Académique Documents
Professionnel Documents
Culture Documents
4
Postgrado de Investigación de Operaciones
Programación No Lineal
Programación Convexa
S S
S S
S S
S S
S S
S S
S S
Convexos
S S
No convexos
x3
x2
x1
Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 11
Conjuntos convexos
Un semiespacio en R3:
S = {x ∈ R3 : x1 + 2 x2 + x3 ≤ 4}
x3
S
x2
x1
x3
S
x2
x1
x2
x1
x2
S No es convexo
x1
x2
S x1
x2
S x1
x2
x1
x2
S No es convexo
x1
Si α ≥ 0 y β ≥ 0, entonces el vector x = α x1 + β x2
es una combinación lineal no negativa de x1 y x2.
Entonces, una combinación convexa no estricta
x = α x1 + (1 – α) x2 con α ∈ [0, 1] es un tipo de
combinación lineal no negativa de x1 y x2.
∑αj=1
j =1
x = α1 x1 + α2 x2 + … + αm xm
m
α1 ≥ 0, α2 ≥ 0, …, αm ≥ 0 ^ ∑αj=1
j =1
x∈S
Nδ(x)
x
S x Nδ(x)
S
S Nδ(x)
S S
S es abierto S no es abierto
S S
S no es cerrado S es cerrado
S S
En general si S ≠ int(S) ∪ ∂(
∂ S) se cumple que:
int(S) = S - ∂*(S)
pero no necesariamente ∂(S) = S – int(S)
S cl(S)
S cl(S)
S
S
S es acotado S es no acotado
Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 51
Conceptos fundamentales
Conjunto Compacto: Sea S ⊆ En, se dice que S es
compacto si S es cerrado y acotado.
S
S
S es compacto S es no compacto
S es no compacto
Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 52
Conceptos fundamentales
Ejemplo 4.6: Sea S dado por:
S = {x ∈ R2 : x12 + x22 ≤ 1}
encontrar int(S), ∂(S) y cl(S).
int(S)
∂(S): int(S)
∂(S): int(S)
∂(S)
∂(S): int(S)
∂(S)
cl(S) = {x ∈ R2 : x12 + x22 ≤ 1} = S
Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 59
Conceptos fundamentales
Ejemplo 4.7: Sea S dado por:
S = {x ∈ R2 : x12 + x22 < 1}
encontrar int(S), ∂(S) y cl(S).
∂(S): ∂(S)
∂(S): ∂(S)
∂(S): ∂(S)
cl(S)
cl(S) = {x ∈ R2 : x12 + x22 ≤ 1}
Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 67
Conceptos fundamentales
Ejemplo 4.8: Sea S dado por:
S = {x ∈ R2 : x12 + x22 ≤ 1 ^ x1 > 0 ^ x2 > 0}
encontrar int(S), ∂(S) y cl(S).
r=1 S2 S3
S1
r=1 S2 S3
S1
∩ ∩
r=1
S
Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 70
Conceptos fundamentales
int(S):
int(S) = {x ∈ R2 : x12 + x22 < 1 ^ x1 > 0 ^ x2 > 0}
r=1
int(S)
r=1
int(S)
∂ S):
∂(
∂(S) = (∂(S1)∩S2 ∩S3) ∪
(∂(S2)∩S1 ∩S3) ∪
(∂(S3)∩S1 ∩S2)
∂(S3)∩S1 ∩S2
Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 78
Conceptos fundamentales
∂(S) = {x ∈ R2 : (x12+x22 = 1 ^ x1> 0 ^ x2> 0) ∪
(x1= 0 ^ x12+x22 ≤ 1 ^ x2> 0) ∪
(x2= 0 ^ x12+x22 ≤ 1 ^ x1> 0)}
r=1
∂(S)
r=1
cl(S)
x x2
x1
S cl(S)
Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 82
Conceptos fundamentales
De las definiciones derivan los siguientes resultados:
Sea S ⊆ En, S convexo tal que int(S)≠Ø y sean
x1∈cl(S) y x2 ∈ int(S) entonces el punto x = αx1+(1-
α)x2, con α ∈(0,1) pertenece al int(S).
En otras palabras, toda combinación convexa estricta
de un punto en la clausura de S con uno de su interior
pertenece al interior de S.
x x2
x1
S cl(S)
Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 83
Conceptos fundamentales
En consecuencia:
Sí S ⊆ En es convexo y S ≠ Ø, entonces:
S1S3
S2
S2 S3 S1
S 2
S 3
S3 = S1 ∩ S2
Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 90
Capsula Convexa
Cápsula Convexa:
Sea S ⊆ En, la cápsula convexa de S, denotada por
H(S) (también denotada conv(S)) está constituida por
todas las combinaciones convexas de los elementos de
S:
En R2
S H(S)
a) S
b) S
c) S
d) S
e) S
Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 94
Capsula Convexa
Ejemplo 4.9: Hallar las capsulas convexas de los
siguientes conjuntos en Rn :
a) S H(S)
b) S H(S)
c) S H(S)
d) S H(S)
e) S H(S)
Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 95
Capsula Convexa
De la definición de H(S) derivan los siguientes
resultados:
S H(S)
H(S)
Politope
S H(S)
H(S)
Simplex
En R2
Simplex
Politope
∑α
k =1
k =1
αk ≥ 0 k = 1,…, n+1
xk ∈ S k = 1,…, n+1
Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 103
Separación de Conjuntos Convexos
Conjuntos convexos separados:
Dos conjunto S1 y S2 convexos están separados si su
intersección es vacía, es decir:
S3 = S1 ∩ S2
S3 = Ø
S1
S2
p
H
p
H
x0
x
H + = {x ∈ En : pTx ≥ k}
H – = {x ∈ En : pTx ≤ k}
H + = {x ∈ En : pTx ≥ k}
H – = {x ∈ En : pTx ≤ k}
H+
p p
H H
x0 x0
x x
H–
H* +
p p
H H
x0 x0
x x
H* –
Esto es,
∀x∈S1 se tiene que pTx≥k
∀x∈S2 se tiene que pTx≤k.
Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 112
Separación de Conjuntos Convexos
Tipos de separación:
Separación apropiada: Si H separa a S1 de S2 y
además S1 ∪ S2 ⊄ H, se dice que H produce una
separación apropiada, en caso contrario, se dice que
H separa a S1 de S2 inapropiadamente.
H H
S1
S1 S2
S2
S2 S2 S2
S1 H H
S1
S2 S2
p
y H
x0
x
S
S H
H H
S
S x*2
x* x*
x*1
H H
S S
x*
H es propio H no es propio
H
S x*3 H
S
x* x*2
x*1
H
S x*3 H
S
x* x*2
x*1
H
S x*
x