Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Análisis Convexo y Dualidad PDF
Análisis Convexo y Dualidad PDF
Felipe lvarez
con la colaboracin de Juan Escobar y Juan Peypouquet
Marzo 2005
2
Se concede permiso para imprimir o almacenar una nica copia de este documento. Salvo por las excep-
ciones ms abajo sealadas, este permiso no autoriza fotocopiar o reproducir copias para otro uso que no
sea el personal, o distribuir o dar acceso a versiones electrnicas de este documento sin permiso previo por
escrito del Director del Departamento de Ingeniera Matemtica (DIM) de la Facultad de Ciencias Fsicas y
Matemticas (FCFM) de la Universidad de Chile.
Las excepciones al permiso por escrito del prrafo anterior son: (1) Las copias electrnicas disponibles
bajo el dominio uchile.cl, (2) Las copias distribuidas por el cuerpo docente de la FCFM en el ejercicio de las
funciones que le son propias.
Cualquier reproduccin parcial de este documento debe hacer referencia a su fuente de origen.
Este documento fue nanciado a travs de los recursos asignados por el DIM para la realizacin de
actividades docentes que le son propias.
Prefacio
El objetivo de estos apuntes es proporcionar los fundamentos del Anlisis Convexo y de la Teora
de la Dualidad en espacios de dimensin nita e innita, junto con abordar algunas aplicaciones en
Optimizacin y Clculo de Variaciones.
Estos apuntes se basan esencialmente en las notas escritas para el curso .Anlisis Convexo y
Dualidad"(MA674) del programa de Doctorado en Ciencias de la Ingeniera, mencin Modelacin
Matemtica, de la Universidad de Chile.
Mis agradecimientos a Juan Escobar y Juan Peypouquet, quienes participaron activamente en
la confeccin de este apunte y sin cuya valiosa colaboracin estas notas no tendran su forma
actual. Juan Escobar transcribi en LaTeX la primera versin del manuscrito, sugiriendo varias
ideas y contribuyendo con material adicional, particularmente en la seccin que se reere al principio
variacional de Ekeland y al captulo sobre el esquema primal/dual de penalizacin en programacin
convexa. Posteriormente, Juan Peypouquet realiz una revisin muy profunda y exhaustiva del
apunte, corrigi errores, mejor sustancialmente la presentacin e incorpor material referente al
anlisis de recesin. Vaya nuevamente mi reconocimiento al excelente trabajo de ambos.
Todo posible error que el lector pueda encontrar en este apunte es de mi exclusiva respons-
abilidad. Los comentarios y observaciones son bienvenidos en la siguiente direccin de email: fal-
varez@dim.uchile.cl Finalmente, quisiera agradecer el nanciamiento proporcionado por el Depar-
tamento de Ingeniera Matemtica de la Universidad de Chile.
Felipe lvarez
Santiago, 7 de septiembre de 2005
3
4
ndice general
5
6 NDICE GENERAL
Para un conjunto A ms general, si inf A A escribimos min A en lugar de inf A para enfatizar que
el nmo se alcanza en el conjunto.
En este contexto resulta muy til introducir la funcin indicatriz del conjunto C , C : X R,
denida por (
0 x C,
C (x) =
+ x / C.
Con la convencin
+ (+) = (+) + = +, R,
es posible denir la funcin f0 + C mediante (f0 + C )(x) := f0 (x) + C (x), y es directo vericar
que
inf f0 = inf (f0 + C )
C X
y ms aun, si C 6= entonces
7
8 CAPTULO 1. INTRODUCCIN AL ANLISIS VARIACIONAL
De esta forma, el problema de minimizacin (1.1) puede formularse de manera equivalente como
donde f : X R {+} est denida por f = f0 + C . Esto permite considerar las restricciones de
manera implcita en la denicin de f y dar as un tratamiento unicado a este tipo de problemas.
Similarmente, la consideracin de problemas de maximizacin con restricciones conduce de man-
era natural a funciones a valores en R {}; los problemas de tipo minimax, a funciones a valores
en R.
Dados un escalar R y dos funciones f, g : X R, queremos dar un sentido a la expresin
f + g , para lo cual necesitamos una aritmtica en R que extienda la usual de R. Consideraremos
las siguientes convenciones:
1. (+) + = + (+) = +, R {+}.
2. () + = + () = , R {}.
para todo R y f, g : X R.
Por otra parte, dado que la minimizacin es una operacin unilateral, es natural que se requieran
conceptos unilaterales para su anlisis:
Denicin 1.1.1. Dada f : X R, su epigrafo es el subconjunto de X R dado por
epi f := {(x, ) X R | f (x) },
Adems, denimos
(
{x X | f (x) = inf X f } si inf X f < +,
arg min f :=
si inf X f = +.
Notemos que
inf f = inf f,
X dom f
con la convencin
inf f = inf = +.
Finalmente, otra ventaja de considerar funciones a valores en R es que es una clase estable
bajo operaciones del tipo supremo e nmo sobre familias arbitrarias; ms precisamente, tenemos
la siguiente:
Proposicin 1.1.1. Sea (fi )iI una familia arbitraria no vaca (I 6= ) de funciones fi : X R.
Entonces las funciones supiI fi e inf iI fi denidas respectivamente por
e
(inf fi )(x) := inf{fi (x) | i I}
iI
y
[
epi(inf fi ) epi fi ,
iI
iI
Demostracin:
y se tiene que la inclusin es en realidad una igualdad si |I| < +, pues en este caso el nmo
siempre se alcanza para algn i I .
Nos interesaremos en una subclase de funciones para las cuales el problema de minimizacin
asociado es no trivial, de acuerdo a la siguiente denicin.
Observacin 1.1.2. Notemos que para una funcin propia eventualmente su nmo es . Si f
tiene nmo mayor estricto que , es decir inf X f > , diremos que f est acotada inferior-
mente.
Demostracin: (i) (ii) Tomemos (x, ) / epi(f ), lo que equivale a < f (x). Sea R
tal que < < f (x). De (i), existe N Nx ( ) tal que y N , f (y) > , de modo que
/ epi(f ). Se sigue que (N ] , [) epi(f ) = . Como N ] , [ N(x,) ( R ),
(y, )
concluimos que epi(f )C es abierto.
(iv) (v) Sea x X . Dado < f (x) tenemos que N = {y X | f (y) > } Nx ( ) por ser
un abierto que contiene a x. De este modo inf f (y), y en particular sup inf f (y).
yN N Nx ( ) yN
Como lo anterior es vlido para todo < f (x), se sigue (v).
(v) (i) Sea < f (x). Por (v), < sup inf f (y) y en consecuencia , existe N Nx ( ) :
N NX ( ) yN
< inf f (y).
yN
Demostracin: Propuesto.
Denicin 1.2.3. Sea (V, kk) un espacio vectorial normado. Una funcin f : V R {+} se
dice coerciva si lim f (x) = +.
kxk
Observacin 1.2.2. Sea (V, kk) un espacio vectorial normado y f : V R {+} una funcin.
Entonces son equivalentes (i) f es coerciva y (ii) R, (f ) es acotada. En particular, si
dim V < + entonces f es inf-compacta ssi f es coerciva. Recordemos el Teorema de Riesz:
todo subconjunto acotado en un espacio vectorial normado (V, kk) es relativamente compacto ssi
dim V < +. En el caso de la dimensin innita, las topologas que estn asociadas a la coercividad
son las dbiles. Esto lo discutiremos ms adelante.
Teorema 1.2.1 (Weierstrass-Hilbert-Tonelli). Sea f : X R {+} una funcin -s.c.i. y -
inf-compacta. Entonces, inf X f > y existe un punto x X que minimiza f sobre X , i.e.,
f (x ) = min f (x).
xX
para cualquier 0 R tal que 0 > inf X f (notemos que sin prdida de generalidad suponemos
inf X f < +), esto ltimo pues (f ) (f ), si . Como f es -s.c.i., (f ) es cerrado
y adems es compacto por la inf-compacidad de f . En particular, { (f )}inf X f <<0 es una
familia de subconjuntos cerrados y no vac os (por qu?) del compacto 0 (f ). Ms aun,
esta familia satisface la propieded de intersecciones nitas. En efecto, dados 1 , ..., n , con
= min{1 , ..., n } > inf X f se tiene que
n
\
i (f ) = (f ) 6= .
i=1
Por compacidad, \
(f ) 6= ,
inf X f <<0
lo que concluye la demostracin.
1.2. SEMICONTINUIDAD INFERIOR Y MINIMIZACIN 13
1. C es un cono cerrado.
2. C = C .
C = {d X | d + C C}
= {d X | x + td C para todo t > 0}
Denicin 1.2.5. Sea f : X R {+} una funcin propia. La funcin de recesin, denotada
por f , se dene por
f (tk dk )
f (d) = inf lim inf tk +, dk d
k tk
Ejercicio 1.2.5. Sea (fi )iI una coleccin de funciones propias de X en R {+}. Pruebe que
sup fi sup {(fi ) } y inf fi inf {(fi ) } .
iI iI iI iI
Teorema 1.2.2. Supongamos que f : Rn R {+} es s.c.i. y propia. Si f (d) > 0 para todo
d 6= 0, entonces f es inf-compacta.
Demostracin: Supongamos que f (d) > 0 para todo d 6= 0. Del Lema 1.2.1 tenemos que para cada
> inf f ,
0 [ (f ) ] { d Rn | f (d) 0 } = {0}.
Como el cono de recesin se reduce al {0}, concluimos que (f ) es acotado.
Suponga que (f0 ) (d) > para todo d 6= 0. Si las funciones fi , i 1 no tienen ninguna direccin
de recesin comn; es decir, si
(fi ) (d) 0 i d = 0,
entonces el conjunto de soluciones de (P) es no-vaco y compacto.
Demostracin: De acuerdo con el Ejercicio 1.2.4 y el Ejemplo 1.2.2, f (d) (f0 ) (d) + C (d),
lo que implica que f (d) (f0 ) (d) para todo d C . Aplicando el Ejercicio 1.2.1 y usando
la hiptesis sobre las direcciones de recesin concluimos que f (d) > 0 para todo d 6= 0. Del
teorema anterior deducimos inmediatamente que la funcin objetivo f es inf-compacta. El resultado
se obtiene entonces al aplicar el Teorema 1.2.1 de Weierstrass-Hilbert-Tonelli.
En el Problema 6 del prximo captulo presentaremos otros resultados aplicados al caso convexo.
En [AuT03] se puede encontrar una exposicin ms completa y detallada sobre conos y funciones
de recesin.
16 CAPTULO 1. INTRODUCCIN AL ANLISIS VARIACIONAL
Dado y F (x), se tiene que d(x, y) f (x) v(x), lo cual implica que
diam(F (x)) 2(f (x) v(x)).
Denamos la sucesin (xn )nN recursivamente a partir de x0 por
xn+1 F (xn ), f (xn+1 ) v(xn ) + 2n .
Luego, de la monotona de F , v(xn ) v(xn+1 ). Por otro lado, como v(y) f (y), se tiene que
v(xn+1 ) f (xn+1 ) v(xn ) + 2n v(xn+1 ) + 2n
y por lo tanto
0 f (xn+1 ) v(xn+1 ) 2n .
En consecuencia, diam(F (xn )) 0 y como F (xn ) es una sucesin decreciente de cerrados en un
espacio completo, se sigue que existe x E tal que
\
F (xn ) = {x}.
nN
Como x F (x0 ), se tiene (i). Ms aun, x F (xn ) n de donde se sigue que F (x) F (xn ) y en
consecuencia
F (x) = {x}.
Dado x 6= x, se tiene que x
/ F (x) de donde concluimos (ii)
1.3. ESPACIOS VECTORIALES TOPOLGICOS 17
Denicin 1.2.6. Dada una funcin propia f : X R y > 0, denimos el conjunto de sus
-mnimos por
(
{x X | f (x) inf f + } si inf f > ,
arg min f =
{x X | f (x) 1 } si no.
Proposicin 1.2.4 (Principio variacional de Ekeland). Bajo las hiptesis del Teorema 1.2.3, con-
sideremos , > 0 y sea x0 arg min f . Entonces existe x E tal que
(ii) d(x0 , x) ,
V V V
(v, w) 7 v + w
Observacin 1.3.1. Es posible probar que [` = ] es -cerrado si, y slo si, ` (V, ) , en cuyo
caso los semiespacios [` ] y [` ] (respectivamente [` < ] y [` > ]) sern cerrados (resp.
abiertos) en (V, ).
Denicin 1.3.2. Un conjunto C V se dice convexo si para todos x, y C y para todo [0, 1]
se tiene que
x + (1 )y C.
Una funcin f : V R {+} se dice convexa si para todos x, y V y para todo [0, 1],
(i) Si A es abierto entonces existe un hiperplano cerrado que separa A y B , esto es, existen
` (V, ) y R tales que A [` ] y B [` ].
(ii) Si (V, ) es un e.v.t localmente convexo (lo que abreviaremos por e.v.t.l.c.) tendremos lo sigu-
iente: Si A es cerrado y B es compacto, entonces existe un hiperplano cerrado que separa
estrictamente A y B , esto es, existen ` (V, ) , R y > 0 tales que A [`
] y B [` + ].
En particular, * +
n
X n
X
v V , `(v ) = i hvi , v i = i vi , v ,
i=1 i=1
Pn
de modo tal que basta tomar v = i=1 i vi para concluir.
Demostracin: (i) Como (V, V ) la suciencia es inmediata. Para la necesidad basta ob-
servar que todo semiespacio -cerrado es (V, V )-cerrado y aplicar el corolario 1.3.1 para
concluir que C es (V, V )-cerrado.
(ii) Basta observar que f es convexa si, y slo si, epi(f ) es convexo en V R, y que f es -s.c.i
si, y slo si, epi(f ) es cerrado para R en V R.
Teorema 1.4.1. Supongamos que (V, kk) es un espacio de Banach reexivo. Entonces los sub-
conjuntos acotados son relativamente compactos para la topologa dbil (V, V ). As, de cualquier
sucesin acotada es posible extraer una subsucesin dbilmente convergente.
Demostracin: [Bre83].
Corolario 1.4.1. Sean (V, kk) un espacio de Banach reexivo y f : V R {+} una funcin
coerciva y (V, V )-s.c.i. Entonces existe u V tal que v V, f (u) f (v).
Teorema 1.4.2. Sea (V, kk) un espacio de Banach reexivo y f : X R {+} una funcin
convexa, s.c.i. y coerciva. Entonces existe u V tal que v V, f (u) f (v).
Demostracin: Como f es coerciva, sus conjuntos de nivel inferior son acotados en V y en conse-
cuencia relativamente compactos para la topoliga dbil. Luego f es (V, V )-inf-compacta y como
adems es s.c.i. para la topologa fuerte, lo es para (V, V ) en virtud del corolario 1.3.2. El resultado
se obtiene al aplicar el Teorema de Weierstrass.
Ejercicio 1.4.1. Pruebe el teorema anterior sin usar el Teorema de Weierstrass. Para ello, aplique
el mtodo directo con = (V, V ).
En el siguiente ejemplo veremos que la reexividad es esencial para la validez del teorema
anterior.
1.4. MINIMIZACIN CONVEXA EN ESPACIOS DE BANACH 21
Ejemplo 1.4.1 (Un problema de minimizacin convexa sin solucin ptima). Consideremos (V, kk) =
(C([0, 1]; R), kk ), donde
Es fcil ver que C es no-vaco, cerrado y convexo (ms aun, C es un hiperplano cerrado). Consi-
deremos la funcin indicatriz C . Como
(
<0
(C ) =
C 0
y C es cerrado, entonces C es s.c.i. (con respecto a kk ). Como epi(C ) = C [0, +[, que es
convexo, entonces C es convexa. Consideremos el problema de minimizacin:
Evidentemente, la funcin f (v) = kvk + C (v) es convexa, kk-s.c.i. y coerciva. Observemos que si
v C , entonces
1
Z2 Z1 Z1
1 = v(t)dt v(t)dt |v(t)|dt kvk .
0 1 0
2
As, d(0, C) 1. Por otra parte, dados n 1, n < 12 , n > 1 denimos vn : [0, 1] R por
n
x [0, n ]
n 1 n
vn (x) = n 1 x + 2 1 x ]n , 1 n [
n
2 2
n x [1 n , 1]
y tomando n = 12 n1 , n = 1 + n1 se tiene que vn C y kvn k = n+1
n con lo que concluimos que
d(0, C) = 1. R R
1/2 1
Supongamos que existe u C tal que kuk = 1. Como 0 u(t)dt 2 y 1/2 u(t)dt 12
1
R R R
1/2 1 1/2
, necesariamente 0 u(t)dt = 1/2 u(t)dt = 12 . Pero entonces 0 (1 u(t))dt = 0 y como
1 u(t) 0 deducimos que u 1 sobre 0, 21 . Similarmente, u 1 sobre 21 , 1 lo que contradice
la continuidad de u. Luego, no existe un minimizador para d(0, C). En particular, se deduce que
(C([0, 1]; R), kk ) no es reexivo.
Observacin 1.4.1. Se puede asegurar la unicidad del minimizador en el Teorema 1.4.2 cuando se
tiene que inf V f < + si suponemos adems que f es estrictamente convexa , es decir,
(ii) Como cl (f ) es -s.c.i., cl (f )(x) lim inf cl (f )(y) lim inf f (y). Por otra parte, denamos
yx yx
h(x) := lim inf f (y) = sup inf f (y), que es una minorante de f y es -s.c.i., de modo que
yx V Nx yV
h cl (f ).
(iii) Evidentemente, cl (f ) f y si f es -s.c.i., entonces f (x) lim inf f (y) = cl f (x).
yx
Demostracin: Para simplicar, slo haremos la demostracin en el caso metrizable. Tenemos que
En ambos casos
lim inf f (y) lim inf f (y) lim sup f (xn ) lim inf f (xn )
yx n yB (x, 1 ) n n
n
Teorema 1.5.1. Sean f : X R{+} y (xn )nN una sucesin minimizante para f . Supongamos
que existen x X y una subsucesin (xnk )kN tales que xnk x. Entonces x minimiza cl (f ) en
X.
Denicin 1.5.2. Decimos que el problema min{cl (f )(x) | x X} es el problema relajado del
problema de minimizacin original inf{f (x) | x X}.
Ejercicio 1.5.1. Sea F : (X, ) R {+} y G : (X, ) R una funcin continua. Muestre que
(F + G) = F + G.
Lp
Nos interesa calcular F = F (ms adelante veremos el porqu). Primero observemos que v
dom(F ) si, y slo si, existe vn v en Lp () tal que lim inf F (vn ) < +. Sin prdida de generalidad
n+
podemos suponer que lim F (vn ) existe y es nito, y que supn F (vn ) < +, lo que equivale a
n+
supn kvn kp, < +. Luego supkvn k1,p, < +, donde kvn k1,p, = kvn kp, + kvn kp, . Es decir
(vn )nN Cc1 () est uniformemente acotada en W 1,p (). Como ste es un espacio de Banach
reexivo, deducimos que existe w W 1,p () y una subsucesin (vnk )kN tal que vnk * w dbilmente
en W 1,p (). En particular, vnk * w en Lp () y en consecuencia w = v . As, vnk * v dbilmente
en W 1,p () y (vnk )kN Cc1 () W01,p () y este ltimo es subespacio cerrado de W 1,p (), luego
es dbilmente cerrado. En conclusin v W01,p (). As, dom(F ) W01,p ().
kk1,p
Recprocamente, si v W01,p () = Cc1 () entonces existe una sucesin (vn )nN Cc1 () tal
1,p
que vn v en W0 () y en particular kvkp, = lim kvn kp, . Por lo tanto, dom(F ) = W01,p ()
n
y, ms aun, si v W01,p () entonces F (v) p1 kvkpp . Por otra parte, si v W01,p () y vn v
en Lp () y, razonando sin prdida de generalidad, podemos suponer que vn * v dbilmente en
1.5. RELAJACIN TOPOLGICA 25
Sea (vn )n Lp () una sucesin minimizante para (P), es decir, lim J(vn ) = inf Lp J . Razonando
n
como antes podemos suponer sin prdida de generalidad que supn J(vn ) < + de modo que
(vn )nN Cc1 () W01,p () y supn kvn kp < +. Por la desigualdad de Poincar, deducimos
que (vn )nN est acotada en W01,p () y por el Teorema de la Inyeccin Compacta de Rellich-
Kondrachov, se tiene que existen v W01,p () y (vnk )kN tales que vnk v en Lp (). Aplicando
el Teorema 1.5.1, deducimos que v arg min J , es decir, v es una solucin del problema relajado
(P) inf J(v).
vLp ()
1.5.2. La -convergencia
A continuacin introduciremos la -convergencia o epi-convergencia y mostraremos sus princi-
pales propiedades. Por ejemplo, un resultado de estabilidad para problemas de minimizacin.
Sea (X, d) un espacio mtrico y consideremos una familia {Fn }nN de funciones denidas de X en
R. Para u X , denimos
((d) lim inf Fn )(u) := inf{lim inf Fn (un ) : un u},
n+ n+
y
((d) lim sup Fn )(u) := inf{lim sup Fn (un ) : un u}.
n+ n+
Claramente, se tiene que (d) lim inf Fn (d) lim sup Fn y si coinciden diremos que la sucesin
{Fn }nN es - convergente o epi-convergente a F en u X . En ese caso escribimos F (u) =
((d) limn Fn )(u). Notemos que dado u X , la denicin es equivalente a:
26 CAPTULO 1. INTRODUCCIN AL ANLISIS VARIACIONAL
Ejercicio 1.5.2. Muestre que el -lmite de una sucesin constante es la clausura inferior. Ms
precisamente, (d) lim F = cld (F ).
Ms generalmente, es posible demostrar que si F = (d) lim Fn entonces F es s.c.i. y que bajo
ciertas condiciones sobre d, la -convergencia dene una topologa metrizable sobre el espacio de
las funciones inferiormente semicontinuas. En general, la convergencia no implica ni es implicada
por la convergencia puntual, ms aun, es posible encontrar ejemplos de sucesiones -convergentes
en X cuyo lmite puntual existe en X pero que no coincide con el -lmite.
Ejercicio 1.5.3. Sea Fn una sucesin decreciente de funciones de X en R. Muestre que el -lmite
existe y
(d) lim Fn = cld ( inf {Fn }).
n+ nN
F = lim Fn .
n+
Demostracin: El lector debe vericar que (Fn + G)nN es -convergente a F + G. Luego, basta
considerar el caso G 0. Supongamos que inf F > y para > 0 consideremos u un -mnimo
de F :
F (u ) inf F + .
Tomando un u tal que limn+ Fn (un ) = F (u ), se tiene que
1.6. Problemas
Problema 1. Sea (X, ) un espacio topolgico y dado x X considere la funcin f (x) = sup{g(N ) |
N Nx ( )}, donde g es una funcin a valores en R {+} denida sobre y Nx ( ) denota el
conjunto de -vecindades de x. Muestre que f es s.c.i.
Problema 2. Sean V un espacio de Banach y U : V R una funcin Gteaux-diferenciable.
Diremos que U satisface la condicin (WC) sobre un subespacio V si para cualquier sucesin
(xn )nN con las siguientes propiedades:
(|U (xn )|)nN es acotada,
U 0 (xn ) 6= 0 para todo n, y
U 0 (xn ) 0 en V ,
existe x X tal que U 0 (x) = 0 y
lim inf U (xn ) U (x) lim sup U (xn ).
n+ n+
(a) Suponga que V es reexivo y que U es convexa, s.c.i, y U (x) + cuando kxk +.
Muestre que U satisface la condicin (WC) sobre V .
(b) Suponga ahora que U es s.c.i. y acotada inferiormente. Suponga tambin que la restriccin de
U 0 a rectas es continua y que U satisface la condicin (WC) sobre V . Pruebe que U alcanza
su mnimo sobre V .
Problema 3 (Teorema del Punto Fijo de Caristi). Sea (E, d) un espacio mtrico y G : E 2E .
Diremos que x es un punto jo de G si x G(x).
(a) Supongamos que existe una funcin f : E R {+} propia, acotada inferiormente, y s.c.i.
tal que para cada x E , existe un y G(x) que satisface f (y) + d(y, x) f (x). Muestre que
G posee al menos un punto jo.
(b) Denamos el grafo de G como
Grafo(G) = {(x, y) E E | y G(x)}.
Supongamos que Grafo(G) es cerrado y que existe f : E R+ {+} propia tal que para
cada x E , existe un y G(x) que satisface f (y) + d(y, x) f (x). Muestre que G posee al
menos un punto jo.
28 CAPTULO 1. INTRODUCCIN AL ANLISIS VARIACIONAL
Problema 4 (Convergencia Variacional de Puntos Sillas). Diremos que una sucesin {Fn : Rn
Rm R, n N} hipo/epi-converge a una funcion F : Rn Rm R si para cualquier (x, y)
Rn Rm se satisface
1. Para cualquier xn x existe yn y tal que lim supn+ Fn (xn , yn ) F (x, y),
2. Para cualquier yn y existe xn x tal que lim inf n+ Fn (xn , yn ) F (x, y).
Suponga que (Fn ) hipo/epi-converge a F y que existe una secuencia de puntos (xn , yn ) tales que
para cualquier (x, y) Rn Rm se tiene que
(v) Si (fi )iI es una familia no vaca de funciones convexas de V en R, entonces f = sup fi es
iI
convexa.
