Programación No Lineal

7
Postgrado de Investigación de Operaciones

Prof. Gonzalo Müller

gmullerb@mail.com
Facultad de Ingeniería
Universidad Central de Venezuela
Clase Anterior

Métodos numéricos: Algoritmos.

Metodología para resolución de un problema.

Algoritmo.

Características de un algoritmo.

Representación: Diagramas de Flujo.

Matlab.

Ambiente de trabajo.

Conceptos Básicos: Matrices.

Operadores Aritméticos.
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 2
Clase Anterior

Funciones Matemáticas Básicas.

Algoritmos.

Estructuras Básicas de Programación.

Operadores Relaciónales.

Operadores Lógicos.

Variables.

Operaciones útiles.

Mapa algorítmico.

Mapa Cerrado.
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 3
Clase Anterior

Algoritmo de Optimización.

Características Necesarias.

Reglas de parada.

Uso.

Requerimientos.

Parámetros.

Desempeño: función O (de orden).

Programación Lineal.

Conjuntos poliédricos.
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 4
Clase Anterior

Punto Extremo.

Rayo.

Dirección extrema.

Caracterización de puntos extremos.

Caracterización de las direcciones extremas.

Método Simplex.

Algoritmo.

Método del Elipsoide.

Elipsoide.
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 5
Clase Anterior

Funciones Convexas Diferenciables.

Separación de Conjuntos Convexos.

Algoritmo.

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 6

Algoritmos

En la programación no lineal los algoritmos
generalmente no alcanzan la solución óptima sino que
convergen a ella, es decir, se obtiene una solución lo
suficientemente cercana al óptimo, esto justifica las
reglas de parada.

Son algoritmos iterativos los cuales se caracterizan
por:

Una convergencia local.

Una convergencia global.

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 7

Optimización irrestricta

Minimizando una función irrestricta
Sea el siguiente problema de minimización de una
función θ: E1 → E1 irrestricta:

min θ(∆)

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 8

Búsqueda Lineal

Intervalo de incertidumbre: se le denomina al intervalo
[a, b] de ∆ tal que el mínimo de θ(∆) se encuentra en
éste, pero su localización desconocida.
∆
a b

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 9

Búsqueda Lineal

Intervalo de incertidumbre: se le denomina al intervalo
[a, b] de ∆ tal que el mínimo de θ(∆) se encuentra en
éste, pero su localización desconocida.
∆
a b

A medida que se realiza la búsqueda éste intervalo

es reducido al eliminar porciones de éste donde se
tiene la certeza de que no se encuentra el mínimo.
∆
a b

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 10

Búsqueda Lineal

Búsqueda Lineal

Búsqueda lineal simultanea: las nuevas soluciones

son determinadas a priori.

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 11

Búsqueda Lineal

Búsqueda Lineal

Búsqueda lineal simultanea: las nuevas soluciones

son determinadas a priori.

Búsqueda lineal secuencial: las nuevas soluciones

son determinadas basadas en los valores de la
función de soluciones anteriores.

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 12

Búsqueda Lineal Simultanea

Búsqueda Uniforme

Concepto

El intervalo de incertidumbre es dividido en una
malla de puntos de separación δ.

∆
a b

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 13

Búsqueda Lineal Simultanea

Búsqueda Uniforme

Concepto

El intervalo de incertidumbre es dividido en una
malla de puntos de separación δ.

La función θ es evaluada para cada uno de los
puntos.

∆
a b

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 14

Búsqueda Lineal Simultanea

Algoritmo:

Entrada:
[a, b]: intervalo de incertidumbre.
δ: distancia de punto a punto de la malla.

Salida:
∆: Solución del problema.

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 15

Búsqueda Lineal Simultanea

Algoritmo: Comienzo

k=0
∆min = a
Inicialización
θmin = θ(a)
∆k = a

F
θ(∆k) < θmin
V
k=k+1 ∆min = ∆k Búsqueda
∆k+1 = ∆k + δ θmin = θ(∆k)

V F
∆k <> b Fin
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 16
Búsqueda Lineal Simultanea
Ejemplo 7.1: Resolver el siguiente problema por
búsqueda uniforme partiendo del intervalo [– 1, 2] con
una incertidumbre máxima de 0.5:
min x2 – 1

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 17

Búsqueda Lineal Simultanea
Ejemplo 7.1: Resolver el siguiente problema por
búsqueda uniforme partiendo del intervalo [– 1, 2] con
una incertidumbre máxima de 0.5:
min x2 – 1

Entrada:
[a, b] = [– 1, 2]
δ = 0.5/2 = 0.25

Salida:
∆: Solución del problema.
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 18
Búsqueda Lineal Simultanea

Inicialización: k=0
k=0 ∆min = a
∆min = – 1 θmin = θ(a)
θmin = (– 1)2 – 1 = 0 ∆k = a
∆0 = – 1

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 19

Búsqueda Lineal Simultanea

Inicialización: k=0
k=0 ∆min = a
∆min = – 1 θmin = θ(a)
θmin = (– 1)2 – 1 = 0 ∆k = a
∆0 = – 1

Iteración 1:
Se evalúa el nuevo punto: θ(∆k) < θmin
F

θ(∆0) = (– 1)2 – 1 = 0 V

θ(∆0) < θmin → Falso

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 20
Búsqueda Lineal Simultanea
Se evalúa si se exploro todo el intervalo:
∆0 <> 2 → Verdadero
V F
∆k <> b

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 21

Búsqueda Lineal Simultanea
Se evalúa si se exploro todo el intervalo:
∆0 <> 2 → Verdadero
V F
∆k <> b

Se continua al siguiente punto:

∆1 = ∆0 + 0.25 = – 0.75 ∆k+1 = ∆k + δ

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 22

Búsqueda Lineal Simultanea
Se evalúa si se exploro todo el intervalo:
∆0 <> 2 → Verdadero
V F
∆k <> b

Se continua al siguiente punto:

∆1 = ∆0 + 0.25 = – 0.75 ∆k+1 = ∆k + δ

k iteraciones completas:
k=k+1
k=k+1=1

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 23

Búsqueda Lineal Simultanea

Iteración 2:
F
Se evalúa el nuevo punto: θ(∆k) < θmin
V
θ(∆1) = (– 0.75)2 – 1 = – 0.4375
θ(∆1) < θmin → Verdadero

