Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Abstract Mapa vial Motivación Descripción de conjuntos convexos ¿Por qué pueden surgir funciones convexas que no son agradables en las aplicaciones? Convex Analysis for Optimization Jan Brinkhuis Villalba Salazar, Raul Moises Prof. Alex Armando Cruz Huallpara Seminario I 27 de julio del 2021 Seminario I Prof. Alex Armando Cruz Huallpara Convex Analysis for Optimization Abstract Mapa vial Motivación Descripción de conjuntos convexos ¿Por qué pueden surgir funciones convexas que no son agradables en las aplicaciones? Capítulo 5: Funciones convexas - propiedades básicas 1 Abstract 2 Mapa vial 3 Motivación 4 Descripción de conjuntos convexos 5 ¿Por qué pueden surgir funciones convexas que no son agradables en las aplicaciones? Seminario I Prof. Alex Armando Cruz Huallpara Convex Analysis for Optimization Abstract Mapa vial Motivación Descripción de conjuntos convexos ¿Por qué pueden surgir funciones convexas que no son agradables en las aplicaciones? Abstract ¿Por qué?. Un segundo objeto principal del análisis convexo es una función convexa. Las funciones convexas pueden ayudar a describir conjuntos convexos: estos son conjuntos infinitos, pero a menudo pueden describirse mediante una fórmula para una función convexa, es decir, en términos finitos. Además, en muchas aplicaciones de optimización, la función que debe minimizarse es la convexa y luego la convexidad se utiliza para resolver el problema. ¿Qué?. En los capítulos anteriores, hemos invertido mucho tiempo y esfuerzo en conjuntos convexos y conos convexos, demostrando todas sus propiedades estándar. Ahora hay buenas noticias. No es necesario establecer más propiedades esencialmente nuevas en el resto de este libro. Queda por cosechar las recompensas. Seminario I Prof. Alex Armando Cruz Huallpara Convex Analysis for Optimization Abstract Mapa vial Motivación Descripción de conjuntos convexos ¿Por qué pueden surgir funciones convexas que no son agradables en las aplicaciones? Abstract En los Capítulos. 5 y 6, consideramos comenzar con funciones con- vexas: las propiedades duales en el Cap. 6, y las propiedades que no requieren dualidad, las propiedades primarias de este capítulo. Es- to requiere conjuntos convexos: las funciones convexas son funcio- nes especiales en conjuntos convexos. Aún mejor, pueden expresarse completamente en términos de conjuntos convexos: las funciones convexas son funciones para las cuales el epígrafo, es decir, la región por encima del gráfico, es un conjunto convexo. Algunas propieda- des de las funciones convexas se derivan inmediatamente de una propiedad de un conjunto convexo, aplicada al epígrafo. Seminario I Prof. Alex Armando Cruz Huallpara Convex Analysis for Optimization Abstract Mapa vial Motivación Descripción de conjuntos convexos ¿Por qué pueden surgir funciones convexas que no son agradables en las aplicaciones? Abstract Un ejemplo es la propiedad de continuidad de las funciones con- vexas. Para otras propiedades, se requiere una investigación más profunda: se debe tomar la homogeneización del epígrafo, y luego se debe aplicar una propiedad de los conos convexos. Un ejemplo es la construcción unificada de las ocho operaciones binarias estándar en funciones convexas (suma, máximo, casco convexo del mínimo, convolución infimal, suma de Kelley) mediante el método de ho- mogeneización. Las fórmulas que los definen se ven completamente diferentes entre sí, pero todas pueden generarse exactamente de la misma manera sistemática mediante una reducción a conos convexos ("homogeneización"). Seminario I Prof. Alex Armando Cruz Huallpara Convex Analysis for Optimization Abstract Mapa vial Motivación Descripción de conjuntos convexos ¿Por qué pueden surgir funciones convexas que no son agradables en las aplicaciones? Abstract Uno tiene para las funciones convexas el mismo problema