Observemos que (i) y (ii) dicen que el conjunto de las funciones convexas en V es un cono convexo
(pero no un espacio vectorial pues la diferencia de dos funciones convexas no es necesariamente
29
30 CAPTULO 2. FUNDAMENTOS DE ANLISIS CONVEXO
Teorema 2.1.1. Sean (V, kk) un e.v.n. y f : V R {+} una funcin convexa. Entonces son
equivalentes:
(vi) int(epi(f )) 6= .
Demostracin: Probaremos que (i) (ii) (iii) (i) y luego que (i) (iv) (v) (vi) (i).
(i) (ii) Sin prdida de generalidad podemos suponer que x0 = 0 (de lo contrario basta
considerar f(x) = f (x + x0 )). Sean > 0 y M R tales que para cada x con kxk se tiene
que f (x) M . Dados x1 , x2 con kxi k 2 i = 1, 2 y x1 6= x2 de modo que := kx1 x2 k > 0,
denimos y = x1 + 2 (x1 x2 ). En consecuencia, ky x1 k = 2 , de donde concluimos que
2
kyk y f (y) M . Adems, x1 = 2+ y + 2+ x2 y de la convexidad de f deducimos
2
f (x1 ) f (y) + f (x2 ).
2 + 2 +
Luego
2 2
f (x1 ) f (x2 ) [f (y) f (x2 )] [M f (x2 )]
2 + 2 +
Pero 0 = 12 x2 + 12 (x2 ) de modo que f (0) 1
2 f (x2 ) + 12 f (x2 ) y se tiene que f (x2 )
f (x2 ) 2f (0) M 2f (0). As,
4 4M
f (x1 ) f (x2 ) [M f (0)] kx1 x2 k,
2 +
1
U := y + U
1+ 1+
que resulta ser una vecindad abierta de x. Luego, si z U se tiene que x U : z =
1
1+ y + 1+ x y por la convexidad de f
1 1
f (z) f (y) + f (x) f (y) + M := M ,
1+ 1+ 1+ 1+
de modo que f est localmente acotada por M en x.
(v) (vi) Sean x int(dom(f )) y > f (x). Veremos que (x, ) int(epi(f )). En efecto, dado
R tal que f (x) < < , existe una vecindad abierta U de x tal que y U, f (y) < .
Luego (x, ) U ], +[ epi(f ).
(vi) (i) Dados U abierto no vaco y a < b tales que U ]a, b[ epi(f ) entonces x
U, (x, a+b a+b
2 ) epi(f ) lo que equivale a decir que x U, f (x) 2 < +.
Este resultado puede adaptarse al caso f : V R pero hay que exigir que f (x0 ) R.
Demostracin: Sea x0 int(dom(f )) de modo que > 0 : B(x0 , ) dom(f ). Sean e1 , ..., en los
vectores de la base cannica de Rn y xi := x0 + ei para i = 1, ..., n. El conjunto
( n )
X Xn
S= i xi i = 1, i > 0, i {0, 1, ..., n}
i=0 i=0
Notemos que la convexidad es esencialmente una propiedad unidimensional pues depende del
comportamiento en un segmento de recta. Por ejemplo, un conjunto es convexo si, y slo si, su
interseccin con cualquier recta lo es. As, muchas de las propiedades de funciones convexas en Rn
pueden obtenerse de un anlisis del caso n = 1.
32 CAPTULO 2. FUNDAMENTOS DE ANLISIS CONVEXO
Lema 2.1.1. Sea I un intevalo. Una funcin f : I R es convexa si, y slo si, para todo
x0 y x1 en I se tiene que
(i) f 0 es no-decreciente en I .
Similarmente, cada una de las siguientes condiciones son necesarias y sucientes para que f sea
estrictamente convexa en I :
(i) (ii) Denamos gx (y) := f (x) f (y) + f 0 (x)(y x). Notemos que gx (x) = 0 y que
gx0 (y) = f 0 (y)+f 0 (x) de modo que gx0 (y) 0 si y I], x] y gx0 (y) = si y I [x, +].
En consecuencia, gx tiene un mximo golbal en y = x y el valor es 0.
(ii) (convexidad) Sea lx (y) = f (x) + f 0 (x)(y x) una funcin lineal afn. Tenemos que
x I, f (y) lx (y) y f (x) = lx (x). As, f (y) = supyI lx (y) y en consecuencia f es convexa.
(ii0 ) (convexidad estricta) Dados x0 < x1 sea x = x0 + (x1 x0 ). Para la funcin afn
l (y) = f (x ) + f (x (y x ) tenemos que f (x0 ) > l (x0 ) y f (x1 ) > l (x1 ) perof (x ) =
l (x = l (x1 ) + (1 )l (x0 ) luego f (x ) < (1 )f (x0 ) + f (x1 ).
Queda como ejercicio estudiar las otras implicancias.
Notemos que f (x) = x4 satisface que f 00 (0) = 0 pero es estrictamente convexa, lo que muestra que
(iii0 ) no es necesario.
Para la convexidad estricta es necesario y suciente tener (i) o (ii) con desigualdad estricta si x 6= y .
Una condicin suciente pero no necesaria es que 2 f (x) sea denida positiva.
Decimos que 1.1 y 1.2 son propiedades que hacen a h, i separar puntos. Las topologas y se
dirn compatibles con la dualidad (X, Y, h, i) y necesariamente son separadas: dados x1 6= x2 en X
se tiene, por 1.1, que existen R y y Y tales que hx1 , yi > > hx2 , yi. En virtud de (2.1), se
tiene que x1 {x | hx, yi > } y x2 {x | hx, yi < } . Anlogamente se prueba que la
topologa es separada.
Ejemplo 2.2.1 (Espacios en Dualidad). Los siguientes son algunos ejemplos de espacios en duali-
dad:
X = Y espacios de Hilbert cuya topologa esta inducida por el producto hilbertiano h, i que
a su vez resulta ser el producto de dualidad.
Este caso no es el nico considerado en este captulo porque deseamos enfatizar que el anlisis
slo depende de las topologas (dbiles) involucradas.
va minorantes lineales anes asociados al gradiente de la funcin. En el caso general, decimos que
dado y Y y R la funcin lineal l (x) = hx, yi es una minorante de f si
x X, hx, yi f (x),
o equivalentemente
sup {hx, yi f (x)}.
xX
incluso si dom(f ) = .
Interpretaciones
Geomtrica. Dado y Y , f (y) es el menor valor que se debe restar a h, yi para que h, yi
sea una minorante lineal afn de f .
Minimizacin. Notemos que f (0) = inf X f y que, ms generalmente, f (y) = inf xX {f (x)
hx, yi} es el valor ptimo de un problema perturbado linealmente por h, yi.
4. Dado R, (f + ) = f .
5. Dado x0 X , si denimos fx0 (x) = f (x x0 ) entonces fx0 (y) = f (y) + hx0 , yi.
36 CAPTULO 2. FUNDAMENTOS DE ANLISIS CONVEXO
Demostracin: Propuesto.
Si y < 0 entonces f (y) se obtiene maximizando una funcin cncava diferenciable. Luego
f (y) = y ln y y .
As, (
y ln y y si y 0,
f (y) =
+ si y < 0.
Ejemplo 2.3.2. Si : R R es una funcin convexa y (V, kk) es una e.v.n. en dualidad con V
entonces la conjugada de f : V R denida por f (v) = (kvk) est dada por
f (v ) = (kv k ).
f (v ) = sup{hv, v i (kvk)}
vV
n v o
= sup sup th , v i (t)
t0 kvk=t t
= sup{tkv k (t)}
t0
= sup{tkv k (t)}
tR
= (kv k )
donde la ltima igualdad se sigue del hecho que es par. Un caso de particular importancia es
cuando consideramos p ]1, +[ y (x) = p1 |x|p . Se tiene que (y) = 1q |y|q con p1 + 1q = 1 por lo que
deducimos que si f (v) = p1 kvkp entonces f (v ) = 1q kv kq . En particular, si (V, kk) = (Lp (), kkp )
entonces (V , kk ) = (Lq (), kkq ). En consecuencia si
1
F (f ) = kf kpp
p
entonces
1
F (g) = kgkqq .
q
2.3. LA CONJUGADA DE FENCHEL 37
Ejercicio 2.3.1. Muestre que si X = Y son espacios de Hilbert y f (x) = 12 kxk2 = hx, xi, entonces
f (y) = f (y). Pruebe tambin que 12 kxk2 es la nica funcin con esta propiedad.
K 0 = {y Y | x K, hx, yi 0}
K = {y Y | x K, hx, yi = 0}
Demostracin: Propuesto.
Denicin 2.3.2. A continuacin deniremos dos espacios muy importantes en anlisis convexo.
(X) = {f : X R | f es supremo de lineales anes continuas }
y, en consecuancia, s(f (x) r) > 0 lo que implica que s > 0 y que el hiperplano separador no
es vertical. En particular tenemos que z dom(f ) se cumple que
y y
hx, i + r < hz, i + f (z)
s s s
y deniendo `(z) := hz, ys i +
s se tiene que f ` y f (x) `(x) > r.
2. x
/ dom(f ). Si s > 0 podemos razonar como en 1. El problema es que ahora no podemos
asegurar que s 6= 0. Estudiemos este caso: Si s = 0 , el hiperplano es vertical y se tiene que
Razonando como antes (pues dom(f ) 6= ) se tiene que existe ` (X, ) tal que
z X, f (z) `(z).
y
`(x) + k( hx, yi) +
cuando k +.
Hemos demostrado que x X, r < f (x), ` (X, ) : f `, f (x) `(x) > r, lo que implica
que f (X) y f > y f =
6 + pues es propia.
de modo que f es la mayor funcin en (X) que minora a f , por lo que habitualmente de llama
-regularizada de f . En particular,
f (X) ssi f = f .
g = sup `i .
De la dualidad, podemos encontrar (yi , ri ) Y R tales que `i (x) = hx, yi i ri de modo que
(
ri si yi = y,
`i (y) =
+ si no.
f f f.
2.4. El subdiferencial
En anlisis, la herramienta fundamental para obtener condiciones necesarias de optimalidad es
la clebre Regla de Fermat , que en el caso diferenciable, dice que la derivada se anula en un punto
de mnimo o de mximo local. Esto signica que la recta tangente al grafo de la funcin diferen-
ciable f : R R que pasa por (x0 , f (x0 )) tiene pendiente 0 si x0 es un punto extremo (mnimo
o mximo local). Generalizada apropiadamente, esta regla es vlida en diversos contextos, que van
desde programacin matemtica, clculo de variaciones (Ecuacin de Euler-Lagrange) hasta control
ptimo. Daremos una versin de esta regla en el caso convexo sin hiptesis de diferenciabilidad (en
muchas aplicaciones, la funcin objetivo no es diferenciable).
Por otra parte, el clculo diferencial es una herramiente muy exible en anlisis, que necesita de la
nocin de derivada (o, ms generalmente, de gradiente). Cuando la diferenciabilidad en el sentido
clsico falla, es natural preguntarse si es posible extender la nocin de derivada de modo de recupe-
rar al menos algunas de sus propiedades. Un ejemplo de esta situacin es la teora de distribuciones,
donde la propiedad que se pretende preservar es la regla de integracin por partes.
Todo lo anterior nos motiva a estudiar una nocin de diferenciacin en el caso convexo orientada a
la resolucin de problemas de minimizacin.
Consideremos espacios (X, ) y (Y, ) compatibles con la dualidad h, i y una funcin f 0 (X)
de modo que
f (x0 ) = f (x0 ) = sup{hx, yi f (y)}.
yY
lo que equivale a decir que la funcin lineal afn continua `(x) := hx x0 , y0 i f (x0 ) es una
minorante de f que coincide con f en x0 . En general, no basta que f (x0 ) R para que esto ocurra.
En efecto, basta considerar (
t si t 0,
f (t) =
+ si no
que est en 0 (R), es nita en 0 y no admite minorantes anes que pasen por (0,0).
2. Si f (x0 ) = + entonces (
si dom(f ) 6= ,
f (x0 ) =
Y si f +.
(i) y f (x).
Demostracin: (i) (ii) Dado z X se tiene que f (x) + hz x, yi f (z) lo que equivale a
f (x) + hz, yi f (z) hx, yi de donde concluimos que f (x) + f (y) hy, xi.
(iii) (i) Lo hicimos cuando supusimos que el supremo del clculo de f se alcanzaba en y .
Finalmente, la condicin x f (y) equivale a f (y) + f (x) = hx, yi. Como f 0 (X) se
tiene que f (x) = f (x) lo que concluye la demostracin.
se tiene que
f (y) = g(y).
