Escolar Documentos
Profissional Documentos
Cultura Documentos
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
Teora Clsica de la
Optimizacin
Teora Clsica de la
Optimizacin
a) Xo es un mximo si f(Xo)<0
b) Xo es un mnimo si f(Xo)>0
f(x)=x4
Ejemplo
r
Envase de lata
Vol.=1100
1100=
0.2 cm
0.2 cm
+0.2)*)
No necesitamos derivar.
Se necesita (a,b)/ (a,b)
Funcin unimodal
Max f(x)
La primera condicin
especfica que la suma de las
dos sublongitudes l1 y l2 debe
ser igual a la longitud original
del intervalo
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
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
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
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
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:
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.
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
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.
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
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.
1.Mtodo de Bsqueda
Aleatoria
f ( x, y ) y x 2 x 2 2 xy y 2
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)
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
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
MXIM
O
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
Obtenemos la Grfica en
3D
Grfica en el plano xy
Aqu se
encuentra
el mximo
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
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
f
f
f i
j
x
y
f
f ( x ) x 2
....
f
xn
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
Criterio de la Segunda
derivada
ZT M Z >0
Ntese que ZT M Z es siempre real. El producto
anterior, recibe el nombre de Producto Cuntico.
F(x,y,z,)
Hallar los valores propios:
Sea M la Hessiana H (H=Matriz M)
Son los tal que =0
i
Ejemplo:
Si :
det(A1)>0
det(A2)>0
det(A3)>0
=> A es positiva definida
Universidad Nacional de TrujilloIngenieria Industrial Ms. G
Pomape R
ZT M Z <0
Ntese que ZT M Z es siempre real. El producto
anterior, recibe el nombre de Producto Cuntico.
Ejemplo:
Enunciado:
Maximizar la siguiente funcin:
f ( x, y ) 2 xy 2 x x 2 2 y 2
Solucin:
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
2 f
2 f
2
xy yx
2 2
H ( x, y )
H 4
2 4
Punto P(2,1) es Mximo
Local
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.
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.
Enunciado:
Maximizar la siguiente funcin:
f ( x, y ) 2 xy 2 x x 2 2 y 2
Solucin:
x
H 2
f
yx
xy
2 f
2
y
Mtodo de Newton
Raphson
Error=
Error=
Si Error>tolerancia se debe seguir iterando,
y X1 se convierte en el Xo
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?
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
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
Problema: