Optimizacin

Optimizacin libre

Observacin. El objetivo es optimizar una funcin f : D Rn R:

opt f (x).
x D

Teorema 1. (Condicin necesaria de existencia de un extremo relativo o condicin de pri-

mer orden). Sea f : D Rn R, D abierto, f C 1 (D). Si f presenta en x0 D un ptimo relativo entonces f (x0 ) = 0. En este caso se dice que x0 es un punto crtico del problema.
Teorema 2. (Condicin suciente de existencia de extremo relativo o condicin de segundo

orden). Sea f : D Rn R, D abierto, f C 2 (D). Sea x0 un punto crtico del problema. Luego
1. Si Hf (x0 ) es denida positiva entonces f presenta un mnimo local en x0 . 2. Si Hf (x0 ) es denida negativa entonces f presenta un mximo local en x0 . 3. Si Hf (x0 ) es indenida entonces f presenta un punto silla en x0 .

Observacin. Es necesario notar que el teorema no asegura nada si no se cumple alguna de las hiptesis del problema: si la matriz fuera semidenida, o si f no es C 2 , etc. Observacin. Los teoremas 1 y 2 inducen el siguiente mtodo para la bsqueda de extremos relativos
1. Establezco el dominio de la funcin 2. Hallo los puntos crticos del problema por CPO. 3. Calculo Hf. Reemplazo por los puntos crticos obtenidos anteriormente y concluyo. 4. Cuando para algn punto crtico la matriz da semidenida, o existen puntos donde f no es derivable, realizo un estudio local.

Teorema 3. (Condiciones de optimalidad global). Sea

abierto, f C (D). Sea x0 un punto crtico. Entonces
2

f : D Rn R, D convexo, no vaco,

1. Si f es convexa en D entonces f presenta en x0 un mnimo global. 2. Si f es estrictamente convexa en D entonces f presenta en x0 un mnimo global nico. 3. Si f es cncava en D entonces f presenta en x0 un mximo global. 4. Si f es estricatamente cncava en D entonces f presenta en x0 un mximo global nico.

Observacin. Con el teorema anterior, si s la forma de la funcin en el dominio, las CPO son condiciones necesarias y sucientes.

Teorema 4. (Teorema de la envolvente). Considerando el problema

opt f (x, )

con f : D Rn R, Rparmetro, f C 1 (D). Sea A Run conjunto abierto, supongamos que para todo A se cumple que x () = (x1 (), x2 (), ...., x1n ()) es ptimo del problema con x funcin derivable. Si denimos la funcin objetivo indirecta (o funcin valor) () = f (x (), ) tenemos que
f (x (), ) () =

Sea f : D Rn R, con D abierto, g : U R R tal que Im(f ) U R (o sea g f :D Rn R). Sea S el conjunto de soluciones factibles del problema. Se cumple que 1. Si g es creciente, los puntos donde f alcanza un mximo (mnimo) coinciden con los de la funcin
gf

Teorema 5. (Composicin de funciones. Justicacin de las transformaciones montonas).

2. Si g decreciente entonces los puntos donde f alcanza un mximo (mnimo) se convierten en mnimos (mximos) de g f

Optimizacin con restricciones de igualdad.

El objetivo el optimizar una funcin f : D Rn R con restricciones para los valores que pueden tomar las variables establecidas por un sistema
g = (x1 , x2 , ...., xn ) = k1 1

. g = (x , x , ...., x ) = k m 1 2 n m o sea
opt s.a f (x) g (x) = k

. .

;m < n

En este contexto se denomina conjunto de soluciones factibles S al conjunto de soluciones restringidas por el sistema.

Teorema 6. (Teorema de Lagrange). Sea f

: D Rn R, D abierto, f y gi C 1 (D). Sea x0 S tal que la condicin de regularidad Rg (Jg (x0 )) = m. Si el problema de optimizacin presenta en x0 un ptimo local entonces existen nicos 1 , 2 , ...., n escalares tales que cumplen que f g1 gm x1 (x0 ) 1 x1 (x0 ) .... m x1 (x0 ) = 0 . . .

