Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Metodo de Busqueda Multidimensionales
Metodo de Busqueda Multidimensionales
NÚCLEO CARACAS
Integrantes:
INTRODUCCIÓN
Método de Powell
Este es uno de los mejores métodos de búsqueda directa de patrones. La principal diferencia
con el método de Hooke y Jeeves es que una dirección del eje de coordenadas se sustituye por
la dirección de la fase de búsqueda de patrones.
Este es el método más simple utilizando los derivados, por lo que a veces se llama el método
del gradiente. El punto mínimo siempre se encontrará en la dirección opuesta del gradiente. La
convergencia es bastante lenta (lineal), sino que es global.
Método de Newton
Este método se basa en el uso de el grupo de acción y su inverso. El método de Newton tiene
convergencia cuadrática, por lo que el óptimo se encontrará más rápido que utilizando el
método de descenso abrupta , por ejemplo. Sin embargo, la convergencia es local.
2
MÉTODO DE BÚSQUEDA MULTIDIMENSIONALES
1) Eliminación multivariable:
a) Downhill simplex
En el método downhill simplex, cada punto de un simplex representa una
posible solución del problema. El simplex correspondiente a una función de N
variables se representa por una matriz de (N+1) xN. Cada columna de la
matriz contiene las N coordenadas de un vértice
b) Algoritmos genéticos
2) Métodos geométricos
3
El método geométrico consiste en suponer que el crecimiento de una
comunidad es en todo instante proporcional a su población, es decir que responde
a la ecuación:
3) Métodos lógicos:
4) 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.
Entonces, si xi es la aproximación al mínimo obtenida en la etapa (o iteración) (i −
1), la nueva aproximación en la etapa i se obtiene de: xi+1 = xi + λui donde λ es
una longitud de paso (valor escalar), ui es un vector aleatorio unitario generado en
la i- esima etapa.
4
Algunas de las ventajas de los métodos de búsqueda aleatoria son las siguientes:
5
alternativa al método de los elementos finitos convencional, para resolver
problemas de elasticidad.
6
De tal forma, los movimientos exploratorios examinan el comportamiento local
de la función y buscan localizar la dirección de cualquier pendiente existente en la
zona. Los movimientos de patrones utilizan la información generada en la
exploración para escalar rápidamente las pendientes.
No usa derivadas
7
incremento en las variables proporcionales a la magnitud de los coeficientes. Lo
anterior se realiza mientras exista mejoramiento de la respuesta o hasta
encontrarse con una restricción, debido a que, si se encuentra una restricción, los
experimentos deben realizarse a través de la dirección impuesta por el vector
director de la misma. El mejor punto encontrado en la trayectoria de búsqueda se
toma como el punto central para un nuevo diseño experimental.
8
Método de Davidon – Fletcher – Powell:
9
Método de Smith:
CONCLUSIÓN
Estos métodos son aplicables cuando otros métodos fallan debido a dificultades locales tales como
10
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.
REFERENCIAS BIBLIOGRAFICAS
http://optimizacionnolineals71d.blogspot.com/2010/06/metodo-de-busquedas-
multidimencionales.html
11
http://optimizacions71d.blogspot.com/2010/07/algunos-modelos-son-
eliminacion.html
http://www.fio.unicen.edu.ar/usuario/cgely/q13-0/Apuntes/unidad4b.pdf
12