Prog No Lineal

Problemas de optimización
Soluciones
Sabemos reconocerlas, y
calcularlas como soluciones de
sistemas
 de ecuaciones, o
 de desigualdades
Buscamos métodos de cálculo

 generales y
 eficientes
1
Soluciones de problemas de
optimización
Métodos iterativos:
 No existen métodos directos generales
 Se parte de un valor x0, y se genera una
sucesión { xk }k=0 con la propiedad de que
limk xk  x*
y x* cumpla algunas condiciones de extremo
2
Problema sin restricciones
Consideremos el problema minx f (x )
Buscaremos un punto que cumpla
f (x* ) = 0
Si xk no cumple la condición, se genera
otro punto a partir de
f (xk+p ) = 0
3
Problema tan difícil como el original
Puede aproximarse:
 Encontrar la solución de
f (xk ) + 2f (xk )p = 0
 o resolver
minp f (xk )Tp + ½pT 2f (xk )p
4
Interpretación gráfica del problema de
optimización aproximado
5
Problemas sin restricciones
Método de Newton básico:
1) Partir de un valor inicial x0
2) Comprobar si  f (xk )  < 
3) Si no lo es, calcular un vector p a partir de
2f (xk )p = - f (xk )
4) Obtener el siguiente punto como xk+1=xk +pk
6
Ejemplo:
x1
min f (x )  
(1+x12) (1+x22)
Punto inicial:
x0 = [ -0.4 0.3 ]T
Solución:
x * = [ -1 0 ]T
7
Método de Newton:
2.1) Gradiente:
f (x0 ) = [0.573 0.174]T,  f (x0 )  =
0.599
3.1) Dirección de movimiento:
1.335 -0.315 0.573
H0p0 = -g0 , p0 = -
-0.315 0.485 0.174
-0.607
p0 =
-0.754
8
4.1) Nuevo punto: x1 = x0 + p0 = [-1.007 -0.454]T

2.2) Gradiente:
f (x1) = [-0.003 -0.312]T,  f (x1)  = 0.312
0.406 -0.002 -0.003 0.011
p1 = - , p1 =
-0.002 0.452 -0.312 0.690
4.2) Nuevo punto: x2 = x1 + p1 = [-0.996 0.236]T
9
2.3) Gradiente:
f (x2) = [0.002 0.212]T,  f (x2)  = 0.212
0.479 -0.001 -0.002 -0.004
p2 = - , p2 =
-0.001 0.802 -0.212 -0.264
4.3) N. punto: x3 = x2 + p2 = [-1.000 -0.028]T
2.4) Gradiente:
f (x3) = [-0.000 -0.028]T,  f (x3)  = 0.028
10
Dificultades del método de Newton:

 No convergencia:
 porque tiende a infinito, o
 porque no existe solución del sistema de
ecuaciones
 Convergencia a máximos o puntos de silla
11
Procedimiento para converger a mínimos:

 emplear segundas derivadas
 direcciones de curvatura negativa
 forzar el decrecimiento de la función objetivo

 cerca de puntos de silla o máximos
 modelos cuadráticos convexos relacionados
12
Procedimiento usual: descenso obligado

En cada iteración se define
xk+1 = xk + k pk
y se fuerza a que se cumpla:
f (xk )Tpk < 0
f (xk + k pk ) - f (xk )  kf (xk )Tpk
  [ 10-4 , 0.1 ]
13
Cambios en el cálculo de p. Hace falta:
 Asegurar que existe solución del sistema, y
 garantizar que es dirección de descenso,
f (xk )Tpk < 0

Para ello bastaría con que
2f (xk ) d.p.
14
Método de Newton modificado.
 Se resuelve el sistema de ecuaciones
Mk pk = - f (xk )
donde Mk cumple que
 Es definida positiva, y
 se parece todo lo posible a 2f (xk )
15
Construcción de la matriz Mk
 Añadir un múltiplo de la identidad:
Mk = 2f (xk ) + I
  - min(0 , min (2f (xk )) - )
 Todos los autovalores se modifican en la
cantidad 
16
Construcción de la matriz Mk
 Cambiar los autovalores de la matriz:
2f (xk ) = UUT,
Mk = UUT, i = max( , i )
 se conservan los autovectores
 Otros métodos: Choleski modificado, etc.
17
x1
Ejemplo: f (x )  
(1+x1)2 (1+x2)2
-1.29 0.24
x0 = [ 0.5 -0.3 ]T, 2f
(x0 ) =
0.24 -0.56
(2f (x0 )) = [ -1.36 -0.49 ]
 Matriz definida negativa
18
Ejemplo:
0.08 0.24
Mk = Hk + I = Hk + 1.37I =
0.24 0.81
0.96 0.29 -1.36 0.96 -0.29
Hk =
-0.29 0.96 -0.49 0.29 0.96
0.96 0.29 -1.36 0.96 -0.29 1.29 -0.24
Mk = =
-0.29 0.96 -0.49 0.29 0.96 -0.24 0.56
19
Estos cambios no son suficientes