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 24

Búsqueda Lineal Simultanea

Iteración 2:
F
Se evalúa el nuevo punto: θ(∆k) < θmin
V
θ(∆1) = (– 0.75)2 – 1 = – 0.4375
θ(∆1) < θmin → Verdadero

Se ajusta los valores:

∆min = ∆k
∆min = – 0.75 θmin = θ(∆k)
θmin = – 0.4375

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 25

Búsqueda Lineal Simultanea
Se evalúa si se exploro todo el intervalo:
∆1 <> 2 → Verdadero
V F
∆k <> b

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 26

Búsqueda Lineal Simultanea
Se evalúa si se exploro todo el intervalo:
∆1 <> 2 → Verdadero
V F
∆k <> b

Se continua al siguiente punto:

∆2 = ∆1 + 0.25 = – 0.5 ∆k+1 = ∆k + δ

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 27

Búsqueda Lineal Simultanea
Se evalúa si se exploro todo el intervalo:
∆1 <> 2 → Verdadero
V F
∆k <> b

Se continua al siguiente punto:

∆2 = ∆1 + 0.25 = – 0.5 ∆k+1 = ∆k + δ

k iteraciones completas:
k=k+1
k=k+1=2

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 28

Búsqueda Lineal Simultanea

k ∆k θ(∆k) θ(∆k)<θmin ∆min θmin ∆k<b

0 –1 0 F –1 0 F
1 – 0.75 –0.4375 V – 0.75 –0.4375 F
2 – 0,5 – 0.75 V – 0,5 – 0,75 F
3 – 0.25 –0.9375 V – 0.25 –0.9375 F
4 0 –1 V 0 –1 F
5 0.25 –0.9375 F 0 –1 F
6 0.7 – 0.75 F 0 –1 F
Se continua hasta haber explorado todo el intervalo

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 29

Búsqueda Lineal Simultanea

Si θ es estrictamente cuasiconvexa sobre el intervalo
de incertidumbre,
Entonces el mínimo de θ se encuentra en el
intervalo [∆min – δ, ∆min + δ].

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 30

Búsqueda Lineal Simultanea

Si θ es estrictamente cuasiconvexa sobre el intervalo
de incertidumbre,
Entonces el mínimo de θ se encuentra en el
intervalo [∆min – δ, ∆min + δ].

El intervalo de incertidumbre se reduce:
[a, b] → [∆min – δ, ∆min + δ]

El algoritmo se puede modificar

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 31

Búsqueda Lineal Simultanea

Algoritmo:

Requerimientos:
La función θ debe ser estrictamente cuasiconvexa
sobre el intervalo de incertidumbre.

Entrada:
[a, b]: intervalo de incertidumbre.
δ: distancia de punto a punto de la malla.

Salida:
∆: Solución del problema.
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 32
Búsqueda Lineal Simultanea

Algoritmo: Comienzo

k=1
Inicialización
∆k = a

∆min = ∆k

k=k+1 θmin = θ(∆k)

∆k+1 = ∆k + δ Búsqueda

V F
θ(∆k+1) < θ (∆k) Fin

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 33

Búsqueda Lineal Simultanea

Recomendación: En función de reducir el costo
computacional.

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 34

Búsqueda Lineal Simultanea

Recomendación: En función de reducir el costo
computacional.

Utilizar una malla de puntos de separación δk mayor
al comienzo.

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 35

Búsqueda Lineal Simultanea

Recomendación: En función de reducir el costo
computacional.

Utilizar una malla de puntos de separación δk mayor
al comienzo.

Sobre el nuevo intervalo reducido utilizar una malla
de puntos fina o de menor separación tal que δk+1 <
δk.

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 36

Búsqueda Lineal Simultanea

Recomendación: En función de reducir el costo
computacional.

Utilizar una malla de puntos de separación δk mayor
al comienzo.

Sobre el nuevo intervalo reducido utilizar una malla
de puntos fina o de menor separación tal que δk+1 <
δk.

Repetir este proceso hasta satisfacer alguna regla de
parada.

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 37

Búsqueda Lineal Simultanea
Ejemplo 7.2: Resolver el siguiente problema por
búsqueda uniforme partiendo del intervalo [– 1, 2] con
una incertidumbre máxima de 0.5:
min x2 – 1

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 38

Búsqueda Lineal Simultanea
Ejemplo 7.2: Resolver el siguiente problema por
búsqueda uniforme partiendo del intervalo [– 1, 2] con
una incertidumbre máxima de 0.5:
min x2 – 1

Entrada:
[a, b] = [– 1, 2]
δ = 0.5/2 = 0.25

Salida:
∆: Solución del problema.
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 39
Búsqueda Lineal Simultanea

Inicialización:
k=1
k=1
∆k = a
∆1 = – 1

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 40

Búsqueda Lineal Simultanea

Inicialización:
k=1
k=1
∆k = a
∆1 = – 1

Iteración 1:
Se conserva el nuevo mínimo:
∆min = ∆k
∆min = ∆1 = – 1
θmin = θ(∆k)
θmin = θ(∆1) = 0

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 41

Búsqueda Lineal Simultanea
Se calcula el nuevo punto a explorar:
∆2 = ∆1 + 0.25 = – 0.75 ∆k+1 = ∆k + δ

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 42

Búsqueda Lineal Simultanea
Se calcula el nuevo punto a explorar:
∆2 = ∆1 + 0.25 = – 0.75 ∆k+1 = ∆k + δ

Se evalúa el nuevo punto: V F

θ(∆k+1) < θ (∆k)
θ(∆2) = (– 0.75)2 – 1 = – 0.4375
θ(∆2) < θmin → Verdadero

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 43

Búsqueda Lineal Simultanea
Se calcula el nuevo punto a explorar:
∆2 = ∆1 + 0.25 = – 0.75 ∆k+1 = ∆k + δ

Se evalúa el nuevo punto: V F

θ(∆k+1) < θ (∆k)
θ(∆2) = (– 0.75)2 – 1 = – 0.4375
θ(∆2) < θmin → Verdadero

k iteraciones completas:
k=k+1
k=k+1=2
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 44
Búsqueda Lineal Simultanea

Iteración 2:
Se conserva el nuevo mínimo:
∆min = ∆2 = – 0.75 ∆min = ∆k

θmin = θ(∆k)
θmin = θ(∆2) = – 0.4375

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 45

Búsqueda Lineal Simultanea

Iteración 2:
Se conserva el nuevo mínimo:
∆min = ∆2 = – 0.75 ∆min = ∆k

θmin = θ(∆k)
θmin = θ(∆2) = – 0.4375

Se calcula el nuevo punto a explorar:

