Técnicas de Optimización en Ingeniería

Capítulo 2
Optimización sin Restricciones
Método Newton Raphson

Juan P. Vargas Machuca Bueno D.Sc.

Facultad de Ingeniería Mecánica
Universidad Nacional de Ingeniería
Sumario
1. Optimización sin Restricciones
2. Método Newton Raphson

2
1. Problemas sin Restricciones

3
 1. Optimización sin Restricciones
En un problema de optimización, el objetivo es
optimizar (maximizar o minimizar) alguna
función f. Esta función f se llama función
objetivo.

Por ejemplo una función objetivo f puede ser

minimizar los costos de producción de energía o
minimizar el costo de propiedad de una
maquina, etc.
 1. Optimización sin Restricciones
En la mayoría de los problemas de optimización,
las funciones objetivos dependen de varias
variables 𝑥1 , … , 𝑥𝑛 . Esta variables son llamadas
variables de control.
 1. Optimización sin Restricciones
Por ejemplo un proceso químico puede
depender de la presión 𝑥1 y de la temperatura
𝑥2 . La eficiencia de un cierto sistema de aire
acondicionado puede depender de la
temperatura 𝑥1 , presión del aire 𝑥2 , contenido
de humedad 𝑥3 , área de la sección transversal
en la salida 𝑥4 y así sucesivamente.
 1. Optimización sin Restricciones
La teoría de optimización desarrolla métodos
para elecciones óptimas de 𝑥1 , … , 𝑥𝑛 , que
maximiza (o minimiza) la función objetivo f, es
decir, métodos para encontrar valores óptimos
de 𝑥1 , … , 𝑥𝑛 .
 1. Optimización sin Restricciones
Primero consideramos la optimización sin
restricciones en el caso de una función
𝑓(𝑥1 , … , 𝑥𝑛 ).
Por definición, 𝑓 tiene un mínimo en el punto 𝑥 =
𝑋0 en la región R (donde f es definido) si:
𝑓 𝑥 ≥ 𝑓 𝑋0
Para todo x en R. Similarmente, 𝑓 tiene un máximo
en 𝑋0 en la región R si:
𝑓 𝑥 ≤ 𝑓 𝑋0
2. Método Newton Raphson

9
2. Método Newton Raphson
Por lo general, la condición necesaria f(x) ≠ 0
puede ser extremadamente no lineal y, en
consecuencia, difícil de resolver. El método de
Newton-Raphson es un algoritmo iterativo para
resolver ecuaciones no lineales.

10
2. Método Newton Raphson
Gradiente ( )

Ejemplo:

11
2. Método Newton Raphson
Matriz Hessiana

12
2. Método Newton Raphson
Si la matriz Hessiana es invertible, tenemos que:
𝑋1 = 𝑋0 − 𝐻−1 𝑔 𝑋0 𝛻𝑔(𝑋0 )

En el caso de una función de una sola variables:

𝑔′(𝑥0 )
𝑥1 = 𝑥0 −
𝑔′′(𝑥0 )
Obs. El método termina cuando 𝑥1 y 𝑥0 son aproximadamente
iguales.

13
2. Método Newton Raphson
Ejemplo.
Encontrar el mínimo de la función:
𝑥2
𝑔 𝑥 =
2
- 3𝑥

x0=0

14
2. Método Newton Raphson
Determinamos las derivadas de la función:
𝑔′ (𝑥) = 𝑥 − 3
𝑔′′ 𝑥 = 1
Iteraciones:
𝑥1 = 𝑥0 − (𝑥 − 3)

Iteración x0 x1
1 0 3
2 3 3

15
2. Método Newton Raphson
Ejemplo.
Determinar el mínimo de la función:

X0=10

16
2. Método Newton Raphson
Derivadas de la función:

Iteraciones:

17
2. Método Newton Raphson

18
2. Método Newton Raphson
Ejercicio
Determinar el mínimo de la función utilizando
Python:

X0=10

19
2. Método Newton Raphson
Forma 1

20
2. Método Newton Raphson
Forma 2

21
2. Método Newton Raphson
Ejercicio
Encontrar el mínimo de la siguiente función:
𝑓 𝑥 = 4𝑥1 2 + 𝑥2 2 − 2𝑥1 𝑥2
Iniciando en:
𝑋0 = [1 1]𝑇

22
2. Método Newton Raphson
Calculando la gradiente:

Calculando la Hessiana:

23
2. Método Newton Raphson
1ra Iteración:
1 1/6 1/6 6
𝑋1 = −
1 1/6 2/3 0
1 1
𝑋1 = −
1 1
0
𝑋1 =
0

24
2. Método Newton Raphson
2da Iteración:
0 1/6 1/6 6
𝑋2 = −
0 1/6 2/3 0
0 0
𝑋2 = −
0 0
0
𝑋2 =
0
Fin de las Iteraciones:𝑋1 =𝑋2

25