Está en la página 1de 163

Programación No Lineal

5
Postgrado de Investigación de Operaciones

Prof. Gonzalo Müller


gmullerb@mail.com
Facultad de Ingeniería
Universidad Central de Venezuela
Clase Anterior
 Programación Convexa.
 Conjuntos convexos:
x = α x1 + (1 – α) x2, ∀α ∈ [0, 1], x ∈ S
 Combinación convexa → Combinación lineal no
negativa → Combinación lineal.
 Combinación convexa:
x = α1 x1 + α2 x2 + … + αm xm, αk ≥ 0, Σ αk = 1
 Punto Interior, Punto Exterior, Frontera, Conjunto
Abierto, Conjunto Cerrado.
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 2
Clase Anterior
 Clausura, Conjunto Acotado, Conjunto Compacto.
 Capsula Convexa: Politope y Simplex.
 Teorema de Carathéodory.
 Conjuntos convexos separados.
 Hiperplano.
 Semiespacios.
 Hiperplano separador.

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 3


Clase Anterior
 Tipos de separación: apropiada, estricta y fuerte.
 Separación fuerte → Separación estricta →
Separación apropiada.
 Separación entre un conjunto convexo y un punto.
 Hiperplano soporte: Hiperplano propio.
 Soporte en la frontera de un conjunto convexo.
 Cota Superior, Cota inferior, Supremo, Ínfimo,
Máximo, Mínimo.

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 4


Existencia de un mínimo
 Mínimo de una función f:
Sea S ⊂ En, x* es la solución del problema O(f, S)
si:
f(x*) ≤ f(x)
∀x∈S ^ x*∈S

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 5


Existencia de un mínimo

f : (a,b] → R
f(b) = inf { f(x) : x ∈ (a,b]}
y
b = min{ f(x) : x ∈ (a,b]}

f : (a,b) → R
f(b) = inf { f(x) : x ∈ (a,b)}
y
b no es el mínimo pues b ∉ (a,b)

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 6


Existencia de un mínimo

f : (a,b] → R
α = inf { f(x) : x ∈ (a,b]}
α y
α ≠ f(b)
luego el mínimo no existe

f : (a, ∞ ) → R
lím f(x) = −∞
x →∞

y no existe mínimo

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 7


Existencia de un mínimo
 Teorema de Weierstrass (Condición de suficiencia
para la existencia de un mínimo):
Si S ⊂ En, S ≠ ∅ y S es compacto toda función
continua f: S → E tiene mínimo.

Esto es, el problema


min f(x)
s.a: → Tiene solución
x∈S
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 8
Funciones Convexas
 Función Convexa:
Convexa Una función f en E1 es convexa
sobre un conjunto convexo S ⊆ En si para dos puntos
cualquiera x1, x2∈S:

f(αx1 + [1 – α]x2) ≤ αf(x1) + [1 – α]f(x2)


α∈[0, 1]

Una función convexa sobre S siempre es continua en su interior

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 9


Funciones Convexas
f(αx1 + [1 – α]x2) ≤ αf(x1) + [1 – α]f(x2)

αf(x1) + [1 – α]f(x2)

f(x2)
f(x1)

f(αx1 + [1 – α]x2)

x1 x2

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 10


Funciones Convexas
f(αx1 + [1 – α]x2) ≤ αf(x1) + [1 – α]f(x2)

αf(x1) + [1 – α]f(x2)

S Conjunto convexo
f(x2)
f(x1)

f(αx1 + [1 – α]x2)

x1 x2

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 11


Funciones Convexas
f(αx1 + [1 – α]x2) ≤ αf(x1) + [1 – α]f(x2)

αf(x1) + [1 – α]f(x2)

f(x2)
f(x1)

f(αx1 + [1 – α]x2)
x1 x2

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 12


Funciones Convexas
f(αx1 + [1 – α]x2) ≤ αf(x1) + [1 – α]f(x2)

αf(x1) + [1 – α]f(x2)

S Conjunto no convexo
f(x2)
f(x1)

f(αx1 + [1 – α]x2)
x1 x2

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 13


Funciones Convexas
f(αx1 + [1 – α]x2) ≤ αf(x1) + [1 – α]f(x2)

αf(x1) + [1 – α]f(x2)

f(x2)
f(x1)

f(αx1 + [1 – α]x2)
x1 x2

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 14


Funciones Convexas
f(αx1 + [1 – α]x2) ≤ αf(x1) + [1 – α]f(x2)

αf(x1) + [1 – α]f(x2)

S Conjunto convexo
f(x2)
f(x1)

f(αx1 + [1 – α]x2)
x1 x2

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 15


Funciones Convexas
 Función Estrictamente Convexa:
Convexa Una función f en E1
es estrictamente convexa sobre un conjunto convexo
S ⊆ En si para dos puntos cualquiera x1, x2∈S:

f(αx1 + [1 – α]x2) < αf(x1) + [1 – α]f(x2)


α∈(0, 1)

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 16


Funciones Convexas
f(αx1 + [1 – α]x2) < αf(x1) + [1 – α]f(x2)

αf(x1) + [1 – α]f(x2)

f(x2)
f(x1)

f(αx1 + [1 – α]x2)

x1 x2

Una función estrictamente convexa no admite segmentos rectos


Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 17
Funciones Convexas
Ejemplo 5.1: Demostrar que la siguiente función es
convexa sobre R:
f(x) = x2 – 1

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 18


Funciones Convexas
Ejemplo 5.1: Demostrar que la siguiente función es
convexa sobre R:
f(x) = x2 – 1

Sean dos puntos x1, x2∈R:


x1 = x1, x2 = x2

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 19


Funciones Convexas
Ejemplo 5.1: Demostrar que la siguiente función es
convexa sobre R:
f(x) = x2 – 1

Sean dos puntos x1, x2∈R:


x1 = x1, x2 = x2
Si f(x) es convexa entonces:
f(αx1 + [1 – α]x2) ≤ αf(x1) + [1 – α]f(x2)

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 20


Funciones Convexas
αf(x1) + [1 – α]f(x2):

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 21


Funciones Convexas
αf(x1) + [1 – α]f(x2):
αf(x1) + [1 – α]f(x2) = α(x12 – 1)+[1 – α](x22 – 1)
αf(x1) + [1 – α]f(x2) = αx12 – α + x22 – αx22 – 1 + α
αf(x1) + [1 – α]f(x2) = αx12 + x22 – αx22 – 1
αf(x1) + [1 – α]f(x2) = α[x12 – x22] + x22 – 1

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 22


Funciones Convexas
αf(x1) + [1 – α]f(x2):
αf(x1) + [1 – α]f(x2) = α(x12 – 1)+[1 – α](x22 – 1)
αf(x1) + [1 – α]f(x2) = αx12 – α + x22 – αx22 – 1 + α
αf(x1) + [1 – α]f(x2) = αx12 + x22 – αx22 – 1
αf(x1) + [1 – α]f(x2) = α[x12 – x22] + x22 – 1
f(αx1 + [1 – α]x2):