∆3 = ∆2 + 0.25 = – 0.50 ∆k+1 = ∆k + δ

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 46

Búsqueda Lineal Simultanea
Se evalúa el nuevo punto: V F
θ(∆k+1) < θ (∆k)
θ(∆3) = (– 0. 50)2 – 1 = – 0.75
θ(∆3) < θmin → Verdadero

k iteraciones completas: k=k+1

k=k+1=3

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 47

Búsqueda Lineal Simultanea

θ(∆k+1)<
k ∆k ∆min θmin ∆k+1 θ(∆k+1) θ(∆k)
1 –1 –1 0 – 0.75 –0.4375 V
2 – 0.75 – 0.75 –0.4375 – 0,5 – 0,75 V
3 – 0,5 – 0,5 – 0,75 – 0.25 –0.9375 V
4 – 0.25 – 0.25 –0.9375 0 –1 V
5 0 0 –1 0.25 –0.9375 F

En 5 iteraciones se obtiene una solución

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 48

Búsqueda Lineal Secuencial

Reducción del intervalo de incertidumbre:
Si θ es estrictamente cuasiconvexa sobre el intervalo
de incertidumbre,

∆
a b

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 49

Búsqueda Lineal Secuencial

Reducción del intervalo de incertidumbre:
Si θ es estrictamente cuasiconvexa sobre el intervalo
de incertidumbre,
Entonces el intervalo de incertidumbre se puede
reducir con la evaluación de dos puntos.

∆
a ∆1 ∆2 b
∆1, ∆2 ∈ [a, b]
∆1 < ∆2
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 50
Búsqueda Lineal Secuencial

Si θ(∆1) > θ(∆2)

θ(∆1)

θ(∆2)

∆
a ∆1 ∆2 b

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 51

Búsqueda Lineal Secuencial

Si θ(∆1) > θ(∆2)
Entonces para ∆k ∈ [a, ∆1) → θ(∆k) > θ(∆1)
θ(∆1)

θ(∆2)

∆
a ∆1 ∆2 b

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 52

Búsqueda Lineal Secuencial

Si θ(∆1) > θ(∆2)
Entonces para ∆k ∈ [a, ∆1) → θ(∆k) > θ(∆1)
θ(∆1)

θ(∆2)

∆
a ∆1 ∆2 b

El nuevo intervalo de incertidumbre sería [∆1, b]

∆
∆1 b
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 53
Búsqueda Lineal Secuencial

Si θ(∆1) ≤ θ(∆2)

θ(∆2)

θ(∆1)

∆
a ∆1 ∆2 b

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 54

Búsqueda Lineal Secuencial

Si θ(∆1) ≤ θ(∆2)
Entonces para ∆k ∈ (∆2, b] → θ(∆k) > θ(∆2)
θ(∆2)

θ(∆1)

∆
a ∆1 ∆2 b

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 55

Búsqueda Lineal Secuencial

Si θ(∆1) ≤ θ(∆2)
Entonces para ∆k ∈ (∆2, b] → θ(∆k) > θ(∆2)
θ(∆2)

θ(∆1)

∆
a ∆1 ∆2 b

El nuevo intervalo de incertidumbre sería [a, ∆2]

∆
a ∆2
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 56
Búsqueda Lineal Secuencial sin derivadas

Búsqueda Dicotómica

Concepto

El intervalo de incertidumbre es reducido
progresivamente hasta hacerlo muy pequeño.

Se evalúan dos puntos alrededor del punto medio
del intervalo de incertidumbre, a una distancia δ.

∆
a ½(a+b) b

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 57

Búsqueda Lineal Secuencial sin derivadas

Algoritmo:

Requerimientos:
La función θ debe ser estrictamente cuasiconvexa sobre el
intervalo de incertidumbre.

Entrada:
[a, b]: intervalo de incertidumbre.
ε: máximo error permisible o ancho del intervalo de
incertidumbre final.
δ: distancia alrededor del punto medio(<< ε).

Salida:
[a, b]: intervalo de incertidumbre final.

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 58

Búsqueda Lineal Secuencial sin derivadas
Comienzo

Algoritmo:
k=0
ak = a Inicialización
bk = b

bk – ak > ε F Fin
V
∆1k= ½(ak + bk)– δ
∆2k= ½(ak + bk)+ δ
k=k+1 Búsqueda
V F
θ(∆1k) < θ(∆2k)
ak+1 = ak ak+1 = ∆1k
bk+1 = ∆2k bk+1 = bk
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 59
Búsqueda Lineal Secuencial sin derivadas
Comienzo

Algoritmo:
k=0
ak = a Inicialización
bk = b

bk – ak > ε F Fin
V
Cálculo de los ∆1k= ½(ak + bk)– δ
puntos de
estudio
∆2k= ½(ak + bk)+ δ
k=k+1 Búsqueda
V F
θ(∆1k) < θ(∆2k)
Reducción del ak+1 = ak ak+1 = ∆1k
intervalo de
incertidumbre
bk+1 = ∆2k bk+1 = bk
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 60
Búsqueda Lineal Secuencial sin derivadas

Recomendación: En función de estimar así reducir
el costo computacional es posible determinar el
número de iteraciones requeridas para alcanzar un
nivel de error deseado:
(bN – aN) =(b1 – a1)/2N + 2 δ(1 – 1/2N)
Incertidumbre Intervalo inicial
máxima admisible
N ≥ log(((b1 – a1) – 2 δ)/((bN – aN) – 2 δ))/log(2)

N ≥ log(((b1 – a1) – 2 δ)/(ε – 2 δ))/log(2)

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 61

Búsqueda Lineal Secuencial sin derivadas
Ejemplo 7.3: Resolver el siguiente problema por
búsqueda dicotómica partiendo del intervalo [– 1, 2]
con una incertidumbre máxima de 0.5:
min x2 – 1

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 62

Búsqueda Lineal Secuencial sin derivadas
Ejemplo 7.3: Resolver el siguiente problema por
búsqueda dicotómica partiendo del intervalo [– 1, 2]
con una incertidumbre máxima de 0.5:
min x2 – 1

Entrada:
[a, b] = [– 1, 2]
ε = 0.5
δ = 0.05
→N=3
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 63
Búsqueda Lineal Secuencial sin derivadas

