Está en la página 1de 65

OPTIMIZACIN

Ing.Gloria Pomape R.
Universidad Nacional de Trujillo-Ingenieria Industrial
Ms. G Pomape R

OPTIMIZACION UNIVARIABLE
Optimizar es : Max f(x) Min f(x)
En la mayora de los casos los valores mximo o
mnimo se encuentran en un "turning point", el cual
es un mximo o mnimo local.

Max. local

Min. local

Universidad Nacional de Trujillo-Ingenieria Industrial Ms. G Pomape R

Teora Clsica de la
Optimizacin

Universidad Nacional de Trujillo-Ingenieria Industrial Ms. G Pomape R

Teora Clsica de la
Optimizacin

punto extremo de una funcin f(x) define un


Un
mximo o mnimo de ella.

Los puntos donde f(x)= 0 se llaman puntos


estacionarios o puntos crticos.

TEOREMA: Si xo es un punto estacionario, entonces:

a) Xo es un mximo si f(Xo)<0

b) Xo es un mnimo si f(Xo)>0

Que pasa si f (Xo)=0 ?

Universidad Nacional de Trujillo-Ingenieria Industrial Ms. G Pomape R

Que pasa si f (Xo)=0 ?

Se debe investigar variables de orden superior como


indica el teorema.

TEOREMA: Dado un Xo un punto estacionario de f(x)


si las primeras (n-1) derivadas son cero y si f(n)
(Xo)0, entonces:

1) Xo es un punto de inflexin si n es impar.

2) Xo es un mnimo si n es par y f(n)(Xo)>0

3) Xo es un mximo si n es par y f(n)(Xo)<0

Ejemplos: f(x) =x3

f(x)=x4

Universidad Nacional de Trujillo-Ingenieria Industrial Ms. G Pomape R

Ejemplo
r

Envase de lata
Vol.=1100

1100=

0.2 cm

Mnima cantidad de material

0.2 cm

+0.2)*)

Universidad Nacional de Trujillo-Ingenieria Industrial Ms. G Pomape R

MTODO DE SECCIN DORADA

No necesitamos derivar.
Se necesita (a,b)/ (a,b)
Funcin unimodal

Universidad Nacional de Trujillo-Ingenieria Industrial Ms. G Pomape R

Max f(x)

Universidad Nacional de Trujillo-Ingenieria Industrial Ms. G Pomape R

Bsqueda de la Seccin Dorada

La primera condicin
especfica que la suma de las
dos sublongitudes l1 y l2 debe
ser igual a la longitud original
del intervalo

La segunda indica que el


cociente o razn de las
longitudes debe ser igual

l0 l1 l2
l1 l 2

l 0 l1

l1
l
2
l1 l 2 l1
R

l2
l1

1 R

1
R

R2 R 1 0

1 1 4 1
5 1

0.6 1 8 0
3
2
2

xl

Primera
Iteracin

Universidad Nacional de Trujillo-Ingenieria


Ms. G Pomape R

La Razn Dorada
Industrial

Segunda

xu

l0
l1

l2

.
a

Si

Si

error
error

MEP= (1-R)(b-a)

Universidad Nacional de Trujillo-Ingenieria Industrial Ms. G Pomape R

Ejemplo

F(x)

-1
-0.5
0
0.5
1
1.5

-15.5
-6.15
0
5.85
8.5
-9.21

(0.5 ; 1.5)

Universidad Nacional de Trujillo-Ingenieria Industrial Ms. G Pomape R

1 Iteracin

(0.5 ; 1.5)

.
a

=0.882

MEP= (1-R)(b-a)=(1-0.618)(1.50.5)=0.382
Universidad Nacional de Trujillo-Ingenieria Industrial Ms. G Pomape R

2 Iteracin

(0.5,1.118)

.
a

736

=0.882

MEP= (1-R)(b-a)=(1-0.618)(0.88190.736)=0.236
Universidad Nacional de Trujillo-Ingenieria Industrial Ms. G Pomape R

3 Iteracin

(0.736,1.118)

=0.882

.
a

MEP= (1-R)(b-a)=(1-0.618)(1.1180.736)=0.146
Universidad Nacional de Trujillo-Ingenieria Industrial Ms. G Pomape R

4 Iteracin
(0.736,0.972)

.
a

26

=0.882

MEP= (1-R)(b-a)=(1-0.618)(0.9720.736)=0.090152
Universidad Nacional de Trujillo-Ingenieria Industrial Ms. G Pomape R

