Documente Academic
Documente Profesional
Documente Cultură
CURSILLO DE OPTIMIZACIÓN:
Caso Diferenciable
ALFI JIMÉNEZ
GERMÁN ALVARADO
24 Y 25 de Septiembre de 2009
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Temas a Tratar
Optimización en Rn
Topologı́a en Rn
Existencia de Soluciones
Matrices Definidas Positivamente
Máximos Locales Interiores y Extremos
Optimización con Restricciones de Igualdad
Optimización con restricciones de desigualdad
Convexidad y Optimización
Basado en el libro: A First Course in Optimization Theory
De Rangarajan K. Sundaram
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Temas a Tratar
Optimización en Rn
Topologı́a en Rn
Existencia de Soluciones
Matrices Definidas Positivamente
Máximos Locales Interiores y Extremos
Optimización con Restricciones de Igualdad
Optimización con restricciones de desigualdad
Convexidad y Optimización
Basado en el libro: A First Course in Optimization Theory
De Rangarajan K. Sundaram
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Temas a Tratar
Optimización en Rn
Topologı́a en Rn
Existencia de Soluciones
Matrices Definidas Positivamente
Máximos Locales Interiores y Extremos
Optimización con Restricciones de Igualdad
Optimización con restricciones de desigualdad
Convexidad y Optimización
Basado en el libro: A First Course in Optimization Theory
De Rangarajan K. Sundaram
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Temas a Tratar
Optimización en Rn
Topologı́a en Rn
Existencia de Soluciones
Matrices Definidas Positivamente
Máximos Locales Interiores y Extremos
Optimización con Restricciones de Igualdad
Optimización con restricciones de desigualdad
Convexidad y Optimización
Basado en el libro: A First Course in Optimization Theory
De Rangarajan K. Sundaram
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Temas a Tratar
Optimización en Rn
Topologı́a en Rn
Existencia de Soluciones
Matrices Definidas Positivamente
Máximos Locales Interiores y Extremos
Optimización con Restricciones de Igualdad
Optimización con restricciones de desigualdad
Convexidad y Optimización
Basado en el libro: A First Course in Optimization Theory
De Rangarajan K. Sundaram
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Temas a Tratar
Optimización en Rn
Topologı́a en Rn
Existencia de Soluciones
Matrices Definidas Positivamente
Máximos Locales Interiores y Extremos
Optimización con Restricciones de Igualdad
Optimización con restricciones de desigualdad
Convexidad y Optimización
Basado en el libro: A First Course in Optimization Theory
De Rangarajan K. Sundaram
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Temas a Tratar
Optimización en Rn
Topologı́a en Rn
Existencia de Soluciones
Matrices Definidas Positivamente
Máximos Locales Interiores y Extremos
Optimización con Restricciones de Igualdad
Optimización con restricciones de desigualdad
Convexidad y Optimización
Basado en el libro: A First Course in Optimization Theory
De Rangarajan K. Sundaram
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Temas a Tratar
Optimización en Rn
Topologı́a en Rn
Existencia de Soluciones
Matrices Definidas Positivamente
Máximos Locales Interiores y Extremos
Optimización con Restricciones de Igualdad
Optimización con restricciones de desigualdad
Convexidad y Optimización
Basado en el libro: A First Course in Optimization Theory
De Rangarajan K. Sundaram
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Optimización en Rn
Problema de Optimización
Problema de Optimización
Máximo
Mínimo
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Optimización en Rn
Máximo
a b
@ D
Mínimo
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Optimización en Rn
a b
H L
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Optimización en Rn
@ D
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Optimización en Rn
Mínimo
@ D
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Optimización en Rn
@ D
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Optimización en Rn
Resultado
Resultado
Sea (−1)f = −f la función cuyo valor en x es −f (x). Ası́:
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Optimización en Rn
Resultado
Resultado
Sea (−1)f = −f la función cuyo valor en x es −f (x). Ası́:
Resultado
Resultado
Sea (−1)f = −f la función cuyo valor en x es −f (x). Ası́:
Prueba Gráficamente
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Optimización en Rn
Resultado
Resultado
Sea (−1)f = −f la función cuyo valor en x es −f (x). Ası́:
Prueba Gráficamente
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Distancia y Norma Euclidianas
q
d(x, y) = (x1 − y1 )2 + (x2 − y2 )2 + · · · + (xn − yn )2
v
u n
uX
= t (xi − yi )2 .
i=1
Sucesión
Una función f : N → Rn tal que:
f (1) = a1 , f (2) = a2 ,...,f (k) = ak ,...,
se denomina una sucesión.
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Sucesiones en Rn
Sucesión
Una función f : N → Rn tal que:
f (1) = a1 , f (2) = a2 ,...,f (k) = ak ,...,
se denomina una sucesión.
Sucesión
Una función f : N → Rn tal que:
f (1) = a1 , f (2) = a2 ,...,f (k) = ak ,...,
se denomina una sucesión.
Sucesión
Una función f : N → Rn tal que:
f (1) = a1 , f (2) = a2 ,...,f (k) = ak ,...,
se denomina una sucesión.
Sucesión
Una función f : N → Rn tal que:
f (1) = a1 , f (2) = a2 ,...,f (k) = ak ,...,
se denomina una sucesión.
Resultado
Si una sucesión converge, lo hace a un único lı́mite.
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Topologı́a en Rn
Bolas Abiertas
Una bola abierta de centro x0 ∈ Rn y radio r > 0 es el conjunto de
puntos que se encuentran a una distancia menor que r de x0 , es
decir
Br (x0 ) = {x ∈ Rn : d(x0 , x) < r }.
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Topologı́a en Rn
Bolas Abiertas
Una bola abierta de centro x0 ∈ Rn y radio r > 0 es el conjunto de
puntos que se encuentran a una distancia menor que r de x0 , es
decir
Br (x0 ) = {x ∈ Rn : d(x0 , x) < r }.
H L
x0-r x0 x0+r
x0
bolas abiertas en R y en R2
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Topologı́a en Rn
Bolas Cerradas
Una bola cerrada de centro x0 ∈ Rn y radio r > 0 es el conjunto
de puntos que se encuentran a una distancia menor o igual que r
de x0 , es decir
Br (x0 ) = {x ∈ Rn : d(x0 , x) ≤ r }.
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Topologı́a en Rn
Bolas Cerradas
Una bola cerrada de centro x0 ∈ Rn y radio r > 0 es el conjunto
de puntos que se encuentran a una distancia menor o igual que r
de x0 , es decir
Br (x0 ) = {x ∈ Rn : d(x0 , x) ≤ r }.
@ D
x0-r x0 x0+r
x0
bolas cerradas en R y en R2
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Topologı́a en Rn
S S
....... ....... ....... ....... . ...................................................
....... ...... ....... ......
...... .....
.. ..
..... .... ..... ......... ..........
.. .... ... ...
.... .......................... .
... .. ..... .
r·
... .
.... .... ... .. .... ... .......S1 ....
.
. . .
r·
.. .... .... S ... .. ... ...... ... ...
... ...... 0 ... . ....... .. .....
.
..
. ....... . ... ..
..
..................
.
...................... ..
.. .
. .. ...
... .. ... ...
....... ....... ....... ...... ....... ..
................ . .
.... ... .......
. ............................. ..
... ....... ...
......
....
.
..
. . ...
... ... ... ....
... .... ... .....
. ....... ... . .......
..
Resultado
Un subconjunto A de Rn es cerrado si y sólo si toda sucesión de
puntos del conjunto A que sea convergente, converge a un punto
de A.
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Topologı́a en Rn
Resultado
Un subconjunto A de Rn es cerrado si y sólo si toda sucesión de
puntos del conjunto A que sea convergente, converge a un punto
de A.
