Documentos de Académico
Documentos de Profesional
Documentos de Cultura
¿Qué es optimizar?
5 6
7 8
La optimización está asociada a: La optimización está asociada a:
9 10
11 12
Definición de optimización: Se optimiza:
13 14
Se minimiza: Se maximiza:
15 16
Áreas de aplicación: Mínimos y máximos globales y locales, puntos de inflexión:
17 18
19 20
Modelo matemático: Modelo matemático:
23 24
Modelo matemático: Modelo matemático:
25 26
27 28
Representación matemática de un problema de optimización: Modelamiento matemático (Ejemplo):
Función Objetivo
Problema Restricciones
Variables
29 30
31 32
Modelamiento matemático: Modelamiento matemático:
35 36
Modelamiento matemático: Dualidad en optimización (Análisis de sensibilidad):
37 38
39 40
Dualidad en optimización (Análisis de sensibilidad): Dificultades de la optimización:
41 42
43 44
Metodologías de solución: Multimodalidad:
45 46
47 48
Convexidad y concavidad en la función objetivo: Convexidad y concavidad en la función objetivo:
Dada una matriz cuadrada A, se dice que el número λ0 es un valor propio de A si existe un
vector columna c no nulo t.q.
49 Ac = λ0 c. El vector c se llama vector propio de A asociado al valor propio λ0. 50
51 52
Determinación de los valores propios (Ejemplo): Determinación de convexidad (Ejercicios):
Determine los valores propios correspondientes de las Verifique la convexidad y concavidad de las siguientes funciones:
matriz A:
Solución:
53 54
55 56
Clasificación de los problemas: Clasificación de los problemas:
Problema Problema
57 58
Problema Problema
59 60
Clasificación de los problemas: Clasificación de los problemas:
Problema Problema
61 62
63 64
Ejemplos de problemas de optimización: Ejemplos de problemas de optimización:
65 66
67 68
Características de los algoritmos de optimización: Cualidades deseables en todo algoritmo de optimización:
69 70
Problema
71 72
¿Por que es importante la optimización sin restricciones?: Caracterización de un mínimo:
73 74
d# = $%&('
en el gradiente X# )
d#
83 84
Método del gradiente descendente: Método del gradiente descendente:
Gradiente descendente
Sim
fim
Não
'# )
d# = $%&(X
* >+
Método del gradiente descendente (ejercicio): Método del gradiente descendente (ejercicio):
87 88
Método del gradiente descendente (ejercicio): Algoritmos tipo Newton:
Algoritmos tipo
Newton
89 90
Método de Newton
SIM
NÃO
91 92
Algoritmos tipo Newton: Algoritmos tipo Newton:
93 94
95 96
Algoritmos tipo Newton (Quase-Newton2): Algoritmos basados en valores de la función:
Variante en la expresión de la actualización de la inversa de la Hessiana
Algoritmos
basados en valores
de la función
97 98
• Los métodos basados en el gradiente son • En algunos casos, una solución es utilizar
eficaces con funciones “suaves” y pueden estimaciones del gradiente basadas en
funcionar adecuadamente con muchas cocientes de incrementos.
variables.
• Otra posibilidad es utilizar algoritmos que
• No obstante, en algunos casos prácticos, la no estén basados en el cálculo del
evaluación analítica del gradiente puede gradiente, por ejemplo:
ser complicada o imposible en algunos
puntos debido a discontinuidades, fuertes • Método del simplex
no linealidades, etc.
99 100
Algoritmos basados en valores de la función: Algoritmos basados en valores de la función:
Solución de problemas
de optimización
En caso de necesitar de la solución del método de búsqueda
unidimensional en la función 2, inicie con un !. = 0-03; luego
5
usando GAMS
use !/24 = 6 para ir disminuyendo su valor.
7
Solución de problemas de optimización usando GAMS: Solución de problemas de optimización usando GAMS:
GAMS es un programa de computador ampliamente utilizado Esta disponible para el empleo en varias plataformas
para dar solución a complejos problemas de optimización
matemática. Su nombre corresponde a las siglas General
• Computador personal
Algebraic Modelling System.
• Estación de trabajo
• Supercomputador
Solución de problemas de optimización usando GAMS: Solución de problemas de optimización usando GAMS:
• Inicialmente se nombra el modelo para lo cual se • Las variables tanto de estado como de decisión,
usa el comando $TITLE: son declaradas mediante el comando variable
cuando son irrestrictas y positive variable
cuando solo pueden tomar valores mayores a
cero.
• Los limites superior e inferior (si existen) así • En algunos casos puede ser necesario inicializar
como el valor inicial pueden ser intuitivamente las variables, especialmente en casos en donde la
declarados mediante la instrucción Variable.lo = convergencia es problemática debido a la no-
valor y Variable.up = valor para los limites inferior convexidad del modelo. Para esto se utiliza la
y superior respectivamente. estructura Variable.l = valor
20 ;
150 ;
115 116
Programación básica: Programación básica:
• Las ecuaciones requieren ser inicialmente • Las restricciones de igualdad utilizan el operador
declaradas y luego definidas. Para declarar la =e= mientras que las de desigualdad usan los
ecuación se utiliza el comando equations seguido operadores =l= y =g= para el caso menor que y
por la lista de los nombres de las ecuaciones y un mayor que respectivamente.
comentario para facilitar su interpretación. Para
definir cada ecuación se utiliza el nombre
anteriormente declarado seguido de dos puntos.
