Professional Documents
Culture Documents
n y Sistemas Dina
Optimizacio micos
MERIDA, VENEZUELA, 1 AL 6 DE SEPTIEMBRE DE 2013
XXVI ESCUELA VENEZOLANA DE MATEMATICAS
La Escuela Venezolana de Matematicas es una actividad de los postgra-
dos en matem aticas de las instituciones siguientes: Centro de Estudios
Avanzados del Instituto Venezolano de Investigaciones Cientficas, Fa-
cultad de Ciencias de la Universidad Central de Venezuela, Facultad de
Ciencias de la Universidad de Los Andes, Universidad Sim on Bolvar,
Universidad Centroccidental Lisandro Alvarado y Universidad de Orien-
te, y se realiza bajo el auspicio de la Asociacion Matematica Venezolana.
La XXVI Escuela Venezolana de Matematicas recibi o financiamiento
de la Academia de Ciencias Fsicas, Matematicas y Naturales de Ve-
nezuela, el Banco Central de Venezuela, el Fondo Nacional de Ciencia,
Tecnologa e Innovaci on (FONACIT), el Instituto Venezolano de Inves-
tigaciones Cientficas (Centro de Estudios Avanzados, Departamento de
Matematicas y Ediciones IVIC), la Universidad de los Andes (CEP, CD-
CHT, Departamento de Matematicas de la Facultad de Ciencias, Deca-
nato de Ciencias y Vicerrectorado Administrativo), Union Matematica
de America Latina y el Caribe (UMALCA) y Centre International de
Mathematiques Pures et Appliquees (CIMPA).
c
Ediciones IVIC
Instituto Venezolano de Investigaciones Cientficas
Rif: G-20004206-0
Optimizacion y Sistemas Din
amicos
Juan Peypouquet Urbaneja
Dise
no y edicion: Escuela Venezolana de Matem
aticas
Preprensa e impresion: Graficas Lauki C. A.
Deposito legal If66020130012420
ISBN 978-980-261-142-3
Caracas, Venezuela
2013
A Stefania
Indice general
Prefacio iii
1 Introducci
on 1
I El Problema de Minimizaci
on 5
2 Conceptos generales 7
2.1 Funciones en los Reales Extendidos . . . . . . . . . . . . . 7
2.2 Convexidad . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.3 Minimizaci
on Local y Global . . . . . . . . . . . . . . . . 10
3 Existencia de Soluciones 13
3.1 El Teorema de Weierstrass-Hilbert-Tonelli . . . . . . . . . 13
3.2 Breve Repaso de Analisis Funcional . . . . . . . . . . . . . 15
3.3 Minimizaci
on Convexa . . . . . . . . . . . . . . . . . . . . 18
4 Optimalidad 21
4.1 Caso Diferenciable . . . . . . . . . . . . . . . . . . . . . . 21
4.2 Caso Convexo, no Diferenciable . . . . . . . . . . . . . . . 23
4.2.1 Subdiferencial y Regla de Fermat Generalizada . . 23
4.2.2 Continuidad y Subdiferenciabilidad . . . . . . . . . 27
5 Ejemplos 35
5.1 Operador de Proximidad . . . . . . . . . . . . . . . . . . . 35
5.2 C
alculo de Variaciones . . . . . . . . . . . . . . . . . . . . 37
5.3 Algunas Ecuaciones Elpticas . . . . . . . . . . . . . . . . 39
i
ii
II Sistemas Din
amicos en Minimizaci
on Convexa 41
7 M etodo del M
aximo Descenso 51
7.1 Propiedades del Sistema . . . . . . . . . . . . . . . . . . . 52
7.2 Convergencia . . . . . . . . . . . . . . . . . . . . . . . . . 53
10 Comentarios Finales 69
10.1 Caso de una Funcion Cuadratica . . . . . . . . . . . . . . 69
10.1.1 Metodo del Maximo Descenso . . . . . . . . . . . . 70
10.1.2 Algoritmo del Punto Proximal . . . . . . . . . . . 70
10.1.3 Algoritmo del Gradiente . . . . . . . . . . . . . . . 71
10.2 Estrategias de Descomposici
on . . . . . . . . . . . . . . . 72
A Espacios de Hilbert 73
A.1 Conceptos Basicos . . . . . . . . . . . . . . . . . . . . . . 73
A.2 Proyecci
on Ortogonal y Dualidad . . . . . . . . . . . . . . 76
Prefacio
Sistemas Din
amicos y Minimizaci
on Convexa en Espacios
de Hilbert,
1. Existencia de soluci
on. Comenzamos por presentar un resultado
abstracto que garantizan la existencia de soluci
on para el problema
de minimizacion en espacios topologicos, para luego estudiar lo
que sucede en el caso convexo en espacios reflexivos. Si bien nos
enfocamos en el problema de minimizacion, el de maximizacion se
puede tratar de manera muy similar, usando las ideas presentadas
aqu.
