Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Optimizacin libre
mer orden). Sea f : D Rn R, D abierto, f C 1 (D). Si f presenta en x0 D un ptimo relativo entonces f (x0 ) = 0. En este caso se dice que x0 es un punto crtico del problema.
Teorema 2. (Condicin suciente de existencia de extremo relativo o condicin de segundo
orden). Sea f : D Rn R, D abierto, f C 2 (D). Sea x0 un punto crtico del problema. Luego
1. Si Hf (x0 ) es denida positiva entonces f presenta un mnimo local en x0 . 2. Si Hf (x0 ) es denida negativa entonces f presenta un mximo local en x0 . 3. Si Hf (x0 ) es indenida entonces f presenta un punto silla en x0 .
Observacin. Es necesario notar que el teorema no asegura nada si no se cumple alguna de las hiptesis del problema: si la matriz fuera semidenida, o si f no es C 2 , etc. Observacin. Los teoremas 1 y 2 inducen el siguiente mtodo para la bsqueda de extremos relativos
1. Establezco el dominio de la funcin 2. Hallo los puntos crticos del problema por CPO. 3. Calculo Hf. Reemplazo por los puntos crticos obtenidos anteriormente y concluyo. 4. Cuando para algn punto crtico la matriz da semidenida, o existen puntos donde f no es derivable, realizo un estudio local.
f : D Rn R, D convexo, no vaco,
1. Si f es convexa en D entonces f presenta en x0 un mnimo global. 2. Si f es estrictamente convexa en D entonces f presenta en x0 un mnimo global nico. 3. Si f es cncava en D entonces f presenta en x0 un mximo global. 4. Si f es estricatamente cncava en D entonces f presenta en x0 un mximo global nico.
Observacin. Con el teorema anterior, si s la forma de la funcin en el dominio, las CPO son condiciones necesarias y sucientes.
con f : D Rn R, Rparmetro, f C 1 (D). Sea A Run conjunto abierto, supongamos que para todo A se cumple que x () = (x1 (), x2 (), ...., x1n ()) es ptimo del problema con x funcin derivable. Si denimos la funcin objetivo indirecta (o funcin valor) () = f (x (), ) tenemos que
f (x (), ) () =
Sea f : D Rn R, con D abierto, g : U R R tal que Im(f ) U R (o sea g f :D Rn R). Sea S el conjunto de soluciones factibles del problema. Se cumple que 1. Si g es creciente, los puntos donde f alcanza un mximo (mnimo) coinciden con los de la funcin
gf
2. Si g decreciente entonces los puntos donde f alcanza un mximo (mnimo) se convierten en mnimos (mximos) de g f
El objetivo el optimizar una funcin f : D Rn R con restricciones para los valores que pueden tomar las variables establecidas por un sistema
g = (x1 , x2 , ...., xn ) = k1 1
. g = (x , x , ...., x ) = k m 1 2 n m o sea
opt s.a f (x) g (x) = k
. .
;m < n
En este contexto se denomina conjunto de soluciones factibles S al conjunto de soluciones restringidas por el sistema.
: D Rn R, D abierto, f y gi C 1 (D). Sea x0 S tal que la condicin de regularidad Rg (Jg (x0 )) = m. Si el problema de optimizacin presenta en x0 un ptimo local entonces existen nicos 1 , 2 , ...., n escalares tales que cumplen que f g1 gm x1 (x0 ) 1 x1 (x0 ) .... m x1 (x0 ) = 0 . . .
. . . f
xn (x0 )
Observacin. Dado el teorema de Lagrange, se puede denir una funcin auxiliar del problema llamada funcin de Lagrange o Lagrangiano, denido por
m
i (ki gi (x))
que cumple que sus derivadas parciales con respecto a xi son las ecuaciones establecidas por el teorema 6, mientras que las derivadas parciales con respecto a i son las restricciones del problema.
Teorema 7. (Condicin suciente de extremos locales). Sea f : D Rn R, gi : D Rn R, D abierto, f y g C 2 (D). Sea x0 S un punto crtico del problema con multiplicador asociado .Denimos la siguiente matriz
H=
2L 2 1 2L 1 2
2L 1 m 2L 1 x1
2
. . .
2L m 1 2L m 2
2L x1 1 2L x1 2
2L xn 1 2L xn 2 2L xn m 2L xn x1 2L x2 n
. . .
