Capitulo 4 Sistemas de Ecuaciones No Lineales PDF

Universidad de Chile
Departamento de Ingeniería Matemática
0011 0010 1010 1101 0001 0100 1011

Métodos Numéricos
para Sistemas de
Ecuaciones
No Lineales
MA-33A
Gonzalo Hernández Oliva
GHO SENL - MA-33A 1
Sistemas de Ecuaciones No Lineales: SENL
1) Motivación: Modelación y Optimización No-Lineal
0011 0010 1010 1101 0001 0100 1011
Con Restricciones
2) Introducción
n
3) Métodos Numéricos para SENL: \ y \
4) En \: Punto Fijo, Bisección y Newton-Raphson
n
5) En \ : Newton-Kantorovich y Punto Fijo
6) Métodos Optimización Con Restricciones
7) Bibliografía
GHO SENL - MA-33A 2
Motivación: Modelación en Optimización
Planificación de Producción (Básico)
El plan
0011 0010 de1101
1010 producción de1011
0001 0100 un producto considera 6 etapas, cada
una de 2 meses. Los datos necesarios para determinar este plan
se muestran en la siguiente tabla.
Los costos de producción involucran todo lo relacionado a la
producción, salvo los costos de almacenamiento que son 2 [$/ton]
de etapa en etapa. En la etapa 1 hay 500 [ton] de producto en
bodega y se quiere terminar el año con la misma cantidad en
bodega.
Encuentre un modelo lineal que maximice ingresos, verificando
restricciones de capacidad y de inventario en la etapa final del
programa.
GHO SENL - MA-33A 3
Planificación de Producción (Básico)
0011 0010 1010 1101 0001 0100 1011
Etapa Costos de Capacidad de Demanda Precio Venta
Producción [$/ton] Producción [ton] Estimada [ton] Estimado [$/ton]
1 20 1500 1100 180
2 25 2000 1500 180
3 30 2200 1800 250
4 40 3000 1600 270
5 50 2700 2300 300
6 60 2500 2500 320
GHO SENL - MA-33A 4

Producción bajo Restricciones Ambientales
La calidad
0011 0010 del aire
1010 1101 0001de0100
una región
1011 industrial depende en gran parte de las
evaporaciones de las n plantas existentes, que pueden usar m tipos de
combustibles:
Sea Ej la energía total que necesita la planta j y eij la evaporación
producida por unidad de combustible tipo i en la planta j.
Sea ci el costo unitario del combustible tipo i, que produce una cantidad fij
de energía en la planta j.
El nivel de contaminación del aire en la región no debe exceder p
microgramos de partículas por m3, y supongamos que conocemos un
parámetro gj que relaciona la evaporación en la planta j con la
generación de partículas.
Obtenga un modelo lineal que determine la mezcla de combustibles
óptima que debe utilizarse en cada planta de tal manera de minimizar
costos, verificar niveles de contaminación máxima y satisfacer los
requerimientos energéticos.
GHO SENL - MA-33A 5
Planificación de Producción (No-lineal)
Una 1010
0011 0010 compañía produce
1101 0001 0100 un producto
1011 para satisfacer una demanda
conocida en T períodos. La producción se puede hacer con fuerza
laboral estable o temporal. Las variables del modelo son: cantidad de
producto producido (proporcional a fuerza laboral), nivel de inventario y
cantidad de fuerza laboral temporal. La función objetivo y restricciones
consideran:
a) Función Objetivo: Costos de producción (fuerza laboral estable),
inventario y de trabajo temporal (Para evitar fluctuaciones, el costo es
proporcional al cuadrado de la diferencia en la fuerza de trabajo
temporal entre dos períodos sucesivos)
b) Restricciones: Balance de demanda y capacidad máxima de
producción, inventario inicial y final
Obtenga un modelo matemático que determine la programación de la
producción.
GHO SENL - MA-33A 6
Ejecución de Tareas en Clusters de PC
Un número
0011 0010 n de
1010 1101 0001tareas deben
0100 1011 ser ejecutadas en un cluster de p
computadores de capacidad ui (i=1,...,p), medida en [mops].
Estos computadores están conectados por redes de comunicación cuyos
costos fijo y variable de instalación son f [$] y h [$/mbit].
Las tareas poseen un requerimiento de mops dado por αj (j=1,...,n) y
generan un tráfico de información βkj [mbit] entre ellas cuando se
ejecutan en computadores diferentes.
Sea ci el costo de utilizar el computador i y dij el costo de ejecutar la tarea
j en el computador i
Obtenga un modelo que determine cuáles computadores deben ser
utilizados y en cuál de ellos se ejecuta cada tarea, minimizando costos
de flujos de información entre computadores, de utilización de
computadores y de ejecución de tareas, respetando sus capacidades.
GHO SENL - MA-33A 7
Motivación: Optimización No-Lineal Restringida
Métodos Numéricos:
0011 0010 1010 1101 0001 0100 1011
Mínimos Globales
Programación Lineal Simplex y Punto Interior:
Complejidad Polinomial
SEL
Mínimos Locales
Métodos 1er y 2o Orden
Programación No - Lineal Complejidad NP
Métodos Cuasi-Newton
SENL
GHO SENL - MA-33A 8
SENL: Introducción
Problema: Dadas n funciones no-lineales f i : \ → \
0011 0010 1010 1101 0001 0100 1011
n
diferenciables, encontrar x = ( xi )i =1,...,n

