Descargar la presentación
La descarga está en progreso. Por favor, espere
Publicada porJosefa Pérez Lozano Modificado hace 5 años
1
Tele clase 14 Optimización multidimensional
2
Ejemplo Halle la mínima distancia desde el punto (1,1,1) hasta el paraboloide elíptico z = 3x2 + 4y2
3
Ejemplo Halle la curva del tipo y = a + bekx que mejor se ajusta a un conjunto de datos experimentales (xi, yi) i = 1, 2,..., m
4
Ejemplo Determine los parámetros de operación de una fábrica para los cuales se logra la mayor eficiencia.
5
Notación z = f(u1, u2, ..., un) u1, u2, ..., un y z: Reales
6
Notación z = f(u1, u2, ..., un) u1, u2, ..., un y z: Reales
7
Notación z = f(u1, u2, ..., un) u1, u2, ..., un y z: Reales z = f(X)
8
Representación geométrica
z = f(X) u2 u1
9
Representación geométrica
z = k z = f(X) u2 u1
10
Representación geométrica
z = k z = f(X) u2 u1
11
Representación geométrica
z = k z = f(X) u2 f(X) = k u1
12
Cerca de un punto de máximo
13
Cerca de un punto de máximo
z = 4 u1
14
Cerca de un punto de máximo
z = 4 z = 8 u1
15
Cerca de un punto de máximo
z = 4 z = 8 z = 12 u1
16
Cerca de un punto de máximo
X* z = 4 z = 8 z = 12 u1
17
Unimodalidad Se dice que f(X) es linealmente unimodal con máximo en una región R si ella es unimodal con máximo en cualquier trayectoria recta X = X0 + V contenida en R
18
Unimodalidad u2 u1
19
Unimodalidad u2 V X0 u1
20
Unimodalidad u2 V X0 u1
21
Unimodalidad z max
22
Funciones cuadráticas
23
Funciones cuadráticas
24
Funciones cuadráticas
25
Funciones cuadráticas
26
Funciones cuadráticas
27
Funciones cuadráticas
aij = aji
28
Funciones cuadráticas
29
Funciones cuadráticas
Simétrica aij = aji
30
Funciones cuadráticas
Simétrica aij = aji
31
Matriz definida positiva
Sea A simétrica. A se llama definida positiva si para todo vector X no nulo se cumple que:
32
Matriz definida negativa
Sea A simétrica. A se llama definida negativa si para todo vector X no nulo se cumple que:
33
Propiedades 1 Si A es definida positiva, la función cuadrática posee un punto X* de mínimo y se cumple que: AX* = B
34
Propiedades 1 Si A es definida negativa, la función cuadrática posee un punto X* de máximo y se cumple que: AX* = B
35
Propiedades 2 Si A es definida positiva o negativa, la función cuadrática es linealmente unimodal.
36
Ejemplo Analizar si A es definida positiva o negativa
37
Solución
38
Solución
39
Solución XTAX = – 6a2 – 8b2 + 10ab =
40
Solución XTAX = – 6a2 – 8b2 + 10ab = = - (6a2 -10ab ) - 8b2 +
41
Solución XTAX = – 6a2 – 8b2 + 10ab = = - (6a2 -10ab ) - 8b2 +
42
Solución XTAX = – 6a2 – 8b2 + 10ab = = - (6a2 -10ab ) - 8b2 +
43
Solución XTAX = – 6a2 – 8b2 + 10ab = = - (6a2 -10ab ) - 8b2 + < 0
44
Solución XTAX = – 6a2 – 8b2 + 10ab = = - (6a2 -10ab ) - 8b2 + < 0 A es definida negativa
45
Ejemplo
46
Ejemplo
47
Ejemplo
48
Ejemplo
49
Ejemplo
50
Ejemplo
51
Ejemplo AX* = B
52
Ejemplo Punto de máximo AX* = B
53
Máximo en una dirección
54
Máximo en una dirección
V X0 u1
55
Máximo en una dirección
Datos: u2 V X0 f(X), X0, V, u1
56
Máximo en una dirección
Datos: u2 V X0 f(X), X0, V, u1 Se supone que f(X) es linealmente unimodal con máximo.
57
Máximo en una dirección
Datos: u2 V X0 f(X), X0, V, u1 Se supone que f(X) es linealmente unimodal con máximo. Se desea obtener, con una tolerancia , el valor que hace máxima la función f(X0 + V)
58
Procedimiento MaxUnidim
1 s:=1
59
Procedimiento MaxUnidim
1 s:=1 2 Reducir s a la mitad hasta que f(X0 + sV) > f(X) ó s < 0.1 Si s < 0.1 se supone que en la dirección de V no hay máximo.
60
Procedimiento MaxUnidim
3 Realizar búsqueda secuencial uniforme a partir de =0 con paso s en f(X0 + V) = F() hasta hallar un intervalo [min, max o llegar a 1000 pasos sin éxito
61
Procedimiento MaxUnidim
4 En el intervalo [min, max realizar búsqueda por bisección con hasta que L <
62
Procedimiento MaxUnidim
5 Tomar MaxUnidim := (min+ max)/2 ó MaxUnidim := -1 si el procedimiento no tuvo éxito
63
Búsqueda por coordenadas
64
Búsqueda por coordenadas
A partir de X0 buscar en dirección de u1 y obtener X1
65
Búsqueda por coordenadas
A partir de X0 buscar en dirección de u1 y obtener X1 A partir de X1 buscar en dirección de u2 y obtener X2
66
Búsqueda por coordenadas
A partir de X0 buscar en dirección de u1 y obtener X1 A partir de X1 buscar en dirección de u2 y obtener X2 A partir de Xn-1 buscar en dirección de un y obtener Xn
67
Búsqueda por coordenadas
A partir de X0 buscar en dirección de u1 y obtener X1 A partir de X1 buscar en dirección de u2 y obtener X2 A partir de Xn-1 buscar en dirección de un y obtener Xn X0 := Xn
68
Búsqueda por coordenadas
A partir de X0 buscar en dirección de u1 y obtener X1 A partir de X1 buscar en dirección de u2 y obtener X2 A partir de Xn-1 buscar en dirección de un y obtener Xn X0 := Xn
69
Geométricamente u2 x* u1
70
Geométricamente u2 x* x0 u1
71
Geométricamente u2 x* x0 x1 u1
72
Geométricamente u2 x* x2 x0 x1 u1
73
Geométricamente u2 x* x2 x0 x0 x1 u1
74
Algoritmo
75
Algoritmo repeat
76
Algoritmo repeat lmax=0
77
Algoritmo repeat lmax=0 for i=1 to n
78
Algoritmo repeat lmax=0 for i=1 to n V := ei
79
Algoritmo repeat lmax=0 for i=1 to n V := ei l := MaxUnidim (f, Xi-1, V, e)
80
Algoritmo repeat lmax=0 for i=1 to n V := ei l := MaxUnidim (f, Xi-1, V, e) if l < 0 then
81
Algoritmo repeat lmax=0 for i=1 to n V := ei l := MaxUnidim (f, Xi-1, V, e) if l < 0 then V := -ei
82
Algoritmo repeat lmax=0 for i=1 to n V := ei l := MaxUnidim (f, Xi-1, V, e) if l < 0 then V := -ei l := MaxUnidim (f, Xi-1, V, e)
83
Algoritmo repeat lmax=0 for i=1 to n V := ei l := MaxUnidim (f, Xi-1, V, e) if l < 0 then V := -ei l := MaxUnidim (f, Xi-1, V, e) if l < 0 then l := 0
84
Algoritmo repeat lmax=0 for i=1 to n V := ei l := MaxUnidim (f, Xi-1, V, e) if l < 0 then V := -ei l := MaxUnidim (f, Xi-1, V, e) if l < 0 then l := 0 end
85
Algoritmo if l < 0 then V := -ei l := MaxUnidim (f, Xi-1, V, e) if l < 0 then l := 0 end
86
Algoritmo if l < 0 then V := -ei l := MaxUnidim (f, Xi-1, V, e) if l < 0 then l := 0 end
87
Algoritmo if l < 0 then V := -ei l := MaxUnidim (f, Xi-1, V, e) if l < 0 then l := 0 end Xi := Xi-1 + V
88
Algoritmo if l < 0 then V := -ei l := MaxUnidim (f, Xi-1, V, e) if l < 0 then l := 0 end Xi := Xi-1 + V if l > lmax then lmax = l
89
