Professional Documents
Culture Documents
Escuela de Ingeniera
Departamento de Ingeniera Industrial y de Sistemas
Clase 8 Nociones B
asicas de Convexidad
ICS 1102 Optimizacion
Profesor : Claudio Seebach
Introduccion al Modelamiento 91
Funci
on Cuasi-Convexa
Definici
on 6 (Funci
on cuasi-convexa) Si D es una parte convexa
de Rn, una funci
on f : D R se dice cuasi-convexa sobre D si:
f (z) max{f (x), f (y)}
x, y D, x %= y, z ]x, y[.
Introduccion al Modelamiento 92
Funciones Convexas
Las funciones convexas presentan favorables propiedades al optimizar.
Por ejemplo, un punto mnimo local es siempre mnimo global.
!"# $%&'()&*# ')&+*,"# -.*#*&/"& $"+)."01*# -.)-(*2"2*# "1 )-/(3(4".5 6). *7*3-1)8 %& -%&/)
39&(3)
Sin
embargo
no necesariamente este optimo sera unico. Por ejemplo la
1)'"1 *# #(*3-.* 39&(3) :1)0"15 ;(& *30".:) &) &*'*#".("3*&/* *#/* <-/(3) #*.= >&(')5
funci
on f1"(x)
en !la!""figura
tiene@Avarias
soluciones
o<-/(3"#5
ptimas.
6).
*7*3-1)
$%&'(<&
*& 1" ?(:%."
/(*&* +".("#
#)1%'()&*#
"#$%
!
!"#$%#&"'()'*"+%,-"#)*'./&-01*
! !!$ " !""! % !"" "" % !$ " !"! !"! " % !! !"" "
C# 2*'(. /)2" $%&'(<& *#/.('/"3*&/* ')&+*," *# /"30(E& ')&+*,"5 C& $).3" "&=1):" #* 2*!&*&
1"# $%&'()&*# *#/.('/"3*&/* '<&'"+"#5
!" ?(:%." @F" -.*#*&/" %&" &%*+" $%&'(<& ')&+*,"8 -*.) &) *#/.('/"5 G"0* 3*&'()&". H%*
/)2" $%&'(<& 1(&*"1 ! !"" ) '" % ( *# '<&'"+" I ')&+*," " 1" +*48 -*.) &( *#/.('/"3*&/* '<&'"+" &(
*#/.('/"3*&/* ')&+*,"5 6). )/." -"./*8 1" ?(:%." @F0 3%*#/." %&" $%&'(<& H%* &) *# &( '<&'"+" &(
')&+*,"8 -*.) H%* 1)'"13*&/* '*.'" 2* "! *# '<&'"+" I 1)'"13*&/* '*.'" 2* "" *# ')&+*,"5
"#$%
Definici
on 7 (Funci
on estrictamente convexa) Sea f (x) : D
R, con D convexo. Entonces, f (x) es estrictamente convexa sobre D
si:
f ((1 )x1 + x2)) < (1 )f (x1)$ + f (x2)
!"#
$&
Introduccion al Modelamiento 94
!"!#$%$&# ' !!"#$%&# '()*%$)+,'#)' $-#.'/+" #$% ! !"" # # ! !$ &'( # &'()$*'+ ,(-'(&$./
! !"" $. $.-01&-%2$(-$ &'()$*% .'30$ # .14
! !!$ " !""! % !"" "" % !$ " !"! !"! " % !! !"" "
C# 2*'(. /)2" $%&'(<& *#/.('/"3*&/* ')&+*," *# /"30(E& ')&+*,"5 C& $).3" "&=1):" #* 2*!&*&
1"# $%&'()&*# *#/.('/"3*&/* '<&'"+"#5
!" ?(:%." @F" -.*#*&/" %&" &%*+" $%&'(<& ')&+*,"8 -*.) &) *#/.('/"5 G"0* 3*&'()&". H%*
Casos Especiales
/)2" $%&'(<& 1(&*"1 ! !"" ) '" % ( *# '<&'"+" I ')&+*," " 1" +*48 -*.) &( *#/.('/"3*&/* '<&'"+" &(
*#/.('/"3*&/* ')&+*,"5 6). )/." -"./*8 1" ?(:%." @F0 3%*#/." %&" $%&'(<& H%* &) *# &( '<&'"+" &(
')&+*,"8 -*.) H%* 1)'"13*&/* '*.'" 2* "! *# '<&'"+" I 1)'"13*&/* '*.'" 2* "" *# ')&+*,"5
"#$%
"#$%
$&
$'
!$#
!"#
D ')&/(&%"'(<& #* 2*3)#/.".= H%* #( ! !"" *# ')&+*,"8 *&/)&'*# *1 1%:". :*)3E/.(') 2* 1)# -%&/)#
(b) !: !""