solución del sistema de ecuaciones:
f1 ( x1 , x2 ,..., xn ) = 0
f 2 ( x1 , x2 ,..., xn ) = 0
. .. .
. .
..
.. . .
f n ( x1 , x2 ,..., xn ) = 0
GHO SENL - MA-33A 9

SENL: Introducción
Ejemplo SENL:
0011 0010 1010 1101 0001 0100 1011
5 x 21 − x2 2 = 0
x2 + 0.25(sin x1 + cos x2 ) = 0
GHO SENL - MA-33A 10

SENL: Introducción
Ejemplos SENL:
0011 0010 1010 1101 0001 0100 1011
−x 21 − x 1  2x 2 − 18  0 −1
x0 
x 1 − 1 2  x 2 − 6 2 − 25  0 8
ln( x12 + x2 2 ) − sin( x1 x2 ) − ln(2π ) = 0 2

x0 
e( x1 − x2 ) + cos( x1 x2 ) = 0 2
x 31  x 21 x 2 − x 1 x 3  6  0 0
9x 2  x 21  sin x 3  1. 06  0. 9  0 x0  0
60x 3  3e −x 1 x 2  10 − 3  0 0
3x 1 − cosx 2 x 3  − 1 0 0. 2
2
x 21 − 81x 2  0.1 2  sinx 3  1.06  0 x0  0. 1
e −x 1 x 2  20x 3  10−3 0 −0. 2
3
Métodos Numéricos para SENL
Punto Fijo
Bisección
0011 0010 1010 1101 0001 0100 1011
Una Dimensión: \ Secante
Newton
Conv. Global
Punto Fijo Vel. Lineal
Conv. Global
Primer Orden Vel. Lineal
n
Varias Dimensiones: \ Conv. Local
Newton Vel. Cuadrática
Conv. Global
Cuasi - Newton Vel. Sup - Lin.
SENL: Métodos Numéricos en \
Método de Punto Fijo
0011 0010 1010 1101 0001 0100 1011
Diremos que una función g : \ → \ tiene un punto

fijo en x0 ssi:
g ( x0 ) = x0
El problema de punto fijo (pf) está relacionado con el
problema de encontrar un cero:
Si x0 es cero de f ⇒ x0 es pf de g ( x) = x − f ( x)
Si x0 es pf de g ⇒ x0 es cero de f ( x) = x − g ( x)
0011 0010 1010 1101 0001 0100 1011
Teorema: Sea g una función continua en [a,b]

a) Si a ≤ g ( x) ≤ b ⇒ g tiene un punto fijo en [a,b]
b) Si además g es derivable en (a,b) y g '( x) ≤ 1
para x ∈ (a, b) ⇒ el punto fijo es único
Método de Punto Fijo:
Encontrar x ∈ (a, b) tal que se cumple teo. anterior
Iteración PF: x0 ∈ ( a , b ) Convergencia
Global y Lineal
xk +1 = g ( xk )
Ejemplo Método de Punto Fijo
0011 0010 1010 1101 0001 0100 1011
La ecuación:
x + 4 x − 10 = 0
3 2
x3 + 4x2 – 10
Tiene una raíz en [1,2].