iii
iv
Agradecimientos
1
Proyecto FONDECYT 11090023, CMM - Universidad de Chile, N ucleo Milenio
Informacion y Coordinaci on en Redes ICM/FIC P10-024F, Proyecto Anillo ACT-
1106: Analisis de Problemas de Control y Aplicaciones, Universidad Tecnica Federico
Santa Mara
2
Universidad de Chile, Universidad Pedro y Mara Curie - Paris VI, y Universidad
Simon Bolvar.
Captulo 1
Introducci
on
o tambien
mn{ f (x) : x C }.
Un punto x C es un minimizador de f en C si f (x ) f (x) para todo
x C. El conjunto de los minimizadores se llama argumento del mnimo
y lo denotamos indistintamente por argmin{f (x) : x C}, argminC (f ),
o simplemente argmin(f ), si el conjunto factible C est
a sobreentendido.
En este contexto nos referiremos a f como la funci on objetivo.
1
2 Juan Peypouquet U
C
alculo en Varias Variables, y que permiten responder total o parcial-
mente estas preguntas. El primero tiene que ver con la existencia de
minimizadores bajo hipotesis esencialmente topologicas:
Ejemplo 1.3. Supongamos que se cuenta con una muestra (xk , yk )m k=1 ,
obtenida mediante m mediciones experimentales de las variables x e
y. Supongamos, adem as, que hay buenas razones para sospechar que
entre dichas variables existe una relaci
on lineal-afn: y = ax + b, donde
los parametros a y b son desconocidos. La aproximaci on por mnimos
cuadrados es una herramienta estadstica que consiste en determinar los
valores de a y b que mejor se ajustan a la muestra, en el sentido de que
el error cuadr
atico medio:
m
1 X
E(a, b) = (axk + b yk )2
m
k=1
(x 1) a + m b = y 1,
que tiene soluci
on unica (salvo si todos los xk son iguales, lo cual no
tiene sentido experimental) dada por
m(x y) (x 1)(y 1) (y 1)kxk2 (x 1)(x y)
a = , b = .
mkxk2 (x 1)2 mkxk2 (x 1)2
4 Juan Peypouquet U
Organizaci
on del texto:
Para comodidad del lector, incluimos adem as una breve discusion sobre
las principales propiedades de los espacios de Hilbert en el Apendice A.
Parte I
El Problema de
Minimizaci
on
5
Captulo 2
Conceptos generales
7
8 Juan Peypouquet U
(f ) = {x X : f (x) }.
(f )
Dado que x argmin(f ) si, y solo si, x (f ) para todo > nf(f ),
tenemos que \
argmin(f ) = (f ). (2.1)
>nf(f )
2.2 Convexidad
Sea X un espacio vectorial. Un conjunto C X es convexo si para cada
par de puntos de C, el segmento que los une tambien pertenece a C.
Conceptos Generales 9
x x + (1 )y y
4. f4 (x) = x = m
ax{k Z : k x},
y as x + (1 )y dom(f ).
De manera similar, si x, y argmin(f ) y (0, 1), entonces
f x + (1 )y f (x) + (1 )f (y) = mn(f ).
lo cual es imposible.
2.3 Minimizaci
on Local y Global
Si (X, ) es un espacio vectorial topologico, la nocion de vecindad nos
permite distinguir entre minimizadores locales y globales. En efecto, sea
f : X R {+} una funcion propia. Un punto x dom(f ) es un
Conceptos Generales 11
Sin embargo, para las funciones convexas no hay distincion entre mini-
mizadores locales y globales.
f (x ) f (y) + (1 )f (x ) < f (x ) + (1 )f (x ) = f (x ),
1
O, de manera equivalente, para todo x dom(f ).