Inicialización: k=0
k=0 ak = a
a0 = – 1 bk = b
b0 = 2

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 64

Búsqueda Lineal Secuencial sin derivadas

Inicialización: k=0
k=0 ak = a
a0 = – 1 bk = b
b0 = 2

Iteración 1:
Se evalúa si se alcanzo el error deseado:
b0 – a0 > 0.5 bk – ak > ε F

3 > 0.5 → Verdadero V

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 65

Búsqueda Lineal Secuencial sin derivadas
Se determinan los puntos de
∆1k= ½(ak + bk)– δ
evaluación: ∆2k= ½(ak + bk)+ δ
∆10 = ½(– 1 + 2) – 0.05 = 0.45
∆20 = ½(– 1 + 2) + 0.05 = 0.55

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 66

Búsqueda Lineal Secuencial sin derivadas
Se determinan los puntos de
∆1k= ½(ak + bk)– δ
evaluación: ∆2k= ½(ak + bk)+ δ
∆10 = ½(– 1 + 2) – 0.05 = 0.45
∆20 = ½(– 1 + 2) + 0.05 = 0.55

V F
θ(∆1k) < θ(∆2k)
Se evalúa la mejora:
θ(∆10) = (0.45)2 – 1 = – 0.7975
θ(∆20) = (0.55)2 – 1 = – 0.6975
θ(∆10) < θ(∆20) → Verdadero
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 67
Búsqueda Lineal Secuencial sin derivadas
Se determina el nuevo intervalo:
ak+1 = ak
a1 = a0 = – 1
bk+1 = ∆2k
b1 = ∆20 = 0.55
k iteraciones completas:
k=k+1=1 k=k+1

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 68

Búsqueda Lineal Secuencial sin derivadas
Se determina el nuevo intervalo:
ak+1 = ak
a1 = a0 = – 1
bk+1 = ∆2k
b1 = ∆20 = 0.55
k iteraciones completas:
k=k+1=1 k=k+1

Iteración 2:
Se evalúa si se alcanzo el error deseado:
b1 – a1 > 0.5 F
bk – ak > ε
1.55 > 0.5 → Verdadero V
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 69
Búsqueda Lineal Secuencial sin derivadas
Se determinan los puntos de
∆1k= ½(ak + bk)– δ
evaluación: ∆2k= ½(ak + bk)+ δ
∆11 = ½(– 1 + 0.55) – 0.05 = – 0.275
∆21 = ½(– 1 + 0.55) + 0.05 = – 0.175

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 70

Búsqueda Lineal Secuencial sin derivadas
Se determinan los puntos de
∆1k= ½(ak + bk)– δ
evaluación: ∆2k= ½(ak + bk)+ δ
∆11 = ½(– 1 + 0.55) – 0.05 = – 0.275
∆21 = ½(– 1 + 0.55) + 0.05 = – 0.175

V F
θ(∆1k) < θ(∆2k)
Se evalúa la mejora:
θ(∆11) = (– 0.275)2 – 1 = – 0.924375
θ(∆21) = (– 0.175)2 – 1 = – 0.969375
θ(∆11) < θ(∆21) → Falso
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 71
Búsqueda Lineal Secuencial sin derivadas
Se determina el nuevo intervalo:
ak+1 = ∆1k
a2 = ∆11 = – 0.275
bk+1 = bk
b2 = b1 = 0.55
k iteraciones completas:
k=k+1=2 k=k+1

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 72

Búsqueda Lineal Secuencial sin derivadas

bk – ak θ(∆1k)<
k ∆1k ∆2k θ(∆1k) θ(∆2k) ak+1 bk+1
>ε θ(∆2k)
0 V 0.45 0.55 -0.7975 -0.6975 V -1 0.55
1 V -0.275 -0.175 -0.9244 -0.9694 F -0.275 0.55
2 V 0.0875 0.1875 -0.9923 -0.9648 V -0.275 0.1875
3 F - - - - - - -

En 3 iteraciones se obtiene una solución

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 73

Búsqueda Lineal Secuencial sin derivadas

Método de Sección Dorada

Concepto

El intervalo de incertidumbre es reducido
progresivamente en un factor fijo δ.

Requiere evaluar sólo un punto en el nuevo intervalo
de incertidumbre.

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 74

Búsqueda Lineal Secuencial sin derivadas

Como evaluar un solo punto?

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 75

Búsqueda Lineal Secuencial sin derivadas

Como evaluar un solo punto?

Inicialmente se requieren dos puntos:

∆k
a ∆1 ∆2 b

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 76

Búsqueda Lineal Secuencial sin derivadas

Como evaluar un solo punto?

Si θ(∆1k) ≥ θ(∆2k)

∆k
a ∆1 ∆2 b
θ(∆1k) ≥ θ(∆2k)
∆k+1
a ∆1 ∆2 b

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 77

Búsqueda Lineal Secuencial sin derivadas

Como evaluar un solo punto?

Si se logra que ∆1k+1= ∆2k

∆k
a ∆1 ∆2 b
θ(∆1k) ≥ θ(∆2k)
∆k+1
a ∆1 ∆2 b

Solo sería necesario evaluar el nuevo punto ∆2k+1

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 78

Búsqueda Lineal Secuencial sin derivadas

Como evaluar un solo punto?

∆k Sección Dorada
a ∆1 ∆2 b
θ(∆1k) ≥ θ(∆2k)
∆k+1
a ∆1 ∆2 b 5 −1
θ(∆1k) < θ(∆2k) δ =
∆k+1 2
a ∆1 ∆2 b Nuevo punto a calcular

Existe un factor llamado sección dorada permite

reducir el intervalo de esta manera.

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 79

Búsqueda Lineal Secuencial sin derivadas

Algoritmo:

Requerimientos:
La función θ debe ser estrictamente cuasiconvexa
sobre el intervalo de incertidumbre.

Entrada:
[a, b]: intervalo de incertidumbre.
ε: máximo error permisible.