Mediante el Método de
Punto Fijo determinar
esta raíz

Ejemplo Método de Punto Fijo
0011 0010 1010 1101 0001 0100 1011
Ceros de Polinomios
20
La ecuación:
4
x 3 2 5
15
− x − x − 2x + = 0
3
2 2 2 10
Tiene 2 raíces en [-4,4].

p(x)
5
Mediante el Método de 0
Punto Fijo determinar -5
estas raíces
-10
-4 -3 -2 -1 0 1 2 3 4
x

Método de la Bisección
0011 0010 1010 1101 0001 0100 1011
f(x)
ε0
f(x1)
f(x0)
z1 z2 z3 z4 z5
x0 x1

Método de la Bisección
0011 0010 1010 1101 0001 0100 1011
Dividir por la mitad el intervalo que contiene la raíz

repetidamente, localizando en cada iteración la mitad
que contiene la raíz
Sea ε n el tamaño del intervalo n-és. Convergencia
Global y Lineal
εn ε0
ε n+1 = ⇒ εn =
2 2n Precisión
⎛ ε0 ⎞ Buscada
Número de iteraciones: n = log 2 ⎜ ⎟
⎝ε ⎠
Método de la Secante f (x)
0011 0010 1010 1101 0001 0100 1011
1 5
4 3 2 x

Método de Newton - Raphson
0011 0010 1010 1101 0001 0100 1011
Dada una función f : \ → \ suficientemente regular,

el Teorema de Taylor asegura que:
f ''(ξ ( x))
f ( x ) = f ( x) + f '( x)( x − x) + ( x − x) 2
2
Si x − x ≈ 0 y f ( x ) = 0
f ( x)
x = x−
f '( x)
0011 0010 1010 1101 0001 0100 1011
Iteración del Método:
x0 ∈ \ cercano a x
f ( xk )
xk +1 = xk −
f '( xk )
Se calcula f '( xk ) en forma exacta o aproximada

según:
f ( xk ) − f ( xk −1 )
f '( xk ) = xk − xk −1 ≤ ε
xk − xk −1
0011 0010 1010 1101 0001 0100 1011
Teorema: Sea f ∈ ζ 2
[a, b] . Sea x tal que:
f (x ) = 0
f '( x ) ≠ 0
Entonces existe δ > 0 tal que el método de Newton
∞
genera una sucesión {xk } k =1 que converge a x
para cualquier x0 ∈ ( x − δ , x + δ )

0011 0010 1010 1101 0001 0100 1011
Propiedades Principales
Convergencia Local:
x0 ∈ ( x − δ , x + δ )
Velocidad Cuadrática:
f ''( xk )
f ( x ) = f ( xk ) + f '( xk )( x − xk ) + ( x − xk )2
2
f ''(ξ ) 2
x − xk +1 = x − xk ξ ∈ ( xk , x )
2 f '( xk )
Método de Newton – Raphson: Divergencia
0011 0010 1010 1101 0001 0100 1011
x 2 1

n
0011 0010 1010 1101 0001 0100 1011
Un campo vectorial F : \ n → \ n
⎛ f1 ( x) ⎞
⎜ f ( x) ⎟
x → F ( x) = ⎜ 2 ⎟
⎜ # ⎟
⎜ ⎟
⎝ f n ( x) ⎠
formado por n campos escalares fi : \ n → \ tiene un
punto fijo x en D = [ a1 , b1 ] × [ a2 , b2 ] ×"[ an , bn ] si:
F (x ) = x
n
0011 0010 1010 1101 0001 0100 1011
Teorema: Sea F un campo vectorial continuo en D
a) Si F ( x) ∈ D ∀x ∈ D ⇒ F tiene un punto fijo en D
b) Si además F es derivable con continuidad en D y:
∂fi K para x∈ D y K < 1 ⇒ el pf es único
≤
∂x j n ∀i,j = 1,…,n
Convergencia Global
Método de Punto Fijo: Velocidad Lineal
→ Encontrar D tal que se cumple teorema anterior

k +1
→ Sea x0 ∈ D x = F (x ) k
n
Método de Punto Fijo: Ejemplo
0011 0010 1010 1101 0001 0100 10113x
1 − cos( x2 x3 ) − 12 = 0
Revisar !!! x12 − 81( x2 + 0.1)2 + sin x3 + 1.06 = 0
e− x1x2 + 20 x3 + (10π − 3) = 0
k x1 x2 x3 x k − x k −1
∞
0 0.10000000 0.10000000 -0.10000000 -