Captulo 3
Existencia de Soluciones
i) La funci
on f es inferiormente semicontinua;
13
14 Juan Peypouquet U
Entre las hipotesis de Teorema 3.3 se produce una tensi on: mientras
mas conjuntos abiertos tenga la topologa , habra m
as funciones infe-
riormente semicontinuas, pero menos subconjuntos compactos y, por lo
tanto, menos funciones inf-compactas. Mas adelante veremos que, para
el caso convexo, hay una topologa que hace m as sencilla la verificaci
on
de las hip
otesis del Teorema 3.3 (ver Teorema 3.13).
Demostraci
on. Es inmediato de las Proposiciones 3.1 y 3.7.
i) El espacio X es reflexivo.
1) es compacta para la topologa debil.
ii) La bola unitaria cerrada B(0,
En particular, todo conjunto acotado es relativamente compacto
para la topologa debil.
18 Juan Peypouquet U
3.3 Minimizaci
on Convexa
Sea f : X R {+} una funcion propia definida sobre cualquier
conjunto X, y sea (xn ) una sucesion en dom(f ). Diremos que (xn ) es
una sucesion minimizante para f si lmn f (xn ) = nf(f ). De acuerdo
con la definicion de nfimo, siempre existe alguna sucesion minimizante,
entendiendose que el lmn f (xn ) puede ser . Claramente, si (xn )
es una sucesion minimizante para f , entonces existe R tal que
xn (f ) para todo n N.
Proposicion 3.12. Sea (X, k k) un espacio vectorial normado y sea
f : X R {+} una funci on cuasiconvexa, propia e inferiormente
semicontinua. Sea (xn ) una sucesi
on minimizante para f .
i) Si xn converge debilmente a x argmin(f ).
, entonces x
ii) Si X es un espacio de Banach reflexivo y (xn ) es acotada, entonces
argmin(f ) 6= .
Existencia de Soluciones 19
Demostraci
on. La existencia se obtiene de aplicar la Proposici
on 2.1 y
el Teorema 3.13. La unicidad se deduce de la Proposici
on 2.4.
Captulo 4
Optimalidad
|f (x) f (y)| M kx yk
21
22 Juan Peypouquet U
Demostraci
on. Simplemente notemos que si Df (a) = L entonces
1 hDf (x ), hi + f (x ) f (x + h)
hDf (x ), hi = hDf (x ), hi .
es el gradiente de f en a, entonces
para cada h RN .
para cada y B(x, ). Por otra parte, como x f (x), tenemos que
f (y) f (x) + hx , y xi
hx Df (x), y xi ky xk
hx Df (x), hi
si x C, y NC (x) = si x
/ C. Intuitivamente, el cono normal continene
las direcciones que apuntan hacia afuerade C.
x , y xi.
f (y) f (x) + h
f (x).
Concluimos que x
hx y , x yi 0
x , y xi
f (y) f (x) + h
y , x yi.
f (x) f (y) + h
i) f est
a acotada superiormente en alguna vecindad de x0 ;
iii) f es continua en x0 ; y
i) ii): Si f est
a acotada superiormente en una vecindad de x0 , existen
r > 0 y K > f (x0 ) tales que f (z) K para todo z B(x0 , 2r).
Probaremos que existe M > 0 tal que |f (x) f (y)| M kx yk para
cada x, y B(x0 , r). En primer lugar, consideremos el punto
yx
y = y + r . (4.1)
ky xk
ky xk ky xk
y + (1 )x,
y = con = .
ky xk + r r
Por la convexidad de f ,
f (y) f (x) [f (
y ) f (x)] [K f (x)]. (4.2)
x
b
y
b
b
x0
b
y
b
2x0 x
iv) i): Si (x0 , ) int(epi(f )), entonces existen r > 0 y K > f (x0 ),
tales que B(x0 , r) (K, +) epi(f ). Esto dice que f (z) K para
todo z B(x0 , r).
w
y
b
b b b
x0 y0 z0
dom(f )
As,
1
f (y) 1+ f (w) + 1+ f (z0 ) m
ax{K, f (z0 )}.
r
Como esto vale para cada y B(y0 , 1+ ), concluimos que f est
a acotada
superiormente en una vecindad de y0 . La Proposicion 4.15 nos garantiza
que f es continua en y0 .
