clasenl05s0109
DESCRIPTION
Clase 5 de Programación No Lineal, Prof. Gonzalo Müller, [email protected], Facultad de Ingeniería, Universidad Central de VenezuelaTRANSCRIPT
Programación No LinealProgramación No Lineal55Postgrado de Investigación de OperacionesPostgrado de Investigación de OperacionesPostgrado de Investigación de OperacionesPostgrado de Investigación de Operaciones
Prof. Gonzalo Müller [email protected]
Facultad de IngenieríaUniversidad Central de Venezuela
Clase AnteriorClase Anterior
� Programación Convexa.
� Conjuntos convexos:
x = α x1 + (1 – α) x2, ∀α∈ [0, 1], x ∈ S
� Combinación convexa → Combinación lineal no negativa → Combinación lineal.
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 2
negativa → Combinación lineal.
� Combinación convexa:
x = α1 x1 + α2 x2 + … + αm xm, αk ≥ 0, Σ αk = 1
� Punto Interior, Punto Exterior, Frontera, Conjunto Abierto, Conjunto Cerrado.
Clase AnteriorClase Anterior
� Clausura, Conjunto Acotado, Conjunto Compacto.
� Capsula Convexa: Politope y Simplex.
� Teorema de Carathéodory.
� Conjuntos convexos separados.
�
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 3
� Hiperplano.
� Semiespacios.
� Hiperplano separador.
Clase AnteriorClase Anterior
� Tipos de separación: apropiada, estricta y fuerte.
� Separación fuerte → Separación estricta → Separación apropiada.
� Separación entre un conjunto convexo y un punto.
� Hiperplano soporte: Hiperplano propio.
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 4
� Hiperplano soporte: Hiperplano propio.
� Soporte en la frontera de un conjunto convexo.
� Cota Superior, Cota inferior, Supremo, Ínfimo, Máximo, Mínimo.
Existencia de un mínimoExistencia de un mínimo
� Mínimo de una función f:
Sea S ⊂ En, x* es la solución del problema O(f, S) si:
f(x*) ≤ f(x)
∀x∈S ^ x*∈S
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 5
∀x∈S ^ x*∈S
Existencia de un mínimoExistencia de un mínimo
{{{{ }}}}
{{{{ }}}}
f : (a,b] R
f(b) inf f(x) : x (a,b]
y
b min f(x) : x (a,b]
→→→→
= ∈= ∈= ∈= ∈
= ∈= ∈= ∈= ∈
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 6
{{{{ }}}}
f : (a,b) R
f(b) inf f(x) : x (a,b)
y
b no es el mínimo pues b (a,b)
→→→→
= ∈= ∈= ∈= ∈
∉∉∉∉
Existencia de un mínimoExistencia de un mínimo
{{{{ }}}}
f : (a,b] R
inf f(x) : x (a,b]
y
f(b)
luego el mínimo no existe
→→→→
α = ∈α = ∈α = ∈α = ∈
α ≠α ≠α ≠α ≠
αααα
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 7
x
f : (a, ) R
lím f(x)
y no existe mínimo
→∞→∞→∞→∞
∞ →∞ →∞ →∞ →
= −∞= −∞= −∞= −∞
luego el mínimo no existe
Existencia de un mínimoExistencia de un mínimo
� Teorema de Weierstrass (Condición de suficiencia para la existencia de un mínimo):
Si S ⊂ En, S ≠ ∅ y S es compacto toda funcióncontinua f: S → E tiene mínimo.
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 8
Esto es, el problema
min f(x)
s.a: → Tiene solución
x ∈ S
Funciones ConvexasFunciones Convexas
�� FunciónFunción ConvexaConvexa: Una función f en E1 es convexasobre un conjunto convexo S ⊆ En si para dos puntoscualquiera x1, x2∈S:
f(αx1 + [1 – α]x2) ≤ αf(x1) + [1 – α]f(x2)
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 9
f(αx1 + [1 – α]x2) ≤ αf(x1) + [1 – α]f(x2)
α∈[0, 1]
Una función convexa sobre S siempre es continua en su interior
Funciones ConvexasFunciones Convexas
f(αx1 + [1 – α]x2) ≤ αf(x1) + [1 – α]f(x2)
αf(x1) + [1 – α]f(x2)
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 10
f(αx1 + [1 – α]x2)
f(x2)
f(x1)
x1 x2
Funciones ConvexasFunciones Convexas
f(αx1 + [1 – α]x2) ≤ αf(x1) + [1 – α]f(x2)
αf(x1) + [1 – α]f(x2)
S Conjunto convexo
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 11
f(αx1 + [1 – α]x2)
f(x2)
f(x1)
x1 x2
S Conjunto convexo
Funciones ConvexasFunciones Convexas
f(αx1 + [1 – α]x2) ≤ αf(x1) + [1 – α]f(x2)
αf(x1) + [1 – α]f(x2)
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 12
f(αx1 + [1 – α]x2)
f(x2)
f(x1)
x1 x2
Funciones ConvexasFunciones Convexas
f(αx1 + [1 – α]x2) ≤ αf(x1) + [1 – α]f(x2)
αf(x1) + [1 – α]f(x2)
S Conjunto no convexo
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 13
f(αx1 + [1 – α]x2)
f(x2)
f(x1)
x1 x2
S Conjunto no convexo
Funciones ConvexasFunciones Convexas
f(αx1 + [1 – α]x2) ≤ αf(x1) + [1 – α]f(x2)
αf(x1) + [1 – α]f(x2)
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 14
f(αx1 + [1 – α]x2)
f(x2)
f(x1)
x1 x2
Funciones ConvexasFunciones Convexas
f(αx1 + [1 – α]x2) ≤ αf(x1) + [1 – α]f(x2)
αf(x1) + [1 – α]f(x2)
S Conjunto convexo
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 15
f(αx1 + [1 – α]x2)
f(x2)
f(x1)
x1 x2
S Conjunto convexo
Funciones ConvexasFunciones Convexas
�� FunciónFunción EstrictamenteEstrictamente ConvexaConvexa: Una función f en E1
es estrictamente convexa sobre un conjunto convexoS ⊆ En si para dos puntos cualquiera x1, x2∈S:
f(αx1 + [1 – α]x2) < αf(x1) + [1 – α]f(x2)
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 16
f(αx1 + [1 – α]x2) < αf(x1) + [1 – α]f(x2)
α∈(0, 1)
Funciones ConvexasFunciones Convexas
f(αx1 + [1 – α]x2) < αf(x1) + [1 – α]f(x2)
αf(x1) + [1 – α]f(x2)
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 17
f(αx1 + [1 – α]x2)
f(x2)
f(x1)
x1 x2
Una función estrictamente convexa no admite segmentos rectos
Funciones ConvexasFunciones Convexas
Ejemplo 5.1: Demostrar que la siguiente función es convexa sobre R:
f(x) = x2 – 1
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 18
Funciones ConvexasFunciones Convexas
Ejemplo 5.1: Demostrar que la siguiente función es convexa sobre R:
f(x) = x2 – 1
Sean dos puntos x1, x2∈R:
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 19
Sean dos puntos x1, x2∈R:
x1 = x1, x2 = x2
Funciones ConvexasFunciones Convexas
Ejemplo 5.1: Demostrar que la siguiente función es convexa sobre R:
f(x) = x2 – 1
Sean dos puntos x1, x2∈R:
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 20
Sean dos puntos x1, x2∈R:
x1 = x1, x2 = x2Si f(x) es convexa entonces:
f(αx1 + [1 – α]x2) ≤ αf(x1) + [1 – α]f(x2)
Funciones ConvexasFunciones Convexas
αf(x1) + [1 – α]f(x2):
