Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Materia:
Optimización de procesos.
Catedrático/a:
Alumnos:
la cual reduce la ecuación al método del ascenso de máxima inclinación. Conforme continúan
las iteraciones, ai se aproxima a cero y el método se convierte en el de Newton.
Bibliografía:
Steven C. Chapra, Raymond P. Canale; Métodos numéricos para ingenieros, 5ta ed.
Método de Fibonacci.
Definición:
Derivación de la fórmula:
τi = τi-1 = 1
lo cual no es de utilidad puesto que se requiere que τi sea menor que uno.
Análisis de li-1 = ri
de donde
τi i * τi-1 + τi-1 – 1 =0
Para lo cual se requiere de una condición inicial o de una condición terminal. Este requisito
se cumple mediante el siguiente análisis. Supongamos que n ≥ 3 es un número fijo de
evaluaciones de función permisibles. Entonces, se tiene el siguiente esquema de
evaluaciones de función
1-β =2β – 1
Lo cual implica que τn-2 = (1+eps)/2, donde eps << 1. Por lo tanto, podemos usar τn-3 = 2/3
como la condición terminal para la ecuación de diferencias de primer orden, de la cual se
obtiene la forma recursiva para la evaluación de τi-1
1
𝜏𝑖−1 =
1 + 𝜏𝑖
Donde Fi son los números de Fibonacci, los cuales se obtienen al sumar los dos anteriores.
Ejemplo:
Minimizar la función f(x)=(x-4)2 haciendo una búsqueda en el intervalo [0, 9]. Usar 2
iteraciones.
Solución:
Para n-2 iteraciones, se requiere de n=4 evaluaciones de función. Sabemos que τn-2 = τ2 =
½, a partir de lo cual se construye la secuencia de valores de τi que se van a usar en cada
iteración i:
Iteración i 0 1 2
τi 3/5 2/3 1/2
F(l0) = 0.16
F(r0) = 1.96
Iteración 1:
El intervalo reducido y el valor de τ a usarse en esta iteración son [a1, b1] = [0, 5.4]; τ1 =
2/3
El punto que quedó sin eliminar en la iteración anterior, que era punto izquierdo, se
transforma en el punto derecho de esta iteración; es decir l0 => r1 = 3.6
Y la función en este nuevo punto es: f(l1) = 4.84. Se rechaza la región [0, 1.8] ya que f(l1)
> f(r1).
Iteración 2: Esta es la última iteración que se ha fijado, en la cual el intervalo remanente es
[a2, b2] = [1.8, 5.4]; con r1 => l2 = 3.6
Como se trata de la última iteración, el nuevo punto de colocación r2 debe coincidir con el
punto l2, por la forma en que el método de Fibonacci está diseñado:
F(3.601) = 0.1521
Debido a que la función disminuye hacia el lado derecho del punto final y tenemos un
problema de minimización, se rechaza la región del lado izquierdo de ese punto.
La aplicación del método de Fibonacci con 2 iteraciones termina con una aproximación del
punto óptimo x=3.6. Se detecta que el punto óptimo se encuentra entre la región de [3.6,
5.4]. La solución exacta implica x*= 4.
Bibliografía:
El método de Newton es una extensión directa del método del mismo nombre para buscar
ceros de funciones de una variable. La idea es realizar el desarrollo de las series de Taylor de
una función alrededor de una estimación de la raíz X0.
1
𝑓(𝑥) = 𝑓(𝑥0 ) + (𝑥 − 𝑥0 )(𝑓 ′ (𝑥0 )) + (𝑥 − 𝑥0 )(𝑓"(𝑥0 ))+. . ..
2
𝑓(𝑥0 )
𝑥 = 𝑥0 −
𝑓′(𝑥0 )
Si ha intentado encontrar una raíz de una función complicada algebraicamente alguna vez,
usted puede haber tenido alguna dificultad. Usando algunos conceptos básicos de cálculo, se
tienen maneras de evaluar raíces de funciones complicadas numéricamente. Normalmente,
se usa el método de Newton-Raphson. Este proceso iterativo sigue una pauta fija para
aproximar una raíz, considerado la función, su derivada, y un valor x inicial.
Usted puede recordar del álgebra que una raíz de una función es un cero de la función. Esto
significa que la raíz de una función, se calcula cuando la función se iguala a cero. Se puede
encontrar las raíces de una función simple como 𝑓(𝑥) = 𝑥 2 − 4 simplemente colocando la
función igual a cero, y resolviendo:
En el gráfico anterior se observa que el punto x=2 y x=-2, la curva corta al eje x, considerando
estos puntosa como raíz de la función.
