Professional Documents
Culture Documents
MODALIDAD DE INVESTIGACION
CODIGO: 080993-B
RESOLUCION: N 007-2014-CD-EPM-FCNM
BELLAVISTA CALLAO
2014
ndice
I. Resumen . 1
Abstract ....2
V. Referencias bibliogrficas......25
I. Resumen
1
Abstract
2
II. Introduccin
El nacimiento de los problemas convexos y de los problemas de desigualdades
variacionales (VIP) fuertemente ligados a la programacin matemtica ha dado lugar a
numerosos esfuerzos investigadores orientados a resolverlos. En los ltimos aos ha
resultado de vital importancia para la resolucin de los VIP el uso de las funciones gap para
reformular el problema como uno de optimizacin diferenciable sin restricciones. Este
artculo pretende ser una presentacin de la aplicabilidad de la funcin gap a los problemas
convexos as como un punto de investigacin que reduzcan las hiptesis para este caso
particular.
3
III. Marco Terico
Capitulo 1: Preliminares
n n n
Sea X no vacio, cerrado y convexo, subconjunto de R y F: X R R una
aplicacin continua. El problema de desigualdad variacional consiste en encontrar un
x X tal que:
F ( x ) ( xx ) 0; x X
(VIP)
={ x X /F ( x )( xx ) 0 }
min {f ( x ) ; x D }
(I )
Donde :
f : D Rn R y consideremos a D convexo.
Entonces fcilmente se prueba que todas las direcciones factibles en x D son los
vectores de la forma: d= ( xx ) ; x D y > 0
4
Entonces una condicin necesaria de primer orden para la existencia de un extremo en
x es:
t
f ( x ) . ( xx ) 0; x D , >0
O que es lo mismo
t
f ( x ) ( xx ) 0; x D
Observacin 1.1
Teorema 1.1
f C 1 en D y F : D Rn
Si x es solucin de min {f ( x ) ; x D } x es solucion del VIP(F , X)
Ahora cabe plantearse el camino inverso, es decir determinar bajo que condicin la funcin
5
Teorema 1.2
F : X Rn Rn , F C 1 X0 X
Sea definida sobre un conjunto convexo y abierto
F X0
entonces es gradiente de una aplicacin en
F ( x ) es simtrica , x X 0
Observacin 1.2
Teorema 1.3
1
una curva de clase C entonces se cumple que:
FdS= ( ( b )) ( ( a ) )
Donde: F y : [ a , b ] Rn
Demostracin:
6
Como F
FdS= dS= d
dt
. dt
a
Definamos:
d
g ( t )= ( ( t ) ) g' ( t )= ( ( t ) ) .
dt
As
Teorema 1.4
como:
x
( x )= FdS ( P)
Prueba
x+h x x+h
( x+ h ) ( x )= Fds Fds= Fds
a a x
7
Sea ( t )=x+th con t [0,1] . Entonces
1
d
F( (t ) ) .dt= h. F ( (t ) ) dt
dt 0
x +h 1
Fds=
x 0
Supongamos que los incrementos apuntan en las direcciones de los vectores de la base
h=h ei
cannica, es decir, . Entonces
1
( x +h e i ) ( x )=h F i ( x +t . h e i ) dt
0
Por lo tanto
1
lim h 0 F i ( x+ the i ) dt=F i (x)
0
( x +h e i )( x)
lim h 0 =
h
=
xi
Luego F=
8
Capitulo 2: Antecedentes y motivacin
Las funciones de merito discutidas en este trabajo son del tipo dado por la siguiente
definicin
1. ( x ) 0 o ( x ) 0 ; x X
2. ( x )=0 x
obtiene un punto en .
Por lo tanto las funciones gap se pueden utilizar como funciones de merito para las
desigualdades variacionales.
L : XxX R
t
L ( x , y ) =f ( x )f ( y ) + [ F ( x ) f ( x ) ] .( x y ) (2.1)
9
n
Donde f : R R {+ } es convexa y semicontinua inferiormente (l. s . c .) y
f C 1 en X .
(VIP)
L ( x , y ) L ( x , y ) L ( x , y ) ( x , y ) XxX x resuelve(VIP)
Observacin 2.1
10
Paraboloide hiperblico (silla de montar)
Primero, nos referimos como el primal de la funcin gap generalizada, por razones que
sern evidentes ms adelante, se define como:
G ( x )= y X { L ( x , y ) } ; x X ( PGG)
inf x X {G ( x ) }
(OPGG)
11
Note que ( PGG ) es un programa convexo, ya que L es cncava en y X . Para el
1. G ( x ) 0 y es l. s . c . xX
2. G ( x )=0 x
Observacin 2.2
g : X R { } Y se define
g ( y ) =inf x X { L ( x , y ) } ; y X
( DGG)
12
y X { g ( y ) }
( ODGG )
1. g ( y)0, y X
2. g ( y ) =0 y
Ejemplo 2.1
1 2
x
sobre X , con la nica solucin x =0(= { 0 })
2
4
Elegir f ( x )=x , que es estrictamente convexa. Entonces:
13
L ( x , y ) =x 4 y 4+ [ x4 x 3 ] ( x y )
g ( y ) =inf x X { L ( x , y ) }=min x X { L ( x , y ) } ; y X
g ( 0 )=min x X { x 4 + ( x4 x 3 ) x }
g ( 0 )=min x X { x 23 x 4 }=2 0
g (0 ) 0
(VIP) .
