Método de Proyección Del Gradiente

download Método de Proyección Del Gradiente

of 6

description

Método de Proyección Del Gradiente

Transcript of Método de Proyección Del Gradiente

  • Universidad Galileo

    Maestra de Investigacin de Operaciones

    Programacin No Lineal

    Algoritmos para optimizacin restringida

    Josu Caleb Cordn Oliva

    Guatemala, 15 de diciembre de 2015

  • Introduccin

    En el presente proyecto se explicarn 2 algoritmos de optimizacin restringida para resolver

    problemas de programacin no lineal y tambin las aplicaciones en las cuales estos algoritmos se

    encuentran involucrados.

  • Penalty Methods

    El penalty methods soluciona una secuencia de problemas de optimizacin sin restricciones

    cuando la solucin es usualmente infactible en el problema original con restricciones.

    Consideremos el problema

    : () . . () = 0

    Donde g(x) es un vector i-esimos gi(x), asumimos que todas las funciones son continuas y

    diferenciables 2 veces.

    La penalizacin para violacin de restricciones son funciones continuas () que cumple con las

    siguientes propiedades.

    () = 0 () > 0

    Es posible definir una penalizacin de esta forma

    () =1

    |()|

    =1

    Donde >0 , definimos una funcin de penalizacin de la siguiente forma, sumando un trmino

    a f

    = () + ()

    El mtodo consiste en resolver una secuencia de problemas sin restriccin que toman la forma de

    la funcin de penalizacin

    : ()

    El mnimo de la funcin de penalizacin no cumple con las condiciones g(x)=0, es decir se

    encuentra fuera de la regin factible, pero gradualmente es forzado a entrar a la regin factible.

    Este mtodo puede ser usado en la optimizacin de algoritmos de compresin de imgenes usando

    la funcin de penalizacin para seleccionar la mejor zona de compresin de colores a un valor

    representativo.

  • Mtodo del gradiente proyectado

    Este mtodo es utilizado para resolver problemas con restricciones de cotas, estos problemas tienen

    la siguiente forma.

    min: () s.a.

    para : continua y diferenciable , , .

    Consideremos en siguiente problema

    min: () s.a. 0

    Como cualquier punto factible es regular tenemos que, si x* es el minimizador del problema

    entonces existe 0 tal que

    () = ()

    =1

    = 0

    Notar que si la iesima restriccin esta activa entonces se obtiene que

    () = , si iesima

    restriccin esta inactiva entonces = 0 entonces

    () = 0, si x* es un minimo local del

    problema entonces se cumple

    () = 0 si

    > 0

    () = 0 si

    = 0

    Dado = { : 0}, se define la proyeccin de un punto x sobre como el vector = () cuyas componentes son

    = {0, < 0

    , 0

    Algoritmo

    1. Dado x0 inicial. En un hacer los siguientes pasos:

  • 2. Calcular

    = () = () =

    Si = 0 parar Si no, hacer bsqueda de Armijo en la direccin en la direccin dk

    3. Definir t=1

    Si ( + ) () + 1(), entoces (I)

    a) Si + definir tk = t e ir al paso 2 b) Si no, hacer t = t/2 e ir a (I)

  • Referencias

    Linear and Nonlinear Optimization SECOND EDITION, Igor Griva Stephen G. Nash Ariela Sofer

    http://www.ing.una.py/pdf/umalca.pdf