Geometría Computacional Ingeniería Informática Envolvente convexa Parte 1: Algoritmos Tema 1.
Programacion convexa
-
Upload
mary-ortiz -
Category
Documents
-
view
45 -
download
3
description
Transcript of Programacion convexa
![Page 1: Programacion convexa](https://reader033.fdocuments.ec/reader033/viewer/2022061612/55cf8f3c550346703b9a40c7/html5/thumbnails/1.jpg)
![Page 2: Programacion convexa](https://reader033.fdocuments.ec/reader033/viewer/2022061612/55cf8f3c550346703b9a40c7/html5/thumbnails/2.jpg)
Universidad de OrienteNúcleo de Monagas
Ingeniería de SistemasModelo de Operaciones I
Profesora: Ing. Francy Tononi
Elaborado por: Ortiz, Mary
![Page 3: Programacion convexa](https://reader033.fdocuments.ec/reader033/viewer/2022061612/55cf8f3c550346703b9a40c7/html5/thumbnails/3.jpg)
![Page 4: Programacion convexa](https://reader033.fdocuments.ec/reader033/viewer/2022061612/55cf8f3c550346703b9a40c7/html5/thumbnails/4.jpg)
Rama de la programación MatemáticaQue trabaja con la teoría y los métodos de minimización de funciones convexas sobre conjuntos convexos definidas mediante sistemas de igualdades y desigualdades.
![Page 5: Programacion convexa](https://reader033.fdocuments.ec/reader033/viewer/2022061612/55cf8f3c550346703b9a40c7/html5/thumbnails/5.jpg)
Si el dominio f es un conjunto convexo.
Si para toda x1, x2 que pertenecen al dominio de f
Si para todo número real t entre 0 y 1, se satisface que
Sea f : Rn → R.
Nota: Una función f es cóncava si – f es convexa.
Decimos que f es convexa:
f (tx1 + (1 – t)x2) < t∙f (x1) + (1 – t)∙f (x2)
![Page 6: Programacion convexa](https://reader033.fdocuments.ec/reader033/viewer/2022061612/55cf8f3c550346703b9a40c7/html5/thumbnails/6.jpg)
Se dice que C es un conjunto convexo si para cualesquiera dos elementos que pertenezcan a C, la línea que los une es también un subconjunto de C. O sea, C es convexo si para todo x1, x2 en C y para cualquier número real t, 0 ≤ t ≤ 1, se satisface que:
![Page 7: Programacion convexa](https://reader033.fdocuments.ec/reader033/viewer/2022061612/55cf8f3c550346703b9a40c7/html5/thumbnails/7.jpg)
Una region es convexa si todos los puntos de una línea que conecta dos puntos de la región están en dicho conjunto
![Page 8: Programacion convexa](https://reader033.fdocuments.ec/reader033/viewer/2022061612/55cf8f3c550346703b9a40c7/html5/thumbnails/8.jpg)
Convexo No- Convexo
![Page 9: Programacion convexa](https://reader033.fdocuments.ec/reader033/viewer/2022061612/55cf8f3c550346703b9a40c7/html5/thumbnails/9.jpg)
• Esto significa que el segmento que une (x1, f (x1)) y (x2, f (x2)), o sea, la cuerda que va de x1 a x2, se encuentra sobre la gráfica de f.
Geométricamente una función es convexa si:
(x1, f (x1))(x2, f (x2))
![Page 10: Programacion convexa](https://reader033.fdocuments.ec/reader033/viewer/2022061612/55cf8f3c550346703b9a40c7/html5/thumbnails/10.jpg)
La minimización de una función convexa sobre una región convexa tiene la siguiente propiedad:
¡Un mínimo local es también un mínimo global!
![Page 11: Programacion convexa](https://reader033.fdocuments.ec/reader033/viewer/2022061612/55cf8f3c550346703b9a40c7/html5/thumbnails/11.jpg)
Según Hillier-Lieberman 8va. edición
Se han estudiado algunos casos especiales de programación convexa en distintas secciones a mencionar:
![Page 12: Programacion convexa](https://reader033.fdocuments.ec/reader033/viewer/2022061612/55cf8f3c550346703b9a40c7/html5/thumbnails/12.jpg)
Según Hillier-Lieberman 8va. edición
![Page 13: Programacion convexa](https://reader033.fdocuments.ec/reader033/viewer/2022061612/55cf8f3c550346703b9a40c7/html5/thumbnails/13.jpg)
La función objetivo: f(x) que se debe
maximizar es cóncava y las funciones derestricción gi(x) son
convexas.
En este caso se presentará brevemente algunos tipos deenfoques usados para resolver el problema general de programación convexa donde:
![Page 14: Programacion convexa](https://reader033.fdocuments.ec/reader033/viewer/2022061612/55cf8f3c550346703b9a40c7/html5/thumbnails/14.jpg)
No existe un algoritmo estándar único que se pueda usar siempre para resolver problemas de programación convexa. Se han desarrollado muchos algoritmos diferentes, cada uno con ventajas y desventajas, y la investigación continúa activa en esta área.
![Page 15: Programacion convexa](https://reader033.fdocuments.ec/reader033/viewer/2022061612/55cf8f3c550346703b9a40c7/html5/thumbnails/15.jpg)
Categorias
La mayor parte de estos algoritmos cae dentro de las categorías
1-Algoritmos de gradiente
2-Algoritmos secuenciales
no restringidos
3- Algoritmos de aproximación
secuencial
![Page 16: Programacion convexa](https://reader033.fdocuments.ec/reader033/viewer/2022061612/55cf8f3c550346703b9a40c7/html5/thumbnails/16.jpg)
Se modifica de alguna manera el procedimiento de búsqueda del gradiente de los problemas No Restringidos para evitar que la trayectoria de búsqueda penetre la frontera de restricción.
Un método de gradiente popular es el método gradiente reducido generalizado (GRG). El Excel Solver emplea el método GRG para resolver problemas de programación convexa.
Por ejemplo:
![Page 17: Programacion convexa](https://reader033.fdocuments.ec/reader033/viewer/2022061612/55cf8f3c550346703b9a40c7/html5/thumbnails/17.jpg)
Estos algoritmos convierten el problema de optimización restringida original en una sucesión de problemas de optimización no restringida cuyas soluciones óptimas convergen a la solución óptima del problema original.
Estos Algoritmos incluyen:
1.Método de Finalización
2.Método de Barrera
![Page 18: Programacion convexa](https://reader033.fdocuments.ec/reader033/viewer/2022061612/55cf8f3c550346703b9a40c7/html5/thumbnails/18.jpg)
Esta conversión se logra al incorporar las restricciones a una función barrera que se resta de la función objetivo, con el fin de imponer un castigo grande a la violación de cualquier restricción o aun al hecho de estar cerca de los límites.
Estos Algoritmos incluyen:
1.Método de Finalización
2.Método de Barrera
Los problemas de optimización no restringida se puede resolver por medio del procedimiento de búsqueda del gradiente.
![Page 19: Programacion convexa](https://reader033.fdocuments.ec/reader033/viewer/2022061612/55cf8f3c550346703b9a40c7/html5/thumbnails/19.jpg)
Para problemas de optimización linealmente restringidos, estas aproximaciones permiten la aplicación repetida de los algoritmos de programación lineal o cuadrática.
Estos Algoritmos incluyen:
1.Método de Aproximación Lineal
2.Método de Aproximación Cuadrática
Estos algoritmos sustituyen la función objetivo no lineal por una sucesión de aproximaciones lineales o cuadráticas
![Page 20: Programacion convexa](https://reader033.fdocuments.ec/reader033/viewer/2022061612/55cf8f3c550346703b9a40c7/html5/thumbnails/20.jpg)
![Page 21: Programacion convexa](https://reader033.fdocuments.ec/reader033/viewer/2022061612/55cf8f3c550346703b9a40c7/html5/thumbnails/21.jpg)
Algoritmo de Frank-Wolfe
para el caso de programación convexa linealmente restringida. Este procedimiento es bastante directo; combina aproximaciones lineales de la función objetivo (que permiten usar el método símplex) con el procedimiento para la optimización no restringida de una variable
![Page 22: Programacion convexa](https://reader033.fdocuments.ec/reader033/viewer/2022061612/55cf8f3c550346703b9a40c7/html5/thumbnails/22.jpg)
Algoritmo de Frank-Wolfe
Se encuentra una solución de prueba factible inicial x(0), por ejemplo, al aplicar los procedimientos de programación lineal para encontrar una solución BF.
Se hace k = 1.