G ( x )= y X { L ( x , y ) }
14
t
y L ( x , y ( x ) ) . ( y y ( x ) ) 0; y X
(2.2)
f ( y ( x ) ) + F ( x ) f (x)
( t ( y y ( x ) ) 0 ; y X ( AVIP)
Por tanto se concluye que calcular G ( x) equivale a resolver ( AVIP) a travs de una
aproximacin costo.
15
La no existencia del problema de optimizacin ( P) es debido al hecho de que el valor
definir una integral de lnea sin ambigedades, podemos elegir la curva siendo la lnea
recta desde 0 a x , por lo tanto introducir una parametrizacion s=s ( t )=t . x . Entonces
definimos:
1
f ( x )= F ( s )t ds= ( t ) dt (2.3)
0
t
Donde :R R esta dada por (t )=F ( tx ) . x . Esta aproximacin es exacta
Ejemplo 2.2
nxn
Donde A es una matriz asimtrica en R . Por la eleccin de f como en (2.3),
obtenemos que:
1
1
f ( x )= ( tAxb )t . xdt= x t Axbt x
0 2
16
2 1 t
f = ( A+A )
Que en realidad define una simetrizacion de F , pues 2 es la parte
simtrica de F= A .
En la siguiente seccin nos relacionamos con los resultados obtenidos por Auchmuty,
como resultado de hacer f 0 en (2.1) (Auchmuty trata este caso por separado, pero los
estudios en las funciones de merito se han hecho a finales de 1960). La funcin se silla de
montar correspondiente a (2.1) entonces es:
t
L ( x , y )=F( x) ( x y )
(3.1)
En el contexto de juegos no cooperativos esta funcin fue estudiada por Zuhovickii que
17
problema de equilibrio se encuentra mediante la bsqueda de un punto de silla en L , es
decir, un punto ( x , y ) tal que:
t
y X { inf x X F ( x )t ( x y ) }=F ( x ) ( x y )=inf x X { y X F ( x )t ( x y ) } (SP)
G : X R {+ }
G ( x )= y X { F ( x )t ( x y ) } (PG)
2. G e s l. s . c . en X
18
1
3. Si X es acotado y F C en X , entonces G es lipschitziana en X ,
es decir :
MG 0
tal que
x1 , x2 X G ( x 1) G(x 2) M Gx 1x 2
t
4. Si F C 1 en X y si Y ( x ) ={ y ( x ) } con G ( x )=F ( x ) + F ( x ) (x y ( x ) )
entonces G es diferenciable en x X .
5. Si F C
1
en X , y montona en X entonces si x y
6. G es convexa en X , si F ( x )t x es convexa en X .
'
F en 5. x G ( x ; yx ) 0 , y X
Prueba
direccin d
19
t
G ( x ; d )= G ( x ) d=[ F ( x ) + F ( x ) ( x y ( x ) ) ] ( y ( x )x )
' t t
t
[ F ( x )+ F ( x ) ( x y ( x )) ] ( x y ( x ) )
t
t t
[ F ( x ) ( x y ( x ) ) + ( x y ( x ) ) F ( x ) ( x y ( x ) ) ]
t
[G(x)+ ( x y ( x ) ) F ( x ) ( x y ( x )) ]
Prueba de 6
t
Sea H ( x )=F ( x ) x , por hiptesis H es convexa sobre X .
1
x 1+()x 2
:
G
Por definicin de G
20
1
x 1+()x 2
1
x 1+()x 2
1
( x 1+() x2 ) y
F
G
1
x 1 +() x 2
1
x 1 +() x 2
1
x 1 +() x 2
F ( t y } (1)
F
y X
1
x 1+()x 2
H
1
x 1+()x 2
1
x 1+()x 2
F
Sea z= x 1+(1 )x 2
21
De (2) en (1):
1
x 1+() x 2
F ( t y }
F ( x 1 )t x 1+ (1 ) F ( x 2 )t x 2
G ( z ) y X
y X { F ( x 1 )t x1 + ( 1 ) F ( x 2) t x2 F ( x 1 )t y(1) F ( x 2 )t y }
y X { F ( x 1 )t ( x 1 y ) + ( 1 ) F ( x2 )t (x 2 y ) }
Sup y X { F ( x1 )t ( x 1 y ) }+ ( 1 ) y X { F ( x2 )t ( x 2 y ) }
Entonces:
G ( z ) G ( x 1 ) + ( 1 ) G( x 2 )
inf x X G ( x )
(OPG)
es igual al conjunto .
solucin de (VIP) .