S
...................................................
....... · ......
......
x0
·· ......
....
.
...
x1
··
xn .•
...
..
.
...
..
. ...
x
...
.
.. ...
.. ..
.
. ..
.
... ...
.....
............................................................
... ........
. .
......
.
....
...
... ...
. ....... ...
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Topologı́a en Rn
Función Continua
Teorema de Weierstrass
Resultado
Sean D ⊆ Rn un subconjunto compacto y f : D → R una función
continua. Entonces, f toma valores máximos y mı́nimos en D.
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Existencia de Soluciones
Teorema de Weierstrass
Resultado
Sean D ⊆ Rn un subconjunto compacto y f : D → R una función
continua. Entonces, f toma valores máximos y mı́nimos en D.Es
decir, existen m, M ∈ D tales que para todo x ∈ D,
...
y
f (M). . . . . . . . . . . . . . . ......
...
... .....
... ...
.. ...
... ....
... .
.
..
...
..
...
.
.
.
...
... .
.. .. ... .
... .. ...
.. .. y = f (x) .... .
.. .. .. .
.. ... .
..
.
... ... .
.. ...
... ... .
... ...
..... ........ .
. . . . . . . . ....... .
f (m) . .
. .
m M x
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Existencia de Soluciones
Ejemplo 1
Ejemplo 2
H
0
L1
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Existencia de Soluciones
Ejemplo 3
H
-2
L2
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Existencia de Soluciones
Ejemplo 4
(
1 si x∈ (0, 2)
Sean D = (0, 4) y f (x) =
2 si x∈ [2, 4)
H L4
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Existencia de Soluciones
Ejemplo 5
-2
@
-1
D1 2
-1
-2
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Matrices Definidas Positivamente
qA (X ) = X T A X
donde X T = (x1 , x2 , . . . , xn ).
En particular, para n = 2:
a11 a12
sean A = , X = (x, y )
a21 a22
a a x
entonces, qA (X ) = XT A X = (x, y ) 11 12
a12 a22 y
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Matrices Definidas Positivamente
T a x + a12 y
qA (X ) = X A X = (x, y ) 11
a12 x + a22 y
= a11 x 2 + a12 xy + a12 xy + a22 y 2
= a11 x 2 + 2a12 xy + a22 y 2
Para n = 3:
a11 a12 a13
Sean A = a21 a22 a23 , X = (x, y , z)
a31 a32 a33
entonces,
qA (X ) = X T A X
= a11 x 2 + a2 y 2 + a33 z 2 + 2a12 xy + 2a13 xz + 2a23 yz.
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Matrices Definidas Positivamente
La función
0 1
La matriz A = no es definida positiva ni
1 0
semidefinida positiva.
qA (x, y ) = 2xy .
Si x > 0, y > 0, entonces, qA (x, y ) = 2xy > 0.
Si x > 0, y < 0, entonces, qA (x, y ) = 2xy < 0.
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Matrices Definidas Positivamente
1 0
La matriz A = es semidefinida positiva.
0 0
qA (x, y ) = x 2 . Pero esto puede ser cero sin necesidad de ser
el punto (0, 0).
De hecho, si (x, y ) = (0, 1) 6= (0, 0), entonces, qA (0, 1) = 0.
Ası́, la matriz no es definida positiva sino semidefinida
positiva.
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Matrices Definidas Positivamente
−1 0
La matriz A = es definida negativa.
0 −1
qA (x, y ) = −x 2 − y 2 = −(x 2 + y 2 ) < 0.
Matriz Indefinida
qA (X ) < 0 y qA (Y ) > 0.
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Matrices Definidas Positivamente
Matriz Indefinida
qA (X ) < 0 y qA (Y ) > 0.
0 1
La matriz A = es indefinida.
1 0
qA (x, y ) = 2xy .
Si x > 0, y > 0, entonces, qA (x, y ) = 2xy > 0.