técnico que para los conjuntos convexos: todas las funciones convexas que ocurren en las aplicaciones tienen las agradables propiedades de ser cerradas y adecuadas, pero si trabaja con ellas y crea nuevas funcio- nes a partir de ellas, entonces podrían perder las propiedades. Dos ejemplos de tal trabajo son: (1) la consideración, en un análisis de sensibilidad para un problema de optimización, de la función de va- lor óptimo, y (2) la aplicación de una operación binaria. Finalmente, dos funciones continuamente diferenciables f (x) son convexas si su Hessiana f (2) es semidefinida positiva para todo x. Seminario I Prof. Alex Armando Cruz Huallpara Convex Analysis for Optimization Abstract Mapa vial Motivación Descripción de conjuntos convexos ¿Por qué pueden surgir funciones convexas que no son agradables en las aplicaciones? Mapa vial 1. Definiciones 5.2.1, 5.2.4, 5.2.6, 5.2.9 y 5.2.10 (función convexa, definida por la desigualdad de Jensen o por la convexidad de un conjunto: su epígrafo (estricto)). 2. Proposición 5.3.1 (propiedad de continuidad de una función con- vexa). 3. Proposiciones 5.3.6, 5.3.9 (caracterizaciones de primer y segundo orden de funciones convexas). 4. Figura 5.7 y Definición 5.4.2 (función convexa de construcción por homogeneización). Seminario I Prof. Alex Armando Cruz Huallpara Convex Analysis for Optimization Abstract Mapa vial Motivación Descripción de conjuntos convexos ¿Por qué pueden surgir funciones convexas que no son agradables en las aplicaciones? Mapa vial 5. Definiciones 5.2.12, 5.3.4 (dos buenas propiedades para las fun- ciones convexas, lo cerrado y lo correcto). 6. Definiciones 5.5.1, 5.5.2 (las dos acciones de funciones lineales sobre funciones convexas). 7. Figura 5.8, Definición 5.6.1, Proposición 5.6.6 (operaciones bina- rias en funciones convexas (suma puntual, máxima puntual, casco convexo de mínimo puntual, convolución infimal, suma de Kelley , definidas por fórmulas y construidas por homogeneización). Seminario I Prof. Alex Armando Cruz Huallpara Convex Analysis for Optimization Abstract Mapa vial Motivación Descripción de conjuntos convexos ¿Por qué pueden surgir funciones convexas que no son agradables en las aplicaciones? Motivación El objetivo de esta sección es motivar el con- cepto de función convexa. Seminario I Prof. Alex Armando Cruz Huallpara Convex Analysis for Optimization Abstract Mapa vial Motivación Descripción de conjuntos convexos ¿Por qué pueden surgir funciones convexas que no son agradables en las aplicaciones? Descripción de conjuntos convexos El objetivo de esta sección es dar dos ejemplos de cómo un conjunto convexo, que suele ser un conjunto infinito, puede describirse me- diante una función, que a menudo se puede describir en términos finitos: mediante una fórmula. Ejemplo 5.1.1 (Un conjunto convexo cerrado ilimitado visto como un epígrafo) Suponga que A ⊆ X = Rn es un conjunto convexo cerrado ilimitado. Entonces tiene un vector de recesión v distinto de cero. Suponga que −v no es un vector de recesión para A. Entonces podemos ver A como un epígrafo, es decir, como la región sobre la gráfica de una función. La figura 5.1 ilustra cómo se puede hacer esto. Seminario I Prof. Alex Armando Cruz Huallpara Convex Analysis for Optimization Abstract Mapa vial Motivación Descripción de conjuntos convexos ¿Por qué pueden surgir funciones convexas que no son agradables en las aplicaciones? Figura: Fig. 5.1 Conjunto convexo cerrado ilimitado visto como un epígrafo Seminario I Prof. Alex Armando Cruz Huallpara Convex Analysis for Optimization Abstract Mapa vial Motivación Descripción de conjuntos convexos ¿Por qué pueden surgir funciones convexas que no son agradables en las aplicaciones? He aquí una descripción precisa. Sea L el hiperplano en X que pasa por el origen ortogonal a v , es decir, L = v⊥ = {x ∈ X | x · v = 0} Sea B ⊆ L la imagen de A bajo la proyección