Clase NL09 S0109

Programación No Lineal
9
Postgrado de Investigación de Operaciones
Prof. Gonzalo Müller

gmullerb@mail.com
Facultad de Ingeniería
Universidad Central de Venezuela
Clase Anterior
Minimizando una función Multidimensional irrestricta
Algoritmo base → búsqueda lineal
Búsqueda Multidimensional sin derivadas:
Método de Coordenadas Cíclicas.
Método de Hooke and Jeeves.
Búsqueda Multidimensional con derivadas:
Método de Pasos Descendentes.
Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 2

Optimización restringida
Minimizando una función restringida
Sea el problema de optimización O(f, S) de una
función f de EM → E1:
min f(x)
s. a:
h(x) = 0
g(x) ≤ 0

Las restricciones definen la región factible S.
si x ∈ S , x es factible
si x ∉ S, x no es factible
x1 x2
S
x1 es factible, x2 no es factible
Las metodologías utilizadas para la resolución
convierten el problema en uno de:
Optimización irrestricta.
y luego se aplica algunos de los métodos vistos

anteriormente.

Búsqueda Multidimensional Penalizada
Penalización.
Concepto:
Un factor es añadido a la función objetivo de tal
manera que ésta es penalizada cuando una
restricción ha sido violada.

Penalización.
Concepto:
Un factor es añadido a la función objetivo de tal
manera que ésta es penalizada cuando una
restricción ha sido violada.
Se generan una sucesión de puntos no
necesariamente factibles a lo largo de la búsqueda
que tiende a la solución óptima del problema
original.

Un factor de penalización p(x) debe:
Tener un valor positivo para soluciones no factibles:
p(x) > 0, x ∉ S

Un factor de penalización p(x) debe:
Tener un valor positivo para soluciones no factibles:
p(x) > 0, x ∉ S
Ser cero para soluciones factibles:
p(x) = 0, x ∈ S

De esta forma se transforma el problema original:
min f(x)
s. a:
x∈S

min f(x)
s. a:
x∈S
↓
min f(x)+ p(x)

irrestricto

Penalización de restricciones =:
min f(x)
s. a:
h(x) = 0

min f(x)
s. a:
h(x) = 0
Se transforma en una búsqueda irrestricta

↓
min f(x)+h2(x) min f(x)+|h(x)|

↓
min f(x)+ µ h2(x) min f(x)+ µ |h(x)|
µ >> 0
µ >> 0, permite asegurar que no exista competencia

entre la función original y la restricción

↓
min f(x)+ µ h2(x) min f(x)+ µ |h(x)|
µ >> 0
µ >> 0, permite asegurar que no exista competencia

entre la función original y la restricción
A medida que h(x) → 0 el problema se transforma

en el problema original:
limh(x) → 0{ min f(x)+ µ h2(x) } = min f(x)
f(x) + µp(x) se conoce como la función auxiliar
Ejemplo 10.1: Definir la función auxiliar del siguiente
problema:
min x12 + x22 – 1
s. a: x1 + x2 = 0

problema:
min x12 + x22 – 1
s. a: x1 + x2 = 0
↓
min x12 + x22 – 1 + µ(x1 + x2)2
min (1+µ)x12 + (1+µ)x22 + 2 x1 x2 – 1

problema:
min x12 + x22 – 1
s. a: x1 + x2 = 0
↓
min x12 + x22 – 1 + µ(x1 + x2)2
min (1+µ)x12 + (1+µ)x22 + 2 x1 x2 – 1
o
min x12 + x22 – 1 + µ|x1 + x2|
Penalización de restricciones ≤:
min f(x)
s. a:
g(x) ≤ 0

min f(x)
g(x)
s. a:
g(x) ≤ 0

min f(x)
g(x) g(x)
s. a:
g(x) ≤ 0
S S
Soluciones no penalizadas

min f(x)
g(x) g(x)
s. a:
max{0, g(x)}
g(x) ≤ 0
S S

min f(x)
g(x) g(x)
s. a:
max{0, g(x)}
g(x) ≤ 0
↓
S S
min (f(x) + max{0, g(x)})
↓
min (f(x) + µ max{0, g(x)})
µ >> 0
problema:
min x12 + x22 – 1
s. a: x1 + x2 ≤ 0

problema:
min x12 + x22 – 1
s. a: x1 + x2 ≤ 0
↓
min (x12 + x22 – 1 + µ max{0, x1 + x2})