Si x > 0, y < 0, entonces, qA (x, y ) = 2xy < 0.
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Matrices Definidas Positivamente
1 2
La matriz A = es indefinida.
2 3
qA (x, y ) = x 2 + 3y 2 + 4xy .
Resultado
Si A es una matriz simétrica, entonces,
Sea
a11 a12 a13 · · · a1n
a12 a22
a23 · · · a2n
A = a13 a23
a33 · · · a3n
.. .. .. .. ..
. . . . .
a1n a2n a3n · · · ann
Una matriz simétrica n × n. Por el k-ésimo menor principal de
A se entiende el determinante
a11 a12 a13 · · · a1k
a12 a22 a23 · · · a2k
∆k = a13 a23 a33 · · · a3k
.. .. .. .. ..
. . . . .
a1k a2k a3k · · · akk
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Matrices Definidas Positivamente
1 −2 3
Si A = −2 5 7
3 7 8
entonces,
1 −2 3
1 −2
∆1 = 1, ∆2 =
, ∆3 −2 5 7 .
−2 5
3
7 8
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Matrices Definidas Positivamente
1 −2 3
Si A = −2 5 7
3 7 8
entonces,
1 −2 3
1 −2
∆1 = 1, ∆2 =
, ∆3 −2 5 7 .
−2 5
3
7 8
11 2
Si B =
2 5
entonces,
11 2
∆1 = 11, ∆2 = .
2 5
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Matrices Definidas Positivamente
Resultado
Sean A una matriz simétrica de orden n y ∆k su k-ésimo
menor principal, 1 ≤ k ≤ n. Entonces:
Resultado
Sean A una matriz simétrica de orden n y ∆k su k-ésimo
menor principal, 1 ≤ k ≤ n. Entonces:
2 −2
Si A = , entonces,
−2 8
2 −2
∆1 = 2 > 0, ∆2 = = 12 > 0.
−2 8
Por tanto, A es definida positiva.
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Matrices Definidas Positivamente
2 −2
Si A = , entonces,
−2 8
2 −2
∆1 = 2 > 0, ∆2 = = 12 > 0.
−2 8
Por tanto, A es definida positiva.
−2 1
Si A = , entonces,
1 −8
−2 1
∆1 = −2 < 0, ∆2 = = 15 > 0.
1 −8
Por tanto, A es definida negativa.
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Gradiente
Vector Gradiente
Ejemplos
Si f (x, y ) = x 2 y 3 , entonces,
∂f ∂f
∇f (x) = (x), (x) = (2xy 3 , 3x 2 y 2 ).
∂x ∂y
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Gradiente
Ejemplos
Si f (x, y ) = x 2 y 3 , entonces,
∂f ∂f
∇f (x) = (x), (x) = (2xy 3 , 3x 2 y 2 ).
∂x ∂y
Si f (x, y , z) = xe yz , entonces,
∂f ∂f ∂f
∇f (x) = (x), (x), (x) = (e yz , xze yz , xye yz ).
∂x ∂y ∂z
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Gradiente
Matriz Hessiana
Ejemplo
Ejemplo
Ası́,
2 −1 −1
Hf = −1 2 1
−1 1 2
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Máximos Locales Interiores y Extremos
Máximo Local
Resultado
Si x ∗ es un máximo local no restrigido de f sobre D y f es
diferenciable en x ∗ , entonces
Df (x ∗ ) = 0.
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Máximos Locales Interiores y Extremos
Condiciones de Primer Orden
Resultado
Si x ∗ es un máximo local no restrigido de f sobre D y f es
diferenciable en x ∗ , entonces
Df (x ∗ ) = 0.
Ejemplos
Sean f (x) = x 3 y D = R.
Ası́,
f 0 (x) = 3x 2 = 0 ⇔ x = 0.
