REPBLICA BOLIVARIANA DE VENEZUELA

MINISTERIO DEL PODER POPULAR PARA LA DEFENSA

UNIVERSIDAD NACIONAL EXPERIMENTAL
DE LA FUERZA ARMADA NACIONAL

U.N.E.F.A.
ZARAZA- NCLEO GUARICO.

TRABAJO DE
OPTIMIZACIN

INTEGRANTES:

PROFESOR:

RODRIGUEZ MOISES
ROJAS ALVARADO JOSE LUIS

JUAN CARLOS SARMIENTO

Introduccin:
Algunos de los mtodos numricos de bsqueda de ptimos de una
funcin en varias variables se basan en mtodos de bsqueda de ptimos en
una variable. Por ejemplo, el mtodo de ascenso ms rpido elige un punto
dado y determina la direccin de mximo crecimiento en tal punto.
Esta direccin es la del gradiente de la funcin en dicho punto. As, y
partiendo del punto y siguiendo esta direccin, avanza para localizar el ptimo
en dicha direccin. Imagnese avanzando en lnea recta y tomando en cuenta
slo la evaluacin de la funcin para determinar el punto en la lnea con la
mayor evaluacin. Una vez alcanzado este punto, se determina la direccin de
mximo crecimiento en tal punto y se repite el proceso de bsqueda.
Por su valor prctico, los mtodos de bsqueda e n una dimensin son
dignos de revisar.

Previo a revisar los mtodos, es importante saber si el ptimo que buscamos

existe y que no habr ms de uno. Una funcin que efectivamente tiene un slo
ptimo recibe un nombre especial:
Definicin: Una funcin es unimodal si slo tiene un ptimo (relativo o
absoluto). En caso que tenga varios ptimos se dice multimodal.

Mtodo de la Seccin Dorada

La bsqueda (o mtodo) de la seccin dorada es una tcnica para hallar
el extremo (mnimo o mximo) de una funcin unimodal, mediante reducciones
sucesivas del rango de valores en el cual se conoce que se encuentra el
extremo. La tcnica debe su nombre al hecho de que el algoritmo mantiene los
valores de la funcin en tros de puntos cuyas distancias forman una proporcin
dorada. El algoritmo es el lmite de la bsqueda de Fibonacci (tambin descrita
debajo) para un largo nmero de evaluaciones de la funcin. La bsqueda de
Fibonacci y la bsqueda de la seccin dorada fueron descubiertas
por Kiefer (1953).

La estrategia de este mtodo se basa en tres puntos iniciales: dos

considerados los extremos de un intervalo ( x 1 y x 2) y el tercero ( x 3) entre
los dos primeros de tal suerte que relacin entre la distancia de este punto
interno al extremo x 2 (x 2 x 3) y la distancia entre los extremos ( x 2 x 1) es
siempre una constante:

Note que el punto x 3 divide al segmento [x 1 : x 2] en dos partes: la parte [x 1 :

x 3] es ms pequea que la parte [x 3 : x 2]: el segmento [x 3 : x 2] es el 61.80
% de [x 1 : x 2], mientras que [x 1 : x 3] tiene una longitud que es el 38.19 %.

El mtodo itera generando un siguiente punto x 4 en [x 3 : x 2] (la parte ms

amplia) de manera que se cumple:

Note que las frmulas convenientes para el clculo de x 3 y x 4 son:

Y la razn es porque en estas frmulas no se requiere que x 1 < x 2.

Observemos las siguientes razones:

Dependiendo de la funcin a maximizar, el algoritmo escoge tres puntos de los

cuatro disponibles de manera que la situacin s e repite en las proporciones de
los intervalos. En general, si Ii es la longitud del intervalo en la iteracin i se
cumple que:

Por tanto, conociendo el intervalo inicial ( I 1) y sabiendo a qu precisin se

desea estimar el punto ( I n), es fcil estimar el total de iteraciones requeridas
para que este mtodo se aproxime al valor requerido:

Algoritmo Basado en la Seccin Dorada

Conjuntos convexos
LA TEORA DE FUNCIONES y conjuntos convexos incorpora elementos
del anlisis, la geometra, el lgebra, etc., y tiene numerosas aplicaciones en
programacin lineal, problemas clsicos de extremos, teora de juegos... por lo
que es de inters especialmente en matemtica aplicada. Una de las ideas
fundamentales de esta teora es la conexin natural que existe entre la nocin
de funcin convexa (que en el Bachillerato se estudia generalmente como una
nocin puramente analtica1 , y bajo el requisito ms o menos explcito de
derivabilidad) y la de conjunto convexo (que suele aparecer asociada a la de
polgono en el estudio de la geometra plana que se hace en la ESO).
Utilizando esta conexin, es posible como se muestra en este artculo
introducir la convexidad de funciones de una forma distinta, complementaria a
la habitual, que permite resaltar el carcter geomtrico de la convexidad.
En segundo lugar, veremos cmo las desigualdades clsicas tan tiles
en la resolucin de problemas, especialmente en los de Olimpiadas
Matemticas pueden obtenerse de forma muy sencilla a partir de la

convexidad de funciones, entendida del modo al que aqu nos referimos. Es

ms, algunas de esas desigualdades (por ejemplo, la que relaciona la media
aritmtica con la media cuadrtica de una coleccin finita de nmeros positivos)
no son ms que una traduccin del hecho de ser convexa una determinada
funcin elemental (en el ejemplo citado, la funcin x2 , en R+)
Slo se pretende con este artculo mostrar algunas ideas que, tratadas
adecuadamente, son susceptibles de ser empleadas en el aula en la etapa de
Bachillerato tambin en niveles superiores; por ello la exposicin se limita al
mbito natural de trabajo en la Enseanza Secundaria (geometra plana,
funciones reales de variable real), renunciando a todo tipo de generalizaciones
posibles.
Intuitivamente, un conjunto C convexo es aqul que contiene el
segmento que une dos puntos cualesquiera de C. Una definicin formal, bien
conocida, es: Un subconjunto C de R2 decimos que es convexo si para
cualesquiera x, y C, y para todo nmero real l con 0 < l < 1 se tiene:

Hagamos algunas observaciones sobre esta definicin: Nada cambia si

a l exigimos 0 l 1. La definicin puede reescribirse as: C es convexo si ax
+ by C para cualesquiera x, y C, y para todo a 0, b 0, con a + b = 1. El
empleo de herramientas informticas puede ser muy til para hacer ver a los
alumnos cmo esta definicin responde a la nocin intuitiva. Los alumnos no
tendrn problema en reconocer que rectas, segmentos, polgonos regulares o
crculos son conjuntos convexos del plano. No obstante, es fcil probar que la
interseccin de una coleccin arbitraria de conjuntos convexos es un conjunto
convexo. Dos consecuencias destacables de este resultado son: a) El conjunto
de las soluciones de cualquier sistema de ecuaciones e inecuaciones lineales
con dos (n) incgnitas es un convexo de R2 (Rn). b) Tiene sentido definir la
envoltura convexa de un subconjunto cualquiera M de R2 como la interseccin
de todas las partes convexas de R2 que contienen a M. Es, obviamente, el
conjunto convexo ms pequeo que contiene a M. De a) se deduce que
semiplanos, rectas, segmentos, tringulos, polgonos regulares, son conjuntos
convexos del plano. De b) se tiene, por ejemplo, que todo crculo es tambin
convexo por ser envoltura convexa de la correspondiente circunferencia.
Funciones convecas Podemos ya presentar la convexidad de una
funcin. Diremos que una funcin es convexa cuando la regin de los puntos
del plano que se encuentran en la grfica de la funcin o por encima de ella es
un conjunto convexo. O, con un mayor grado de formalismo: Sea I un intervalo.
Sea f: I R. Llamamos epgrafo de f, y lo denotamos epi(f), al subconjunto de
R2 : epi(f) = {(x, z): x I, f(x) z} De una funcin f: I R. decimos que es

convexa si epi(f) es un conjunto convexo de R2 . Y decimos que es cncava si

f es convexa. Por tanto, de ciertas funciones sencillas, cuyas grficas son bien
conocidas (si disponemos de calculadoras grficas, esto sirve para todas),
podemos decir inmediatamente si son convexas o no. Por ejemplo, f(x) = ax + b
es convexa y cncava. Puede probarse como ejercicio que toda funcin
convexa y cncava es afn. Las siguientes funciones son convexas (y no
cncavas): f(x) = x. f(x) = xn , con n par. f(x) = ax, con 0 < a < 1 o a > 1.
f(x) = loga (x), con a > 1. Las siguientes funciones no son convexas en su
dominio (R), pero s lo son en los intervalos que se citan: f(x) = sen(x), en I =
[(2k 1)p, 2kp], con k entero. f(x) = xn (n impar), en I = [0,+). El dominio de la
funcin f(x) = 1/x no es un intervalo, pero la restriccin de esta funcin a R+ es
convexa.
Como se observa, la definicin de funcin convexa que hemos utilizado
es de naturaleza geomtrica y no recurre al concepto de derivada. De hecho,
una funcin puede ser convexa y no ser derivable en algn punto del intervalo
de definicin I, como le ocurre a la funcin valor absoluto en x = 0. Incluso, una
funcin convexa puede no ser continua en los extremos de I. Es el caso de:

Teorema 1

Convexidad y desigualdades clsicas

Un aspecto muy interesante de la introduccin a la convexidad que aqu
se ha propuesto es que permite mostrar de un modo muy sencillo la ntima
relacin que existe entre las desigualdades numricas clsicas y la convexidad
de ciertas funciones elementales, relacin que suele pasar desapercibida. La
pieza clave es el teorema 1, del que se pueden deducir de forma sencilla y
unificada algunas de las desigualdades clsicas; por ejemplo, las que
relacionan las distintas medias que obtendremos aqu, y otras como la
desigualdad de Minkowski, la de Hlder, etc. El esquema que seguiremos para
obtener desigualdades es muy simple: habiendo comprobado que una
determinada funcin es convexa, aplicaremos el teorema 1 y obtendremos la
desigualdad correspondiente. Para saber si una funcin es convexa podemos
recurrir, si no conocemos su gr- fica, al criterio usual que caracteriza a las
funciones convexas dos veces derivables. Vamos a obtener ya las
desigualdades anunciadas:

Las funciones cncavas y convexas representan un papel fundamental

en la Teora de la Optimizacin ya que pueden garantizarnos la GLOBALIDAD
de los ptimos locales. Por ello vamos a iniciar este apartado introduciendo el
concepto de funcin cncava y convexa para luego ms tarde introducir
condiciones que nos permitan reconocer si una funcin es cncava o convexa
dependiendo de sus propiedades de diferenciabilidad.

Funcin unimodal, bimodal, multimodal

En estadstica una moda (no confundir ni con la media ni con la
mediana) es el valor comparativamente alto repetido ms frecuentemente en
una lista. Tiene que ver con el cuarto, sexto, octavo,... momento de una
distribucin. Unimodal ser la distribucin en que esto aparece una sola vez,
bimodal si aparece dos veces en zonas distintas, multimodal si aparece varias
veces. Esta explicacin se ha hecho para listas en una nica dimensin, pero
se puede extender a reas con dos dimensiones, volmenes con tres, etc.
Son conjuntos convexos aquellos que tienen la propiedad de que al unir con
un segmento dos puntos cualesquiera del conjunto, el segmento queda

completamente contenido en el propio conjunto. La interseccin de un nmero

finito de conjuntos convexos sigue siendo un conjunto convexo.

Mtodo de bsqueda de Fibonacci

El mtodo de bsqueda de Fibonacci es utilizado para obtener un punto
ptimo en funciones no diferenciables en un intervalo [A, B]. Este mtodo es
muy eficiente para aproximar, bajo cierto margen de error, un punto mximo o
mnimo en funciones Unimodales de una sola variable. Para aplicar este
mtodo debe establecerse el rango inicial de bsqueda y en cada evaluacin el
mtodo tiende a acorralar el punto ptimo.
Se trata pues, de determinar el mnimo (mximo) de una Funcin univariante y
unimodal, denida en un intervalo cerrado [A, B] tambin denominado intervalo
de incertidumbre inicial.
La relacin recursiva que define la serie de Fibonacci es la siguiente:
Funcin de Fibonacci
La secuencia de nmeros de Fibonacci es por lo tanto:
A partir de esta relacin se estructura el mtodo de bsqueda de Fibonacci que
ser explicado a continuacin.
Sean:
L0 = b-a longitud del intervalo de incertidumbre inicial
Ln = Longitud del intervalo de incertidumbre despus de n evaluaciones
Xn = Valor de la variable x despus de n evaluaciones
Fn = Valor de la F .O. en x.
A valor de resolucin (mnima distancia entre xn y xn-1)
N = n de evaluaciones a realizar de f.
El mtodo se fundamenta en la eliminacin de regiones en las que no
pueda encontrarse el ptimo, tomando de la manera ms conveniente una
sucesin de puntos en los que se evala f hasta alcanzar N evaluaciones
previamente establecidas. Se trata de minimizar Ln.
Bsqueda del mximo de F entre a y b
El mtodo de Fibonacci adolece de dos graves defectos: nicamente
sirve para para funciones Unimodales y nicamente sirve para para funciones
de una sola variable Si la funcin de una sola variable es bimodal (que la
funcin tiene dos ptimos locales o relativos) o multimodal (quiere decir que la
funcin tiene varios ptimos locales o relativos), este mtodo slo localizar un
ptimo local o relativo. Su gran ventaja es que se le utiliza como una subrutina
de bsqueda en los mtodos de optimizacin de problemas no restringidos en
funciones de varias variables.

