REPÚBLICA BOLIVARIANA DE VENEZUELA

MINISTERIO DEL PODER POPULAR PARA LA DEFENSA

UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA
DE LA FUERZA ARMADA NACIONAL BOLIVARIANA
NÚCLEO ARAGUA EXTENSIÓN MARACAY

Métodos Numéricos para Modelos

de

Optimización sin Restricciones

Bac
hilleres:
Gómez Osnel C.I: 19.864.140
López Noreidy C.I: 17.576.664
Sección: SIN-701

Maracay, Enero de 2011

1
Método de Newton

2
Reseña histórica

El método de Newton fue descrito por

Isaac Newton en su libro “De analysi per
aequationes número terminorum infinitas”
(escrito en 1669, publicado en 1711 por
William Jones) y en “De metodis fluxionum
et serierum infinitarum” (escrito en 1671,
traducido y publicado como Método de las
fluxiones en 1736 por John Colson). Sin
embargo, su descripción difiere en forma
sustancial de la descripción moderna
presentada más arriba: Newton aplicaba el
método solo a polinomios, y no
consideraba las aproximaciones sucesivas x n , sino que calculaba una
secuencia de polinomios para llegar a la aproximación de la raíz x.
Finalmente, Newton ve el método como puramente algebraico y falla al no
ver la conexión con el cálculo.

Isaac Newton probablemente derivó su método de forma similar aunque

menos precisa del método de François Viète. La esencia del método de
Viète puede encontrarse en el trabajo del matemático persa Sharaf al-Din
al-Tusi.

Método de Newton

En análisis numérico, el método de Newton es un eficiente algoritmo para

encontrar aproximaciones de los ceros o raíces de una función real.
También puede ser usado para encontrar el máximo o mínimo de una
función, encontrando los ceros de su primera derivada. La idea de este
método es la siguiente: se comienza con un valor razonablemente
cercano al cero (denominado punto de arranque), entonces se reemplaza
la función por la recta tangente en ese valor, se iguala a cero y se despeja
(fácilmente, por ser una ecuación lineal). Este cero será, generalmente,
una aproximación mejor a la raíz de la función. Luego, se aplican tantas
iteraciones como se deseen.

3
Aplicación y Descripción

Supongamos una función f de una

variable a ser minimizada y
supongamos que en x es posible
k
evaluar

f( xk ), f ’( xk ) y f ”( x
k ). Entonces
es posible construir una función
cuadrática a partir del desarrollo de

Taylor:

Se puede estimar x k +1 determinando el punto donde la derivada de q se

hace cero.

Nótese que no depende de

El método puede ser visto como la resolución iterativa de ecuaciones de

la forma g(x)=0, donde, cuando es aplicada a minimización, hacemos g(x)
f ’(xk)

Implementación
Para la implementación de este método es necesario calcular la primera y
segunda derivada de la función como derivadas direccionales, obteniendo
un valor escalar, de la siguiente manera,

4
Donde d es el vector unitario de la dirección de descenso

Observaciones:
1) La dirección del Método de Newton:

Es una dirección de descenso si y sólo si: ∇2 f ( x k ) es definida positiva,

es decir:
( −∇f ( x k ))d k > 0 ⇔ ∇2 f ( x k ) Es definida positiva

2) El método de Newton en cada iteración, considera una aproximación

cuadrática de la función objetivo, y define el nuevo punto de la sucesión
minimizante como el óptimo de la aproximación cuadrática de la función
objetivo. Cerca de un óptimo local de f, la aproximación exacta.

3) El punto inicial x 0 no puede ser arbitrario, ya que para que el método

converja, la dirección d k debe ser de descenso. Esta corresponde a la
principal desventaja del método: su convergencia local. Sin embargo, su
rapidez de convergencia es su mayor ventaja, posee convergencia de
velocidad cuadrática, es decir:

−x ≤λx k −x λ <1
2
xk+1
para

4) El principal problema del Método de Newton es que la matriz ∇2 f ( x k )

debe ser definida positiva. Si se parte de un punto x 0 suficientemente
cercano a un mínimo local, esto se verifica. En general se desconoce toda
información acerca de la solución óptima del problema, y por lo tanto no
se tiene un buen criterio para escoger x 0 .

5) Esto sugiere, que un buen método de minimización es una

combinación del
Método del Gradiente y del Método de Newton: Inicialmente se aplica el
Método del Gradiente que tiene convergencia global de velocidad lineal y
luego se aplica el Método del Newton que tiene convergencia local de
velocidad cuadrática.

El método de Newton para Minimizar un f ( x) tal que x ∈ R n

En el método de Newton la dirección de búsqueda se define como:

5
 [
d ( x ) = ∇2 f ( x) ] −1
∇f t ( x )

La dirección de búsqueda se encuentra minimizando el problema:

~
Minimizar f ( x +d )

Donde ~
f es la aproximación cuadrática de f en x.

Teorema: el método de Newton definido por la iteración x k +1 = x k + d ( x k )

Tiene convergencia local con orden de convergencia p ≥ 2 .

Minimizar f ( x)

Tal que

x ∈Rn

f ( x ) = x t Qx

1 1
Q =  
1 10 
x 0 = (10,1) t

Correcciones:
1) Introducir búsqueda lineal
a) La dirección puede no ser de descenso.
b) El orden de convergencia puede ser menor de 2.
2) Modificar la matriz del sistema lineal.

Método de Newton para resolución de un sistema de ecuaciones no

lineales

6
Resuelve iterativamente un sistema de ecuaciones no lineales

f1 ( x1 ,  ; xn ) = 0
f 2 ( x1 ,  , xn ) = 0

Aproxima la función no lineal por una función lineal en
f n ( x1 ,  , xn ) = 0
cada punto (iteración), utilizando la expansión en serie
de Taylor de primer orden.

f ( x k + p k ) ≈ f ( x k ) + ∇f ( x k ) t p k
f ( x*) ≈ f ( x k ) + ∇f ( x k ) t p k = 0
p k = −∇f ( x k ) −T f ( x k )
x k +1 = x k + p k = x k − ∇f ( x k ) −T f ( x k )

Jacobiano de la función

∇f ( x ) T = (∇f 1 ( x ) ∇f 2 ( x)  ∇f n ( x) T )

Este método converge cuadraticamente cuando el punto esta próximo a la

solución

El Jacobiano de la función en cada punto debe ser no singular

Para colocar un ejemplo tomamos las siguientes funciones:

f 1 ( x1 , x 2 ) = 3x1 x 2 + 7 x1 + 2 x 2 − 3 = 0
f 2 ( x1 , x 2 ) = 5 x1 x 2 − 9 x1 − 4 x 2 + 6 = 0

 ∂ f1 ∂ f 2 
 
 ∂ x1 ∂ x1   3x2 + 7 5x2 − 9
∇ f 1 xx 2),( =   =  
∂ f1 ∂ f2  3x1 + 2 5x1− 4
 
 ∂ x2 ∂ x2 
7
 −T
 x2+ x2− 9573  3x1 2 1 xxx −++ 327 
xk+1 xk−=    
x 1+ x1− 4523  5x1 2 1 xxx 2+−− 649 
 1
Suponemos como punto inicial x0 =  
 2

8
 −T −T
3x+75−93x+7 2−31 14 −.375
x1=0−  =− = 
22 12

3x+2511 −4x129−42+62 51− 5.37

Después de 8 iteraciones el punto toma el valor aproximado de

9
 0 
x8 =  
 1. 5 
Y las funciones toman el valor (0)

Ejemplos Del Método de Newton

Ejemplo (I)

Resolver la siguiente función

f ( x, y ) = ( x − 2) 2 + ( y −1) 2

 (2 xk − )2   2 0
∇ f (xk , yk ) =   ∇ f (xk , yk ) =  
2

 (2 yk − 1)   0 2
∇2 f ( x k ) p k = −∇f ( x k )

Tomaremos co0mo punto inicial x k = (0,0)

Dirección de movimiento p k = (2,1)

10
 −T
 2 •  − 4  0. 5 •  − 4  2
pk=−  =−  =
• 2 − •0.5−21
Calculamos αk

min F (α ) = (2α − 2) 2 + (α − 1) 2 = 5α 2 − 10α + 5

α

F´( α )=0

10 α -10=0

α =1
El Siguiente punto x k +1 = x k + α k p k = (2,1)

11
La dirección de Movimiento p k = (0,0)

Se ha llegado al optimo ya que el gradiente es (0)

Ejemplo (II)

En la tabla siguiente se aplica el método de Newton al problema de

optimización bi-dimensional a partir de x 0 = (0.00, 3.00).