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 23


Funciones Convexas
αf(x1) + [1 – α]f(x2):
αf(x1) + [1 – α]f(x2) = α(x12 – 1)+[1 – α](x22 – 1)
αf(x1) + [1 – α]f(x2) = αx12 – α + x22 – αx22 – 1 + α
αf(x1) + [1 – α]f(x2) = αx12 + x22 – αx22 – 1
αf(x1) + [1 – α]f(x2) = α[x12 – x22] + x22 – 1
f(αx1 + [1 – α]x2):
f(αx1+[1 – α]x2) = (αx1 + [1 – α]x2)2 – 1
f(αx1+[1 – α]x2) = α2x12+2α[1 – α]x1x2+[1 – α]2x22–1
f(αx1+[1 – α]x2) = α2x12+[2α–2α2]x1x2+[1–2α+α2]x22–1

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 24


Funciones Convexas
f(αx1+[1 – α]x2) = α2x12+2αx1x2–2α2x1x2+x22–2αx22 +
α2x22– 1
f(αx1+[1 – α]x2) = α[2x1x2–2x22]+α2[x12 –2x1x2 + x22]
+x22 – 1
f(αx1+[1 – α]x2) = α[2x1x2–2x22]+ α2(x1 –x2)2+ x22 – 1
f(αx1+[1 – α]x2) = – α[–2x1x2+x22]+ α2(x1 –x2)2+ x22 –
1 + αx12 – αx12 – αx22
f(αx1+[1 – α]x2) = – α[x12–2x1x2+x22]+ α2(x1 –x2)2+ x22
– 1 + α[x12 –x22]

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 25


Funciones Convexas
f(αx1+[1 – α]x2) = – α (x1 –x2)2 + α2(x1 –x2)2+ x22 – 1
+ α[x12 –x22]
f(αx1+[1 – α]x2)=(α2 – α)(x1 –x2)2+α[x12 –x22]+x22 –1

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 26


Funciones Convexas
f(αx1+[1 – α]x2) = – α (x1 –x2)2 + α2(x1 –x2)2+ x22 – 1
+ α[x12 –x22]
f(αx1+[1 – α]x2)=(α2 – α)(x1 –x2)2+α[x12 –x22]+x22 –1

f(αx1 + [1 – α]x2) ≤ αf(x1) + [1 – α]f(x2):

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 27


Funciones Convexas
f(αx1+[1 – α]x2) = – α (x1 –x2)2 + α2(x1 –x2)2+ x22 – 1
+ α[x12 –x22]
f(αx1+[1 – α]x2)=(α2 – α)(x1 –x2)2+α[x12 –x22]+x22 –1

f(αx1 + [1 – α]x2) ≤ αf(x1) + [1 – α]f(x2):

(α2 – α)(x1 –x2)2+α[x12 –x22]+x22 –1≤ α[x12 – x22] + x22 – 1

(α2 – α)(x1 –x2)2 ≤ 0


Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 28
Funciones Convexas
f(αx1+[1 – α]x2) = – α (x1 –x2)2 + α2(x1 –x2)2+ x22 – 1
+ α[x12 –x22]
f(αx1+[1 – α]x2)=(α2 – α)(x1 –x2)2+α[x12 –x22]+x22 –1

f(αx1 + [1 – α]x2) ≤ αf(x1) + [1 – α]f(x2):

(α2 – α)(x1 –x2)2+α[x12 –x22]+x22 –1≤ α[x12 – x22] + x22 – 1

(α2 – α)(x1 –x2)2 ≤ 0 → f(x) = x2 – 1 es convexa


Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 29
Funciones Convexas
 Función Cóncava:
Cóncava Una función f en E1 es cóncava
sobre un conjunto convexo S ⊆ En si para dos puntos
cualquiera x1, x2∈S:

f(αx1 + [1 – α]x2) ≥ αf(x1) + [1 – α]f(x2)


α∈[0, 1]

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 30


Funciones Convexas
f(αx1 + [1 – α]x2) ≥ αf(x1) + [1 – α]f(x2)

f(αx1 + [1 – α]x2)

f(x2)
f(x1)

αf(x1) + [1 – α]f(x2)

x1 x2

Si f(x) es convexa entonces –f(x) es cóncava, y viceversa


Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 31
Funciones Convexas
 Función Estrictamente Cóncava:
Cóncava Una función f en E1
es estrictamente cóncava sobre un conjunto convexo
S ⊆ En si para dos puntos cualquiera x1, x2∈S:

f(αx1 + [1 – α]x2) > αf(x1) + [1 – α]f(x2)


α∈[0, 1]

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 32


Funciones Convexas
f(αx1 + [1 – α]x2) > αf(x1) + [1 – α]f(x2)

f(αx1 + [1 – α]x2)

f(x2)
f(x1)

αf(x1) + [1 – α]f(x2)

x1 x2

Una función estrictamente cóncava no admite segmentos rectos


Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 33
Funciones Convexas
 Es Convexa ?

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 34


Funciones Convexas
 Es Cóncava ?

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 35


Funciones Convexas
No es ni cóncava ni convexa sobre el conjunto
convexo S en estudio.

f(αx1 + [1 – α]x2)

f(x2)
f(x1)

αf(x1) + [1 – α]f(x2)

S
x1 x2

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 36


Funciones Convexas
 Función Convexa:
Convexa Una función f en E1 es convexa
sobre un conjunto convexo S ⊆ En si para n puntos
cualquiera:

f(α1x1+α2x2+··· +αnxn) ≤ α1f(x1)+α2f(x2)+··· +αnf(xn)


x1, x2,…, xn∈S
α1+α2+··· +αn = 1

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 37


Funciones Convexas
 Propiedades de un función convexa:

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 38


Funciones Convexas
 Propiedades de un función convexa:
 Si una función f es convexa y k ≥ 0 entonces kf es
convexa.

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 39


Funciones Convexas
 Propiedades de un función convexa:
 Si una función f es convexa y k ≥ 0 entonces kf es
convexa.
 La suma de dos funciones convexas (cóncavas) es
una función convexa (cóncava).

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 40


Funciones Convexas
 Propiedades de un función convexa:
 Si una función f es convexa y k ≥ 0 entonces kf es
convexa.
 La suma de dos funciones convexas (cóncavas) es
una función convexa (cóncava).

 Corolario:
 La combinación lineal no negativa de funciones
convexas es una función convexa.