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 21
Funciones ConvexasFunciones Convexas
αf(x1) + [1 – α]f(x2):
αf(x1) + [1 – α]f(x2) = α(x12 – 1)+[1 – α](x22 – 1)
αf(x1) + [1 – α]f(x2) = αx12 – α + x22 – αx22 – 1 + α
αf(x1) + [1 – α]f(x2) = αx12 + x22 – αx22 – 1
αf(x ) + [1 – α]f(x ) = α[x 2 – x 2] + x 2 – 1
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 22
αf(x1) + [1 – α]f(x2) = α[x12 – x22] + x22 – 1
Funciones ConvexasFunciones Convexas
αf(x1) + [1 – α]f(x2):
αf(x1) + [1 – α]f(x2) = α(x12 – 1)+[1 – α](x22 – 1)
αf(x1) + [1 – α]f(x2) = αx12 – α + x22 – αx22 – 1 + α
αf(x1) + [1 – α]f(x2) = αx12 + x22 – αx22 – 1
αf(x ) + [1 – α]f(x ) = α[x 2 – x 2] + x 2 – 1
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 23
αf(x1) + [1 – α]f(x2) = α[x12 – x22] + x22 – 1
f(αx1 + [1 – α]x2):
Funciones ConvexasFunciones Convexas
αf(x1) + [1 – α]f(x2):
αf(x1) + [1 – α]f(x2) = α(x12 – 1)+[1 – α](x22 – 1)
αf(x1) + [1 – α]f(x2) = αx12 – α + x22 – αx22 – 1 + α
αf(x1) + [1 – α]f(x2) = αx12 + x22 – αx22 – 1
αf(x ) + [1 – α]f(x ) = α[x 2 – x 2] + x 2 – 1
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 24
αf(x1) + [1 – α]f(x2) = α[x12 – x22] + x22 – 1
f(αx1 + [1 – α]x2):
f(αx1+[1 – α]x2) = (αx1 + [1 – α]x2)2 – 1
f(αx1+[1 – α]x2) = α2x12+2α[1 – α]x1x2+[1 – α]2x22–1
f(αx1+[1 – α]x2) = α2x12+[2α–2α2]x1x2+[1–2α+α2]x22–1
Funciones ConvexasFunciones Convexas
f(αx1+[1 – α]x2) = α2x12+2αx1x2–2α2x1x2+x22–2αx22 + α2x22– 1
f(αx1+[1 – α]x2) = α[2x1x2–2x22]+α2[x12 –2x1x2 + x22]+x22 – 1
f(αx1+[1 – α]x2) = α[2x1x2–2x22]+ α2(x1 –x2)2+ x22 – 1
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 25
f(αx1+[1 – α]x2) = α[2x1x2–2x22]+ α2(x1 –x2)2+ x22 – 1
f(αx1+[1 – α]x2) = – α[–2x1x2+x22]+ α2(x1 –x2)2+ x22 –1 + αx12 – αx12 – αx22
f(αx1+[1 – α]x2) = – α[x12–2x1x2+x22]+ α2(x1 –x2)2+ x22
– 1 + α[x12 –x22]
Funciones ConvexasFunciones Convexas
f(αx1+[1 – α]x2) = – α (x1 –x2)2 + α2(x1 –x2)2+ x22 – 1 + α[x12 –x22]
f(αx1+[1 – α]x2)=(α2 – α)(x1 –x2)2+α[x12 –x22]+x22 –1
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 26
Funciones ConvexasFunciones Convexas
f(αx1+[1 – α]x2) = – α (x1 –x2)2 + α2(x1 –x2)2+ x22 – 1 + α[x12 –x22]
f(αx1+[1 – α]x2)=(α2 – α)(x1 –x2)2+α[x12 –x22]+x22 –1
f(αx + [1 – α]x ) ≤ αf(x ) + [1 – α]f(x ):
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 27
f(αx1 + [1 – α]x2) ≤ αf(x1) + [1 – α]f(x2):
Funciones ConvexasFunciones Convexas
f(αx1+[1 – α]x2) = – α (x1 –x2)2 + α2(x1 –x2)2+ x22 – 1 + α[x12 –x22]
f(αx1+[1 – α]x2)=(α2 – α)(x1 –x2)2+α[x12 –x22]+x22 –1
f(αx + [1 – α]x ) ≤ αf(x ) + [1 – α]f(x ):
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 28
f(αx1 + [1 – α]x2) ≤ αf(x1) + [1 – α]f(x2):
(α2 – α)(x1 –x2)2+α[x12 –x22]+x22 –1≤ α[x12 – x22] + x22 – 1
(α2 – α)(x1 –x2)2 ≤ 0
Funciones ConvexasFunciones Convexas
f(αx1+[1 – α]x2) = – α (x1 –x2)2 + α2(x1 –x2)2+ x22 – 1 + α[x12 –x22]
f(αx1+[1 – α]x2)=(α2 – α)(x1 –x2)2+α[x12 –x22]+x22 –1
f(αx + [1 – α]x ) ≤ αf(x ) + [1 – α]f(x ):
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 29
f(αx1 + [1 – α]x2) ≤ αf(x1) + [1 – α]f(x2):
(α2 – α)(x1 –x2)2+α[x12 –x22]+x22 –1≤ α[x12 – x22] + x22 – 1
(α2 – α)(x1 –x2)2 ≤ 0 → f(x) = x2 – 1 es convexa
Funciones ConvexasFunciones Convexas
�� FunciónFunción CóncavaCóncava: Una función f en E1 es cóncavasobre un conjunto convexo S ⊆ En si para dos puntoscualquiera x1, x2∈S:
f(αx1 + [1 – α]x2) ≥ αf(x1) + [1 – α]f(x2)
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 30
f(αx1 + [1 – α]x2) ≥ αf(x1) + [1 – α]f(x2)
α∈[0, 1]
Funciones ConvexasFunciones Convexas
f(αx1 + [1 – α]x2) ≥ αf(x1) + [1 – α]f(x2)
f(αx1 + [1 – α]x2)
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 31
αf(x1) + [1 – α]f(x2)
f(x2)
f(x1)
x1 x2
Si f(x) es convexa entonces –f(x) es cóncava, y viceversa
Funciones ConvexasFunciones Convexas
�� FunciónFunción EstrictamenteEstrictamente CóncavaCóncava: Una función f en E1
es estrictamente cóncava sobre un conjunto convexoS ⊆ En si para dos puntos cualquiera x1, x2∈S:
f(αx1 + [1 – α]x2) > αf(x1) + [1 – α]f(x2)
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 32
f(αx1 + [1 – α]x2) > αf(x1) + [1 – α]f(x2)
α∈[0, 1]
Funciones ConvexasFunciones Convexas
f(αx1 + [1 – α]x2) > αf(x1) + [1 – α]f(x2)
f(αx1 + [1 – α]x2)
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 33
αf(x1) + [1 – α]f(x2)
f(x2)
f(x1)
x1 x2
Una función estrictamente cóncava no admite segmentos rectos
Funciones ConvexasFunciones Convexas
� Es Convexa ?
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 34
Funciones ConvexasFunciones Convexas
� Es Cóncava ?
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 35
Funciones ConvexasFunciones Convexas
No es ni cóncava ni convexa sobre el conjunto convexo S en estudio.
f(αx1 + [1 – α]x2)
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 36
αf(x1) + [1 – α]f(x2)
f(x2)
f(x1)
x1 x2
S
Funciones ConvexasFunciones Convexas
�� FunciónFunción ConvexaConvexa: Una función f en E1 es convexasobre un conjunto convexo S ⊆ En si para n puntoscualquiera:
f(α1x1+α2x2+··· +αnxn) ≤ α1f(x1)+α2f(x2)+··· +αnf(xn)
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 37
f(α1x1+α2x2+··· +αnxn) ≤ α1f(x1)+α2f(x2)+··· +αnf(xn)
x1, x2,…, xn∈S
α1+α2+··· +αn = 1
Funciones ConvexasFunciones Convexas
� Propiedades de un función convexa:
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 38
Funciones ConvexasFunciones Convexas
� Propiedades de un función convexa:
� Si una función f es convexa y k ≥ 0 entonces kf esconvexa.
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 39
Funciones ConvexasFunciones Convexas
� Propiedades de un función convexa:
� Si una función f es convexa y k ≥ 0 entonces kf esconvexa.
� La suma de dos funciones convexas (cóncavas) esuna función convexa (cóncava).
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 40
una función convexa (cóncava).
Funciones ConvexasFunciones Convexas
� Propiedades de un función convexa:
� Si una función f es convexa y k ≥ 0 entonces kf esconvexa.
� La suma de dos funciones convexas (cóncavas) esuna función convexa (cóncava).