Penalización de restricciones ≥:
min f(x)
s. a:
g(x) ≥ 0

min f(x)
g(x)
s. a:
S
g(x) ≥ 0

min f(x)
g(x) g(x)
s. a:
S S
g(x) ≥ 0

min f(x)
g(x) g(x)
s. a:
S S
g(x) ≥ 0
↓
min{0, g(x)}
min (f(x) – min{0, g(x)})
↓
min (f(x) – µ min{0, g(x)})
µ >> 0
problema:
min x12 + x22 – 1
s. a: x1 + x2 ≥ 0

problema:
min x12 + x22 – 1
s. a: x1 + x2 ≥ 0
↓
min (x12 + x22 – 1 + µ min{0, x1 + x2})

Si µ es demasiado grande la búsqueda se acerca más
rápidamente a la región factible, pero puede surgir una
convergencia prematura.
x1
A medida que µ crece la sucesión de puntos generados

se aproxima al óptimo desde la región exterior a la
región factible, por lo que estos métodos se llaman
métodos de punto exterior
Algoritmo:
Entrada:
x1: Punto inicial de la búsqueda.
ε: máximo error permisible > 0.
µ0: Factor de penalización inicial > 0.
α: Factor de expansión de penalización > 1.
… : Parámetros de método de la búsqueda
multidimensional seleccionada.

Algoritmo
Comienzo
k=0
xk → min f(x)+µkp(x) → xk+1
k=k+1 µk|p(xk+1)| > ε

F
Fin
V
µk+1= α µk

Ejemplo 10.4: Resolver el siguiente problema con
penalización partiendo de punto xT=[1 2] con ε =
0.5:
min x12 + x22 – 1
s. a: x1 + x2 ≤ 0

Penalización combinada:
min f(x)
s. a:
g1(x) ≤ 0
h(x) = 0
g2(x) ≥ 0
↓
min (f(x)+µ max{0, g1(x)}+µ h2(x) – µ min{0, g2(x)})

Búsqueda Multidimensional con Barrera
Barrera.
Concepto:
Un factor barrera es añadido a la función objetivo el
cual es utilizado para prevenir que los puntos
generados a lo largo de la búsqueda salgan fuera de
la región de factibilidad.

Barrera.
Concepto:
Un factor barrera es añadido a la función objetivo el
cual es utilizado para prevenir que los puntos
generados a lo largo de la búsqueda salgan fuera de
la región de factibilidad.
Se generan una sucesión de puntos factibles a lo
largo de la búsqueda que tiende a la solución óptima
del problema original.
Las restricciones deben ser desigualdades.
Un factor de barrera b(x) debe:
b(x) ≥ 0, x ∈ int(S )

Un factor de barrera b(x) debe:
b(x) ≥ 0, x ∈ int(S )
Y a medida que se acerca la frontera de S:
limx → ∂(S) b(x) → ∞

Lo ideal sería que:
b(x) = 0, x ∈ int(S )
limx ∈ ∂(S) b(x) → ∞

min f(x)
s. a:
x∈S

min f(x)
s. a:
x∈S
↓
min f(x)+ b(x)

irrestricto

Barrera de restricciones ≤:
min f(x)
s. a:
g(x) ≤ 0

min f(x)
s. a:
g(x) ≤ 0
↓
min f(x) – 1/g(x)