1 0.49998333 0.0094115 -0.52310127 0.423
2 0.49999593 0.00002557 -0.52336331 9.4×10-3
3 0.50000000 0.00001234 -0.52359814 2.3×10-4
4 0.50000000 0.00000003 -0.52359847 1.2×10-5
GHO
5 0.50000000 0.00000002
SENL - MA-33A
-0.52359877 3.1×10-727
n
Método de Newton – Kantorovich:
0011 0010 1010 1101 0001 0100 1011
Dado un campo vectorial F : \ → \ n n

⎛ f1 ( x) ⎞
⎜ f ( x) ⎟
x → F ( x) = ⎜ 2 ⎟
⎜ # ⎟
⎜ ⎟
⎝ f n ( x) ⎠
formado por n campos escalares fi : \ → \ n
n
regulares. El Teorema de Taylor en \ asegura que:
1
fi ( y) = fi ( x) + ∇fi ( x) ( y − x) + ( y − x)t ∇2 f (ξ ( x))( y − x)
t
2
n
Método de Newton – Kantorovich:
0011 0010 1010 1101 0001 0100 1011
Para el campo vectorial F, se tiene entonces que:

F ( y ) = F ( x) + ∇F ( x)( y − x) + O y − x ( 2
)
⎡ ∂f1 ( x) ∂f1 ( x) ⎤
⎢ "
⎡ f1 ( y) ⎤ ⎡ f1 ( x) ⎤ ⎢ ∂x1 ∂xn ⎥ ⎡ y1 − x1 ⎤
⎥⎢
⎢ # ⎥=⎢ # ⎥+⎢ #
⎢ ⎥ ⎢ ⎥ ⎢
% # ⎥
⎥ ⎢
# ⎥
⎥ (
+O y − x
2
)
⎢⎣ fn ( y)⎥⎦ ⎢⎣ fn ( x)⎥⎦ ⎢ ∂fn ( x) ∂fn ( x) ⎥ ⎢⎣ yn − xn ⎥⎦
"
⎢⎣ ∂x1 ∂xn ⎥⎦

n
Método de Newton - Kantorovich
0011 0010 1010 1101 0001 0100 1011
x 0 ∈ \ n cercano a x
−1
x k +1 k
⎡ k
⎤
= x − ⎣ ∇F ( x ) ⎦ F ( x )
k
∂fi ( x)
Donde: [∇F ( x)]ij =
∂x j
Convergencia Local
Sus propiedades son: Velocidad Cuadrática
Inversión Matricial
n
Método de Newton - Kantorovich: Ejemplo
0011 0010 1010 1101 0001 0100 1011
3 x1 − cos( x2 x3 ) − 12 = 0
Revisar !!! x12 − 81( x2 + 0.1) 2 + sin x3 + 1.06 = 0
e − x1x2 + 20 x3 + (10π − 3) = 0
k x1 x2 x3 x k − x k −1
∞
0 0.10000000 0.10000000 -0.10000000 -

1 0.50003702 0.01946686 -0.52152047 0.423
2 0.50004593 0.00158859 -0.52355711 1.79×10-2
3 0.50000034 0.00001244 -0.52359845 1.58×10-3
4 0.50000000 0.00000000 -0.52359877 1.24×10-5
n
Método de Newton - Kantorovich: Más Ejemplos
0011 0010 1010 1101
2 0001 0100 1011
1) −x 1 − x 1  2x 2 − 18  0 −1
x0 
x 1 − 1 2  x 2 − 6 2 − 25  0 8
2) lnx 21  x 22  − sinx 1 x 2  − ln2  0

x0  2
2
e x 1−x 2  cos x 1 x 2  0
x 31  x 21 x 2 − x 1 x 3  6  0
3) 0
9x 2  x 21  sin x 3  1. 06  0. 9  0 x0  0
60x 3  3e −x 1 x 2  10 − 3  0 0
4) 3 x1 − cos( x2 x3 ) − 12 = 0 0. 2
x12 − 81( x2 + 0.1) 2 + sin x3 + 1.06 = 0 x0  0. 1
e − x1x2 + 20 x3 + (10π − 3) = 0 −0. 2
n
Métodos de Optimización Sin Restricciones:
0011 0010 1010 1101 0001 0100 1011
Se pueden aplicar los métodos de optimización sin
restricciones a la búsqueda de ceros de campos
vectoriales.
En efecto, se tiene que:
El vector x ∈ \ n
verifica: f k ( x) = 0 ∀k = 1,..., n
ssi soluciona el problema de optimización no lineal:
n
min ∑ [ f k ( x1 ,..., xn )]
2
x1 ,..., xn
k =1

