Documentos de Académico
Documentos de Profesional
Documentos de Cultura
x Rn
min J ( x ) J(x)
x
Minimizar / Maximizar min J(x)
hi (x) = 0 = max –J(x)
g j (x) 0 x
x*
gj(x) ≤ a puede escribirse como gj(x) – a ≤ 0 J(x)
F x1 F
x1
x1+ 2x2 4 x1+ 2x2= 4
Restricciones activas
min J ( x ) min ( x1 + 3x 22 )
x
x1 + 2 x 2 4
hi (x) = 0 x1 0
g j (x) 0 x2 0
x2
Una restricción gj(x) ≤ 0 es Restricción activa en x0
activa en un punto x0 si se
verifica: gj(x0) = 0 Punto x0 = (2, 1)’
F x1
(A menudo se refiere a la
solución) x1+ 2x2= 4
Restricción inactiva en x0
Optimo local (mínimo local)
J(x*) J(x)
x* x
J(x)
Si no existe ningún
valor de x* F tal que
Problema no J(x*) J(x) el problema
acotado es no acotado y no
existe mínimo
x
Continuidad
Derivada no
definida
x0 x x0 x
x0 x x
x2 min J ( x )
x
J2
La forma de la región de
búsqueda es importante
hi (x) = 0
J1
F
J3 para los algoritmos de
optimización
g j (x) 0
x1
F
Un conjunto F es convexo si el
segmento que une dos puntos
cualquiera del mismo esta
F totalmente contenido en F F no-convexo
F convexo
Función convexa
x1 x x2
x1 , x 2 F, [0,1]
J ( x1 + (1 − )x 2 ) J ( x1 ) + (1 − )J ( x 2 )
Si se cumple con < es estrictamente convexa
Función concava
x1 x x2
x1 , x 2 F, [0,1]
J ( x1 + (1 − )x 2 ) J ( x1 ) + (1 − )J ( x 2 )
Si se cumple con < es estrictamente convexa
Convexidad
J(x) J(x)
x1 x x2 x
x1 x2
J(x)
Si J(x) es convexa, -J(x) es concava
Una función lineal es convexa y concava
x1 x x2
Convexidad de funciones (una variable)
dJ( x 0 ) 1 d 2 J( x 0 )
J(x ) = J( x 0 ) + (x − x 0 ) + ( x − x 0 ) 2 + ...
dx 2 dx 2
dJ( x 0 ) 1 d 2 J( x 0 )
J( x ) − (J( x 0 ) + ( x − x 0 )) = ( x − x 0 ) 2 + ...
dx 2 dx 2
d 2 J( x 0 )
H=
dx 2
J(x)
Si H es continua y positiva semidefinida
la función J(x) es convexa en un entorno J(x0)+J’(x0)(x-x0)
de x0
x x0
Convexidad de funciones
J 1 2 J(x)
J(x) = J(x 0 ) + (x − x 0 ) + (x − x 0 ) ' (x − x 0 ) + ..
x x0 2 x x2
0
J 1 2 J(x)
J(x) − (J(x 0 ) + (x − x 0 )) = (x − x 0 ) ' (x − x 0 ) + ..
x x0 2 x x2
0
1 2 J(x) 1 H Hessiano
(x − x 0 ) ' (x − x ) = (x − x 0 ) 'H(x − x 0 )
x x2 0
2 2 J(x)
0
J(x0)+J’(x0)(x-x0)
La forma cuadrática z’Hz determina si la
función J(x) es convexa en un entorno
de x0
x x0
Convexidad de funciones lineales
F x2
x1
x1
Funciones cuadráticas
1
J(x) = a + b ' x + x 'Hx
2
J(x) a b x1
= b '+ x 'H J(x) = x1 x2 x
x c d 2
2 J(x) Función (forma) cuadrática en R2
=H
x 2
a b x1
La matriz H define el tipo de
x1 x2 1
forma cuadrática
c d x 2
La convexidad es global Describe una región en R2
Convexidad
✓Si J1(x) y J2(x) son funciones convexas en el conjunto convexo F, entonces J1(x) + J2(x)
también es convexa en F
✓Si J1(x) y J2(x) son funciones convexas y acotadas superiormente en el conjunto
convexo F, entonces J(x) = max { J1(x), J2(x)} también es convexa en F
✓Si J1(x) y J2(x) son funciones cóncavas y acotadas inferiormente en el conjunto convexo
F, entonces J(x) = min { J1(x), J2(x)} también es cóncava en F
✓Si J(x) es convexa en el conjunto convexo F, entonces J(Ax+b) es convexa
✓Si J(x) es una función convexa en el conjunto convexo F, y si V(.) es una función
convexa (definida en el rango de J) y no decreciente, entonces V[J(x)] es también
convexa en F. O bien J(x) es concava y V convexa y no creciente.