Bajo hiptesis apropiadas de diferenciabilidad, es posible vericar sin la hiptesis de convexidad
que y = f (x) equivale a x = g(y). Si adems suponemos convexidad, hemos probado que la
transformada de Legendre coincide con la conjugada de Fenchel.
Aqu denota el conjunto de subnivel inferior. Como f hx, i es convexa y (Y, X)-s.c.i. se sigue
el resultado.
En lo que sigue, (X, kk) es un espacio de Banach en dualidad con X y denotaremos indistin-
tamente x (x), hx , xi o hx, x i.
Luego, si x f (x0 ) tenemos que para todo x X con kx x0 k < se tiene que
Teorema 2.4.2 (Regla de Fermat I). Sea f : X R {+} una funcin convexa y propia.
Consideremos
(P) inf f.
X
Entonces, x0 es una solucin de (P) (es decir, x0 arg minX f ) si, y slo si, 0 f (x0 ). Si adems
f 0 (X), entonces
arg min f = f (0)
X
Proposicin 2.4.4. Bajo las condiciones de la proposicin anterior, f 0 (x0 ; ) es una funcin sub-
lineal y se tiene que
(iii) Dados d1 , d2 X veriquemos que f 0 (x0 ; d1 + d2 ) f 0 (x0 ; d1 ) + f 0 (x0 ; d2 ). Para ello, basta
probar la convexidad de f 0 (x0 ; ) pues f 0 (x0 ; d1 + d2 ) = 2f 0 (x0 ; 21 d1 + 12 d2 ). Sea ]0, 1[, luego
Finalmente,
Proposicin 2.4.5. Sean (X, kk) un e.v.n. y f 0 (X). Tomemos x0 X y supongamos que f
es nita y continua en x0 . Entonces
Demostracin: Ya vimos que f 0 (x0 ; d) supx f (x0 ) hx , di. Para probar la igualdad observemos
que f 0 (x0 ; ) es convexa y continua. En efecto, tenemos que f (x0 ) 6= y en consecuencia f 0 (x0 ; d)
R, d X . Luego basta probar que f 0 (x0 ; ) es continua en 0, lo que resulta de
f 0 (x0 ; d) f (x0 + d) f (x0 ) M
para algn M > 0 y para todo d en alguna bola centrada en 0. De lo anterior, f 0 (x0 ; ) = [f 0 (x0 ; )] .
Adems
[f 0 (x0 ; )] (x ) = sup {hx , di f 0 (x0 ; d)}
dX
(
0 si x f (x0 ),
=
+ si no
= f (x0 ) (x )
Finalmente,
f 0 (x0 ; d) = sup {hx , di [f 0 (x0 ; )] (x )} = f
(x0 ) (d) = f (x0 ) (d).
x X
Corolario 2.4.1. Sean (X, kk) un e.v.n. y f 0 (X). Si x0 dom(f ) es tal que f es continua en
x0 y f (x0 ) = {x0 } entonces f es Gteaux-diferenciable en x0 y f (x0 ) = x0 .
Demostracin: Se tiene que
f 0 (x0 ; d) = sup hx , di = hx0 , di
x f (x0 )
hx y , x yi 0.
Las funciones del tipo A : X 2X suelen llamarse multiaplicaciones y cuando una multiaplicacin
tiene la propiedad anterior, decimos que es montona.
Para terminar la seccin estudiaremos algunas propiedades elementales del clculo subdiferencial.
Ejercicio 2.4.1. Sean f : X R y > 0. Entonces x X, (f )(x) = f (x).
Demostracin: En virtud del ejercicio anterior, probaremos slo la contencin (). Sean x, x tales
que x (f1 + f2 )(x). Tenemos que
C1 := {(y, ) X R | f1 (y) hx , y xi },
C2 := {(y, ) X R | f2 (x) f2 (y) }.
Adems, (y, ) C1 C2 equivale a f1 (y) + f2 (y) = hx , y xi + f1 (x) + f2 (x). Pero C1 = epi(g) con
g = f1 hx , i 0 (X) continua en x0 . Luego, int(C1 ) = {(y, ) X R | g(y) < } 6= y adems
int(C1 ) C2 = . Podemos separar int(C1 ) de C2 mediante un hiperplano cerrado que adems es
no vertical (vericar), y en consecuencia es el grafo de una funcin lineal afn `(y) = hx2 , yi +
para x2 X y R. Podemos escribir la separacin como
Consideremos una funcin f 0 (X) y un convexo cerrado no-vaco C . Supongamos que existe
x0 int(C) tal que f es nita en x0 . Consideremos el problema de optimizacin
que equivale a
inf {f (x) + C (x)}.
xX
0 f (x ) + C (x ).
u C, hu x , i 0,
inf f
C
(C) u C, hu x , pi 0.
y, en particular,
x X, f (Ax) + hy , A(z x)i f (Az).
Esto equivale a
z X, (f A)(x) + hA y , z xi (f A)(z)
y se tiene que A y (f A)(x). As, A f (Ax) (f A)(x).
Recprocamente, sea x (f A)(x), luego
z X, f (Ax) + hx , z xi f (Az).
Denimos
S := {(Az, f (Ax) + hx , z xi Y R | z X}
que resulta ser un hiperplano cerrado de Y R. Notemos que (y, ) S epi(f ) si, y slo si,
z X : Az = y, f (Ax) + hx , z xi = f (Az) = .
y
z X, hx , z xi hA y , z xi
condiciones que implican que y f (Ax) y x = A y A f (Ax). Luego (f A)(x)
A f (Ax).
48 CAPTULO 2. FUNDAMENTOS DE ANLISIS CONVEXO
2.5. Problemas
Problema 5. Sea X un e.v.t. Dado A X denimos la Envoltura Convexa de A como
\
co(A) = { C | C es un convexo, A C}
(c) Pruebe que si C X es un convexo, entonces cl(C) tambin lo es. Deduzca que
\
co(A) = { C | C es un convexo cerrado, A C}.
(d) Pruebe que si A es abierto, entonces co(A) tambin lo es. Muestre que si C X es convexo,
entonces int(C) tambin lo es.
(f) Sea (V, kk) un e.v.n. y supongamos que A es totalmente acotado. Pruebe que co(A) es total-
mente acotado. Deduzca que si (V, kk) es de Banach y K V es compacto, entonces para
todo A K , coA
es compacto.
Problema 6. En lo que sigue, X es un e.v.n. y todas las funciones estn en 0 (X). Siguiendo la
Denicin ??, denotamos por f la funcin de recesin de f .
5. Si f es inf-compacta, entonces f (d) > 0 para todo d 6= 0 (compare con el Teorema 1.2.2).
2.5. PROBLEMAS 49
Problema 7. Sea (V, kk) un e.v.n. en dualidad con V , y f 0 (V ). Pruebe que las siguientes
armaciones son equivalentes.
(i) f es coerciva;
Problema 8. Sea (X, Y, h, i) una dualidad entre e.v.t.l.c. Dadas dos funciones convexas f, g : X
R, se dene la inf-convolucin de f y g mediante
(c) Pruebe que si x1 dom(f ) y x2 dom(g) son tales que (f g)(x1 + x2 ) = f (x1 ) + g(x2 ),
entonces (f g)(x1 + x2 ) = f (x1 ) g(x2 ).
(d) (Efecto Regularizante ) Suponga que xi son los considerados en la parte anterior. Asumiendo
que f g es subdiferenciable en x = x1 + x2 , muestre que f g es Gteaux-diferenciable en x si
g lo es en x2 con
(f g)(x) = g(x2 ).
Muestre que si adems (X, kk) es un e.v.n. y g es Frchet-diferenciable en x2 , entonces f g es
Frchet-diferenciable en x.
Problema 9. Sea (H, h, i) un espacio de Hilbert en dualidad con H (que identicamos con H ).
(a) Sea f (x) = 12 kxk2 . Verique que f (x ) = 12 kx k2 de modo que f = f . Ms an, demuestre
que f es la nica funcin en 0 (H) con esta propiedad.
(b) Sean f 0 (H) y S H un s.e.v. cerrado. Muestre que si existe x0 S tal que f (x0 ) < +,
entonces f + S 0 (H) y se tiene
(f + S ) = (f PS ) PS ,
(c) Supongamos que f (x) = 12 hAx, xi, con A : H H un operador lineal continuo autoadjunto y
semi-denido positivo. Pruebe que
(
1
hx , xi si x ImA + S , con (PS A PS )(x) = x ,
(f + S ) (x ) = 2
+ si no.
50 CAPTULO 2. FUNDAMENTOS DE ANLISIS CONVEXO
Problema 10. Sea X un espacio de Banach y sea f una funcin localmente Lipschitz en x X .
Denimos la Derivada Direccional Generalizada de f en x en la direccin v mediante
f (y + tv) f (y)
f 0 (x; v) = lim sup .
yx,t0+ t
(b) Muestre que f 0 (x; v) es s.c.s como funcin de (x, v) y que, como funcin slo de v , es Lipschitz-
continua de constante K .
(P) := inf f
X
donde f 0 (X). Diremos que (P) es el Problema Primal y que una funcin 0 (X Y ), con
X, Y espacios de Banach en dualidad con X , Y respectivamente, es una funcin de perturbacin
para (P) si (x, 0) = f (x), x X . A le asociamos la funcin marginal o funcin valor denida
por
v(y) = inf (x, y).
xX
(
cT x si Ax b,
f (x) = cT x + Rm (Ax b) =
+ si no
51
52 CAPTULO 3. DUALIDAD EN OPTIMIZACIN CONVEXA
Volvamos al caso general. Por analoga, llamamos Problema Dual de (P) relativo a la pertur-
bacin : X Y R {+} al problema de minimizacin
(DD) inf (x , 0)
xX
el cual coincide con el primal (P) si suponemos que 0 (X Y ) pues en este caso = .
donde f y (gi )i son funciones convexas de Rn en R. Calcule el problema dual de (P) perturbando
el objetivo primal de manera anloga al ejemplo de Programacin Lineal I.
v (y ) = sup{hy, y i v(y)}
yY
inf(P) + inf(D) = 0
es que v sea s.c.i. y nita en 0. En ese caso decimos que no hay salto de dualidad.
3. La equivalencia anterior slo requiere que v sea convexa, lo cual es cierto si es convexa
(aunque no est en 0 (X Y )). Sin embargo, esta condicin por s sola no basta para la
equivalencia cuando v se reemplaza por w (ver parte 1.).
54 CAPTULO 3. DUALIDAD EN OPTIMIZACIN CONVEXA
Proposicin 3.1.2. Se tiene que S(D) = v (0). En particular, una condicin necesaria y su-
ciente para que
inf(P) + inf(D) = 0, S(D) 6=
es
v(0) R, v(0) 6= .
Demostracin: Notemos que
Probemos ahora la equivalencia. Para la necesidad, notemos que v(0) R y v s.c.i. en 0 implica que
v(0) = v (0). Tenemos que ` es una minorante lineal-afn continua de v si y slo si lo es de v y,
ms aun, si `(0) = v(0), entonces `(0) = v (0) de modo que siempre se tiene que v(0) = v (0).
Si adems v(0) = v (0), se deduce que v(0) = v (0) = S(D) 6= .
Corolario 3.1.2. Si v(0) R y v(0) 6= entonces S(D) = v(0) 6= y adems inf(P) + inf(D) =
0.
Del mismo modo, si w(0) R y w(0) 6= entonces S(P) = w(0) 6= y no hay salto de dualidad.
Interpretacin: Si y S(D) entonces v(y) v(0) + hy , yi, que es una informacin de primer
orden sobre la funcin marginal primal. Si S(D) = {y } entonces v(0) = y . En particular, si v es
continua y nita en 0, entonces v(0) 6= . Un caso patolgico se tiene cuando v(0) = . En tal
caso, v(0) = Y , pero = w(0) = + de modo que el dual es infactible.
Teorema 3.1.1 (Teorema de Dualidad). Supongamos que 0 (X Y ) y que existe x0 X tal
que (x0 , ) es nita y continua en 0 (i.e. (x0 , ) es acotada superiormente en una vecindad de 0).
Entonces, o bien v(0) = y el dual es infactible, o bien v(0) R, + = 0 y S(D) = v(0) 6= ,
con v continua en 0. En particular, si (x0 , ) es continua en 0 respecto a kk con (Y, kk) un espacio
de Banach, entonces S(D) 6= es acotado.
Demostracin: Obviamente v() (x0 , ) implica que v es acotada en una vecindad de 0. Si adems
v(0) R, entonces v es continua en 0 y luego v(0) 6= .
Proposicin 3.1.3 (Condicin de Extremalidad). Si (P) y (D) admiten soluciones y no hay salto
de dualidad, entonces x S(P), y S(D) se tiene que
(x, 0) + (0, y ) = 0
o, de manera equivalente, (0, y ) (x, 0). Recprocamente, si (x, y ) X Y es un par que
satisface esta relacin, entonces x S(P), y S(D) y se tiene que inf(P) + inf(D) = 0.