Algoritmo de bsqueda de Fibonacci

LA INTERPOLACIN CUADRTICA.
Cuando el polinomio que conviene es de 2 grado la interpolacin recibe
el nombre de cuadrtica. El polinomio interpolador es nico, luego como se
encuentre da igual., sin embargo, a veces los clculos son muy laboriosos y es
preferible utilizar un mtodo que otro. A la vista de los datos se decide.
En el ejemplo 1 se da el mtodo de resolver el sistema para encontrar los
valores que determinan a la funcin cuadrtica (a, b y c)
Tambin podemos utilizar la expresin del polinomio interpolador as:
y= a + b(x-x0) + c(x-x0)(x-x1), con lo que la bsqueda de los coeficientes es
muy sencilla.
Lagrange (1736-1813) dio una manera simplificada de calcular los polinomios
interpoladores de grado n Para el caso de un polinomio de 2 grado que pasa
por los puntos (x0, y0 ), (x1, y1), (x2, y2):

Que es la frmula de Lagrange para n=2.

Con frecuencia se tienen que estimar valores intermedios entre valores
conocidos. El mtodo mas comn empleado para este propsito es
la interpolacin polinomial.
Recuerdese que la frmula general de un polinomio de n-simo orden es:

Para n + 1 puntos, existe uno y slo un polinomio de n-simo orden o menor

que pasa a travs de todos los puntos. Por ejemplo, hay slo una lnea recta
(es decir un polinomio de primer orden) que conecta dos puntos. El polinomio
de interpolacin consiste en determinar el nico polinomio de n-simo orden
que se ajusta a los n + 1puntos dados. Este polinomio proporciona una frmula
para calcular los valores intermedios.
Aunque existe uno y slo un polinomio de n-simo orden que se ajusta a los n
+ 1 puntos, existen una gran variedad de frmulas matemticas mediante las
cuales se puede expresar este polinomio. En esta unidad se estudian dos
tcnicas alternativas que estn bien condicionadas para implementarse en una
computadora. Estos son los polinomios de Newton y de Lagrange.
Mtodo de aproximacin de la funcin. Interpolacin cuadrtica Como hemos visto, los
mtodos de bsqueda consisten en ir reduciendo adecuadamente el intervalo de
incertidumbre en el que se encuentra el ptimo de la funcin. Los mtodos de
aproximacin de la funcin se basan en, a partir de la evaluacin de la funcin en unos
pocos puntos, aproximar esta por un polinomio, y posteriormente aproximar la posicin
del ptimo de la funcin por la del optimo del polinomio, ms sencillo de obtener.
Evaluamos la funcin f en tres puntos x1, x2, x3 y aproximamos f(x) por la funcin
cuadrtica g(x) = Ax2 + Bx + C, donde A,B y C se determinan por las ecuaciones:

Algoritmo de interpolacin cuadrtica

Conclusin:
El problema de estabilidad de compuertas es muy til para el anlisis de
la complejidad de los mtodos de optimizacin evaluados, por cuanto se tiene
un valor de referencia analtico que permite obtener porcentajes de error sobre
la solucin obtenida con los diferentes mtodos; adems el problema de
compuertas tiene una connotacin muy prctica en la contencin de fluidos y
estructuras hidrulicas.
Por otra parte, las dos filosofas de mtodos discutidas: los algoritmos de
bsqueda y los de aproximacin y sus hbridos, muestran ventajas y
desventajas (discutidas en los resultados). Finalmente, la leccin que nos deja
este anlisis, es que ningn mtodo es totalmente superior a otro y debe
reconocerse los mbitos de uso de cada uno de ellos para contar con una
batera de herramientas disponibles para la solucin de un rango importante de
aplicaciones en ciencias e ingeniera.
Es importante destacar el impacto de los resultados obtenidos por
medio de desarrollos propios implementados con Software Libre poco
explorados en nuestro medio, pero de un poder de clculo interesante para las
restricciones econmicas propias de la regin. A partir de los desarrollos
realizados en esta investigacin se abre una ventana de posibilidades para
futuras trabajos en la misma lnea donde se exploren las alternativas de uso de
CAS libre en modelos de optimizacin aplicados en Ciencias e Ingeniera