22
En cuanto a la igualdad de la izquierda de (SP) obtenemos el dual de la funcin gap
g : X R { }
t
g ( y )=inf x X {F ( x ) ( x y ) }
( DG)
constituye una apropiada funcin gap. Para el caso f 0 , sin embargo, es posible
es decir:
F ( y )t ( x y ) 0 F ( x )t ( x y ) 0 ; x , y X (3.2)
(Esta propiedad est, por ejemplo, implicada por monotonicidad). Bajo esta condicin
F ( x )t ( xx ) 0 ; x X
'
(VI P )
23
Sea F:X R
n
pseudo-montona en X . Tambin, para cualquier y X se define
(DG) .
2. g es cncava en X
3. Si F C
1
en X y si X ( y )= { x ( y ) } con g ( y )= F ( x ( y )) entonces
g es diferenciable en y X .
Prueba
En la prueba de 1, lo que nos interesa es la segunda condicin para una funcin gap.
Entonces como y F ( y )t ( x y ) 0
t
F ( x ) ( x y ) 0
t
inf x X {F ( x ) ( x y ) } 0
g ( y ) 0 pero g( y )0
g ( y )=0
de
y X g ( y )
(ODG)
24
es igual al conjunto .
g ( y ) 0 G ( x ) ; x , y X
y X g ( y )=0=inf x X G(x)
Entonces (x , y ) es un punto de silla de L x , y .
25
3.2 Aplicacin (mnimos cuadrados)
queremos encontrar la recta y=mx +b tal que la suma de los cuadrados de las
distancias verticales de estos puntos a la recta sea mnima, esto es, queremos minimizar
n
f (m, b)= ( y im x ib)2
i=1
{
n n n
x i2 m+ xi b= x i y i
i=1 i=1 i=1
n n
xi m+nb= y i
i=1 i=1
Prueba.
26
Notemos que f (m, b) es convexa, pues, es una suma de funciones convexas y est
un problema convexo.
As bastara resolver
f ( m, b ) =(0,0)
Para encontrar los puntos de mnimo global (m , b ) .
En efecto:
n n
( )
f ( m, b ) = 2 ( y i m x ib )( x i ) ; 2 ( y im x ib ) (1 ) =( 0,0 )
i=1 i=1
Entonces:
yi
(m x ib )x i=0
yi
n n
(m x ib )=0
i=1 i=1
Luego se tiene:
{
n n n
x i y im xi2b x i=0
i=1 i=1 i=1
n n
y im xi nb=0
i=1 i=1
O equivalentemente,
{
n n n
x i2 m+ xi b= x i y i
i=1 i=1 i=1
n n
xi m+nb= y i
i=1 i=1
27
2 2
Por otro lado definamos la funcin F:R R
n n
(
F ( m ,b )= 2 ( y im x ib ) (xi ) ; 2 ( y im x ib ) (1 )
i=1 i=1
)
Veamos si F puede ser gradiente de otra funcin f , es decir, si F es simtrica:
( )
F1 F1
F ( m, b ) = m b ; F=( F , F )
1 2
F2 F2
m b
n n
( )
2
2 ( y im x ib )( x i ) 2 ( y i m x ib )( xi )
F ( m , b) = i=1
n
i=1
n
2 ( y im x ib ) ( x i ) 2 ( y im x ib )
i=1 i=1
Adems debemos recordar que una condicin necesaria de primer orden para la existencia
de un extremo es:
m
( ,b )
( m, b )
t
f ( m , b )
28
Por tanto, el problema de mnimos cuadrados se puede plantear como un VIP siempre
que F= f
A manera de prctica planteamos encontrar la recta de mnimos cuadrados con ayuda del
problema anterior, para los puntos del plano: ( 3,2 ) , ( 4,3 ) , ( 5,4 ) , ( 6,4 ) y (7,5)
{
n n n
2
xi m+ xi b= x i y i
i=1 i=1 i=1
n n
xi m+nb= y i
i=1 i=1
29
P1=( 3,2 ) , P2 =( 4,3 ) , P3=( 5,4 ) , P4 =( 6,4 ) y P 5=( 7,5 ) .
Por dato tenemos los puntos
{13525m+25 b=97
m+5 b=18
7 1
m= b=
Resolviendo tenemos que 10 y 10 .
30
IV. Discusiones y conclusiones
Concluimos que las desigualdades variacionales es una muy buena herramienta para
solucionar los problemas convexos dado que en este trabajo se prob que existe una
equivalencia entre los (VIP) y los programas convexos es decir se puede reformular un
existe una relacin entre los puntos silla y los problemas convexos.
31
V. Referencias Bibliogrficas
http://www.lawebdefisica.com/files/apuntes/calculo2.pdf
Optimizacin Continua: Erik Papa Quiroz (UNAC)
Nonlinear Programming and Variational Inequality Problems: Michael Patriksson
Linear Programming and Network Flows: Mokhtar S. Bazaraa
L. Armijo, Minimization of function having Lipschitz continuos partial derivatives,
32