Ly + s Lx + sf (x)
f (x) + h, y xi,
con = L/s, para cada > f (y). Pasando al lmite, vemos que
Por lo tanto,
f (x) + g(x) =
para todo x R. Por otra parte,
0 si x = 0
(f + g)(x) =
+ si x 6= 0,
con lo cual
R si x = 0
(f + g)(x) =
si x 6= 0.
El problema con las funciones del ejemplo anterior es, en terminos sim-
ples, que sus dominios no se intersectan suficiente. Tenemos lo siguiente:
Teorema 4.21 (Teorema de Moreau-Rockafellar). Sean f, g : X R
{+} dos funciones convexas, propias e inferiormente semicontinuas.
Para cada x X, se tiene que
f (x) + g(x) (f + g)(x).
La igualdad se cumple para todo x X si adem
as f es continua en alg
un
punto x0 dom(g).
32 Juan Peypouquet U
f (y) f (x) + hx , y xi
g(y) g(x) + hz , y xi
hL, yi + s hL, zi + s
hz , y xi + h(y) 0.
Optimalidad 33
g(y) g(x) + hz , y xi
para todo y dom(g), y, por lo tanto, para todo y X. Esto nos dice
que z g(x). De manera similar mostramos que x = u z f (x),
de donde obtenemos el resultado.
Df (
x) NC (
x).
0 (f + C )(
x) = f (
x) + C (
x).
x) = {Df (
Como f ( x)} y C (
x) = NC (
x), lo anterior es equivalente a
Df (
x) NC (
x).
f (
x) Curvas de nivel de f
C b
x
Captulo 5
Ejemplos
35
36 Juan Peypouquet U
Despejando x
, podemos escribir
= (I + f )1 x,
x
Demostraci
on. Supongamos que x
= J (x) y y = J (y), de manera que
x
x y y
f (
x) y f (
y ).
h(
x x) (
y y), x
yi 0,
de donde kx yk2 hy x, x
yi kx yk k
x yk. Concluimos que
k
x yk kx yk.
5.2 C
alculo de Variaciones
Sea L : [0, T ] R R R una funcion continuamente diferenciable.
n o
C = x C 1 [0, T ]; R : x(0) = x0 , x(T ) = xT .
Para x C definamos
Z T
f (x) = L(t, x(t), x(t))
dt
0
y consideremos el problema
La funci
on f es diferenciable y
Z T h i
Df (x)h = 2 L(t, x(t), x(t))
h(t) + 3 L(t, x(t), x(t))
h(t) dt.
0
Z T h i
(t)h(t)dt + (t)h(t) dt = 0
0
continuamente diferenciable y = .
es continuamente diferenciable y
d h i
3 L(t, x (t), x (t)) = 2 L(t, x (t), x (t))
dt
para todo t (0, T ).
Ejemplos 39
Demostraci
on. En el subespacio
n o
C0 = x C 1 [0, T ]; R : x(0) = x(T ) = 0 ,
g(h) = f (x + h).
X = H 1 (; R) = {u L2 (; R) : u L2 (; RN )}3
y la norma asociada
Z h i 1/2
2 2
kuk = |u()| + |u()| d .
3
El gradiente se toma en el sentido de distribuciones.
40 Juan Peypouquet U
Sistemas Din
amicos en
Minimizaci
on Convexa
41
Captulo 6
Sistemas Din
amicos
43
44 Juan Peypouquet U
x(t)
f (x(t)), para casi todo t > 0
(ID)
x(0) = x0 .
xn+1 xn
x(t)
,
n
x()
xn+1 b
xn b
6.3 An
alisis Asint
otico
En los captulos que siguen estudiaremos el comportamiento asintotico
de los sistemas dinamicos descritos arriba. Mas precisamente, los Teo-
remas 7.3, 8.3 y 9.6 contienen los resultados de convergencia debil para
Sistemas Din
amicos 47
los tres sistemas, mientras que los Teoremas 7.4, 8.4 y 9.7 establecen la
convergencia fuerte (cuando t + o n +, seg un corresponda).
6.3.1 Convergencia D
ebil
Presentaremos aqu un resultado muy u til para demostrar la convergen-
cia debil, sin conocer el lmite a priori.
Lema 6.1. Sea F un subconjunto no vaco de un espacio de Hilbert H
y sea y : R+ H. Supongamos que
i) Para cada u F existe lmt ky(t) uk; y
on debil de y(t), con t , est
ii) Todo punto de acumulaci a en F .