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 41


Funciones Convexas
Ejemplo 5.2: Demostrar que la siguiente función es
convexa sobre R:
f(x) = 2x2 + x – 2

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 42


Funciones Convexas
Ejemplo 5.2: Demostrar que la siguiente función es
convexa sobre R:
f(x) = 2x2 + x – 2

f(x) = f1(x) + f2(x)


si f1(x) y f2(x) son convexas entonces f(x) es convexa:
f1(x) = 2x2 – 2
f2(x) = x

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 43


Funciones Convexas
f1(x) = 2x2 – 2 = 2 f3(x)

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 44


Funciones Convexas
f1(x) = 2x2 – 2 = 2 f3(x)

si f3(x) es convexa entonces 2 f3(x) es convexa

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 45


Funciones Convexas
f1(x) = 2x2 – 2 = 2 f3(x)

si f3(x) es convexa entonces 2 f3(x) es convexa


f3(x) = x2 – 1 es convexa → f1(x) es convexa

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 46


Funciones Convexas
f1(x) = 2x2 – 2 = 2 f3(x)

si f3(x) es convexa entonces 2 f3(x) es convexa


f3(x) = x2 – 1 es convexa → f1(x) es convexa

f2(x) = x es convexa si dados dos puntos x1, x2 se


satisface:
f(αx1 + [1 – α]x2) ≤ αf(x1) + [1 – α]f(x2)

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 47


Funciones Convexas
f(αx1 + [1 – α]x2) = αx1 + [1 – α]x2
αf(x1) + [1 – α]f(x2) = αx1 + [1 – α]x2

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 48


Funciones Convexas
f(αx1 + [1 – α]x2) = αx1 + [1 – α]x2
αf(x1) + [1 – α]f(x2) = αx1 + [1 – α]x2

f(αx1 + [1 – α]x2) ≤ αf(x1) + [1 – α]f(x2)
Se satisface

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 49


Funciones Convexas
f(αx1 + [1 – α]x2) = αx1 + [1 – α]x2
αf(x1) + [1 – α]f(x2) = αx1 + [1 – α]x2

f(αx1 + [1 – α]x2) ≤ αf(x1) + [1 – α]f(x2)
Se satisface

f1(x) y f2(x) es convexa

f(x) es convexa
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 50
Funciones Convexas
 Propiedades de una función convexa:
 Una función convexa puede ser discontinua y estas
discontinuidades solo pueden ocurrir en los
extremos del dominio efectivo.
 El dominio efectivo ED:
ED(f) = {x | x∈En, f(x) < +∞}

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 51


Funciones Convexas
 Si f es una función convexa sobre un conjunto
convexo S ⊂ En,
Entonces, el conjunto W = {x | x ∈ S, f(x) ≤ c}
∀c ∈ E

Función convexa

f(x)

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 52


Funciones Convexas
 Si f es una función convexa sobre un conjunto
convexo S ⊂ En,
Entonces, el conjunto W = {x | x ∈ S, f(x) ≤ c}
∀c ∈ E

Función convexa Conjunto convexo


c
f(x) W

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 53


Funciones Convexas
 Todo mínimo local de una función convexa f sobre
En es un mínimo global de f sobre En.

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 54


Funciones Convexas
 Todo mínimo local de una función convexa f sobre
En es un mínimo global de f sobre En.
 Si f es una función convexa sobre En y S ⊂ En es un
conjunto convexo, entonces todo mínimo local de f
en x*∈ S es un mínimo global sobre todo S.

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 55


Funciones Convexas
 Todo mínimo local de una función convexa f sobre
En es un mínimo global de f sobre En.
 Si f es una función convexa sobre En y S ⊂ En es un
conjunto convexo, entonces todo mínimo local de f
en x*∈ S es un mínimo global sobre todo S.
 Si f es una función estrictamente convexa sobre En
y S ⊂ En es un conjunto convexo, entonces el
mínimo local de f en x*∈ S es el único mínimo
global sobre todo S.

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 56


Optimización de Funciones Convexas
Ejemplo 5.3: Determinar el óptimo de la siguiente
función:
f(x) = x2 – 1

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 57


Optimización de Funciones Convexas
Ejemplo 5.3: Determinar el óptimo de la siguiente
función:
f(x) = x2 – 1

Condición suficiente para un mínimo local estricto de


O(f):
∇f(x*) = 0 ^ zT∇2f(x*)z > 0
∀ z ≠ 0, z∈En

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 58


Optimización de Funciones Convexas
∇f(x) = 2x = 0

x=0
Dado z = z:
∇2f(x) = 2
zT∇2f(x*)z = 2 · z2
2 · z2 > 0 ∀ z, z ≠ 0

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 59


Optimización de Funciones Convexas
∇f(x) = 2x = 0

x=0
Dado z = z:
∇2f(x) = 2
zT∇2f(x*)z = 2 · z2
2 · z2 > 0 ∀ z, z ≠ 0 → Mínimo Local Estricto

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 60


Optimización de Funciones Convexas
∇f(x) = 2x = 0

x=0
Dado z = z:
∇2f(x) = 2
zT∇2f(x*)z = 2 · z2
2 · z2 > 0 ∀ z, z ≠ 0 → Mínimo Local Estricto
f(x) es convexa → Mínimo GLOBAL Estricto

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 61


Optimización de Funciones Convexas
∇f(x) = 2x = 0

x=0
Dado z = z:
∇2f(x) = 2
zT∇2f(x*)z = 2 · z2
2 · z2 > 0 ∀ z, z ≠ 0 → Mínimo Local Estricto
f(x) es convexa → Mínimo GLOBAL Estricto
f(x) es estrictamente convexa → Único Mínimo
GLOBAL
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 62
Optimización de Funciones Convexas
 Problema de optimización convexa:
Dada una función f convexa:
f: En → E1
Dado un conjunto S definido por:
S: gk ≥ 0, hj = 0
gk: funciones cóncavas
hj: funciones lineales
 S constituye un conjunto convexo cerrado.

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 63


Optimización de Funciones Convexas
El Problema de Optimización Convexa OC(f, S)
consiste en encontrar x* ∈ S tal que:

f(x*) ≤ f(y)
∀y∈S

por si solas hj son funciones no lineales convexas y/o


concavas, pero no constituyen un conjunto convexo

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 64


Optimización de Funciones Convexas
 Teorema de Kuhn-Tucker (Condición Necesaria)
Dadas f, gk y hj funciones diferenciables continuas
convexa, cóncavas y lineales en S, respectivamente.
Si existen un x* que satisfaga:
gk ≥ 0, hj = 0
y existen vectores λ* y µ* tales que:
∇x, λL (x*, λ*, µ*) = 0
µk* gk(x*) = 0 k=1,…,m
µ* ≥ 0
Entonces, x* es un óptimo global de OC(f, S)
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 65
Optimización de Funciones Convexas
 Condición de Slater
Un problema de optimización O(f, S) es fuertemente
consistente si existe un punto x0 tal que:
gk(x0) > 0 k=1,…, m
hj(x0) = 0 j=1,…, p

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 66


Optimización de Funciones Convexas
 Teorema de Kuhn-Tucker
(Condición Necesaria y Suficiente)
Dado un problema OC(f, S) fuertemente consistente y f,
gk y hj funciones diferenciables continuas convexa,
cóncavas y lineales en S, respectivamente, y hj linealmente
independientes.
Si x* es un óptimo de OC(f, S). Entonces, existen vectores
λ* y µ* tales que:
∇x, λL (x*, λ*, µ*) = 0
µk* gk(x*) = 0 k=1,…,m
µ* ≥ 0
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 67
Optimización de Funciones Convexas
Ejemplo 5.4: Determinar la solución del siguiente
problema:
min x12 + x22 – 1
s. a:
(x1 – 4)2 + x22 ≤ 18
x1 + x2 = 4

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 68


Optimización de Funciones Convexas
Ejemplo 5.4: Determinar la solución del siguiente
problema:
min x12 + x22 – 1
s. a:
(x1 – 4)2 + x22 ≤ 18 Convexa

x1 + x2 = 4

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 69


Optimización de Funciones Convexas
Ejemplo 5.4: Determinar la solución del siguiente
problema:
min x12 + x22 – 1
s. a:
– (x1 – 4)2 – x22 ≥ – 18 Cóncava

x1 + x2 = 4

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 70


Optimización de Funciones Convexas
Las funciones pertinentes:
f(x) = x12 + x22 – 1
g1(x) = 18 – (x1 – 4)2 – x22
h1(x) = x1 + x2 – 4

Construir el Langrangeano:

L(x, λ, µ) = x12 + x22 – 1 – µ1(18 – (x1 – 4)2 – x22) – λ1(x1


+ x2 – 4)

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 71


Optimización de Funciones Convexas
Encontrar el punto estacionario:
∇x, λL(x, λ, µ) = 2x1 + 2µ1(x1 – 4) – λ1
2x2 + 2µ1x2 – λ1
x1 + x2 – 4

2x1 + 2µ1(x1 – 4) – λ1 = 0
2x2 + 2µ1x2 – λ1 = 0
x1 + x2 – 4 = 0
µ1(18 – (x1 – 4)2 – x2 2) = 0
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 72
Optimización de Funciones Convexas
µ1(18 – (x1 – 4)2 – x2 2) = 0:
µ1 = 0
ó
18 – (x1 – 4)2 – x2 2 = 0
µ1 = 0:
2x1 – λ1 = 0 → λ1 = 2x1
2x2 – λ1 = 0 → λ1 = 2x2
x1 = x2

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 73


Optimización de Funciones Convexas
x1 + x1 = 4
2x1 = 4
x1 = 2 x2 = 2 λ1 = 4 µ1 = 0

Se satisfacen las condiciones de Kuhn-Tucker

Es un óptimo → Es un mínimo local → Es un
mínimo global

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 74


Optimización de Funciones Convexas
18 – (x1 – 4)2 – x2 2 = 0:
x2 2 = 18 – (x1 – 4)2
Además debe satisfacer:
x1 + x2 = 4

x1 = 4 – x2
x2 2 = 18 – (4 – x2 – 4)2
x2 2 = 18 – x22

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 75


Optimización de Funciones Convexas
2x2 2 = 18
x2 = ±3
x2 = +3:
x1 = 4 – x2 = 4 – 3= 1
El nuevo sistema será:
2(1) + 2µ1(1 – 4) – λ1 = 0
2(3) + 2µ13 – λ1 = 0
2 – 6µ1 – λ1 = 0
6 + 6µ1 – λ1 = 0
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 76
Optimización de Funciones Convexas
λ1 = 2 – 6µ1
6 + 6µ1 – (2 – 6µ1) = 0
6 + 6µ1 – 2 + 6µ1 = 0
4 + 12µ1 = 0
µ1 = – 1/3 < 0

No Satisfacen las condiciones de Kuhn-
Tucker

No es un óptimo
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 77
Optimización de Funciones Convexas
x2 = –3:
x1 = 4 – x2 = 4 + 3= 7
El nuevo sistema será:
2(7) + 2µ1(7 – 4) – λ1 = 0
–2(3) – 2µ13 – λ1 = 0

14 + 6µ1 – λ1 = 0
– 6 – 6µ1 – λ1 = 0

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 78


Optimización de Funciones Convexas
λ1 = 14 + 6µ1
– 6 – 6µ1 – (14 + 6µ1) = 0
– 6 – 6µ1 – 14 – 6µ1 = 0
– 20 – 12µ1 = 0
µ1 = – 5/3 < 0

No Satisfacen las condiciones de Kuhn-
Tucker Recuerde que si la función es
estrictamente convexa solo un
↓ punto debería satisfacer las
No es un óptimo condiciones de Kuhn-Tucker
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 79
Funciones Convexas Diferenciables
 Función Convexa:
Convexa Una función f en E1 diferenciable
sobre un conjunto convexo S ⊆ En es convexa si para
dos puntos cualquiera x1, x2∈S se satisface:

f(x2) ≥ f(x1) + (x2 – x1)T∇f(x1)

f(x2)

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 80


Funciones Convexas Diferenciables
 Función Convexa:
Convexa Una función f en E1 diferenciable
sobre un conjunto convexo S ⊆ En es convexa si para
dos puntos cualquiera x1, x2∈S se satisface:

f(x2) ≥ f(x1) + (x2 – x1)T∇f(x1)

f(x2)

f(x1) + (x2 – x1)T∇f(x1)

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 81


Funciones Convexas Diferenciables
 Función Convexa:
Convexa Una función f en E1 diferenciable
sobre un conjunto convexo S ⊆ En es convexa si para
dos puntos cualquiera x1, x2∈S se satisface:

f(x2) ≥ f(x1) + (x2 – x1)T∇f(x1)

f(x2) ≥ f(x1) + (x2 – x1)T∇f(x1)

f(x2)

f(x1) + (x2 – x1)T∇f(x1)

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 82


Funciones Convexas Diferenciables
 Función Estrictamente Convexa:
Convexa Una función f en E1
diferenciable sobre un conjunto convexo S ⊆ En es
estrictamente convexa si para dos puntos cualquiera
x1, x2∈S se satisface:

f(x2) > f(x1) + (x2 – x1)T∇f(x1)

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 83


Funciones Convexas Diferenciables
Ejemplo 5.5: Demostrar que la siguiente función
diferenciable es convexa:
f(x) = x2 – 1

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 84


Funciones Convexas Diferenciables
Ejemplo 5.5: Demostrar que la siguiente función
diferenciable es convexa:
f(x) = x2 – 1

Sean dos puntos x1, x2∈R:


x1 = x1, x2 = x2

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 85


Funciones Convexas Diferenciables
Ejemplo 5.5: Demostrar que la siguiente función
diferenciable es convexa:
f(x) = x2 – 1