El punto (0, 0) es candidato para ser máximo o mı́nimo local, pero
f 0 (x) = 3x 2 ≥ 0 para todo x ∈ R, luego f (x) es creciente en todo
su dominio. Luego, (0, 0) no es ni máximo ni mı́nimo.
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Máximos Locales Interiores y Extremos
Condiciones de Segundo Orden
Observaciones
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Máximos Locales Interiores y Extremos
Condiciones de Segundo Orden
Observaciones
Las condiciones de primer y segundo orden no aseguran que
los puntos crı́ticos sean óptimos globales.
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Máximos Locales Interiores y Extremos
Condiciones de Segundo Orden
Observaciones
Las condiciones de primer y segundo orden no aseguran que
los puntos crı́ticos sean óptimos globales.
Las condiciones de segundo orden no son equivalencias.
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Máximos Locales Interiores y Extremos
Condiciones de Segundo Orden
Resultado
Suponga que f tiene primeras y segundas derivadas continuas
sobre D ⊂ Rn y que x ∗ es un punto interior de D, entonces:
Si f tiene un máximo local en x ∗ , entonces D 2 f (x ∗ ) es
semidefinida negativa.
Si f tiene un mı́nimo local en x ∗ , entonces D 2 f (x ∗ ) es
semidefinida positiva.
Si Df (x ∗ ) = 0 y D 2 f (x ∗ ) es definida negativa, entonces x ∗ es
un máximo local estricto de f en D.
Si Df (x ∗ ) = 0 y D 2 f (x ∗ ) es definida positiva, entonces x ∗ es
un mı́nimo local estricto de f en D.
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Máximos Locales Interiores y Extremos
Condiciones de Segundo Orden
Resultado
Suponga que f tiene primeras y segundas derivadas continuas
sobre D ⊂ Rn y que x ∗ es un punto interior de D, entonces:
Si f tiene un máximo local en x ∗ , entonces D 2 f (x ∗ ) es
semidefinida negativa.
Si f tiene un mı́nimo local en x ∗ , entonces D 2 f (x ∗ ) es
semidefinida positiva.
Si Df (x ∗ ) = 0 y D 2 f (x ∗ ) es definida negativa, entonces x ∗ es
un máximo local estricto de f en D.
Si Df (x ∗ ) = 0 y D 2 f (x ∗ ) es definida positiva, entonces x ∗ es
un mı́nimo local estricto de f en D.
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Máximos Locales Interiores y Extremos
Condiciones de Segundo Orden
Resultado
Suponga que f tiene primeras y segundas derivadas continuas
sobre D ⊂ Rn y que x ∗ es un punto interior de D, entonces:
Si f tiene un máximo local en x ∗ , entonces D 2 f (x ∗ ) es
semidefinida negativa.
Si f tiene un mı́nimo local en x ∗ , entonces D 2 f (x ∗ ) es
semidefinida positiva.
Si Df (x ∗ ) = 0 y D 2 f (x ∗ ) es definida negativa, entonces x ∗ es
un máximo local estricto de f en D.
Si Df (x ∗ ) = 0 y D 2 f (x ∗ ) es definida positiva, entonces x ∗ es
un mı́nimo local estricto de f en D.
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Máximos Locales Interiores y Extremos
Condiciones de Segundo Orden
Resultado
Suponga que f tiene primeras y segundas derivadas continuas
sobre D ⊂ Rn y que x ∗ es un punto interior de D, entonces:
Si f tiene un máximo local en x ∗ , entonces D 2 f (x ∗ ) es
semidefinida negativa.
Si f tiene un mı́nimo local en x ∗ , entonces D 2 f (x ∗ ) es
semidefinida positiva.
Si Df (x ∗ ) = 0 y D 2 f (x ∗ ) es definida negativa, entonces x ∗ es
un máximo local estricto de f en D.
Si Df (x ∗ ) = 0 y D 2 f (x ∗ ) es definida positiva, entonces x ∗ es
un mı́nimo local estricto de f en D.
