Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Optimización con Restricciones Cristián García-Campo Universidad de los Andes Optimización 2° semestre 2018 Optimización–Prof. Cristian García-Campo Optimización–Prof. Cristian García-Campo Optimización sin Restricciones Contexto Para construir un Modelo de PM generalmente se siguen los siguientes pasos: 1) Entender el Problema. 2) Definir las Variables. 3) Definir la Función Objetivo. 4) Definir las Restricciones. 5) Buscar la Soluciones. 6) Interpretar los resultados. Optimización sin Restricciones Contexto Optimización–Prof. Cristian García-Campo Para todo punto crítico P = a,b de z=f(x,y) tal que : 𝜕𝑧 𝜕𝑥 = 𝜕𝑧 𝜕𝑦 = 0 Se tiene que: D(a,b) < 0 P es punto silla o de inflexión D(a,b) = 0 El test no entrega información sobre P D (a,b) >0 P es un mínimo o máximo local 𝜕2𝑧 𝜕𝑥2 > 0 P es un mínimo local 𝜕2𝑧 𝜕𝑥2 < 0 P es un máximo local 𝐷 = 𝜕2𝑧 𝜕𝑥2 * 𝜕2𝑧 𝜕𝑦2 - 𝜕2𝑧 𝜕𝑥𝜕𝑦 2 Optimización sin Restricciones Contexto Optimización–Prof. Cristian García-Campo Más Formalmente, se dice que un punto (𝑥1, 𝑥2, 𝑥3 … 𝑥𝑛) perteneciente al dominio D de la función f(𝑥1, 𝑥2, 𝑥3 … 𝑥𝑛) es crítico si el gradiente 𝛁f(𝑥1, 𝑥2, 𝑥3 … 𝑥𝑛)=0 Optimización–Prof. Cristian García-Campo Optimización sin Restricciones Contexto Si la función f(𝑥1, 𝑥2, 𝑥3 … 𝑥𝑛) es continua en y dos veces diferenciable en D su Matriz Hessiana «H» será: Adicionalmente se definen los determinantes de las matrices menores de H ( ∆1, ∆2, ∆3 … . ∆𝑛) como sigue: Optimización–Prof. Cristian García-Campo Optimización sin Restricciones Contexto Si todos los determinantes de las matrices menores son estrictamente positivos la matriz H se dirá definida positiva. Esto quiere decir que su convexidad es estrictamente positiva y por lo tanto acepta un mínimo local estricto. Así mismo Si los determinantes de las matrices menores impares son estrictamente negativos y los de las matrices menores pares estrictamente positivos la matriz H se dirá definida negativa. Esto quiere decir que su convexidad es estrictamente negativa ( ramas hacia abajo ) y por lo tanto acepta un máximo local estricto. Optimización–Prof. Cristian García-Campo Optimización sin Restricciones Contexto Es importante destacar que estas condiciones sólo sirven para describir un punto mínimo o máximo local. Para determinar la optimalidad global del problema es necesario comparar la función objetivo evaluada en cada uno de los puntos óptimos locales y adicionalmente verificar que se cumplan las condiciones de existencia de solución óptima para el problema. Optimización–Prof. Cristian García-Campo Optimización sin Restricciones Pregunta Para los siguientes problemas encuentre los puntos críticos y clasifíquelos en mínimos máximos o sillas. Optimización–Prof. Cristian García-Campo Optimización sin Restricciones Solución Optimización–Prof. Cristian García-Campo Optimización sin Restricciones Pregunta Para los siguientes problemas encuentre los puntos críticos y clasifíquelos en mínimos máximos o sillas. Optimización–Prof. Cristian García-Campo Optimización sin Restricciones Solución Optimización–Prof. Cristian García-Campo Optimización sin Restricciones Pregunta Para los siguientes problemas encuentre los puntos críticos y clasifíquelos en mínimos máximos o sillas. 