Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Minimizar Funciones
Cuasi-Convexas Utilizando el
subdiferencial Clarke
Miguel Angel Cano Lengua
miguelcano-19@hotmail.com
Problemas de Optimizaci
on
ur-logo
Problemas de Optimizaci
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
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
Problemas de Optimizaci
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.
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
Subdiferencial de Dikin
Subdiferencial de Rockafellar
Subdiferencial de Clarke.
ur-logo
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
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:
ur-logo
Observacion
ur-logo
Definicion
Lipschitziana
Funcion
ur-logo
Definicion
ur-logo
Definicion
ur-logo
Definicion
f : Rn R es positivamente homogenea
Sea la funcion si:
ur-logo
Teorema
hf (x), x yi 0.
ur-logo
Proposicion
f (x ) = {f (x )}
ur-logo
Definicion
f (y + tv ) f (y)
f 0 (x, v ) = lim sup
y x t
t0
ur-logo
Teorema
|f 0 (x, v )| k ||v ||
de Subdiferencial de Clarke
Definicon
ur-logo
Ejemplo (1):
Verificar el subdiferencial de la funcion
f (x) = x 2 sen( x1 )
(0) = [1, 1]
f
ur-logo
Consideremos el problema:
min f (x)
(Opt) s.a :
x Rn
Metodo
de Punto Proximal para Minimizacion
Irrestricta
ur-logo
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
Ejemplo
minimizar:
f (x) = |x|
s.a. x R
1; x > 0
F f (x) = 1; x < 0
[1; 1] ; x = 0
ur-logo
ur-logo
Ejemplo
minimizar:
1 x; x < 1
f(x)=
x 2 1; x 1
ur-logo
epsilon = 0.001;
Miguel Angel Cano Lengua miguelcano-19@hotmail.com
Metodo del Punto
Motivacion
Subdiferencial de Clarke
Metodo de Punto Proximal
Implementaciones y Aplicaciones
Referencias
del algoritmo
continuacion
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
Miguel Angel Cano Lengua miguelcano-19@hotmail.com
Metodo del Punto
Motivacion
Subdiferencial de Clarke
Metodo de Punto Proximal
Implementaciones y Aplicaciones
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
Miguel Angel Cano Lengua miguelcano-19@hotmail.com
Metodo del Punto
Motivacion
Subdiferencial de Clarke
Metodo de Punto Proximal
Implementaciones y Aplicaciones
Referencias
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
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
Referencias
ur-logo