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Máximos Locales Interiores y Extremos
Condiciones de Segundo Orden
Puntos Frontera
Puntos Frontera
Resultado
Si f : D ⊂ Rn → R es una función continua en D un conjunto
compacto, entonces, los puntos óptimos de f sobre D ocurren en
el interior de D o en su frontera.
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Máximos Locales Interiores y Extremos
Condiciones de Segundo Orden
Ejemplo
f 00 12 > 0 y f 00 31 > 0.
1
Se tiene por las condiciones de segundo orden que: x = 2 es un
mı́nimo local y x = 13 es un máximo local.
Adicionalmente, como:
1
= 14 ; f 1 7
f (1) = 1; f (0) = 0; f 2 3 = 27
Ejemplo
entonces
∇g1
∇g2
D(g ) = .
..
∇gp
es una matriz p × n, y ρ(D(g )) denota el rango de dicha matriz.
Teorema de Lagrange
Resultado
Sean f : Rn → R (función objetivo) y gi : Rn → R para
i = 1, 2, . . . , k funciones con derivadas continuas (funciones
restricciones).
Si x ∗ es un máximo o mı́nimo local de f sobre el conjunto
k
X
D(f (x ∗ )) + λ∗i D(gi (x ∗ )) = 0.
i=1
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Optimización con Restricciones de Igualdad
Observaciones
Observaciones
Observaciones
Ya que D(g (x, y )) = (1, −1) para todo (x, y ) ∈ D, se tiene que:
Ejemplo
Además, y = 0 si y sólo si x = 0.
Teorema de Kuhn-Tucker
Resultado
Sean f : Rn → R y hi : Rn → R funciones C 1 , i = 1, . . . , l.
entonces:
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Optimización con restricciones de desigualdad
Teorema de Kuhn-Tucker
Resultado
existe un vector
Teorema de Kuhn-Tucker
Resultado
existe un vector
Teorema de Kuhn-Tucker
Resultado
existe un vector
Pl
KT-2 Df (x ∗ ) + ∗ ∗
i=1 λi Dhi (x ) = 0.
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Optimización con restricciones de desigualdad
min max
hi (x) ≤ 0 λi ≥ 0 λi ≤ 0
hi (x) ≥ 0 λi ≤ 0 λi ≥ 0
Ejemplo 1
Si x ∗ = λ∗ = 0 se satisface el Lagragiano
f 0 (x ∗ ) + λ∗ g 0 (x ∗ ) = 0.
Ejemplo 2
Ejemplo 2
Ejemplo 2
Ejemplo 2...continuación
Ejemplo 2...continuación
Ejemplo 2...continuación
Ejemplo 2...continuación
Convexidad de Conjuntos
Convexos No Convexos
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Convexidad y Optimización
Gráficas
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Convexidad y Optimización
1.5 0.0
1.0 -0.5
0.5 -1.0
0.0 -1.5
-0.5 -2.0
-2 -1 0 1 2 -2 -1 0 1 2
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Convexidad y Optimización
Resultado
Una función f : D → R es cóncava si y sólo si para todo par de
puntos x, y ∈ D y para todo λ ∈ (0, 1) se cumple que
Resultado
Una función f : D → R es cóncava en D si y sólo si la función
−f es convexa en D. Respectivamente con concavidad y
convexidad estrictas.
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Convexidad y Optimización
Resultado
Una función f : D → R es cóncava en D si y sólo si la función
−f es convexa en D. Respectivamente con concavidad y
convexidad estrictas.
fHxL
-fHxL
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Convexidad y Optimización
Resultado
Sea f : D → R una función cóncava. Entonces, si D es un
conjunto abierto, f es continua en D. Si D no es abierto, f es
continua sobre el interior de D.
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Convexidad y Optimización
Resultado
Sea f : D → R una función cóncava. Entonces, si D es un
conjunto abierto, f es continua en D. Si D no es abierto, f es
continua sobre el interior de D.