ortogonal de X sobre L. Luego ponemos f (x) = ḿın {ρ|x + ρv ∈ A} para cada x ∈ B. Esto está bien definido: según la definición de B, existe un número ρ ∈ R tal que x +ρv ∈ A; como −v no es una dirección de recesión de A, el conjunto de talesnúmeros ρ está acotado por debajo; por la cercanía de A, se deduce que existe un número mínimo ρ. Esto completa la verificación de que f (x) está bien definida para todo x ∈ B. Esto da que x + f (x)v ∈ A y que x + ρv ∈ A implica ρ ≥ f (x). Seminario I Prof. Alex Armando Cruz Huallpara Convex Analysis for Optimization Abstract Mapa vial Motivación Descripción de conjuntos convexos ¿Por qué pueden surgir funciones convexas que no son agradables en las aplicaciones? Por el contrario, para todo ρ ≥ f (x), tenemos que el punto x +ρv = (x +f (x)v)+(ρ−f (x))v está en A, ya que x +f (x)v ∈ A y, además, v es un vector de recesión de A. Entonces obtenemos una función f : B → R y el conjunto A es el subconjunto de X que consta de todos los vectores x + ρv donde (x , ρ) corre sobre el epígrafo de f , epi f = {(x , ρ) | x ∈ B , ρ ∈ R , ρ ≥ f (x)} De esta manera, el conjunto convexo A se describe completamente en términos de la función f : es esencialmente el epígrafo de f . La función f se llama función convexa ya que su epígrafo es un conjunto convexo. Además, f se denomina semicontinua inferior o cerrada ya que su epígrafo es un conjunto cerrado. Hay muchas funciones definidas por una fórmula, es decir, en términos finitos, que pueden verificarse como funciones convexas, como veremos. Para tal función f , se obtiene una descripción finita conveniente del conjunto convexo epi f , el epígrafo de f , por la fórmula de la función f . Seminario I Prof. Alex Armando Cruz Huallpara Convex Analysis for Optimization Abstract Mapa vial Motivación Descripción de conjuntos convexos ¿Por qué pueden surgir funciones convexas que no son agradables en las aplicaciones? Ejemplo 5.1.2 (Un conjunto convexo cerrado descrito por su calibre) La norma euclidiana sobre Rn se puede describir en térmi- nos de la bola unitaria cerrada estándar Bn como ||x || = ı́nf { t > 0 | xt ∈ Bn } . Ahora generalizamos esta construcción. Su- pongamos que tenemos un conjunto convexo cerrado A ⊆ X = Rn que contiene el origen en su interior (recuerde que esta condición puede asumirse para un conjunto convexo cerrado no vacío dado trasladándolo a una nueva posición de tal manera que un interior relativo el punto se lleva al origen, y luego se restringe el espacio de Rn al lapso de la copia traducida del conjunto dado). Entonces el cierre de c(A), la homogeneización de A, es el epígrafo de una función pA : X → R+. Uno tiene pA(x) = ı́nf { t > 0 | xt ∈ A } Seminario I Prof. Alex Armando Cruz Huallpara Convex Analysis for Optimization Abstract Mapa vial Motivación Descripción de conjuntos convexos ¿Por qué pueden surgir funciones convexas que no son agradables en las aplicaciones? Esta función se llama función de Minkowski o calibre de A. El con- junto A se puede expresar en términos de esta función por medio de A = {x ∈ X |g(x) ≤ 1} Si g puede ser dado por una fórmula, entonces esto da nuevamente una descripción finita conveniente del conjunto convexo A: por la fórmula para su calibre g , una función convexa como su epígrafo es un cono convexo y por lo tanto un conjunto convexo. La figura 5.2 ilustra esta descripción para el caso de que A esté acotado. Se dibuja un subconjunto A del plano R2. Es un conjunto convexo cerrado acotado que contiene el origen en su interior. Algunas flechas se dibujan desde el origen hasta el límite de A. En tal flecha, el valor del calibre g de A crece linealmente de 0 a 1. Seminario I Prof. Alex Armando Cruz Huallpara Convex Analysis for Optimization Abstract Mapa vial Motivación Descripción de conjuntos convexos ¿Por qué pueden surgir funciones convexas que no son agradables en las aplicaciones? Figura: Fig. 5.2 Un conjunto convexo cerrado descrito por su calibre Seminario I Prof. Alex Armando Cruz Huallpara Convex Analysis for Optimization Abstract Mapa vial Motivación Descripción de conjuntos convexos ¿Por qué pueden surgir funciones convexas que no son agradables en las aplicaciones? Conclusión: Hemos visto dos métodos para describir conjuntos convexos por me- dio de funciones; esto es conveniente, ya que las funciones a menudo se pueden describir mediante una fórmula. Entonces, un infinito (un conjunto convexo) se captura en términos finitos. El primer méto- do consiste en ver un conjunto convexo ilimitado con la ayuda de una dirección de recesión como epígrafo de una función. El segundo método consiste en describir un conjunto convexo por su calibre. Seminario I Prof. Alex Armando Cruz Huallpara Convex Analysis for Optimization Abstract Mapa vial Motivación Descripción de conjuntos convexos ¿Por qué pueden surgir funciones convexas que no son agradables en las aplicaciones? ¿Por qué pueden surgir funciones convexas que no son agradables en las aplicaciones? En este capítulo, definiremos dos propiedades interesantes, lo ce- rrado y lo correcto, que poseen todas las funciones convexas que ocurren en las aplicaciones. Ahora describimos una operación que debe realizarse en muchas aplicaciones y que conduce a una función convexa que podría no tener estas dos buenas propiedades. Ésta es la razón por la que se admite en la teoría de funciones convexas también funciones que no tienen estas dos bonitas propiedades. Ejemplo 5.1.3 (La importancia del análisis de sensibilidad) A veces, la sensibilidad de una solución óptima se considera más importante que la solución óptima en sí. Supongamos, por ejemplo, que una empresa quiere iniciar un nuevo proyecto. Seminario I Prof. Alex Armando Cruz Huallpara Convex Analysis for Optimization Abstract Mapa vial Motivación Descripción de conjuntos convexos ¿Por qué pueden surgir funciones convexas que no son agradables en las aplicaciones? Para empezar, se podrían crear algunos escenarios posibles sobre cómo hacerlo. Luego, para ayudar a los gerentes responsables a tomar una decisión, los ingresos esperados menos el costo se determina para cada escenario, mediante optimización. Es posible que se sorprenda al saber que los gerentes a menudo no están muy interesados en comparar las ganancias óptimas de los escenarios. Están más interesados en evitar escenarios de riesgo. Algunos de los datos de un problema de optimización para un escenario dado, como los precios, son inciertos. En algunos escenarios, la sensibilidad de los beneficios óptimos en los datos es mucho mayor que en otros. Sea S(y) la ganancia óptima para un escenario dado si el vector de datos es y . Entonces, la función S se denomina función de valor óptimo y, por su definición, determina la sensibilidad del valor óptimo para los cambios y . Seminario I Prof. Alex Armando Cruz Huallpara Convex Analysis for Optimization Abstract Mapa vial Motivación Descripción de conjuntos convexos ¿Por qué pueden surgir funciones convexas que no son agradables en las aplicaciones? Por tanto, la función de valor óptimo es de gran interés. La función S es cóncava (es decir, −S es convexa), si las funciones que describen el problema de optimización para el escenario son convexas. De hecho, hacer −S con estas funciones convexas es un operador que preserva la convexidad. En cada aplicación, las funciones convexas que describen el problema de optimización para un escenario dado tienen dos buenas propiedades. Sin embargo, resulta que la función de valor óptimo S no necesita tener estas dos buenas propiedades. Seminario I Prof. Alex Armando Cruz Huallpara Convex Analysis for Optimization Abstract Mapa vial Motivación Descripción de conjuntos convexos ¿Por qué pueden surgir funciones convexas que no son agradables en las aplicaciones?
Compartir