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 41
una función convexa (cóncava).
� Corolario:
� La combinación lineal no negativa de funcionesconvexas es una función convexa.
Funciones ConvexasFunciones Convexas
Ejemplo 5.2: Demostrar que la siguiente función es convexa sobre R:
f(x) = 2x2 + x – 2
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 42
Funciones ConvexasFunciones Convexas
Ejemplo 5.2: Demostrar que la siguiente función es convexa sobre R:
f(x) = 2x2 + x – 2
f(x) = f (x) + f (x)
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 43
f(x) = f1(x) + f2(x)
si f1(x) y f2(x) son convexas entonces f(x) es convexa:
f1(x) = 2x2 – 2
f2(x) = x
Funciones ConvexasFunciones Convexas
f1(x) = 2x2 – 2 = 2 f3(x)
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 44
Funciones ConvexasFunciones Convexas
f1(x) = 2x2 – 2 = 2 f3(x)
si f3(x) es convexa entonces 2 f3(x) es convexa
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 45
Funciones ConvexasFunciones Convexas
f1(x) = 2x2 – 2 = 2 f3(x)
si f3(x) es convexa entonces 2 f3(x) es convexa
f3(x) = x2 – 1 es convexa → f1(x) es convexa
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 46
Funciones ConvexasFunciones Convexas
f1(x) = 2x2 – 2 = 2 f3(x)
si f3(x) es convexa entonces 2 f3(x) es convexa
f3(x) = x2 – 1 es convexa → f1(x) es convexa
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 47
f2(x) = x es convexa si dados dos puntos x1, x2 se satisface:
f(αx1 + [1 – α]x2) ≤ αf(x1) + [1 – α]f(x2)
Funciones ConvexasFunciones Convexas
f(αx1 + [1 – α]x2) = αx1 + [1 – α]x2αf(x1) + [1 – α]f(x2) = αx1 + [1 – α]x2
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 48
Funciones ConvexasFunciones Convexas
f(αx1 + [1 – α]x2) = αx1 + [1 – α]x2αf(x1) + [1 – α]f(x2) = αx1 + [1 – α]x2
↓
f(αx1 + [1 – α]x2) ≤ αf(x1) + [1 – α]f(x2)
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 49
Se satisface
Funciones ConvexasFunciones Convexas
f(αx1 + [1 – α]x2) = αx1 + [1 – α]x2αf(x1) + [1 – α]f(x2) = αx1 + [1 – α]x2
↓
f(αx1 + [1 – α]x2) ≤ αf(x1) + [1 – α]f(x2)
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 50
Se satisface
↓
f1(x) y f2(x) es convexa
↓
f(x) es convexa
Funciones ConvexasFunciones Convexas
� Propiedades de una función convexa:
� Una función convexa puede ser discontinua y estasdiscontinuidades solo pueden ocurrir en losextremos del dominio efectivo.
� El dominio efectivo ED:
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 51
� El dominio efectivo ED:
ED(f) = {x | x∈En, f(x) < +∞}
Funciones ConvexasFunciones Convexas
� Si f es una función convexa sobre un conjuntoconvexo S ⊂ En,
Entonces, el conjuntoW = {x | x ∈ S, f(x) ≤ c}
∀c ∈ E
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 52
Función convexa
f(x)
Funciones ConvexasFunciones Convexas
� Si f es una función convexa sobre un conjuntoconvexo S ⊂ En,
Entonces, el conjuntoW = {x | x ∈ S, f(x) ≤ c}
∀c ∈ E
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 53
c
W
Conjunto convexoFunción convexa
f(x)
Funciones ConvexasFunciones Convexas
� Todo mínimo local de una función convexa f sobreEn es un mínimo global de f sobre En.
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 54
Funciones ConvexasFunciones Convexas
� Todo mínimo local de una función convexa f sobreEn es un mínimo global de f sobre En.
� Si f es una función convexa sobre En y S ⊂ En es unconjunto convexo, entonces todo mínimo local de fen x*∈ S es un mínimo global sobre todo S.
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 55
en x ∈ S es un mínimo global sobre todo S.
Funciones ConvexasFunciones Convexas
� Todo mínimo local de una función convexa f sobreEn es un mínimo global de f sobre En.
� Si f es una función convexa sobre En y S ⊂ En es unconjunto convexo, entonces todo mínimo local de fen x*∈ S es un mínimo global sobre todo S.
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 56
en x ∈ S es un mínimo global sobre todo S.
� Si f es una función estrictamente convexa sobre En
y S ⊂ En es un conjunto convexo, entonces elmínimo local de f en x*∈ S es el único mínimoglobal sobre todo S.
Optimización de Funciones ConvexasOptimización de Funciones Convexas
Ejemplo 5.3: Determinar el óptimo de la siguiente función:
f(x) = x2 – 1
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 57
Optimización de Funciones ConvexasOptimización de Funciones Convexas
Ejemplo 5.3: Determinar el óptimo de la siguiente función:
f(x) = x2 – 1
Condición suficiente para un mínimo local estricto de
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 58
Condición suficiente para un mínimo local estricto de O(f):
∇f(x*) = 0 ^ zT∇2f(x*)z > 0
∀∀∀∀ z ≠ 0, z∈En
Optimización de Funciones ConvexasOptimización de Funciones Convexas
∇f(x) = 2x = 0
↓
x = 0
Dado z = z:
∇2f(x) = 2
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 59
∇2f(x) = 2
zT∇2f(x*)z = 2 · z2
2 · z2 > 0 ∀∀∀∀ z, z ≠ 0
Optimización de Funciones ConvexasOptimización de Funciones Convexas
∇f(x) = 2x = 0
↓
x = 0
Dado z = z:
∇2f(x) = 2
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 60
∇2f(x) = 2
zT∇2f(x*)z = 2 · z2
2 · z2 > 0 ∀∀∀∀ z, z ≠ 0→ Mínimo Local Estricto
Optimización de Funciones ConvexasOptimización de Funciones Convexas
∇f(x) = 2x = 0
↓
x = 0
Dado z = z:
∇2f(x) = 2
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 61
∇2f(x) = 2
zT∇2f(x*)z = 2 · z2
2 · z2 > 0 ∀∀∀∀ z, z ≠ 0→ Mínimo Local Estricto
f(x) es convexa → Mínimo GLOBAL Estricto
Optimización de Funciones ConvexasOptimización de Funciones Convexas
∇f(x) = 2x = 0
↓
x = 0
Dado z = z:
∇2f(x) = 2
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 62
∇2f(x) = 2
zT∇2f(x*)z = 2 · z2
2 · z2 > 0 ∀∀∀∀ z, z ≠ 0→ Mínimo Local Estricto
f(x) es convexa → Mínimo GLOBAL Estricto
f(x) es estrictamente convexa → Único Mínimo GLOBAL
Optimización de Funciones ConvexasOptimización de Funciones Convexas
� Problema de optimización convexa:
Dada una función f convexa:
f: En → E1
Dado un conjunto S definido por:
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 63
S: gk ≥ 0, hj = 0
gk: funciones cóncavas
hj: funciones lineales
� S constituye un conjunto convexo cerrado.
Optimización de Funciones ConvexasOptimización de Funciones Convexas
El Problema de Optimización Convexa OC(f, S) consiste en encontrar x* ∈ S tal que:
f(x*) ≤ f(y)
∀ y ∈ S
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 64
∀ y ∈ S
por si solas hj son funciones no lineales convexas y/o
concavas, pero no constituyen un conjunto convexo
Optimización de Funciones ConvexasOptimización de Funciones Convexas
� Teorema de Kuhn-Tucker (Condición Necesaria)
Dadas f, gk y hj funciones diferenciables continuasconvexa, cóncavas y lineales en S, respectivamente.