Algoritmo if l < 0 then V := -ei l := MaxUnidim (f, Xi-1, V, e) if l < 0 then l := 0 end Xi := Xi-1 + V if l > lmax then lmax = l end
90
Algoritmo if l < 0 then V := -ei l := MaxUnidim (f, Xi-1, V, e) if l < 0 then l := 0 end Xi := Xi-1 + V if l > lmax then lmax = l end X0 := Xn
91
Algoritmo Xi := Xi-1 + V if l > lmax then lmax = l end X0 := Xn
92
Algoritmo Xi := Xi-1 + V if l > lmax then lmax = l end X0 := Xn
93
Algoritmo Xi := Xi-1 + V if l > lmax then lmax = l end X0 := Xn until lmax <
94
Algoritmo Xi := Xi-1 + V if l > lmax then lmax = l end X0 := Xn until lmax < El punto de máximo es Xn
95
Algoritmo Xi := Xi-1 + V if l > lmax then lmax = l end X0 := Xn until lmax < El punto de máximo es Xn Terminar
96
Ejemplo Hallar el punto de máximo de la función: Con error menor que 0,001
97
Solución Tomemos
98
Ejemplo
99
Ejemplo
100
Ejemplo
101
Ejemplo
102
Ejemplo
103
Ejemplo
104
Ejemplo
105
Ejemplo
106
Ejemplo
107
Ejemplo
108
Ejemplo
109
Ejemplo
111
El vector gradiente
112
El vector gradiente Es un vector que señala la dirección en que f(X) tiene su mayor crecimiento
113
El vector gradiente Es un vector que señala la dirección en que f(X) tiene su mayor crecimiento u2 u1
114
El método del gradiente
Se realizan búsquedas unidimensionales sucesivas en direcciones dadas por el vector gradiente
115
Algoritmo
116
Algoritmo Se supone que f(X) es diferenciable y linealmente unimodal con máximo.
117
Algoritmo Se supone que f(X) es diferenciable y linealmente unimodal con máximo. Se desea hallar el punto de máximo de f(X) con error menor que
118
Algoritmo Se supone que f(X) es diferenciable y linealmente unimodal con máximo. Se desea hallar el punto de máximo de f(X) con error menor que Datos: n, f, , X0,
119
Algoritmo
120
Algoritmo i := 0
121
Algoritmo i := 0 repeat
122
Algoritmo i := 0 repeat V := evaluado en Xi
123
Algoritmo i := 0 repeat V := evaluado en Xi Normalizar V
124
Algoritmo i := 0 repeat V := evaluado en Xi Normalizar V l := MaxUnidim (f, Xi, V, e)
125
Algoritmo i := 0 repeat V := evaluado en Xi Normalizar V l := MaxUnidim (f, Xi, V, e) Xi+1 := Xi + l V
126
Algoritmo i := 0 repeat V := evaluado en Xi Normalizar V l := MaxUnidim (f, Xi, V, e) Xi+1 := Xi + l V i := i + 1
127
Algoritmo i := 0 repeat V := evaluado en Xi Normalizar V l := MaxUnidim (f, Xi, V, e) Xi+1 := Xi + l V i := i + 1 until l < e
128
Algoritmo i := 0 repeat V := evaluado en Xi Normalizar V l := MaxUnidim (f, Xi, V, e) Xi+1 := Xi + l V i := i + 1 until l < e El punto de máximo es Xi
129
Algoritmo i := 0 repeat V := evaluado en Xi Normalizar V l := MaxUnidim (f, Xi, V, e) Xi+1 := Xi + l V i := i + 1 until l < e El punto de máximo es Xi Terminar
130
Geométricamente u2 x* u1
131
Geométricamente u2 x* x0 u1
132
Geométricamente u2 x1 x* x0 u1
133
Geométricamente u2 x1 x* x0 u1
134
Geométricamente u2 x1 x* x2 x0 u1
135
Ejemplo Hallar el punto de máximo de la función: Con error menor que 0,001
136
Solución
137
Solución
138
Solución Tomemos:
139
Ejemplo
140
Ejemplo
141
Ejemplo
142
Ejemplo
143
Ejemplo
144
Ejemplo
145
Ejemplo
146
Ejemplo
147
Ejemplo
148
Ejemplo
149
Ejemplo
151
Direcciones conjugadas
152
Direcciones conjugadas
Sea A una matriz definida positiva o negativa.
