República Bolivariana de Venezuela

Ministerio del Poder Popular para la Defensa

Universidad Nacional Experimental Politécnica de la Fuerza Armada

Nacional Bolivariana

U.N.E.F.A.N.B.

Núcleo: Miranda

Extensión: Ocumare del Tuy

Carrera: Ingeniería en sistemas

Semestre: 6to

MÉTODOS DE BÚSQUEDA .

Profesora:

Corina Brazon Participantes: C.I:

Jean C. Heredia 30.436.418

02/12/2023
 Índice

Índice……………………………………………………………………………Pag.2
Introducción………………………………………………………………...Pag.3 y
4
Métodos de búsqueda……………………………………Pag.5, 6, 7, 8, 9,10 y
11
 Función Unimodal.
 Búsqueda de Fibonacci.
 Búsqueda por la Sección Dorada.
 Método de Interpolación Cuadrática.
 Métodos de Búsqueda Multidimensionales.
 Métodos de variaciones cíclicas.
Conclusión……………………………………………………………………Pag.12
 Introducción

La optimización numérica es un campo esencial en matemáticas

aplicadas, ciencia de datos, ingeniería y otras disciplinas, que se enfoca en
encontrar soluciones óptimas a problemas que involucran la maximización o
minimización de una función en espacios de varias dimensiones. En este
contexto, existen diversas técnicas y métodos para encontrar soluciones
óptimas, como la función unimodal, la búsqueda de Fibonacci, la búsqueda
por la sección dorada, el método de interpolación cuadrática, los métodos de
búsqueda multidimensionales y las variaciones cíclicas.

La función unimodal es una función matemática que tiene un único

máximo o mínimo global, lo que la hace útil para encontrar soluciones
óptimas en problemas unidimensionales. La búsqueda de Fibonacci y la
búsqueda por la sección dorada son métodos específicos para encontrar el
mínimo de una función unimodal, utilizando una estrategia de búsqueda
basada en la división sucesiva del intervalo de búsqueda.

El método de interpolación cuadrática es un enfoque utilizado para

encontrar el mínimo de una función unimodal, utilizando una interpolación
cuadrática para aproximar la función objetivo localmente. Este método es
especialmente útil para problemas donde la función objetivo es costosa de
evaluar.

Por otro lado, los métodos de búsqueda multidimensionales son

esenciales para encontrar soluciones óptimas en espacios de alta
dimensionalidad. Estos métodos incluyen el gradiente descendente, métodos
de Newton, búsqueda aleatoria y algoritmos genéticos, que proporcionan
enfoques diversos para la optimización en espacios multidimensionales.
 Finalmente, los métodos de variaciones cíclicas, como el algoritmo de
Powell, utilizan estrategias específicas para la actualización de parámetros
de búsqueda, permitiendo una exploración más amplia del espacio de
búsqueda multidimensional. Estos enfoques son especialmente útiles en
problemas donde la exploración eficiente del espacio de búsqueda es crucial
para encontrar soluciones óptimas.

En conjunto, estos enfoques son fundamentales para resolver problemas

reales en áreas como la ingeniería, la ciencia de datos y otros campos, y su
comprensión y aplicación adecuada son esenciales para el avance y la
innovación en numerosos campos de la ciencia y la ingeniería.
 Métodos de búsqueda

Función unimodal

Una función unimodal es una función matemática que tiene un único

máximo o mínimo. En otras palabras, la función tiene un solo punto en el que
alcanza su valor más alto o más bajo, y en cualquier otro punto la función es
creciente o decreciente. Las funciones unimodales son importantes en
matemáticas y ciencias, ya que proporcionan información sobre el
comportamiento de una función en un intervalo específico. Ejemplos de
funciones unimodales incluyen la función cuadrática, la función exponencial y
la función logarítmica.

Ejemplo de función exponencial:

Búsqueda de Fibonacci

La secuencia de Fibonacci es una serie de números en la que cada

número es la suma de los dos anteriores. La secuencia comienza con 0 y 1,
y los siguientes números son 1, 2, 3, 5, 8, 13, 21, 34, etc. La secuencia de
Fibonacci se puede definir matemáticamente de la siguiente manera:

F(0) = 0 F(1) = 1 F(n) = F(n-1) + F(n-2) para n > 1

 La secuencia de Fibonacci tiene muchas aplicaciones en matemáticas,
ciencias de la computación, biología y otras áreas. Por ejemplo, aparece en
la modelización de poblaciones de conejos, en la teoría de números, en la
geometría y en la teoría de juegos.

La secuencia de Fibonacci también tiene propiedades matemáticas

interesantes, como la proporción áurea, que surge de la relación entre dos
números adyacentes en la secuencia.

La búsqueda de Fibonacci se refiere a la tarea de encontrar un número

específico en la secuencia de Fibonacci, ya sea de forma iterativa o mediante
algoritmos más eficientes como el algoritmo de búsqueda binaria. Esta tarea
es común en la resolución de problemas matemáticos y de programación.

Búsqueda por la Sección Dorada

La búsqueda por la sección dorada es un método de optimización que se

basa en la proporción áurea, también conocida como la razón áurea o
número áureo. Esta proporción, denotada por la letra griega phi (φ), es
aproximadamente igual a 1.618.

En el contexto de la búsqueda por la sección dorada, esta proporción se

utiliza para dividir un intervalo en dos partes de manera que la relación entre
la longitud del intervalo completo y la longitud de la parte más grande sea
igual a la relación entre la longitud de la parte más grande y la longitud de la
parte más pequeña.

Este método se aplica en problemas de optimización en los que se busca

encontrar el valor máximo o mínimo de una función en un intervalo dado. La
idea es reducir iterativamente el intervalo de búsqueda de forma que
converja hacia el valor óptimo.

