OPTIM MULTIV IRREST V 1.1

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
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 ?
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
Ejemplo
r
Envase de lata
Vol.=1100
1100=
0.2 cm
Mnima cantidad de material
0.2 cm
+0.2)*)
MTODO DE SECCIN DORADA
No necesitamos derivar.
Se necesita (a,b)/ (a,b)
Funcin unimodal
Max f(x)
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)
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)
1 Iteracin
(0.5 ; 1.5)
.
a
=0.882
MEP= (1-R)(b-a)=(1-0.618)(1.50.5)=0.382
2 Iteracin
(0.5,1.118)
.
a
736
=0.882
MEP= (1-R)(b-a)=(1-0.618)(0.88190.736)=0.236
3 Iteracin
(0.736,1.118)
=0.882
.
a
MEP= (1-R)(b-a)=(1-0.618)(1.1180.736)=0.146
4 Iteracin
(0.736,0.972)
.
a
26
=0.882
MEP= (1-R)(b-a)=(1-0.618)(0.9720.736)=0.090152
METODO DE NEWTON RAPHSON
Ejemplo
x
-1
-0.5
0
0.5
1
1.5
29
13.28
12
10.7
-5
-8.3
1 Iteracin
2 Iteracin
0104
3 Iteracin
00018
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.
Pomape R
Formulacin del Modelo

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:

Pomape R
La Optimizacin multivariable implica un

estudio de datos de 2 dimensiones o ms.

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.

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

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

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.
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.

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

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
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.

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.

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)

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
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

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.

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

Pomape R
Obtenemos la Grfica en
3D

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
Pomape R
Grfica en el plano xy
Aqu se
encuentra
el mximo

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

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
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

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

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

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.)
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

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 (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).

Pomape R
Ejemplo:
Si :
det(A1)>0
det(A2)>0
det(A3)>0
=> A es positiva definida
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.)
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

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:

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

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

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.

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.

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:

Pomape R
Ejemplo: Met. NewtonRaphson

f
f
2
x
H 2
f
yx
xy
2 f
2
y

Pomape R
Mtodo de Newton
Raphson
Error=
Error=
Si Error>tolerancia se debe seguir iterando,
y X1 se convierte en el Xo

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?

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

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

Pomape R

Pomape R
Problema:

Pomape R

OPTIM MULTIV IRREST V 1.1

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

OPTIM MULTIV IRREST V 1.1

Enviado por

Direitos autorais:

Formatos disponíveis

OPTIMIZACIN

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

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

punto extremo de una funcin f(x) define un

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

TEOREMA: Si xo es un punto estacionario, entonces:

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

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

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

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

Mnima cantidad de material

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

MTODO DE SECCIN DORADA

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

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

Bsqueda de la Seccin Dorada

La segunda indica que el

Universidad Nacional de Trujillo-Ingenieria

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

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

METODO DE NEWTON RAPHSON

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

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

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

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

Una importante compaa petrolera desea

Formulacin del Modelo

Universidad Nacional de TrujilloIngenieria Industrial Ms. G

Universidad Nacional de TrujilloIngenieria Industrial Ms. G

La Optimizacin multivariable implica un

Universidad Nacional de TrujilloIngenieria Industrial Ms. G

Universidad Nacional de TrujilloIngenieria Industrial Ms. G

Definicin: Un punto X* cuya se llama punto

Universidad Nacional de TrujilloIngenieria Industrial Ms. G

Universidad Nacional de TrujilloIngenieria Industrial Ms. G

Universidad Nacional de TrujilloIngenieria Industrial Ms. G

Universidad Nacional de TrujilloIngenieria Industrial Ms. G

CLASIFICACIN DE LOS MTODOS

En este estudio, se tomar como criterio de

Universidad Nacional de TrujilloIngenieria Industrial Ms. G

El mtodo de bsqueda aleatoria evala en

Universidad Nacional de TrujilloIngenieria Industrial Ms. G

Ejemplo Mtodo Bsqueda

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

Universidad Nacional de TrujilloIngenieria Industrial Ms. G

Generacin de valores y clculo

Luego de darse el clculo aleatorio de

Universidad Nacional de TrujilloIngenieria Industrial Ms. G

Ventajas y Desventajas del M.

Universidad Nacional de TrujilloIngenieria Industrial Ms. G

Universidad Nacional de TrujilloIngenieria Industrial Ms. G

Universidad Nacional de TrujilloIngenieria Industrial Ms. G

Bsqueda del Mximo en el plano

Cdigo para generar la superficie en el plano

Universidad Nacional de TrujilloIngenieria Industrial Ms. G

Universidad Nacional de TrujilloIngenieria Industrial Ms. G

.La Gradiente y la Matriz