20
15
10
Convexidad 5
-5
0 0.5 1 1.5 2 2.5 3 3.5
2x 2 − 3sen ( x )
18
8
x 10
15 3.5
16
3 14
12
2.5
10
10
2
8
1.5 6
5
4
1
2
0 0.5 1 1.5 2 2.5 3 3.5
0.5
2x + 3,
0
0 0.5 1 1.5 2 2.5 3 3.5 0
0 0.5 1 1.5 2 2.5 3 3.5
max 2
exp(2x − 3sen(x) + 2) log(2x − 3sen(x) + 2)
2 2
2x − 3sen(x)
1500
16
1.4
14
1.3
12
1000 1.2
10
1.1
8
1
500 6 0.9
4 0.8
2 0.7
0
0 0.5 1 1.5 2 2.5 3 3.5
0
0 0.5 1 1.5 2 2.5 3 3.5 0 0.5 1 1.5 2 2.5 3 3.5
(2(x −2)2 + 4) 1
x (2(x − 2)2 )
x log x + 2
Optimización en un conjunto convexo
g j (x) 0
Si todas las restricciones de desigualdad son convexas
contribuirán a generar un conjunto convexo. Las
restricciones de igualdad, si no son lineales, no serán
en general convexas con lo que el problema puede
tener varios mínimos locales.
Tipos de problemas de optimización
x Rn
min J ( x )
x
Programación no lineal (NLP) función
hi (x) = 0 de coste y / o restricciones no-lineales
g j (x) 0
min J ( x, y)
x Programación mixta entera (MINLP)
h i ( x, y) = 0 algunas de las variables son reales y
otras enteras
g j ( x, y) 0
x Rn, y Z
Tipos de problemas de optimización
¿Por experiencia?
¿Experimentando todas
las opciones?
1 Analizar el problema
2 Formularlo en términos
matemáticos
min J ( x , y)
x
h ( x , y) = 0
g ( x , y) 0
3 Resolverlo con los
algoritmos y software
adecuados
4 Interpretar y aplicar la
solución
Análisis / Formulación (Modelado)
1 Analizar el problema 2 Formularlo en términos 1. Conocer el proceso, listar todas las variables
matemáticos de interés
2. Determinar el criterio de optimización y
especificar el criterio de optimización en
min J ( x , y)
x términos de las variables del problema
h ( x , y) = 0 3. Especificar las relaciones entre las variables
g ( x , y) 0 impuestas por balances de masa y energía,
leyes físicas, etc.
4. Determinar el rango admisible de las
variables
5. Identificar los grados de libertad respecto a
los cuales optimizar
Resolución / Aplicación (Optimización)
Formulación:
Relaciones entre 1 2
Función a minimizar:
variables: min dh + d
A = dh+¼d2
d ,h 4
V = ¼ d2h = 6
sujeto a :
Grados de libertad: número Límites: d 2 h = 4V
de variables – numero de d≥0 , h≥0
ecuaciones independientes: d 0, h 0
2-1=1 Datos : V
d
Un ejemplo
h
h
Un ejemplo más realista
h
Un ejemplo mas realista
1
min ( dh + d 2 )(d + 4) 4V
h= 2
d ,h 4 d
sujeto a : 4V d 2 area
cos te = ( d 2 + )(d + 4) =0
d 2 h = 4V d 4 d d*
d 0, h 0 4V d*2 − 4V d* *
*
+ + ( *2 + )(d + 4) = 0
d 4 d 2
Puede ser mas aconsejable 3d*4 + 8d*3 − 64V = 0
una solución numérica
directa del problema de
optimización No tiene solución analítica directa y debe
resolverse por métodos numéricos
Ejemplo: Planificación de la producción
A x1 E
Variables: xi Kg /dia procesados en las
unidades de cada material
x4
x2
B F A, B, C Kg / dia de materiales
x5 E, F, G Kg/dia de producto
x6 x3 Beneficio /dia = ventas – costes procesado
G
–costes materiales =
C
x7
(4E+3F+3.7G) – (1.5E+0.5F+G) –
(1.5A+2B+2.5C)
Objetivo: Maximizar el
beneficio diario
Ejemplo: Planificación de la producción
E
A x1 max 2.5E + 3.5F + 2.7G − 1.5A − 2 B − 2.5C
E = x1 + x 4 F = x 2 + x 5 G = x 3 + x 6 + x 7
x4
x2
F A = x1 + x 2 + x 3 B = x 4 + x5 + x6 C = x7
B
x5 x1 = 0.6E x 2 = 0.7 F x 3 = 0.5G x 6 = 0.2G
x6 x3 0 x1 + x 2 + x 3 40000
G
0 x 4 + x 5 + x 6 30000
C
x7
0 x 7 25000
xi 0
Objetivo: Maximizar el
beneficio diario
Ejemplo: Planificación de la producción
x7 xi 0
No es factible una
Objetivo: Maximizar el solución analítica
beneficio diario