 Posibilidad de diverger (converger a
infinito)
 Posibilidad de ciclos
Asegurar descenso en cada iteración

 Búsqueda lineal:
xk+1 = xk + k pk , k  (0,1]
20
Cálculo de k
 Objetivo: en cada iteración el valor de f (xk)
debe decrecer suficientemente.
 Condición:
f (xk + k pk )  f (xk ) + kf (xk )Tpk

 Parámetro k  (0,1) . En la práctica
  [ 10-4 , 0.1 ]
21
Procedimiento de cálculo de k
 Búsqueda hacia atrás:
 Se prueba con k = 1
 Si se cumple la condición, se acepta el valor
 Si no, se prueba con k /2
 Otros métodos: ajuste polinómico, etc.
22
Ejemplo de cálculo de k
 Tenemos los datos siguientes:
x1
(xT ) = , x0 = [-0.5 -0.3]T, p0 = [-2
f 1]
(1+x12) (1+x22)
 Información necesaria:
f (x0 ) = -0.37 , f (x0 ) = [ 0.44 -0.20 ]T
f (x0 )Tp0 = -1.08 ,  = 0.1
23
 Iteración 1.  = 1
f (x0 + p0) = -0.231 , f (x0 ) + f (x0 )Tp0 = -0.48
 Iteración 2.  = 0.5
f (x0 + p0) = -0.444 , f (x0 ) + f (x0 )Tp0 = -0.43

 Aceptamos  = 0.5
x1 = x0 + 0.5p0 = [ -1.5 0.2 ]T
24
x1
Ejemplo: f (x )  
(1+x12) (1+x22)
x0 = [ 0.5 -0.3 ]T
 Iteración 1.1 ¿Es el punto actual solución?
f (x0 ) = [0.440 0.202]T,  f (x0 )  = 0.4845
25
Problemas sin restricciones
 Iteración 1.2. Dirección de movimiento
-1.29 0.24 1.29 -0.24
H0 = , M0 =
0.24 -0.56 -0.24 0.56
M0 p0 = - g0  p0 = [ -0.444 -0.551 ]T
 Iteración 1.3. Cálculo de la longitud de paso
f (x0 ) = 0.367, f (x0 )Tp0 = -0.307, f (x0 + p0 ) = 0.032
f (x0 ) +  f (x0 )Tp0 = 0.336 > f (x0 + p0 )  0 = 1
26
 Iteración 1.4. Nuevo punto
x 1 = x 0 + 0 p 0 ,
x1 = [0.5 -0.3]T + [-0.444 -0.551]T = [0.056 -0.851]T
 Iteración 2.1 ¿Es solución el último punto?
f (x1 ) = [0.575 0.032]T,  f (x1 )  = 0.576
 Iteración 2.2. Dirección de movimiento
-0.19 0.57 0.59 -0.10
H1 = , M1 =
0.57 -0.06 -0.10 0.56
M1p1 = - g1  p1 = [ -1.011 -0.234 ]T
27
 Iteración 2.3. Longitud de paso

f (x1 ) = 0.032, f (x1 )Tp1 = -0.589, f (x1 + p1 ) = -0.230
f (x1 ) + f (x1 )Tp1 = -0.027 > f (x1 + p1 )  1 = 1
 Iteración 2.4. Nuevo punto
x 2 = x 1 + 1 p 1 ,
x2 = [0.06 -0.85]T + [-1.01 -0.23]T = [-0.95 -1.08]T
28
 Método de Newton modificado. Maximización

 Paso 0. Determinar un punto inicial, x0
 Paso 1. Comprobar si xk es solución
 f (xk )  < 
 Paso 2. Calcular la dirección de movimiento
 Paso 2.1. Calcular los valores propios de
Hk = 2f (xk )
 Paso 2.2. Si Hk es definida negativa, Mk = Hk
si no, Mk = Hk - I , por ejemplo
29
 Paso 2.3. Resolver el sistema de ecuaciones
Mk pk = - f (xk )
 Paso 3. Calcular la longitud de paso
 Paso 3.1. Para  = 1 comprobar si se cumple
f (xk + k pk )  f (xk) + kf (xk )Tpk

 Paso 3.2. Si no se cumple, probar con /2 hasta que se
cumpla.
 Paso 4. Calcular el nuevo punto
xk+1 = xk + k pk
30
Convergencia del método de Newton

 ¿Converge la sucesión { xk } ?
 ¿Qué propiedades tienen sus límites?
limkxk
La sucesión puede divergir si:
 Función objetivo no acotada inferiormente
 Función objetivo decrece monótonamente
31
Condición habitual de acotación

 El conjunto S0 es compacto
S0 = { y : f (y )  f (x0 ) }
 Todos los puntos xk pertenecen a S0
 Existen subsucesiones convergentes
Propiedades de los puntos límite

 No podemos asegurar que sean mínimos
32
Propiedades de puntos límite
 Al menos, debiéramos esperar que cumplan
f (x* ) = 0
 Demostración de convergencia
 De la condición sobre 
f (xk + k pk )  f (xk ) + kf (xk )Tpk
en el límite kf (xk )Tpk  0
33
Demostración de convergencia (ii)

 Definición de pk y propiedades de Mk
Mk pk = - f (xk )  f (xk )Tpk = - f (xk )TMk-1f
(xk )
 f (xk )Tpk  -   f (xk ) 2
 De la condición anterior tenemos
k  f (xk ) 2  0
34
Demostración de convergencia (iii)

 La longitud de paso k no puede ir a cero
 Desarrollo en serie de Taylor
0   (k ) -  (0) - k ’ (0) =

(1-)k ’ (0) + ½k2’” (0) + o(k2)
k  - ((1-)k ’ (0) + o(k ))/(½’” (0))
 Por tanto,  f (xk )   0
35
Restricciones de igualdad
Problema con restricciones de igualdad:
minx f (x )
s.a c (x ) = 0
Condiciones necesarias:
c (x ) = 0
f (x ) - c (x )T = 0
36
Problema similar al caso sin restricciones

 Resolución de un sistema de ecuaciones no
lineales
 Sistema en x y 
 Aproximación del sistema mediante sistemas
de ecuaciones lineales
 O bien, aproximación mediante soluciones
de problemas de optimización cuadráticos
37
Dado un punto (xk ,k )

 aproximación a las condiciones necesarias:
c (xk ) + c (xk )pk = 0
f (xk ) + 2L (xk ,k )pk - c (xk )Tk - c (xk )Tk = 0
o bien (sistema KKT ),
2L (xk ,k ) c (xk )T pk L (xk ,k )
=-
c (xk ) 0 - k c (xk )
38
Método de Newton básico:

 Paso 0. Se parte de un punto (x0 , 0 )
 Paso 1. Se comprueba si es solución,
 c (xk )  +  f (xk ) - c (xk )Tk  < 

 Paso 2. Se resuelve el sistema lineal (KKT )
para calcular (pk , k )
 Paso 3. Se actualizan las variables
xk+1 = xk + pk , k+1 = k + k
39
El sistema (KKT ) se puede reescribir como

Ak AkTpY = - ck
ZkTHk ZkpZ = - ZkT gk - ZkTHk AkTpY
pk = ZkpZ + AkTpY
AkTk = gk + Hkpk - AkTk
donde
Hk  2L (xk ,k ), Ak  c (xk ), gk  f (xk ), ck  c (xk )
40
Modificación de dirección de movimiento
 Mejorar la función objetivo, y
 Cumplimiento de las restricciones
 No es posible siempre mejorar ambas
 Por ejemplo:
 Punto inicial: mínimo sin restricciones
 Siempre es posible cumplir las restricciones
 Prioridades:
1. Cumplir las restricciones
2. Mejorar la función objetivo
41
Comportamiento respecto a restricciones
 Definimos una medida de mejora  (x ) :
 (x )   c (x ) 2 ,  (x ) = 2 c (x )Tc (x )
Ak pk = - ck  kTpk = - 2  ck 2
 p siempre dirección de descenso de restricciones
Comportamiento respecto a función objetivo
 Modificar p en lo que respecta a mejorar f
 Sin afectar a la mejora de  (x )
42
Separar las componentes de p :

