Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Métodos de
Búsqueda
x ’ ≤ x 1 ≤ x 2 → f ( x ’)≤ f (x 1)≤ f (x 2 )
x ’ ≥ x 1 ≥ x 2 → f ( x ’ ) ≤ f ( x 1) ≤ f ( x 2 )
Otra forma de encontrar el óptimo global sin tener que identificar los puntos
estacionarios y evaluar el valor de sus funciones, sería aprovechar la propiedad de
unimodalidad de las funciones para poder determinar rápidamente el óptimo. Sin embargo
el test para determinar si una función es unimodal es muy complejo y difícil de aplicar.
Pero, sí es posible utilizar la propiedad de convexidad y concavidad de las funciones
unimodales para aproximarse al óptimo. Muchos métodos utilizan dicha propiedad para
encontrar el punto óptimo.
Búsqueda de Fibonacci
El método de Fibonacci está considerado como el más eficiente entre los métodos de búsqueda.
Difiere del método de la sección ´aurea en el hecho de que el valor de α no permanece constante en
cada iteración. Además, el número de iteraciones viene predeterminado en base al nivel de exactitud
especificado por el usuario.
Para determinar en cada iteración los nuevos valores yk y zk con los que evaluar el actual
intervalo de incertidumbre. Como veremos, en el método de Fibonacci el (k + 1)−ésimo
F n−k−1
subintervalo se obtiene reduciendo la longitud del k-´esimo subintervalo por un factor . Por
F n−k
consiguiente, despu´es de n − 2 pasos, la longitud del último subintervalo será:
Paso Inicial:
b−a
Fijar h> 0 y ∈>0. Elegir n tal que F n> . Hacer a 1=a , b1=b ,
h
F n−1 F n−1
(
y 1=a1+ 1−
Fn )( b1−a 1) z 1=a 1+ ( b −a )
Fn 1 1
Y k =1
Paso General:
Repetir:
F n−k−1
z k+1=ak +1+ ( b −a )
F n−k k +1 k+1
3. Hacer a k+1=ak ,b k+1=z k , z k+1= y k y calcular:
F n−k−1
y k +1=ak +1+ 1−( F n−k )
( bk +1−a k+1 )
4. Hacer k =k +1 e ir a 1.
5. Hacer y n= y n−1 , z n= y n−1 +ϵ .
F n−1
Para un valor de n suficientemente grande, la proporción tiende al número áureo, y
Fn
por lo tanto el método de Fibonacci se aproxima al método de la sección áurea.
Es una técnica para encontrar un extremo (mínimo o máximo) de una función dentro de
un intervalo especificado. Para una función estrictamente unimodal con un extremo dentro
del intervalo, encontrará ese extremo, mientras que para un intervalo que contiene múltiples
extremos (posiblemente incluyendo los límites del intervalo), convergerá a uno de ellos. Si
el único extremo del intervalo está en un límite del intervalo, convergerá a ese punto límite.
El método opera estrechando sucesivamente el rango de valores en el intervalo
especificado, lo que lo hace relativamente lento, pero muy robusto. La técnica deriva su
nombre del hecho de que el algoritmo mantiene los valores de la función para cuatro puntos
cuyos tres anchos de intervalo están en la proporción 2−φ :2φ−3 :2−φ donde φ es la
proporción áurea.
x 4 =x1 + ( x 3−x 2 )
Sin embargo, aún queda la cuestión de dónde debería colocarse en relación con y. La
búsqueda de la sección áurea elige el espaciado entre estos puntos de tal manera que estos
puntos tengan la misma proporción de espaciado que el triple o subsiguiente. Al mantener
la misma proporción de espaciado en todo el algoritmo, evitamos una situación en la que
está muy cerca de o y garantizamos que el ancho del intervalo se contrae en la misma
proporción constante en cada paso. x 2 x 1 x 3 x1 , x2 , x 4 x 2 , x 4 , x 3 x 2 x1 x 3
c a
=
a b
c a
=
b−c b
b 2 b
()
a
− =1 ,
a
b
=φ ,
a
Con frecuencia se tienen que estimar valores intermedios entre valores conocidos. El
método más común empleado para este propósito es la interpolación polinomial.
Para n + 1 puntos, existe uno y sólo un polinomio de n-ésimo orden o menor que pasa a
través de todos los puntos. Por ejemplo, hay sólo una línea recta (es decir un polinomio de
primer orden) que conecta dos puntos. El polinomio de interpolación consiste en determinar
el único polinomio de n-ésimo orden que se ajusta a los n + 1 puntos dados. Este polinomio
proporciona una fórmula para calcular los valores intermedios.
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.
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.
1. Método Gráfico:
Empleando 3 observaciones:
Empleando 4 observaciones: