Metodo Del Punto Proximal para Minimizar Funciones

Metodo del Punto Proximal para
Minimizar Funciones
Cuasi-Convexas Utilizando el
subdiferencial Clarke
Miguel Angel Cano Lengua
miguelcano-19@hotmail.com
Universidad Nacional del Calllao ur-logo

V Congreso Internacional de Matematica Aplicada y
Computacional
Miguel Angel Cano Lengua miguelcano-19@hotmail.com
Metodo del Punto
Contenido
1
Motivacion

Problemas de Optimizaci
on

Aspectos Teoricos
2 Subdiferencial de Clarke
de la Derivada
Generalizacion

Propiedades Basicas
3
Metodo de Punto Proximal

Metodo Irrestricta
de Punto Proximal para Minimizacion
Algoritmo
4 Implementaciones y Aplicaciones
ur-logo
5 Referencias

Metodo del Punto
Contenido
1
Motivacion

on

Aspectos Teoricos
de la Derivada
Generalizacion

Propiedades Basicas
3

Metodo Irrestricta
Algoritmo
ur-logo
5 Referencias

Metodo del Punto
Contenido
1
Motivacion

on

Aspectos Teoricos
de la Derivada
Generalizacion

Propiedades Basicas
3

Metodo Irrestricta
Algoritmo
ur-logo
5 Referencias

Metodo del Punto
Contenido
1
Motivacion

on

Aspectos Teoricos
de la Derivada
Generalizacion

Propiedades Basicas
3

Metodo Irrestricta
Algoritmo
ur-logo
5 Referencias

Metodo del Punto
Contenido
1
Motivacion

on

Aspectos Teoricos
de la Derivada
Generalizacion

Propiedades Basicas
3

Metodo Irrestricta
Algoritmo
ur-logo
5 Referencias

Metodo del Punto

Motivacion
Subdiferencial de Clarke
on


Aspectos Teoricos
Implementaciones y Aplicaciones
Referencias

on
como por ejemplo:

Existe diversos problemas de Optimizacion

Optimizaci Lineal
on
minimizar c t .x
s.a.:
Ax = b
ur-logo

Metodo del Punto

Motivacion
on


Aspectos Teoricos
Referencias

on

Optimizaci Cuadratica
on
1 t
minimizar x Ax d t x + C
2
s.a.:
x Rn
x t Ax > 0; x Rn
ur-logo

Metodo del Punto

Motivacion
on


Aspectos Teoricos
Referencias

Problemas Optimizaci
on

Optimizaci Convexa
on

min f (x)
(P) s.a :
x X

donde:
f : x R es una funcion
convexa y X es un conjunto convexo.
ur-logo

Metodo del Punto

Motivacion
on


Aspectos Teoricos
Referencias

on
objetivo no es
Existen problemas donde la funcion
necesariamente convexa
Ejemplo:
V (p) maxM(x) s.a
hp; xi I
donde:
M : Rn R
x Rn ; I > 0
p = (p1 , p2 , ..., pn ) > 0 es un vector de precios
ur-logo
V (p): funcion de utilidad indirecta.

Metodo del Punto

Motivacion
on


Aspectos Teoricos
Referencias

Si f es diferenciable se puede trabajar con metodos que usen

el gradiente (Of (x)) como el metodo de Newton, Gradiente
conjugado,etc.

si f es convexa se usan metodos
clasicos como:

Metodo de Subgradiente.

Metodo de Corte

Metodo del Punto Proximal.
ur-logo

Metodo del Punto

Motivacion
on


Aspectos Teoricos
Referencias
Pero si f no es convexa ni diferenciable se busca un

Subdiferencial apropiado.
Existen varios Sudiferenciales propuestos para funciones no
convexas como:
Subdiferencial de hadamard.
Subdiferencial de Dikin
Subdiferencial de Rockafellar
Subdiferencial de Clarke.
ur-logo

Metodo del Punto

Motivacion
on


Aspectos Teoricos
Referencias

Definicion
Convexa
Funcion
f : Rn R {} es llamada convexa en Rn si
Una funcion
para todo x, y Rn y para todo [0, 1] se cumple que:
f (x + (1 )y ) f (x) + (1 )f (y ).
ur-logo