El Método de Newton Raphson usa un proceso iterativo para encontrar la raíz de una función.
La raíz especifica que el proceso localiza un valor que depende del valor x inicial, valor x
escogido arbitrariamente.
Demostración: Sea x0 la raíz supuesta inicial o valor inicial de las iteraciones y si se aplican
funciones trigonométricas al ángulo α de la figura 4 se tienen que tan(∝) = 𝑓(𝑥0 )/(𝑥0 −
𝑥1 ), a partir de esta formula se puede decir que: (𝑥0 − 𝑥1 ) = 𝑓(𝑥0 )/ tan(∝). Y despejando
x1 se tendría la fórmula de Newton. La pendiente en x0 está dada por tan(∝) = 𝑓′(𝑥0 ).
Teniendo en cuenta lo anterior se tendría entonces que: 𝑥1 = 𝑥0 − 𝑓(𝑥0 )/ tan(∝). Tambien
se puede deducir de teniendo en cuenta que la ecuación de la línea tangente en x 0 esta dada
por: 𝑦 − 𝑓(𝑥0 ) = 𝑓′(𝑥0 )(𝑥 − 𝑥0 ). La primera aproximación x1 es obtenida como la raíz de
(1). Así (x1, 0) es un punto sobre la ecuación anterior.
𝑓(𝑥) 𝑓(𝑥)
= = ∆𝑥
𝑓′(𝑥) 𝑓′(𝑥)/∆𝑥
Orden de convergencia:
Sean x0, x1,x2… una secuencia que converge a r y sea en= xn - r. si existe un numero de m y
|𝑒 |
una constante C (distinta de cero), tal que: 𝑙𝑖𝑚 |𝑒𝑛+1
𝑚 = 𝑐, Cuando 𝑛 ⇾ 𝑖𝑛𝑓𝑖𝑛𝑖𝑡𝑜, Entosnes
𝑛 |
m es llamado “orden de convergencia” de la secuencia C el error asintótico constante. Para
m=1,2,3, la convergencia se dice lineal, cuadrática y cúbica respectivamente.
Dos situaciones en las que el Método de Newton no funciona adecuadamente: (a) el Método
no alcanza la convergencia y (b) el Método coverge hacia un punto que no es un cero de la
ecuación.
Entre más iteraciones se ejecuten, los 𝑑𝑥 = ∆𝑥 tenderán a ser más pequeños y por ende
tenderán a cero (0) minimizando el valor del error. Para ver cómo esto se aplicará el método
Newton-Raphson a la función que se trabajó antes. 𝑓(𝑥) = 𝑥 2 − 4. Se listan los valores que
se necesitan conocer para completar el proceso.
𝑓(𝑥) = 𝑥 2 − 4
𝑓′(𝑥) = 2𝑥
𝑥0 = 6
Teóricamente, se podría ejecutar un número infinito de iteraciones para encontrar una
presentación perfecta para la raíz de la función. Sin embargo, este es un método numérico
que se usa para disminuir el trabajo de encontrar la raíz, para que toque hacer de forma
manual este proceso. Por consiguiente se asume que el proceso ha trabajado con precisión
cuando 𝑑𝑒𝑙𝑡𝑎 − 𝑥 (𝑑𝑥) se vuelva menor que 0.1. Este valor de precisión debe ser específico
a cada situación.
Usos.
Ventajas:
Desventajas:
Ejemplo:
Los anteriores cálculos se realizaron haciendo uso del paquete MatLab con el siguiente
código. Si desea tener mas cifras significativas puedes cambiar el formato de presentación
por el de formato long.
Bibliografía:
https://es.scribd.com/doc/5707202/Newton-Raphson
Steven C. Chapra, Raymond P. Canale; Métodos numéricos para ingenieros, 5ta ed.
Sección Dorada.
Definición.