METODO DE NEWTON RAPHSON

Universidad Nacional de Trujillo-Ingenieria Industrial Ms. G Pomape R

Ejemplo

x
-1
-0.5
0
0.5
1
1.5

29
13.28
12
10.7
-5
-8.3

Universidad Nacional de Trujillo-Ingenieria Industrial Ms. G Pomape R

1 Iteracin

Universidad Nacional de Trujillo-Ingenieria Industrial Ms. G Pomape R

2 Iteracin

0104

3 Iteracin

00018

Universidad Nacional de Trujillo-Ingenieria Industrial Ms. G Pomape R

OPTIMIZACIN
MULTIVARIABLE
IRRESTRICTA
Ms. Gloria Pomape R.
Universidad Nacional de TrujilloIngenieria Industrial Ms. G
Pomape R

PROBLEMA

Una importante compaa petrolera desea


construir una refinera que recibir suministros
desde tres ciudades portuarias. El puerto B esta
300 Km. al este y 400 Km. al norte del puerto A,
mientras que el puerto C esta 400 al este y 100
Km. al sur del puerto B. Determnese la
localizacin de la refinera, de tal manera que la
cantidad total de tubera necesaria para
conectar la Refinera con los puertos se
minimice.
Universidad Nacional de TrujilloIngenieria Industrial Ms. G
Pomape R

Formulacin del Modelo

Universidad Nacional de TrujilloIngenieria Industrial Ms. G


Pomape R

DEFINICIONES BSICAS
La Optimizacin puede definirse como el
proceso de seleccionar dentro de un conjunto
de alternativas posibles, aquella que mejor
satisfaga el o los objetivos propuestos.
Para
la resolucin de un problema de
optimizacin
se
requieren
2
etapas
principales:

Universidad Nacional de TrujilloIngenieria Industrial Ms. G


Pomape R

La Optimizacin multivariable implica un


estudio de datos de 2 dimensiones o ms.

Universidad Nacional de TrujilloIngenieria Industrial Ms. G


Pomape R

Condiciones necesarias y
Suficientes
punto extremo de una funcin f(X)
Un
define un mximo o un mnimo de ella
Teorema 1:Una condicin necesaria , para
que Xo sea un punto extremo de f(X) es
que
Como la condicin necesaria tambin queda
satisfecha con los puntos de inflexin y de
silla los puntos obtenidos con la solucin se
llaman puntos estacionarios.

Universidad Nacional de TrujilloIngenieria Industrial Ms. G


Pomape R

Definicin: Un punto X* cuya se llama punto


estacionario de f.
Teorema 2: (Condicin necesaria de
segundo orden)
Si x* es un mnimo local de f y f tiene
segundas derivadas parciales continuas en
una vecindad de x*, entonces
y la
Hessiana es positiva definida

Universidad Nacional de TrujilloIngenieria Industrial Ms. G


Pomape R


Teorema
3: (Condicin necesaria de
segundo orden)
Si x* es un mximo local de f y f tiene
segundas derivadas parciales continuas en
una vecindad de x*, entonces y la
Hessiana es negativa definida

Universidad Nacional de TrujilloIngenieria Industrial Ms. G


Pomape R

Teorema
4(Condicin suficiente de segundo

orden)
Suponer que f tiene segundas derivadas parciales
continuas en una vecindad de x* y que la
y la Hessiana es positiva definida, entonces x* es un
mnimo local estricto de f.
Teorema 5(Condicin suficiente de segundo
orden)
Suponer que f tiene segundas derivadas parciales
continuas en una vecindad de x* y que la y la
Hessiana es negativa definida, entonces x* es un
mximo local estricto de f.
Universidad Nacional de TrujilloIngenieria Industrial Ms. G
Pomape R

Teorema 6:
Cuando f es convexa, cualquier mnimo
local x* es un mnimo global de f. Si adems
f
es
diferenciable,
cualquier
punto
estacionario x* es un mnimo global de f.