Demostracin: Tenemos que
(x, 0) = inf(P) = inf(D) = (0, y ),
lo que prueba la condicin de extremalidad. Recprocamente,
inf(P) (x, 0) = (0, y ) inf(D),
lo que implica que no hay salto de dualidad y x S(P), y y S(D).
Corolario 3.1.3. Supongamos que (X, kk) es un espacio de Banach reexivo, que 0 (X Y )
y x0 X son tales que (x0 , ) es nita y continua en 0, y que
lim (x, 0) = +.
kxk+
Entonces, S(P) es no-vaco y acotado, S(D) es no-vaco (y acotado si (Y, kk) es de Banach) ,
inf(P) = inf(D) = 0 y las soluciones de (D) y (P) satisfacen las condiciones de extremalidad.
Ejemplo 3.1.2 (Programacin Lineal II). Tenamos que
(P) min {cT x | Ax b},
xRn
y tomando
(x, ) = cT x + Rm
(Ax + b) 0 (Rn Rm )
obtuvimos que
(D) min {bT | AT + c = 0, 0}.
Rm
Evidentemente inf(D) inf(P). Supongamos que existe x0 Rn que satisface la Condicin de
Slater :
Ax0 < b.
Entonces, para > 0 sucientemente pequeo, se tiene que si kk , entonces (x0 , ) = cT x
de modo que (x0 , ) es nita y continua en una vecindad de 0. As, v es nita y continua en una
vecindad de 0 y, en consecuencia, S(D) = v(0) es no-vaco y compacto. En ese caso = inf(P) =
inf(D) = min(D) R y el mnimo se alcanza; en efecto, se tiene que {x Rn | Ax b} 6= y
S(P) = {x Rn | Ax b} {x Rn | cT x = } y si S(P) = entonces existira 0 < tal que
[Ax b] [cT x 0 ] 6= lo que es una contradiccin.
Recapitulando, si (P) o (D) tiene valor ptimo nito, entonces el otro tambin y las soluciones
x S(P), S(D) satisfacen
cT x + bT = 0, Ax b, A + c = 0, 0.
donde f, gi , hj : X R. Sea
donde g(x) = (gi (x))pi=1 , h(x) = (hj (x))qj=1 y Rq+ = { Rq | i 0, i = 1, ..., q}.
Demostracin: Obviamente,
(
0 si gi (x) 0,
sup i gi (x) =
i 0 + si gi (x) > 0,
y (
0 si hj (x) = 0,
sup j hj (x) =
j 0 + si hj (x) 6= 0,
de modo que
Xp q
X
C (x) = sup i gi (x) + j hj (x) .
Rp+ , Rq
i=1 j=1
i gi (x) = 0, i = 1, ..., p.
x X, L(x, , ) L(x, , ).
de modo que = . Evidentemente, f (x)+C (x) = sup L(x, , ) = , de modo que x S(P),
,
y adems
= sup inf L(x, , ) sup L(x, , ) = L(x, , ) ,
, xX ,
58 CAPTULO 3. DUALIDAD EN OPTIMIZACIN CONVEXA
Observacin 3.2.1. La existencia del multiplicador de Lagrange no siempre se tiene, incluso para
datos f, (gi )i , (hj )j muy regulares. Volveremos a este problema ms adelante.
y
(D) = sup inf L(x, y ).
y Y xX
Luego,
inf L(x, y ) = sup sup{hy , yi (x, y)} = (0, y ),
xX xX yY
Por otra parte, dada una funcin de perturbacin : X Y R {+} se dene la funcin
Lagrangeana L : X Y R mediante
L(x, ) = [(x, )] () (Y ).
Anlogamente,
de donde
(0, y ) = inf L(x, y ).
xX
Demostracin: Propuesto.
60 CAPTULO 3. DUALIDAD EN OPTIMIZACIN CONVEXA
int(C) = int(C).
Demostracin: Obviamente, int(C) int(C). Como int(C) 6= , deducimos que int(C) 6= . Sean
x int(C) y x0 int(C). Dado > 0, denimos x1 = x+(xx0 ) y si es sucientemente pequeo,
entonces x1 C . Como x ]x0 , x1 [, basta probar que ]x0 , x1 [ int(C) para deducir que x int(C)
y de aqu que int(C) = int(C). Como x0 int(C), podemos tomar r > 0 tal que B(x0 , r) C . Sean
]0, 1[ y x := x0 + (1 )x1 .
2. Envoltura convexa.
Como B(x0 , r) C y x2 C con C convexo, en particular se tiene que
B(x0 , r) + (1 )x2 C.
1
Pero x2 = 1 x 1 y para algn y B(x0 , r) lo que implica que x = y + (1 )x2 C
y concluye la demostracin.
C = int(C).
El inters del siguiente resultado es que no requiere saber a priori que int(C) 6= .
Lema 3.3.1 (Lema de Robinson). Sean (X, kk) un espacio de Banach, Y un e.v.n. y C X Y
un convexo cerrado. Denotemos por CX y CY sus proyecciones sobre X e Y respectivamente. Si CX
es acotado, entonces int(CY ) = int(CY ).
3.3. TEOREMAS DE DUALIDAD DE FENCHEL-ROCKAFELLAR Y DE ATTOUCH-BREZIS61
Demostracin: La inclusion int(CY ) int(CY ) es evidente. Sean y int(CY ) y > 0 tales que
B(y, ) CY . Basta demostrar que existe x X tal que (x, y) C , pues en este caso y CY y se
concluye que int(CY ) int CY . Para demostrar que tal x X existe, construiremos una sucesin
(xn , yn ) C con yn y y (xn )n de Cauchy. Tomemos (x0 , y0 ) C (si C = la propiedad es trivial)
y consideremos el siguiente algoritmo:
Mientras yn 6= y
1. Defnase n := 2kyn yk y w = y + n (y yn ) B(y, ) CY .
lo que implica que (xn ) es de Cauchy y, por ser X un espacio de Banach y C un cerrado, existe
x C tal que xn x y (x, y) C .
kC = {kx | x C}
cerrado. Del Lema de Baire, deducimos que existe k0 N tal que int(k0 C) 6= lo que implica que
int(C) 6= . Ms aun, podemos suponer que C = C (si no, podemos tomar el convexo absorbente
C (C)), en cuyo caso debe tenerse que 0 int(C).
62 CAPTULO 3. DUALIDAD EN OPTIMIZACIN CONVEXA
v(0) = min
(0, y ),
y Y
U = {y Y | v(y) k}.
Basta probar que 0 int(U ). Sea x0 X tal que (x0 , 0) < k y denamos
Luego, existe t > 0 tal que ((1 t)x0 + tx0 , ty) C y se sigue que CY es absorbente. Por lo tanto,
CY es absorbente y 0 int(CY ).
y
(D) inf f (A y ) + g (y ).
y Y
entonces S(D) 6= .
Similarmente, si se tiene que inf(D) R y la hiptesis de Calicacin Dual:
entonces S(P) 6= .
En cualquier caso, inf(P) = inf(D). Adems, son equivalentes
3.4. TEOREMAS DE FRITZ JOHN Y KUHN-TUCKER 63
A y f (x), y g(Ax).
= f (x A y ) + g (y ).
As, (P) equivale a inf (, 0) y (D) equivale a inf (0, ). Tenemos que y dom((x, )) si, y slo
si, f (x) < + y Ax + y dom(g), de modo que
[
dom((x, )) = dom(g) A dom(f )
xX
que son las relaciones de Extremalidad. Claramente estas relaciones son equivalentes a la inclusin
de Euler-Lagrange.
de modo que
(P) v(P) := inf sup L(x, , ).
xX (,)Rp Rq
x X, v(P) L(x, , )
lo que es equivalente a
v(P) inf L(x, , ) v(D)
xX
Para la demostracin del Teorema, necesitaremos algunas variantes del Teorema de Hahn-
Banach.
Demostracin: Basta observar que A y B pueden separarse (resp. estrictamente) mediante un hiper-
plano ssi A B puede separse (resp. estrictamente) de 0 mediante un hiperplano.
x X, F (x) L(x).
x X, hx0 , xi F (x).
Para demostrar el Teorena de Fritz-John necesitaremos el siguiente teorema general sobre fun-
ciones convexas.
Es fcil ver que A es un convexo de interior no-vaco. Como 0 / A, podemos separa A y {0} mediante
un hiperplano, es decir, existe = (1 , . . . , m ) Rm \ {0} tal que
m
X
y A, T y = i yi 0.
i=1
66 CAPTULO 3. DUALIDAD EN OPTIMIZACIN CONVEXA
Demostracin: [del Teorema de Fritz-John sin hj .] Tenemos que para todo x X , max1ip {f (x)
v(P), gi (x)} 0. Del teorema anterior se deduce la parte l del resultado. Ms aun, si x S(P),
entonces max1ip {f (x) v(P), gi (x)} = 0 de modo que 0 (f (x) v(P)) = 0 y i gi (x) = 0, i =
1, . . . , m.
o, de manera equivalente,
q
\
kerhxj , i kerhx , i.
j=1
x V , hx , xi > hx , xi
H = {x X | hxj , xi j = 0, j = 1, . . . , q}.
Sea x H , entonces
H = {x X | hxj , x xi = 0, j = 1, . . . , q}.
Sin prdida de generalidad, podemos suponer que x = 0, de modo que H es un subespacio cerrado
de X y hj (x) = hxj , xi. Adems, para x H se satisface que
y hemos supuesto que 0 int(D H), deducimos que existe x X tal que
q
X
x H, hx , xi = 0 x = j xj , para algunos j R
j=1
Del Teorema 3.4.5, deducimos que existen 0 , . . . , p 0 no todos nulos tales que
Una propiedad deseable en la prctica, es que 0 sea estrictamente positivo. En los siguientes
teoremas, veremos que una condicin clsica en Optimizacin Convexa nos permite asegurar esta
propiedad.
Teorema 3.4.6 (Kuhn-Tucker Dbil). Bajo las hiptesis del Teorema de Fritz John dbil, supong-
amos que se tiene la siguiente condicin de calicacin de restricciones, llamada Condicin de
Slater
(S) x0 dom(f ) : gi (x0 ) < 0, i = 1, . . . , p, hj (x0 ) = 0, j = 1, . . . , q.
Entonces existe un par (, ) Rp+ Rq \ {(0, 0)} tal que
x D, v(P) L(x, , ).
Demostracin:
Pp Si 0 = 0, basta tomar x = x0 en la desigualdad de Fritz-John dbil para deducir
que i=1 i gi (x0 ) 0 con i 0 y gi (x0 ) < 0. Luego i = 0, i = 1, . . . , p lo que contradice
0 , . . . , p no son todos nulos.
Entonces, !
[ m
X
x X, F (x) = i f i + D (x),
F (x) i=1
Tm
donde D = dom(F ) = i=1 dom(fi ) y
F (x) = { = (1 , . . . , m ) Rm
+ | i = 1, . . . , m i (F (x) fi (x)) = 0}.
68 CAPTULO 3. DUALIDAD EN OPTIMIZACIN CONVEXA
S P
Demostracin: Sea x F (x) ( m i=1 i fi (x) + D ) (x). Entonces existen 1 , . . . , m 0,
Pm
i=1 i = 1 con i (F (x) fi (x)) = 0, i = 1, . . . , m tales que
m
X m
X
y D, i fi (x) + hx , y xi i fi (y) F (y),
i=1 i=1
y X, F (x) + hx , y xi F (y).
Denamos G(y) := F (y) F (x) hx , y xi y gi (y) := fi (y) F (x) hx , y xi. Tenemos que
existen 1 , . . . , m 0 no todos nulos, tales que
m
X
y D, i gi (y) 0, y i gi (x) = 0, i = 1, . . . , m.
i=1
P Pm
Como m i=1 i > 0, podemos suponer que i=1 i = 1. Tenemos que = (1 , . . . , m ) F (x) y
que y D,
Xm m
X
i fi (y) i fi (x) + hx , y xi.
i=1 i=1
S Pm
De aqu, x F (x) i=1 i fi + D (x).
Teorema 3.4.7 (Fritz-John Fuerte). Sea (P) un programa convexo, propio , s.c.i. y nito tal que
se satisfacen las hiptesis del Teorema de Fritz John dbil. P Entonces una condicin necesaria y
suciente para que x S(P) es que existan 0 , . . . , p 0, pi=1 i = 1 y reales 1 , . . . , q tales
que !
Xp q
X
0 0 f + i gi + D (x) + j hj (x)
i=1 i=1
y i gi (x) = 0, i = 1, . . . , p.
