Professional Documents
Culture Documents
Introducción
x* x
f (x)
f ( x* ) f (x)
f ( x* )
df df
0 0
dx dx
x* x
x* x
-f ( x )
-f ( x* ) Si x = x* maximiza f(x), entonces:
f ( x)
f (x) df
0
f ( x* ) dx
x
x* x
df
¿Para qué valores de x se obtiene 0 ?
dx
Si x = x* maximiza f(x) entonces En otras palabras, ¿para qué valores de x se satisfacen las
condiciones necesarias de optimalidad ?
9 Ejemplo 10 ¿Cómo se distingue un Máximo de un Mínimo?
f ( x) f ( x)
A B C D A B C D
x x
d2 f
A y D son máximos Para x = A y x = D, se tiene 0
dx 2
B es un mínimo
C es un punto de inflexión ¡La función objetivo es cóncava en un máximo!
f ( x) f ( x)
A B C D A B C D
x x
d2 f d2 f
Para x = B se tiene 0 Para x = C se tiene 0
dx 2 dx 2
d2 f
Para un mínimo: 0
dx 2
Para casos complejos, multidimensionales (es decir con muchas – Las dimensiones físicas de un transformador debe ser
variables de decisión) no podemos visualizar la forma de la positiva
función objetivo.
– La potencia activa de salida de un generador debe estar
Debemos confiar entonces en técnicas matemáticas. limitada a un cierto rango (p.ej 200 MW a 500 MW)
f ( x) f ( x)
A B
x min
A B C D
x max x x min
C D
x max x
Conjunto Factible
f ( x1 , x2 ) f ( x1 , x2 )
f x1 , x2
0
x1 x1* , x2*
f x1 , x2
0
x2 x1* , x2*
x1* x1 x1* x1
x2* f ( x1* , x2* ) es un mínimo x2*
x2 x2
21 Caso Multidimensional 22 Condiciones Suficientes para Optimalidad
En un valor máximo o mínimo de f x1 , x2 , x3 , , xn debemos
tener:
f ( x1 , x2 )
f
0
x1
f
0
x2
x1
f
0
xn Mínimo Máximo
x2
Un punto donde se cumplen estas condiciones se denomina
punto estacionario.
f ( x1 , x2 )
Punto de silla
2 f 2 f 2 f
x1 x1x2 x1xn
2
2 f 2 f 2 f
x2 x1 x22 x2 xn
x1
2 f 2 f 2 f
x2 xn x1 xn x2 xn2
25 Condiciones Suficientes para la Optimalidad 26 Curvas de Contornos
Calcular los eigenvalores de la matriz Hessiana en el punto
estacionario
Si todos los eigenvalores son mayores o iguales al cero: f ( x1 , x2 )
– La matriz H(x*) es definida positiva
– F(x) es convexa en X*
– El punto estacionario es mínimo
Si todos los eigenvalues son menores o iguales al cero:
– La matriz H(x*) es definida negativa
– F(x) es concova en X*
– El punto estacionario es un máximo x1
Si hay eigenvalores positivos y otros negativo:
C1 C2
– El punto estacionario es un punto de silla
x2
C punto estacionario
2 x1 2 x2 0
Mínimo o Máximo x1 x1 0
X1
C
2 x1 8 x2 0 x2 0
x2
29 Ejemplo 1 30 Ejemplo 1
Condiciones suficiente de optimalidad
2C 2C X2
x1 x1x2 2 2
2
Matriz Hessiana
2C
2 C 2 8
x2 x1 x2
2
2 2
0 2 10 12 0 5 13 0
2 8 Mínimo: C = 0
31 Ejemplo 2 32 Ejemplo 2
Condiciones suficiente de optimalidad
Minimizar C x12 3 x22 2 x1 x2
2C 2C
x1 x1x2 2 2
2
Matriz Hessiana
C
Condiciones necesarias de optimalidad
2
2C 2 6
x2 x1 x22
C punto estacionario Debe ser positiva definida, es decir, todos los eigenvalores deben
2 x1 2 x2 0 ser positivos
x1 x1 0
C
2 x1 6 x2 0 x2 0 2 2
0 2 4 8 0
22 3 0
2 6 22 3 0
x2
El punto estacionario es un punto de silla
33 Ejemplo 2 34 Ejemplo 3
Se requiere construir un recipiente cónico de generatriz 6 cm y
capacidad máxima. ¿Cuál debe ser el radio y la base?