La estrategia de este método se basa en tres puntos iniciales: dos considerados los extremos
de un intervalo (x1 y x2) y el tercero (x3) entre los dos primeros de tal suerte que relación
entre la distancia de este punto interno al extremo x2 (x2 − x3) y la distancia entre los
extremos (x2 − x1) es siempre una constante:
𝑥2 − 𝑥3 √5 − 1
= = 𝜏 = 0.618034 …
𝑥2 − 𝑥1 2
Note que el punto x3 divide al segmento [𝑥1 : 𝑥2 ] en dos partes: la parte [𝑥1 : 𝑥3 ] es más
pequeña que la parte [𝑥3 : 𝑥2 ]: el segmento [𝑥3 : 𝑥2 ] es el 61.80% de [𝑥1 : 𝑥2 ], mientras que
[𝑥1 : 𝑥3 ] tiene una longitud que es el 38.19%.
El método itera generando un siguiente punto x4 en [𝑥3 : 𝑥2 ] (la parte más amplia) de manera
que se cumple:
𝑥4 − 𝑥1
=𝜏
𝑥2 − 𝑥1
𝑥4 = (1 − 𝜏)𝑥1 + 𝜏𝑥2
𝑥3 = 𝜏𝑥1 + (1 − 𝜏)𝑥2
𝐼𝑛 = 𝜏 𝑛−1 𝐼1
Por tanto, conociendo el intervalo inicial (I1) y sabiendo a que precisión se desea estimar el
punto (In), es fácil estimar el total de iteraciones requeridas para que este método se aproxime
al valor requerido:
ln(𝐼𝑛 ) − ln(𝐼1 )
𝑛=1+
ln(𝜏)
El método de la sección dorada requiere de la ubicación de los tres puntos x1, x2 y x3como se
describen anteriormente. Cuando el método se aplica a la determinación de una funcion 𝑓(𝑥),
los puntos deben satisfacer:
Es decir, la funcion “sube” y “cae”. Al procedimiento para encontrar tales puntos recibe el
nombre de “ubicación del intervalo de trabajo” (Bracketing).
𝑥3 = 𝑥1 + 𝑠
Si 𝑓(𝑥1 ) ≥ 𝑓(𝑥3 ) habrá que buscar hacia atrás cambiando intercambiado los puntos y el
signo del incremento. Si 𝑓(𝑥1 ) < 𝑓(𝑥3 ), el incremento se agranda en la proporción 𝜏 por
medio de la fórmula 𝑠 = 𝑠/𝜏.
𝑥2 = 𝑥3 + 𝑠
Si 𝑓(𝑥3 ) ≥ 𝑓(𝑥2 )los tres puntos buscados están determinados. Si 𝑓(𝑥3 ) < 𝑓(𝑥2 ), entonces
el procedimiento se repite tomando 𝑥1 = 𝑥3 , 𝑥2 = 𝑥3 y 𝑠 = 𝑠/𝜏. Observe que el intervalo de
“bracketing” va creciendo en la proporción 1/𝜏 (≈ 1.618).
Ventajas:
1. Es el método mas exacto y eficiente al encontrar con mayor precisión el o los puntos
optimos de la funcion a evaluar.
Desventajas:
2. Es mucho mas complejo de realizar que los métodos previos, e igualmente mucho
mas laborioso al interpretarse.
Ejemplo:
Programar en MatLab.
% Áurea
% función escalar)
f2 = feval(objfun,x2);
f3 = feval(objfun,x3);
error =1;
cont = 0;
d= [f1;f2;f3];
coef = inv(A)*d;
a= coef(1);
b= coef(2);
c= coef(3);
xm = -b/(2*a);
fm = feval(objfun, xm);
% considerados.
x1 = x2;
f1 = f2;
x2 = (x1 + x3)/2;
f2 = feval(objfun,x2);
y = f3;
x = x3;
x3 = x2;
f3 = f2;
x2 = (x1 + x3)/2;
f2 = feval(objfun,x2);
y = f1;
x = x1;
if fm >= f2
x1 = xm;
f1 = fm;
else
x3 = x2;
f3 = f2;
x2 = xm;
f2 = fm;
end
y = fm;
x = xm;
if fm >= f2;
x3 = xm;
f3 = fm;
else
x1 = x2;
f1 = f2;
x2 = xm;
f2 = fm;
end
y = fm;
x = xm;
end
error = norm(x1-x3,1);
Bibliografía:
http://cb.mty.itesm.mx/materias/ma4011/materiales/a130-17.pdf
http://delta.cs.cinvestav.mx/~ccoello/optimizacion/clase3-opt-2009.pdf
https://rua.ua.es/dspace/bitstream/10045/16373/8/Microsoft%20Word%20-
%208.%20INTRODUCCION%20A%20LA%20OPTIMIZACION%20NUMERICA-1.pdf