𝑓 𝑥, 𝑦 = 14𝑥2 − 2𝑥3 + 2𝑦2 + 4𝑥𝑦 Optimización–Prof. Cristian García-Campo Optimización sin Restricciones Solución Derivando e igualando a 0 para encontrar los puntos Críticos : 𝜕𝑓(𝑥,𝑦) 𝜕𝑥 = 28𝑥 − 6𝑥2 + 4𝑦 = 0 𝜕𝑓(𝑥,𝑦) 𝜕𝑦 = 4𝑦 + 4𝑥 = 0 Reemplazando (2) en (1) y resolviendo el sistema de ecuaciones: 28𝑥 − 6𝑥2 − 4𝑥 = 0 24𝑥 − 6𝑥2 = 0 4𝑥 − 𝑥2 = 0 𝑥(4 − 𝑥) = 0 Y por lo tanto x= 0 ó x=4 además por (2) y=-x por lo tanto los puntos críticos son entonces ( 0,0 ) y ( 4,-4) Optimización–Prof. Cristian García-Campo Optimización sin Restricciones Solución Construyendo la matriz Hessiana: 𝐻 𝑥, 𝑦 = 28 − 12𝑥 4 4 4 Reemplazamos los puntos críticos y calculamos el Determinante: 𝐷 𝐻 0,0 = 28 4 4 4 = 112 − 16 = 96 > 0 = 28 > 0 La matriz es positiva definida en ( 0,0 ) y por lo tanto es un Mínimo Local Optimización–Prof. Cristian García-Campo Optimización sin Restricciones Solución Construyendo la matriz Hessiana: 𝐻 𝑥, 𝑦 = 28 − 12𝑥 4 4 4 Reemplazamos los puntos críticos y calculamos el Determinante: 𝐷 𝐻 4, −4 = −20 4 4 4 = −80 − 16 = −96 < 0 = −20 < 0 La matriz no es positiva ni negativa definida en ( 4,-4 ) y por lo tanto es un punto de silla o puntos de inflexión. Optimización–Prof. Cristian García-Campo Optimización sin Restricciones Pregunta Para los siguientes problemas encuentre los puntos críticos y clasifíquelos en mínimos máximos o sillas. Optimización–Prof. Cristian García-Campo Optimización sin Restricciones Solución Optimización–Prof. Cristian García-Campo Optimización sin Restricciones Extra Opcional Algunas funciones son difíciles de optimizar por la vía de encontrar puntos de gradiente nulo (incluso cuando éstas son convexas). En estos casos, es necesario buscar métodos alternativos para identificar sus puntos extremos como los que se describen en la próxima sección. Método de Newton Método del Gradiente Optimización sin Restricciones Cristián García-Campo Universidad de los Andes Optimización 2° semestre 2018 Optimización–Prof. Cristian García-Campo Optimización con Restricciones Cristián García-Campo Universidad de los Andes Optimización 2° semestre 2018 Optimización–Prof. Cristian García-Campo Optimización–Prof. Cristian García-Campo Optimización con Restricciones NN Contexto Optimización–Prof. Cristian García-Campo Optimización con Restricciones NN Contexto Optimización–Prof. Cristian García-Campo Optimización con Restricciones NN Contexto Optimización–Prof. Cristian García-Campo Optimización con Restricciones NN Contexto Optimización–Prof. Cristian García-Campo Optimización con Restricciones NN Contexto Optimización–Prof. Cristian García-Campo Optimización con Restricciones NN Contexto Con todo, las condiciones necesarias de optimalidad de primer orden para problemas con restricciones de no negatividad son: 𝒙𝒊 ∗ 𝝏𝒇 𝒙 𝝏𝒙𝒊 = 𝟎 ∀𝒊 Optimización–Prof. Cristian García-Campo Optimización con Restricciones NN Contexto Optimización–Prof. Cristian García-Campo Optimización con Restricciones NN Problema Optimización–Prof. Cristian García-Campo Optimización con Restricciones NN Problema Optimización–Prof. Cristian García-Campo Optimización con Restricciones NN Problema Optimización–Prof. Cristian García-Campo Optimización con Restricciones NN Problema Optimización–Prof. Cristian García-Campo Optimización con Restricciones NN Problema Optimización–Prof. Cristian García-Campo Optimización con Restricciones NN Problema Optimización–Prof. Cristian García-Campo Optimización con Restricciones NN Problema Optimización–Prof. Cristian García-Campo Optimización con Restricciones NN Problema Optimización–Prof. Cristian García-Campo Optimización con Restricciones NN Problema Optimización–Prof. Cristian García-Campo Optimización con Restricciones NN Problema Optimización–Prof. Cristian García-Campo Optimización con Restricciones de Igualdad Contexto Optimización–Prof. Cristian García-Campo Optimización con Restricciones de Igualdad Contexto Optimización–Prof. Cristian García-Campo Optimización con Restricciones de Igualdad Contexto Así, las condiciones de optimalidad de Primer orden para un problema con restricciones de igualdad y su problema equivalente con lagrangeano L son:Las condiciones de segundo orden pueden encontrarse utilizando el Hessianno del Lagrangeano pero por lo general, como el dominio es restringido a las restricciones, los puntos óptimos tienen poco que ver con la convexidad de la función objetivo por lo que generalmente se debe analizar el punto de manera similar a como si fuera un punto de borde. Optimización–Prof. Cristian García-Campo Optimización con Restricciones de Igualdad Contexto Curvas de nivel de f(x) decrecientes Mínimo Dominio = h (x1,x2) Paraboloide o Elipsoide Optimización–Prof. Cristian García-Campo Optimización con Restricciones de Igualdad Contexto Optimización–Prof. Cristian García-Campo Optimización con Restricciones de Igualdad Ejemplo Optimización–Prof. Cristian García-Campo Optimización con Restricciones de Igualdad Ejemplo Optimización–Prof. Cristian García-Campo Optimización con Restricciones de Igualdad Ejemplo Optimización–Prof. Cristian García-Campo Optimización con Restricciones de Igualdad Ejemplo Condiciones de Optimalizad de LaGrange. Optimización–Prof. Cristian García-Campo Optimización con Restricciones de Igualdad Ejemplo Un espejo rectangular de 100x70 cm. Se ha roto por uno de sus vértices. La forma del pedazo es un triángulo rectángulo de 40x40 cm. Calcule cómo debe cortarse el espejo para que siga siendo rectangular y tenga área máxima. Optimización–Prof. Cristian García-Campo Optimización con Restricciones de Igualdad Ejemplo Variables x :Coordenada x del punto de Corte y:Coordenada y del punto de Corte Función Objetivo 𝑀𝑎𝑥 𝐴 𝑥, 𝑦 = 100 − 𝑦 70 − 𝑥 Sujeto a: 𝑦 = 40 − 𝑥 Optimización–Prof. Cristian García-Campo Optimización con Restricciones de Igualdad Ejemplo Construimos el LaGrangeano 𝑀𝑎𝑥 𝐿 𝑥, 𝑦, λ = 100 − 𝑦 70 − 𝑥 + λ 40 − x − y Derivamos e igualamos a cero: 𝜕𝐿 𝜕𝑥 = −100 + 𝑦 − λ=0 𝜕𝐿 𝜕𝑦 = −70 + 𝑥 − λ = 0 𝜕𝐿 𝜕λ = 40 − 𝑥 − 𝑦 = 0 Optimización–Prof. Cristian García-Campo Optimización con Restricciones de Igualdad Ejemplo Despejamos y de 1) y x de 2) y remplazamos en 3): 40 − (70 + λ) − (100 + λ) = 0 130 = −2λ −𝟔𝟓 = 𝝀 𝐱 = 𝟓 ; 𝒚 = 𝟑𝟓 A= 4225 cm2 Optimización–Prof. Cristian García-Campo Optimización con Restricciones de Igualdad Problema Optimización–Prof. Cristian García-Campo Optimización con Restricciones de Igualdad Problema Optimización–Prof. Cristian García-Campo Optimización con Restricciones de Igualdad Problema Note que no incluimos las restricciones de NN ¿Qué pasaría si las incluimos? Optimización–Prof. Cristian García-Campo Optimización con Restricciones de Igualdad Problema ¿ Que representa el valor de Lambda? Optimización–Prof. Cristian García-Campo Optimización con Restricciones de Igualdad