Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
y el Gradiente Conjugado.
Mtodos de Bsqueda Directa.
Universidad de los Andes-CODENSA
Algoritmos de Optimizacin
sin Restricciones
Los mtodos para obtener la solucin de un PPNL se basan
en obtener una sucesin de puntos tales que su lmite sea
una solucin ptima del problema que se considera. Para
asegurar la convergencia debe suponerse que el PPNL es un
problema convexo diferenciable. Sin embargo, estos
algoritmos se aplican an cuando no se satisfacen estas
condiciones.
El criterio de parada se basa en las CKKT. Cuando stas se
satisfacen con una cierta tolerancia, se para el proceso
iterativo y se toma como mnimo el punto correspondiente.
Considere el problema:
Z f ( x)
Minimizar
x f :
donde
cada
y
.
( t 1)
g ( x (t ) )
x
g '( x (t ) )
(t )
( x) f '( x )
Considerandogque
x
( t 1)
obtenemos:
g ( x (t ) )
x
g '( x (t ) )
(t )
Mtodo quasi-Newton o de la
Secante
(t )
g '( xanterior
)
Reemplazando en la expresin
aproximacin
g ( x (t ) ) g ( x ( t 1) )
x ( t ) x (t 1)
Se llega a :
( t 1)
g ( x (t ) )
(t )
( t 1)
x
(
x
x
)
g ( x (t ) ) g ( x (t 1) )
(t )
Con lo que:
x
( t 1)
f '( x (t ) )
(t )
( t 1)
x
(
x
x
)
(t )
( t 1)
f '( x ) f '( x )
(t )
por la
Minimizar
Z f ( x) ( x 1) 4
12(
x
1)
y la sucesin asociada al mtodo de Newton resulta
f '( x (t ) )
4( x (t ) 1)3
x
x
x (t )
(t )
f ''( x )
12( x (t ) 1) 2
1
2
1
x (t ) ( x (t ) 1) x (t )
Ntese que si la sucesin
3
converge
3
3al punto
entonces,
tomando lmites en ambos lados
x de la relacin se obtiene
tiene como su nica
x, y 2esta
x / 3 1ecuacin
/3
solucin*
.
x x 1
( t 1)
(t )
x (t ) x ( t 1)
(t )
3
x (t )
(
x
1)
3
( t 1)
1)3
( x 1) ( x
(t )
x x
(t )
x (t )
( t 1)
( t 1)
x
1
1
(t )
, y si
f (v) f (b)
, se elige
f (v) f (b)
{a ', b ', c '} {b, v, c}
, se elige
{a ', b ', c '} {a, b, v}
.
Optimizacin
Multidimensional sin
Restricciones
Sea el problema
Minimizar
Z f ( x)
Donde
yn
es diferenciable. Este problema se
n
f
:
d
tenga tun valor asociado de la funcin
objetivo menor
t
que el del punto original x(t), es decir, elegir
tal que
para generar el
f ( x (t ) t d (t ) ) f ( x (t ) )
at 0
nuevo
punto
x (t 1) x ( t ) t d (t )
t
. En muchos casos, el desplazamiento
se
calcula de forma que se minimice la funcin objetivo en esa
direccin d(t).
f : n
LemaT 1 Sea
f ( x ) d 0
de
. Si
diferenciable en
. Sea d un vector
y hacer t = 1.
Minimizar
sujeto a
,que
x (t 1) x (t ) t d ( t )
(t )
Etapa 6: (Criterio de parada).
x (t 1) xSi
,
entonces parar. En otro caso, hacer t = t + 1, e ir a la
Etapa 2.
Valores
son
2 tpicos
10
y
. Se toma
g ( ) g ( )
Etapa 2: Si
a la Etapa 4.
g ( ) g ( )
Etapa 3: Si
e ir a la Etapa 3.
0.2
.
.
ir a la Etapa 3. En otro caso, ir
t
parar, y hacer
. En
Determinacin de las
Direcciones de Descenso
f ser
( x (t ) )
El criterio de parada suele
, que se basa en la
condicin necesaria
y en la
f ( x) 0 de optimalidad
f ( x )
continuidad de
.
Los mtodos ms importantes para seleccionar la direccin de
descenso son:
d (t ) f ( x (t ) )
f ( x ( t ) ) 0
1.Mtodo de la mxima pendiente. Este mtodo usa ,
(t ) T
se
como
f ( x (t ) )Tdireccin
d ( t ) f ( xde
) descenso
f ( x (t ) ) en
( fx((t)
x (.t ) Si
) )2 0
cumple
2 f (mtodo
d (t ) Este
x (t ) ) f usa
( x (t ) )
2.Mtodo de Newton.
2 f ( x (t ) )
f ( x ( t ) ) 0
Si
es(t )definida
positiva
y (t )
1
(t ) T (t )
T
2
(t )
f ( x ) dlo es,
fy( xentonces
) fd( x(t) es
) descendente
f ( x ) 0
inversa tambin
su
f ( x ( t ) )
p (t ) (q (t ) )T
q (t ) ( p (t ) )T
p ( t ) ( p ( t ) )T
( t )
H (t 1) I n (t ) T (t ) H I n ( t ) T (t) (t ) T ( t )
(q ) p
(q ) p
(q ) p
donde H
(t )
[ B (t ) ]1
(t )
gradiente
f ( x ( t ) ) t 1d (t 1) conjugado.
,con d (1) 0
5. Mtodo ddel
Este mtodo
utiliza
(t )
f ( x ) 0
f ( x ) d
(t ) T
(t )
f ( x ) t 1f ( x ( t ) )T d (t 1)
(t )
FR
t 1
0
f ( x ( t ) )
,se puede
si t es un mltiplo de n
2
en caso
contrarioLa de FletcherHay varias variantes
de este
mtodo:
( t 1) 2
f ( la
x frmula:
)
Reeves, que usa
FR
t 1
(t ) T
(t )
( t 1)
f ( x ) (f ( x ) f ( x ))
( t 1) 2
f ( x )
si t es un mltiplo de n
en caso contrario
Minimizar
f ( x1 , x2 ) 2 x1 x2 2 x2 x12 2 x22
En la primera iteracin
Z LS f ( x (1) d (1) );
1
1
(0,0)T (0, 2)T 0,
4
2
f
Etapa 6:(Comprobacin
de
convergencia).
Puesto que
T
(2)
0,1 / 2 se repite con
esx grande,
, y t=2.
Minimizar
0
g '( ) 1 2 0
g ( ) 2 1 / 2
Como 1 / 2 0
2
es convexa, se resuelve
y se obtiene
.
(3)
(2)
2d
(2)
1
1
T
0, 1,0
2
2
1 1
,
2 2
1
2 2
2
2
2
f ( x1 , x2 )
f ( x1 , x2 )
2
4
1
1
2 2
Etapa 1: (Punto inicial). Se toma x(1) = (0, 0)T .
1
0 1
2
(1)
2
(1) 1
(1)
d [ f ( x )] f ( x )
1
1
2 1
2
2
Etapa 3: (Comprobacin de optimalidad). Como d(1)0 y f
es estrictamente convexa, se trata de una direccin de
descenso.
1
Minimizar
Z LS f ( x (1) d (1) );
2
(1)
(1)
T
T
T
f
(
Puesto que
se
x d (0,0) (1,1) ( , )
obtiene
y el ptimo se alcanza en
1 1
.
f ( x (2) ) 0
1 0
H (1)
;
0
1
(1)
(2)
(1)
(2)
(1)
x
;
0
0
;
f ( x (1) )
1 ;
2
1
f ( x (2) ) ;
0
1
2
1
q (1) f ( x (2) ) f ( x (1) )
2
p (1) p (1)
0
1
2
0 0
1
;
1
0,
0
2
1 1
p (1) q (1) 0, 1
2 2
1 0
1
2
T
1 0 1
1,
2
2
0 1 2 4
0
1
1 0 1
2 5
0
1
f ( x (1) ) 02 (2) 2 4
2
f ( x (2) ) 12 02 1
1FR
f ( x (2) )
f ( x (1)
2
2
1
4
1
1
bsqueda
1 0
como:
(2)
(2)
FR (1) de
y se calcula
la
direccin
d f ( x ) 1 d
4 2
1/ 2
resuelve el problema:
Minimizar
Z LS f ( x (2) d (2) );
puesto que
1
x (2) d (2) (0,1 / 2)T (1,1 / 2)T ( , )T
2 2
Se obtiene
1
1
2
g ( ) f ,
2 2
2
2
x(3) satisface
se ha alcanzado el ptimo, y el algoritmo para.
Para el caso de funciones cuadrticas convexas, el
ptimo se alcanza tras un nmero de iteraciones igual a
la dimensin de la matriz hesiana.
Algoritmos para la
Optimizacin con
Restricciones
El
puede
Mtodos Duales
La principal razn para usar los mtodos duales es que en la
mayora de los casos resulta una funcin cncava en un conjunto
convexo muy sencillo, por lo que no tiene mximos locales no
globales. Deben plantearse dos cuestiones:
a) Cmo obtener la solucin del primal tras resolver el dual.
b)Cmo resolver el problema dual.
Sea el problema
Minimizar
Sujeto a
Donde
f : n ,h : l
Z P f ( x)
h( x ) 0
g ( x) 0
y g : n
son continuas.
Z D ( , ); 0
( , ) Infimox f ( x) k hk ( x) j g j ( x)
k 1
j 1
L ( x, , )
x( , ) x x minimiza L( x, , )
Z D es
Z P decir,
Si no existe la holgura dual,
, y somos
*
*
( ,dual
) y obtener como
capaces de resolver el problema
X * Xptimos
( * , * )
valores
, entonces cualquier punto
factible
resuelve el problema primal. El
teorema que sigue justifica que para los problemas
convexos no existe la holgura dual, y que se puede
obtener una solucin primal basndose en las soluciones
del problema dual.
*
( * , * )
Teorema ( *1
, * ) (Condicin
( , )
suficiente
X * Xpara
( * , * ) una
Mtodos de Penalizacin
Los mtodos de penalizacin transforman el problema
restringido original en una secuencia de problemas sin
restringir mediante funciones de penalizacin. La idea de
convertirlos en problemas no restringidos es muy atractiva,
pues stos se resuelven muy fcil y eficientemente.
Puesto que todos los mtodos tratan las igualdades de la
misma forma, stos se clasifican por la forma de tratar las
desigualdades. Hay dos tipos de mtodos:
1.Mtodos del punto exterior. La secuencia de soluciones
de los problemas sin restricciones contiene slo puntos no
factibles (exteriores a la regin factible).
2.Mtodos del punto interior o mtodos barrera. La
secuencia de soluciones de los problemas sin restricciones
contiene slo puntos factibles (interiores a la regin factible).
Un caso particular interesante es el mtodo del punto interior
que se analiza posteriormente.
Considere el problema
Minimizar
Z f ( x)
Sujeto a
h( x ) 0
g ( x) 0
y h:
Donde f : , g :
continuas. La funcin de penalizacin exterior es
n
x S
x S
son
exterior.)
: l m
rt
Sea
una sucesin divergente de nmeros positivos, y
una funcin de penalizacin continua exterior. Se define
x (t ) arg minimizar f ( x) rt ( h( x), g ( x)) , t 1, 2,....
la secuencia:
x
(t )
entonces
lmite
P , ( xes
; r ) el
fpunto
( x) r
hk ( x) de
g j ( x ) . ; , 1
j 1
k 1
k 1
j 1
hk ( x) g j ( x)
P1 ( x; r ) f ( x) r
Donde
. Dos
casos mparticulares son:
l
P2 ( x; r ) f ( x) r
2
hk ( x) g j ( x)
k 1
j 1
f ( x) rt ( h( x), g ( x))
x x Si
Etapa 3: (Criterio de parada).
(t )
1.
2.
lim rt h( x ), g ( x ) 0
Considere el problema
Minimizar
17
Z x1 6 x2
2
Sujeto a
x12 x2 0
17
x2 rt x12 x2
2
Z f ( x)
Sujeta a
g ( x) 0
dondef : n , g : n m
son funciones
S x g ( x ) 0
continuas, y
S x g (es
x) la
0 regin factible. Se
supone que
es no vaca, y el cierre de S es el conjunto S.
Se considera la funcin objetivo
P( x; r ) f ( x) r ( g ( x))
donde r es el parmetro de penalizacin y es la funcin de
penalizacin. Esta funcin forma una barrera infinita a lo
largo del contorno de la regin factible, que favorece la
seleccin de los puntos factibles frente a los que no lo son.
( g ( x)) 0; x S
lim ( g ( x))
xS S
(
g
(
x
))
o La barrera inversa
j 1 g j ( x )
m
: m
Sea rt
una sucesin de nmeros positivos que convergen
a cero, y sea
una funcin de penalizacin interior, se define
x (t ) arg min imiza xS f ( x) rt ( g ( x)) , t 1, 2,...
x
(t )
Minimizar
xS
sujeto a
cuya solucin ptima es x(t).
x ( t ) x (t 1)
Considere el problema
Minimizar
Sujeto a
Z 5 x1 x12 8 x2 2 x22
3x1 2 x2 6
P
2r
4 x2 8
0
x2
6 3 x1 2 x2
2 x1 a
6 x2 7 0
lo que conduce
. Por lo tanto
3r
0
7 x
6 3 x1 2 1
6 3
2r
4 x2 8
0
7
6 3 3 x2 2 x2
2
2 x1 5
que es equivalente a
22 x12 77 x1 9r 55 0
22 x22 77 x2 r 66 0
donde las otras dos races has sido rechazadas porque son
no factibles. La figura muestra las curvas de nivel de la
funcin objetivo, as como la regin factible. Ntese que la
solucin ptima se alcanza en la frontera de la regin
factible, y que la trayectoria hacia el ptimo est
contenida en la regin factible.
