Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Clase NL02 S0109
Clase NL02 S0109
2
Postgrado de Investigación de Operaciones
NC&GM - 1
Clase Anterior
Pautas de curso.
El uso de modelos en IO:
Formulación, Deducción e interpretación
Elementos básicos del Sistema Real:
Atributos, Objetivos y Restricciones.
Modelos de Programación Matemática:
Variable de decisión, Espacio de opciones, Restricción,
Región factible del espacio de opciones y Función objetivo.
Formato General de un Problema PM No Lineal.
Optimización.
NC&GM - 2
Clase Anterior
Resolución de un problema de Optimización:
1. Formular el modelo matemático del problema real:
1.1. Formular un boceto en castellano del problema.
1.2. Tabular la data numérica del problema.
1.3. Definir las variables de decisión.
1.4. Formular la función objetivo.
1.5. Formular las restricciones.
2. Seleccionar y aplicar la técnica adecuada para
resolver el problema matemático.
NC&GM - 3
Programación Matemática
Programación matemática: Es una rama de la teoría de
optimización en la cual una función objetivo f:
f: D → E1
D ⊂ En
D: Dominio de f
Es minimizada o maximizada posiblemente sujeta a un
número finito de restricciones (ecuaciones o
inecuaciones)
También se le conoce como Optimización
Matemática
NC&GM - 4
Problema de optimización
Región Factible: La región factible S es el conjunto de
todos los puntos x tales que:
NC&GM - 5
Problema de optimización
Problema de optimización:
Dado un conjunto S y una función f:
f: En → E1
El Problema de Optimización O(f, S) consiste en
encontrar x* ∈ S tal que:
f(x*) ≤ f(y)
∀y∈S
donde:
S : Dominio de las soluciones factibles.
f: función de costo.
NC&GM - 6
Vecindad
Vecindad: Una vecindad N constituye el conjunto de
puntos cercanos a algún punto específico x.
N(x): Vecindad alrededor de x
{ }
N δ ( x 0 ) = x, x 0 ∈ R n | x − x 0 < δ , δ > 0
NC&GM - 7
Vecindad
La geometría de la vecindad depende de la norma
utilizada, es decir, de la métrica elegida para medir
la distancia. Los utilizados más comúnmente son:
Vecindad esférica, utiliza la métrica euclidiana.
Vecindad rómbica.
Vecindad cúbica.
Sin embargo, puede utilizarse cualquier otra métrica
de acuerdo a la necesidad.
NC&GM - 8
Vecindad
Vecindad esférica:
0 k =n
N δ ( x ) = x , x ∈ R n |
0
∑ (x -x )
k =1
k
0 2
k < δ , δ > 0
x2
δ
x0
2 R2
x0
x01 x1
NC&GM - 9
Vecindad
Vecindad rómbica:
k =n
Nδ ( x ) = x , x ∈ R |∑ x k -x k < δ , δ > 0
0 0 n 0
k =1
x2
x02 δ R2
x0
x01 x1
NC&GM - 10
Vecindad
Vecindad cúbica:
0
Nδ ( x ) = x , x ∈ R | max {| x k -x k |} < δ , δ > 0
0 n 0
k =1,.., n
x2
x02 δ R2
x0
x01 x1
NC&GM - 11
Extremos
Mínimo Local:
Local Dado un problema de optimización
O(f, S) se dice que x* es un mínimo local si:
R1
δ
x*
NC&GM - 12
Extremos
Máximo Local:
Local Dado un problema de optimización
O(f, S) se dice que x* es un máximo local si:
R1
δ
x*
NC&GM - 13
Extremos
Mínimo Local Estricto:
Estricto Dado un problema de
optimización O(f, S) se dice que x* es un mínimo local
estricto si:
f(x*) < f(y) ∀ y ∈ N(x) ∩ S
y ≠ x*
Mínimo Local
Mínimo Local Estricto
δ δ
x* 1 x* 2
NC&GM - 14
Extremos
Máximo Local Estricto:
Estricto Dado un problema de
optimización O(f, S) se dice que x* es un máximo local
estricto si:
f(x*) > f(y) ∀ y ∈ N(x) ∩ S
y ≠ x*
Máximo Local Estricto
Máximo Local
δ δ
x* 1 x* 2
NC&GM - 15
Extremos
Mínimo Global:
Global Dado un problema de optimización
O(f, S) se dice que x* es un mínimo global si:
f(x*) ≤ f(y) ∀y∈S
x*
x*
x* x*
Mínimo Global Estricto Mínimo Global
NC&GM - 18
Extremos
Máximo Global Estricto:
Estricto Dado un problema de
optimización O(f, S) se dice que x* es un máximo
global estricto si:
f(x*) > f(y) ∀y∈S
y ≠ x*
Máximo Global Estricto Máximo Global
x* x*
NC&GM - 19
Extremos
Extremo
Extremo: Un extremo es cualquier máximo o un
mínimo de un problema de optimización O(f, S).