Salida:
[a, b]: intervalo de incertidumbre final.
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 80
Búsqueda Lineal Secuencial sin derivadas
Comienzo

Algoritmo k = 0, a0 = a , b0 = b
∆10= b0 – δ*(b0 – a0) Inicialización
∆20= a0 + δ*(b0 – a0)

bk – ak ≥ ε F Fin
V
k=k+1 V F
θ(∆1k) < θ(∆2k)
Búsqueda

ak+1 = ak ak+1 = ∆1k

bk+1 = ∆2k bk+1 = bk
∆2k+1 = ∆1k ∆1k+1 = ∆2k
∆1k+1= bk+1 – δ*(bk+1 – ak+1) ∆2k+1= ak+1 + δ*(bk+1 – ak+1)
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 81
Búsqueda Lineal Secuencial sin derivadas
Ejemplo 7.4: Resolver el siguiente problema por el
método de sección dorada partiendo del intervalo [– 1,
2] con una incertidumbre máxima de 0.5:
min x2 – 1

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 82

Búsqueda Lineal Secuencial sin derivadas
Ejemplo 7.4: Resolver el siguiente problema por el
método de sección dorada partiendo del intervalo [– 1,
2] con una incertidumbre máxima de 0.5:
min x2 – 1

Entrada:
[a, b] = [– 1, 2]
ε = 0.5

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 83

Búsqueda Lineal Secuencial sin derivadas

Inicialización:
k = 0, a0 = a , b0 = b
k=0
∆10= b0 – δ*(b0 – a0)
a0 = – 1
∆20= a0 + δ*(b0 – a0)
b0 = 2
∆10 = 2 – δ*(2 – (– 1)) = 0.145898
∆20 = – 1 + δ*(2 – (– 1)) = 0.854102

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 84

Búsqueda Lineal Secuencial sin derivadas

Iteración 1: bk – ak ≥ ε F

Se evalúa si se alcanzo el error deseado: V

b0 – a0 > 0.5
3 > 0.5 → Verdadero

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 85

Búsqueda Lineal Secuencial sin derivadas

Iteración 1: bk – ak ≥ ε F

Se evalúa si se alcanzo el error deseado: V

b0 – a0 > 0.5
3 > 0.5 → Verdadero

Se evalúa la mejora: V
θ(∆1k) < θ(∆2k)
F

θ(∆10) = (0.145898)2 – 1 = – 0.978714

θ(∆20) = (0.854102)2 – 1 = – 0.27051
θ(∆10) < θ(∆20) → Verdadero
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 86
Búsqueda Lineal Secuencial sin derivadas
Se determina el nuevo intervalo:
ak+1 = ak
a1 = a0 = – 1
bk+1 = ∆2k
b1 = ∆20 = 0.854102

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 87

Búsqueda Lineal Secuencial sin derivadas
Se determina el nuevo intervalo:
ak+1 = ak
a1 = a0 = – 1
bk+1 = ∆2k
b1 = ∆20 = 0.854102

Se calculan los nuevos

puntos de evaluación: ∆2k+1 = ∆1k
∆21 = ∆10 = 0.145898 ∆1k+1= bk+1 – δ*(bk+1 – ak+1)
∆11 = 0.854102 – δ*(0.854102 – (– 1))
∆11 = – 0.291796
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 88
Búsqueda Lineal Secuencial sin derivadas
k iteraciones completas: k = k + 1 = 1
k=k+1

Iteración 2:
Se evalúa si se alcanzo el error deseado:
b1 – a1 > 0.5 bk – ak ≥ ε F

1.854102 > 0.5 → Verdadero V

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 89

Búsqueda Lineal Secuencial sin derivadas
k iteraciones completas: k = k + 1 = 1
k=k+1

Iteración 2:
Se evalúa si se alcanzo el error deseado:
b1 – a1 > 0.5 bk – ak ≥ ε F

1.854102 > 0.5 → Verdadero V

Se evalúa la mejora: V
θ(∆1k) < θ(∆2k)
F

θ(∆11) = (– 0.291796)2 – 1 = – 0.914855

θ(∆21) = θ(∆10) = – 0.978714
θ(∆11) < θ(∆21) → Falso
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 90
Búsqueda Lineal Secuencial sin derivadas
Se determina el nuevo intervalo:
ak+1 = ∆1k
a2 = ∆11 = – 0.291796
bk+1 = bk
b2 = b1 = 0.854102

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 91

Búsqueda Lineal Secuencial sin derivadas
Se determina el nuevo intervalo:
ak+1 = ∆1k
a2 = ∆11 = – 0.291796
bk+1 = bk
b2 = b1 = 0.854102

Se calculan los nuevos

puntos de evaluación: ∆1 k+1 = ∆2k
∆12 = ∆21 = 0.145898 ∆2 k+1= ak+1 + δ*(bk+1 – ak+1)

∆22 = – 0.291796 – δ*(0.854102 – (– 0.291796))

∆22 = 0.416407
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 92
Búsqueda Lineal Secuencial sin derivadas

bk – ak θ(∆1k)<
k θ(∆1k) θ(∆2k) ak+1 bk+1 ∆1k+1 ∆2k+1
>ε θ(∆2k)
0 V -0.9787 -0.2705 V -1 0.85410 -0.2917 0.14589
1 V -0.9148 -0.9787 F -0.2917 0.85410 0.14589 0.41640
2 V -0.9787 -0.8266 V -0.2917 0.41640 -0.0212 0.14589
3 V -0.9995 -0.9787 V -0.2917 0.14589 -0.1246 -0.0212
4 F - - - - - - -

En 4 iteraciones se obtiene una solución

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 93

Búsqueda Lineal Secuencial sin derivadas

Búsqueda de Fibonacci

Concepto

El intervalo de incertidumbre es reducido
progresivamente en un factor variable δ.

Al igual que sección dorada requiere evaluar un
punto en el nuevo intervalo de incertidumbre.

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 94

Búsqueda Lineal Secuencial sin derivadas

Búsqueda de Fibonacci

Concepto

El intervalo de incertidumbre es reducido
progresivamente en un factor variable δ.

Al igual que sección dorada requiere evaluar un
punto en el nuevo intervalo de incertidumbre.

Sucesión de Fibonacci {Fk}
F1 = F2 = 1
Fk+1 = Fk + Fk–1 δ = FN–k/FN–k+1
{Fk} = 1, 1, 2, 3, 5, 8, 13, 21, 34, 55, …
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 95
Búsqueda Lineal Secuencial sin derivadas

Algoritmo:

Requerimientos:
La función θ debe ser estrictamente cuasiconvexa
sobre el intervalo de incertidumbre.

Entrada:
[a, b]: intervalo de incertidumbre.
ε: máximo error permisible.

