Método de Proyección Del Gradiente
-
Upload
josue-cordon -
Category
Documents
-
view
231 -
download
1
description
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