SENL: Optimización Con Restricciones: Teoría
Programación No - Lineal
0011 0010 1010 1101 0001 0100 1011 min f ( x)
s . a.
gi ( x) ≤ 0 i = 1,..., p
x2
x ∈\ n
g 2 ( x) ≤ 0
g1 ( x) ≤ 0
g 4 ( x) ≤ 0
g3 ( x) ≤ 0
x1

Condiciones de Optimalidad: Karush - Kuhn - Tucker
0011 0010 1010 1101 0001 0100 1011
−∇f ( x )
x2 ∇g 2 ( x ) ∇g1 ( x )
p G
∇f ( x ) + ∑ μ k ∇g k ( x ) = 0
k =1
x μk g k ( x) = 0 ∀k = 1,..., p
g k ( x) ≤ 0 ∀k = 1,..., p
g 2 ( x) = 0
g1 ( x) = 0
x1

Condiciones de Optimalidad: Karush - Kuhn – Tucker:
0011 0010 1010 1101 0001 0100 1011
Método de Activación de Restricciones:
Dado el problema de programación no-lineal:
min f ( x)
s .a .
gi ( x) ≤ 0 i = 1,..., p
x ∈ \n
Una restricción es activa en x si:
g k ( x) = 0

Condiciones de Optimalidad: Karush - Kuhn – Tucker
Para resolver el sistema de Karush - Kuhn – Tucker
0011 0010 1010 1101 0001 0100 1011
aplicamos el Método de Activación de Restricciones:

1) Establecer las combinaciones de activación
2) Para cada combinación de activación:
i) Determinar el sistema K-K-T aplicando las condiciones
de holgura
ii) Resolver el sistema
iii) Verificar la factibilidad de la solución encontrada en ii)
3) La solución es el punto estacionario + factible
encontrado de mínimo valor.
SENL: Métodos de Optimización Sin Restricciones
Método del Gradiente y Variedades
0011 0010 1010 1101 0001 0100 1011
Primer Orden Método del Gradiente Conjugado
Método de Fletcher-Reeves
Métodos de Newton
Segundo Orden
Variedades
DFP: Davidon - Fletcher - Powell

Cuasi-Newton
BFGS
Penalización Interior Exterior

Método de Gradiente
0011 0010 1010 1101 0001 0100 1011
Etapa 0: Seleccionar un punto inicial x 0 ∈ R n
k 0
Etapa 1: Calcular ∇fx k 
Si ‖∇fx k ‖ 0  STOP
Si no, seguir a Etapa 2.
Etapa 2: d k  −∇fx k 
Calcular:  k solución del problema uni-dimensional:
min h x k ,dk   fx k  d k  − fx k 
≥0
x k1  x k   k d k Minimización
k  k  1 y volver a Etapa 1. en 1 dimensión
Ejemplo Método de Gradiente
0011 0010 1010 1101 0001 0100 1011
k xk fx k  ∇fx k  ‖∇fx k ‖ k
0 0. 00,3. 00 52.00 −44. 00,24. 00 50. 12 0. 062
1 2. 70,1. 51 0. 34 0. 73,1. 28 1.47 0.24
2 2. 52,1. 20 0. 09 0. 80,−0. 48 0.93 0.11
3 2. 43,1. 25 0. 04 0. 18,0. 28 0.33 0.31
4 2. 37,1. 16 0. 02 0. 30,−0. 20 0.36 0.12
5 2. 33,1. 18 0. 01 0. 08,0. 12 0.14 0.36
6 2. 30,1. 14 0.009 0. 15,−0. 08 0.17 0.13
7 2. 28,1. 15 0.007 0. 05,0. 08 0.09
min x 1 − 2 4  x 1 − 2x 2  2
x 1 ,x 2 ∈2
Etapa 0: Seleccionar un punto inicial x 0 ∈ R n Método
k 1101
0
0011 0010 1010 0001 0100 1011
g 0  ∇qx 0   Qx 0 − b
Gradiente Conjugado
d 0  −∇qx 0  min q( x) = − 12 x t Qx + b t x
Etapa 1:
k g k  t d k
 − k t k
d  Qd
x k1  x k   k d k
Si ‖x k1 − x k ‖ ≈ 0  STOP
Etapa 2:
g k1  ∇qx k1   Qx k1 − b
g k1  t Qd k
k 
d k  t Qd k
d k1  −g k1   k d k
k  k  1 y volver a Etapa 1.
Método de Fletcher - Reeves
0011 0010 1010 1101 0001 0100 1011
k 0
d 0  −∇fx 0 
Etapa 1: Calcular  k solución del problema unidimensional:
 k arg min fx k  d k 
≥0
Minimización
x k1  x k   k d k en 1 dimensión
Si ‖x k1 − x k ‖ ≈ 0  STOP
Etapa 2: Calcular ∇fx k1 
k ∇fx k1  t ∇fx k1 
 
