OPTIMIZACIÓN SIN

RESTRICCIONES

ECUACIÓN CUADRÁTICA CON RESTRICCIONES

CUADRÁTICAS
 2

Escribe un reporte mostrando detalladamente la

solución a los siguientes problemas:

PROBLEMA 1.

Minimizar

2 2
ϕ = 𝑥 + 𝑦 − 2𝑥𝑦 − 2𝑥 + 2𝑦

Sujeto a:

5 ≤ 𝑥 ≤ 8, 2 ≤ 𝑦 ≤ 7

La función a minimizar es una ecuación cuadrática con una región

acotada, esferoidea y con centro (0,0). La función representa una
superficie cuadrática en un espacio tridimensional. Cada punto (x, y) en el
plano xy corresponde a un valor de la función f(x, y) en el eje z.

Geométricamente, la función cuadrática f(x, y) = x^2 + y^2 - 2xy - 2x + 2y

puede representarse como una superficie tridimensional en forma de
paraboloide.
 3

Las restricciones de la función ϕ definen una región rectangular en el

plano xy. En términos geométricos, podemos visualizar esta región
rectangular como una caja en el plano xy, donde los límites 5 <= x <= 8 y 2
<= y <= 7 definen los lados de la caja.

La solución óptima será el punto dentro de esta región rectangular que

minimiza la función f(x, y). El proceso consiste en encontrar
iterativamente el punto que cumple con las restricciones y que tiene el
valor más bajo en la función objetivo f(x, y). Esto puede requerir moverse
en diferentes direcciones dentro de la región factible y ajustar los valores
de x e y en cada iteración hasta encontrar el óptimo.

Un método aceptable para resolver este tipo de ecuaciones es el

Método de Lagrange ya que introduce los multiplicadores de Lagrange
para convertir el problema de optimización con restricciones en un
problema sin restricciones.La función Lagrangiana se define como:

𝐿(𝑥, 𝑦, λ ) = 𝑓(𝑥, 𝑦) + λ1(𝑔1(𝑥, 𝑦) − 𝑐1) +

λ2 (𝑔2(𝑥, 𝑦) − 𝑐2)

donde 𝑔1 (𝑥, 𝑦) = 𝑥 − 5

𝑔2 (𝑥, 𝑦) = 8 − 𝑥

𝑐 1 = 0, 𝑐2 = 0
 4

λ1 𝑦 λ2 Son los multiplicadores de Lagrange asociados a

las restricciones.

Para encontrar el mínimo de la función Lagrangiana, se deben

satisfacer las condiciones de Karush-Kuhn-Tucker (KKT) . Estas
condiciones son:

primero: ∇ 𝐿 (𝑥, 𝑦, λ ) = 0 el gradiente de la función

Lagrangiana debe ser igual a cero.

segundo: Las restricciones impuestas deben ser satisfechas:

𝑔1 (𝑥, 𝑦 ) − 𝑐1 ≤ 0 𝑦 𝑔2(𝑥, 𝑦 ) − 𝑐2 ≤ 0

tercero: se deben cumplir las condiciones de complementariedad:

λ1 * ( 𝑔1 (𝑥, 𝑦 ) − 𝑐1 = 0

λ2 * ( 𝑔2 (𝑥, 𝑦 ) − 𝑐2 = 0

cuarto: los multiplicadores de Lagrange deben ser no negativos.

λ1 ≥ 0 𝑦 λ2 ≥ 0
 5

Una vez sujetos a estas condiciones, obtenemos las derivadas

parciales de la función Lagrangiana igualadas a cero junto con las
restricciones, de ahí obtenemos un sistema de ecuaciones:

∂𝐿 /∂𝑥 = 2𝑥 − 2𝑦 − 2 + λ1 − λ2 = 0

∂𝐿 / ∂𝑦 = 2𝑦 − 2𝑥 + 2 + λ1 = 0

𝑔1 (𝑥, 𝑦 ) − 𝑐1 = 𝑥 − 5 ≤ 0

𝑔2 ( 𝑥, 𝑦 ) − 𝑐2 = 8 − 𝑥 ≤ 0

λ1 * ( 𝑔1 (𝑥, 𝑦 ) − 𝑐1 ) = 0

λ2 * ( 𝑔2 (𝑥, 𝑦 ) − 𝑐2 ) = 0

Resolviendo el sistema de ecuaciones, se obtienen los valores de x, e

y, así también los de λ1 y λ2 que satisfacen las condiciones de KKT.

La solución óptima es el conjunto de valores de x e y que minimizan

la función objetivo f(x, y) y cumplen las restricciones.

Verificación de las condiciones de KKT:

 6

Primero: Factibilidad Primal, consiste en verificar que todas las

restricciones se cumplan, en este caso los valores de ( 5, 4 ) se
encuentran dentro de la región factible.
5 ≤ 𝑥 ≤ 8, 2 ≤ 𝑦 ≤ 7.

Segundo: Factibilidad Dual: verifica que las variables duales o

multiplicadores de lagrange asociados en las restricciones sean No
negativas

λ1 ≥ 0 𝑦 λ2 ≥ 0

Tercero: Condiciones de Optimalidad: verifica que se cumplan las

condiciones de primer orden de la función objetivo y las
restricciones sean igual a cero: Evaluando las derivadas parciales
en los valores de (x, y) obtenidos:

∂𝐿 /∂𝑥 = 2𝑥 − 2𝑦 − 2 + λ1 − λ2 = 0

𝑓 ( 5, 4) = 2(5) − 2(4) − 2 + 0 − 0 = 0

∂𝐿 / ∂𝑦 = 2𝑦 − 2𝑥 + 2 + λ1 = 0

𝑓 (5, 4) = 2(4) − 2(5) + 2 + 0 = 0

 7

Se cumplen las condiciones de optimalidad.