Metodo del Punto

Motivacion
on


Aspectos Teoricos
Referencias

Definicion
Cuasi-Convexa
Funcion
f : Rn R {} es llamada cuasi-convexa en Rn
Una funcion
si para todo x, y Rn y para todo [0, 1] se cumple que:
f (x + (1 )y ) max{f (x), f (y)}.
ur-logo

Metodo del Punto

Motivacion
on


Aspectos Teoricos
Referencias

Observacion
convexa es Cuasi-Convexa, pero el reccproco no

Toda funcion
siempre se cumple.
Ejemplo:
2 y 2
f (x, y ) = ex
ur-logo

Metodo del Punto

Motivacion
on


Aspectos Teoricos
Referencias

Definicion
Lipschitziana
Funcion
es localmente Lipschitziana con constante K en

Una funcion
x Rn si existe algun
0 tal que
|f (y) f (z)| K ky zk para todoz, y B(x, ).
ur-logo

Metodo del Punto

Motivacion
on


Aspectos Teoricos
Referencias

Definicion
f : Rn R es llamada subaditiva si:

Sea la funcion
f (x + y) f (x) + f (y ), para todo; x, y Rn .
ur-logo

Metodo del Punto

Motivacion
on


Aspectos Teoricos
Referencias

Definicion
Una f : Rn R es llamada semicontinua superior en x si para

cada sucesion (x n ) converge a x, tenemos:
lim supi f (xi ) f (x), y semicontinua inferior si
f (x) lim infi f (xi ).
ur-logo

Metodo del Punto

Motivacion
on


Aspectos Teoricos
Referencias

Definicion
f : Rn R es positivamente homogenea
Sea la funcion si:
f (.x) = .f (x); para todo 0.
ur-logo

Metodo del Punto

Motivacion
on


Aspectos Teoricos
Referencias
Teorema
Sea f : Rn R {} una funcion diferenciable . entonces, f

es cuasi-convexa si y solo si x, y Rn tal que f (x) f (y), se
tiene que
hf (x), x yi 0.
ur-logo

Metodo del Punto

Motivacion
on


Aspectos Teoricos
Referencias

Proposicion
Sea f : Rn R {} una funcion convexa y x int(domf ). si

f es diferenciable en x , entonces:
f (x ) = {f (x )}
ur-logo

Metodo del Punto

Motivacion
de la Derivada
Generalizacion


Propiedades Basicas
Referencias

Definicion
Dado f : Rn R localmente lipschitziana en el punto x Rn .

La derivada direccional generalizada de f en x en la direccion
n
de v R es definida por
f (y + tv ) f (y)
f 0 (x, v ) = lim sup
y x t
t0
ur-logo

Metodo del Punto

Motivacion
de la Derivada
Generalizacion


Propiedades Basicas
Referencias
Teorema
Sea f localmente lipschitziana en x con constante K entonces:

v 7 f 0 (x, v ) es positivamente homogenea
(i) La funcion y
n
subaditiva en R con
|f 0 (x, v )| k ||v ||
(ii) f 0 (x, .) es una funcion

semicontinua superior y
lipschitziana con constante K sobre Rn .
(iii) f 0 (x, v ) = (f )0 (x; v )
ur-logo

Metodo del Punto

Motivacion
de la Derivada
Generalizacion


Propiedades Basicas
Referencias
de Subdiferencial de Clarke
Definicon
Sea f : Rn R una funcion localmente lipschitz en x Rn

entonces el sub-diferencial de f en x es el conjunto
(x) = { Rn /f 0 (x, v ) h, v i , v Rn } Cada elemento
f
(x) es llamado subgradiente en el sentido de Clarke de f
f
en x.
ur-logo

Metodo del Punto

Motivacion
de la Derivada
Generalizacion


Propiedades Basicas
Referencias
Ejemplo (1):

Verificar el subdiferencial de la funcion
f (x) = x 2 sen( x1 )
se obtiene el siguiente resultado
(0) = [1, 1]
f
ur-logo

Metodo del Punto

Motivacion

Metodo Irrestricta

Algoritmo
Referencias
Consideremos el problema:

min f (x)
(Opt) s.a :
x Rn

donde f : Rn R {+} es una funcion propia, semicontinua

n
inferior y R es el espacio euclidiano con norma || ||.El Metodo

de Punto Proximal genera una sucesion {x k } dado por x 0 Rn
y

x k arg min{f (x) + k ||x x k 1 ||2 : x Rn },
2

donde k es un parametro positivo y ademas satisface
+ ur-logo
X 1
= +.
k
k =1
Metodo del Punto