∇fx k  t ∇fx k 
d k1  −∇fx k1    k d k
Ejemplo Método de Fletcher - Reeves
0011 0010 1010 1101 0001 0100 1011
k xk fx k  ∇fx k  ‖∇fx k ‖ k
0 0. 00,3. 00 52. 00 −44. 00,24. 00 50. 12 0. 062
1 2. 54,1. 21 0.10 0. 87,−0. 48 0.99 0.11
2 2. 25,1. 10 0. 008 0. 16,−0. 20 0.32 0.10
3 2. 19,1. 09 0.0017 0. 05,−0. 04 0.06 0.11
min x 1 − 2 4  x 1 − 2x 2  2
x 1 ,x 2 ∈2

Método de Newton
0011 0010 1010 1101 0001 0100 1011
k 0
Etapa 1: Calcular ∇fx k 
Si ‖∇fx k ‖ ≈ 0  STOP
Si no, calcular ∇ 2 fx k , ∇ 2 fx k  −1 y seguir a Etapa 2.
Etapa 2: Calcular:
x k1  x k − ∇ 2 fx k  −1 ∇fx k 

−1
k xk fx k  ∇fx k  ∇ 2 fx k  −∇ 2 fx k  ∇fx k 
0011 0010 1010 1101 0001 0100 1011 50. 0 −4. 0

0 0. 00, 3. 00 52. 00 −44. 00, 24. 00 0. 67, −2. 67
−4. 0 8. 0
23. 23 −4. 0
1 0. 67, 0. 33 3. 13 −9. 39, −0. 04 0. 44, 0. 23
−4. 0 8. 0
11. 5 −4. 0
2 1. 11, 0. 56 0. 63 −2. 84, −0. 04 0. 30, 0. 14
−4. 0 8. 0
6. 18 4. 0
3 1. 41, 0. 70 0. 12 −0. 80, −0. 04 0. 20, 0. 10
−4. 0 8. 0
3. 83 −4. 0
4 1. 61, 0. 80 0. 02 −0. 22, −0. 04 0. 13, 0. 07
−4. 0 8. 0
2. 81 −4. 0
5 1. 74, 0. 87 0. 005 −0. 07, −0. 00 0. 09, 0. 04
−4. 0 8. 0
min x1 − 24  x1 − 2x22

GHO
Ejemplo Método de Newton
SENL - MA-33Ax1 ,x2 ∈
2
45
Método DFP: Davidon – Fletcher -Powell
0011 0010 1010 1101 0001 0100 1011
Inicializar S 0  I nn
k 0
Etapa 1: Calcular g k  ∇fx k 
Si ‖g k ‖ ≈ 0  STOP
Si no, calcular x k1  x k − t k S k g k
donde t k ≥ 0 se escoge según regla de Goldstein
y seguir a Etapa 2.
Etapa 2: Calcular:
p k  x k1 − x k , q k  g k1 − g k
k1 p k p k  t
k S k q k q k  t S k
S S  k t k −
p  q q k  t S k q k
SENL: Métodos Optimización con Restricciones
Ejemplo Optimización en Matlab
0011 0010 1010 1101 0001 0100 1011
min x13 − x12 x2 2 + x23
s .a .
g1 ( x) = x12 + x2 2 − 1 ≤ 0
g 2 ( x) = − x1 ≤ 0
g3 ( x) = − x2 ≤ 0
> [x,y] = meshgrid(-2:0.05:2);