Si existen un x* que satisfaga:
gk ≥ 0, hj = 0
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 65
gk ≥ 0, hj = 0
y existen vectores λ* y µ* tales que:
∇x, λL (x*, λ*, µ*) = 0
µk* gk(x*) = 0 k=1,…,m
µ* ≥ 0
Entonces, x* es un óptimo global de OC(f, S)
Optimización de Funciones ConvexasOptimización de Funciones Convexas
� Condición de Slater
Un problema de optimización O(f, S) es fuertemente consistente si existe un punto x0 tal que:
gk(x0) > 0 k=1,…, m
h (x0) = 0 j=1,…, p
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 66
hj(x0) = 0 j=1,…, p
Optimización de Funciones ConvexasOptimización de Funciones Convexas
� Teorema de Kuhn-Tucker
(Condición Necesaria y Suficiente)
Dado un problema OC(f, S) fuertemente consistente y f,gk y hj funciones diferenciables continuas convexa,cóncavas y lineales en S, respectivamente, y hj linealmenteindependientes.
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 67
independientes.
Si x* es un óptimo de OC(f, S). Entonces, existen vectores λ* y µ* tales que:
∇x, λL (x*, λ*, µ*) = 0
µk* gk(x*) = 0 k=1,…,m
µ* ≥ 0
Optimización de Funciones ConvexasOptimización de Funciones Convexas
Ejemplo 5.4: Determinar la solución del siguiente problema:
min x12 + x22 – 1
s. a:
(x – 4)2+ x 2 ≤ 18
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 68
(x1 – 4)2+ x22 ≤ 18
x1 + x2 = 4
Optimización de Funciones ConvexasOptimización de Funciones Convexas
Ejemplo 5.4: Determinar la solución del siguiente problema:
min x12 + x22 – 1
s. a:
(x – 4)2+ x 2 ≤ 18
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 69
(x1 – 4)2+ x22 ≤ 18
x1 + x2 = 4
Convexa
Optimización de Funciones ConvexasOptimización de Funciones Convexas
Ejemplo 5.4: Determinar la solución del siguiente problema:
min x12 + x22 – 1
s. a:
– (x – 4)2 – x 2 ≥ – 18
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 70
– (x1 – 4)2 – x22 ≥ – 18
x1 + x2 = 4
Cóncava
Optimización de Funciones ConvexasOptimización de Funciones Convexas
Las funciones pertinentes:
f(x) = x12 + x22 – 1
g1(x) = 18 – (x1 – 4)2 – x22
h1(x) = x1 + x2 – 4
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 71
Construir el Langrangeano:
L(x, λ, µ) = x12 + x22 – 1 – µ1(18 – (x1 – 4)2 – x22) – λ1(x1 + x2 – 4)
Optimización de Funciones ConvexasOptimización de Funciones Convexas
Encontrar el punto estacionario:
∇x, λL(x, λ, µ) = 2x1 + 2µ1(x1 – 4) – λ12x2 + 2µ1x2 – λ1x1 + x2 – 4
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 72
↓
2x1 + 2µ1(x1 – 4) – λ1 = 0
2x2 + 2µ1x2 – λ1 = 0
x1 + x2 – 4 = 0
µ1(18 – (x1 – 4)2 – x2 2) = 0
Optimización de Funciones ConvexasOptimización de Funciones Convexas
µ1(18 – (x1 – 4)2 – x2 2) = 0:
µ1 = 0
ó
18 – (x1 – 4)2 – x2 2 = 0
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 73
µ1 = 0:
2x1 – λ1 = 0 → λ1 = 2x12x2 – λ1 = 0 → λ1 = 2x2x1 = x2
Optimización de Funciones ConvexasOptimización de Funciones Convexas
x1 + x1 = 4
2x1 = 4
x1 = 2 x2 = 2 λ1 = 4 µ1 = 0
↓
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 74
Se satisfacen las condiciones de Kuhn-Tucker
↓
Es un óptimo → Es un mínimo local → Es un mínimo global
Optimización de Funciones ConvexasOptimización de Funciones Convexas
18 – (x1 – 4)2 – x2 2 = 0:
x2 2 = 18 – (x1 – 4)2
Además debe satisfacer:
x1 + x2 = 4
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 75
↓
x1 = 4 – x2x2 2 = 18 – (4 – x2 – 4)2
x2 2 = 18 – x22
Optimización de Funciones ConvexasOptimización de Funciones Convexas
2x2 2 = 18
x2 = ±3
x2 = +3:
x1 = 4 – x2 = 4 – 3= 1
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 76
El nuevo sistema será:
2(1) + 2µ1(1 – 4) – λ1 = 0
2(3) + 2µ13 – λ1 = 0
2 – 6µ1 – λ1 = 0
6 + 6µ1 – λ1 = 0
Optimización de Funciones ConvexasOptimización de Funciones Convexas
λ1 = 2 – 6µ1
6 + 6µ1 – (2 – 6µ1) = 0
6 + 6µ1 – 2 + 6µ1 = 0
4 + 12µ1 = 0
µ = – 1/3 < 0
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 77
µ1 = – 1/3 < 0
↓
No Satisfacen las condiciones de Kuhn-Tucker
↓
No es un óptimo
Optimización de Funciones ConvexasOptimización de Funciones Convexas
x2 = –3:
x1 = 4 – x2 = 4 + 3= 7
El nuevo sistema será:
2(7) + 2µ1(7 – 4) – λ1 = 0
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 78
–2(3) – 2µ13 – λ1 = 0
14 + 6µ1 – λ1 = 0
– 6 – 6µ1 – λ1 = 0
Optimización de Funciones ConvexasOptimización de Funciones Convexas
λ1 = 14 + 6µ1
– 6 – 6µ1 – (14 + 6µ1) = 0
– 6 – 6µ1 – 14 – 6µ1 = 0
– 20 – 12µ1 = 0
µ = – 5/3 < 0
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 79
µ1 = – 5/3 < 0
↓
No Satisfacen las condiciones de Kuhn-Tucker
↓
No es un óptimo
Recuerde que si la función es
estrictamente convexa solo un
punto debería satisfacer las
condiciones de Kuhn-Tucker
Funciones Convexas DiferenciablesFunciones Convexas Diferenciables
�� FunciónFunción ConvexaConvexa: Una función f en E1 diferenciablesobre un conjunto convexo S ⊆ En es convexa si parados puntos cualquiera x1, x2∈S se satisface:
f(x2) ≥ f(x1) + (x2 – x1)T∇f(x1)
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 80
f(x2) ≥ f(x1) + (x2 – x1)T∇f(x1)
f(x2)
Funciones Convexas DiferenciablesFunciones Convexas Diferenciables
�� FunciónFunción ConvexaConvexa: Una función f en E1 diferenciablesobre un conjunto convexo S ⊆ En es convexa si parados puntos cualquiera x1, x2∈S se satisface:
f(x2) ≥ f(x1) + (x2 – x1)T∇f(x1)
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 81
f(x2) ≥ f(x1) + (x2 – x1)T∇f(x1)
f(x2)
f(x1) + (x2 – x1)T∇f(x1)
Funciones Convexas DiferenciablesFunciones Convexas Diferenciables
�� FunciónFunción ConvexaConvexa: Una función f en E1 diferenciablesobre un conjunto convexo S ⊆ En es convexa si parados puntos cualquiera x1, x2∈S se satisface:
f(x2) ≥ f(x1) + (x2 – x1)T∇f(x1)
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 82
f(x2) ≥ f(x1) + (x2 – x1)T∇f(x1)
f(x2)
f(x1) + (x2 – x1)T∇f(x1)
f(x2) ≥ f(x1) + (x2 – x1)T∇f(x1)
Funciones Convexas DiferenciablesFunciones Convexas Diferenciables
�� FunciónFunción EstrictamenteEstrictamente ConvexaConvexa: Una función f en E1
diferenciable sobre un conjunto convexo S ⊆ En esestrictamente convexa si para dos puntos cualquierax1, x2∈S se satisface:
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 83
f(x2) > f(x1) + (x2 – x1)T∇f(x1)
Funciones Convexas DiferenciablesFunciones Convexas Diferenciables
Ejemplo 5.5: Demostrar que la siguiente función diferenciable es convexa:
f(x) = x2 – 1
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 84
Funciones Convexas DiferenciablesFunciones Convexas Diferenciables
Ejemplo 5.5: Demostrar que la siguiente función diferenciable es convexa:
f(x) = x2 – 1
Sean dos puntos x1, x2∈R:
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 85
Sean dos puntos x1, x2∈R:
x1 = x1, x2 = x2
Funciones Convexas DiferenciablesFunciones Convexas Diferenciables
Ejemplo 5.5: Demostrar que la siguiente función diferenciable es convexa:
f(x) = x2 – 1
Sean dos puntos x1, x2∈R:
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 86
Sean dos puntos x1, x2∈R:
x1 = x1, x2 = x2Si f(x) es convexa entonces:
f(x2) ≥ f(x1) + (x2 – x1)T∇f(x1)
Funciones Convexas DiferenciablesFunciones Convexas Diferenciables
f(x) = x2 – 1, ∇f(x) = 2x
x22 – 1 ≥ x12 – 1 + (x2 – x1)T 2x1x22 ≥ x12 + (x2 – x1) 2x1x22 ≥ x12 + 2x1x2 – 2x12
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 87
x22 ≥ 2x1x2 – x12
x22 – 2x1x2 + x12 ≥ 0
(x2 – x1)2 ≥ 0
↓
f(x) = x2 – 1 es convexa
Funciones Convexas DiferenciablesFunciones Convexas Diferenciables
�� FunciónFunción ConcavaConcava: Una función f en E1 diferenciablesobre un conjunto convexo S ⊆ En es concava si parados puntos cualquiera x1, x2∈S se satisface:
f(x2) ≤ f(x1) + (x2 – x1)T∇f(x1)
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 88
f(x2) ≤ f(x1) + (x2 – x1)T∇f(x1)
Funciones Convexas DiferenciablesFunciones Convexas Diferenciables
�� FunciónFunción EstrictamenteEstrictamente ConcavaConcava: Una función f en E1
diferenciable sobre un conjunto convexo S ⊆ En esestrictamente concava si para dos puntos cualquierax1, x2∈S se satisface:
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 89
f(x2) < f(x1) + (x2 – x1)T∇f(x1)
Funciones Convexas DiferenciablesFunciones Convexas Diferenciables
�� FunciónFunción ConvexaConvexa: Una función f en E1 diferenciablesobre un conjunto convexo S ⊆ En es convexa sobreéste si para dos puntos cualquiera x1, x2∈S se satisface:
(x2 – x1)T [∇f(x2) – ∇f(x1)] ≥ 0
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 90
(x2 – x1)T [∇f(x2) – ∇f(x1)] ≥ 0
Funciones Convexas DiferenciablesFunciones Convexas Diferenciables
�� FunciónFunción EstrictamenteEstrictamente ConvexaConvexa: Una función f en E1
diferenciable sobre un conjunto convexo S en En esestrictamente convexa sobre éste si para dos puntoscualquiera x1, x2∈S se satisface:
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 91
(x2 – x1)T [∇f(x2) – ∇f(x1)] > 0
Funciones Convexas DiferenciablesFunciones Convexas Diferenciables
Ejemplo 5.6: Demostrar que la siguiente función diferenciable es convexa:
f(x) = x2 – 1
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 92
Funciones Convexas DiferenciablesFunciones Convexas Diferenciables
Ejemplo 5.6: Demostrar que la siguiente función diferenciable es convexa:
f(x) = x2 – 1
Sean dos puntos x1, x2∈R:
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 93
Sean dos puntos x1, x2∈R:
x1 = x1, x2 = x2
Funciones Convexas DiferenciablesFunciones Convexas Diferenciables
Ejemplo 5.6: Demostrar que la siguiente función diferenciable es convexa:
f(x) = x2 – 1
Sean dos puntos x1, x2∈R:
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 94
Sean dos puntos x1, x2∈R:
x1 = x1, x2 = x2Si f(x) es convexa entonces:
(x1 – x2)T [∇f(x1) – ∇f(x2)] ≥ 0
Funciones Convexas DiferenciablesFunciones Convexas Diferenciables
f(x) = x2 – 1, ∇f(x) = 2x
(x1 – x2)T [2x1 – 2x2] ≥ 0
(x1 – x2) [2x1 – 2x2] ≥ 0
2(x1 – x2)(x1 – x2) ≥ 0
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 95
2(x1 – x2)2 ≥ 0
↓
f(x) = x2 – 1 es convexa
Funciones Convexas DiferenciablesFunciones Convexas Diferenciables
�� FunciónFunción ConvexaConvexa: Una función f en E1 diferenciablesobre un conjunto convexo S ⊆ En es convexa sobreéste si para dos puntos cualquiera x1, x2∈S se satisface:
(x2 – x1)T [∇f(x2) – ∇f(x1)] ≥ 0
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 96
(x2 – x1)T [∇f(x2) – ∇f(x1)] ≥ 0
Funciones Convexas DiferenciablesFunciones Convexas Diferenciables
�� FunciónFunción EstrictamenteEstrictamente ConvexaConvexa: Una función f en E1
diferenciable sobre un conjunto convexo S en En esestrictamente convexa sobre éste si para dos puntoscualquiera x1, x2∈S se satisface:
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 97
(x2 – x1)T [∇f(x2) – ∇f(x1)] > 0
Funciones Convexas DiferenciablesFunciones Convexas Diferenciables
�� FunciónFunción ConvexaConvexa: Una función f en E1 doblementediferenciable sobre un conjunto convexo abierto S ⊂
En es convexa sobre éste si su hessiano es semi-definido positivo:
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 98
z T· ∇2f(x)· z ≥ 0
∀∀∀∀ z ∈ En
∀∀∀∀ x ∈ S
Funciones Convexas DiferenciablesFunciones Convexas Diferenciables
�� FunciónFunción CóncavaCóncava: Una función f en E1 doblementediferenciable sobre un conjunto convexo abierto S ⊂
En es cóncava sobre éste si su hessiano es semi-definido negativo:
z T· ∇2f(x)· z ≤ 0
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 99
z · ∇ f(x)· z ≤ 0
∀∀∀∀ z ∈ En
∀∀∀∀ x ∈ S
Las condiciones de 2º Orden no
son aplicables a las estrictamente
Funciones Convexas DiferenciablesFunciones Convexas Diferenciables
Ejemplo 5.7: Demostrar que la siguiente función diferenciable es convexa:
f(x) = x2 – 1
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 100
Funciones Convexas DiferenciablesFunciones Convexas Diferenciables
Ejemplo 5.7: Demostrar que la siguiente función diferenciable es convexa:
f(x) = x2 – 1
Dado z = z:
Si f(x) es convexa entonces:
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 101
Si f(x) es convexa entonces:
z T· ∇2f(x)· z ≥ 0
Funciones Convexas DiferenciablesFunciones Convexas Diferenciables
Ejemplo 5.7: Demostrar que la siguiente función diferenciable es convexa:
f(x) = x2 – 1
Dado z = z:
Si f(x) es convexa entonces:
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 102
Si f(x) es convexa entonces:
z T· ∇2f(x)· z ≥ 0
∇f(x) = 2x, ∇2f(x) = 2
z · 2· z ≥ 0
z2 · 2 ≥ 0 → f(x) es convexa
Optimización de Funciones Convexas D.Optimización de Funciones Convexas D.
�� Minimizando una función diferenciable convexa Minimizando una función diferenciable convexa (Condición Necesaria y Suficiente)
Sea el siguiente problema de O(f, S) de una función f diferenciable convexa sobre un conjunto convexo S:
� Si x* es una solución óptima.
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 103
� Si x* es una solución óptima.
Entonces ∇f(x*)T(x – x*) ≥ 0 para todos los x∈S
� Si S es un conjunto abierto.
Entonces ∇f(x*) = 0
No es necesario verificar
condiciones de 2º Orden
Convexidad GeneralizadaConvexidad Generalizada
�� FunciónFunción CuasiconvexaCuasiconvexa: Una función f en E1 escuasiconvexa sobre un conjunto convexo S en En sipara dos puntos cualquiera x1, x2∈ S:
f(αx1 + [1 – α]x2) ≤ max{f(x1),f(x2)}
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 104
f(αx1 + [1 – α]x2) ≤ max{f(x1),f(x2)}
α ∈[0, 1]
Convexidad GeneralizadaConvexidad Generalizada
�� FunciónFunción CuasiconvexaCuasiconvexa: Una función f en E1 escuasiconvexa sobre un conjunto convexo S en En sipara dos puntos cualquiera x1, x2∈ S:
f(αx1 + [1 – α]x2) ≤ max{f(x1),f(x2)}
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 105
f(αx1 + [1 – α]x2) ≤ max{f(x1),f(x2)}
α ∈[0, 1]
↓
si f(x1) ≥ f(x2) entonces f(αx1 + [1 – α]x2) ≤ f(x1) para todo x1, x2 ∈ S.