Salida:
[a, b]: intervalo de incertidumbre final.
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 96
Búsqueda Lineal Secuencial sin derivadas

Número de iteraciones necesarias:
Iteración δ
1 FN–1/FN
2 FN–2/FN–1
3 FN–3/FN–2
… …
N–2 F2/F3 = ½
N–1 F1/F2 = 1 No hay reducción

N F0/F1 = ?

Se requieren N – 2 iteraciones.
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 97
Búsqueda Lineal Secuencial sin derivadas

Número de iteraciones necesarias:
bk – ak ≤ ε

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 98

Búsqueda Lineal Secuencial sin derivadas

Número de iteraciones necesarias:
bk – ak ≤ ε
Dado δ y luego de N – 2 iteraciones:

bk – ak = (b0 – a0) FN–1/FN *FN–2/FN–1 … F3/F4 *F2/F3

bk – ak = (b0 – a0) F2/FN
(b0 – a0)/FN ≤ ε

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 99

Búsqueda Lineal Secuencial sin derivadas

Número de iteraciones necesarias:
bk – ak ≤ ε
Dado δ y luego de N – 2 iteraciones:

bk – ak = (b0 – a0) FN–1/FN *FN–2/FN–1 … F3/F4 *F2/F3

bk – ak = (b0 – a0) F2/FN
(b0 – a0)/FN ≤ ε

N deber ser tal que FN ≥ (b0 – a0)/ε

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 100
Búsqueda Lineal Secuencial sin derivadas

Algoritmo

Inicialización
Comienzo

k = 0, a0 = a , b0 = b, N | FN ≥ (b0 – a0)/ε
∆10= a0 + (FN–2/FN)(b0 – a0), ∆20= a0 + (FN–1/FN)(b0 – a0)

k<N-2 F Fin
V
k=k+1 V F
θ(∆1k) < θ(∆2k)

Búsqueda
ak+1 = ak ak+1 = ∆1k
bk+1 = ∆2k bk+1 = bk
∆2k+1 = ∆1k ∆1k+1 = ∆2k

∆1k+1= ak+1 + (FN–k–3/FN–k–1)(bk+1 – ak+1)

∆2k+1= ak+1 + (FN–k–2/FN–k–1)(bk+1 – ak+1)
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 101
Búsqueda Lineal Secuencial sin derivadas
Ejemplo 7.5: Resolver el siguiente problema por
búsqueda de fibonacci partiendo del intervalo [– 1, 2]
con una incertidumbre máxima de 0.5:
min x2 – 1

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 102

Búsqueda Lineal Secuencial sin derivadas
Ejemplo 7.5: Resolver el siguiente problema por
búsqueda de fibonacci partiendo del intervalo [– 1, 2]
con una incertidumbre máxima de 0.5:
min x2 – 1

Entrada:
[a, b] = [– 1, 2]
ε = 0.5

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 103

Búsqueda Lineal Secuencial sin derivadas

Inicialización:
k = 0, a0 = a , b0 = b, N | FN ≥ (b0 – a0)/ε
k=0 ∆10= a0 + (FN–2/FN)(b0 – a0), ∆20= a0 + (FN–1/FN)(b0 – a0)
a0 = – 1
b0 = 2

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 104

Búsqueda Lineal Secuencial sin derivadas

Inicialización:
k = 0, a0 = a , b0 = b, N | FN ≥ (b0 – a0)/ε
k=0 ∆10= a0 + (FN–2/FN)(b0 – a0), ∆20= a0 + (FN–1/FN)(b0 – a0)
a0 = – 1
b0 = 2 F1 1
F2 1
FN ≥ (2 – (– 1))/0.5
F3 2
FN ≥ 6 → N=6 F4 3
F5 5
F6 8

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 105

Búsqueda Lineal Secuencial sin derivadas

Inicialización:
k = 0, a0 = a , b0 = b, N | FN ≥ (b0 – a0)/ε
k=0 ∆10= a0 + (FN–2/FN)(b0 – a0), ∆20= a0 + (FN–1/FN)(b0 – a0)
a0 = – 1
b0 = 2 F1 1
F2 1
FN ≥ (2 – (– 1))/0.5
F3 2
FN ≥ 6 → N=6 F4 3
F5 5
∆10 = – 1 + (F4/F6)(2 – (– 1)) = 0.125 F6 8

∆20 = – 1 + (F5/F6)(2 – (– 1)) = 0.875

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 106
Búsqueda Lineal Secuencial sin derivadas

Iteración 1: k<N-2 F

Se completaron las iteraciones necesarias: V

0 < 4 → Verdadero

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 107

Búsqueda Lineal Secuencial sin derivadas

Iteración 1: k<N-2 F

Se completaron las iteraciones necesarias: V

0 < 4 → Verdadero

V F
Se evalúa la mejora: θ(∆1k) < θ(∆2k)
θ(∆10) = (0.125)2 – 1 = – 0.984375
θ(∆20) = (0.875)2 – 1 = – 0.234375
θ(∆10) < θ(∆20) → Verdadero

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 108

Búsqueda Lineal Secuencial sin derivadas
Se determina el nuevo intervalo:
ak+1 = ak
a1 = a0 = – 1
bk+1 = ∆2k
b1 = ∆20 = 0.875

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 109

Búsqueda Lineal Secuencial sin derivadas
Se determina el nuevo intervalo:
ak+1 = ak
a1 = a0 = – 1
bk+1 = ∆2k
b1 = ∆20 = 0.875

Se calculan los nuevos

∆2k+1 = ∆1k
puntos de evaluación:
∆1k+1= ak+1 + (FN–k–3/FN–k–1)(bk+1 – ak+1)
∆21 = ∆10 = 0.125
∆11 = – 1 + (F3/F5)(0.875 – (– 1))
∆11 = – 0.25
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 110
Búsqueda Lineal Secuencial sin derivadas
k iteraciones completas: k = k + 1 = 1
k=k+1

Iteración 2:
Se completaron las iteraciones necesarias:
1 < 4 → Verdadero F
k<N-2
V

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 111

Búsqueda Lineal Secuencial sin derivadas
k iteraciones completas: k = k + 1 = 1
k=k+1

Iteración 2:
Se completaron las iteraciones necesarias:
1 < 4 → Verdadero F
k<N-2
V