Sean dos puntos x1, x2∈R:


x1 = x1, x2 = x2
Si f(x) es convexa entonces:
f(x2) ≥ f(x1) + (x2 – x1)T∇f(x1)

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 86


Funciones Convexas Diferenciables
f(x) = x2 – 1, ∇f(x) = 2x
x22 – 1 ≥ x12 – 1 + (x2 – x1)T 2x1
x22 ≥ x12 + (x2 – x1) 2x1
x22 ≥ x12 + 2x1x2 – 2x12
x22 ≥ 2x1x2 – x12
x22 – 2x1x2 + x12 ≥ 0
(x2 – x1)2 ≥ 0

f(x) = x2 – 1 es convexa
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 87
Funciones Convexas Diferenciables
 Función Concava:
Concava Una función f en E1 diferenciable
sobre un conjunto convexo S ⊆ En es concava si para
dos puntos cualquiera x1, x2∈S se satisface:

f(x2) ≤ f(x1) + (x2 – x1)T∇f(x1)

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 88


Funciones Convexas Diferenciables
 Función Estrictamente Concava:
Concava Una función f en E1
diferenciable sobre un conjunto convexo S ⊆ En es
estrictamente concava si para dos puntos cualquiera
x1, x2∈S se satisface:

f(x2) < f(x1) + (x2 – x1)T∇f(x1)

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 89


Funciones Convexas Diferenciables
 Función Convexa:
Convexa Una función f en E1 diferenciable
sobre un conjunto convexo S ⊆ En es convexa sobre
éste si para dos puntos cualquiera x1, x2∈S se satisface:

(x2 – x1)T [∇f(x2) – ∇f(x1)] ≥ 0

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 90


Funciones Convexas Diferenciables
 Función Estrictamente Convexa:
Convexa Una función f en E1
diferenciable sobre un conjunto convexo S en En es
estrictamente convexa sobre éste si para dos puntos
cualquiera x1, x2∈S se satisface:

(x2 – x1)T [∇f(x2) – ∇f(x1)] > 0

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 91


Funciones Convexas Diferenciables
Ejemplo 5.6: Demostrar que la siguiente función
diferenciable es convexa:
f(x) = x2 – 1

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 92


Funciones Convexas Diferenciables
Ejemplo 5.6: Demostrar que la siguiente función
diferenciable es convexa:
f(x) = x2 – 1

Sean dos puntos x1, x2∈R:


x1 = x1, x2 = x2

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 93


Funciones Convexas Diferenciables
Ejemplo 5.6: Demostrar que la siguiente función
diferenciable es convexa:
f(x) = x2 – 1

Sean dos puntos x1, x2∈R:


x1 = x1, x2 = x2
Si f(x) es convexa entonces:
(x1 – x2)T [∇f(x1) – ∇f(x2)] ≥ 0

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 94


Funciones Convexas Diferenciables
f(x) = x2 – 1, ∇f(x) = 2x
(x1 – x2)T [2x1 – 2x2] ≥ 0
(x1 – x2) [2x1 – 2x2] ≥ 0
2(x1 – x2)(x1 – x2) ≥ 0
2(x1 – x2)2 ≥ 0

f(x) = x2 – 1 es convexa

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 95


Funciones Convexas Diferenciables
 Función Convexa:
Convexa Una función f en E1 diferenciable
sobre un conjunto convexo S ⊆ En es convexa sobre
éste si para dos puntos cualquiera x1, x2∈S se satisface:

(x2 – x1)T [∇f(x2) – ∇f(x1)] ≥ 0

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 96


Funciones Convexas Diferenciables
 Función Estrictamente Convexa:
Convexa Una función f en E1
diferenciable sobre un conjunto convexo S en En es
estrictamente convexa sobre éste si para dos puntos
cualquiera x1, x2∈S se satisface:

(x2 – x1)T [∇f(x2) – ∇f(x1)] > 0

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 97


Funciones Convexas Diferenciables
 Función Convexa:
Convexa Una función f en E1 doblemente
diferenciable sobre un conjunto convexo abierto S ⊂
En es convexa sobre éste si su hessiano es semi-
definido positivo:

z T· ∇2f(x)· z ≥ 0
∀ z ∈ En
∀x∈S

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 98


Funciones Convexas Diferenciables
 Función Cóncava:
Cóncava Una función f en E1 doblemente
diferenciable sobre un conjunto convexo abierto S ⊂
En es cóncava sobre éste si su hessiano es semi-
definido negativo:
z T· ∇2f(x)· z ≤ 0
∀ z ∈ En
∀x∈S
Las condiciones de 2º Orden no
son aplicables a las estrictamente

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 99


Funciones Convexas Diferenciables
Ejemplo 5.7: Demostrar que la siguiente función
diferenciable es convexa:
f(x) = x2 – 1

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 100


Funciones Convexas Diferenciables
Ejemplo 5.7: Demostrar que la siguiente función
diferenciable es convexa:
f(x) = x2 – 1
Dado z = z:
Si f(x) es convexa entonces:
z T· ∇2f(x)· z ≥ 0

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 101


Funciones Convexas Diferenciables
Ejemplo 5.7: Demostrar que la siguiente función
diferenciable es convexa:
f(x) = x2 – 1
Dado z = z:
Si f(x) es convexa entonces:
z T· ∇2f(x)· z ≥ 0
∇f(x) = 2x, ∇2f(x) = 2
z · 2· z ≥ 0
z2 · 2 ≥ 0 → f(x) es convexa
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 102
Optimización de Funciones Convexas D.
 Minimizando una función diferenciable convexa
(Condición Necesaria y Suficiente)
Sea el siguiente problema de O(f, S) de una función f
diferenciable convexa sobre un conjunto convexo S:
 Si x* es una solución óptima.
Entonces ∇f(x*)T(x – x*) ≥ 0 para todos los x∈S
 Si S es un conjunto abierto.

Entonces ∇f(x*) = 0
No es necesario verificar
condiciones de 2º Orden
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 103
Convexidad Generalizada
 Función Cuasiconvexa:
Cuasiconvexa Una función f en E1 es
cuasiconvexa sobre un conjunto convexo S en En si
para dos puntos cualquiera x1, x2 ∈ S:

f(αx1 + [1 – α]x2) ≤ max{f(x1),f(x2)}


α ∈[0, 1]

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 104


Convexidad Generalizada
 Función Cuasiconvexa:
Cuasiconvexa Una función f en E1 es
cuasiconvexa sobre un conjunto convexo S en En si
para dos puntos cualquiera x1, x2 ∈ S:

f(αx1 + [1 – α]x2) ≤ max{f(x1),f(x2)}


α ∈[0, 1]

si f(x1) ≥ f(x2) entonces f(αx1 + [1 – α]x2) ≤ f(x1) para
todo x1, x2 ∈ S.