3.5. PROBLEMAS 69
Demostracin: Sea F (x) = max1ip {f (x)v(P), gi (x)}. El programa convexo (P) puede escribirse
de manera equivalente como
(P) inf{F + H }.
Tenemos que x S(P) si, y slo si, 0 (F + H )(x). Si x0 D es punto de continuidad de F tal
que x0 H , tenemos que (F + H )(x) = F (x) + H (x). Ms generalmente, se prueba que la
condicin 0 int(D H) permite tener la misma igualdad.
La proposicin anterior nos permite concluir que
p
!
[ X
F (x) = (f v(P)) + i gi + D (x).
F (x) i=1
Teorema 3.4.8 (Kuhn-Tucker Fuerte). Supongamos que se satisfacen las hiptesis de Fritz-John
Fuerte y que adems se cumple la condicion de calicacin de Slater S , entonces una condicin
necesaria y suciente para que x S(P) es que existan 1 , . . . , p 0 y reales 1 , . . . , q R tales
que !
Xp X q
0 f+ i gi + D (x) + j hj (x)
i=1 i=1
y i gi (x) = 0, i = 1, . . . , p.
Demostracin: Basta observar que bajo S podemos obtener que 0 > 0 y, luego, podemos nor-
malizar.
3.5. Problemas
Problema 11 (Regularizacin de problemas min-max). Considere el problema min-max
(P ) min max{f1 (x), . . . , fm (x)}
xRn
con fi : Rn R convexa y S(P ) no vaco y acotado. Para r > 0 considere el problema regularizado
(Pr ) min Mr (f1 (x), . . . , fm (x)).
xRn
P
donde Mr (y) = rM (y/r) con M (y1 , . . . , ym ) = minvR [v + m
i=1 (yi v)] y : R [0, ) es una
funcin estrictamente convexa, creciente, diferenciable y tal que (1) = +.
70 CAPTULO 3. DUALIDAD EN OPTIMIZACIN CONVEXA
(c) Deduzca que Mr (f1 (x), . . . , fm (x)) converge a max{f1 (x), . . . , fm (x)}.
(d) Muestre que (Pr ) admite al menos una solucin xr la cual permanece acotada cuando r tiende
hacia 0. Concluir que v(r) v y que todo punto de acumulacin de xr es solucin de (P ).
(e) Explicite el dual (Dr ) de (Pr ) asociado a la funcin de perturbacin (x, y) = Mr (f1 (x) +
y1 , . . . , fm (x) + ym ).
(f) Pruebe que v(Pr ) + v(Dr ) = 0 y que (Dr ) admite una nica solucin.
(P ) min 12 kAxk2
xC
(a) Pruebe que si C + ker A es cerrado entonces el conjunto de soluciones ptimas S(P ) es no
vaco.
(b) Pruebe que x C es solucin ptima de (P ) si, y slo si, y := A Ax satisface la inecuacin
variacional: hx x, yi 0, x C .
Problema 13 (Aproximacin de mxima entropa). Sea u L1 L1 ([0, 1], R) una funcin des-
conocida tal
R 1 que u(x) 0 c.t.p. en [0, 1]. Deseamos estimar u en base a sus (n + 1) primeros
i
momentos 0 x u(x)dx = mi > 0, i = 0, 1, . . . , n. Para ello consideramos el problema
Z 1 Z 1
i
(P ) min E(u(x))dx : x u(x)dx = mi , i = 0, . . . , n
uL1 0 0
(c) Usando el teorema de dualidad pruebe que (P ) tiene una nica solucin.
Pn i ).
(d) Pruebe que si es una solucin dual entonces la solucin de (P ) es u(x) = exp(1 i=1 i x
y que ambos ptimos son alcanzados. Para ello considere la funcin de perturbacin :
X Rn R
kx k si hx , xi i = ai + yi , i = 1 . . . n
(x , y) =
+ en caso contrario.
(b) Pruebe que x P X e y Rn son solucionesP de los problemasP anteriores si, y slo si,
hx , xi i = ai , k yi xi k 1, y se tiene hx , ni=1 yi xi i = kx k k ni=1 yi xi k.
(c) La velocidad angular de un motor elctrico alimentado por una corriente variable u(t) se
rige por la ecuacin (t) + (t) = u(t). Se requiere llevar el motor desde la posicin inicial
(0) = (0) = 0, hasta (1) = (1) = 1 (=posicin angular, = ), minimizando la norma
innito de u(t).
(c.2) Deduzca que el control ptimo es de la forma u(t) = M sgn(x1 et1 + x2 [1 et1 ]) para
constantes adecuadas x1 , x2 , M . Probar que u(t) tiene a lo ms un cambio de signo y
calcular u(t).
(a) Pruebe que se satisface la siguiente relacin para las conjugadas de Legendre-Fenchel:
(b) Suponga que g 0 (X). Pruebe que entonces se tiene igualdad en (3.1), y deduzca la frmula
de dualidad de Toland-Singer:
inf {f g} = inf {g f }.
X Y
(c) Suponga ahora que (X, k k) es un e.v.n. en dualidad con Y = X . Dados dos convexos
cerrados C, D X , se dene el exceso de Hausdor de C sobre D mediante e(C, D) :=
supxC d(x, D) [0, +] con d(x, D) = inf yD ky xk. La distancia de Hausdor entre C y
D se dene como h(C, D) = max{e(C, D), e(D, C)} [0, +]. Usando (b), pruebe que
e(C, D) = sup {C (x )
. D (x )},
x B
(b) Demuestre que si 0 int(dom f ImA) entonces para todo punto crtico y de existe
x ker A + y que es punto crtico de , y ms aun (x) + (y) = 0.
Problema 17. Sea Sn el espacio de Hilbert
P formado por las matrices simtricas de orden n, con
el producto interno hhA, Bii := tr(AB) = ni,j=1 Aij Bij . Sea Sn+ el conjunto de matrices simtricas
denidas positivas y sea : Sn R {+} denida por
ln[det(A1 )] si A Sn+
(A) =
+ en caso contrario.
(a) Pruebe que (A) + tr(A) n para todo A Sn , con igualdad slo en el caso Pen que todos los
valores propios de A son iguales a 1. Indicacin: considerar el problema min{ ni=1 i ln i :
i > 0}.
(b) Deduzca que (A + H) > (A) tr(A1 H) para todo A Sn+ , H Sn \ {0}. Concluya que
0 (Sn ), con () estrictamente convexa en Sn+ y (A) = A1 para A Sn+ .
Notemos que xti Axi = hhA, Ai ii con Ai := xi xti , de modo que (P ) es un problema con restricciones
de desigualdad lineales. Para evitar soluciones degeneradas supondremos que {x1 , . . . , xk } genera
todo Rn . Perturbemos (P ) mediante : Sn Rk R {}
(A) si hhA, Ai ii 1 yi , i = 1 . . . k
(A, y) =
+ en caso contrario.
(d) Explicite el dual (D) mostrando que tiene solucin. Pruebe asimismo que (P ) posee solucin
nica y que si y = (1 , . . . , k ) es una solucin del dual, entonces la solucin de (P ) viene
dada por
hP i1
k
A= x x
i=1 i i i .
es una solucin de tal ecuacin. Para ello se propone el siguiente esquema (a) (f)
(a) Sea (t, x, y) = f (x y) + t(y/t). Pruebe que es convexa y deduzca que u es convexa y
continua.
(b) Pruebe que el ptimo en la denicin de u(t, x) es alcanzado en un nico punto y = y(t, x), y
que se tiene
(t , x ) u(t, x) (t , x , 0) (t, x, y).
(d) Deduzca que (t , x ) u(t, x) si, y slo si, se tienen las condiciones siguientes:
(i) t + (x ) = 0;
(ii) x f (x y); y
(iii) x = (y/t).
u
(e) Concluya que u(, ) es diferenciable en todo punto (t, x) (0, ) RN y satisface t (t, x) +
(x u(t, x)) = 0.
74 CAPTULO 3. DUALIDAD EN OPTIMIZACIN CONVEXA
u 1
(t, x) + kx u(t, x)k2 = 0 x RN , t > 0,
t 2
u(0, x) = f (x) x RN .
Problema 19 (Subgradiente aproximado). Sea f 0 (X) con (X, k k) espacio de Banach. Para
0 denimos el -subdiferencial de f en u X como el conjunto f (u) formado por los funcionales
u X que satisfacen
(d) Pruebe que u es un -mnimo (i.e. f (u) m + ) si, y slo si, 0 f (u).
(e) Deduzca la existencia de una sucesin vk X y vk f (vk ) tal que f (vk ) m y kvk k 0.
(f) Se dice que f satisface la condicin de Palais-Smale si toda sucesin vk que satisface d(0, f (vk ))
0 con f (vk ) acotada, es relativamente compacta para la topologa dbil. Deduzca que si f es
acotada inferiormente y satisface la condicin de Palais-Smale, entonces el mnimo de f es
alcanzado.
Problema 20. Sea K un espacio topolgico compacto y C(K) el conjunto de funciones continuas de
K en R con la norma de la convergencia uniforme kf k = maxtK |f (t)|. Recordemos que el dual de
C(K) es isomtricamente isomorfo al conjunto M(K) de medidas de Borel regulares : B(K) R
con la norma kk = ||(K) < donde
Pm
||(A) = sup{ i=1 |(Ai )| : {Ai }m
i=1 particin medible de A} A B(K).
R R
REl producto de dualidad entre C(K) y M(K) es h, f i = K f d. Notemos que | K f d|
K |f | d||.
(b) Para f 6= 0 denotamos Kf+ ={t K : f (t) = kf k} y Kf ={t K : f (t) = kf k}. Pruebe que
k k (f ) si, y slo si, kk = 1, supp() Kf+ Kf , 0 en Kf+ y 0 en Kf .
3.5. PROBLEMAS 75
(f) Explicite las relaciones de extremalidad que caracterizan las soluciones ptimas x S(P ) y
S(D).
(b) Deduzca que para todo z H existe un nico x H tal que z x + f (x).
(b) Demuestre el Teorema de la Alternativa de Gordan : dados a0 , a1 , ..., am Rn , uno y slo uno
de los siguientes sistemas (S1) y (S2) admite una solucin.
Pm i
Pm
(S1) i=0 i a = 0, i=0 i = 1, 0 0 , 1 , ..., m .
(S2) hai , di < 0 para todo i = 0, 1, ..., m, d Rn .
Pm i
Indicacin: pruebe que si la funcin f (x) = log i=0 expha , xi es acotada inferiormente
entonces (S1) tiene una solucin.
1
(c.1) lim inf t [g(x + td) g(x)] hgi (x), di, i J .
t0+
(c.2) lim sup 1t [g(x + td) g(x)] max{hgi (x), di}.
t0+ iJ
Indicacin: razone por contradiccin probando que si lo anterior no fuese cierto entonces
existiran > 0 y j J tales que para una sucesin tk 0+ se tendra que t1k (g(x +
tk d) g(x)) max{hgi (x), di} + .
iJ
(c.3) g 0 (x; d) = max{hgi (x), di}.
iJ
X
(3.2) 0 f (x) + i gi (x) = 0.
iI(x)
Indicacin: verique que g 0 (x; d) 0 para una funcin g escogida apropiadamente y luego
aplique el Teorema de la Alternativa de Gordan.
(d.2) (condiciones de Karush-Kuhn-Tucker) si adems se satisface la condicin de calicacin
de Fromovitz-Mangasarian :
En esta seccin revisaremos algunos ejemplos del Clculo de Variaciones y del Anlisis Varia-
cional. Las tcnicas usadas son aplicaciones de la Dualidad Convexa, revisada en la seccin anterior,
a los espacios de Sobolev. Es recomendable tener frescos algunos resultados de Teora de las Dis-
tribuciones y de espacios de Sobolev. Se recomienda revisar [Bre83].
donde
R denota el gradiente dbil y f L2 (). Sean F : H01 () R denida por F (u) =
R P
f (x)u(x)dx y G : L () R con G(p) = 2 kpkL2 ()N = 2 N
2 N 1 2 1 2
i=1 pi (x)dx, de modo que
podemos escribir (P) de manera equivalente por
donde A : H01 () L2 ()N est denida por Au = u que resulta ser lineal y continua. Es fcil
ver que (
0 si u = f,
F (u ) =
+ si no.
u H01 (), hA p , uiH 1 (),H01 () = hp , AuiL2 ()N ,L2 ()N = hdiv p , uiH 1 (),H01 () .