. . . f

xn (x0 )

g1 m 1 x (x0 ) .... m g xn (x0 ) = 0 n

Observacin. Dado el teorema de Lagrange, se puede denir una funcin auxiliar del problema llamada funcin de Lagrange o Lagrangiano, denido por
m

L(x1 , ..., xn , 1 , ..., m ) = f (x) +

i=1

i (ki gi (x))

que cumple que sus derivadas parciales con respecto a xi son las ecuaciones establecidas por el teorema 6, mientras que las derivadas parciales con respecto a i son las restricciones del problema.

Teorema 7. (Condicin suciente de extremos locales). Sea f : D Rn R, gi : D Rn R, D abierto, f y g C 2 (D). Sea x0 S un punto crtico del problema con multiplicador asociado .Denimos la siguiente matriz
H=
2L 2 1 2L 1 2

.... .... .... .... ....

2L 1 m 2L 1 x1
2

. . .

2L m 1 2L m 2

2L x1 1 2L x1 2

.... .... .... .... ....

2L xn 1 2L xn 2 2L xn m 2L xn x1 2L x2 n

. . .

2L m m 2L m x1 2L m xn

2L x1 m 2L x1 x1 2L x1 xn

L 1 xn

que dene una forma cuadrtica restringida. Tenemos que

1. Si H (x0 , 0 ) es denida positiva entonces x0 es un mnimo local. 2. Si H (x0 , 0 ) es denida negativa entonces x0 es un mximo local. 3. Si H (x0 , 0 ) es indenida entonces x0 es un punto silla.

Observacin. Los teorema 6 y 7 inducen un mtodo de resolucin para el problema de optimixacin con restricciones de igualdad
1. Armo el Langrangiano. 2. Derivo el langrangiano igualando cada derivada a cero. Obtengo puntos criticos y valores de lambda. 3. Armo la matriz H . Reemplazo con los puntos crticos y decido. 4. Determino los fallos (por condicin de regularidad, etc). Realizo estudio local en esos casos.

Teorema 8. (Condiciones de optimalidad global). Sea f, gi : D Rn R, D convexo, no vaco,

abierto, f, gi C 1 (D). Sea S el conjunto de soluciones factibles convexo, x0 un punto crtico. Entonces
1. Si f es convexa o cuasiconvexa en D entonces f presenta en x0 un mnimo global. 2. Si f es estrictamente convexa en D entonces f presenta en x0 un mnimo global nico. 3. Si f es cncava o cuasicncava en D entonces f presenta en x0 un mximo global. 4. Si f es estricatamente cncava en D entonces f presenta en x0 un mximo global nico.

Observacin. La condicin de convexidad del conjunto de soluciones factibles me limita a trabajar con restricciones lineales.

Teorema 9. (Composicin de funciones. Justicacin de las transformaciones montonas).

Sea f : D Rn R, con D abierto, g : U R R tal que Im(f ) U R (o sea g f :D Rn R). Sea S el conjunto de soluciones factibles del problema. Se cumple que
1. Si g es creciente, los puntos donde f alcanza un mximo (mnimo) coinciden con los de la funcin g f. 2. Si g decreciente entonces los puntos donde f alcanza un mximo (mnimo) se convierten en mnimos (mximos) de g f .

Teorema 10. (Interpretacin de los multiplicadores de Lagrange. Anlisis de sensibili-

dad).Planteado el problema

opt s.a

f (x) g (x) = b

con f, gi : D Rn R, D abierto, f, g C 2 (D). Supongamos que x0 es un punto en que el problema alcanza un ptimo para b = b0 con multiplicador asociado 0 (recordar que tanto b0 como 0 son vectores de n componentes). Luego para todo b = (b1 , b2 , ..., bn ) cercano a b0 se verica que
L f (x0 ) = = i bi bi

Observacin. O sea, al cambiar el valor de la restriccin en bi

1. 2.
f (x0 ) = i f (x0 ) = i bi . bi (para ms de una restriccin).

