Beruflich Dokumente
Kultur Dokumente
5
Postgrado de Investigación de Operaciones
f : (a,b] → R
f(b) = inf { f(x) : x ∈ (a,b]}
y
b = min{ f(x) : x ∈ (a,b]}
f : (a,b) → R
f(b) = inf { f(x) : x ∈ (a,b)}
y
b no es el mínimo pues b ∉ (a,b)
f : (a,b] → R
α = inf { f(x) : x ∈ (a,b]}
α y
α ≠ f(b)
luego el mínimo no existe
f : (a, ∞ ) → R
lím f(x) = −∞
x →∞
y no existe mínimo
αf(x1) + [1 – α]f(x2)
f(x2)
f(x1)
f(αx1 + [1 – α]x2)
x1 x2
αf(x1) + [1 – α]f(x2)
S Conjunto convexo
f(x2)
f(x1)
f(αx1 + [1 – α]x2)
x1 x2
αf(x1) + [1 – α]f(x2)
f(x2)
f(x1)
f(αx1 + [1 – α]x2)
x1 x2
αf(x1) + [1 – α]f(x2)
S Conjunto no convexo
f(x2)
f(x1)
f(αx1 + [1 – α]x2)
x1 x2
αf(x1) + [1 – α]f(x2)
f(x2)
f(x1)
f(αx1 + [1 – α]x2)
x1 x2
αf(x1) + [1 – α]f(x2)
S Conjunto convexo
f(x2)
f(x1)
f(αx1 + [1 – α]x2)
x1 x2
αf(x1) + [1 – α]f(x2)
f(x2)
f(x1)
f(αx1 + [1 – α]x2)
x1 x2
f(αx1 + [1 – α]x2)
f(x2)
f(x1)
αf(x1) + [1 – α]f(x2)
x1 x2
f(αx1 + [1 – α]x2)
f(x2)
f(x1)
αf(x1) + [1 – α]f(x2)
x1 x2
f(αx1 + [1 – α]x2)
f(x2)
f(x1)
αf(x1) + [1 – α]f(x2)
S
x1 x2
Corolario:
La combinación lineal no negativa de funciones
convexas es una función convexa.
Función convexa
f(x)
f(x*) ≤ f(y)
∀y∈S
x1 + x2 = 4
x1 + x2 = 4
Construir el Langrangeano:
14 + 6µ1 – λ1 = 0
– 6 – 6µ1 – λ1 = 0
f(x2)
f(x2)
f(x2)
z T· ∇2f(x)· z ≥ 0
∀ z ∈ En
∀x∈S
Entonces ∇f(x*) = 0
No es necesario verificar
condiciones de 2º Orden
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 103
Convexidad Generalizada
Función Cuasiconvexa:
Cuasiconvexa Una función f en E1 es
cuasiconvexa sobre un conjunto convexo S en En si
para dos puntos cualquiera x1, x2 ∈ S:
max{f(x1),f(x2)}
f(x2)
f(x1)
f(λx1+ [1 – λ]x2)
x1 x2
max{f(x1),f(x2)}
f(x2)
f(x1)
f(λx1+ [1 – λ]x2)
x1 x2
Una función fuertemente cuasiconvexa
no admite segmentos horizontales
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 111
Convexidad Generalizada
Propiedades de una función Fuertemente
Cuasiconvexa:
Cuasiconvexa
Un mínimo local es el único mínimo y por ende el
único mínimo global.
max{f(x1),f(x2)}
f(x1)=f(x2)
f(αx1+ [1 – α]x2)
x1 x2
max{f(x1),f(x2)}
f(x2)
f(x1)
f(αx1+ [1 – α]x2)
No se satisface:
f(αx1 + [1 – α]x2) < max{f(x1),f(x2)}
x1 x2
max{f(x1),f(x2)}
f(x2)
f(x1)
f(αx1+ [1 – α]x2)
f(x1*) =f(x2*)
x1 x2
Una función estrictamente cuasiconvexa solo
admite un segmento horizontal en el mínimo
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 117
Convexidad Generalizada
Propiedades de una función Estrictamente
Cuasiconvexa:
Cuasiconvexa
Todo mínimo local es un mínimo global.
f(λx1+ [1 – λ]x2)
f(x1)
f(x2)
min{f(x1),f(x2)}
x1 x2
∂f(x) ∂f(x)
0 . . .
∂x 1 ∂x k
∂f(x) ∂ 2f(x) ∂ 2f(x)
∂x ∂x 1∂x 1 ∂x 1∂x k
1
∇ 2f(x) = . . .
. . .
. . .
∂f(x) ∂ 2f(x) ∂ 2f(x)
. . .
∂x k ∂x k ∂x1 ∂x k ∂x k
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 135
Convexidad Generalizada Diferenciable
Función Cuasiconvexa (Condición Necesaria):
Si una función real f doblemente diferenciable sobre
un conjunto convexo abierto S ⊂ Rn es cuasiconvexa,
entonces:
|∇2f(x)k| ≤ 0 k= 2,…, n
∀x∈S
∀x∈S
(– 1)k|∇2f(x)k| ≤ 0 k= 2,…, n
∀x∈S
∀x∈S