Se evalúa la mejora: V
θ(∆1k) < θ(∆2k)
F

θ(∆11) = (– 0.25)2 – 1 = – 0.9375

θ(∆21) = θ(∆10) = – 0.984375
θ(∆11) < θ(∆21) → Falso
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 112
Búsqueda Lineal Secuencial sin derivadas
Se determina el nuevo intervalo:
ak+1 = ∆1k
a2 = ∆11 = – 0.25
bk+1 = bk
b2 = b1 = 0.875

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 113

Búsqueda Lineal Secuencial sin derivadas
Se determina el nuevo intervalo:
ak+1 = ∆1k
a2 = ∆11 = – 0.25
bk+1 = bk
b2 = b1 = 0.875

∆1k+1 = ∆2k
Se calculan los nuevos
puntos de evaluación:
∆2k+1= ak+1 + (FN–k–2/FN–k–1)(bk+1 – ak+1)
∆12 = ∆21 = 0.125
∆22 = – 0.25 + (F3/F4)(0.875 – (– 0.25))
∆22 = 0.5
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 114
Búsqueda Lineal Secuencial sin derivadas

θ(∆1k)<
k k<N-2 θ(∆1k) θ(∆2k) ak+1 bk+1 ∆1k+1 ∆2k+1
θ(∆2k)
0 V -0.9844 -0.2344 V -1 0.875 -0.25 0.125
1 V -0.9375 -0.9844 F -0.25 0.875 0,125 0.5
2 V -0.9844 -0.75 V -0.25 0.5 0.125 0.125
3 - - - - - - - -

En 3 iteraciones se obtiene una solución que no satisface

el error

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 115

Búsqueda Lineal Secuencial sin derivadas

θ(∆1k)<
k k<N-2 θ(∆1k) θ(∆2k) ak+1 bk+1 ∆1k+1 ∆2k+1
θ(∆2k)
0 V -0.9844 -0.2344 V -1 0.875 -0.25 0.125
1 V -0.9375 -0.9844 F -0.25 0.875 0,125 0.5
2 V -0.9844 -0.75 V -0.25 0.5 0.125 0.125
3 - - - - - - - -

En 3 iteraciones se obtiene una solución que no satisface

el error y no se puede continuar ∆13 = ∆23

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 116

Búsqueda Lineal Secuencial sin derivadas

Debido a que en la ultima iteración, los dos puntos
interiores, ∆1 y ∆2, coinciden, ya que F2/F3= F1/F3
= ½.

½ ½

∆N-2
a ∆ 1, ∆ 2 b

Es necesario hacer N tal que

FN-1 ≥ (b0 – a0)/ε
y realizar N – 3 iteraciones para garantizar el error
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 117
Búsqueda Lineal Secuencial sin derivadas

Algoritmo

Inicialización
Comienzo

k = 0, a0 = a , b0 = b, N | FN ≥ (b0 – a0)/ε
∆10= a0 + (FN–2/FN)(b0 – a0), ∆20= a0 + (FN–1/FN)(b0 – a0)

k<N-3 F Fin
V
k=k+1 V F
θ(∆1k) < θ(∆2k)

Búsqueda
ak+1 = ak ak+1 = ∆1k
bk+1 = ∆2k bk+1 = bk
∆2k+1 = ∆1k ∆1k+1 = ∆2k

∆1k+1= ak+1 + (FN–k–3/FN–k–1)(bk+1 – ak+1)

∆2k+1= ak+1 + (FN–k–2/FN–k–1)(bk+1 – ak+1)
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 118
Búsqueda Lineal Secuencial sin derivadas
Ejemplo 7.6: Resolver el siguiente problema por
búsqueda de fibonacci partiendo del intervalo [– 1, 2]
con una incertidumbre máxima de 0.5:
min x2 – 1

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 119

Búsqueda Lineal Secuencial sin derivadas
Ejemplo 7.6: Resolver el siguiente problema por
búsqueda de fibonacci partiendo del intervalo [– 1, 2]
con una incertidumbre máxima de 0.5:
min x2 – 1

Entrada:
[a, b] = [– 1, 2]
ε = 0.5

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 120

Búsqueda Lineal Secuencial sin derivadas

Inicialización:
k = 0, a0 = a , b0 = b, N | FN ≥ (b0 – a0)/ε
k=0 ∆10= a0 + (FN–2/FN)(b0 – a0), ∆20= a0 + (FN–1/FN)(b0 – a0)
a0 = – 1
b0 = 2

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 121

Búsqueda Lineal Secuencial sin derivadas

Inicialización:
k = 0, a0 = a , b0 = b, N | FN ≥ (b0 – a0)/ε
k=0 ∆10= a0 + (FN–2/FN)(b0 – a0), ∆20= a0 + (FN–1/FN)(b0 – a0)
a0 = – 1
b0 = 2 F1 1
F2 1
FN – 1 ≥ (2 – (– 1))/0.5
F3 2
FN – 1 ≥ 6 → N–1=6 F4 3
N=7 F5 5
∆10 = – 1 + (F5/F7)(2 – (– 1)) = 0.1538462 F6 8
∆20 = – 1 + (F6/F7)(2 – (– 1)) = 0.8461538 F7 13
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 122
Búsqueda Lineal Secuencial sin derivadas

Iteración 1: k<N-3 F

Se completaron las iteraciones necesarias: V

0 < 3 → Verdadero

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 123

Búsqueda Lineal Secuencial sin derivadas

Iteración 1: k<N-3 F

Se completaron las iteraciones necesarias: V

0 < 3 → Verdadero

V F
Se evalúa la mejora: θ(∆1k) < θ(∆2k)
θ(∆10) = (0.1538462)2 – 1 = – 0.976331
θ(∆20) = (0.8461538)2 – 1 = – 0.284024
θ(∆10) < θ(∆20) → Verdadero

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 124

Búsqueda Lineal Secuencial sin derivadas
Se determina el nuevo intervalo:
ak+1 = ak
a1 = a0 = – 1
bk+1 = ∆2k
b1 = ∆20 = 0.8461538

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 125

Búsqueda Lineal Secuencial sin derivadas
Se determina el nuevo intervalo:
ak+1 = ak
a1 = a0 = – 1
bk+1 = ∆2k
b1 = ∆20 = 0.8461538

Se calculan los nuevos

∆2k+1 = ∆1k
puntos de evaluación:
∆1k+1= ak+1 + (FN–k–3/FN–k–1)(bk+1 – ak+1)
∆21 = ∆10 = 0.1538462
∆11 = – 1 + (F4/F6)(0.8461538 – (– 1))
∆11 = – 0.307692
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 126
Búsqueda Lineal Secuencial sin derivadas
k iteraciones completas: k = k + 1 = 1
k=k+1