Teorema 11. (Teorema de la envolvente). Considerando el problema

opt f (x) s.a g (x) = b

Supongamos que para todo = (1 , 2 , ..., n ) existe x () ptimo del problema con ()multiplicador conocido. Si denimos la funcin objetivo indirecta (o funcin valor) () = f (x (), ) tenemos que
() L( (), x (), ) = i i

Optimizacin con restricciones de desigualdad

Observacin. El problema se presenta al querer optimizar una funcin antes una condicin de desigualdad en la que estn implicandas sus variables. Los problemas se pueden plantear como
[P 1] : [P 2] : max s.a f (x) g ( x) b con S = {x D/g (x) b}

min f (x) s.a g (x) b

con S = {x D/g (x) b}

restricciones se saturan con las p primeras condiciones tales que Rg (Jgi (x0 )) = p, (1 p i)(saturadas signica que se satisfacen con igualdad). Si en x0 existe un ptimo del problema entonces existen nicos escalares 1 , 2 , ...., m todoa mayores que cero tales que
L xi =
L f xi g x =0 i

Teorema 12. (Teorema condicin necesaria de existencia de extremos locales o teorema de Kuhn - Tucker). Sea f, gi : D Rn R, D abierto, f y gi C 1 (D). Sea x0 S . Supongamos que las

(condiciones de Kuhn T ucker)

= (b g (x)) = 0

Observacin. Dado la funcin langrangiana L(xi , i ) = f (x) b g (xi ), las condiciones del problema anterior se pueden expresar como
1. 2.
L xi L i

= 0 (de K-T). = bi gi (x) 0 (en caso de max) o 0 (en caso min) (del enunciado del problema).

L 3. i = 0 (de K-T). i

4. i 0. (de hiptesis del problema).

Teorema 13. (Condiciones sucientes de optimalidad global). Sea

1

abierto, f y gi C (D). Sea x0 S , S convexo. Si x0 es punto crtico del problema

1. Para problemas de maximizacin:

f, gi : D Rn R, D

a ) Si f es cncava S entonces f presenta en x0 un mximo global. b ) Si f es estrictamente cncava en S entonces f presenta en x0 un mximo global nico.
2. Para problemas de minimizacin:

a ) Si f es convexa de S entonces f presenta en x0 un mnimo global. b ) Si f es estrictamente convexa de S entonces f presenta en x0 un mnimo global nico.

Observacin. La convexidad de S se establece relacionando la forma de las funciones g con el tipo de conjunto de soluciones factibles que determinan mediante propiedades.

Observacin. El enunciado anterior establece un mtodo

1. Verico que la funcin a maximizar (minimizar) f es cncava (convexa) en S 2. Posteriormente verico si las funciones g en las restricciones son convexas para que el conjunto S sea convexo en el caso de maximizar (cncavas en el caso de minimizar).

Teorema 14. (Interpretacin de los multiplicadores de Lagrange. Anlisis de sensibili-

dad).Planteado el problema

opt s.a

f ( x) g (x) , b

con f, gi : D Rn R, D abierto, f, g C 2 (D). Supongamos que x0 es un punto en que el problema alcanza un ptimo para b = b0 con multiplicador asociado 0 (recordar que tanto b0 como 0 son vectores de n componentes). Luego para todo b = (b1 , b2 , ..., bn ) cercano a b0 se verica que
L f (x0 ) = = i bi bi

Observacin. (Caso de restricciones de no negatividad). Un caso especial de restricciones de desigualdad son las restricciones de no negatividad para las variables independientes. El problema se plantea
max f (x) [P 1] : s.a g (x) b x 0 min f (x) [P 2] : s.a g (x) b x0 con S = {x D/g (x) b}

con S = {x D/g (x) b}

Este problema se puede resolver de dos formas

1. Directamente por el teorema de Kuhn - Tucker 2. con el conjunto de condiciones necesarias que se plantean a continuacin
L xi 0 L 0 i L i i = 0
L xi x =0 i 0 i xi 0

(para maximizar)

L xi 0 L 0 i L i i = 0
L xi x =0 i 0 i xi 0

(para minimizar)

manteniendose las condiciones de optimalidad global.