La búsqueda por la sección dorada es un enfoque iterativo y puede ser

utilizado en algoritmos de optimización numérica. Este método es
especialmente útil cuando la función a optimizar es unimodal, es decir, tiene
un único máximo o mínimo en el intervalo de búsqueda.

Método de Interpolación Cuadrática

El método de interpolación cuadrática es un algoritmo utilizado para

encontrar el máximo o mínimo de una función unimodal. Este método se
basa en la interpolación de una parábola que aproxima la forma de la función
en un intervalo dado.

El proceso de interpolación cuadrática implica seleccionar tres puntos

iniciales dentro del intervalo de búsqueda y ajustar una parábola que pase
por estos puntos. A continuación, se utiliza el vértice de la parábola (el
máximo o mínimo local) como una estimación del máximo o mínimo de la
función en el intervalo.

El método de interpolación cuadrática es iterativo, lo que significa que se

repite el proceso en intervalos más pequeños alrededor del punto estimado
del máximo o mínimo, con el fin de refinar la aproximación.

Una de las ventajas del método de interpolación cuadrática es que puede

converger rápidamente hacia el máximo o mínimo de la función,
especialmente cuando la función es suave y unimodal. Sin embargo, este
método puede no ser eficaz en funciones con múltiples máximos o mínimos
locales.

Métodos de búsqueda multidimensionales

 Los métodos de búsqueda multidimensionales son algoritmos utilizados
para encontrar el máximo o mínimo de una función en espacios de varias
dimensiones. Estos métodos son ampliamente utilizados en optimización
numérica, aprendizaje automático, ciencia de datos, ingeniería y otras áreas
donde es necesario encontrar soluciones óptimas en espacios de alta
dimensionalidad.

Algunos de los métodos de búsqueda multidimensionales más comunes

incluyen:

1. Gradiente descendente: Este es un método iterativo que utiliza el

gradiente de la función para encontrar el mínimo local. El algoritmo avanza
en la dirección opuesta al gradiente en pequeños pasos, ajustando los
parámetros en cada iteración.

2. Métodos de Newton: Estos métodos utilizan la matriz hessiana de la

función para encontrar el mínimo local. A diferencia del gradiente
descendente, los métodos de Newton pueden converger más rápidamente,
pero también son más costosos computacionalmente debido al cálculo de la
matriz hessiana.

3. Métodos de búsqueda aleatoria: Estos métodos generan puntos aleatorios

en el espacio de búsqueda y evalúan la función en esos puntos. Aunque
pueden ser computacionalmente costosos, los métodos de búsqueda
aleatoria pueden ser útiles en problemas donde la función objetivo es
compleja y no se conoce suficiente información para utilizar métodos
deterministas.

4. Algoritmos genéticos: Estos son algoritmos de optimización inspirados en

la evolución biológica. Utilizan conceptos como la selección natural, la
reproducción y la mutación para buscar soluciones óptimas en espacios de
búsqueda multidimensionales.

Ejemplo del gradiente descendente:

Métodos de variaciones cíclicas

Los métodos de variaciones cíclicas son algoritmos utilizados en la

optimización numérica para encontrar el mínimo de una función. La
característica principal de estos métodos es que utilizan una estrategia
cíclica para actualizar los parámetros de búsqueda.

Un ejemplo común de método de variaciones cíclicas es el algoritmo de

Powell, que es un método de optimización sin restricciones. El método de
Powell se basa en la idea de realizar variaciones cíclicas a lo largo de
direcciones que no son necesariamente los gradientes de la función, lo que
puede ser útil en problemas de optimización multidimensional.

En el método de Powell, se realizan variaciones cíclicas utilizando

conjuntos de direcciones que se van actualizando en cada iteración. Estas
direcciones se eligen de manera que sean ortogonales entre sí, lo que
permite explorar el espacio de búsqueda de manera más efectiva que los
métodos basados únicamente en el gradiente.

La estrategia cíclica en el método de Powell permite una exploración más

amplia del espacio de búsqueda, lo que puede ser beneficioso para
encontrar soluciones en problemas multidimensionales complejos. Sin
embargo, también puede requerir un mayor número de evaluaciones de la
función objetivo en comparación con métodos más simples.
 Conclusión

En conclusión, la optimización numérica es un campo crucial que aborda

la búsqueda de soluciones óptimas en problemas complejos en varias
disciplinas. Durante esta exploración, hemos examinado diversos enfoques y
técnicas que desempeñan un papel fundamental en la resolución de
problemas de optimización.

La función unimodal, junto con métodos específicos como la búsqueda

de Fibonacci, la búsqueda por la sección dorada y el método de interpolación
cuadrática, proporciona herramientas poderosas para encontrar mínimos
globales en funciones unidimensionales, lo que resulta fundamental en
numerosos problemas de optimización.

Además, los métodos de búsqueda multidimensionales, como el

gradiente descendente, métodos de Newton, búsqueda aleatoria y algoritmos
genéticos, son esenciales para abordar la optimización en espacios de alta
dimensionalidad, permitiendo la búsqueda de soluciones óptimas en
problemas multidimensionales complejos.

Por último, los métodos de variaciones cíclicas, como el algoritmo de

Powell, ofrecen estrategias específicas para la actualización de parámetros
de búsqueda, lo que resulta beneficioso en la exploración eficiente del
espacio de búsqueda multidimensional, contribuyendo significativamente a la
resolución de problemas complejos en la optimización numérica.

En resumen, la comprensión y aplicación adecuada de estos enfoques y

técnicas son esenciales para el avance y la innovación en numerosos
campos de la ciencia y la ingeniería, y desempeñan un papel crucial en el
desarrollo de soluciones efectivas y eficientes en el ámbito de la optimización
numérica.