Valor objetivo de la función, este ejemplo tiene un valor de -1.0, esto

lo verificamos evaluando la función objetivo en los valores de x e y
que obtuvimos.

2 2
ϕ = 𝑥 + 𝑦 − 2𝑥𝑦 − 2𝑥 + 2𝑦

2 2
ϕ(5, 4) = 5 + 4 − 2(5)(4) − 2(5) + 2(4) = − 1. 0
 8

Problema 2

Minimizar:

2 2
ϕ = 𝑥 + 8𝑦

Sujeto a:

− π ≤ 𝑥 ≤ π, π ≤ 𝑦 ≤ 2π

La función objetivo representa una superficie en un espacio

tridimensional, su forma sería similar a un cuenco con un eje de
simetría en el eje y, las restricciones impuesta a esta función forman
un un rectángulo en el plano xy.

Cada función precisa algo de análisis antes de determinar el método

más adecuado para conseguir el valor óptimo de la función,
cumpliendo con las restricciones. No siempre se encuentra el valor
óptimo dentro de la región factible y eso impide que se cumplan
todas las restricciones.
 9

Esta función la minimize con el mismo método del ejercicio anterior,

utilizando los multiplicadores de Lagrange y me arrojo estos valores:

Solución óptima:

x = 3.141592653589796

y = 3.141592653589804

Valor objetivo: 88.8264396098048

Restricciones satisfechas: True

Al evaluar las derivadas parciales en los valores obtenidos en el

punto de interés, obtengo que tanto la derivada parcial de x como
la derivada parcial de y son mayores a cero, con lo que deduzco
que se trata de un mínimo local. Aunque se satisfacen las
condiciones de factibilidad no es el mínimo global.

Continuo con la elección del método que me ayude a minimizar

esta función y aplico el método de descenso profundo que
combina la dirección de máximo descenso con el mínimo del
problema sin restricciones, primero elijo un punto inicial que se
encuentra dentro de la zona factible, en este caso ( π, π ).

Después se calcula el gradiente de la función:

∇ 𝑓 ( 𝑥, 𝑦 ) = ( 2𝑥 , 16𝑦 )
 10

Obteniendo así la dirección de descenso

= −∇ 𝑓 ( 𝑥, 𝑦 ) = ( − 2𝑥 , − 16𝑦 )

Continuo, el método del descenso profundo se basa en la idea de

encontrar el mínimo de la función objetivo a lo largo de la
dirección de máximo descenso. Enseguida se selecciona el
tamaño de paso para avanzar en esa dirección, se elige un valor
entre 0 y 1.

La búsqueda el línea implica encontrar el valor del paso que

minimiza la función en la dirección de máximo descenso, siempre
teniendo en cuenta permanecer dentro de la zona factible, el
resultado obtenido es el punto que cumple todas las restricciones
y proporciona el valor más bajo de la función objetivo.

resultados obtenidos

Solución óptima:

x = 1.027703123292856e-06

y = -1.605786130144809e-08

Valor objetivo: 1.0582365489025038e-12

Los resultados indican que el punto (0.0277e-06, -1.6057e-08)

satisfacen las restricciones del problema y es una solución que
minimiza la función objetivo, el valor objetivo 1.0582e-12
 11

representa la mínima cantidad cuadrada de la función objetivo

ese ese punto.

Problema 3

Minimizar:
2 2
ϕ = 𝑥 + 𝑦

Sujeto a:

0 ≤ 𝑥, 0 ≤ 𝑦, 𝑥 + 𝑦 ≤ 2, 𝑥 + 𝑦 ≥4

La función a minimizar es una esfera en un espacio tridimensional,

donde todas las variables están restringidas estrictamente a ser
positivas, así mismo tenemos una restricción de desigualdad. El
problema consiste en minimizar la función objetivo f(x) = x^2 + y^2
sujeta a las restricciones 0 <= x, 0<= y, x + y <= 2, x + y >= 4.

Muy importante el análisis de la función para poder determinar el

punto inicial de la minimización.
 12

Método de la Región de Confianza: La Región de Confianza es un

enfoque de optimización que se utiliza para resolver problemas con
restricciones, para implementarlo, se construye una región alrededor
de la solución actual y se busca una nueva solución dentro de esa
región que mejore la función objetivo.

Para aplicar el método de la Región de Confianza, es necesario

establecer algunos parámetros clave, como el tamaño inicial de la
región de confianza, el tamaño máximo de la región, el tamaño del
paso y el valor de la tolerancia. Estos parámetros se ajustan de
manera empírica para obtener una convergencia óptima.

Se elige un punto inicial dentro de la región factible. En este caso,

podemos elegir un punto como (x=0, y=0) que satisface las
restricciones.
Se evalúa la función objetivo en el punto inicial y se calcula el
gradiente.
Se construye la región de confianza alrededor del punto inicial.
Se busca una nueva solución dentro de la región de confianza que
mejore la función objetivo en cada iteración.
Se evalúa la función objetivo en el nuevo punto y se compara con el
valor objetivo anterior. Si se mejora, se actualiza la solución actual;
de lo contrario, se reduce el tamaño de la región de confianza y se
repite el proceso.
Se repiten los pasos 4 y 5 hasta que se alcance la convergencia, es
decir, cuando se cumple la condición de terminación (por ejemplo,
cuando la mejora en la función objetivo es menor que una cierta
tolerancia).

Resultados obtenidos:

solución óptima

x = 1.0000000000000004
 13

y = 1.0000000000000007

valor objetivo de 2.000000000000002

La solución obtenida satisface todas las restricciones del problema y

minimiza la función objetivo en la región factible definida por las
restricciones dadas.