Universidad Nacional de TrujilloIngenieria Industrial Ms. G


Pomape R

Teorema 7:
Cuando f es cncava, cualquier mximo
local x* es un mximo global de f. Si
adems f es diferenciable, cualquier punto
estacionario x* es un mximo global de f

Universidad Nacional de TrujilloIngenieria Industrial Ms. G


Pomape R

CLASIFICACIN DE LOS MTODOS


DE OPTIMIZACIN MULTIVARIABLE

En este estudio, se tomar como criterio de


clasificacin la evaluacin de la derivada.
Segn ello, se clasifica as:
Mtodos no gradientes (Directos):
1. Bsqueda aleatoria
2. Univariabilidad y bsquedas patrn
Mtodos Gradiente (Indirectos):
1. Gradientes y Matriz de Hessiana
2. Mtodo de pasos ascendentes
3. Mtodo Newton
Universidad Nacional de TrujilloIngenieria Industrial Ms. G
Pomape R

MTODOS DIRECTOS O NO
GRADIENTE
Estos mtodos varan de procedimientos de
fuerza bruta simple a tcnicas elegantes
que intentan explorar a la funcin.
Se caracterizan esencialmente por no ser
necesario derivar funciones.

Universidad Nacional de TrujilloIngenieria Industrial Ms. G


Pomape R

1.Mtodo de Bsqueda
Aleatoria

El mtodo de bsqueda aleatoria evala en


forma repetida la funcin mediante la
seleccin aleatoria de valores de la variable
independiente.

Universidad Nacional de TrujilloIngenieria Industrial Ms. G


Pomape R

Ejemplo Mtodo Bsqueda


Aleatoria
Enunciado:
Utilizar un generador de nmeros aleatorios
para localizar el mximo de:

f ( x, y ) y x 2 x 2 2 xy y 2

En el dominio acotado por x=-2 a 2; y=1 a


3.

Solucin:
El nmero aleatorio entre (a,b) se genera
N=a+(b-a)*r; donde r es un rand, es decir
un nmero aletaorio entre (0,1)

Universidad Nacional de TrujilloIngenieria Industrial Ms. G


Pomape R

Generacin de aleatorios
Para x:
El generador de nmeros aleatorios est
dado por: x xa ( xb xa ) r
Los valores de x estarn determinados por:
Para y:
x 2 4 r ; r 0;1
El generador de nmeros aleatorios est
y ya ( yb ya ) r
dado por:
Los valores de y estarn determinados por :

y 1 2 r ; r 0;1
Universidad Nacional de TrujilloIngenieria Industrial Ms. G
Pomape R

Generacin de valores y clculo


del mximo

Luego de darse el clculo aleatorio de


valores, se puede verificar, que el mximo
valor para la funcin es f(x, y)=1.25
i

F(x, y)

30

-0.9886

1.4282

1.2462

60

-1.0040

1.4724

1.2490

90

-1.0040

1.4724

1.2490

120

-0.9837

1.4936

1.2496

150

-0.9960

1.5079

1.2498

180

-0.9960

1.5079

1.2498

200

-0.9978

1.5039

1.2500

Universidad Nacional de TrujilloIngenieria Industrial Ms. G


Pomape R

MXIM
O

Ventajas y Desventajas del M.


Bsqueda Aleatoria
Ventajas:
1) Es aplicable en discontinuidades y funciones
no diferenciables.
2) Siempre encuentra al ptimo global, ms
que el local.
Desventajas:
1) A medida que crece el nmero de variables
independientes, aumenta considerablemente el
esfuerzo de implementacin.
2)
No se toma en consideracin el
comportamiento de la funcin para reducir la
velocidad en la optimizacin.

Universidad Nacional de TrujilloIngenieria Industrial Ms. G


Pomape R

Codificacin: Grfica de la
Funcin
Cdigo en MatLab
clc,clear
% grfica de funciones
x=-2:0.1:2;
y=1:0.1:3;
[x,y]=meshgrid(x,y);
z=y-x-2*x.^2-2*x.*y-y.^2;
mesh (x,y,z) %3D
grid on

Universidad Nacional de TrujilloIngenieria Industrial Ms. G


Pomape R

Obtenemos la Grfica en
3D

Universidad Nacional de TrujilloIngenieria Industrial Ms. G


Pomape R

Bsqueda del Mximo en el plano


xy

Cdigo para generar la superficie en el plano


xy
clc,clear
% grfica de funciones
x=-5:0.1:5;
y=-5:0.1:5;
[x,y]=meshgrid(x,y);
z=y-x-2*x.^2-2*x.*y-y.^2;
contour (x,y,z,50) % 50 lneas de contorno
grid on
Universidad Nacional de TrujilloIngenieria Industrial Ms. G
Pomape R

Grfica en el plano xy

Aqu se
encuentra
el mximo

Universidad Nacional de TrujilloIngenieria Industrial Ms. G


Pomape R

Gradiente
Indica lo que vara una determinada
magnitud fsica al desplazarse en una
determinada direccin, una determinada
distancia.
: El gradiente tiene la direccin y sentido en
el que la derivada direccional es mxima

Universidad Nacional de TrujilloIngenieria Industrial Ms. G


Pomape R

.La Gradiente y la Matriz


Hessiana
Derivada Direccional
La derivada direccional da la razn de
cambio de los valores de la funcin f(x, y)
con respecto a la distancia ren el plano XY
u ( a, b)
en la direccin del vector unitario
Si se quiere saber la pendiente de una
regin arbitraria y definimos nuestra
posicin como si estuviramos en el origen
del nuevo eje (h->0), se tiene:

f ( x0 , y0 )
f ( x0 , y0 )
Dur f ( x0 , y0 )
cos
sen
x
y
Universidad Nacional de TrujilloIngenieria Industrial Ms. G
Pomape R

Definicin de la Gradiente

Si se obtiene la pendiente con respecto a


una direccin cualquiera, entonces se tiene:

f
f
f i
j
x
y

En su forma vectorial para muchas


f
variables:
x1

f
f ( x ) x 2

....
f

xn

Universidad Nacional de TrujilloIngenieria Industrial Ms. G


Pomape R

Matriz Hessiana
La matriz Hessiana est definida como una
matriz de orden n de la siguiente
manera:
Para el caso particular de 2 variables se
tiene como matriz Hessiana y a su
2 f
determinante:
2 f
2
2
2
2

2
f f f

y
H 2

H 2
2
2
x y xy
f
f

Universidad Nacional de TrujilloIngenieria Industrial Ms. G


Pomape R

Criterio de la Segunda
derivada

Se obtienen los siguientes casos: Para F(x,y)


1) Mnimo Local
2 f ( a, b )
0
Si H 0 y adems
2
x
2) Mximo Local
2 f ( a, b )
0
Si H 0 y adems
2
x
3) Punto de Silla
Si H 0
4) No se tiene informacin
Si H 0

Universidad Nacional de TrujilloIngenieria Industrial Ms. G


Pomape R

Matriz positiva definida

Esta matriz M cuadrada simtrica, se dice definida


positiva si cumple con una (y por lo tanto, las
dems) de las siguientes formulaciones equivalentes:

1. Para todos los vectores no nulos z C n tenemos


que

ZT M Z >0
Ntese que ZT M Z es siempre real. El producto
anterior, recibe el nombre de Producto Cuntico.

2. Todos los autovalores i de M son positivos.


(Recordamos que los autovalores de una matriz
simtrica, son reales.)
Universidad Nacional de TrujilloIngenieria Industrial Ms. G
Pomape R

F(x,y,z,)
Hallar los valores propios:
Sea M la Hessiana H (H=Matriz M)
Son los tal que =0
i

Si todos son positivos => H es positiva


definida
Si todos son negativos => H es negativa
definida

Universidad Nacional de TrujilloIngenieria Industrial Ms. G


Pomape R

3. Todos los determinantes de los menores


principales de M son positivos. O lo que es
equivalente; todas las siguientes matrices tienen
determinantes positivo.
la superior izquierda de M de dimensin 1x1
la superior izquierda de M de dimensin 2x2
la superior izquierda de M de dimensin 3x3
...
la superior izquierda de M de dimensin (n-1)x(n-1)
M en s misma.
Para matrices semidefinidas positivas, todos los
menores principales tienen que ser no negativos
(Criterio de Silvestre o Sylvester).

Universidad Nacional de TrujilloIngenieria Industrial Ms. G


Pomape R

Ejemplo:

Si :
det(A1)>0
det(A2)>0
det(A3)>0
=> A es positiva definida
Universidad Nacional de TrujilloIngenieria Industrial Ms. G
Pomape R

Matriz negativa definida

Esta matriz M cuadrada simtrica, se dice definida


negativa si cumple con una (y por lo tanto, las
dems) de las siguientes formulaciones equivalentes:

1. Para todos los vectores no nulos z C n tenemos


que

ZT M Z <0
Ntese que ZT M Z es siempre real. El producto
anterior, recibe el nombre de Producto Cuntico.

2. Todos los autovalores i de M son negativos.


(Recordamos que los autovalores de una matriz
simtrica, son reales.)
Universidad Nacional de TrujilloIngenieria Industrial Ms. G
Pomape R

3. Todos los determinantes de los


menores principales de M son
alternativamente <0 (k impar) y >0 (k
par) negativos. Donde k es el orden de la
matriz de los menores principales

Universidad Nacional de TrujilloIngenieria Industrial Ms. G


Pomape R

Ejemplo:
Enunciado:
Maximizar la siguiente funcin:
f ( x, y ) 2 xy 2 x x 2 2 y 2

Usar como valores iniciales, x=-1,y=1.

Solucin:

Universidad Nacional de TrujilloIngenieria Industrial Ms. G


Pomape R

Ejemplo:
1) De manera analtica:
*Aplicamos las derivadas parciales:

2 y 2 2 x 0
x

x 2 y 1

f
2x 4 y 0
y

*Aplicamos 2das derivadas parciales para


determinar y evaluar el ptimo:
2 f
2
2
x
2 f
4
2
y

2 f
2 f

2
xy yx

2 2
H ( x, y )
H 4
2 4
Punto P(2,1) es Mximo
Local

Universidad Nacional de TrujilloIngenieria Industrial Ms. G


Pomape R

METODO DE NEWTON RAPHSON


Paso1: Ingresar Vector Inicial X0 y tolerancia
Paso2: Hallar vector
Paso3: error = error=
Paso4: Si error < tolerancia entonces termina el
proceso y se reporta resultados: X1, error

Caso contrario X0=X1 y regresar al Paso 2

Universidad Nacional de TrujilloIngenieria Industrial Ms. G


Pomape R

Mtodo de Newton
Recordar que el mtodo de Newton
converger a un mnimo local si la Hf es
positiva definida sobre alguna vecindad
alrededor del mnimo y si X1 queda dentro
de esa vecindad.
Recordar
que el mtodo de Newton
converger a un mximo local si la Hf es
negativa definida sobre alguna vecindad
alrededor del mximo y si X1 queda dentro
de esa vecindad.

Universidad Nacional de TrujilloIngenieria Industrial Ms. G


Pomape R

Mtodo de Newton
Si no se selecciona correctamente Xo, el
mtodo puede converger a un mnimo local
en lugar de a un mximo o viceversa o
puede no converger en absoluto.
En ambos casos el proceso iterativo se da
por terminado y se inicia nuevamente con
una mejor aproximacin inicial.

Universidad Nacional de TrujilloIngenieria Industrial Ms. G


Pomape R

Ejemplo: Mtodo de Newton

Enunciado:
Maximizar la siguiente funcin:
f ( x, y ) 2 xy 2 x x 2 2 y 2

Usar como valores iniciales, x=-1,y=1.

Solucin:

Universidad Nacional de TrujilloIngenieria Industrial Ms. G


Pomape R

Ejemplo: Met. NewtonRaphson


f
f
2

x
H 2
f

yx

xy
2 f
2
y

Universidad Nacional de TrujilloIngenieria Industrial Ms. G


Pomape R

Mtodo de Newton
Raphson

Error=

Error=
Si Error>tolerancia se debe seguir iterando,
y X1 se convierte en el Xo

Universidad Nacional de TrujilloIngenieria Industrial Ms. G


Pomape R

Ejercicios
Con una cartulina de 8X5 metros se desea construir
una caja sin tapa, de volumen mximo. Hallar las
dimensiones de dicha caja.
Dos postes de 12 y 28 metros de altura, distan 30
metros entre si. Hay que conectarlos mediante un
cable que este atado en algn punto del suelo entre
los postes. En que punto ha de amarrarse al suelo con
el fin de utilizar la menor longitud de cable posible?
Con 4 metros de alambre se desean construir un
circulo y un cuadrado. Cuanto alambre hay que
emplear en cada figura para lograr que entre ambas
encierren el rea mnima posible?

Universidad Nacional de TrujilloIngenieria Industrial Ms. G


Pomape R

Ejercicios
Determine los puntos extremos de las
siguientes funciones:
1. f(x)=x3+3
2. f(x)=x4+x2
3. f(x)=4x4-x2+5
4. f(x)=(3x-2)2(2x-3)2
5. f(x)=6x5-4x3+10

Universidad Nacional de TrujilloIngenieria Industrial Ms. G


Pomape R

Ejercicios
Max f(x,y)=2xy+2y-x2-2y2
Las siguientes funciones son convexas,
cncavas o ninguna de ellas:
F(x,y)=xy-x2-y2
F(x,y)=3x + 2x2 + 4y+ y2 -2xy
F(x,y)=x2+3xy+2y2

Universidad Nacional de TrujilloIngenieria Industrial Ms. G


Pomape R

Universidad Nacional de TrujilloIngenieria Industrial Ms. G


Pomape R

Problema:

Universidad Nacional de TrujilloIngenieria Industrial Ms. G


Pomape R