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 105


Convexidad Generalizada
f(αx1 + [1 – α]x2) ≤ max{f(x1),f(x2)}

max{f(x1),f(x2)}
f(x2)
f(x1)

f(λx1+ [1 – λ]x2)

x1 x2

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 106


Convexidad Generalizada
 Propiedades de una función Cuasiconvexa:
Cuasiconvexa
 No todo mínimo local es un mínimo global.

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 107


Convexidad Generalizada
 Propiedades de una función Cuasiconvexa:
Cuasiconvexa
 No todo mínimo local es un mínimo global.
 Un mínimo local no global no puede ser estricto.
 Si x ∈ S es un mínimo estricto de f, entonces es
también un mínimo global de f sobre S.

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 108


Convexidad Generalizada
 Propiedades de una función Cuasiconvexa:
Cuasiconvexa
 No todo mínimo local es un mínimo global.
 Un mínimo local no global no puede ser estricto.
 Si x ∈ S es un mínimo estricto de f, entonces es
también un mínimo global de f sobre S.
 Puede contener discontinuidades.

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 109


Convexidad Generalizada
 Función Fuertemente Cuasiconvexa:
Cuasiconvexa Una función f en
E1 es fuertemente cuasiconvexa sobre un conjunto
convexo S en En si para dos puntos cualquiera x1,
x2∈S, tales que x1 ≠ x2:

f(αx1 + [1 – α]x2) < max{f(x1),f(x2)}


∀α ∈ (0, 1)

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 110


Convexidad Generalizada
f(αx1 + [1 – α]x2) < max{f(x1),f(x2)}

max{f(x1),f(x2)}
f(x2)
f(x1)

f(λx1+ [1 – λ]x2)

x1 x2
Una función fuertemente cuasiconvexa
no admite segmentos horizontales
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 111
Convexidad Generalizada
 Propiedades de una función Fuertemente
Cuasiconvexa:
Cuasiconvexa
 Un mínimo local es el único mínimo y por ende el
único mínimo global.

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 112


Convexidad Generalizada
 Propiedades de una función Fuertemente
Cuasiconvexa:
Cuasiconvexa
 Un mínimo local es el único mínimo y por ende el
único mínimo global.
 Toda función Estrictamente Convexa también es
Fuertemente Cuasiconvexa.
 Toda función Fuertemente Cuasiconvexa es
Cuasiconvexa.

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 113


Convexidad Generalizada
 Función Estrictamente Cuasiconvexa:
Cuasiconvexa Una función f
en E1 es estrictamente cuasiconvexa sobre un
conjunto convexo S en En si para dos cualquiera x1, x2
∈ S, tales que f(x1) ≠ f(x2):

f(αx1 + [1 – α]x2) < max{f(x1),f(x2)}


∀α ∈ (0, 1)

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 114


Convexidad Generalizada
f(αx1 + [1 – α]x2) < max{f(x1),f(x2)}

max{f(x1),f(x2)}
f(x1)=f(x2)

f(αx1+ [1 – α]x2)

x1 x2

puntos no válidos: f(x1)=f(x2)


Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 115
Convexidad Generalizada
f(αx1 + [1 – α]x2) < max{f(x1),f(x2)}

max{f(x1),f(x2)}
f(x2)
f(x1)
f(αx1+ [1 – α]x2)
No se satisface:
f(αx1 + [1 – α]x2) < max{f(x1),f(x2)}

x1 x2

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 116


Convexidad Generalizada
f(αx1 + [1 – α]x2) < max{f(x1),f(x2)}

max{f(x1),f(x2)}
f(x2)
f(x1)
f(αx1+ [1 – α]x2)

f(x1*) =f(x2*)
x1 x2
Una función estrictamente cuasiconvexa solo
admite un segmento horizontal en el mínimo
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 117
Convexidad Generalizada
 Propiedades de una función Estrictamente
Cuasiconvexa:
Cuasiconvexa
 Todo mínimo local es un mínimo global.

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 118


Convexidad Generalizada
 Propiedades de una función Estrictamente
Cuasiconvexa:
Cuasiconvexa
 Todo mínimo local es un mínimo global.
 Toda función Convexa también es Estrictamente
Cuasiconvexa.

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 119


Convexidad Generalizada
 Propiedades de una función Estrictamente
Cuasiconvexa:
Cuasiconvexa
 Todo mínimo local es un mínimo global.
 Toda función Convexa también es Estrictamente
Cuasiconvexa.
 Toda función Fuertemente Cuasiconvexa también
es Estrictamente Cuasiconvexa.

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 120


Convexidad Generalizada
 Propiedades de una función Estrictamente
Cuasiconvexa:
Cuasiconvexa
 Todo mínimo local es un mínimo global.
 Toda función Convexa también es Estrictamente
Cuasiconvexa.
 Toda función Fuertemente Cuasiconvexa también
es Estrictamente Cuasiconvexa.
 No toda función Estrictamente Cuasiconvexa es
Cuasiconvexa.

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 121


Convexidad Generalizada
Ejemplo 5.8: La siguiente función diferenciable es
estrictamente cuasiconvexa pero no cuasiconvexa:
1 x=0
f(x) = (Karamardian 1967)
0 x≠0

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 122


Convexidad Generalizada
Ejemplo 5.8: La siguiente función diferenciable es
estrictamente cuasiconvexa pero no cuasiconvexa:
1 x=0
f(x) = (Karamardian 1967)
0 x≠0
1. Solo es posible evaluar si es estrictamente
cuasiconvexa para x1 = 0 y x1 ≠ 0 o viceversa de lo
contrario f(x1) = f(x2). f(αx1 + [1 – α]x2) < 1

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 123


Convexidad Generalizada
Ejemplo 5.8: La siguiente función diferenciable es
estrictamente cuasiconvexa pero no cuasiconvexa:
1 x=0
f(x) = (Karamardian 1967)
0 x≠0
1. Solo es posible evaluar si es estrictamente
cuasiconvexa para x1 = 0 y x1 ≠ 0 o viceversa de lo
contrario f(x1) = f(x2). f(αx1 + [1 – α]x2) < 1
2. Si x1 > 0, x2 <0 para algun α f(αx1 + [1 – α]x2) = 1
1 > max{f(x1),f(x2)} → f(x) no es cuasiconvexa
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 124
Convexidad Generalizada
 Función Cuasicóncava:
Cuasicóncava Una función f en E1 es
cuasicóncava sobre un conjunto convexo S en En si
para dos puntos cualquiera x1, x2∈S:

f(αx1 + [1 – α]x2) ≥ min{f(x1),f(x2)}


α ∈(0, 1)

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 125


Convexidad Generalizada
 Función Cuasicóncava:
Cuasicóncava Una función f en E1 es
cuasicóncava sobre un conjunto convexo S en En si
para dos puntos cualquiera x1, x2∈S:

f(αx1 + [1 – α]x2) ≥ min{f(x1),f(x2)}


α ∈(0, 1)

si f(x1) ≥ f(x2) entonces f(αx1 + [1 – α]x2) ≥ f(x2) para
todo x1, x2 ∈ S.

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 126


Convexidad Generalizada
f(αx1 + [1 – α]x2) ≥ min{f(x1),f(x2)}

f(λx1+ [1 – λ]x2)

f(x1)
f(x2)

min{f(x1),f(x2)}

x1 x2

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 127


Convexidad Generalizada Diferenciable
 Función Cuasiconvexa:
Cuasiconvexa Una función f en E1
diferenciable sobre un conjunto convexo S ⊂ En es
cuasiconvexa sobre éste si y sólo si para dos puntos
cualquiera x1, x2∈S tales que f(x1) ≤ f(x2) se satisface:

(x1 – x2)T ∇f(x2) ≤ 0

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 128


Convexidad Generalizada Diferenciable
 Función Cuasiconcava:
Cuasiconcava Una función f en E1
diferenciable sobre un conjunto convexo S ⊂ En es
cuasiconcava sobre éste si y sólo si para dos puntos
cualquiera x1, x2∈S tales que f(x1) ≥ f(x2) se satisface:

(x1 – x2)T ∇f(x2) ≥ 0

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 129


Convexidad Generalizada Diferenciable
Ejemplo 5.9: Demostrar que la siguiente función
diferenciable es cuasiconvexa:
f(x) = x2 – 1

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 130


Convexidad Generalizada Diferenciable
Ejemplo 5.9: Demostrar que la siguiente función
diferenciable es cuasiconvexa:
f(x) = x2 – 1

Sean dos puntos x1, x2∈R:


x1 = x1, x2 = x2, x2 ≥ x1 → f(x2) ≥ f(x1)

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 131


Convexidad Generalizada Diferenciable
Ejemplo 5.9: Demostrar que la siguiente función
diferenciable es cuasiconvexa:
f(x) = x2 – 1

Sean dos puntos x1, x2∈R:


x1 = x1, x2 = x2, x2 ≥ x1 → f(x2) ≥ f(x1)
Si f(x) es convexa entonces:
(x1 – x2)T ∇f(x2) ≤ 0

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 132


Convexidad Generalizada Diferenciable
∇f(x) = 2x
(x1 – x2) 2x2 ≤ 0
2x1x2 – 2x22 ≤ 0
2x1x2 ≤ 2x22
x1 ≤ x2

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 133


Convexidad Generalizada Diferenciable
∇f(x) = 2x
(x1 – x2) 2x2 ≤ 0
2x1x2 – 2x22 ≤ 0
2x1x2 ≤ 2x22
x1 ≤ x2

f(x) = x2 – 1 es cuasiconvexa

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 134


Conceptos fundamentales
 Hessiano Bordeado ∇2f(x): Matriz hessiana bordeada
de una función f doblemente diferenciable en x es:

 ∂f(x) ∂f(x) 
 0 . . . 
 ∂x 1 ∂x k 
 ∂f(x) ∂ 2f(x) ∂ 2f(x) 
 ∂x ∂x 1∂x 1 ∂x 1∂x k 
 1 
∇ 2f(x) =  . . . 
 . . . 
 
 . . . 
 ∂f(x) ∂ 2f(x) ∂ 2f(x) 
 . . . 
 ∂x k ∂x k ∂x1 ∂x k ∂x k 
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 135
Convexidad Generalizada Diferenciable
 Función Cuasiconvexa (Condición Necesaria):
Si una función real f doblemente diferenciable sobre
un conjunto convexo abierto S ⊂ Rn es cuasiconvexa,
entonces:

|∇2f(x)k| ≤ 0 k= 2,…, n

∀x∈S

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 136


Convexidad Generalizada Diferenciable
 Función Estrictamente Cuasiconvexa (Condición
Necesaria y Suficiente):
Si una función real f doblemente diferenciable sobre
un conjunto convexo abierto S ⊂ Rn es estrictamente
cuasiconvexa, entonces:

|∇2f(x)k| < 0 k= 1,…, n

∀x∈S

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 137


Convexidad Generalizada Diferenciable
 Función Cuasiconcava (Condición Necesaria):
Si una función real f doblemente diferenciable sobre
un conjunto convexo abierto S ⊂ Rn es cuasiconcava,
entonces:

(– 1)k|∇2f(x)k| ≤ 0 k= 2,…, n

∀x∈S

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 138


Convexidad Generalizada Diferenciable
 Función Estrictamente Cuasiconcava (Condición
Necesaria y Suficiente):
Si una función real f doblemente diferenciable sobre
un conjunto convexo abierto S ⊂ Rn es estrictamente
cuasiconcava, entonces:

(– 1)k|∇2f(x)k| < 0 k= 1,…, n

∀x∈S

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 139


Optimización de Funciones Convexas D.
 Teorema de Kuhn-Tucker
(Condición Necesaria y Suficiente)
Dado un problema OC(f, S) fuertemente consistente y
f, gk y hj funciones diferenciables continuas convexa,
cuasicóncavas y lineales en S, respectivamente, y hj
linealmente independientes y ∇gk(x*) ≠ 0 ∀gk(x*) = 0
Si x* es el óptimo de OC(f, S). Entonces, existen
vectores λ* y µ* tales que:
∇xL (x*, λ*, µ*) = 0 µ*g(x*) = 0 µ* ≥ 0

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 140


Convexidad Generalizada Diferenciable
 Función Pseudoconvexa:
Pseudoconvexa Una función real f
diferenciable sobre un conjunto convexo abierto S ⊂
Rn es pseudoconvexa sobre éste si para dos puntos
cualquiera x1, x2 ∈ S tales que f(x2) ≥ f(x1) se satisface:
[x2 – x1]T ∇f(x1) ≥ 0

Una función pseudoconvexa es una función estrictamente


cuasiconvexa que no admite puntos de inflexión

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 141


Convexidad Generalizada Diferenciable
 Propiedades de una función Pseudoconvexa:
Pseudoconvexa
 Toda función Convexa Diferenciable también es
Pseudoconvexa.

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 142


Convexidad Generalizada Diferenciable
 Propiedades de una función Pseudoconvexa:
Pseudoconvexa
 Toda función Convexa Diferenciable también es
Pseudoconvexa.
 Toda función Pseudoconvexa también es
Estrictamente Cuasiconvexa.

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 143


Convexidad Generalizada Diferenciable
 Propiedades de una función Pseudoconvexa:
Pseudoconvexa
 Toda función Convexa Diferenciable también es
Pseudoconvexa.
 Toda función Pseudoconvexa también es
Estrictamente Cuasiconvexa.
 Todo mínimo local es un mínimo global.
 Si x* es el mínimo entonces ∇f(x*) = 0.