X2
C=0
C=9
C=4
C=1
35 Ejemplo 4 36 Problema 3
Convirtiendo el problema con restricciones a uno sin Condición necesaria (primer orden)
restricciones
dV
1 0 12 h 2 0 h 12
V r 2h dh
3
62 r 2 h 2
Condición suficiente (segundo orden)
r 2 62 h2 d 2V d 2V
dh 2
2 h
dh 2
2
12 0
h 12
1
3
1
V 62 h 2 h 12 h h3
3
No Convexa Convexa
f(X1) f(X1)
f x1 1 x2 f ( x1 ) 1 f ( x2 ) f(X X )
1 2
f(X1f(X2)
2
f(X )
X1 X1X2 X2 X X1 X1X2 X2 X
f x1 1 x2 f ( x1 ) 1 f ( x2 )
Ni convexa
Ni concova
f(X1)
f(X2)
f´(c) = 0
g : n
m son las restricciones de desigualdad donde
Solución
g ( x) g1 ( x), g m ( x ) f´(d)= 0
T
óptima
global
Con f(x) convexa, h(x) y g(x) funciones continuamente f´(a) < 0
S
diferenciables en la región convexa S x h x 0, g x 0
a c d b
L x, , f x T h x T g x
L x, , 0
x
Para la figura, las curvas de nivel de la función objetivo son de L x, , 0
tal forma que el valor de la función objetivo decrece cuando hay
un desplazamiento según las direcciones de la figura T g x 0
Si la proyección del gradiente de la función objetivo sobre el 0
gradiente de la restricción en un punto dado es distinto de cero,
entonces, se puede seguir mejorando el valor de la función
objetivo. Condiciones de segundo orden, suficiencia
El mínimo (local) se alcanza en un punto en el que el gradiente Curvatura positiva en dirección de las restricciones
de la función objetivo y el de la restricción son linealmente pT 2 L x* p , 0 donde p son todas las direcciones de restricción
dependientes.
47 Ejemplo 1 48 Ejemplo
– Problema de Cobb–Douglas: El nivel de producción de un 2
determinado producto depende del nivel de inversión en 9
Minimizar x1 - ( x2 - 2)2
materiales, que se denota por x1, y de los recursos humanos 4
empleados, denotado por x2. La función de Cobb–Douglas
determina el nivel de producción en función de las variables x1 y s.a.: x2 - x12 0
x2, y ésta tiene la forma: x1 x2 6
x1 , x2 0
max f x1 , x2 x1 x2
sujeto a : x1 ax2 C
Escriba la condiciones de KKT y verifique que estas condiciones
x1 0 se cumplen en el punto X = (3/2, 9/4)T
x2 0
0, 0 y 1
49 Ejemplo 50 Ejemplo
2
9 Verificación cumplimento condiciones KKT
4
2
L x1 , x2 x1 x2 2 1 x12 x2 2 x1 x2 6
Condiciones de KKT 3
31 2
condición estacionaria 3 9 2 1
P 0
L 9 2 4 1 2
2 x1 2 1 x1 2 0 1 2
x1 4 2
L
2 x2 2 1 2 0
x2
condición de factibilidad
x 2
1
x2 0 Se satisfacen todas las condiciones de KKT, luego P es un
punto estacionario
x1 x2 6 0
condición de holgura
1 x12 x2 0
2 x1 x2 6 0
condición de signo
1 , 2 0
51 Ejemplo 52 Ejemplo
L x1 , x2 , x3 , x4 , x12 x2 2 x32 x4 2 1 x1 x2 x3 x4
Condiciones KKT
2 x1 0
L 2 x2 0 L
x1 x2 x3 x4 1 0
x 2 x3 0
2 x4 0
1 1
x1 x2 x3 x4
4 4
53 Ejemplo 54 Ejemplo
Minimizar x12 x2 2 x32 x4 2 2 1 1 3
x1 x2 x3 x4
s.a.: x1 x2 x3 x4 1 8 4 8 4 8
x4 A
1 3 3 1
A o A
L x1 , x2 , x3 , x4 , x12 x2 x3 x4 1 x1 x2 x3 x4 x4 A
2 2 2 4 8 8 4
Condición de KKT
2 x1 0
L 2 x2 0 L
1 x1 x2 x3 x4 1 0
x 2 x3 0 x
2 x4 0
2 x4 A
3 x4 A 0 a) A pequeño b) A grande
4 0
u1 0 u2 0 u3 0 u4 0 x1 0 x2 0
u1 0 u2 0 u3 2 u4 0 x1 0 x2 1
u1 0 u2 2 u3 0 u4 0 x1 1 x2 0
u1 0 u2 2 u3 2 u4 0 x1 1 x2 1
u1 2 u2 0 u3 0 u4 0 x1 1 x2 0
u1 2 u2 0 u3 2 u4 0 x1 1 x2 1
61 Direcciones Factibles 62 Ejemplo 3
Una dirección factible es aquella dirección (vector) que al movernos Encontrar el optimo del siguiente problema mediante técnica de
un poco (diferencial) sobre ella no nos saldremos del conjunto Lagrange.
factible. Así, las direcciones factibles que mejoren el valor de la
función objetivo las podemos hallar gráficamente.
mín f ( x1 , x2 ) e x1 e 2 x2
s.a : x1 x2 1
En el problema en estudio, observando los vectores de direcciones x1 0
factible se comprueba que los puntos (0,0), (0,1), (-1,0) y (1,0) no
son óptimos locales. Es decir, hay direcciones factibles en las cuales x2 0
encontramos puntos que mejoran la función objetivo.
