Optimizacion con MATLAB

Ren Huerta , Javier Lpez Rubio & Martn Rivera Toledo

Introduccin
1. Convexidad y concavidad

2. Sistemas multivariables

min f ( x1 , x2 ,..., xn )
sujeta a

h j ( x1 , x 2 ,..., x n ) = 0
g k ( x1 , x2 ,..., xn ) = 0

j = 1,2,..., m
k = 1,2,..., p

condiciones necesarias y suficientes para un mnimo local

caso a. Sin restricciones

*

f ( x1 , x 2 ,..., x n ) = 0
*

&

H ( x1 , x 2 ,..., x n ) sea semi - definida positiva

donde

f
[f ]i =
xi

&

2 f
[ H ]ij =
xi x j

caso b. Con restricciones

si se define la funcin de Lagrange como
m

j =1

k =1

L( xi , u j , v k ) = f ( xi ) + h j ( xi )u j + g k ( xi )v k
Las condiciones necesarias y suficientes estn dadas por
*

L( xi , u j , v k ) = f ( xi ) + h( xi )u + g ( xi )v = 0

ui 0

deben de aplicar en una sola direccin

g k ( x1 , x 2 ,..., x n ) 0
*

h j ( x1 , x2 ,..., xn ) = 0
*

u k g k ( x1 , x 2 ,..., x n ) = 0
complementarias

k = 1,2,..., p
j = 1,2,..., m de factibilidad

k = 1,2,..., p

Z T H ( x1 , x 2 ,..., x n ) Z > 0

para todos los vectores

Z que cumplen con

J ( x1 , x 2 ,..., x n ) Z = 0

&

los renglones son las

derivadas parciales de las restricciones que estn activas en x*, es

decir, Z son las direcciones de las restricciones

I.

Minimizacin de funciones de una variable

min f ( x)
sujeta a
x1 x x 2
Estructura en Matlab
[x,fval,exitflag,output]= fminbnd ( fun,x1,x2,options )
Ejemplo [ fminvar.m ]
3 9 2
f(x)
=
x
- x +6 x+20
min
Calcular
2

con 0 x 2

Tiene mximos esta funcin?, cules son los puntos

crticos?

II. Minimizacin de funciones de varias variables

1. Minimizacin de funciones sin restricciones

min f ( x1 , x 2 ,..., x n )
Estructura en Matlab
[x,fval,exitflag,output,grad,hessian] =
fminunc( fun,x0,options )

Ejemplo [ prosenbrock.m & rosenbrock.m ]

Min f (x1,x2) = 100 ( x2 - x12 )2 + ( 1 - x1 )2

Con un estimado inicial de x1

= -1.2 & x2 = 1.0

2. Minimizacin de una funcin con restricciones

min f ( x1 , x 2 ,..., x n )
sujeta a

Ax b
Aeq x = beq restricciones lineales

Cx 0
C eq x = 0 restricciones no lineales
y con

xlb x xub

Estructura en Matlab
[x,fval,exitflag,output,lambda,grad] =
fmincon( f,x0,A,b,Aeq,beq,xlb,xub,nonlcon,options )

Ejemplo 1 [ehlp8_26.m & p8_26]

min f(x) = x12 + x22 + x32
sujeta a las restricciones siguientes
g1(x) = 2 x1 + x2 5
g2(x) = x1 + x3 2
g3(x) = x1 + 2 x2 + x3 10
h1(x) = 2 x1 - 2 x2 + x3 = -2
h2(x) = 10 x1 + 8 x2 - 14x3 = 26
h3(x) = -4 x1 + 5 x2 - 6 x3 = 6
x1 1 x2 2 x3 0
con x0=[-1 -1 -1]

Ejemplo 2 [ehlp_812.m & f_p812.m]

min f = (x1-1)2 + x22

sujeto a las restricciones
h = x12 + x22 + x1 + x2 = 0
g = -x1 + x22 0
con x0=[-1 -1 ]

3. Minimizacin de una funcin cuadrtica

1
T
min ( x1 , x 2 ,..., x n ) T [ M ]( x1 , x 2 ,..., x n ) + d ( x1 , x 2 ,..., x n )
2
sujeta a

Ax b

Aeq x = b eq

xlb x xub
Estructura en Matlab
[x,fval,exitflag,output,lambda] =
quadprog( M,d,A,b,Aeq,beq,xlb,xub,x0,options )

Ejemplo 1 [qpehlp8_26.m]

min f(x) = x12 + x22 + x32

sujeta a las restricciones siguientes
g1(x) = 2 x1 + x2 5
g2(x) = x1 + x3 2
g3(x) = x1 + 2 x2 + x3 10
h1(x) = 2 x1 - 2 x2 + x3 = -2
h2(x) = 10 x1 + 8 x2 - 14x3 = 26
h3(x) = -4 x1 + 5 x2 - 6 x3 = 6
x1 1 x2 2 x3 0
con x0=[-1 -1 -1]

el cual se puede expresar con la forma matricial

2 0 0
M = 0 2 0
0 0 2

0
d = 0
0

2 2 1
Aeq = 10 8 14
4 5
6

2 1 0
A = 1 0 1
1 2 1

2
beq = 26
6

5
b = 2
10

1
x lb = 2
0

4. Minimizacin del problema de programacin lineal

T

min c ( x1 , x 2 ,..., x n )
sujeta a

Ax b

Aeq x = beq

Estructura en Matlab
[x,fval,exitflag,output,lambda] =
linprog( f,a,b,aeq,beq,lb,ub,x0,options )

Ejemplo 1 [ liprogv102_2.m ]

min f(x) = x1 + x2 + x3
sujeta a las restricciones siguientes
g1(x) = 2 x1 + x2 5
g2(x) = x1 + x3 2
g3(x) = x1 + 2 x2 + x3 10
h1(x) = 2 x1 - 2 x2 + x3 = -2
h2(x) = 10 x1 + 8 x2 - 14x3 = 26
h3(x) = -4 x1 + 5 x2 - 6 x3 = 6
x1 1 x2 2 x3 0

5. Mnimos cuadrados no lineales

2

min [ f k ( x1 , x 2 ,..., x n )]
k =1

sujeta a

xlb x xub
Estructura en Matlab
[x,resnorm,residual,exitflag,output,lambda,jacobian] =
lsqnonlin( fun,x0,lb,ub,options )

Ejemplo 1 [fminquad.m & xyquad.m]

Calcule los parmetros a1, a2 & a3 para representar el
conjunto de datos siguiente
Xi
Yi

10
1.0

20
1.26

30
1.86

40
3.31

Para el modelo

Y = ea1 + a2 x + a3 x

aplicando el mtodo de mnimos cuadrados y trace la

prediccin del modelo

50
7.08