Ayudantı́a 4

Gestión de Investigación de Operaciones

ILN-250 - 2◦ semestre 2019

Profesores: Pablo Escalona - Rafael Favereau

Ayudantes: Fernando Ebensperger - Paula Lillo - Nathalia Wolf
Fecha: Martes 17 de diciembre de 2019.

Métodos de Descenso

Para ver la resolución en formato de cápsula de video con una explicación sintetizada
acceda a:

https://drive.google.com/open?id=1EakQTUYYaYn1iXptD8UyK6T28YhMHcXT

Problema 1. Considere el siguiente problema de Optimización

 X p
 min wi (x − ai )2 + (y − bi )2
(x,y)
i∈I
s.t (x, y) ∈ R2


y los siguientes datos:

i wi ai bi
1 2 0.7 -0.1
2 7 0.2 0.0

(a) Aplique una iteración del método del gradiente con (0, 0) como el punto inicial y con
un tamaño de paso elegido según búsqueda de lı́nea “back-tracking”, con α = 0,01
y β = 0,05.

(b) Aplique una iteración del método de Newton con el mismo punto inicial y parámetros
de “back-tracking” utilizados en (a). ¿Cómo cambia el valor de la función objetivo
de esta iteración comparado con lo obtenido en (a)? ¿Qué puede comentar respecto
al trabajo necesario para realizar la nueva iteración?

(c) Considere que se han realizado suficientes iteraciones de los métodos descritos en (a)
y (b) como para converger a una solución. ¿De qué tipo será el óptimo obtenido?
En forma genérica, ¿existen condiciones sobre los parámetros wi , ai y bi para que la
solución obtenida sea un mı́nimo global del problema planteado?

Hint: sea A una matriz de dimensiones 2x2 con determinante no-nulo. Entonces,
 −1  
−1 a b 1 d −b
A = =
c d ad − bc −c a

1
 Con los datos provistos, se re-escribe la función a minimizar y se calculan sus primeras
y segundas derivadas:
p p
f (x, y) = 2 (x − 0,7)2 + (y + 0,1)2 + 7 (x − 0,2)2 + y 2
∂f 2(x − 0,7) 7(x − 0,2)
(x, y) = p +p
∂x (x − 0,7)2 + (y + 0,1)2 (x − 0,2)2 + y 2
∂f 2(y + 0,1) 7y
(x, y) = p +p
∂y 2
(x − 0,7) + (y + 0,1) 2 (x − 0,2)2 + y 2
∂2f 2 2(x − 0,7)2
(x, y) = −
∂x2
p
(x − 0,7)2 + (y + 0,1)2 [(x − 0,7)2 + (y + 0,1)2 ]3/2
7 7(x − 0,2)2
+p −
(x − 0,2)2 + y 2 [(x − 0,2)2 + y 2 ]3/2
∂2f 2 2(y + 0,1)2
(x, y) = −
∂y 2
p
(x − 0,7)2 + (y + 0,1)2 [(x − 0,7)2 + (y + 0,1)2 ]3/2
7 7y 2
+p −
(x − 0,2)2 + y 2 [(x − 0,2)2 + y 2 ]3/2
∂2f ∂2f 2(x − 0,7)(y + 0,1) 7(x − 0,2)y
(x, y) = (x, y) = − 3/2
−
∂x∂y ∂y∂x 2 2
[(x − 0,7) + (y + 0,1) ] [(x − 0,2)2 + y 2 ]3/2

(a) Método del Gradiente:

(k = 0)
Paso 1: Computar ∆x := −∇f (x). Del enunciado tenemos el punto inicial:
   
x 0
x(0) := =
y 0

Luego, podemos calcular

∂f
  
− (x, y)
  
 ∂x (0)  8,9799
∆x(0) := ∂f x=x =
−0,2828

− (x, y)

∂y x=x (0)

Paso 2: Escoger t mediante backtracking: α = 0,01; β = 0,05; t := 1

mientras f (x + t∆x) > f (x) + αt∇f (x)T ∆x, hacer t := βt.

f (8,9799, −0,2828) > f (0, 0) + 0,01 ∗ 1 ∗ (−8,9799 ∗ 8,9799 + 0,2828 ∗ −0,2828)

78,0550 > 2,8142 + 0,01 ∗ 1 ∗ −80,7186 = 2,0070 ⇒ hacer t := 0,05 ∗ 1 = 0,05

f (0,4490, −0,0141) < f (0, 0) + 0,01 ∗ 0,05 ∗ (−8,9799 ∗ 8,9799 + 0,2828 ∗ −0,2828)
2,2763 < 2,8142 + 0,01 ∗ 0,05 ∗ −80,718 = 2,7739 ⇒ stop! y hacer t(0) := 0,05

Paso 3: Actualizar x(1) := x(0) + t(0) ∆x(0)

     
(1) 0 8,9799 0,4490
x := +0.05 =
0 −0,2828 −0,0141
 p
Criterio de parada: k∇f (x) k2 = (5,0964)2 + (0,2504)2 = 5,1025 > η

x=x(1)

(b) Método de Newton: (k = 0)

Paso 1: Computar ∆x := −∇2 f (x)−1 ∇f (x); λ2 := ∇f (x)T ∇2 f (x)−1 ∇f (x)

2
  −1    
17,6777 2,52538 −8,9799 158,029
∆x(0) :=- =
2,52538 0,0264747 0,2828 22,6702

 T  −1  
(0) −8,9799 17,6777 2,52538 −8,9799
λ2 := =1412.68
0,2828 2,52538 0,0264747 0,2828

Paso 2: Criterio de parada λ2 /2 ≤  no se cumple ⇒ continuar.

Paso 3: Escoger t mediante backtracking:
α = 0,01; β = 0,05; t := 1
mientras f (x + t∆x) > f (x) + αt∇f (x)T ∆x, hacer t := βt.

f (158,029, 22,6702) > f (0, 0) + 0,01 ∗ 1 ∗ (−8,9799 ∗ 158,029 + 0,2828 ∗ 22,6702)

1434,0783 > 2,8142 + 0,01 ∗ 1 ∗ −1412,6724 = −11,3125 ⇒ hacer t := 0,05 ∗ 1 = 0,05

f (7,9015, 1,1335) > f (0, 0) + 0,01 ∗ 0,05 ∗ (−8,9799 ∗ 158,029 + 0,2828 ∗ 22,6702)
69,1036 > 2,8142+0,01∗0,05∗−1412,6724 = 2,1079 ⇒ hacer t := 0,05∗0,05 = 0,052

f (0,3951, 0,0567) < f (0, 0) + 0,01 ∗ 0,05 ∗ (−8,9799 ∗ 158,029 + 0,2828 ∗ 22,6702)
2,1076 < 2,8142 + 0,01 ∗ 0,052 ∗ −1412,6724 = 2,7789 ⇒ stop! y hacer t(0) := 0,052

Paso 4: Actualizar x(1) := x(0) + t(0) ∆x(0)

     
0 158,0290 0,3951
x(1) := +0,052 =
0 22,6702 0,0567

(c) Dado que el problema propuesto en convexo, con (ai , bi ) ∈ R2 , wi ≥ 0, ∀i ∈ I, la

solución obtenida será mı́nimo global.