 Componentes mejora de las restricciones:
 Movimiento normal a restricciones: c
(xk)TpY
 Componentes mejora de la función objetivo:
 Movimiento tangente a las restricciones: Zk
pZ
Método de Newton modificado:
 Matriz ZkTHkZk debiera ser definida positiva
 Objetivo: descenso en el valor de la función
objetivo 43
Efecto de la modificación de ZkTHkZk :

 Sistema a resolver:
Ak AkTpY = - ck
Mk pZ = - ZkT gk - ZkTHk AkTpY
pk = ZkpZ + AkTpY
 Descenso en la función objetivo:
gkTpk = gkTZkpZ + gkTAkTpY = -pZTMk pZ -pZTZkTHk AkTpY +
gkTAkTpY
 Descenso si ck = 0
44
Búsqueda lineal: punto siguiente dado

por
xk+1 = xk + k pk
k+1 = k + k k
 Para calcular k hace falta una medida de
progreso a la solución
 Progreso a la solución:
 Reducción en el valor de f, y
 mejora en cumplimiento de restricciones
45
Medida de cumplimiento de restricciones:
 c (x ) 
 Idealmente, descenso en f y mejora en  c 
 Si no se dan ambas condiciones, por ejemplo
 c (xk +1)  >  c (xk )  , f (xk +1 ) < f (xk )

 Se busca un compromiso entre ambas
46
 Compromiso más simple: sumar valores
 Inconveniente: cambios de escala
 Se añade un parámetro para corregir escala
 Función de penalización exacta:
mE (x ) = f (x ) +   c (x ) 
 Propiedad importante:
 Mínimo de mE debe ser mínimo del problema
47
Propiedad teórica (penalización exacta):
 Existe un valor  tal que para todo    la
función mE tiene un mínimo en el mínimo del
problema de optimización
 Valor de  , para * multiplicador en la solución
 =  * 
 Inconveniente: la función mE no es diferenciable
en todos los puntos
48
Funciones diferenciables
 Alternativa: la función lagrangiana tiene primera
derivada igual a cero en la solución
 La condición de segundo orden no se cumple
 Se añade término de penalización cuadrático
mA (x,) = f (x ) - Tc (x ) + ½  c (x ) 2
 Propiedad: existe  tal que    los mínimos
de mA y el problema coinciden
49
Función de mérito:
 Medida de compromiso entre f y c cuyo
mínimo sea solución del problema
 Combinación de valores de f y c o sus
derivadas
 Ejemplos: mE , mA , otras
50
Utilización de la función de mérito

 Se selecciona una al inicio del problema
 Se determina el valor de k para asegurar
descenso suficiente en la función de mérito
 Ejemplos:
mE (xk + k pk )  mE (xk ) + kmE (xk )Tpk
mA (xk+k pk ,k+k k )  mA (xk ,k )
+ kx mA (xk ,k )Tpk + kmA (xk ,k )T k
51
x1
Ejemplo: min f (x )  
(1+x1)2 (1+x2)2
s.a x12 + x22 = 0.8
Punto inicial:
x0 = [ -0.6 -0.3 ]T , 0 = 0
 Paso 1.1. ¿Es solución?
c (x0) = -0.35, f (x0) - c (x0)T0 = [0.317 -
0.223]T
52
 Paso 1.2. Cálculo de la dirección de movimiento
2L0 A0T p0 L0
=-
A0 0 -0 c0
1.115 0.175 -1.2 0.317
p0 -0.471
0.175 0.620 -0.6 = - -0.223 , p0 =
-0 0.360
-1.2 -0.6 0 -0.350
0 = 0.137
53
 Paso 1.3. Cálculo de la longitud de paso
 Funciónde mérito: penalización exacta
mE (x0 + p0) = f (x0 + p0) + c (x0 + p0) =  ( )
 Búsqueda lineal: encontrar  tal que
 ( )   (0) + ’(0),  = 0.1 ( = 10)
 Valores previos:
 (0) = 3.005, ’(0) = g0Tp0 + c0TA0 p0 /c0  = -3.730
 Búsqueda:
 = 1,  ( ) = 3.019,  (0) + ’(0) = 2.632
 = 0.5,  ( ) = 0.386,  (0) + ’(0) = 2.909
54
 Paso 1.4. Cálculo del nuevo punto