Convexidad GeneralizadaConvexidad Generalizada
f(αx1 + [1 – α]x2) ≤ max{f(x1),f(x2)}
max{f(x1),f(x2)}
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 106
1 2
f(x2)
f(x1)
x1 x2
f(λx1+ [1 – λ]x2)
Convexidad GeneralizadaConvexidad Generalizada
�� Propiedades de una función CuasiconvexaPropiedades de una función Cuasiconvexa:
� No todo mínimo local es un mínimo global.
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 107
Convexidad GeneralizadaConvexidad Generalizada
�� Propiedades de una función CuasiconvexaPropiedades de una función Cuasiconvexa:
� No todo mínimo local es un mínimo global.
� Un mínimo local no global no puede ser estricto.
� Si x ∈ S es un mínimo estricto de f, entonces estambién un mínimo global de f sobre S.
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 108
también un mínimo global de f sobre S.
Convexidad GeneralizadaConvexidad Generalizada
�� Propiedades de una función CuasiconvexaPropiedades de una función Cuasiconvexa:
� No todo mínimo local es un mínimo global.
� Un mínimo local no global no puede ser estricto.
� Si x ∈ S es un mínimo estricto de f, entonces estambién un mínimo global de f sobre S.
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 109
también un mínimo global de f sobre S.
� Puede contener discontinuidades.
Convexidad GeneralizadaConvexidad Generalizada
�� FunciónFunción FuertementeFuertemente CuasiconvexaCuasiconvexa: Una función f enE1 es fuertemente cuasiconvexa sobre un conjuntoconvexo S en En si para dos puntos cualquiera x1,x2∈S, tales que x1 ≠ x2:
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 110
f(αx1 + [1 – α]x2) < max{f(x1),f(x2)}
∀α ∈ (0, 1)
Convexidad GeneralizadaConvexidad Generalizada
f(αx1 + [1 – α]x2) < max{f(x1),f(x2)}
f(x )
max{f(x1),f(x2)}
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 111
f(x2)
f(x1)
x1 x2
f(λx1+ [1 – λ]x2)
Una función fuertemente cuasiconvexa
no admite segmentos horizontales
Convexidad GeneralizadaConvexidad Generalizada
�� Propiedades de una función Fuertemente Propiedades de una función Fuertemente CuasiconvexaCuasiconvexa:
� Un mínimo local es el único mínimo y por ende elúnico mínimo global.
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 112
Convexidad GeneralizadaConvexidad Generalizada
�� Propiedades de una función Fuertemente Propiedades de una función Fuertemente CuasiconvexaCuasiconvexa:
� Un mínimo local es el único mínimo y por ende elúnico mínimo global.
� Toda función Estrictamente Convexa también es
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 113
� Toda función Estrictamente Convexa también esFuertemente Cuasiconvexa.
� Toda función Fuertemente Cuasiconvexa esCuasiconvexa.
Convexidad GeneralizadaConvexidad Generalizada
�� FunciónFunción EstrictamenteEstrictamente CuasiconvexaCuasiconvexa: Una función fen E1 es estrictamente cuasiconvexa sobre unconjunto convexo S en En si para dos cualquiera x1, x2
∈ S, tales que f(x1) ≠ f(x2):
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 114
f(αx1 + [1 – α]x2) < max{f(x1),f(x2)}
∀α ∈ (0, 1)
Convexidad GeneralizadaConvexidad Generalizada
f(αx1 + [1 – α]x2) < max{f(x1),f(x2)}
max{f(x1),f(x2)}
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 115
f(x1)=f(x2)
x1 x2
f(αx1+ [1 – α]x2)
puntos no válidos: f(x1)=f(x2)
Convexidad GeneralizadaConvexidad Generalizada
f(αx1 + [1 – α]x2) < max{f(x1),f(x2)}
max{f(x1),f(x2)}
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 116
f(x2)
f(x1)
x1 x2
f(αx1+ [1 – α]x2)
No se satisface:
f(αx1 + [1 – α]x2) < max{f(x1),f(x2)}
Convexidad GeneralizadaConvexidad Generalizada
f(αx1 + [1 – α]x2) < max{f(x1),f(x2)}
max{f(x1),f(x2)}
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 117
Una función estrictamente cuasiconvexa solo
admite un segmento horizontal en el mínimo
f(x2)
f(x1)
x1 x2
f(αx1+ [1 – α]x2)
f(x1*) =f(x2*)
Convexidad GeneralizadaConvexidad Generalizada
�� Propiedades de una función Estrictamente Propiedades de una función Estrictamente CuasiconvexaCuasiconvexa:
� Todo mínimo local es un mínimo global.
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 118
Convexidad GeneralizadaConvexidad Generalizada
�� Propiedades de una función Estrictamente Propiedades de una función Estrictamente CuasiconvexaCuasiconvexa:
� Todo mínimo local es un mínimo global.
� Toda función Convexa también es EstrictamenteCuasiconvexa.
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 119
Cuasiconvexa.
Convexidad GeneralizadaConvexidad Generalizada
�� Propiedades de una función Estrictamente Propiedades de una función Estrictamente CuasiconvexaCuasiconvexa:
� Todo mínimo local es un mínimo global.
� Toda función Convexa también es EstrictamenteCuasiconvexa.
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 120
Cuasiconvexa.
� Toda función Fuertemente Cuasiconvexa tambiénes Estrictamente Cuasiconvexa.
Convexidad GeneralizadaConvexidad Generalizada
�� Propiedades de una función Estrictamente Propiedades de una función Estrictamente CuasiconvexaCuasiconvexa:
� Todo mínimo local es un mínimo global.
� Toda función Convexa también es EstrictamenteCuasiconvexa.
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 121
Cuasiconvexa.
� Toda función Fuertemente Cuasiconvexa tambiénes Estrictamente Cuasiconvexa.
� No toda función Estrictamente Cuasiconvexa esCuasiconvexa.
Convexidad GeneralizadaConvexidad Generalizada
Ejemplo 5.8: La siguiente función diferenciable es estrictamente cuasiconvexa pero no cuasiconvexa:
1 x = 0
f(x) = (Karamardian 1967)
0 x ≠ 0
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 122
0 x ≠ 0
Convexidad GeneralizadaConvexidad Generalizada
Ejemplo 5.8: La siguiente función diferenciable es estrictamente cuasiconvexa pero no cuasiconvexa:
1 x = 0
f(x) = (Karamardian 1967)
0 x ≠ 0
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 123
0 x ≠ 0
1. Solo es posible evaluar si es estrictamente cuasiconvexa para x1 = 0 y x1 ≠ 0 o viceversa de lo contrario f(x1) = f(x2). f(αx1 + [1 – α]x2) < 1
Convexidad GeneralizadaConvexidad Generalizada
Ejemplo 5.8: La siguiente función diferenciable es estrictamente cuasiconvexa pero no cuasiconvexa:
1 x = 0
f(x) = (Karamardian 1967)
0 x ≠ 0
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 124
0 x ≠ 0
1. Solo es posible evaluar si es estrictamente cuasiconvexa para x1 = 0 y x1 ≠ 0 o viceversa de lo contrario f(x1) = f(x2). f(αx1 + [1 – α]x2) < 1
2. Si x1 > 0, x2 <0 para algun α f(αx1 + [1 – α]x2) = 1
1 > max{f(x1),f(x2)} → f(x) no es cuasiconvexa
Convexidad GeneralizadaConvexidad Generalizada
�� FunciónFunción CuasicóncavaCuasicóncava: Una función f en E1 escuasicóncava sobre un conjunto convexo S en En sipara dos puntos cualquiera x1, x2∈S:
f(αx1 + [1 – α]x2) ≥ min{f(x1),f(x2)}
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 125
f(αx1 + [1 – α]x2) ≥ min{f(x1),f(x2)}
α ∈(0, 1)
Convexidad GeneralizadaConvexidad Generalizada
�� FunciónFunción CuasicóncavaCuasicóncava: Una función f en E1 escuasicóncava sobre un conjunto convexo S en En sipara dos puntos cualquiera x1, x2∈S:
f(αx1 + [1 – α]x2) ≥ min{f(x1),f(x2)}
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 126
f(αx1 + [1 – α]x2) ≥ min{f(x1),f(x2)}
α ∈(0, 1)
↓
si f(x1) ≥ f(x2) entonces f(αx1 + [1 – α]x2) ≥ f(x2) para todo x1, x2 ∈ S.