La!funci
on')&#/(/%(.
localmente
cerca ')&+*,)
de x1 es-"."
concava
y localmente
cerca
H%* #"/(#$"'*
" 2*0*
%& ')&7&/)
'%"1H%(*.
"
de x2 es convexa.
Introduccion al Modelamiento 95
Criterios pr
acticos de convexidad de funciones
Sea f (x) = f (x1, x2, ..., xn) continua y dos veces diferenciable.
Su matriz Hessiana sera:
H=
2f
2f
2
x1 x2
x1
2f
2f
x2 x1
x22
..
2f
xn x1
...
2f
x1 xn
...
2f
x2n
Introduccion al Modelamiento 96
Caracterizaci
on de la matriz Hessiana
Introduccion al Modelamiento 97
Caracterizaci
on de la matriz Hessiana
Definici
on 8 Caracterizacion de la matriz Hessiana
1. Si i > 0 i H es definida positiva.
# T H d# > 0.
Para cualquier vector d# en Rn se cumple que (d)
2. Si i 0 i H es semidefinida positiva.
# T H d# 0.
Para cualquier vector d# en Rn se cumple que (d)
Introduccion al Modelamiento 98
Caracterizaci
on de una Funci
on Convexa
Definici
on 9
Sea f (#x) dos veces diferenciable sobre D, con D Rn y convexo.
Introduccion al Modelamiento 99
Caracterizaci
on de una funci
on convexa
Ejemplo: Sea f (x1, x2) = 2x1 3x2 + x41 + x1x2 + x22. Las derivadas parciales son:
f
= 2 + 4x31 + x2
x1
f
= 3 + x1 + 2x2
x2
2f
=1
x1x2
'
2f
=1
x2x1
2f
= 2.
x22
(
12x21 1
.
1 2
Introducci
on al Modelamiento 100
!!!
! "#"!"
!"!"
!!!
!"
!"" !"!
!!!
!"
!"! !""
!!!
! ##
!"!!
!
"#"!" "
$!
#
" funci
#
Caracterizaci
on de una
on
convexa
"!
!
!
#
!"
"#
#
!"
f (x) no es convexa sobre toda la region achurada, ya que esta region no es convexa.
"
!# %
"
!#
Introducci
on al Modelamiento 101
!"#$#%&'&() *+ !" & #$ %&' (')*# +,&-#.' /# !! 0 &! ! &"' #$ /#!&"/' (,$"*"-'1 #$ /#+")1 '" &! ! &"'' (
%% #' $ !! % ' "! %% #&*,&+#$ ! &"' #$ #$*)"+*'2#&*# +,&-#.' $,3)# &#
G( %" %L%38"2 #(0%*+2*4 ! &' %$ %$0*+>0#3%(0% >2(,%@# $2A*% 02)# *%&+=( >2(,%@# >2(0%(+)# %(
"# *%&+=( "" ) "!"
2 %( "# *%&+=( "" ( ""!# ( "! $ !# G$0#$ *%&+2(%$ %@>"'!%( %@8"->+0#3%(0% # "2$
!#
8'(02$ %( H'% "" !
!"
"
!#
= "" !
""
!#
Caracterizaci
on de una funci
on convexa
"!
!
Proposici
on 9 Si D es una parte convexa de Rn y D2f (x) es definida
"# f (x) es
#
positiva, es decir, dT D2!f (x)d
> 0, d Rn, d# %= 0, entonces
!"
!"
estrictamente convexa sobre D.
Importante, la relacion es causal:
Si el Hessiano es definido positivo la funcion es estrictamente convexa
CM. /23+(+2 (2 >2(,%@2 )% ! &"" % "! '
Si la funcion esB+&'*%
estrictamente
convexa ! el Hessiano es definido positivo
G$ +382*0#(0%
)%$0#>#* "# >#'$#"+)#) )% %$0# 8*282$+>+=(. $+ %" 6%$$+#(2 %$ )%!(+)2 82$+0+,24
Ejemplo:
%(02(>%$ "# 1'(>+=(
>2(,%@#4
8%*2 (2D#"
&"' %$ %$0*+>0#3%(0%
4
2 *%,N$F G$ )%>+*4
f (x) =%$x%$0*+>0#3%(0%
es estrictamente
convexa,
f (x) = 12x2 no $+es! definida
positiva en x = 0.
OP
Introducci
on al Modelamiento 102
Ejercicios resueltos
min x2 + y 2 + z 2 6000(x + y + z)
x + 2y + 4z 4000
x, y, z 0
2 0 0
D2f (x, y, z) = 0 2 0 = H
0 0 2
H es definida positiva f (x, y, z) es estrictamente convexa.
Introducci
on al Modelamiento 103