Motivacion

Metodo Irrestricta

Algoritmo
Referencias

Metodo
Irrestricta
Se resolvera problemas de optimizacion

irrestricta:

min f (x)
(p) s.a :
x Rn

n
donde f : R R {+} es una funcion propia.
de (p) nos introduce al metodo
La solucion siguiente:
ur-logo

Metodo del Punto

Motivacion

Metodo Irrestricta

Algoritmo
Referencias
Algoritmo
Sea x 0 Rn .
(x k 1 ), entonces para; de otro
Para cada k = 1, 2, . . .. Si 0 f
k n
modo buscamos un x R tal que

0 f () + 2k || x k 1 ||2 (x k )
ur-logo

Metodo del Punto

Motivacion

Metodo Irrestricta

Algoritmo
Referencias
Ejemplo
minimizar:
f (x) = |x|
s.a. x R
Hallando su subdiferencial, obtenemos:

1; x > 0
F f (x) = 1; x < 0
[1; 1] ; x = 0

ur-logo

Metodo del Punto

Motivacion

Metodo Irrestricta

Algoritmo
Referencias
Utilizando el algoritmo tenemos:

1 Paso 1: x 0 = 1; k = 1
2 Paso 2: como 0 (x 0 ), buscamos un x 1
/ f
3 Paso 3: Obtenemos x 1 = 0
4 (x 1 ) = [1; 1] , para.
Paso 4: como 0 f
ur-logo

Metodo del Punto

Motivacion

Referencias
Ejemplo
minimizar:

1 x; x < 1
f(x)=
x 2 1; x 1
ur-logo

Metodo del Punto

Motivacion

Referencias
Algoritmo del problema
METODO DEL PUNTO PROXIMAL PARA MINIMIZAR LA

FUNCION
Min f (x)
s.a:
x R
donde f (x) = 1 x si x < 1; y f (x) = x 2 1, si x 1
Punto inicial x = 1
x = 10;
Nmax = 10;
k = 1;
fprintf(Punto Inicial:
lambda = 1; ur-logo
epsilon = 0.001;
Metodo del Punto

Motivacion

Referencias
del algoritmo
continuacion
while k <= Nmax,

N:
fprintf(Iteracion
if x < 1
df = 1;
else
if x > 1
df = 2 x;
else
df = 0;
end
end
Normadf = sqrt(df 2 ) ur-logo
if Normadf >= epsilon
Metodo del Punto

Motivacion

Referencias
del algoritmo
continuacion
s = x + (1/lambda)
w = (lambda/(2 + lambda)) x
if s < 1
x =s
fprintf(el costo es=:
else
if w > 1
x =w
fprintf(el costo es =:
else
x =1
fprintf(el costo es =: ur-logo

end
end
Metodo del Punto

Motivacion

Referencias
del algoritmo
continuacion
lambda = 1/k
k = k + 1;
else
fprintf(criterio de error satisfecho Normagradiente=: fprintf(el
punto x aproximado es: fprintf(numero de iteraciones es:
k = 1000000;
end
end
if k > 999999
fprintf(resolvimos el problema:
else
fprintf(: numero de iteraciones excedido a ur-logo
end
Metodo del Punto

Motivacion

Referencias
Resultados del algoritmo
N: 1 Normadf =20
Punto Inicial: 10.000000 Iteracion
s = 11
w = 3.3333
x = 3.3333
el costo es =: 10.111111 lambda = 1
N: 2 Normadf =6.6667
Iteracion
s =4.3333
w =1.1111
x =1.1111
el costo es =: 0.234568 lambda =0.5000
ur-logo

Metodo del Punto

Motivacion

Referencias
Ejemplo
N: 3 Normadf =2.2222
Iteracion
s =3.1111
w =0.2222
x =1
el costo es =: 0.000000 lambda =0.3333
N: 4 Normadf =0
Iteracion
criterio de error satisfecho Normagradiente=: 0.000000 el
punto x aproximado es: 1.000000 numero de iteraciones es: 4
resolvimos el problema:
ur-logo

Metodo del Punto

Motivacion

Referencias
Referencias
1 Clarke, F.H., Optimization and Nonsmooth Analysis, (New