63 Ejemplo 3 64 Ejemplo 3
Construimos el Lagrangeano Cuatro casos que analizar:
L e x1 e 2 x2 1 x1 x2 1 x1 2 x2 u1 u2 x1 x2
a) 0 1 1 0 0
Luego, las condiciones de optimalidad nos llevan a las siguientes
ecuaciones b) 1 0 0
L c) 1 0 1
0 e x1 1 0
x1 d) 1 1 0
L
0 2e 2 x2 2 0 a) No cumple con la restricción de igualdad infactible
x2
2 ln(2) ln(2) x1
L b) x1 0.436 x2 0.564 0.647 factible
0 x1 x2 1 0 3 2
x1 ln(2e u2 ) infactible
1 x1 0 c)
ln(1 2) ln(e u1 )
1 , 2 0 2 x2 0 d) x2
2
infactible
65 Ejemplo 3 66 Ejemplo 4
Considere el siguiente problema de PMNL. Utilizando las
condiciones de optimalidad de KKT encuentre la solución óptima
x2
del problema.
Min ( x1 3) 2 ( x2 3) 2
sa :
f h x12 x22 5
2 x1 x2 6
x1 2 x2 4
x1 x1 , x 2 0
67 Ejemplo 4 68 Ejemplo 4
Resolución gráfica Solución analítica, inicialmente no se considera la restricciones,
Curvas de contorno
problema relajado.
función objetivo
x1 2 x2 4 5
El lagrangeano para el problema relajado (sin restricciones)
( x1 3) 2 ( x2 3) 2 f
L x1 , x2 x1 3 x1 3
2 2
5 0 5 Condiciones KKT
x12 x2 2 5 d
L x1 , x2 2 x1 6 0 x1 3
dx1
2 x1 x2 6
d
5 L x1 , x2 2 x2 6 0 x2 3
dx2
71 Ejemplo 4 72 Ejemplo
Solución de las condiciones Considere el problema de determinar las ubicaciones de dos
nuevas escuelas secundarias en un conjunto de subdivisiones Nj,
x1 2
x 1 de un total P. A partir de la subdivisión Nj, considere que w1j es
2 el número de estudiantes que van a la escuela A y w2j es el
u1 0
número de estudiantes que van a la escuela B. Suponga que la
u3 2 capacidad máxima de estudiante en la escuela A es c1 y la
capacidad máxima de estudiante en la escuela B es c2 y que el
Se cumplen todas las restricciones número total de estudiantes de cada subdivisión es rj. Queremos
minimizar la distancia total recorrida por todos los estudiantes
x12 x22 5
que pueden asistir a la escuela, ya sea A o B. Construya un
2 x1 x2 5 6
modelo de programación no lineal para determinar la ubicación
x1 2 x2 4 (a,b) y (c,d) de las escuelas secundarias A y B, suponiendo que
la ubicación de cada subdivisión Ni se modela como un único
Queda por verificar si se cumple la condición de segundo grado, punto denotado (xi,yi).
para ver si éste punto es un óptimo y no una singularidad
(punto de silla)
En todo caso, como el problema es cuadrático, éste punto es un
óptimo global.
73 Ejemplo 74
variables param P; # número de subdivisiones
(a, b) : Coordenadas para la ubicación del primer colegio param N; # número de colegios a ubicar
param r {i in 1..P} >0; # número de alumnos por
(c, d ) : Coordenadas para la ubicación del segundo colegio # subdivisión
función objetivo param c {j in 1..N} >0; # capacidad colegio j
param x {i in 1..P}; # coordenada x de la subdivisión
a x b y c x d y
P 1 1
2 2 2 2 2 2
param y {i in 1..P}; # coordenada y de la subdivisión
1j j j 2j j j
j 1
var w {i in 1..P, j in 1..N} integer; # alumnos que van al colegio j desde la
restricciones # subdivisión i
1 j 2 j rj j 1 P var xo{j in 1..N} ; # coordenada x de la ubicación del
# colegio j;
P
var yo{j in 1..N} ; # coordenada y de la ubicación del
ij ci i 1 2 # colegio j;
j 1
a x b y 2 j c x j d y j
P
2 2 2 2 2 2
mín 1j j j s.t. Alm_Subdiv {i in 1..P}: sum{j in 1..N} w[i,j] = r[i];
j 1
s.t. Cap_Colegio {j in 1..N}: sum{i in 1..P} w[i,j] <= c[j];
sa :
1 j 2 j rj j 1 P
P
j 1
ij ci i 1 2
75 Ejemplo 76 Ejemplo
Dimensionar el paquete rectangular de dimensiones mínimas que param N; # número de objetos redondos
param R {i in 1..N} >0; # radios objetos redondos
envuelve los tres objetos redondos de radios R1, R2 y R3.
var A >=0; # alto
var B >=0; # ancho
var x {i in 1..N} >=0 ;
R2
var y {i in 1..N} >=0 ;
A R3
R1
minimize dimension: 2*A + 2*B;
Plantear el modelo de programación matemática para el s.t. dimx {i in 1..N}: x[i] <= B-R[i];
problema. s.t. dimy {i in 1..N}: y[i] <= A-R[i];