153
Direcciones conjugadas
Sea A una matriz definida positiva o negativa. Sean di y dj vectores de Rn.
154
Direcciones conjugadas
Sea A una matriz definida positiva o negativa. Sean di y dj vectores de Rn. Las direcciones di y dj se llaman conjugadas (respecto a A) si diTA dj = 0
155
Ejemplo
156
Ejemplo
157
Ejemplo
158
Ejemplo XTAX = 3a2 + 4b2 + 4ab =
159
Ejemplo XTAX = 3a2 + 4b2 + 4ab = 2a2 + (a2 + 4ab + 4b2) =
160
Ejemplo XTAX = 3a2 + 4b2 + 4ab = 2a2 + (a2 + 4ab + 4b2) = 2a2 + (a + 2b)2
161
Ejemplo XTAX = 3a2 + 4b2 + 4ab = 2a2 + (a2 + 4ab + 4b2) = 2a2 + (a + 2b)2 > 0
162
Ejemplo Definida positiva XTAX = 3a2 + 4b2 + 4ab = 2a2 + (a2 + 4ab + 4b2) = 2a2 + (a + 2b)2 > 0
163
Ejemplo
164
Ejemplo
165
Ejemplo diTA dj =
166
Ejemplo diTA dj =
167
Ejemplo diTA dj =
168
Ejemplo diTA dj = = 0
169
Ejemplo diTA dj = Direcciones conjugadas = 0
170
Interpretación geométrica
F(X) = XTAX
171
Interpretación geométrica
u2 F(X) = XTAX u1 XTAX = k
172
Interpretación geométrica
u2 F(X) = XTAX u1 XTAX = k
173
Interpretación geométrica
u2 dj F(X) = XTAX di u1 XTAX = k
174
Interpretación geométrica
u2 dj F(X) = XTAX di u1 XTAX = k
175
Principio de tangentes paralelas
176
Principio de tangentes paralelas
u2 X* u1
177
Principio de tangentes paralelas
u2 X* u1 P1
178
Principio de tangentes paralelas
u2 X* d u1 P1
179
Principio de tangentes paralelas
u2 X* d X1 u1 P1
180
Principio de tangentes paralelas
u2 P2 X* d X1 u1 P1
181
Principio de tangentes paralelas
u2 d P2 X* d X1 u1 P1
182
Principio de tangentes paralelas
u2 d X2 P2 X* d X1 u1 P1
183
Principio de tangentes paralelas
u2 d X2 P2 X* d X1 u1 P1
184
El método de Powell En una función cuadrática: Si se cuenta con un conjunto de n direcciones conjugadas, se llega a X* mediante n búsquedas unidimensionales sucesivas en esas direcciones.
185
El método de Powell En una función cuadrática: Si se realizan dos búsquedas unidimensionales a partir de dos puntos distintos en una misma dirección, el vector que une los óptimos alcanzados determina una dirección conjugada de la anterior.
186
Estrategia de Powell
187
Estrategia de Powell 1 Se comienza con un conjunto de direcciones d1, d2,..., dn
188
Estrategia de Powell 1 Se comienza con un conjunto de direcciones d1, d2,..., dn 2 Se halla X1 optimizando f en la dirección d1 a partir de X0
189
Estrategia de Powell 1 Se comienza con un conjunto de direcciones d1, d2,..., dn 2 Se halla X1 optimizando f en la dirección d1 a partir de X0 Se halla X2 optimizando f en la dirección d2 a partir de X1
190
Estrategia de Powell 1 Se comienza con un conjunto de direcciones d1, d2,..., dn 2 Se halla X1 optimizando f en la dirección d1 a partir de X0 Se halla X2 optimizando f en la dirección d2 a partir de X1 Se halla Xn optimizando f en la dirección dn a partir de Xn-1
191
Estrategia de Powell 3 Se halla un nuevo X0 optimizando f en la dirección Xn – X0 (Aceleración).