Convexidad GeneralizadaConvexidad Generalizada
f(αx1 + [1 – α]x2) ≥ min{f(x1),f(x2)}
f(λx1+ [1 – λ]x2)
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 127
f(x1)
f(x2)
x1 x2
min{f(x1),f(x2)}
Convexidad Generalizada DiferenciableConvexidad Generalizada Diferenciable
�� FunciónFunción CuasiconvexaCuasiconvexa: Una función f en E1
diferenciable sobre un conjunto convexo S ⊂ En escuasiconvexa sobre éste si y sólo si para dos puntoscualquiera x1, x2∈S tales que f(x1) ≤ f(x2) se satisface:
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 128
(x1 – x2)T ∇f(x2) ≤ 0
Convexidad Generalizada DiferenciableConvexidad Generalizada Diferenciable
�� FunciónFunción CuasiconcavaCuasiconcava: Una función f en E1
diferenciable sobre un conjunto convexo S ⊂ En escuasiconcava sobre éste si y sólo si para dos puntoscualquiera x1, x2∈S tales que f(x1) ≥ f(x2) se satisface:
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 129
(x1 – x2)T ∇f(x2) ≥ 0
Convexidad Generalizada DiferenciableConvexidad Generalizada Diferenciable
Ejemplo 5.9: Demostrar que la siguiente función diferenciable es cuasiconvexa:
f(x) = x2 – 1
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 130
Convexidad Generalizada DiferenciableConvexidad Generalizada Diferenciable
Ejemplo 5.9: Demostrar que la siguiente función diferenciable es cuasiconvexa:
f(x) = x2 – 1
Sean dos puntos x1, x2∈R:
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 131
Sean dos puntos x1, x2∈R:
x1 = x1, x2 = x2, x2 ≥ x1 →f(x2) ≥ f(x1)
Convexidad Generalizada DiferenciableConvexidad Generalizada Diferenciable
Ejemplo 5.9: Demostrar que la siguiente función diferenciable es cuasiconvexa:
f(x) = x2 – 1
Sean dos puntos x1, x2∈R:
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 132
Sean dos puntos x1, x2∈R:
x1 = x1, x2 = x2, x2 ≥ x1 →f(x2) ≥ f(x1)
Si f(x) es convexa entonces:
(x1 – x2)T ∇f(x2) ≤ 0
Convexidad Generalizada DiferenciableConvexidad Generalizada Diferenciable
∇f(x) = 2x
(x1 – x2) 2x2≤ 0
2x1x2 – 2x22 ≤ 0
2x1x2 ≤ 2x22
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 133
x1 ≤ x2
Convexidad Generalizada DiferenciableConvexidad Generalizada Diferenciable
∇f(x) = 2x
(x1 – x2) 2x2≤ 0
2x1x2 – 2x22 ≤ 0
2x1x2 ≤ 2x22
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 134
x1 ≤ x2↓
f(x) = x2 – 1 es cuasiconvexa
Conceptos fundamentalesConceptos fundamentales
� Hessiano Bordeado ∇2f(x): Matriz hessiana bordeada de una función f doblemente diferenciable en x es:
∂
∂
∂
∂
x
)f(...
x
)f(0
xx
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 135
∂∂
∂
∂∂
∂
∂
∂
∂∂
∂
∂∂
∂
∂
∂
∂∂
=∇
kk
2
1k
2
k
k1
2
11
2
1
k1
2
xx
)f(...
xx
)f(
x
)f(...
...
...xx
)f(
xx
)f(
x
)f(xx
)f(
xxx
xxx
x
Convexidad Generalizada DiferenciableConvexidad Generalizada Diferenciable
�� FunciónFunción CuasiconvexaCuasiconvexa (Condición Necesaria):
Si una función real f doblemente diferenciable sobreun conjunto convexo abierto S ⊂ Rn es cuasiconvexa,entonces:
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 136
|∇2f(x)k| ≤ 0 k= 2,…, n
∀x∈S
Convexidad Generalizada DiferenciableConvexidad Generalizada Diferenciable
�� FunciónFunción EstrictamenteEstrictamente CuasiconvexaCuasiconvexa (CondiciónNecesaria y Suficiente):
Si una función real f doblemente diferenciable sobreun conjunto convexo abierto S ⊂ Rn es estrictamentecuasiconvexa, entonces:
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 137
cuasiconvexa, entonces:
|∇2f(x)k| < 0 k= 1,…, n
∀x∈S
Convexidad Generalizada DiferenciableConvexidad Generalizada Diferenciable
�� Función Cuasiconcava Función Cuasiconcava (Condición Necesaria):
Si una función real f doblemente diferenciable sobre un conjunto convexo abierto S ⊂ Rn es cuasiconcava, entonces:
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 138
(– 1)k|∇2f(x)k| ≤ 0 k= 2,…, n
∀x∈S
Convexidad Generalizada DiferenciableConvexidad Generalizada Diferenciable
�� FunciónFunción EstrictamenteEstrictamente CuasiconcavaCuasiconcava (CondiciónNecesaria y Suficiente):
Si una función real f doblemente diferenciable sobreun conjunto convexo abierto S ⊂ Rn es estrictamentecuasiconcava, entonces:
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 139
cuasiconcava, entonces:
(– 1)k|∇2f(x)k| < 0 k= 1,…, n
∀x∈S
Optimización de Funciones Convexas D.Optimización de Funciones Convexas D.
� Teorema de Kuhn-Tucker
(Condición Necesaria y Suficiente)
Dado un problema OC(f, S) fuertemente consistente yf, gk y hj funciones diferenciables continuas convexa,cuasicóncavas y lineales en S, respectivamente, y hj
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 140
cuasicóncavas y lineales en S, respectivamente, y hj
linealmente independientes y ∇gk(x*) ≠ 0 ∀gk(x*) = 0
Si x* es el óptimo de OC(f, S). Entonces, existenvectores λ* y µ* tales que:
∇xL (x*, λ*, µ*) = 0 µ*g(x*) = 0 µ* ≥ 0
Convexidad Generalizada DiferenciableConvexidad Generalizada Diferenciable
�� FunciónFunción PseudoconvexaPseudoconvexa: Una función real fdiferenciable sobre un conjunto convexo abierto S⊂
Rn es pseudoconvexa sobre éste si para dos puntoscualquiera x1, x2∈ S tales que f(x2) ≥ f(x1) se satisface:
[x2 – x1]T ∇f(x1) ≥ 0
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 141
[x – x ] ∇f(x ) ≥ 0
Una función pseudoconvexa es una función estrictamente
cuasiconvexa que no admite puntos de inflexión
Convexidad Generalizada DiferenciableConvexidad Generalizada Diferenciable
�� Propiedades de una función PseudoconvexaPropiedades de una función Pseudoconvexa:
� Toda función Convexa Diferenciable también esPseudoconvexa.
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 142
Convexidad Generalizada DiferenciableConvexidad Generalizada Diferenciable
�� Propiedades de una función PseudoconvexaPropiedades de una función Pseudoconvexa:
� Toda función Convexa Diferenciable también esPseudoconvexa.
� Toda función Pseudoconvexa también esEstrictamente Cuasiconvexa.
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 143
Estrictamente Cuasiconvexa.
Convexidad Generalizada DiferenciableConvexidad Generalizada Diferenciable
�� Propiedades de una función PseudoconvexaPropiedades de una función Pseudoconvexa:
� Toda función Convexa Diferenciable también esPseudoconvexa.
� Toda función Pseudoconvexa también esEstrictamente Cuasiconvexa.