Entonces y(t) converge debilmente cuando t a alg F.
un u
Demostraci on. En vista de i), a partir de cierto T podemos suponer que
y(t) es acotada. En vista del Corolario 3.10, basta demostrar que no pue-
de tener m as de un punto de acumulaci on debil. Supongamos entonces
que (tn ) y (sn ) son sucesiones tales que lmn tn = lmn sn = ,
y(tn ) x y y(sn ) z cuando n . Por ii), x, z F . Luego, por i),
existen (x) = lmt ky(t) xk y (z) = lmt ky(t) zk. Pero, dado
que
ky(t) xk2 = ky(t) zk2 + kz xk2 + 2hy(t) z, z xi,
pasando al lmite en ambas subsucesiones obtenemos, respectivamente,
(x) = (z) kz xk2 y (x) = (z) + kz xk2 .
Concluimos que z = x.
f
Q
rhx , hi hx , x u
i.
En consecuencia,
rkx k = sup hx , hi hx , x u
i. (6.2)
khk=|
Captulo 7
M
etodo del M
aximo
Descenso
El metodo del m
aximo descenso se basa en la inclusion diferencial
x(t)
f (x(t)), para casi todo t > 0
(ID)
x(0) = x0 .
Observemos que los puntos estacionarios para esta inclusion diferencial
son precisamente los minimizadores de f .
51
52 Juan Peypouquet U
on t 7 f (x(t)) es decreciente.
i) La funci
argmin(f ), la funci
iv) Si u on t 7 kx(t) u
k es decreciente.
f (x(t)) f (x(s)) 2
lm sup kx(t)k
0,
st ts
1
Entendiendose que el lmite puede ser .
Metodo del Maximo Descenso 53
7.2 Convergencia
El siguiente resultado establece la convergencia debil de las trayectorias
de (ID):
Teorema 7.3. Sea x : [0, ) X una soluci on de (ID) y supongamos
que argmin(f ) 6= . Entonces x(t) converge debilmente, cuando t ,
a alg
un elemento de argmin(f ).
54 Juan Peypouquet U
Demostraci on. Es directo a partir del Lema 6.1, en vista de los puntos
iii) y iv) de la Proposici
on 7.2.
i) Si f es fuertemente convexa;
ii) Si f es par; o
iii) Si int(argmin(f )) 6= .
2h i
k2
kx(t) u f (x(t)) f (
u) .
Concluimos usando la parte ii) de la Proposici
on 7.2.
1
(s) = ku(s)k2 ku(t)k2 ku(t) u(s)k2 .
2
Usando la parte i) de la Proposici
on 7.2, vemos que
(s)
= hx(s),
x(s) + x(t)i f (x(t)) f (x(s)) = f (x(t)) f (x(s)) 0.
1
ku(t) u(s)k2 ku(s) 0k2 ku(t) 0k2 .
2
Como 0 argmin(f ), la parte iv) de la Proposici on 7.2 nos dice que
(x(t))t0 tiene la propiedad de Cauchy. Luego, es convergente porque el
espacio H es completo.
Metodo del Maximo Descenso 55
El algoritmo est
a bien definido, gracias a la Proposici
on 5.1. Mas aun,
xn+1 xn
0 f(n ,xn ) (xn+1 ) = f (xn+1 ) + .
n
Es decir,
xn+1 xn
f (xn+1 ). (8.2)
n
Esto es precisamente una discretizacion de la (ID), como adelantamos
en la Secci
on 6.2.
57
58 Juan Peypouquet U
para cada N N.
(xn ) f (u)
Si lmn f (xn ) > f (u) entonces existe > 0 tal que fP
para todo n suficientemente grande. Esto dice que 2 n=0 n < +,
lo que contradice el que (n ) 1
/ . Luego, lmn f (xn ) f (u). Para
la parte iii), supongamos que xkn converge debilmente a x . Como f es
inferiormente semicontinua para la topologa debil, tenemos que
8.2 Convergencia
El siguiente resultado establece la convergencia debil de las sucesiones
generadas por el algoritmo del punto proximal:
Teorema 8.3. Sea (xn ) una sucesi on generada por el algoritmo del
/ 1 y sea argmin(f ) 6= . Entonces xn converge
punto proximal con (n )
debilmente, cuando n , a alg un elemento de argmin(f ).
