Académique Documents
Professionnel Documents
Culture Documents
Optimización
con X ⊆ Dom(f ).
Los problemas de optimización pueden concretarse en problemas de maxi-
mización y problemas de minimización:
31
32 TEMA 4. OPTIMIZACIÓN
B̄(a, r) = {x ∈ IRn : |x − a| ≤ r} .
Figura 4.1: Tres ejemplos de bola cerrada (en IR, IR2 y IR3 , respectivamente).
Los conjuntos de las Figuras 4.1 y 4.2 son cerrados y los de la Figura 4.3 son
abiertos. Los conjuntos ∅ y IRn (∀n ∈ IN) son simultáneamente abiertos y cerrados.
Definición 4.1.5 (Conjunto acotado) Se dice que un conjunto S ⊂ IRn está aco-
tado si existen a ∈ IRn y r > 0 tales que S ⊂ B̄(a, r).
Cı́rculo: Ángulo:
conjunto acotado y no cerrado. conjunto cerrado y no acotado.
Semirrecta abierta:
conjunto no cerrado y no acotado.
Figura 4.4: Algunos conjuntos no compactos.
Ejemplo 4.1.9 En la Figura 4.5 puede verse un ejemplo de una función con máxi-
mos y mı́nimos locales y estrictos.
Figura 4.5: Ejemplo de función con máximos y mı́nimos en el intervalo (−3, 3).
A: mı́nimo global estricto; B: máximo local estricto; C: algunos óptimos locales no
estrictos; D: máximo global estricto.
OPTIMIZACIÓN EN UNA VARIABLE 35
Ejemplo 4.1.11 Sea una función f : [0, 1] ⊂ IR → IR, que está definida en el
conjunto convexo [0, 1] de IR y que tiene un óptimo en x = 00 5. En la Figura 4.6 puede
verse lo que ocurre si f es estrictamente cóncava en (0, 1) y si f es estrictamente
convexa en (0, 1).
Nota 4.2.4 Algunos autores definen los puntos de inflexión como aquellos puntos
en los que la función pasa de cóncava a convexa o de convexa a cóncava. Otros como
los puntos en los que la curva de la función atraviesa a su tangente en el punto.
Nótese que estos criterios no son equivalentes al dado en la Definición 4.2.3.
Ejemplo 4.2.5 La función f : IR → IR, definida como f (x) = x+2, no tiene ningún
punto crı́tico, ya que su derivada nunca se anula (i.e. f 0 (x) = 1 6= 0). La gráfica de
la función puede verse en la Figura 4.8.
-2 -1 1 2
-2 -1 1 2
Figura 4.9: Ejemplo de función con un punto crı́tico que es óptimo: f (x) = x2 .
-6 -4 -2 2 4 6
-2
-4
5
0 2
-5
0
-2
0
-2
2
Ejemplo 4.4.9 Siguiendo con el Ejemplo 4.4.6, para calcular los puntos crı́ticos
de dicho problema de optimización, tenemos que calcular los puntos crı́ticos de su
función lagrangiana L. Para ello, tenemos que calcular los puntos que anulan a su
gradiente:
8 + 4y − λ 0
∇L(x, y, λ) = 4x − λ = 0 .
−x − y + 12 0
La única solución real de este sistema es (7, 5, 28), por lo que (7, 5) es el único
candidato a óptimo del problema planteado en el Ejemplo 4.4.6.
∂2L ∗ ∗ ∂2L ∂2L ∂2L
(x , λ ) (x∗ , λ∗ ) ··· (x∗ , λ∗ ) (x∗ , λ∗ )
∂x21 ∂x2 ∂x1 ∂xn−1 ∂x1 ∂xn ∂x1
∂2L ∂2L ∗ ∗ ∂2L ∂2L
(x∗ , λ∗ ) (x , λ ) ··· (x∗ , λ∗ ) (x∗ , λ∗ )
∂x1 ∂x2 ∂x22 ∂xn−1 ∂x2 ∂xn ∂x2
.. .. .. .. ..
. . . . . .