192
Estrategia de Powell 3 Se halla un nuevo X0 optimizando f en la dirección Xn – X0 (Aceleración). 4 Se elimina la dirección d1 y se introduce una nueva: Xn – X0 d1 := d2; d2 := d3 ...; dn:= Xn – X0
193
Estrategia de Powell 3 Se halla un nuevo X0 optimizando f en la dirección Xn – X0 (Aceleración). 4 Se elimina la dirección d1 y se introduce una nueva: Xn – X0 d1 := d2; d2 := d3 ...; dn:= Xn – X0 5 Regresar a 2
194
Geométricamente u2 d2 d1 X0 u1
195
Geométricamente u2 d2 d1 X0 X1 u1
196
Geométricamente u2 X2 d2 d1 X0 X1 u1
197
Geométricamente u2 X0 X2 d2 d1 X0 X1 u1
198
Geométricamente u2 d1 X0 d2 X2 d2 d1 X0 X1 u1
199
Geométricamente u2 d1 X0 d2 X2 d2 d1 X1 X0 X1 u1
200
Geométricamente u2 d1 X0 d2 X2 X2 d2 d1 X1 X0 X1 u1
201
Geométricamente u2 d1 X0 d2 X2 X2 d2 d1 X1 X0 X0 X1 u1
202
Geométricamente u2 d1 d1 X0 d2 X2 X2 d2 d2 d1 X1 X0 X0 X1 u1
203
Geométricamente u2 d1 d1 X0 d2 X2 X2 d2 d2 d1 X1 X0 X0 X1 u1
204
Algoritmo
205
Algoritmo Se supone que f(X) es linealmente unimodal con máximo.
206
Algoritmo Se supone que f(X) es linealmente unimodal con máximo. Se desea hallar el punto de máximo de f(X) con error menor que
207
Algoritmo Se supone que f(X) es linealmente unimodal con máximo. Se desea hallar el punto de máximo de f(X) con error menor que Datos: n, f, X0,
208
Algoritmo
209
Algoritmo for i = 1 to n di := ei end
210
Algoritmo for i = 1 to n di := ei end repeat
211
Algoritmo for i = 1 to n di := ei end repeat for i = 1 to n Xi := MaxBidirec (f, Xi-1, di) end
212
Algoritmo for i = 1 to n di := ei end repeat for i = 1 to n Xi := MaxBidirec (f, Xi-1, di) end for i = 1 to n - 1 di := di +1 end
213
Algoritmo for i = 1 to n - 1 di := di +1 end
214
Algoritmo for i = 1 to n - 1 di := di +1 end
215
Algoritmo for i = 1 to n - 1 di := di +1 end dn := Xn - X0
216
Algoritmo for i = 1 to n - 1 di := di +1 end dn := Xn - X0 dist := norma de dn
217
Algoritmo for i = 1 to n - 1 di := di +1 end dn := Xn - X0 dist := norma de dn dn := dn /dist
218
Algoritmo for i = 1 to n - 1 di := di +1 end dn := Xn - X0 dist := norma de dn dn := dn /dist X0 := MaxBidirec (f, Xi-1, di)
219
Algoritmo for i = 1 to n - 1 di := di +1 end dn := Xn - X0 dist := norma de dn dn := dn /dist X0 := MaxBidirec (f, Xi-1, di) until dist <
220
Algoritmo for i = 1 to n - 1 di := di +1 end dn := Xn - X0 dist := norma de dn dn := dn /dist X0 := MaxBidirec (f, Xi-1, di) until dist < El punto de máximo es X0
221
Algoritmo for i = 1 to n - 1 di := di +1 end dn := Xn - X0 dist := norma de dn dn := dn /dist X0 := MaxBidirec (f, Xi-1, di) until dist < El punto de máximo es X0 Terminar
222
Ejemplo Hallar el punto de máximo de la función: Con error menor que 0,001
223
Ejemplo
224
Ejemplo
225
Ejemplo
226
Ejemplo
227
Ejemplo
228
Ejemplo
229
Ejemplo
230
Ejemplo
231
Ejemplo
232
Ejemplo
234
Bibliografía Texto: Secciones: 6.4, 6.5, 6.6 y 6.7
235
Ejercicios recomendados
Sección 6.5: 1 y 2 Sección 6.6: 1, 2 y 4 Sección 6.7: 1, 2 y 6
Presentaciones similares
© 2024 SlidePlayer.es Inc.
All rights reserved.