Resultado
Sea D un conjunto convexo y abierto en Rn , y sea f : D → R
una función cóncava. Entonces, la derivada Df es continua en
todos los puntos donde exista.
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Convexidad y Optimización
Resultado
Sea f : D → R una función y D ⊂ Rn un conjunto abierto y
convexo. Entonces,
f es cóncava en D si y sólo si D 2 f (x) es una matriz
semidefinida negativa para todo x ∈ D.
f es convexa en D si y sólo si D 2 f (x) es una matriz
semidefinida positiva para todo x ∈ D.
Si D 2 f (x) es definida negativa para todo x ∈ D, entonces, f
es estrictamente cóncava en D.
Si D 2 f (x) es definida positiva para todo x ∈ D, entonces, f
es estrictamente convexa en D.
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Convexidad y Optimización
Resultado
Sea f : D → R una función y D ⊂ Rn un conjunto abierto y
convexo. Entonces,
f es cóncava en D si y sólo si D 2 f (x) es una matriz
semidefinida negativa para todo x ∈ D.
f es convexa en D si y sólo si D 2 f (x) es una matriz
semidefinida positiva para todo x ∈ D.
Si D 2 f (x) es definida negativa para todo x ∈ D, entonces, f
es estrictamente cóncava en D.
Si D 2 f (x) es definida positiva para todo x ∈ D, entonces, f
es estrictamente convexa en D.
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Convexidad y Optimización
Resultado
Sea f : D → R una función y D ⊂ Rn un conjunto abierto y
convexo. Entonces,
f es cóncava en D si y sólo si D 2 f (x) es una matriz
semidefinida negativa para todo x ∈ D.
f es convexa en D si y sólo si D 2 f (x) es una matriz
semidefinida positiva para todo x ∈ D.
Si D 2 f (x) es definida negativa para todo x ∈ D, entonces, f
es estrictamente cóncava en D.
Si D 2 f (x) es definida positiva para todo x ∈ D, entonces, f
es estrictamente convexa en D.
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Convexidad y Optimización
Resultado
Sea f : D → R una función y D ⊂ Rn un conjunto abierto y
convexo. Entonces,
f es cóncava en D si y sólo si D 2 f (x) es una matriz
semidefinida negativa para todo x ∈ D.
f es convexa en D si y sólo si D 2 f (x) es una matriz
semidefinida positiva para todo x ∈ D.
Si D 2 f (x) es definida negativa para todo x ∈ D, entonces, f
es estrictamente cóncava en D.
Si D 2 f (x) es definida positiva para todo x ∈ D, entonces, f
es estrictamente convexa en D.
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Convexidad y Optimización
Convexidad y Optimización
Resultado
Sean D ⊂ Rn un subconjunto convexo y f : D → R una función
cóncava. Entonces,
Todo máximo local de f es un máximo global.
El conjunto de maximizadores de f en D es vacı́o o un
conjunto convexo.
Si f es estrictamente cóncava, entonces, el conjunto de
maximizadores de f en D es vacı́o o unitario.
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Convexidad y Optimización
Convexidad y Optimización
Resultado
Sean D ⊂ Rn un subconjunto convexo y f : D → R una función
cóncava. Entonces,
Todo máximo local de f es un máximo global.
El conjunto de maximizadores de f en D es vacı́o o un
conjunto convexo.
Si f es estrictamente cóncava, entonces, el conjunto de
maximizadores de f en D es vacı́o o unitario.
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Convexidad y Optimización
Convexidad y Optimización
Resultado
Sean D ⊂ Rn un subconjunto convexo y f : D → R una función
cóncava. Entonces,
Todo máximo local de f es un máximo global.
El conjunto de maximizadores de f en D es vacı́o o un
conjunto convexo.
Si f es estrictamente cóncava, entonces, el conjunto de
maximizadores de f en D es vacı́o o unitario.