77
78 CAPTULO 4. APLICACIONES AL CLCULO DE VARIACIONES
div(p ) F (u) = {f }
p G(u) = {u},
y equivalen a
div(p ) = f
p = u.
u = f en ,
u = 0 sobre .
y denimos una solucion dbil de (S) como un par (u, p) H 1 () L2 () tal que
3 Z
X Z Z
() v H01 ()3 , ui vi p div(v) = f v.
i=1
Consideremos
P3 R el espacio V = {v H01 ()3 | div(v) = 0} dotado del producto interno ((u, v)) :=
i=1 ui vi y la norma kk inducida por tal producto interno. Es fcil ver que (V, kk) es un
espacio de Hilbert. Adems, u V es solucin de
Z
1
(P) inf kvk2 fv
vV 2
4.2. PROBLEMA DE STOKES 79
F : X R R G : Y R A : X R
v 7 21 kvk2 f v, y 7 {0} (y), v 7 div v.
(D) inf F (A p ) + G (p )
p Y
donde G (p ) = 0 y
Z
1 2
F (A p ) = sup hp , div(v)iL2 () kvk + fv
vX 2
Z Z
1
= inf { kvk2 fv + p div(v)}.
vX 2
Este ltimo problema es coercivo (verifquelo) y estrictamente convexo, luego para cada p Y
existe una nica solucin vp X que est caracterizada por:
Sea u X la solucin de (P) y supongamos que (D) admite solucin p (la cual no es nica,
por qu?). Tenemos que la relacin de extremalidad es
F (u) + F (A p ) = hu, A p i = 0,
div(u) = 0 en ,
u + (p ) = f en ,
u = 0 ,
lo que equivale a que (u, p ) sea solucin dbil del problema de Stokes.
Para nalizar, probemos la existencia de una solucin de (D). Veamos la condicin de calicacin
dual:
0 int(dom(F ) + A L2 ()).
Pero F (A p ) = 12 kvp k2 y se verica que A p int(dom(F )) para todo p L2 (), de
modo que deducimos que inf(D) = min(P) R. Sea pn una sucecin minimizante para (D). En
particular tenemos que existe C 0 tal que para todo n N se satisface que kvpn kH01 () C , lo
que implica que (vpn )n est acotada en H01 ()3 y por lo tanto (pn )n est acotada en H 1 () y de
aqu concluimos que (pn )n est acotada en L2 ()/R. Pasando a una subsucesin si fuese necesario,
tenemos que (pn )n converge dbilmente hacia p L2 ()/R que resulta ser solucin de (D).
Teorema 4.3.1. Si f Lp () con 1 < p < + y es regular (de clase C 2 ), entonces u W 2,p ().
Si f L+ , entonces u W 2, (), [1, +[. De las inyecciones de Sobolev, u C 1 ().
4.4. PROBLEMAS 81
La calicacin dual equivale a 0 int(H 1 () + A dom(G )) por lo que S(P) 6= (ya lo sabamos)
y min(P) = inf(D).
Si p S(D), las relaciones de extremalidad conducen a
1. F (u) + F (A p ) = hdiv p , ui lo que equivale a u div p = f (en H 1 ()).
R R
2. G(Au) + G (p ) = hp , Aui lo que equivale a |u| 1 c.t.p. y |p | = p u. Esto implica
que |p (x)| = p (x)|u(x)| en c.t.p..
De esta relacin deducimos que en c.t.p. se tiene que
0 si |u(x)| < 1,
p (x) =
(x)u(x) si |u| = 1,
donde (x) = |p (x)|. En consecuencia,
() u div((x)u) = f en H 1 ().
Recprocamente, si existe L2 () tal que (x)(|u(x)| 1) = 0 y que verique (), entonces
deniendo p (x) := (x)u(x) se verican las condiciones de extremalidad y en consecuencia p
S(D). El problema es que (D) no admite necesariamente una solucin. (Notar que (D) es coercivo
en L1 ()N pero este espacio no es reexivo).
4.4. Problemas
Problema 23 (Problema de visco-plasticidad). Consideremos el problema de visco-plasticidad
denido por
Z Z Z
2
(P ) min |u(x)| d(x) + |u(x)|d(x) f (x)u(x)d(x) ,
uH01 () 2
(b) Pruebe que v(P ) + v(D) = 0, que (P ) admite una nica solucin y que (D) admite soluciones.
(c) Pruebe que u S(P ) y p S(D) si, y slo si, div(p ) = f (en el sentido de distribuciones)
y adems se tiene que u(x) = 1 [|p (x)| ]+ p (x)/|p (x)| c.t.p. en .
(a) Pruebe que esta ecuacin admite una nica solucin u L (0, ; L2 ()) tal que u(t) H01 ()
para t > 0.
5.1. Preliminares.
Dado un conjunto nito I consideremos un programa convexo de la forma
denido para cada r > 0. La idea es que (Pr ) penaliza la violacin de las restricciones de (P)
mediante la funcin (ms adelante mostraremos hiptesis adecuadas que formalizan esta idea). El
objetivo de este captulo es analizar cun bien (Pr ) aproxima a (P). Ms especcamente, estudiamos
la convergencia de los valores de los problemas aproximados (Pr ) al valor del problema (P) (esto
es, estudiamos la convergencia de vr a v ) y, adems, nos preguntamos por la convergencia de las
soluciones generadas a partir de (Pr ). Terminamos el captulo con el estudio de problemas duales
generados a partir de este esquema.
Presentaremos ahora una clase de funciones que ser especialmente importante en nuestro anli-
sis.
Denicin 5.1.1. Diremos que una funcin f : Rn R pertenece a la clase Q si es convexa y
satisface la siguiente propiedad:
83
84 CAPTULO 5. PENALIZACIN EN OPTIMIZACIN CONVEXA
(c) f0 , fi Q;
(d) : (, ) R, con [0, +], es una funcin estrictamente convexa diferenciable tal que
0 (u) > 0, con 0 (u) 0 cuando u , y 0 (u) + cuando u ;
(e) Si = 0 supondremos la condicin de Slater: x tal que fi (x) < 0 i I .
Diremos que es una funcin de penalizacin si satisface (d) y la extendemos a todo R mediante
(
limu (u) si u = ;
(u) =
+ si u > .
Penalizacin Inversa (
u1 si u < 0,
(u) =
+ si no.
Penalizacin Exponencial
(u) = eu .
Penalizacin Hiperblica (
1
1u si u < 1,
(u) =
+ si no.
Penalizacin Raz (
(u)1/2 si u 0,
(u) =
+ si no.
5.2. ALGUNOS RESULTADOS DE CONVERGENCIA 85
Proposicin 5.2.1. Para cada r > 0 existe un nico mnimo x(r) S(Pr ). Adems vr v y
dist(x(r), S(P)) 0 cuando r 0+ .
P
Demostracin: Fijemos r > 0 y sea fr (x) = f0 (x) + r iI ( fi (x)r ). Probaremos que fr es inf-
compacta o, de manera equivalente, que fr (d) > 0 para todo d 6= 0.
No es difcil mostrar que
(
+ si para algn i, fi (d) > 0,
fr (d) =
f0 (d) si no.
Si d 6= 0 es tal que fr (d) 0, entonces d satisface que fi (d) 0 para todo i I {0}.
Tomando x S(P) se sigue que x + td S(P) para todo t > 0 contradiciendo as el acotamiento
de S(P). En consecuencia, S(Pr ) es convexo, no-vaco y acotado.
Veamos ahora que S(Pr ) tiene un solo elemento. Si no, existen x, y S(Pr ), con x 6= y . Luego
[x, y] S(Pr ). Se tiene que fi (x) = fi (y) i I . De lo contrario, tomando z = (x + y)/2,
donde la segunda desigualad es estricta ya que estamos suponiendo que existe i I tal que fi (x) 6=
fi (y). Pero lo anterior no puede ser ya que vr es el nmo de (Pr ). Se sigue que fi (x) = fi (y) i I
y luego f0 (x) = f0 (y).
De este modo las funciones fi son constantes en S(Pr ) para i I {0} y, en virtud del lema
anterior, S(Pr ) = {x(r)}.
Estudiemos la convergencia. Consideremos x S(P) y x = (1 )x + x, con x = x si > 0,
y x un punto de Slater si = 0. Ya que vr fr (x ), se tiene que
Veamos ahora que x(r) es acotada. De lo contrario, existe rk 0+ tal que kx(rk )k + y
x(rk )
kx(rk )k d 6= 0. Se tiene que frk (x(rk )) frk (x ) y luego
P
f0 (x(rk )) + rk iI ( fi (x(r
rk
k ))
) frk (x )
.
kx(rk )k kx(rk )k
Esto equivale a
fi (x(rk )) kx(rk )k
f0 (x(rk )) X ( kx(rk )k rk ) frk (x )
+ kx(rk )k
,
kx(rk )k kx(rk )k
iI rk
P
de donde se sigue que f0 (d) + iI (fi (d)) 0. En consecuencia, fi (d) 0 i I {0}
contradiciendo de este modo el acotamiento de S(P).
Consideremos x0 = limk x(rk ) un punto dePacumulacin de (x(r))r>0 . Se tiene que frk (x(rk )) =
vrk y, tomando lmite, deducimos que f0 (x0 ) + iI (fi (x0 )) v . Se sigue que fi (x0 ) 0 i I
y f0 (x0 ) v lo que equivale a x0 S(P).
Finalmente mostremos que vr v . Tomemos rk tal que vrk lim inf r0+ vr . Sin prdida de
generalidad, podemos suponer que x(rk ) x0 . Del argumento anterior
X
vrk f0 (x0 ) + (fi (x0 )) = v,
iI
Hemos probado que vr v y que cualquier punto de acumulacin de la sucesin x(r) es solucin
del problema (P). Sin embargo, es de especial inters analizar la convergencia de x(r) (obviamente,
esto no es trivial slo si S(P) tiene ms de un elemento).
(P) v = min{(x) | x Rn },
Del mismo modo podemos denir I0 = {i I | fi es constante en S(P)} y deducir que para i I0
la direccin d es de constancia para fi . De este modo se tiene que
X fi (x(rk )) X fi (e xk )
.
rk rk
iI
/ 0 iI
/ 0
Motivados por el Ejemplo 5.2.1, quisiramos ahora, mediante un proceso lmite, obtener informacin
del tipo (x0 ) (x ), donde es algn criterio que tendremos que denir. En la prxima seccin
presentaremos las herramientas que nos permitirn abordar esta pregunta ms adelante.
k
1X
yi A (y) max yi .
k i=1,...,k
i=1
88 CAPTULO 5. PENALIZACIN EN OPTIMIZACIN CONVEXA
Demostracin: Todas las propiedades son fciles de demostrar salvo la convexidad. Veamos primero
que A es cuasi-cnvexa (tiene conjuntos de nivel convexos). Para esto basta probar que la funcin
!
1 X yi
k
r 1
A (y) = r
k r
i=1
es cuasi-convexa (pues la cuasi-convexidad se preserva bajo lmite). Es directo ver que dados y
] , 0[k y R se tiene que
( )
1X k y
r i
{y | A (y) } = y
k r r
i=1
Lema 5.3.1 (Crouzeix). Sea : P R una funcin positivamente homognea y cuasi-convexa, con
P un cono convexo. Si (y) < 0 y P (o bien (y) > 0 y P ), entonces es convexa.
Extendamos continuamente ahora la funcin A a todo ] , 0]k y notemos que tal extensin
es nica y la denotamos tambin A . En efecto, tal extensin est dada por la frmula
donde 1 es un vector que contiene 1 en todas sus componentes. Es directo ver que A es simtrica,
positivamente homognea, convexa, continua, no-decreciente por componentes, y satisface
k
1X
yi A (y) max yj .
k j=1,...,k
i=1
1 (1 (yi /r))
< 2 < r ]0, r()[.
yi /r
5.3. MEDIAS ASINTTICAS 89
A2 (y) = A2 (y)
lim inf r
r0+
lim sup r
r0+
A2 ( y)
= A2 (y),
P
con r = r21 ( k1 ki=1 1 ( yri )).
P
Por otro lado, se tiene que k1 ki=1 1 ( yri ) inf 1 = cuando r 0+ . Adems, de (b) se sigue
que
21 (x)
11 (x)
cuando x . De estas dos observaciones deducimos que
P
r21 ( k1 ki=1 1 ( yri ))
P
r11 ( k1 ki=1 1 ( yri ))
cuando r 0+ . En consecuencia,
!
1 X yi
k
lim inf r = lim inf r11 1
r0+ r0+ k r
i=1
y !
1 X yi
k
lim sup r = lim sup r11 1 .
r0+ r0+ k r
i=1
De esto se deduce que
!
1 Xk y
i
A2 (y) lim inf r11 1
r0+ k r
i=1
k !
1 1 X yi
lim sup r1 1
r0+ k r
i=1
A2 (y).
Tomando 1 se concluye que A1 (y) existe y coincide con A2 (y).
Finalmente, para probar la recproca basta notar que
11 (2 (u)) v 1
lim = lim 1 =
u u v (1 (v))
2
ln((u))
(iii) Si limu u < 0, entonces
A (y) = max yi .
i=1,...,k
00
Ejercicio 5.3.3. Pruebe que si es adems de clase C 2 en R , con limu 0 (u)
(u)
> 0, entonces
A (y) = maxi=1,...,k yi .