> z=x.^3.-x.^2.*y.^2.+y.^3;
> mesh(x,y,z);
Visualización en Matlab
SENL: Métodos Optimización con Restricciones
Ejemplo Optimización en Matlab
cpnl.m
0011 0010 1010 1101 0001 0100 1011 min x13 − x12 x2 2 + x23
function [c,ceq] = cpnl(x) s .a .
c = zeros(3,1); g1 ( x) = x12 + x2 2 − 1 ≤ 0
c(1) = x(1)^2 + x(2)^2 - 1;
c(2) = -x(1); g 2 ( x) = − x1 ≤ 0
c(3) = -x(2); g3 ( x) = − x2 ≤ 0
ceq = [];
epnl.m
function y = epnl(x,a)
Optimización en Matlab
y = x(1)^3 +a*x(1)^2*x(2)^2 + x(2)^3;
>x0=[1;1]; a=-1;
>[xmin,f_xmin]=fmincon(@(x)epnl(x,a),x0,[],[],[],[],[],[],@(x)cpnl(x));
Bibliografía SENL
1) R. Burden & J. D. Faires, Análisis Numérico, Séptima
0011 0010 1010 1101 0001 0100 1011
Edición, Thomson Learning, 2002.

2) M Bazaraa, H. Sherali, C. M. Shetty, Nonlinear
Programming: Theory and Algorithms, John Wiley &
Sons, 1993.
3) D. Luenberger, Linear and Nonlinear Programming,
Second Edition, Addison-Wesley, 1984.
4) M. Minoux, Mathematical Programming: Theory and
Algorithms, John Wiley and Sons, 1995.

Capitulo 4 Sistemas de Ecuaciones No Lineales PDF

Cargado por

Copyright:

Formatos disponibles

También podría gustarte

Capitulo 4 Sistemas de Ecuaciones No Lineales PDF

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

Capitulo 4 Sistemas de Ecuaciones No Lineales PDF

Cargado por

Copyright:

Formatos disponibles

Universidad de Chile

Departamento de Ingeniería Matemática

0011 0010 1010 1101 0001 0100 1011

GHO SENL - MA-33A 4

diferenciables, encontrar x = ( xi )i =1,...,n

GHO SENL - MA-33A 9

GHO SENL - MA-33A 10

ln( x12 + x2 2 ) − sin( x1 x2 ) − ln(2π ) = 0 2

 Diremos que una función g : \ → \ tiene un punto

 Teorema: Sea g una función continua en [a,b]

Tiene una raíz en [1,2].

GHO SENL - MA-33A 15

Tiene 2 raíces en [-4,4].

Punto Fijo determinar -5

GHO SENL - MA-33A 16

GHO SENL - MA-33A 17

 Dividir por la mitad el intervalo que contiene la raíz

GHO SENL - MA-33A 19

Dada una función f : \ → \ suficientemente regular,

Se calcula f '( xk ) en forma exacta o aproximada

GHO SENL - MA-33A 22

GHO SENL - MA-33A 24

→ Encontrar D tal que se cumple teorema anterior

0 0.10000000 0.10000000 -0.10000000 -

Dado un campo vectorial F : \ → \ n n

Para el campo vectorial F, se tiene entonces que:

GHO SENL - MA-33A 29

0 0.10000000 0.10000000 -0.10000000 -

2) lnx 21  x 22  − sinx 1 x 2  − ln2  0

GHO SENL - MA-33A 33

GHO SENL - MA-33A 34

GHO SENL - MA-33A 35

GHO SENL - MA-33A 36

aplicamos el Método de Activación de Restricciones:

DFP: Davidon - Fletcher - Powell

Penalización Interior Exterior

GHO SENL - MA-33A 43

GHO SENL - MA-33A 44

0011 0010 1010 1101 0001 0100 1011 50. 0 −4. 0

min x1 − 24  x1 − 2x22

> [x,y] = meshgrid(-2:0.05:2);

Edición, Thomson Learning, 2002.

También podría gustarte

Diremos que una función g : \ → \ tiene un punto

Teorema: Sea g una función continua en [a,b]

Dividir por la mitad el intervalo que contiene la raíz