NC&GM - 20
Conceptos fundamentales
Punto Interior
Sea Q ⊂ En y sea un punto x∈En, se dice que x es un
punto interior a Q si existe un entorno Nδ(x) tal que
Nδ(x) ⊂ Q.
Nδ(x1)
Q x1
x2 x1 es un punto interior a Q
x2 no es un punto interior a Q
Al conjunto de los puntos interiores de Q se le denota
int(Q) o también int Q.
NC&GM - 21
Conceptos fundamentales
Funciones Diferenciables
Una función es diferenciable continua en x, x ∈
int(D), si las 1º derivadas parciales son continuas en
x.
Una función es doblemente diferenciable en x, x ∈
int(D), si sus 2º derivadas parciales existen en x.
Una función es doblemente diferenciable continua
en x, x ∈ int(D), si sus 2º derivadas parciales son
continuas en x.
NC&GM - 22
Conceptos fundamentales
Gradiente ∇f(x): El vector gradiente de f en x es:
T
∂f(x) ∂f(x)
∇f(x) = L
∂x1 ∂x n
Hessiano ∇2f(x): Matriz hessiana de una función f
doblemente diferenciable en x es:
∂ 2f(x) ∂ 2f(x)
. . .
∂x1∂x1 ∂x1∂x n
. . .
2
∇ f(x) = . . .
. . .
∂ 2f(x) ∂ 2f(x)
. . .
∂x ∂x ∂x n ∂x n
n 1
NC&GM - 23
Conceptos fundamentales
Una matriz M simétrica es definida positiva si:
NC&GM - 24
Conceptos fundamentales
Una matriz M simétrica es semidefinida positiva si:
zT· M· z ≥ 0
∀ z∈En ∴ ∃ z ≠ 0 | zT· M· z = 0
NC&GM - 25
Optimización Clásica
Optimización Clásica
Métodos analíticos que han sido estudiados durante
siglos, destinados a resolver:
Problemas irrestrictos:
O(f)
Problemas con restricciones de igualdad:
O(f, S) | S : hj = 0
NC&GM - 26
Teoremas Clásicos
Condición necesaria para un extremo de O(f):
Sea x*, x*∈ int(D), un extremo de f
∇f(x*) = 0
NC&GM - 27
Teoremas Clásicos
Ejemplo 2.1: Determinar cual de los siguientes puntos
pueden ser extremo de f(x) = x1x2:
x1T= (1 1)
x2T= (0 1)
x3T= (0 0)
NC&GM - 28
Teoremas Clásicos
Dado que f es diferenciable:
∇f(x) = (x2 x1)T
Entonces,
∇f(x1) = (1 1)T ≠ 0 →
∇ No puede ser extremo
∇f(x2) = (1 0)T ≠ 0 → No puede ser extremo
∇f(x3) = (0 0)T = 0 → Puede ser un extremo
NC&GM - 29
Teoremas Clásicos
Condición suficiente para un extremo de O(f):
Sea x*, x* ∈ int(D), y f es doblemente diferenciable
continua en x:
Si
∇f(x*) = 0 ^ zT∇2f(x*)z > 0
∀ z ≠ 0, z∈En
Entonces,
x es un mínimo local estricto
NC&GM - 30
Teoremas Clásicos
Condición suficiente para un extremo de O(f):
Sea x*, x* ∈ int(D), y f es doblemente diferenciable
continua en x:
Es definida positiva
Si
∇f(x*) = 0 ^ zT∇2f(x*)z > 0
∀ z ≠ 0, z∈En
Entonces,
x es un mínimo local estricto
NC&GM - 31
Teoremas Clásicos
NC&GM - 32
Teoremas Clásicos
NC&GM - 33
Teoremas Clásicos
Ejemplo 2.2: Determinar si x* = (0) es un mínimo o
máximo local estricto de f(x) = x2.
∇f(x) = 2x
∇2f(x) = 2
NC&GM - 34
Teoremas Clásicos
Entonces,
∇f(x*) = 2(0) = 0
Dado z = z:
zT∇2f(x*)z = z· 2· z
zT∇2f(x*)z = 2 · z2
0 1
∇ f(x) =
2
1 0
NC&GM - 36
Teoremas Clásicos
Entonces,
∇f(x*) = (0 0)T = 0
Dado z = (z1 z2)T:
0 1 z1
z ∇ f(x )z = (z1
T 2 *
z 2 )
1 0 z 2
z1
z ∇ f(x )z = (z 2
T 2 *
z1 ) = z1 ⋅ z 2 + z1 ⋅ z 2
z2
zT∇2f(x*)z = 2· z1· z2 → No se puede concluir
NC&GM - 37
Teoremas Clásicos
Ejemplo 2.4: Determinar si x* = (0) es un mínimo o
máximo local estricto de f(x) = – x4.