(H1 ) u, v [, 0]k , max ui 6= max vj inf A (w) < max{A (u), A (v)}.
i=1,...,k i=1,...,k w[u,v]
IC = {i I | fi no es constante en C}.
Lema 5.4.1. Consideremos C S(P) convexo cerrado no-vaco tal que SC 6= . Entonces
(i) x C tal que fi (x) < 0 i IC .
/ IC se tiene que fi (x y) = 0.
(ii) x, y C, i
k
1 X vj
A (v) lim inf rk 1 ( i ) .
k+ k rk
i=1
k
1
1 X vij
A (v) = lim rk ( ) .
k+ k rk
i=1
Notemos que el argumento de A en el trmino de la izquierda pertenece a [f (y), f (x)]. Por otro
lado, en virtud de (H1 ), se tiene que
Teorema 5.4.1. Supongamos (H0 ), (H1 ). Entonces (Pr ) admite una nica solucin x(r) y se tiene
que vr v y x(r) x cuando r 0+ .
!
1 1 1 X fi (x(rj )) 1 1 1 X fi (xj )
.
rj |I k | k rj rj |I k | k rj
iI iI
S k (x )
= inf S k .
S k (x) (1 )S k (x ) + S k (x).
la cual es una funcin de perturbacin para (P). Es fcil probar (vase Ejemplo 3.1.1 y Ejercicio
3.1.2) que en este caso el dual esta dado por
que resulta ser una funcin de perturbacin para (Pr ). No es difcil mostrar que
X
r (0, ) = p() + r (i )
iI
El problema (Dr ) puede tambin entenderse como un mtodo de barrera para el problema (D) ya que
() = para < 0. Notemos adems que (0) puede ser nito o innito. Ms especcamente,
(0) es nito si, y slo si, es acotada inferiormente. Aun en este caso, actua como una barrera
pues 0 () = (0 )1 () cuando 0+ .
Proposicin 5.5.1. (Dr ) admite a lo ms una solucin. Si (r) es tal solucin, entonces i (r) >
0 i I .
Ejercicio 5.5.2. Pruebe que r (x, ) es nita y continua en 0 para algn x Rn . Deduzca la
existencia de solucin para (Dr )
Proposicin 5.5.2. (Dr ) admite una nica solucin (r). Adems, (r) > 0 y
0 fi (x(r))
i (r) = ,
r
Estudiemos ahora la convergencia de los problemas duales. Para ello haremos uso del siguiente
resultado.
4. g (d) 0 d Rn .
Demostracin: Es directo vericar que (f +rg) (d) > 0 y luego f +rg es una funcin inf-compacta.
En consecuencia, z(r) existe.
Adems, se tiene que el problema
lo cual, pasando al lmite, entra en contradiccin con 2. De este modo z(r) es acotada.
5.5. CONVERGENCIA DUAL DEL MTODO DE PENALIZACIN 95
Veamos que todos los puntos de acumulacin de z(r) coinciden con z (que es la nica solucin
del problema de ms arriba). Sea z = limk+ z(rk ) para algn rk 0+ . De la desigualdad
f (z(rk )) + rk g(z(rk )) f (z ) + rk g(z ) deducimos que
Adems, es fcil ver que g(z(rk )) est acotada y luego rk g(z(rk )) 0. En consecuencia, f (z) f (z )
y z arg min f . Como adems se tiene que
Demostracin:
P Veriquemos las hiptesis del teorema anterior con f () = p() + Rm +
() y g() =
( ).
iI i
La primera condicin es satisfecha pues arg min f dom(g) = S(D){ | (i ) < } = S(D) 6=
.
Para ver la segunda hiptesis distiguimos dos casos. Primero, si = 0, entonces existe un punto
de Slater para (P) y luego S(D) 6= es acotado. En consecuencia, p() + Rm +
() tiene conjuntos
de nivel acotados. Por otro lado, si > 0, entonces
() y (y),
Cuando (0) = + falla la primera condicin del teorema salvo que (D) admita solucin
> 0. Pero esto raramente ocurre. De hecho es usual que exista i I tal que i = 0 para todo
S(D). En el caso de la programacin lineal
(P) min cT x
ai xbi ,iI
96 CAPTULO 5. PENALIZACIN EN OPTIMIZACIN CONVEXA
con dual
(D) min bT
c+AT =0,0
y esquema de penalizacin
X ai x bi
(Pr ) min cT x + r ,
r
iI
X
(Dr ) min bT + r (i )
c+AT =0
iI
se tiene el siguiente resultado que presentamos sin demostracin (vase la seccin de problemas).
Teorema 5.5.3. Bajo (H0 ), (H1 ), supongamos que (0) = y S(D) 6= . Entonces (Dr ) admite
una nica solucin (r) que converge a S(D) cuando r 0+ , siendo la nica solucin de
X
min (i ),
S(D)
iI0
5.6. Problemas
Problema 25. Sea I nito y para i I sean fi : Rn R funciones convexas. Considere el siguiente
problema de minimizacin
(P) inf max{fi (x)}.
xRn iI
(a) Pruebe que x S(P) si, y slo si, ( , x ) R Rn , con = maxiI {fi (x )}, es solucin
de
inf { | i I, fi (x) }.
(,x)RRn
Verique que es una funcin de perturbacin para (P) y que el problema dual correspon-
diente est dado por
(D) inf n p(),
R
donde ( P
inf xRn { iI i fi (x)} si m ,
p() =
+ si no,
P
donde, recordamos, m = { Rm
+ | iI i = 1}.
(c) Suponga que inf(P) R. Pruebe que S(D) 6= y que no hay salto de dualidad. Pruebe que
x S(P) y S(D) si, y slo si, m y i (fi (x ) maxiI {fi (x )}) = 0.
5.6. PROBLEMAS 97
(e) Pruebe que r > 0, min(P) inf(Pr ) min(P) + r ln(m) y que, ms an, el conjunto
S(Pr ) = arg min Fr es no-vaco y compacto.
1
(f) Sea > min(P). Pruebe que si 0 < r < ln(m) ( min(P)), entonces
(g) Pruebe que el problema (Pr ) admite solucin nica. Para ello demuestre que para todo i I ,
fi es constante sobre S(Pr ).
(h) Verique que el problema dual asociado a la perturbacin r de (Pr ) es
( )
X
(Dr ) infm p() + r i ln(i )
R
iI
con la convencin 0 ln(0) = 0 y ln() = + para < 0. Pruebe que inf(Pr ) + inf(Dr ) = 0
y que (Dr ) admite solucin nica (r).
Problema 26. Sea f Q 0 (Rn ) (ver Denicin 5.1.1). Suponemos que existe x0 dom(f ) con
kx0 k 1, y consideramos el problema de optimizacin
(a) Pruebe que para cada p > 1 el problema (Pp ) admite una solucin nica x(p), y que la
trayectoria p x(p) permanece acotada cuando p .
(d) Inspirndose en la parte (c) probar que x(p) converge cuando p hacia un punto
x S(P ) caracterizado como la solucin de una jerarqua de problemas de optimizacin
encajonados.
(Q ) min kAy bk
yRn
Mostrar que este ltimo admite una nica solucin y(p) la cual converge hacia una solucin y
S(Q ). Indicacin: Considere el conjunto L = {Ay b : y Rn } y la funcin
0 si x L
f (x) :=
+ si no.
5.6. PROBLEMAS 99
(a) Muestre que f () es fuertemente convexa y (P ) admite una solucin nica x().
(b) Pruebe que x() permanece acotada cuando 0. Indicacin: razone por contradiccin
suponiendo que existe k 0 con kx(k )k y dk := x(k )/kx(k )k d. Muestre que
f0 (d) 0 y f1 (d) 0. Luego, utilice la desigualdad f (x()) f (x() kx()kd) para
probar recursivamente que fi (d) 0 para i = 2, . . . , m. Concluya.
(c) Concluya.
ndice alfabtico
-convergencia, 25 ecuacin de Euler-Lagrange, 40
-regularizada, 39 envoltura convexa, 48
arg min, 9 epi-convergencia, 25
epigrafo, 8, 9
biconjugada, 38 espacio
dual, 17
clausura inferior, 22
vectorial topolgico, 17
condicin
localmente convexo, 17
de calicacin
esquema de Penalizacin de Tikhonov, 86
de Fromovitz-Mangasarian, 76
exceso de Hausdor, 72
dual, 62
primal, 62 frmula de Lax-Oleinik, 73
de extremalidad, 55 funcin
de Fritz-John, 76 acotada inferiormente, 10
de Karush-Kuhn-Tucker, 76 cncava, 30
de Palais-Smale, 74 convexa, 18, 29
conjugada de Fenchel, 35 estrictamente, 21
conjunto cuasi-convexa, 88
convexo, 18 de entropa de Boltzmann-Shannon, 36
de nivel, 8 de penalizacin, 84
cono de perturbacin, 51
convexo, 29 de recesin, 14, 48, 85
de recesin, 13 indicatriz, 7
normal, 46 inf-compacta, 11
polar, 37 lagrangeana, 56
convergencia variacional, 28 marginal, 51
minorante, 35
derivada direccional generalizada, 50
objetivo, 7
desigualdad
propia, 10
de Young-Fenchel, 35
semicontinua inferior, 10
variacional, 46
soporte, 37
dominio efectivo, 8
subdiferenciable, 40
dualidad
valor, 51
de Clarke-Ekeland, 72
funcional
de Toland-Singer, 71
de evaluacin, 17
espacios, 33
lineal, 17
producto, 17, 33
salto, 53 grafo, 27
100
NDICE ALFABTICO 101
hiperplano, 18 restricciones, 7
hipo/epi-convergencia, 28
semiespacio, 18
inf-adicin, 8 subdiferencial, 40
inf-convolucin, 49 subespacio ortogonal, 37
subgradiente, 40
lagrangeano, 56 aproximado, 74
lema generalizado, 50
de Cruzeix, 88
de Robinson, 60 teorema
de Attouch-Brezis, 62
mtodo directo, 12, 20
de Banach, 19
media asinttica, 87
de Brezis-Stampacchia, 80
monotona, 16
de Carathodory, 48
multiaplicacin, 45
de dualidad, 54
montona, 45
de Fenchel-Rockafellar, 62
multiplicador de Lagrange, 57
de Fritz-John
penalizacin dbil, 64
exponencial, 84 fuerte, 68
hiperblica, 84 de Hahn-Banach, 18
logartmica, 84 analtico, 65
desplazada, 84 de Karush-Kuhn-Tucker, 75
raz, 84 de Kuhn-Tucker
principio variacional de Ekeland, 17 dbil, 67
problema fuerte, 69
bidual, 52 de la alternativa de Gordan, 76
de Dirichlet, 77 de Moreau, 49
de la torsin elasto-plstica, 80 de Moreau-Rockafellar, 45
de Stokes, 78 de separacin, 64
de visco-plasticidad, 81 de Weierstrass-Hilbert-Tonelli, 12
dual, 52 del Punto Fijo de Caristi, 27
primal, 51 topologa
relajado, 24 compatible con la dualidad, 34
programa dbil, 19
convexo, 52, 83 transformada de Legendre, 41
lineal, 51, 55
punto
factible, 9
jo, 27
regla de Fermat, 40
regularizada
de Moreau-Yoshida, 75
de Yoshida, 75
regularizada s.c.i., 22
resolvente, 75
102 NDICE ALFABTICO
Bibliografa
[AuT03] A. Auslander, M. Teboulle, Asymptotic Cones and Functions in Optimization and Varia-
tional Inequalities, Springer, 2003.
[Att84] H. Attouch, Variational Convergence for Functions and Operators, Applicable Mathematics
Series, Pitman, London, 1984.
[BoL00] J. M. Borwein, A. S. Lewis, Convex Analysis and Nonlinear Optimization. Theory and
Examples, CMS Books in Mathematics, Springer-Verlag, New York, 2000.
[Cal83] F. H. Clarke, Optimization and Nonsmooth Analysis, Wiley, New York, 1983.
[EkT74] I. Ekeland, R. Temam, Analyse Convexe et Problmes Variationnels, Dunod, Paris, 1974.
[Roc70] R.T. Rockafellar, Convex Analysis, Princeton University Press, Princeton, New Jersey,
1970.
[Roc74] R.T. Rockafellar, Conjugate Duality and Optimization, Conference Board of Mathematical
Sciences Series 16, SIAM Publications, Philadelphia, 1974.
[RoW98] R.T. Rockafellar, R. J-B. Wets, Variational Analysis, Grundlehren der matematischen
Wissenschaften 317, Springer-Verlag, Berlin, 1998.
103