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Convexidad y Optimización
Convexidad y Optimización
Resultado
Sean D ⊂ Rn un conjunto convexo y f : D → R una función
diferenciable y cóncava en D. Entonces, x ∗ es un máximo global
de f en D si y sólo si Df (x ∗ ) = 0.
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Convexidad y Optimización
Resultado
Sean U ⊂ Rn un conjunto abierto y convexo y f : U → R una
función C 1 cóncava. Para i = 1, 2, . . . , l, sean hi : U → R
funciones C 1 cóncavas. Supóngase que existe algún x ∈ U tal que
hi (x) > 0, i = 1, 2, . . . , l
Entonces, x ∗ maximiza f sobre
D = {x ∈ U|hi (x) ≥ 0, i = 1, 2, . . . , l}
si y sólo si existe λ∗ ∈ Rl tales que
Df (x ∗ ) + li=1 λ∗i Dhi (x ∗ ) = 0,
P
Pl
λ∗ ≥ 0, ∗ ∗
i=1 λi hi (x ) = 0.
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Convexidad y Optimización
Resultado
Sean U ⊂ Rn un conjunto abierto y convexo y f : U → R una
función C 1 cóncava. Para i = 1, 2, . . . , l, sean hi : U → R
funciones C 1 cóncavas. Supóngase que existe algún x ∈ U tal que
hi (x) > 0, i = 1, 2, . . . , l
Entonces, x ∗ maximiza f sobre
D = {x ∈ U|hi (x) ≥ 0, i = 1, 2, . . . , l}
si y sólo si existe λ∗ ∈ Rl tales que
Df (x ∗ ) + li=1 λ∗i Dhi (x ∗ ) = 0,
P
Pl
λ∗ ≥ 0, ∗ ∗
i=1 λi hi (x ) = 0.
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Convexidad y Optimización
GRACIAS
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Convexidad y Optimización
GRACIAS
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Convexidad y Optimización
GRACIAS
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Convexidad y Optimización
GRACIAS
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Convexidad y Optimización
GRACIAS
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Convexidad y Optimización
GRACIAS
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Convexidad y Optimización
Puntos Frontera
y
S
.............................................................
....... .......
......
.
...... ..... ...............
......
.. ........
..... ................ .... ..... ....
...
..
. ..
.. ..
...... ... ...
.. ..... ... .... x ....
r ·
... .
.
... ... ... ... ......... 2 ...
r ·
.. ..... .. ... ...... ... .
.. ... ......... 0 ...
.
. x ....... .. ...... .
....... .. .......
... ......... . ...........
.. .....
.. ...
...... .
.
............... . .
... .
...
.. .....
... ......
...
.... ..........................................................................
..
...
.. ......
..
... .....
.. . ....
...... ...... .
x
Retorno
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Convexidad y Optimización
conjuntos: no convexos
Retorno
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Convexidad y Optimización
conjuntos: convexos
Retorno
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Convexidad y Optimización
2 2
1 1
0 0
-1 -1
-2 -2
-2 -1 0 1 2 -2 -1 0 1 2
Figura: Epigrafo-Subgrafo
Retorno
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Convexidad y Optimización
2.0 0.5
1.5 0.0
1.0 -0.5
0.5 -1.0
0.0 -1.5
-0.5 -2.0
-2 -1 0 1 2 -2 -1 0 1 2
Retorno
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Convexidad y Optimización
Máximo de f
a x0
H L
Retorno
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Convexidad y Optimización
Retorno
CURSILLO DE OPTIMIZACIÓN: Caso Diferenciable
Convexidad y Optimización
Resultado 1: Prueba
f (x) ≤ f (x0 ).
−f (x) ≥ −f (x0 ),
Resultado 1: Gráfica
Máximo de f
f HxL
Mínimo de f
a x0 z0 b
Máximo de -f
-f HxL
Mínimo de -f
Retorno