∇f(x*) = – 4x3
∇2f(x*) = – 12x2
NC&GM - 38
Teoremas Clásicos
Entonces,
∇f(x*) = – 4(0)3 = 0
Dado z = z:
zT∇2f(x*)z = z· – 12x*2· z
NC&GM - 39
Teoremas Clásicos
Existen extremos para lo que la condición suficiente no se
satisface en estos casos es posible estudiar la vecindad del
punto en estudio.
Condición suficiente y necesaria para un extremo de O(f):
Sea x*, x* ∈ int(D), y f es doblemente diferenciable continua
en x:
Si
∇f(x*) = 0 ^ zT∇2f(y)z > 0
∀ y ∈ N(x*)
∀ z ≠ 0, z∈En
Entonces,
x es un mínimo local estricto
NC&GM - 40
Teoremas Clásicos
Ejemplo 2.5: Determinar si x* = (0) es un mínimo o
máximo local estricto de f(x) = – x4.
NC&GM - 41
Teoremas Clásicos
Dado y = x* + δ:
zT∇2f(y)z = – z· 12(x* + δ)2· z
zT∇2f(y)z = – z· 12(x*2 +2· x*· δ + δ2)· z
x* = (0)
zT∇2f(y)z = – 12· δ2· z2
– 12· δ2· z2 < 0 ∀ z ≠ 0 → Máximo Local
Estricto
NC&GM - 42
Optimización clásica
Optimización de problemas con restricciones de
igualdad
min f(x)
sujeto a:
hj(x) = 0
donde:
hj(x): D → E1 j = 1, …, p
NC&GM - 43
Optimización clásica
La idea básica es transformar un problema con
restricciones en un problema sin restricciones:
1º Método: Expresar p variables en términos de la
restantes en término de las restantes n – p variables.
Esto puede ser una tarea difícil y en ocasiones
imposible (las hj(x) son funciones no lineales).
2º Método: Método de Lagrange.
NC&GM - 44
Método de Lagrange
Método de Lagrange
Dado x* un extremo local de f:
Si
f y hj son funciones diferenciables continuas en una
vecindad N(x*)
y
Se satisface hj(y) = 0 j = 1, …, p y ∈ N(x*)
y
La matriz jacobiana de hj(x*) tiene rango p
NC&GM - 45
Método de Lagrange
∂h 1(x) ∂h p(x)
. . .
∂x1 ∂x1
. . .
J( h ) = . . .
. . .
∂h (x) ∂h ( x)
1 . . .
p
∂x p ∂x
p
Entonces, ∇ ) es una combinación
∇f(x * lineal de los
gradientes de hj en x* si existen p números reales λj
tales que:
p
∇f(x * ) = ∑ λ j∇h j(x * )
j=1
NC&GM - 46
Método de Lagrange
El método de Lagrange consiste en transformar un
problema de optimización con restricción de igualdad
en un problema de encontrar un punto estacionario de
L(x, λ):
∇L(x, λ) = 0
donde: p
L(x , λ) = f ( x ) − ∑ λ jh j(x)
j =1
NC&GM - 47
Método de Lagrange
Se determinan simultáneamente los llamados
multiplicadores de Lagrange λ y la solución óptima
del problema x.
λj indica cuanto varía el objetivo si se relaja
infinitesimalmente la restricción j.
NC&GM - 48
Método de Lagrange
Condición necesaria y suficiente para un extremo de
un problema de optimización O(f,S) con restricciones
de igualdad:
1. Si x* es un mínimo local estricto
Entonces,
∇L(x*, λ*) = 0 ^ zT∇x2L(x*, λ*)z > 0
∀ z ≠ 0, z∈En | zT ∇hj(x*) = 0
donde:
∇x2L(x*, λ*) : Hessiano de L solo con respecto a x
NC&GM - 49
Método de Lagrange
2. Si x* es un máximo local estricto
Entonces,
∇L(x*, λ*) = 0 ^ zT∇x2L(x*, λ*)z < 0
∀ z ≠ 0, z∈En | zT ∇hj(x*) = 0
donde:
∇x2L(x*, λ*) : Hessiano de L solo con respecto a x
NC&GM - 50
Método de Lagrange
Ejemplo 2.6: Determinar una solución de:
max x1x2
s.a:
x12 + x2 = 2
NC&GM - 51
Método de Lagrange
1º Método:
1. Despeje:
x2 = 2 – x12
2. Sustitución:
x2 = 2 – x12 → max x1(2 – x12)
NC&GM - 52
Método de Lagrange
f(x) = 2x1 – x13
∇f(x*) = 2 – 3x12
∇
∇2f(x*) = – 6x1
NC&GM - 53
Método de Lagrange
Entonces,
∇f(x*) = 0
2 – 3x12 = 0
2 – 3x12 = 0 → x1 = ±(2/3)0.5
Dado z = z:
zT∇2f(x*)z = z· – 6x1 · z
zT∇2f(x*)z = – 6x1 · z 2
NC&GM - 54
Método de Lagrange
x1 = +(2/3)0.5 → zT∇2f(x*)z < 0 → Máximo Local
Estricto
x1 = – (2/3)0.5 → zT∇2f(x*)z > 0 → Mínimo Local
Estricto
NC&GM - 55
Método de Lagrange
2º Método:
1. Identificar las funciones pertinentes::
f(x) = x1x2
h1(x) = x12 + x2 – 2
2. Construir el Langrangeano:
NC&GM - 56
Método de Lagrange
3. Encontrar el punto estacionario del Langrangeano:
NC&GM - 57
Método de Lagrange
4. Comprobar si se satisface la condición necesaria y
suficiente:
∇L(x*, λ*) = 0 ^ zT∇x2L(x*, λ*)z < 0
∀ z ≠ 0, z∈En | zT ∇hj(x*) = 0
zT∇x2L(x*, λ*)z:
∂L(x * , λ * ) ∂L(x , λ )
* *
2 * *
∇ x L(x , λ ) = ∂x1∂x1 ∂x1∂x 2
∂L(x * , λ * ) ∂L(x , λ )
* *
∂x 2 ∂x1 ∂x 2 ∂x 2
NC&GM - 58
Método de Lagrange
− 2λ 1 1
∇ x L(x , λ ) =
2 * *
1 0
Dado z = (z1 z2) : T
− 2λ 1 1 z1
z ∇ x L(x , λ )z = (z1 z 2 )
T 2 * *
1 0 z 2
z1
z ∇ x L(x , λ )z = (z 2 − 2λ 1z1 z1 )
T 2 * *
z2
zT∇x2L(x*, λ*)z = z1· (z2 – 2λ1z1) + z1 z2
NC&GM - 59
Método de Lagrange
zT∇x2L(x*, λ*)z = 2 z1 z2 – 2λ1z12
zT ∇hj(x*) = 0:
∇ 1(x) = (2x1
∇h 1) T
2x1
z ∇h 1(x ) = (z1
T *
z 2 ) = 2 x1z1 + z 2
1
NC&GM - 60
Método de Lagrange
zT ∇hj(x*) = 0
↓
2 x1z1 + z2 = 0
z2 = – 2 x1z1
↓
z = (z1 – 2 x1z1)T
NC&GM - 61
Método de Lagrange
zT∇x2L(x*, λ*)z = 2 z1 z2 – 2λ1z12
z = (z1 – 2 x1z1)T
↓
zT∇x2L(x*, λ*)z = 2 z1(– 2 x1z1) – 2λ1z12
NC&GM - 62
Método de Lagrange
x = (+(2/3)0.5 4/3)T λ1 = +(2/3)0.5
↓
zT∇x2L(x*, λ*)z < 0 → Máximo Local
Estricto
x = (–(2/3)0.5 4/3)T λ1 = –(2/3)0.5
↓
zT∇x2L(x*, λ*)z > 0 → Mínimo Local
Estricto
Solución: x = ((2/3)0.5 4/3)T
NC&GM - 63
Resumen
Programación matemática.
Región Factible: S.
Problema de optimización: O(f, S)
Vecindad:
Vecindad esférica, Vecindad rómbica, Vecindad cúbica.
Extremos:
Mínimo Local, Máximo Local, Mínimo Local Estricto, Máximo Local
Estricto, Mínimo Global, Máximo Global, Mínimo Global Estricto,
Máximo Global Estricto.
Optimización Clásica:
Problemas irrestrictos: O(f).
Problemas con restricciones de igualdad: O(f, S) | S : hj = 0.
Punto Interior, Funciones Diferenciables, Gradiente ∇f(x), Hessiano
∇2f(x).
NC&GM - 64
Resumen
Matriz
definida positiva, definida negativa, semidefinida positiva,
semidefinida negativa.
Condición necesaria para un extremo de O(f).
Condición suficiente para un extremo de O(f): Máximo y Mínimo,
basada en una vecindad
Optimización de problemas con restricciones de igualdad:
1º Método: Despeje.
2º Método: Método de Lagrange.
Método de Lagrange
Lagrangeano
Multiplicadores de Lagrange
Condición necesaria y suficiente para un extremo de un problemas de
optimización O(f,S) con restricciones de igualdad.
NC&GM - 65