Paso inicial
![Page 23: Programacion convexa](https://reader033.fdocuments.ec/reader033/viewer/2022061612/55cf8f3c550346703b9a40c7/html5/thumbnails/23.jpg)
Algoritmo de Frank-Wolfe
Iteración k:
![Page 24: Programacion convexa](https://reader033.fdocuments.ec/reader033/viewer/2022061612/55cf8f3c550346703b9a40c7/html5/thumbnails/24.jpg)
Algoritmo de Frank-Wolfe
Iteración k:
![Page 25: Programacion convexa](https://reader033.fdocuments.ec/reader033/viewer/2022061612/55cf8f3c550346703b9a40c7/html5/thumbnails/25.jpg)
Algoritmo de Frank-Wolfe
Iteración k:
![Page 26: Programacion convexa](https://reader033.fdocuments.ec/reader033/viewer/2022061612/55cf8f3c550346703b9a40c7/html5/thumbnails/26.jpg)
Algoritmo de Frank-Wolfe
De manera que h(t) proporciona el valor de f(x) sobre el segmento de recta entre x(k − 1) (donde t = 0) y (donde t = 1).
Se aplica algún procedimiento como el de búsqueda en una dimensión para maximizar h(t) en 0 ≤ t ≤ 1 y se establece x(k) igual a la x correspondiente.
![Page 27: Programacion convexa](https://reader033.fdocuments.ec/reader033/viewer/2022061612/55cf8f3c550346703b9a40c7/html5/thumbnails/27.jpg)
Algoritmo de Frank-Wolfe
![Page 28: Programacion convexa](https://reader033.fdocuments.ec/reader033/viewer/2022061612/55cf8f3c550346703b9a40c7/html5/thumbnails/28.jpg)
Generalmente donde los supuestos asociados a la proporcionalidad no se cumplen como en las economías o economías de escala, en. Telecomunicaciones, toma de decisiones empresariales, automatización de procesos, diseños electrónicos, simulaciones , modelados, entre otros
![Page 29: Programacion convexa](https://reader033.fdocuments.ec/reader033/viewer/2022061612/55cf8f3c550346703b9a40c7/html5/thumbnails/29.jpg)
![Page 30: Programacion convexa](https://reader033.fdocuments.ec/reader033/viewer/2022061612/55cf8f3c550346703b9a40c7/html5/thumbnails/30.jpg)
![Page 31: Programacion convexa](https://reader033.fdocuments.ec/reader033/viewer/2022061612/55cf8f3c550346703b9a40c7/html5/thumbnails/31.jpg)
![Page 32: Programacion convexa](https://reader033.fdocuments.ec/reader033/viewer/2022061612/55cf8f3c550346703b9a40c7/html5/thumbnails/32.jpg)
![Page 33: Programacion convexa](https://reader033.fdocuments.ec/reader033/viewer/2022061612/55cf8f3c550346703b9a40c7/html5/thumbnails/33.jpg)
![Page 34: Programacion convexa](https://reader033.fdocuments.ec/reader033/viewer/2022061612/55cf8f3c550346703b9a40c7/html5/thumbnails/34.jpg)
![Page 35: Programacion convexa](https://reader033.fdocuments.ec/reader033/viewer/2022061612/55cf8f3c550346703b9a40c7/html5/thumbnails/35.jpg)
![Page 36: Programacion convexa](https://reader033.fdocuments.ec/reader033/viewer/2022061612/55cf8f3c550346703b9a40c7/html5/thumbnails/36.jpg)
![Page 37: Programacion convexa](https://reader033.fdocuments.ec/reader033/viewer/2022061612/55cf8f3c550346703b9a40c7/html5/thumbnails/37.jpg)
![Page 38: Programacion convexa](https://reader033.fdocuments.ec/reader033/viewer/2022061612/55cf8f3c550346703b9a40c7/html5/thumbnails/38.jpg)
Considere el siguiente problema de programación convexa linealmente restringido:
Sujeta a :
![Page 39: Programacion convexa](https://reader033.fdocuments.ec/reader033/viewer/2022061612/55cf8f3c550346703b9a40c7/html5/thumbnails/39.jpg)
![Page 40: Programacion convexa](https://reader033.fdocuments.ec/reader033/viewer/2022061612/55cf8f3c550346703b9a40c7/html5/thumbnails/40.jpg)