York:Wiley),1990.
2 Clarke, F.H., Generalized Gradients and Application .
Transaction of the American Mathematical Society, V.205,
pp. 247-262, 1975.
3 Arrow, K.J. and Enthoven, A .C., Quasi-concave
Programming Econometria. V. 29, pp. 779-800, 1961.
ur-logo

Metodo del Punto

Metodo Del Punto Proximal para Minimizar Funciones

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Metodo Del Punto Proximal para Minimizar Funciones

Cargado por

Copyright:

Formatos disponibles

Metodo del Punto Proximal para

Universidad Nacional del Calllao ur-logo

Miguel Angel Cano Lengua miguelcano-19@hotmail.com

Miguel Angel Cano Lengua miguelcano-19@hotmail.com

Miguel Angel Cano Lengua miguelcano-19@hotmail.com

Miguel Angel Cano Lengua miguelcano-19@hotmail.com

Miguel Angel Cano Lengua miguelcano-19@hotmail.com

como por ejemplo:

Miguel Angel Cano Lengua miguelcano-19@hotmail.com

Miguel Angel Cano Lengua miguelcano-19@hotmail.com

Miguel Angel Cano Lengua miguelcano-19@hotmail.com

Miguel Angel Cano Lengua miguelcano-19@hotmail.com

Miguel Angel Cano Lengua miguelcano-19@hotmail.com

Pero si f no es convexa ni diferenciable se busca un

Miguel Angel Cano Lengua miguelcano-19@hotmail.com

Miguel Angel Cano Lengua miguelcano-19@hotmail.com

f (x + (1 )y ) max{f (x), f (y)}.

Miguel Angel Cano Lengua miguelcano-19@hotmail.com

convexa es Cuasi-Convexa, pero el reccproco no

Miguel Angel Cano Lengua miguelcano-19@hotmail.com

es localmente Lipschitziana con constante K en

|f (y) f (z)| K ky zk para todoz, y B(x, ).

Miguel Angel Cano Lengua miguelcano-19@hotmail.com

f : Rn R es llamada subaditiva si:

f (x + y) f (x) + f (y ), para todo; x, y Rn .

Miguel Angel Cano Lengua miguelcano-19@hotmail.com

Una f : Rn R es llamada semicontinua superior en x si para

Miguel Angel Cano Lengua miguelcano-19@hotmail.com

f (.x) = .f (x); para todo 0.

Miguel Angel Cano Lengua miguelcano-19@hotmail.com

Sea f : Rn R {} una funcion diferenciable . entonces, f

Miguel Angel Cano Lengua miguelcano-19@hotmail.com

Sea f : Rn R {} una funcion convexa y x int(domf ). si

Miguel Angel Cano Lengua miguelcano-19@hotmail.com

Dado f : Rn R localmente lipschitziana en el punto x Rn .

Miguel Angel Cano Lengua miguelcano-19@hotmail.com

Sea f localmente lipschitziana en x con constante K entonces:

(ii) f 0 (x, .) es una funcion

Miguel Angel Cano Lengua miguelcano-19@hotmail.com

Sea f : Rn R una funcion localmente lipschitz en x Rn

Miguel Angel Cano Lengua miguelcano-19@hotmail.com

se obtiene el siguiente resultado

Miguel Angel Cano Lengua miguelcano-19@hotmail.com

donde f : Rn R {+} es una funcion propia, semicontinua

Se resolvera problemas de optimizacion

Miguel Angel Cano Lengua miguelcano-19@hotmail.com

Miguel Angel Cano Lengua miguelcano-19@hotmail.com

Hallando su subdiferencial, obtenemos:

Miguel Angel Cano Lengua miguelcano-19@hotmail.com

Utilizando el algoritmo tenemos:

Miguel Angel Cano Lengua miguelcano-19@hotmail.com

Miguel Angel Cano Lengua miguelcano-19@hotmail.com

Algoritmo del problema

METODO DEL PUNTO PROXIMAL PARA MINIMIZAR LA

while k <= Nmax,

Resultados del algoritmo

Miguel Angel Cano Lengua miguelcano-19@hotmail.com

Miguel Angel Cano Lengua miguelcano-19@hotmail.com

1 Clarke, F.H., Optimization and Nonsmooth Analysis, (New

Miguel Angel Cano Lengua miguelcano-19@hotmail.com

También podría gustarte

|f (y) f (z)| K ky zk para todoz, y B(x, ).