Y resolvemos usando una tabla de iteraciones

12
 Método de Gradiente
O
Método de Cauchy

Reseña Histórica

13
Augustin-Louis Cauchy

(Uno de los máximos exponentes del rigor

lógico en análisis matemático )

Augustin-Louis Cauchy nació en París el 21

de agosto de 1789 y murió el 23 de mayo de
1857 en Sceaux (Francia).
En 1805 ingresó en la Escuela Politécnica de
París y en 1807 lo hizo en la École des Ponts
et Chaussées donde estudió ingeniería civil.
En 1816 ganó el Gran Premio de la
Academia Francesa de Ciencias.
. Era el mayor de los seis hijos de un
abogado católico y realista, que hubo de retirarse a Arcueil cuando estalló
la Revolución. Allí sobrevivieron de forma precaria, por lo que Cauchy
creció desnutrido y débil. Fue educado en casa por su padre y no ingresó
en la escuela hasta los trece años, aunque pronto empezó a ganar
premios académicos. A los dieciséis entró en la École Polytechnique
parisina y a los dieciocho asistía a una escuela de ingeniería civil, donde
se graduó tres años después. Su primer trabajo fue como ingeniero militar
para Napoleón, ayudando a construir las defensas en Cherburgo. A los
veinticuatro años volvió a París y dos más tarde demostró una conjetura
de Fermat que había superado a Euler y Gauss. Con veintisiete años ya
era uno de los matemáticos de mayor prestigio y empezó a trabajar en las
funciones de variable compleja, publicando las 300 páginas de esa
investigación once años después. En esta época publicó sus trabajos
sobre límites, continuidad y sobre la convergencia de las series infinitas.
En 1830 se exilió en Turín, donde trabajó como profesor de
física matemática hasta que regresó a París (1838). Pasó el resto de su
vida enseñando en La Sorbona. Publicó un total de 789 trabajos, entre los
que se encuentran el concepto de límite, los criterios de convergencia las
fórmulas y los teoremas de integración y las ecuaciones diferenciales de
Cauchy-Riemann. Su extensa obra introdujo y consolidó el concepto
fundamental de rigor matemático.

Las contribuciones de Cauchy a las Matemáticas se refieren a la

convergencia-divergencia de series infinitas, funciones reales y
complejas, ecuaciones diferenciales, determinantes, probabilidad y física
matemática.

Los conceptos de límite y continuidad que aparecen en nuestros textos de

Análisis se deben a Cauchy.

Entre sus obras destacan el Cours d’analyse (1821), destinado a los

alumnos de la Escuela Politécnica, Leçons sur le Calcul
Différentiel (1829) y Exercises d'analyse et de physique
mathématique (1840-1847).

14
Del tomo primero de su Résumé des Leçons données a l’École Royale
Polytechnique, sur le Calcul Infinitésimal (1823) hemos seleccionado la
Tercera Lección consagrada a las derivadas de las funciones de una
variable y el Método del Gradiente o Método de Cauchy.

Método de Gradiente o de Cauchy

Un modelo de Programación Lineal (PNL) es aquel donde las variables de

decisión se expresan como funciones no lineales ya sea en la función
objetivo y/o restricciones de un modelo de optimización. Esta
característica particular de los modelos no lineales permite abordar
problemas donde existen economías o deseconomías de escala o en
general donde los supuestos asociados a la proporcionalidad no se
cumplen.

En este sentido el método del gradiente (conocido también como método

de Cauchy o del descenso más pronunciado) consiste en un algoritmo
específico para la resolución de modelos de PNL sin restricciones,
perteneciente a la categoría de algoritmos generales de descenso, donde
la búsqueda de un mínimo esta asociado a la resolución secuencial de
una serie de problemas unidimensionales.

Los pasos asociados a la utilización del método del gradiente o descenso

más pronunciado consiste en:

Método del Gradiente o de Cauchy (DESCRIPCION DEL METODO)

• Resolver P min f(x)

• Principio General:

1. Escoger un punto inicial de Rn

2. Determinar una dirección de movimiento

3. Moverse en esa dirección de acuerdo a algún criterio

determinando un nuevo punto.

4. Verificar criterio de parada.

Si no se satisface, volver a 2.

• ¿Qué dirección de movimiento escoger?

• ¿Como determinar un punto para detenerse?

15
*Válido para optimizar funciones que son diferenciables
continuamente dos veces.

*La Idea es generar puntos sucesivos en la dirección del gradiente

de la función.

Método del Gradiente o de Cauchy (APLICACION)

• Ejemplo: f(x,y) =

Punto de
partida:

• ¿En qué dirección avanzar?

Dirección de máximo

Decrecimiento es:

Detenerse cuando el avance

En esa dirección haya

Llegado al mínimo:

• El nuevo punto será:

16
 • Volver al paso 1 con :

• Y definir el siguiente punto como:

Luego, nuestros pasos a seguir son:

1. Tomar un punto conocido .

2. Escoger como dirección de movimiento al gradiente de la función en

dicho punto, con signo contrario.

3. Determinar el mínimo relativo de f(x) en esta dirección:

• Problema unidimensional (variable α)

• Solución algebraica o mediante el método de Newton.

4. Detenerse según algún criterio o volver a 2 con:

Ejemplos del método

Ejemplo (I)

f ( x, y ) = ( x − 2) 2 + ( y −1) 2

min min F (a ) = f ( x k + αp k )
α >0

17
  2( x k − 2) 
pk = − ∇ f (xk , yk ) = −  
 2(yk − )1 
Tomando como punto inicial x k = (0,0)

Dirección de movimiento p k = (4,2)

min F (α ) = (4α − 2) 2 + (2α − 1) 2 = 20α 2 − 20α + 5

α

F ´(α) = 0

40α − 20 = 0

α = 0 .5

Siguiente punto x k +1 = x k + α k p k = (2,1)

Dirección del movimiento p k = (0,0)

Se ha llegado al ÓPTIMO ya que el gradiente es 0

Ejemplo (II)

f ( x, y ) = 8 x 2 + 3 xy + 7 y 2 − 25 x + 31 y − 29

min F (α ) = f ( x k + α . p k )
α

 16xk + 3yk − 25

pk = −∇ f (xk , yk ) −=  
 3xk + 14yk + 31
Tomando como punto inicial x k = (−4,4)

Dirección de movimiento p k = (77,−75)

18
min F (α ) = 8(−4 + 77α ) 2 + 3(−4 + 77α )(4 − 75α ) + 7( 4 − 75α ) 2 − 25(−4 + 77α ) + 31( 4 − 75α ) − 29
α

Entonces

min F (α ) = 69482α 2 − 11554α + 387

α

Derivamos

F ´(α) = 0

138964α − 11554 = 0

α = 0.0831

Siguiente Punto (-4+0.0831x77,4-0.0831x75)=(2.402,-2.236)

Dirección de movimiento p k = (−6.726,−6.905)

min F (α ) = 8(2.4 − 6.7α ) 2 + 3( 2.4 − 6.7α )( −2.2 − 6.9α ) + 7(−2.2 − 6.9α ) 2

α

− 25( 2.4 − 6.7α ) + 31(−2.2 − 6.9α ) − 29

19
Ejemplo (III)

Para el siguiente ejemplo usaremos el método de iteración por tabla

20
21
 Método de Métrica Variable

Existen 3 tipos de Modelos para el método de métrica variable los cuales

son los siguientes:

* Método de Davidon-Fletcher-Powell

*Método de Broyden-Fletcher-Goldfarb-Shanno

* Métodos de Métrica Variable

22
* Método Cuasi-Newton

Los cuales serán descritos a continuación:

Método de Davidon-Fletcher-Powell

Este es un método cuasi-Newton, para minimizar una función f en Rn.

Consiste en generar aproximaciones sucesivas de la inversa del Hessiano
de la función f .

El método de Davidon-Fletcher-Powell ha sido y sigue siendo una técnica

de gradiente ampliamente utilizada. El método tiende a ser robusto; esto
es, típicamente tiende a tener un buen comportamiento en una amplia
variedad de problemas prácticas.
La mayor desventaja de este tipo de métodos es su necesidad de
almacenar la matriz A de N × N.

Desde la publicación de la fórmula de Davidon, se han propuesto varios

métodos más que resultan de usar diferentes valores de β, y, z en la
ecuación.
Una de las dificultades prácticas comunes de estos métodos es la
tendencia de A ( k +1) a estar mal condicionada, lo que causa una mayor
dependencia a un procedimiento de reinicialización.

23
Método de Broyden-Fletcher-Goldfarb-Shanno

Este método fue propuesto en 1970 por Broyden y refinado

posteriormente por Fletcher, Goldfarb y Shanno. Pertenece a la misma
familia del método de Davidon-Fletcher-Powell, pero se le considera más
poderoso. Este método ha sido muy elogiado en la literatura especializada
e investigadores como Powell (1975) lo han recomendado ampliamente.

Este método puede ser considerado como Quasi-Newton, de gradiente

conjugado y de métrica variable.
Puesto que se aproxima la inversa de la matriz Hessiana, a este método
se le puede llamar también de actualizaciones indirectas.
Se ha demostrado que este método exhibe convergencia superlineal en la
proximidad del óptimo (Dennis & More, 1977).

Método de Métrica Variable

Existe una gran similitud entre los esfuerzos actuales por mejorar los
métodos de métrica variable y aquellos que buscan mejorar los métodos
de gradiente conjugado. Por tanto, mucho de lo descrito en métodos de
gradiente conjugado aplica también para los métodos de métrica variable.

Davidon (1975) ha propuesto una clase de actualizaciones que permiten

búsquedas lineales inexactas. Powell (1977) estableció posteriormente la
propiedad de terminación cuadrática de estos métodos en la ausencia de

24
búsquedas lineales. Pareciera ser que un método de métrica variable con
terminación cuadrática pero sin la necesidad de búsquedas lineales
costosas seria robusto y rápido en funciones generales. Goldfarb (1977)
se cuenta entre los que han explorado esta promisoria línea de
investigación.

En general, el método de Davidon-Fletcher-Powell suele reinicializarse (es

decir, hacemos A = I) después de N actualizaciones. Esto es usualmente
una medida muy conservadora, ya que pueden requerirse muchos mas
pasos antes de que realmente se requiera una reinicialización. La
necesidad de reinicializar se incrementa conforme empeora el valor de
condicionamiento de la matriz:

Donde: K(A) es el número de condicionamiento de la matriz A, λh y λl

son los valores de mayor y menor modulo, respectivamente. Una matriz
con un valor de condicionamiento grande está mal condicionada. Una
matriz con un valor de condicionamiento cercano a 1 está bien
condicionada.

Es importante hacer notar que aunque las reinicializaciones proporcionan

un cierto grado de seguridad (o robustez) en los métodos de métrica
variable, estas típicamente hacen mas lento el progreso a la solución,
puesto que se desecha una estimación de segundo orden.

McCormick (1972), Shanno (1978) y Shanno & Phua (1979) han

investigado de manera extensiva la relación entre el gradiente conjugado
y los métodos de métrica variable.
Shanno ve a los métodos de gradiente conjugado como métodos de
métrica variable “sin memoria”.

La mayor parte de los investigadores coinciden en la actualidad en afirmar

que estas 2 clases de métodos comparten mucho más de lo que
originalmente se creía.

Además, resulta claro que las muchas variantes de los métodos de

métrica variable tienen mucho en común en la práctica (Dixon, 1972), lo
que hace que se tenga que sopesar cuidadosamente el costo
computacional adicional de los métodos mas complejos.

25
Shanno & Phua (1978) proporcionan numerosos resultados que favorecen
el uso del método de Broyden-Fletcher-Goldfarb-Shanno.

Métodos de Métrica Variable (Discusión Adicional)

Los métodos de métrica variable han sido utilizados de manera extensiva

para el desarrollo de técnicas de optimización para problemas con
restricciones. También hay una cantidad importante de trabajo en torno a
hacerlos métodos de métrica variable mas atractivos para problemas
grandes.

Los métodos de gradiente conjugado son los que suelen considerarse

como los mejores para problemas de alta dimensionalidad (o sea,
aquellos con muchas variables de decisión).
Sin embargo, se han logrado muchos avances en lo que a los métodos de
métrica variable se refiere, sobre todo en aquellos casos en los que la
matriz Hessiana es dispersa.

Método Cuasi-Newton

En optimización, métodos Quasi-Newton (también conocido como

métodos métricos variables) son los algoritmos bien conocidos para
encontrar a local máximos y mínimos de funciones. Los métodos Quasi-
Newton se basan encendido Método del neutonio para encontrar punto
inmóvil de una función, donde gradiente es 0. El método del neutonio
asume que la función se puede localmente aproximar como ecuación
cuadrática en la región alrededor del grado óptimo, y utiliza los primeros y
segundos derivados (gradiente y Hessian) para encontrar el punto inmóvil.

En los métodos Quasi-Newton Matriz del Hessian de segundo derivados

de la función que se reducirá al mínimo no necesita ser computado. El
Hessian es puesto al día analizando vectores sucesivos del gradiente en
lugar de otro. Métodos Quasi-Newton es una generalización del método
secante para encontrar la raíz del primer derivado para los problemas
multidimensionales. En multi-dimensiones debajo-se determina la
ecuación secante, y los métodos Quasi-Newton diferencian en cómo
obligan la solución, agregando un simple bajo-alinean típicamente la
actualización a la estimación actual del Hessian.

Cuando no es posible evaluar analíticamente las primeras y segundas

derivadas, se pueden emplear métodos de diferencias finitas para
calcularlas:

26
Método de Powell

27
Reseña Historia

En el método de Powell (1964), las direcciones de búsqueda sucesiva son

las direcciones conjugadas aplicadas a una forma cuadrática de la función
objetivo. Este método es superior al precedente aunque no permite tomar
en consideración eventuales restricciones sobre las variables.

A partir de los trabajos de Powell (1964, 1965) se han elaborado

programas (VA02A Y VA04A) que se han mostrado razonablemente
eficientes en la mayor parte de las aplicaciones.

Los métodos de optimización recientemente señalados son algunos de

una gran variedad de métodos existentes. Sin embargo, bajo el supuesto
que la modelización de sistemas de producción pecuarios se realiza a
través de simulación, los métodos de Rosenbrock y Powell son los más
indicados. La razón de ello reside en el hecho que estos métodos se
adaptan a las condiciones mucho más variables de la simulación, no

28
necesitando una estructura tan estricta como la exigida por otros
similares.

Aplicación

El problema consiste en encontrar el conjunto de coordenadas (r1,r2,

....,rN) para las que el función energía potencial V(r1,r2, ....,rN) es mínimo.
O alternativamente ∇V = 0 (esto da un máximo, un mínimo o un punto
silla).

El procedimiento general es moverse en el espacio multidimensional en

una determinada dirección.

Dado un punto inicial P y una dirección n encontrar λ  que minimiza f(P +

λ n).

Dicho proceso converge en N pasos (direcciones conjugadas) si el

potencial es cuadrático. Si no, hay que repetir el proceso.

∂2V
→ →
u A v = 0 , donde Aij =
∂x i ∂x j

Una de las grandes desventajas de los otros métodos estudiados

anteriormente es que se supone que la función debe ser diferenciable,
con objeto de poder evaluar el gradiente y en varios casos, también el
Hessiano.

29
 Bibliografía

*Prof. Claudio Seebach, Optimización No Lineal, Pontificia Universidad

Católica de Chile Facultad de Ingeniería Departamento de Ingeniería
Industrial y de Sistemas [En Línea] disponible en:
http://intrawww.ing.puc.cl/siding/public/ingcursos/cursos_pub/descarga.pht
ml?id_curso_ic=375&id_archivo=12743 (consultado el 30 de enero del
2010 )

*Gonzalo Hernández Oliva, Métodos para Problemas de Optimización sin

Restricciones UChile - Departamento de Ingeniería Matemática [En Línea]
disponible en: https://www.u-
cursos.cl/ingenieria/2007/1/MA33A/2/material_docente/previsualizar?
id_material=128779 (consultado el 30 de enero del 2010)

*Carmen M. García López, Optimización no lineal sin restricciones (2007),

Barcelona. Akal.

* Luis Zerpa, Juan Colmenares, OPTIMIZACIÓN PARA INGENIEROS

Optimización Sin Restricciones (Notas de clase) (2004) República
Bolivariana de Venezuela, Universidad del Zulia, Facultad de Ingeniería
División de Estudios para Graduados, Instituto de Cálculo Aplicado

30
*Dr. Gonzalo Hernández Oliva, Métodos Clásicos de Optimización para
Problemas
No-Lineales sin Restricciones, UChile - Departamento de Ingeniería
Matemática (2006)

31