CONTINUIDAD DE FUNCIONES

• Una funcion de una sola variable x es continua en un

punto x0 si:

• Si f(x) es continua en cada punto de la región R, entonces

se puede decir que f(x) es continua a través de R (Fig. 4.1
A). Aquí el máximo ocurre lejos de la discontinuidad, el
cual podria ser o no encontrado en la búsqueda del
óptimo.
• En la Fig. 4.2B la función de x tiene un pliegue en el, pero
f(x) satisface la propiedad de continuidad pero no
satisface f(x)=df(x)/dx, entonces la función es continua
pero no continuamente diferenciable.
• Si el método de optimización no utiliza derivadas, • Las funciones objetivo que solo permiten valores discretos
entonces el pliegue no presenta impotancia, pero si el de las variables independientes ocurren frecuentemente en
método emplea derivadas podría fallar, porque la
derivada llegar a ser indefinida en la discontinuidad y procesos de diseño porque las variables de proceso sólo
tiene diferentes signos en cada lado de ella. suponen valores específicos en lugar de los continuos.
ENUNCIACION DE UN PROBLEMA NLP
• La forma general de un problema de programación no lineal es:
Minimizar f(x)
Sujeto para ai ≤ gi(x) ≤ bi i=1,…, m
y lj ≤ xj ≤ uj j=1,…, n
• x es un vector de n variables de decisión
• f es la función objetivo
• gi es la función de restricción
• ai y bi son los valores de frontera en las funciones de restricción con ai ≤ bi
• lj y uj son los valores de frontera en las funciones de decisión con lj ≤ uj
• En lo problemas restringidos linealmente todas las funciones de restricción gi
son lineales y la función objetivo f es no lineal.
ENUNCIACION DE UN PROBLEMA NLP
• Un vector x es factible si satisface todas las restricciones.
• El conjunto de todos los puntos factibles se llama región factible F.
• Si F está vacía, el problema no es factible, y si existen puntos factibles en el que el
objetivo es arbitrariamente grande en un problema de máximos o arbitrariamente
pequeño en un problema de minimos, el problema es no limitado.
• Un punto (vector) x* se denomina extremo local (mínimo) si para toda x en un pequeño
espacio (región) N en F alrededor x* con x distinta de x*.
• A pesar del hecho de que x* es un extremo locale, pueden existir otros extremos fuera
de N de forma que el problema NLP puede tener más de un mínimo local, si se examina
la totalidad del espacio de x.
f(x*)≤f(x)
• La mayoría (pero no todos) los algoritmos para resolver problemas de NLP localizan
extremos locales desde un punto de partida dado.
 GEOMETRIA NLP
Una región factible tipica para un
problema con dos variables y
restricciones:

es mostrado como la región sin

sombra en la Fig. 4.4, sus limites son
las lineas rectas y curvas.
 GEOMETRIA NLP
Considerando el problema:
Minimizar f=(x1 – 3)2 + (x2 - 4)2
Sujeto a las restricciones lineales
x1 ≥ 0
x2 ≥ 0
5 – x1 –x2 ≥ 0
-2.5 + x1 – x2 ≤ 0
• La región factible en la Fig. 4.5 está definida por restricciones
lineales con un número finito de puntos de vértice.
• La función objetivo, siendo no lineal, tiene contornos (los círculos
concéntricos, conjuntos de nivel) de valor constante que no son
líneas paralelas, como ocurriría si fuera lineal.
• El valor mínimo de f corresponde al contorno del valor más bajo
que tiene al menos un punto en común con la región factible, es
decir, en x1* = 2, x2* = 3.
• Esto no es un punto del conjunto factible extremo, aunque es un
punto límite
 GEOMETRIA NLP
Cambiando la función objetivo para:
f1=(x1 – 2)2 + (x2 - 2)2
• El minimo es ahora en x1 = 2, x2 = 2, los cuales no
son puntos limite de la región factible, pero es el
minimo no restringido de la función no lineal y
que satisface todas las restricciones.
• Si la función objetivo f1 tiene dos mínimos y al
menos un era interior a la región factible, entonces
el problema limitado tendría dos mínimos locales.
• Un problema con las limitaciones no lineales
puede tener óptimos locales, incluso si la función
objetivo sólo tiene un óptimo sin restricciones.
 GEOMETRIA NLP
Considerando un problema con una función
objetivo cuadrática y una región factible
mostrada en la Fig. 4.8, el problema tiene un
óptimo local en los puntos a y b porque
ningún punto de la región factible en las
inmediaciones de cualquiera de los puntos
obtiene un valor menor de f.
• El óptimo de un problema de
programación no lineal no tiene que ser un
punto de la región factible extrema y
puede no estar en el límite.
• El problema puede tener óptimos locales
distintos del óptimo global.
• Estas propiedades son consecuencia
directa de la no linealidad.
 CONVEXIDAD Y SUS APLICACIONES
Conjunto convexo
Un conjunto de puntos o región se
definen como un conjuto convexo en un
espacio n dimensional si, para todos los
pares de puntos x1 y x2 en el conjunto, el
segmento de línea recta puede unirlos
en su totalidad en el conjunto.
Una enunciacion matematica de un
conjunto convexo es:

Para cada par de puntos x1 y x2 en un

connjunto convexo, el punto x esta dado
por una combinación lineal de dos
puntos en el conjunto.
La región convexa podría ser cerrada
(limitada) por un conjunto de funciones,
tales como los conjuntos A y B de la Fig.
4.9 o podrían ser abiertos (no limitados)
como en las Fig. 410 y 4.12.
 CONVEXIDAD Y SUS APLICACIONES
Función convexa
Una función f(x) definida en un conjunto convexo F se dice que es una
función convexa si la siguiente relación se mantiene

ϒ es un escalar con un rango de 0 ≤ Υ ≤1.

• Si sólo el signo de desigualdad se cumple, la función se dice que es
convexa pero no sólo estrictamente convexa.
• Si f(x) es estrictamente convexa,
• Entonces -f (x) es estrictamente cóncava.
• Una función convexa no puede tener cualquier valor mayor que los
valores de la función obtenidos por interpolación lineal entre x1 y x2.
• Las funciones lineales son tanto convexas y cóncavas, pero no
estrictamente convexa o cóncava, respectivamente. Un resultado
importante de la convexidad es
Si f (x) es convexa, entonces el conjunto
es convexo para todos los escalares k.
El resultado se ilustra en la Figura 4.11 en la que una función
cuadrática convexa se corta por el plano de f (x) = k.
El conjunto R convexo proyectado en el plano x1-x2 comprende la elipse
frontera además de su interior.
 CONVEXIDAD Y SUS APLICACIONES
El problema de programación convexa
Para el problema de programación no lineal llamado problema de programación
convexa
Minimizar f(x)
Sujeto para gi(x) ≤ 0 i=1,…, m
En el que
a) f(x) es una función convexa,
b) Cada restricción de desigualdad es una función convexa (de modo que las
limitaciones de un conjunto convexo), desmostrándose que
El mínimo local de f (x) es también el mínimo global.
Análogamente, un máximo local es el máximo global de f(x) si la función objetivo es
cóncava y las limitaciones forman un conjunto convexo.
 CONVEXIDAD Y SUS APLICACIONES
Rol de la convexidad
En el conjunto de restricciones no lineales g(x), el conjunto

Es generalmente no convexo, esto es evidente geométricamente porque la mayoría de las

funciones no lineales tienen gráficos que son superficies curvas. Por lo tanto el conjunto R
suele ser una superficie curva también, y el segmento de recta que une dos puntos en esta
superficie generalmente no reside en la superficie. Como una consecuencia el problema
Minimizar f(x)
Sujeto para gi(x) ≤ 0 i=1,…, m
hk(x) ≤ 0 k=1,…, r < n
Podría no ser un problema de programación convexa en las variables x1,…,xn si cualquiera de
las funciones hk es no lineal.
En muchos casos las restricciones de igualdad pueden utilizarse para eliminar algunas de las
variables, dejando un problema con restricciones de desigualdad y menos variables.
 CONVEXIDAD Y SUS APLICACIONES
Determinación de la convexidad y concatividad
Un conjunto de puntos x que satisfacen la relación

Es convexo si la matriz Hessiana H(x) es una matriz semidefinida positiva

simétrica, por lo tanto se tienen los siguientes supuestos:
1. H es definida-positiva si y solo si xTHx > 0 para toda x ≠ 0
2. H es definida-negativa si y solo si xTHx < 0 para toda x ≠ 0
3. H es semidefinida-positiva si y solo si xTHx > 0 para toda x ≠ 0
4. H es semidefinida-negativa si y solo si xTHx < 0 para toda x ≠ 0
5. H es indefinida si y solo si xTHx > 0 para alguna x > 0 para otra x
 CONVEXIDAD Y SUS APLICACIONES
Determinación de la convexidad y concatividad
Para una función multivariable, la naturaleza de la convexidad puede
evaluarse mejor examinando los valores propios de f(x), como se muestra en
la Tabla 4.1
 INTERPRETACION DE LA FUNCION OBJETIVO EN
TERMINOS DE SU APROXIMACION CUADRATICA
Si una función de dos variables es cuadrática
o aproximada por una función cuadrática

Entonces los eigenvalores de H(x) pueden

ser calculados y usados para interpretar la
naturaleza de f(x) y x*.
Por implicación, el análisis de una función
de muchas variables a través de un examen
los eigenvalores puede llevarse a cabo,
mientras que gráficos de contorno se limitan
a funciones de sólo dos o tres variables.
 INTERPRETACION DE LA FUNCION OBJETIVO EN
TERMINOS DE SU APROXIMACION CUADRATICA
• Los valores propios de la matriz hessiana de f(x) indican la forma de una función.
• Para una matriz simétrica definida positiva, los eigenvectores forman un conjunto ortonormal.
• Por ejemplo, en dos dimensiones, si los vectores propios son v1 y v2, v1Tv2 = 0 (los vectores
propios son perpendiculares entre sí). Los eigenvectores también corresponden a las direcciones
de los ejes principales de los contornos de f(x).
• Uno de los requisitos principales de cualquier técnica de optimización exitosa es la capacidad de
moverse rápidamente en una región local a lo largo de un valle estrecho (en la minimización)
hacia el mínimo de la función objetivo.
• En otras palabras, un algoritmo eficiente selecciona una dirección de búsqueda que
generalmente sigue el eje del valle en lugar de saltar hacia atrás y adelante a través del valle.
• Los valles son crestas en la maximización y pueden ocurrir con bastante frecuencia, por lo
menos a nivel local, estos tipos de superficies tienen el potencial de reducir la velocidad en gran
medida la búsqueda de la óptima.
• Un valle se encuentra en la dirección del eigenvector asociado con un pequeño eigenvalor de la
matriz de Hessiana de la función objetivo.
 INTERPRETACION DE LA FUNCION OBJETIVO EN
TERMINOS DE SU APROXIMACION CUADRATICA
• Los valores propios de la matriz hessiana de f(x) indican la forma de una función.
• Para una matriz simétrica definida positiva, los eigenvectores forman un conjunto ortonormal.
• Por ejemplo, en dos dimensiones, si los vectores propios son v1 y v2, v1Tv2 = 0 (los vectores
propios son perpendiculares entre sí). Los eigenvectores también corresponden a las direcciones
de los ejes principales de los contornos de f(x).
• Uno de los requisitos principales de cualquier técnica de optimización exitosa es la capacidad de
moverse rápidamente en una región local a lo largo de un valle estrecho (en la minimización)
hacia el mínimo de la función objetivo.
• En otras palabras, un algoritmo eficiente selecciona una dirección de búsqueda que
generalmente sigue el eje del valle en lugar de saltar hacia atrás y adelante a través del valle.
• Los valles son crestas en la maximización y pueden ocurrir con bastante frecuencia, por lo
menos a nivel local, estos tipos de superficies tienen el potencial de reducir la velocidad en gran
medida la búsqueda de la óptima.
• Un valle se encuentra en la dirección del eigenvector asociado con un pequeño eigenvalor de la
matriz de Hessiana de la función objetivo.
 CONDICIONES NECESARIAS Y SUFICIENTES PARA UN
VALOR EXTREMO DE UNA FUNCIÓN SIN RESTRICCIONES

• La Fig. 4.16 ilustra el carácter de f(x) si la

función objetivo es una función de una
sola variable.
• Por lo general, siempre se busca
encontrar el mínimo o máximo de una
función multivariable f(x). El problema
puede interpretarse geométricamente
como encontrar el punto en un espacio
de n-dimensión en el que la función tiene
un valor extremo.
 CONDICIONES NECESARIAS Y SUFICIENTES PARA UN
VALOR EXTREMO DE UNA FUNCIÓN SIN RESTRICCIONES
• Un óptimo punto x* está completamente
especificado por la satisfacción de lo que se
llaman las condiciones necesarias y
suficientes para optimización.
• Una condición N es necesaria para un
resultado R si R puede ser verdad solo si la
condición es verdadera (RN).
• La inversa no es verdad, sin embargo, si N es
verdad, R no es necesariamente verdad.
• Una condición es suficiente para un
resultado R si R es verdad si la condición es
verdad (SR).
• Una condición T es necesaria y suficiente
para un resultado R si R es verdad si y solo si
T es verdad (T R).
 CONDICIONES NECESARIAS Y SUFICIENTES PARA UN
VALOR EXTREMO DE UNA FUNCIÓN SIN RESTRICCIONES
• La forma más fácil de desarrollar las condiciones necesarias y suficientes
para que un máximo o máximo de f(x) es comenzar con una expansión de
series de Taylor sobre los supuestos extremos de x*.

Donde:
 , la perurbación de x de x*
Se ha definido el mínimo local como un punto x* de tal manera que ningún otro punto
en la vecindad de x* da un valor de f(x) menor que (x*), o f(x)-f(x*) > 0, aquí x es le
minimo global.
x* es un máximo local si f(x)-f(x*) < 0
 es arbitraria y puede tener ambos valores de más y menos para sus elementos, por
lo que se debe insistir en que
 CONDICIONES NECESARIAS Y SUFICIENTES PARA UN
VALOR EXTREMO DE UNA FUNCIÓN SIN RESTRICCIONES
Una condición necesaria para un mínimo o máximo de f(x) es que el gradiente de f(x) se anula
en x*, es decir, x* es un punto estacionario.