min f(x)
s. a:
g(x) ≤ 0
↓
min f(x) – 1/g(x)
El punto de
↓ partida debe
min f(x) – µ/g(x) ser un punto
interior de la
µ >> 0 región factible
Barrera de restricciones ≥:
min f(x)
s. a:
g(x) ≥ 0
↓
min f(x) + 1/g(x)
↓
min f(x) + µ/g(x)
µ >> 0
Se debe verificar que el método no deje la región
factible, ya que a través las búsquedas
multidimensionales realizadas esto es posible.
x1 S
A medida que µ decrece la sucesión de puntos

generados se aproxima al óptimo desde el interior de la
región factible, por lo que estos métodos se llaman
métodos de punto interior
problema:
min x12 + x22 – 1
s. a: x1 + x2 ≤ 0

problema:
min x12 + x22 – 1
s. a: x1 + x2 ≤ 0
↓
min x12 + x22 – 1 – 1/(x1 + x2)

Algoritmo:
Entrada:
x1: Punto inicial de la búsqueda ∈ int S.
ε: máximo error permisible > 0.
µ0: Factor de barrera inicial > 0.
β: Factor de contracción de la barrera:
0<β<1
… : Parámetros de método de la búsqueda
multidimensional seleccionada.
Algoritmo
Comienzo
k=0
xk → min f(x)+µkb(x) → xk+1
k=k+1 µk|b(xk+1)| > ε

F
Fin
V
µk+1= β µk
Si el punto obtenido no es factible debe ser descartado, es posible realizar

una nueva búsqueda ajustando los parámetros del algoritmo empleado
Algoritmo
Comienzo
k=0
xk → min f(x)+µkb(x) → xk+1
k=k+1 F Ajustar parámetros

xk∈S
de Algoritmo
V
F
µk|b(xk+1)| > ε Fin
V
µk+1= β µk
Ejemplo 10.6: Resolver el siguiente problema con
barrera partiendo de punto xT=[1 –2] con ε = 0.05:
min x12 + x22 – 1
s. a: x1 + x2 ≤ 0

Resumen
Minimizando una función restringida:
Penalización
min (f(x)+h2(x)) min (f(x)+|h(x)|)
Penalización de restricciones ≤:min (f(x) + µ max{0, g(x)})
Penalización de restricciones ≥:min (f(x) – µ min{0, g(x)})
Penalización combinada.
Barrera.
Barrera de restricciones ≤: min f(x) – µ/g(x)
Barrera de restricciones ≥:min f(x) + µ/g(x)

Clase NL09 S0109

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Clase NL09 S0109

Hochgeladen von

Copyright:

Verfügbare Formate

Programación No Lineal

Prof. Gonzalo Müller

Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 2

Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 3

y luego se aplica algunos de los métodos vistos

Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 5

Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 6

Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 7

Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 8

Ser cero para soluciones factibles:

Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 9

Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 10

min f(x)+ p(x)

Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 11

Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 12

Se transforma en una búsqueda irrestricta

Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 13

µ >> 0, permite asegurar que no exista competencia

Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 14

µ >> 0, permite asegurar que no exista competencia

A medida que h(x) → 0 el problema se transforma

Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 16

Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 17

Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 19

Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 20

Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 21

Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 22

Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 24

Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 25

Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 26

Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 27

Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 28

Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 30

Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 31

A medida que µ crece la sucesión de puntos generados

Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 33

xk → min f(x)+µkp(x) → xk+1

k=k+1 µk|p(xk+1)| > ε

Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 34

Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 35

Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 36

Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 37

Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 39

Y a medida que se acerca la frontera de S:

limx → ∂(S) b(x) → ∞

Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 40

limx ∈ ∂(S) b(x) → ∞

Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 41

Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 42

min f(x)+ b(x)

Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 43

Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 44

Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 45

A medida que µ decrece la sucesión de puntos

Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 49

Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 50

xk → min f(x)+µkb(x) → xk+1

k=k+1 µk|b(xk+1)| > ε

Si el punto obtenido no es factible debe ser descartado, es posible realizar

xk → min f(x)+µkb(x) → xk+1

k=k+1 F Ajustar parámetros

Programación No Lineal – Prof. Gonzalo Müller – Clase 9 – GM – 54

Das könnte Ihnen auch gefallen