Problema Optimización–Prof. Cristian García-Campo Optimización con Restricciones de Igualdad Problema Optimización–Prof. Cristian García-Campo Optimización con Restricciones de Igualdad Problema Optimización–Prof. Cristian García-Campo Optimización con Restricciones de Igualdad Problema Optimización–Prof. Cristian García-Campo Optimización con Restricciones de Igualdad Problema Optimización–Prof. Cristian García-Campo Optimización con Restricciones de Igualdad Problema Optimización–Prof. Cristian García-Campo Optimización con Restricciones de Igualdad Problema Optimización–Prof. Cristian García-Campo Optimización con Restricciones de Igualdad Problema Optimización–Prof. Cristian García-Campo Optimización con Restricciones de Igualdad Contexto Interpretación de los multiplicadores de Lagrange Pensemos en un problema de optimización de dos variables y una restricción como el que vimos recién. El multiplicador de Lagrange (λ) representa la sensibilidad de la función objetivo ante pequeñas variaciones del parámetro V de la restricción. Es decir, si aumentamos el parámetro V en ∆𝑉, obtendremos que el nuevo valor de la función objetivo se puede aproximar por: 𝒇 𝒓∗, 𝒉∗ = 𝒇 𝒓∗, 𝒉∗ + λ ∗ ∆𝑽 Para el caso general de más variables y restricciones, los multiplicadores λi representan lo mismo que para el caso de 2 variables y una restricción. Por lo tanto, ante una variación en ∆𝑎𝑖 del parámetro 𝑎𝑖 ( parámetro de la restricción de igualdad i / 𝑔𝑖 𝑥𝑖 = 𝑎𝑖 ), tenemos que la variación de la función objetivo se puede aproximar por: 𝒇 𝒙𝒊 ∗ = 𝒇 𝒙𝒊 ∗ + λ𝒊 ∗ ∆𝒂𝒊 Esto se puede interpretar también como 𝝏𝒇(𝒙𝒊∗) 𝝏𝒂𝒊 = 𝝀𝒊 ….La demostración de esta afirmación se entregará como material opcional Optimización–Prof. Cristian García-Campo Optimización con Restricciones de Igualdad Problema Optimización–Prof. Cristian García-Campo Optimización con Restricciones de Igualdad Problema Optimización–Prof. Cristian García-Campo Optimización con Restricciones de Igualdad Problema U( x1,x2)= -7.2 Optimización–Prof. Cristian García-Campo Optimización con Restricciones de Igualdad Problema Optimización–Prof. Cristian García-Campo Optimización con Restricciones de Igualdad Problema Optimización con Restricciones Cristián García-Campo Universidad de los Andes Optimización 2° semestre 2018 Optimización–Prof. Cristian García-Campo Optimización con Restricciones Cristián García-Campo Universidad de los Andes Optimización 2° semestre 2018 Optimización–Prof. Cristian García-Campo Optimización–Prof. Cristian García-Campo Optimización con Restricciones de Igualdad Ejercicios Resueltos Optimización–Prof. Cristian García-Campo Optimización con Restricciones de Igualdad Ejercicios Resueltos Optimización–Prof. Cristian García-Campo Optimización con Restricciones de Igualdad Ejercicios Resueltos Optimización–Prof. Cristian García-Campo Optimización con Restricciones de Igualdad Ejercicios Resueltos Optimización–Prof. Cristian García-Campo Optimización con Restricciones de Igualdad Ejercicios Resueltos Optimización–Prof. Cristian García-Campo Optimización con Restricciones de Igualdad Ejercicios Resueltos Máximo Optimización–Prof. Cristian García-Campo Optimización con Restricciones de Igualdad Ejercicios Resueltos Mínimo Optimización–Prof. Cristian García-Campo Optimización con Restricciones de Igualdad Ejercicios Resueltos
Compartir