Elismary Lugo V-24305839.

ING. DE SISTEMAS NOCTURNO “A”

Universidad Nacional Experimental de la Fuerza Armada

Cátedra: Optimización no lineal. Profesor: Ing. Anthony Jiménez.

METODOS DE BUSQUEDA MULTIDIMENSIONALES.

Algunos modelos son:

 Eliminación multivariable: En el método downhill simplex, cada punto de

un simplex representa una posible solución del problema. El algoritmo
consiste en la búsqueda de un mínimo siguiendo una sucesión de
operaciones sobre el simplex: expansión, contracción, y reflexión.
 Métodos lógicos: La optimización lógica mediante eliminación de
redundancias tiene una aplicación muy limitada. Esto es debido a que no
es una técnica completa, en el sentido de que una vez que se han
eliminado todas las redundancias de un circuito no es posible continuar
optimizándolo mediante esta técnica. Para obtener un algoritmo general
de optimización, la eliminación de redundancias se puede completar con
su operación inversa: la adición de redundancias. Esta operación inversa
tiene por objetivo la creación de nuevas redundancias, de forma que, tras
la eliminación de estas últimas, el circuito presenta menor área o menor
retraso o ambas cosas a la vez.
 Búsqueda Aleatoria: Este método se basa en la generación de una
secuencia de aproximaciones mejoradas al mínimo, cada una de las
cuales se deriva de la aproximación previa.

Algunas de las ventajas de los métodos de búsqueda aleatoria son las

siguientes:

Estos métodos funcionan, aunque la función objetivo sea discontinua y no

diferenciable en alguno de sus puntos. Estos métodos pueden usarse para
encontrar el mínimo global cuando la función objetivo posee varios mínimos
relativos.
 Estos métodos son aplicables cuando otros métodos fallan debido a
dificultades locales tales como funciones con formas determinadas y regiones de
búsqueda difíciles de explorar. Aunque estos métodos no son muy eficientes,
pueden usarse en las etapas iniciales de la optimización para detectar la región
donde es más probable encontrar el mínimo global. Una vez localizada esta
región, puede usarse una técnica más eficiente para ubicar con mayor precisión
el mínimo global.

La organización del espacio multidimensional permite disminuir el número

de accesos a disco que son necesarios para dar respuesta a las consultas que
el usuario realice. Un aspecto principal en el contexto es el tipo de consulta que
se procesa sobre los datos. Donde se considera y recomienda la mejor manera
de responder a tales consultas por semejanza a un patrón dado. Por ejemplo, se
tiene una imagen patrón y se busca en la base de datos una imagen similar a la
de dicho patrón. O si se tiene un perfil concreto, se buscan objetos que encajen
en dicho perfil. He aquí las consultas por similitud, que consiste en transformar
cada objeto de la base de datos en un punto multidimensional que capture las
características que definen el objeto y modelar la búsqueda como una
recuperación de vecinos más cercanos en el espacio multidimensional.

En otras palabras, los métodos multidimensionales son aquellos que

tratan de acelerar las búsquedas por similitud en voluminosos espacios
altamente dimensionales aportando soluciones aproximadas, esto es dando
como respuesta objetos que con un cierto margen de error pueden considerarse
los más próximos al patrón de búsqueda. O bien son las diferentes estrategias
para dar solución a problemas relacionados con la búsqueda por similitud,
fundamentalmente en el contexto de colecciones voluminosas de documentos
multimedia.

Bibliografía

 http://www.youtube.com/watch?v=8AV7rh8pR_A
 http://es.slideshare.net/totycevallos/optimizacin-mtodos-numricos
 http://optimizacionnolineals71d.blogspot.com/2010/06/metodo-de-
busquedas-multidimencionales.html