x1 = x0 + 0.5p0 = [-0.836 -0.120]T, 1 = 0 + 0.50 = 0.069
c (x1) = -0.087, f (x1) - c (x1)T1 = [0.218 -0.099]T
 Paso 2.2. Dirección de movimiento
0.637 0.024 -1.672 0.218
p1 -0.075
0.024 0.792 -0.240 = - -0.099 , p1 =
-1 0.158
-1.672 -0.240 0 -0.087
1 = - 0.104
55
 Paso 2.3. Longitud de paso

 ( ) = f (x0 + p0) +  c (x0 + p0)
 ( )   (0) + ’(0),  = 0.1 ( = 10)
 (0) = 0.386, ’(0) = g1Tp1 + c1TA1p1/c1 = -0.113
 Búsqueda:
 = 1,  ( ) = -0.497,  (0) + ’(0) = 0.375
 Paso 2.4. Nuevo punto
x2 = x1 + p1 = [-0.911 -0.038]T, 2 = 1 + 1 = -0.035
56
Restricciones de desigualdad
Prob. con restricciones de desigualdad:

minx f (x )
s.a c (x )  0
Condiciones necesarias:
c (x ) = 0
f (x ) - c (x )T = 0
0
Tc (x ) =0
57
Dificultad:
 algunas condiciones son desigualdades
 no podemos reducir el problema a un
sistema de ecuaciones
Solución:
 construir problemas aproximados con
restricciones de igualdad
58
Construcción de problemas aproximados:
 Funciones de mérito: no son eficientes
Necesidad de ajustar parámetros
 funciones de barrera: términos en la función
objetivo que se comportan como restricción
 impiden tomar valores fuera de la región factible,
y
 no afectan a los valores en la región factible
59
16
Ejemplo: 14
minx x 2 12
x1
10
s.a x  1 8
6 x 2 - log(x - 1)
2
f (x ) = x 2
0
0 0.5 1 1.5 2 2.5 3 3.5 4
60
 Paso 1. Convertir restricciones:
minx f (x ) minx,s f (x )
s.a c (x )  0  s.a c (x ) - s = 0
s 0
 Paso 2. Llevar restricciones a la función
objetivo
minx f (x ) -  i log si
s.a c (x ) - s = 0
61
Resultado teórico:
 Sea x* ( ) la solución del problema
minx f (x ) -  i log si
s.a c (x ) - s = 0 ,
se cumple que lim0 x* ( ) = x*, donde x* es
la solución de
minx f (x )
s.a c (x )  0
62
Solución del problema modificado:

 Paso 1. Seleccionar un valor inicial para ,
por ejemplo, 1 = 1
 Paso 2. Tomando como valor inicial
x0 = x* (s-1) ,
resolver el problema
minx f (x ) - s i log si
s.a c (x ) - s = 0
63
 Paso 3. Reducir el valor de , por ejemplo,

s+1 = 0.1s
y volver al paso 2.
El proceso se repite hasta que  es del
orden del error deseado en la solución
 Por ejemplo,  = 10-5
64
Precauciones con la función objetivo
 La función objetivo solo está definida para
valores positivos de las variables
 El punto inicial ha de ser estrictamente
positivo
 La longitud de paso debe asegurar que todos
los puntos sean positivos
65
 Cálculo de la longitud de paso
 Queremos que el nuevo punto siga siendo positivo
xk+1 = xk + k pk > 0  mini {(xk)i + k (pk)i} > 0
 Condición equivalente:
k <   min{ xi /(-pi )  pi < 0 }

k = min{ 1 , 0.99 }
66
 Ejemplo: optimización de cartera
minx xTRx
s.a mTx  3.5
eTx = 1
x0
 Datos:
1 1.64 25.9 55.6
e= , m= , R=
1 4.60 55.6 248
67
Problema modificado:
 Problema en forma estándar
minx,s xTR x
s.a mTx - s = 3.5
e Tx = 1
x,s0
 Problema con restricciones de desigualdad
minx,s xTR x -  (i log xi + log s )
s.a mTx - s = 3.5
e Tx = 1
68
 Paso 0. Sean x0 = [0.5 0.5]T , 0 = [0 0]T
 Tomamos 0 = 0.1
 ¿Valor de s0? Positivo
Por ejemplo, s0 = 0.5 > 0

c (x0) = [-0.88 0]T
f (x0) - c (x0)T0 = [81.3 303.4 -0.2]T
69
 Paso 1.2. Dirección de movimiento
2L (x0,0) c (x0)T p0 f (x0) - c (x0)T0
=-
c (x0) 0 -0 c (x0)
52 111.2 0 1.46 1 81.3
111.2 496.2 0 4.6 1 p0 303.4
0 0 0.2 -1 0 = -0.2
1.46 4.6 -1 0 0 -0 -0.88
1 1 0 0 0 0
p0 = [0.675 -0.675 -2.877]T , 0 = [0.775 40.088]T
70
m (x ) = f (x ) +  c (x )  , m (x0) = 105.283
m (x0) = f (x0) + c (x0)Tc (x0) / c (x0) 
= [64.9 257.4 9.8]T
’(0) = m (x0)Tp0 = -158.1 < 0
 Si probamos con  = 1,
x0 + p0 = [1.175 -0.175 -2.377]T
 La función objetivo no está definida
71
 Mayor paso admisible:
 = min{xi /(-pi )| pi < 0}
= min{0.5/0.675 , 0.5/2.877} = 0.174
 = min{1 , 0.995}  0.173
 Comprobación de la condición:
m (x0 ) = 105.283 , m (x0 + p0) = 73.32
m (x0 ) + m (x0 )Tp0 = 102.55 > m (x0 + p0)
 Aceptamos el paso
72
 Paso 1.4. Nuevo punto:
x1 = x0 + p0 = [0.617 0.383 0.002]T
1 = 0 + 0 = [0.134 6.935]T
c (x1) = [-0.73 0]T
f (x1) - c (x1)T1 = [67.3 251.1 0.134]T
73
Programación lineal: minx cTx

s.a Ax = b
x 0
 Transformar el problema:
minx cTx - s i log si

s.a Ax = b
 Aplicar el método de Newton
 Actualizar s
74

Prog No Lineal

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Prog No Lineal

Cargado por

Copyright:

Formatos disponibles

Problemas de optimización

Buscamos métodos de cálculo

minp f (xk )Tp + ½pT 2f (xk )p

4.1) Nuevo punto: x1 = x0 + p0 = [-1.007 -0.454]T

Dificultades del método de Newton:

 Convergencia a máximos o puntos de silla

Procedimiento para converger a mínimos:

 forzar el decrecimiento de la función objetivo

Procedimiento usual: descenso obligado

f (xk )Tpk < 0

Estos cambios no son suficientes

Asegurar descenso en cada iteración

f (xk + k pk )  f (xk ) + kf (xk )Tpk

 Si no, se prueba con k /2

 Otros métodos: ajuste polinómico, etc.

f (x0 + p0) = -0.444 , f (x0 ) + f (x0 )Tp0 = -0.43

x1 = x0 + 0.5p0 = [ -1.5 0.2 ]T

 Iteración 2.3. Longitud de paso

 Método de Newton modificado. Maximización

f (xk + k pk )  f (xk) + kf (xk )Tpk

Convergencia del método de Newton

Condición habitual de acotación

Propiedades de los puntos límite

Demostración de convergencia (ii)

Demostración de convergencia (iii)

0   (k ) -  (0) - k ’ (0) =

Problema similar al caso sin restricciones

Dado un punto (xk ,k )

Método de Newton básico:

 c (xk )  +  f (xk ) - c (xk )Tk  < 

xk+1 = xk + pk , k+1 = k + k

El sistema (KKT ) se puede reescribir como

2. Mejorar la función objetivo

Separar las componentes de p :

Efecto de la modificación de ZkTHkZk :

Búsqueda lineal: punto siguiente dado

 c (xk +1)  >  c (xk )  , f (xk +1 ) < f (xk )

Utilización de la función de mérito

 Paso 1.4. Cálculo del nuevo punto

 Paso 2.3. Longitud de paso

Prob. con restricciones de desigualdad:

Solución del problema modificado:

 Paso 3. Reducir el valor de , por ejemplo,

k <   min{ xi /(-pi )  pi < 0 }

Por ejemplo, s0 = 0.5 > 0

Programación lineal: minx cTx

minx cTx - s i log si

También podría gustarte