lim x1 (r ) 1
r
Ntese tambin que: 0
lim x2 (r )
r 0
3
2
lim r ( x) 0
r 0
cT x
Ax b
x0
sujeta a
n
Donde x, c , b
Maximizar
sujeta a
y A
. Su dual es
bT y
AT y c
Maximizar
bT y
AT y z c
z0
sujeta a
y m y z n
con variables
logartmicas, resulta
. Usando barreras
Maximizar
sujeta a
b y Ln Z j
T
j 1
AT y z c
Teorema 4 (Convergencia)
La sucesin de parmetros
genera una secuencia de
k k o
y L( x, y, z , ) Ax b 0
L( x, y, z , ) XZe e 0
z
Donde
X diag ( x1 , x2 ,..., xn )
Z diag ( z1 , z2 ,..., zm )
e (1,1,...,1)T
y la dimensin de e es nx1.
Minimizar
Sujeto a
x1
x
2
Z ( 3 5 0 0 0) x3
x4
x
5
x1
1 0 1 0 0 x2
0 1 0 1 0 x
3
3 2 0 0 1 x
4
x
5
x1 , x2 , x3 , x4 , x5 0
4
6
18
Su dual es:
y1
Maximizar 4 6 18 y2
y
3
Sujeto a
1
0
0
0
0
1
0
1
0
3
z1 3
z
2
5
y
1 2
z3
0 y2
0
0 y3
0
z4
z
1
5 0
z1 , z2 , z3 , z4 , z5 0
y
3
x1
x
2
5
Ln Z j x3
j 1
x4
x
5
1
0
1
0
0
0
1
0
1
0
z3
0 y2
0
0 y3
0
z4
z
1
5 0
x1
1 0 1 0 0 x2 4
0 1 0 1 0 x 6
3
3 2 0 0 1 x
4 18
x
5
1
0
0
0
0
1
0
1
0
0
0
0
0
0
0
3
2
0
1
y1
y
2
y3
z1 3
z
5
2
z3
0
z4
0
z5 0
x1
x2
x3
x4
z1
x5
z2
z3
z4
z5
1
1
1
1
1
0
0
0
0
donde v()=e-Xze.
Donde0 1, y 0 1
son los saltos primales y
p
d
duales, respectivos. El salto primal se aplica a las variables
primales x, mientras que el salto dual, a las duales y y z.
La seleccin de p y d se hace de forma tal que x y z
permanezcan estrictamente positivas (y no tiene por qu
ser positiva). Se usa el parmetro (0 << 1) para
asegurar la positividad.
xiPor tanto:
x min
tal que xi
xi
p min 1, x
z j
z min
tal que z j
z j
x min 1, z
donde
es una tolerancia (e.g.
0.999959.
= 0.0001) y =
Holgura Dual
AT y z c AT y z
Cuya solucin es
y AXZ 1 AT
AZ
1
v ( ) AXZ 1rd rp
z AT y rd
x Z 1v ( ) XZ 1z
donde
rp b Ax; rd c AT y z
Si cT x bT y
Criterio de parada.
El
max 1, c x
dual
es
Cotas.
cT x
Ax b
l xu
Minimizar
Sujeto a
Ax b
xsu
xv l
s0
v0
Z c x
Sujeto a
( Ln si Ln vi )
n
i 1
Ax b
xsu
xv l
L( x, y , z , ) c x
( Ln si + Ln vi ) y T ( Ax b) wT ( x s u ) z T ( x v l )
n
i 1
y L( x, y, z , ) Ax b 0
z L ( x, y , z , ) x v 1 0
s L( x, y, z , ) SWe e 0
v L( x, y, z , ) VZe e 0
w L ( x, y , z , ) x s u 0
y ( AA) 1 (b Ax) A (c AT y z w) ( )
x AT y ( ) (c AT y z w)
z X 1e Ze X 1Z x
donde
w S 1e We S 1W x
s x
( X 1Z S 1W ) 1
( ) ( S 1 X 1 )e (W Z )e
Seleccin del punto inicial.
Si no se dispone de un punto factible, el mtodo de
Vanderbei suministra un buen
punto de comienzo. Primero se calcula el vector
mediante
x
x j
Aj 1
2
donde Ai es la columna j de la matriz
de restricciones A, y
la norma cuadrtica.
.
es
Ax 2 1
z t c de
AT holgura
yt
.Calcular el vector
dual
o Etapa 1. Calcular
las
diagonales
X t diag x1t , x1t ,..., xnt
, y los
residuos
t
v ( t ) t e X Z e
rp Ax t b y
. Si el punto es factible primal y dual, los
las direcciones
y t , z t y x t
matrices
psaltos
y d
o Etapa 4. Calcular los
t
Etapa 1.
Bibliografa
Formulacin