Demostraci
on. Basta combinar los puntos iii) y iv) de la Proposici
on 8.1
con el Lema de Opial (Corolario 6.2).
Teorema 8.4. Sea (xn ) una sucesion generada por el algoritmo del pun-
to proximal con (n ) 1
/ y sea argmin(f ) 6= . Entonces xn converge
fuertemente, cuando n , a alg un elemento de argmin(f ), en cual-
quiera de los siguientes casos:
i) Si f es fuertemente convexa;
ii) Si f es par; o
iii) Si int(argmin(f )) 6= .
kxn+1 + xm k2 kxn + xm k2 .
Sumando obtenemos
xn xn+1
Podemos usar la desigualdad (6.2) con x = xn+1 y x = n para
concluir que
k2 kxm u
kxn u k2 .
Como antes, la parte iv) de la Proposicion 8.1 nos dice que (xn ) es una
sucesion de Cauchy y, por lo tanto, converge.
Demostraci
on. De acuerdo con (8.2), tenemos que
xn+1 xn xn xn1
f (xn+1 ) y f (xn ).
n n1
La Proposici
on 4.14 nos dice que
xn+1 xn xn xn1
, xn+1 xn 0.
n n1
62 Juan Peypouquet U
Es decir,
n1
hxn+1 xn , xn xn1 i kxn+1 xn k2 .
n
b
x0
b x1
b
b b
Captulo 9
En esta secci
on consideraremos el algoritmo del gradiente, definido por
zn+1 = zn n f (zn )
z0 H.
zn+1 zn
= f (zn ),
n
63
64 Juan Peypouquet U
Esto nos dice que para garantizar la convergencia de las sucesiones gene-
radas por el algoritmo, tendremos que hacer alguna hip otesis adicional.
Veremos que es suficiente suponer que la funcion es diferenciable con
gradiente Lipschitz continuo, y que los pasos no son demasiado grandes.
9.1 Preliminares
Antes de dedicarnos a estudiar las propiedades del algoritmo, presen-
taremos dos resultados auxiliares que utilizaremos m
as adelante en el
an
alisis:
Lema 9.2 (Lema de Descenso). Si f : H R es continuamente dife-
renciable y f es Lipschitz-continuo con constante L, entonces
L
f (y) f (x) + hf (x), y xi + ky xk2
2
para cada x, y H.
Demostraci on. Escribamos h = y x y definamos g : [0, 1] R me-
diante g(t) = f (x + th). La Regla de la Cadena nos da
g(t)
= hf (x + th), hi,
de manera que
Z 1 Z 1
hf (x + th), hi dt = dt = g(1) g(0) = f (y) f (x).
g(t)
0 0
Luego
Z 1 Z 1
f (y) f (x) hf (x), hi dt + hf (x + th) f (x), hi dt
0 0
Z 1
hf (x), hi + kf (x + th) f (x)k khk dt
0
Z 1
hf (x), hi + Lkhk2 t dt
0
L
= hf (x), y xi + ky xk2 ,
2
como queramos.
Algoritmo del Gradiente 65
2
n < para todo n N.
L
Las sucesiones generadas por el algoritmo del gradiente tienen las si-
guientes propiedades:
Demostraci
on. Del Lema 9.2 tenemos que
L
f (zn+1 ) f (zn ) hf (zn ), zn+1 zn i + kzn+1 zn k2
2
zn zn+1 L
= , zn+1 zn + kzn+1 zn k2
n 2
L 1
= kzn+1 zn k2 .
2 n
2
Teniendo en cuenta que n < L para todo n N y escribiendo
= 2L
2 > 0, concluimos que
Como nf(f ) > , la parte i) nos dice que existe lmn f (zn ). Da-
do que (n ) / 1 , deducimos que lmn f (zn ) = nf(f ), siguiendo un
razonamiento an alogo al de la demostracion de la parte ii) de la Proposi-
cion 8.1. Despues usamos la parte i) de la Proposici
on 3.12. El punto iv)
se obtiene de la parte anterior extrayendo una subsucesi on debilmente
convergente. Finalmente, para verificar v), sustituimos u = x en (9.1)
y usamos el Lema 9.3 con an = kzn z k y n = kzn+1 zn k2 , que es
sumable en virtud del punto ii).
