en T_2.cpp, donde tambin est el main. D. Detalles del uso del programa Ya que para la realizar el programa se utiliz devcpp en windows, se cre un proyecto .dev que agrupa T_2.cpp, FuncionesALN.h y FuncionesALN.cpp. Al correr el programa se muestran los valores iniciales de Bk y Ck y cuando acabe de ejecutarse se mostraran los valores Bk y Ck calculados. Tambin se crea un archivo puntos.r para graficar los las funciones gaussianas y la suma de estas en el programa R. RESULTADOS A continuacin mostramos los resultados del programa utilizando los 3 diferentes conjuntos de datos de prueba dados en la pgina de la ayudanta: E. Datos 1 Para los datos de prueba 1, se obtuvieron el siguiente valor para las constantes Bk y Ck: Iteraciones: 165 Constantes Bk Finales Vector: 0.999718 0.994088 1.00142 1.00474 1.00004 Constantes Ck Finales Vector: 19.9958 46.9618 77.9874 58.9383 111.999 Las grficas de las gaussianas separadas se muestran en la Figura 1 a), y la suma de estas se muestra en la Figura 1 b).

Vector: 0.267168 0.171316

0.0242144

0.12238

0.414581

Constantes Ck Finales Vector: 78.0341 20.1243 46.9937 112.003 59.1229 Las grfica de la suma de las funciones gaussianas se muestra en la Figura 2.

Figura 2 G. Datos 3 Para los datos de prueba 3, se obtuvieron el siguiente valor para las constantes Bk y Ck: Iteraciones: 1000 Constantes Bk Finales Vector: 0.969147 1.00611 1.00964 1.02026 0.996721 Constantes Ck Finales Vector: 78.1519 47.0681 111.897 59.2003 20.2603 Las grficas de las gaussianas separadas se muestran en la Figura 3 a), y la suma de estas se muestra en la Figura 3 b).

a) b) Figura 3: Graficas de los resultados para los datos 3 a) b) Figura 1: Graficas de los resultados para los datos 1 F. Datos 2 Para los datos de prueba 2, se obtuvieron el siguiente valor para las constantes Bk y Ck: Iteraciones: 12477 Constantes Bk Finales CONCLUSIONES Se pudo observar en las grficas que las aproximaciones de las funciones radiales a las seales fueron bastante buenas, por lo que si se minimiza la funcin y el tiempo de ejecucin fue bueno tomando en cuenta que se trata de un problema de 10 dimensiones.
[1] J. Nocedal and S. J. Wright, Numerical Optimization, Springer, 2006. pp.6573.