Introducción a la Optimización

Tópicos de Ciencia de la Computación IV

Dr. Jaime Osorio Ubaldo

Jaime Osorio Introducción a la Optimización Tópicos de CC IV 1 / 25

Fundamentos

La teorı́a de optimización o programación matemática está

constituida por un conjunto de resultados y métodos numéricos
enfocados a encontrar e identificar al mejor candidato de entre una
colección de alternativas, sin tener que enumerar y evaluar
explı́citamente todas esas alternativas.
En general un problema de optimización consiste en buscar valores
para determinadas variables, de forma que cumpliendo un conjunto de
requisitos, representados en general mediante ecuaciones y/o
inecuaciones algebraicas (las restricciones del problema), proporcionan
el mejor (mayor o menor) valor posible para una función que es
utilizada para medir el rendimiento del sistema en estudio.

Jaime Osorio Introducción a la Optimización Tópicos de CC IV 2 / 25

Planteamiento General

Max o Min f (x)

sujeto a. restriciciones

Jaime Osorio Introducción a la Optimización Tópicos de CC IV 3 / 25

Elementos de Optimización

Función objetivo.
Variables independientes.
Restricciones.

Jaime Osorio Introducción a la Optimización Tópicos de CC IV 4 / 25

Tipos de problemas

Problemas de Programación Lineal

Problemas de Programación no Lineal con restricciones y sin
restricciones

Jaime Osorio Introducción a la Optimización Tópicos de CC IV 5 / 25

Clasificación según el tipo de problema

Optimización Continua
Optimización Discreta

Jaime Osorio Introducción a la Optimización Tópicos de CC IV 6 / 25

Solución Factible

Diremos que x es una solución factible si cumple todas sus restricciones.

Jaime Osorio Introducción a la Optimización Tópicos de CC IV 7 / 25

Conjunto Factible

Se define región o conjunto factible Ω al conjunto de todas las soluciones

factibles.

Jaime Osorio Introducción a la Optimización Tópicos de CC IV 8 / 25

Mı́nimo Global

x0 es un mı́nimo global si

∀x ∈ Ω, f (x0 ) ≤ f (x)

Jaime Osorio Introducción a la Optimización Tópicos de CC IV 9 / 25

Máximo Global

x0 es un máximo global si

∀x ∈ Ω, f (x0 ) ≥ f (x)

Jaime Osorio Introducción a la Optimización Tópicos de CC IV 10 / 25

Solución Óptima

x0 es una solución óptima si es un mı́nimo global y el objetivo del

problema es minimizar.
x0 es una solución óptima si es un máximo global y el objetivo del
problema es maximizar.

Jaime Osorio Introducción a la Optimización Tópicos de CC IV 11 / 25

Valor Óptimo

Si x0 es una solución óptima, entonces f (x0 ) es el valor óptimo.

Jaime Osorio Introducción a la Optimización Tópicos de CC IV 12 / 25

Mı́nimo Local

x0 es un mı́nimo local si

∃ > 0, ∀x ∈ Ω, |x − x0 | <  → f (x0 ) ≤ f (x)

Jaime Osorio Introducción a la Optimización Tópicos de CC IV 13 / 25

Máximo Global

x0 es un máximo local si

∃ > 0, ∀x ∈ Ω, |x − x0 | <  → f (x0 ) ≥ f (x)

Jaime Osorio Introducción a la Optimización Tópicos de CC IV 14 / 25

Problemas a Resolver

¿Cómo podemos determinar si un punto x0 es o no la solución óptima

de un problema de optimización?
Si x no es el punto óptimo, entonces ¿cómo podemos encontrar una
solución óptima x0 utilizando la información de la función?

Jaime Osorio Introducción a la Optimización Tópicos de CC IV 15 / 25

Teorema de Weierstrass

Sea f (x) una función continua definida sobre un conjunto compacto K .

Entonces el problema de optimización tiene al menos una solución óptima.

Jaime Osorio Introducción a la Optimización Tópicos de CC IV 16 / 25

Segmento Lineal

Cerrado
[x, y ] = {tx + (1 − t)y ∈ Rn : 0 ≤ t ≤ 1}
Abierto
]x, y [= {tx + (1 − t)y ∈ Rn : 0 < t < 1}

Jaime Osorio Introducción a la Optimización Tópicos de CC IV 17 / 25

Conjuntos Convexos

Ω es convexo ⇐⇒ ∀x, y ∈ Ω, [x, y ] ⊂ Ω.

Jaime Osorio Introducción a la Optimización Tópicos de CC IV 18 / 25

Hiperplano

Sea a ∈ Rn con a 6= 0 y b ∈ R. Un hiperplano H en R n es un conjunto

definido como
H = {x ∈ Rn : aT x = b}
el vector a es un vector normal al hiperplano H y aT x es un producto
escalar.
aT x = a1 x1 + a2 x2 + · · · an xn .

Jaime Osorio Introducción a la Optimización Tópicos de CC IV 19 / 25

Propiedades

Sea Ω1 , Ω2 ∈ Rn dos conjuntos convexos, entonces

Ω1 ∩ Ω2 es convexo.
Ω1 + Ω2 = {x + y ∈ Rn : x ∈ Ω1 , y ∈ Ω2 } es convexo.
Ω1 − Ω2 = {x − y ∈ Rn : x ∈ Ω1 , y ∈ Ω2 } es convexo.

Jaime Osorio Introducción a la Optimización Tópicos de CC IV 20 / 25

Propiedad

El conjunto de soluciones óptimas de un problema de optimización es un

conjunto convexo.

Jaime Osorio Introducción a la Optimización Tópicos de CC IV 21 / 25

Punto Extremo

Sea Ω ⊂ Rn un conjunto convexo no vacı́o. Se dice que el punto x ∈ Ω es

un vértice o punto extremo de Ω si y solo si

Si x = tx1 + (1 − t)x2 para alg ún t ∈ [0, 1] y x1 , x2 ∈ Ω → x1 = x2 = x.

Jaime Osorio Introducción a la Optimización Tópicos de CC IV 22 / 25

Función Convexa

Diremos que f : Ω ⊂ Rn → R, con Ω un conjunto convexo no vacı́o, es

convexa sobre Ω si y solo si

∀x, y ∈ Ω, t ∈ [0, 1] → f (tx + (1 − t)y ) ≤ tf (x) + (1 − t)f (y )

y es estrictamente convexa si

∀x, y ∈ Ω, t ∈ [0, 1] → f (tx + (1 − t)y ) < tf (x) + (1 − t)f (y )

Jaime Osorio Introducción a la Optimización Tópicos de CC IV 23 / 25

Función Cóncava

Diremos que f : Ω ⊂ Rn → R, con Ω un conjunto cóncavo no vacı́o, es

cóncava sobre Ω si y solo si

∀x, y ∈ Ω, t ∈ [0, 1] → f (tx + (1 − t)y ) ≥ tf (x) + (1 − t)f (y )

y es estrictamente convexa si

∀x, y ∈ Ω, t ∈ [0, 1] → f (tx + (1 − t)y ) > tf (x) + (1 − t)f (y )

Jaime Osorio Introducción a la Optimización Tópicos de CC IV 24 / 25

Proposición

Si f1 (x) y f2 (x) son dos funciones convexas sobre un conjunto convexo

Ω ⊂ Rn , entonces f (x) = f1 (x) + f2 (x) es convexa sobre Ω.

Jaime Osorio Introducción a la Optimización Tópicos de CC IV 25 / 25