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 144
Estrictamente Cuasiconvexa.
� Todo mínimo local es un mínimo global.
� Si x* es el mínimo entonces ∇f(x*) = 0.
Convexidad Generalizada DiferenciableConvexidad Generalizada Diferenciable
�� Función Estrictamente PseudoconvexaFunción Estrictamente Pseudoconvexa: Una función real f diferenciable sobre un conjunto convexo S⊂ Rn
es estrictamente pseudoconvexa sobre éste si para dos puntos cualquiera x1, x2 ∈ S, x1 ≠ x2, tales que f(x2) >f(x1) se satisface:
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 145
[x2 – x1]T ∇f(x1) ≥ 0
Una función estrictamente pseudoconvexa es una función
fuertemente cuasiconvexa que no admite puntos de inflexión
Convexidad Generalizada DiferenciableConvexidad Generalizada Diferenciable
�� Propiedades de una función Estrictamente Propiedades de una función Estrictamente PseudoconvexaPseudoconvexa:
� Toda función Pseudoconvexa también esFuertemente Cuasiconvexa.
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 146
Convexidad Generalizada DiferenciableConvexidad Generalizada Diferenciable
�� Propiedades de una función Estrictamente Propiedades de una función Estrictamente PseudoconvexaPseudoconvexa:
� Toda función Pseudoconvexa también esFuertemente Cuasiconvexa.
� El único mínimo local es el único mínimo global.
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 147
� El único mínimo local es el único mínimo global.
� Si x* es el mínimo entonces ∇f(x*) = 0.
Convexidad Generalizada DiferenciableConvexidad Generalizada Diferenciable
Ejemplo 5.10: Demostrar que la siguiente función diferenciable es pseudoconvexa:
f(x) = x2 – 1
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 148
Convexidad Generalizada DiferenciableConvexidad Generalizada Diferenciable
Ejemplo 5.10: Demostrar que la siguiente función diferenciable es pseudoconvexa:
f(x) = x2 – 1
Sean dos puntos x1, x2∈R:
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 149
Sean dos puntos x1, x2∈R:
x1 = x1, x2 = x2, x2 ≥ x1 →f(x2) ≥ f(x1)
Convexidad Generalizada DiferenciableConvexidad Generalizada Diferenciable
Ejemplo 5.10: Demostrar que la siguiente función diferenciable es pseudoconvexa:
f(x) = x2 – 1
Sean dos puntos x1, x2∈R:
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 150
Sean dos puntos x1, x2∈R:
x1 = x1, x2 = x2, x2 ≥ x1 →f(x2) ≥ f(x1)
Si f(x) es convexa entonces:
[x2 – x1]T ∇f(x1) ≥ 0
Convexidad Generalizada DiferenciableConvexidad Generalizada Diferenciable
∇f(x) = 2x
[x2 – x1] T 2x1≥ 0
(x2 – x1) 2x1≥ 0
2x1x2 – 2x12 ≥ 0
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 151
2x1x2 ≥ 2x12
x2 ≥ x1
Convexidad Generalizada DiferenciableConvexidad Generalizada Diferenciable
∇f(x) = 2x
[x2 – x1] T 2x1≥ 0
(x2 – x1) 2x1≥ 0
2x1x2 – 2x12 ≥ 0
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 152
2x1x2 ≥ 2x12
x2 ≥ x1↓
f(x) = x2 – 1 es pseudoconvexa
Optimización de Funciones Convexas D.Optimización de Funciones Convexas D.
� Teorema de Kuhn-Tucker
(Condición Necesaria y Suficiente)
Dado un problema OC(f, S) fuertemente consistente y f, gk y hj funciones diferenciables sobre un conjunto convexo abierto S⊂ Rn.
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 153
convexo abierto S⊂ Rn.
Si f es pseudoconvexa y todas las gk(x*) = 0 son cuasiconcavas y las hj son cuasiconvexas y cuasiconcavas (es decir, están acotadas).
Si x* es el óptimo global de OC(f, S)
Optimización de Funciones Convexas D.Optimización de Funciones Convexas D.
Entonces, existen vectores λ* y µ* tales que:
∇xL (x*, λ*, µ*) = 0
µk* gk(x*) = 0 k=1,…,m
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 154
gk(x*) ≥ 0 k=1,…,m
hj(x*) = 0 j=1,…,p
µ* ≥ 0
Optimización de Funciones Convexas D.Optimización de Funciones Convexas D.
ó
∇x,λL (x*, λ*, µ*) = 0
µk* gk(x*) = 0 k=1,…,m
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 155
gk(x*) ≥ 0 k=1,…,m
µ* ≥ 0
Convexidad Generalizada DiferenciableConvexidad Generalizada Diferenciable
�� Función PseudocóncavaFunción Pseudocóncava: Una función f en E1
diferenciable sobre un conjunto convexo S en En es pseudocóncava sobre éste si para dos puntos cualquiera x1, x2 ∈ S tales que f(x2) ≤ f(x1) se satisface:
[x2 – x1]T ∇f(x1) ≤ 0
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 156
[x – x ] ∇f(x ) ≤ 0
Si una función es pseudoconvexa y
pseudoconcava es llamada pseudolineal
Optimización de Funciones Convexas D.Optimización de Funciones Convexas D.
Ejemplo 5.11:
min 6(x1– 10)2 + 4(x2– 25)2
s. a:
x12+ (x2– 5)2 ≤ 50
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 157
x12+ 3x22 ≤ 200
(x1– 6)2+ x22 ≤ 37
Optimización de Funciones Convexas D.Optimización de Funciones Convexas D.
Ejemplo 5.12:
min 6(x1– 10)2 + 4(x2– 25)2
s. a:
x12+ (x2– 5)2 ≤ 50
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 158
x12+ 3x22 ≤ 200
x1 – 6sen2(x2) = 1
ResumenResumen
� Mínimo de una función f: x*∈S y inf(f(x))=f(x*).
� Teorema de Weierstrass (Condición de suficiencia para la existencia de un mínimo): S es compacto y f función continua.
� Función Convexa.
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 159
� Función Convexa.
� Función Estrictamente Convexa: no admite segmentos rectos.
� Función Cóncava.
� Si f(x) es convexa entonces –f(x) es cóncava, y viceversa.
ResumenResumen
� Propiedades de un función convexa:
� Si una función f es convexa y k ≥ 0 entonces kf esconvexa.
� La suma de dos funciones convexas es una funciónconvexa.
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 160
convexa.
� Composición de funciones convexas.
� Todo mínimo local de una función convexa f es unmínimo global de f.
� Todo mínimo local de una función estrictamente esel único mínimo global sobre todo S.
ResumenResumen
� Problema de optimización convexa: OC(f, S).
� Teorema de Kuhn-Tucker.
� Condición de Slater.
� Función Convexa Diferenciable.
�
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 161
� Función Estrictamente Convexa Diferenciable.
� Si x* es una solución óptima.
Entonces ∇f(x*)T(x–x*) ≥ 0 para todos los x∈S
Si S es un conjunto abierto:
Entonces ∇f(x*) = 0
ResumenResumen
� Función Cuasiconvexa.� Función Fuertemente Cuasiconvexa: no admite segmentos horizontales� Un mínimo local es el único mínimo y por ende elúnico mínimo global.
� Función Estrictamente Cuasiconvexa: solo admite un
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 162
� Función Estrictamente Cuasiconvexa: solo admite un segmento horizontal en el mínimo.� Todo mínimo local es un mínimo global.
� Función Cuasiconvexa Diferenciable. � Función Cuasicóncava Diferenciable,� Hessiano Bordeado ∇2f(x).
ResumenResumen
� Teorema de Kuhn-Tucker: gk cuasicóncavas .
� Función Pseudoconvexa: similar a una estrictamente cuasiconvexa.
� Todo mínimo local es un mínimo global.
� Si x* es el mínimo entonces ∇f(x*) = 0.
Programación No Lineal – Prof. Gonzalo Müller – Clase 5 – NC&GM – 163
� Si x es el mínimo entonces ∇f(x ) = 0.
� Teorema de Kuhn-Tucker: f es pseudoconvexa, hj son cuasiconvexas y cuasiconcavas.