∂2L ∂ L 2
∂2L ∂2L
(x∗ , λ∗ ) (x∗ , λ∗ ) ··· (x∗ , λ∗ ) ∗ ∗
(x , λ )
∂x ∂x ∂x2 ∂xn−1 ∂x2n−1 ∂xn ∂xn−1
1 n−1
∂2L ∂2L ∂2L ∂2L ∗ ∗
(x∗ , λ∗ ) (x∗ , λ∗ ) ··· (x∗ , λ∗ ) 2
(x , λ )
∂x1 ∂xn ∂x2 ∂xn ∂xn−1 ∂xn ∂xn
que es una matriz indefinida para cualquier (x0 , y0 , λ0 ) ∈ IR3 y, en particular, para
(7, 5, 28).
Vamos a restringir la forma cuadrática asociada a H(x,y) L(7, 5, 28) al subespacio
vectorial definido por [∇g(7, 5)]t · (x, y)t = 0. Como g(x, y) = x + y, su gradiente es
∇g(x0 , y0 ) = (1, 1)t , para todo (x0 , y0 ) ∈ IR2 . Por tanto, el subespacio vectorial que
tenemos que considerar es el dado por el sistema de ecuaciones:
µ ¶
x
(1 1) · = 0, o sea, x + y = 0,
y
que es una forma cuadrática definida negativa en IR. Por lo tanto, el punto (7, 5) es
un máximo local estricto de f bajo la restricción x + y = 12.
OPTIMIZACIÓN EN VARIAS VARIABLES CON RESTRICCIONES 43
Ejemplo 4.4.13 Calculemos los óptimos globales de la función f : IR2 → IR, defini-
da como f (x, y) = x3 + y 3 , sujeta a la restricción x2 + y 2 = 1.
La función f es una función continua en IR2 por tratarse de una función polinó-
mica. Además, el conjunto factible es:
0.5
-1 -0.5 0.5 1
-0.5
-1
Para calcular los candidatos a óptimos de nuestro problema, tenemos que cons-
truir la función lagrangiana del problema:
L(x, y, λ) = x3 + y 3 − λ · (x2 + y 2 − 1),
3x2 − 2λx
cuyo gradiente es ∇L(x, y, λ) = 3y 2 − 2λy .
−x2 − y 2 + 1
El sistema de ecuaciones que se obtiene al considerar ∇L(x, y, λ) = 0 es:
44 TEMA 4. OPTIMIZACIÓN
2
3x − 2λx = 0
3y 2 − 2λy = 0
x2 + y 2 = 1
cuyas soluciones √ √
son√ los seis√ puntos √
siguientes:
√
(0, 1, 32 ), (0, −1, − 23 ), (1, 0, 23 ),
(−1, 0, − 32 ), ( 22 , 22 , 3 4 2 ) y (− 22 , − 22 , − 3 4 2 ). Estos son nuestros candidatos a ópti-
mos. Si quisiéramos calcular todos los óptimos de la función en la región X, ten-
drı́amos que clasificar la matriz hessiana H(x,y) L en dichos puntos. Pero no es nece-
sario en este caso porque estamos buscando los óptimos globales de f , que sabemos
que existen. Por tanto, bastará con calcular las imágenes de los candidatos a ópti-
mos: el mayor valor corresponderá al máximo de la función y el menor al mı́nimo.
Los valores de la función en dichos puntos son los siguientes:
à √ √ ! √ Ã√ √ ! √
2 2 2 2 2 2
f (0, −1) = f (−1, 0) = −1 < f − ,− =− <f , = < f (0, 1) = f (1, 0) = 1.
2 2 2 2 2 2
En consecuencia, los máximos globales son (0, 1) y (1, 0) y los mı́nimos globales
son (0, −1) y (−1,√0), que √
obviamente
√ √
son óptimos no estrictos.
Los puntos (− 2 , − 2 ) y (− 2 , − 22 ) solo podrı́an ser óptimos locales o puntos
2 2 2
sustituyendo en los dos puntos que nos interesan obtenemos las matrices:
à √ !
³√ √ √ ´ 3 2
0
H(x,y) L 22 , 22 , 3 4 2 = 2 √ y
0 322
à √ !
³ √ √ √ ´ −322 0
H(x,y) L − 2 , − 2 , − 4 2 =
2 2 3 √ ,
0 −322
que
³ √ son,
√
respectivamente, definida positiva y definida
√ ´ ³ √negativa.
√
Por
√ ´
tanto,
2 2 3 2 2 2 3 2
2
, 2, 4 es un mı́nimo local estricto no global y − 2 , − 2 , − 4 es un
máximo local estricto no global.