119 120
Ejemplos - optimización usando GAMS: Ejemplos - optimización usando GAMS:
-211
-211
121 122
126 127
Algunas funciones de Matlab para problemas de optimización: Algunas funciones de Matlab para problemas de optimización:
• Fminsearch resuelve problemas de optimización No • Otra función de Matlab que proporciona el mínimo de
lineal sin restricciones, que tiene la siguiente sintaxis: una función de variables sin restricciones es fminunc,
cuya sintaxis es la siguiente:
x = fminsearch(@fun,x0,opciones)
[x,fval] = fminsearch(@fun,x0,opciones) x = fminunc(@fun, x0, opciones)
[x,fval,exitflag] = fminsearch(@fun,x0,opciones) [x,fval,exitflag,grad,hessian] = fminunc (@fun,x0,opciones)
fminsearch encuentra el valor de las variables x que Resuelve el mismo tipo de problema de optimización que
minimizan la función descrita en fun, comenzando por el fminsearch, pero utiliza información del gradiente y el
valor inicial especificado en x0. hessiano, devolviendo el valor del gradiente y el hessiano
El algoritmo implementado en esta función, es el método de la función objetivo evaluados en la solución x, en las
Simplex. Este método es de búsqueda directa por lo que no variables grad y hessian, respectivamente.
utiliza gradientes ni numéricos ni analíticos. 128 129
Algunas funciones de Matlab para problemas de optimización: Algunas funciones de Matlab para problemas de optimización:
• Otra función de Matlab que proporciona el mínimo de • Para expresar la función que debe ser evaluada en cada
una función de variables sin restricciones es fminunc, iteración, se utiliza el identificador de función @fun.
cuya sintaxis es la siguiente:
opciones=optimset('GradObj','on');
x = fminunc(@fun, x0, opciones)
[x,fval,exitflag,grad,hessian] = fminunc (@fun,x0,opciones)
132 133
Optimización con restricciones de igualdad y desigualdad: Optimización con restricciones de igualdad y desigualdad:
Optimización con restricciones de igualdad y desigualdad: Ejercicios – Modelamiento de problemas con restricciones:
1. Problema de producción
Una parte importante del proceso corresponde con
Un taller tiene tres (3) tipos de máquinas A, B y C; puede fabricar dos (2)
la adecuada obtención del modelo matemático a productos 1 y 2, todos los productos tienen que ir a cada máquina y cada uno va
partir de los datos que se poseen del problema. en el mismo orden: Primero a la máquina A, luego a la B y luego a la C. La tabla
siguiente muestra:
1. Las horas requeridas en cada máquina, por unidad de producto
2. Las horas totales disponibles para cada máquina, por semana
3. La ganancia por unidad vendida de cada producto
Función Objetivo
Restricciones de igualdad ¿Que cantidad de cada producto (1 y 2) se debe manufacturar cada semana, para
Restricciones de desigualdad obtener la máxima ganancia ?
136 ¿Cuantas horas semanales sobran en cada departamento ? 137
Ejercicios – Modelamiento de problemas con restricciones: Ejercicios – Modelamiento de problemas con restricciones:
2. Problema clásico del transporte 3. El problema de asignaciones
Un fabricante tiene tres centros de distribución en: Bogotá, Medellín y Cali. Estos Se usan cuatro barcos cargueros para transportar bienes de un puerto a otros
centros tienen disponibilidades de: 20, 40 y 40 unidades respectivamente. Sus cuatro puertos (numerados 1,2,3 y 4). Se puede usar cualquier barco para hacer
detallistas requieren los siguientes cantidades: Pereira 25, Tulúa 10, Anserma 20, cualquiera de los cuatro viajes. Sin embargo, dadas algunas diferencias entre los
Ibagué 30 y Armenia 15. El costo de transporte por unidad en pesos entre cada barcos y las cargas, el costo total de cargar, transporte y descargue de bienes para
centro de distribución y las localidades de los detallistas se dan en la siguiente las distintas combinaciones de barcos y puertos varia mucho. Estos costos se
tabla: muestran el la siguiente tabla:
Optimización con restricciones de igualdad y desigualdad: Optimización con restricciones de igualdad y desigualdad:
Observaciones: Observaciones:
• Si fuera posible conocer a priori cuales
• Los métodos empleados en la solución del PCR
restricciones están activas en la solución del
se dividen en dos familias:
PCR, la solución seria el punto de mínimo local
del problema definido ignorando las
• Puntos factibles: por ejemplo el gradiente
restricciones inactivas y considerando todas las
proyectado y el gradiente reducido.
restricciones activas como restricciones de
igualdad.
• Puntos infactibles: por ejemplo el método de
• Esto motiva el estudio por separado de los
penalidades (Método de multiplicadores de
problemas que poseen apenas restricciones de
Lagrange) y métodos duales.
igualdad.
143 144
Definición (Lagrangeano):
Dimensiones: [1x1]=[1x1]+[1xm][mx1]
Método de multiplicadores de Lagrange (restricciones de igualdad): Método de multiplicadores de Lagrange (restricciones de igualdad):
151 152
Interpretación de los
multiplicadores de
Lagrange
153 154
Interpretación de los multiplicadores de Lagrange: Interpretación de los multiplicadores de Lagrange:
de Lagrange considerando
Función Objetivo
restricciones de desigualdad
Restricciones de igualdad
(Condiciones de Karush
Kuhn Tucker) Restricciones de desigualdad
Multiplicadores de Lagrange (restricciones de igualdad y desigualdad): Multiplicadores de Lagrange (restricciones de igualdad y desigualdad):
165 166
Teorema (Condiciones de Karush-Kuhn-Tucker, KKT): Teorema (Condiciones de Karush-Kuhn-Tucker, KKT):
167 168
Teorema (Condiciones de Karush-Kuhn-Tucker, KKT): Taller multiplicadores de Lagrange (Para resolver en clase):
171 172
173