Algoritmo del Gradiente 67
9.3 Convergencia
Ahora estamos listos para establecer el resultado de convergencia debil
para el algoritmo del gradiente:
Teorema 9.6. Supongamos que argmin(f ) 6= y que se cumple la
Hipotesis 9.4. Entonces cada sucesion (zn )nN generada por el algo-
/ 1 converge debilmente, cuando n ,
ritmo del gradiente con (n )
a alg
un elemento de argmin(f ).
Demostraci
on. Basta combinar los puntos iii) y v) de la Proposici
on 9.5
con el Lema de Opial (Corolario 6.2).
Sumando obtenemos
X
kzn zm k2 2kzn k2 2kzm k2 + kzj+1 + zj k2 ,
j=n
Como antes, la parte v) de la Proposicion 9.5 nos dice que (zn ) es una
sucesion de Cauchy y, por lo tanto, converge.
Captulo 10
Comentarios Finales
1
f (x) = hx, Axi hb, xi + c,
2
donde A : H H es un operador lineal y continuo, b H y c R.
Suponemos adem as que A es simetrico (autoadjunto, por ser continuo)
y semidefinido positivo. La funcion f es convexa y diferenciable con
f (x) = Ax b.
69
70 Juan Peypouquet U
argmin(f ) = {x H : Ax = b}.
10.1.1 M
etodo del M
aximo Descenso
on diferencial (ED)1 es
La ecuaci
x(t)
+ Ax(t) = b, (10.1)
u(t)
+ Au(t) = 0.
Esta ecuaci
on se puede escribir como
u(t)
= g(u(t)),
con g(x) = 12 hx, Axi. Como la funcion g es par, el Teorema 7.4 nos dice
que u(t) converge fuertemente cuando t a alg un x
que satisface
0 = g(x) = A x. Deducimos que x(t) converge fuertemente a x =x +x ,
que, en efecto, es soluci
on de Ax = b.
Si bien la convergencia del algoritmo ocurre bajo hip otesis muy gene-
rales, su principal desventaja es que para calcular xn+1 a partir de xn
es necesario invertir el operador I + n A. Esto supone un costo compu-
tacional elevado y, posiblemente, la aparicion de errores de calculo, es-
pecialmente cuando la dimension del espacio es grande o infinita.
z0
b
b
b
b
z1
Por otra parte, un punto a favor es que la formula para calcular zn+1 a
partir de zn es explcita y, por lo tanto, facil de implementar.
72 Juan Peypouquet U
xn+1 + n g(xn+1 ) wn
o, de manera equivalente,
1 2
{xn+1 } = argmin g(z) + kxn n h(xn ) zk .
2n
Dejamos como ejercicio encontrar condiciones bajo las cuales las sucesio-
nes generadas por este algoritmo mixto convergen, fuerte o debilmente,
a alg
un minimizador de f .
Espacios de Hilbert
A continuaci
on presentamos algunos conceptos y resultados importantes
relacionados con los espacios de Hilbert. No se pretende hacer una ex-
posici
on exhaustiva, sino simplemente recordar aquellos puntos que son
necesarios para seguir este curso.
A.1 Conceptos B
asicos
Un producto interno en un espacio vectorial real H es una funcion
h, i : H H R que es
Sim
etrica:
hx, yi = hy, xi para cada x, y H;
Sesquilineal (lineal en la primera componente):
Definida positiva:
73
74 Juan Peypouquet U
Por lo tanto,
1
hx, yi kxk2 + kyk2
2 2
para cada > 0. En particular, tomando = kxk/kyk, vemos que
1 1
hx, yi kxk kyk + kxk kyk = kxk kyk,
2 2
lo que demuestra i). Finalmente, utilizamos i) para deducir que
Demostraci
on. Tenemos que
La Proposici
on A.6 entrega una relaci
on entre las longitudes de los lados
y las diagonales de un paralelogramo.
kx + yk
kyk
kx yk
kxk
A.2 Proyecci
on Ortogonal y Dualidad
Proposicion A.7. Sea K un subconjunto convexo, cerrado y no vaco
de H y sea x H. Entonces existe un u
nico PK (x) K tal que
kx PK (x)k = mn kx yk.
yK
Esto nos dice que la sucesion (yn ) es de Cauchy y por lo tanto converge
un y . Dado que K es cerrado, y K. Finalmente, como la norma
a alg
es continua, concluimos que d = lmn kyn xk = ky xk, por lo que
basta definir PK (x) = y . Para ver la unicidad, supongamos que z K
es tal que kx z k = kx PK (x)k = d. La Proposicion A.6 nos dice que
Con la notaci
on de la Proposici
on A.7, decimos que PK (x) es la proyec-
ci
on ortogonal de x sobre K.
Comentarios Finales 77
1
f (h) = kh x0 k2 + M (h).
2
para cada u M .
para todo h H.
78
Demostraci
on. Sea M = Ker(L). Si M = H, entonces L(h) = 0 para
todo h H y basta tomar yL = 0. Si M 6= H, escojamos cualquier
x0
/ M y definamos
x1 = x0 PM (x0 ).
Observemos que x1 6= 0 y x1 / M . Dado cualquier h H, definamos
u = L(x1 )h L(h)x1 , de modo que u M . Por la Proposici on A.8,
tenemos que hx1 , ui = 0. Es decir,
Basta definir
L(x1 )
yL = x1
kx1 k2
para obtener el resultado.
Bibliografa
[1] F. Alvarez & J. Peypouquet: Asymptotic almost-equivalence of
Lipschitz evolution systems in Banach spaces. Nonlinear Anal.,
Theory Methods Appl., 73 (2010), 30183033.
algoritmo epgrafo, 8
del gradiente, 46, 63 espacio
del gradiente proyectado, 72 de Banach reflexivo, 17
del punto proximal, 46, 57 de Hausdorff, 13
iterativo, 44 de Hilbert, 74
mixto, 72 vectorial
argumento del mnimo, 1 normado, 15
topologico, 10
condici
on inicial, 44 estado del sistema, 44
conjunto
convexo, 8 formula de Green, 40
de subnivel, 8 funcion
factible, 1 coerciva, 18
cono normal, 25 continua, 21
convergencia
convexa, 9
debil, 17
cuadratica, 69
fuerte, 17
cuasiconvexa, 9
desigualdad diferenciable, 21
de Cauchy-Schwartz, 74 estrictamente convexa, 10
triangular, 74 fuertemente convexa, 48
dominio indicatriz, 7, 36
de una funcion, 7 inf-compacta, 14
del subdiferencial, 23 inferiormente semicontinua, 13
dual topol
ogico, 15 Lipschitz-continua, 21
objetivo, 1
ecuacion par, 49
de Euler-Lagrange, 38 propia, 7
de evoluci
on, 43 subdiferenciable, 23
efecto zigzag, 71 funcional, 15
81
82
identidad de Moreau-Rockafellar, 31
de polarizaci
on, 75 de Weierstrass, 2, 14
del paralelogramo, 75 de Weierstrass-Hilbert-Tonelli,
inclusion diferencial, 43 14
iteraci
on, 44 topologa
debil, 15
lema fuerte, 15
de descenso, 64 trayectoria, 44
de Opial, 48
valor, 1
metodo
del maximo descenso, 51
directo, 19
minimizador, 1
global, 11
local, 11
norma, 74
operador de proximidad, 36
paso de discretizacion, 45
producto interno, 73
proyecci
on ortogonal, 36
punto crtico, 44
reales extendidos, 7
regla de Fermat, 2, 22
generalizada, 24
resolvente, 36
soluci
on, 51
subdiferencial, 23
subgradiente, 23
sucesion minimizante, 18
teorema
de Hahn-Banach, 16
de Kakutani-Eberlein-Smulian,
17
Asociacion Matem atica Venezolana
Presidente: Rafael S
anchez Lamoneda
Oswaldo Larreal
Captulo Zuliano
Asociaci
on Matematica Venezolana
Apartado 47.898, Caracas 1041-A, Venezuela
http://amv.ivic.gob.ve
Instituto Venezolano de Investigaciones Cientficas
Consejo Directivo
Director
Eloy Sira
Subdirector
Alexander Briceno
Representantes del Ministerio del Poder Popular para la
Ciencia, Tecnologa e Innovaci
on
Guillermo Barreto
Juan Luis Cabrera
Representante del Ministerio del Poder Popular para la
Educaci on Universitaria
Prudencio Chac on
Representantes Laborales
Jose Garzaro
Vctor Pe
na
William Espinoza (Suplente)
Sirvia Avila (Suplente)
Gerencia General
Lira Parra
Comisi
on Editorial