2L m m 2L m x1 2L m xn
2L x1 m 2L x1 x1 2L x1 xn
L 1 xn
Observacin. Los teorema 6 y 7 inducen un mtodo de resolucin para el problema de optimixacin con restricciones de igualdad
1. Armo el Langrangiano. 2. Derivo el langrangiano igualando cada derivada a cero. Obtengo puntos criticos y valores de lambda. 3. Armo la matriz H . Reemplazo con los puntos crticos y decido. 4. Determino los fallos (por condicin de regularidad, etc). Realizo estudio local en esos casos.
Observacin. La condicin de convexidad del conjunto de soluciones factibles me limita a trabajar con restricciones lineales.
dad).Planteado el problema
opt s.a
f (x) g (x) = b
con f, gi : D Rn R, D abierto, f, g C 2 (D). Supongamos que x0 es un punto en que el problema alcanza un ptimo para b = b0 con multiplicador asociado 0 (recordar que tanto b0 como 0 son vectores de n componentes). Luego para todo b = (b1 , b2 , ..., bn ) cercano a b0 se verica que
L f (x0 ) = = i bi bi
Supongamos que para todo = (1 , 2 , ..., n ) existe x () ptimo del problema con ()multiplicador conocido. Si denimos la funcin objetivo indirecta (o funcin valor) () = f (x (), ) tenemos que
() L( (), x (), ) = i i
Observacin. El problema se presenta al querer optimizar una funcin antes una condicin de desigualdad en la que estn implicandas sus variables. Los problemas se pueden plantear como
[P 1] : [P 2] : max s.a f (x) g ( x) b con S = {x D/g (x) b}
restricciones se saturan con las p primeras condiciones tales que Rg (Jgi (x0 )) = p, (1 p i)(saturadas signica que se satisfacen con igualdad). Si en x0 existe un ptimo del problema entonces existen nicos escalares 1 , 2 , ...., m todoa mayores que cero tales que
L xi =
L f xi g x =0 i
Teorema 12. (Teorema condicin necesaria de existencia de extremos locales o teorema de Kuhn - Tucker). Sea f, gi : D Rn R, D abierto, f y gi C 1 (D). Sea x0 S . Supongamos que las
= (b g (x)) = 0
Observacin. Dado la funcin langrangiana L(xi , i ) = f (x) b g (xi ), las condiciones del problema anterior se pueden expresar como
1. 2.
L xi L i
= 0 (de K-T). = bi gi (x) 0 (en caso de max) o 0 (en caso min) (del enunciado del problema).
L 3. i = 0 (de K-T). i
f, gi : D Rn R, D
a ) Si f es cncava S entonces f presenta en x0 un mximo global. b ) Si f es estrictamente cncava en S entonces f presenta en x0 un mximo global nico.
2. Para problemas de minimizacin:
a ) Si f es convexa de S entonces f presenta en x0 un mnimo global. b ) Si f es estrictamente convexa de S entonces f presenta en x0 un mnimo global nico.
Observacin. La convexidad de S se establece relacionando la forma de las funciones g con el tipo de conjunto de soluciones factibles que determinan mediante propiedades.
dad).Planteado el problema
opt s.a
f ( x) g (x) , b
con f, gi : D Rn R, D abierto, f, g C 2 (D). Supongamos que x0 es un punto en que el problema alcanza un ptimo para b = b0 con multiplicador asociado 0 (recordar que tanto b0 como 0 son vectores de n componentes). Luego para todo b = (b1 , b2 , ..., bn ) cercano a b0 se verica que
L f (x0 ) = = i bi bi
Observacin. (Caso de restricciones de no negatividad). Un caso especial de restricciones de desigualdad son las restricciones de no negatividad para las variables independientes. El problema se plantea
max f (x) [P 1] : s.a g (x) b x 0 min f (x) [P 2] : s.a g (x) b x0 con S = {x D/g (x) b}
1. Directamente por el teorema de Kuhn - Tucker 2. con el conjunto de condiciones necesarias que se plantean a continuacin
L xi 0 L 0 i L i i = 0
L xi x =0 i 0 i xi 0
(para maximizar)
L xi 0 L 0 i L i i = 0
L xi x =0 i 0 i xi 0
(para minimizar)