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 144


Convexidad Generalizada Diferenciable
 Función Estrictamente Pseudoconvexa:
Pseudoconvexa Una función
real f diferenciable sobre un conjunto convexo S ⊂ Rn
es estrictamente pseudoconvexa sobre éste si para dos
puntos cualquiera x1, x2 ∈ S, x1 ≠ x2, tales que f(x2) >
f(x1) se satisface:

[x2 – x1]T ∇f(x1) ≥ 0

Una función estrictamente pseudoconvexa es una función


fuertemente cuasiconvexa que no admite puntos de inflexión

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 145


Convexidad Generalizada Diferenciable
 Propiedades de una función Estrictamente
Pseudoconvexa:
Pseudoconvexa
 Toda función Pseudoconvexa también es
Fuertemente Cuasiconvexa.

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 146


Convexidad Generalizada Diferenciable
 Propiedades de una función Estrictamente
Pseudoconvexa:
Pseudoconvexa
 Toda función Pseudoconvexa también es
Fuertemente Cuasiconvexa.
 El único mínimo local es el único mínimo global.
 Si x* es el mínimo entonces ∇f(x*) = 0.

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 147


Convexidad Generalizada Diferenciable
Ejemplo 5.10: Demostrar que la siguiente función
diferenciable es pseudoconvexa:
f(x) = x2 – 1

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 148


Convexidad Generalizada Diferenciable
Ejemplo 5.10: Demostrar que la siguiente función
diferenciable es pseudoconvexa:
f(x) = x2 – 1

Sean dos puntos x1, x2∈R:


x1 = x1, x2 = x2, x2 ≥ x1 → f(x2) ≥ f(x1)

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 149


Convexidad Generalizada Diferenciable
Ejemplo 5.10: Demostrar que la siguiente función
diferenciable es pseudoconvexa:
f(x) = x2 – 1

Sean dos puntos x1, x2∈R:


x1 = x1, x2 = x2, x2 ≥ x1 → f(x2) ≥ f(x1)
Si f(x) es convexa entonces:
[x2 – x1]T ∇f(x1) ≥ 0

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 150


Convexidad Generalizada Diferenciable
∇f(x) = 2x
[x2 – x1] T 2x1 ≥ 0
(x2 – x1) 2x1 ≥ 0
2x1x2 – 2x12 ≥ 0
2x1x2 ≥ 2x12
x2 ≥ x1

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 151


Convexidad Generalizada Diferenciable
∇f(x) = 2x
[x2 – x1] T 2x1 ≥ 0
(x2 – x1) 2x1 ≥ 0
2x1x2 – 2x12 ≥ 0
2x1x2 ≥ 2x12
x2 ≥ x1

f(x) = x2 – 1 es pseudoconvexa

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 152


Optimización de Funciones Convexas D.
 Teorema de Kuhn-Tucker
(Condición Necesaria y Suficiente)
Dado un problema OC(f, S) fuertemente consistente y
f, gk y hj funciones diferenciables sobre un conjunto
convexo abierto S ⊂ Rn.
Si f es pseudoconvexa y todas las gk(x*) = 0 son
cuasiconcavas y las hj son cuasiconvexas y
cuasiconcavas (es decir, están acotadas).

Si x* es el óptimo global de OC(f, S)


Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 153
Optimización de Funciones Convexas D.
Entonces, existen vectores λ* y µ* tales que:

∇xL (x*, λ*, µ*) = 0


µk* gk(x*) = 0 k=1,…,m
gk(x*) ≥ 0 k=1,…,m
hj(x*) = 0 j=1,…,p
µ* ≥ 0

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 154


Optimización de Funciones Convexas D.
ó

∇x,λL (x*, λ*, µ*) = 0


µk* gk(x*) = 0 k=1,…,m
gk(x*) ≥ 0 k=1,…,m
µ* ≥ 0

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 155


Convexidad Generalizada Diferenciable
 Función Pseudocóncava:
Pseudocóncava Una función f en E1
diferenciable sobre un conjunto convexo S en En es
pseudocóncava sobre éste si para dos puntos
cualquiera x1, x2 ∈ S tales que f(x2) ≤ f(x1) se satisface:
[x2 – x1]T ∇f(x1) ≤ 0

Si una función es pseudoconvexa y


pseudoconcava es llamada pseudolineal
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 156
Optimización de Funciones Convexas D.
Ejemplo 5.11:
min 6(x1– 10)2 + 4(x2– 25)2
s. a:
x12 + (x2– 5)2 ≤ 50
x12 + 3x22 ≤ 200
(x1– 6)2 + x22 ≤ 37

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 157


Optimización de Funciones Convexas D.
Ejemplo 5.12:
min 6(x1– 10)2 + 4(x2– 25)2
s. a:
x12 + (x2– 5)2 ≤ 50
x12 + 3x22 ≤ 200
x1 – 6sen2(x2) = 1

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 158


Resumen
 Mínimo de una función f: x*∈S y inf(f(x))=f(x*).
 Teorema de Weierstrass (Condición de suficiencia
para la existencia de un mínimo): S es compacto y f
función continua.
 Función Convexa.
 Función Estrictamente Convexa: no admite
segmentos rectos.
 Función Cóncava.
 Si f(x) es convexa entonces –f(x) es cóncava, y
viceversa.
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 159
Resumen
 Propiedades de un función convexa:
 Si una función f es convexa y k ≥ 0 entonces kf es
convexa.
 La suma de dos funciones convexas es una función
convexa.
 Composición de funciones convexas.
 Todo mínimo local de una función convexa f es un
mínimo global de f.
 Todo mínimo local de una función estrictamente es
el único mínimo global sobre todo S.
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 160
Resumen
 Problema de optimización convexa: OC(f, S).
 Teorema de Kuhn-Tucker.
 Condición de Slater.
 Función Convexa Diferenciable.
 Función Estrictamente Convexa Diferenciable.
 Si x* es una solución óptima.
Entonces ∇f(x*)T(x–x*) ≥ 0 para todos los x∈S
Si S es un conjunto abierto:
Entonces ∇f(x*) = 0
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 161
Resumen
 Función Cuasiconvexa.
 Función Fuertemente Cuasiconvexa: no admite
segmentos horizontales
 Un mínimo local es el único mínimo y por ende el
único mínimo global.
 Función Estrictamente Cuasiconvexa: solo admite un
segmento horizontal en el mínimo.
 Todo mínimo local es un mínimo global.
 Función Cuasiconvexa Diferenciable.
 Función Cuasicóncava Diferenciable,
 Hessiano Bordeado ∇2f(x).
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 162
Resumen
 Teorema de Kuhn-Tucker: gk cuasicóncavas .
 Función Pseudoconvexa: similar a una estrictamente
cuasiconvexa.
 Todo mínimo local es un mínimo global.
 Si x* es el mínimo entonces ∇f(x*) = 0.
 Teorema de Kuhn-Tucker: f es pseudoconvexa, hj son
cuasiconvexas y cuasiconcavas.

Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 163