Iteración 2:
Se completaron las iteraciones necesarias:
1 < 3 → Verdadero F
k<N-3
V

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 127

Búsqueda Lineal Secuencial sin derivadas
k iteraciones completas: k = k + 1 = 1
k=k+1

Iteración 2:
Se completaron las iteraciones necesarias:
1 < 3 → Verdadero F
k<N-3
V

Se evalúa la mejora: V
θ(∆1k) < θ(∆2k)
F

θ(∆11) = (– 0.307692)2 – 1 = – 0.905325

θ(∆21) = θ(∆10) = – 0.976331
θ(∆11) < θ(∆21) → Falso
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 128
Búsqueda Lineal Secuencial sin derivadas
Se determina el nuevo intervalo:
ak+1 = ∆1k
a2 = ∆11 = – 0.307692
bk+1 = bk
b2 = b1 = 0.8461538

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 129

Búsqueda Lineal Secuencial sin derivadas
Se determina el nuevo intervalo:
ak+1 = ∆1k
a2 = ∆11 = – 0.307692
bk+1 = bk
b2 = b1 = 0.8461538
∆1k+1 = ∆2k
Se calculan los nuevos
puntos de evaluación: ∆ = a + (F /F )(b – a )
2k+1 k+1 N–k–2 N–k–1 k+1 k+1
∆12 = ∆21 = 0.1538462
∆22 = – 0.307692 + (F4/F5)(0.8461538 – (–
0.307692))
∆22 = 0.3846154
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 130
Búsqueda Lineal Secuencial sin derivadas

θ(∆1k)<
k k<N-3 θ(∆1k) θ(∆2k) ak+1 bk+1 ∆1k+1 ∆2k+1
θ(∆2k)
0 V -0.9763 -0.2840 V -1 0.84615 -0.3077 0.15385
1 V -0.9053 -0.9763 F -0.3077 0.84615 0.15385 0.38462
2 V -0.9763 -0.8521 V -0.3077 0.38462 -0.0769 0.15385
3 V -0.9941 -0.9763 V -0.3077 0.15385 -0.0769 -0.0769
4 F - - - - - - -

En 4 iteraciones se obtiene una solución que satisface el

error

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 131

Búsqueda Lineal Secuencial sin derivadas

Eficiencia: Requiere una menor cantidad de
iteraciones para reducir el intervalo de incertidumbre a
un tamaño dado.
1º Búsqueda de Fibonacci.

2º Método de Sección Dorada.

Más eficiente
3º Búsqueda Dicotómica.

4º Búsqueda Uniforme.
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 132
Búsqueda Lineal Secuencial con derivadas

Búsqueda por Bisección

Concepto

El intervalo de incertidumbre es reducido
progresivamente en un factor fijo δ con la
evaluación de θ’ en un punto ∆k.

Si θ’(∆k) = 0, Entonces ∆k es un mínimo.

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 133

Búsqueda Lineal Secuencial con derivadas

Búsqueda por Bisección

Concepto

El intervalo de incertidumbre es reducido
progresivamente en un factor fijo δ con la
evaluación de θ’ en un punto ∆k.

Si θ’(∆k) = 0, Entonces ∆k es un mínimo.

Si θ’(∆k) > 0, Entonces si θ es pseudoconvexa:
∆1 > ∆k → θ(∆1) ≥ θ(∆k).

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 134

Búsqueda Lineal Secuencial con derivadas

Búsqueda por Bisección

Concepto

El intervalo de incertidumbre es reducido
progresivamente en un factor fijo δ con la
evaluación de θ’ en un punto ∆k.

Si θ’(∆k) = 0, Entonces ∆k es un mínimo.

Si θ’(∆k) > 0, Entonces si θ es pseudoconvexa:
∆1 > ∆k → θ(∆1) ≥ θ(∆k).
θ(∆1) δ =½
θ(∆k)
∆
a ∆k ∆1 b
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 135
Búsqueda Lineal Secuencial con derivadas

Algoritmo:

Requerimientos:
La función θ debe ser pseudoconvexa sobre el
intervalo de incertidumbre.

Entrada:
[a, b]: intervalo de incertidumbre.
ε: máximo error permisible.

Salida:
[a, b]: intervalo de incertidumbre final.
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 136
Búsqueda Lineal Secuencial con derivadas

Número de iteraciones

bk – ak < ε
Dado δ y luego de N iteraciones:
bk – ak = (b0 – a0) ½N
(b0 – a0) ½N < ε

N > log((b0 – a0)/ε)/log(2)

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 137

Búsqueda Lineal Secuencial con derivadas

Algoritmo Comienzo

a0 = a, b0 = b
Inicialización
k = 0, N|N>log((b0–a0)/ε)/log(2)
F
k<N Fin
V
∆k= ½(ak + bk)
F
θ’(∆k) <> 0 Fin
k=k+1 V Búsqueda
V F
θ’(∆k) > 0
ak+1 = ak ak+1 = ∆k
bk+1 = ∆k bk+1 = bk
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 138
Búsqueda Lineal Secuencial con derivadas
Ejemplo 7.7: Resolver el siguiente problema por
búsqueda por bisección partiendo del intervalo [– 1, 2]
con una incertidumbre máxima de 0.5:
min x2 – 1

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 139

Búsqueda Lineal Secuencial con derivadas
Ejemplo 7.7: Resolver el siguiente problema por
búsqueda por bisección partiendo del intervalo [– 1, 2]
con una incertidumbre máxima de 0.5:
min x2 – 1

Entrada:
[a, b] = [– 1, 2]
ε = 0.5

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 140

Búsqueda Lineal Secuencial con derivadas

Inicialización: a0 = a, b0 = b
k=0 k = 0, N|N>log((b0–a0)/ε)/log(2)
a0 = – 1
b0 = 2
N > log((2 – (– 1))/ε)/log(2)
N > log((2 – (– 1))/ε)/log(2)
N=7

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 141

Búsqueda Lineal Secuencial con derivadas

Iteración 1: k<N
F

Se completaron las iteraciones necesarias: V

0 < 3 → Verdadero

Se determina el punto de evaluación:

∆0 = ½(2 + (– 1))= 0.5 ∆k= ½(ak + bk)

La punto actual no es el óptimo: θ’(∆k) <> 0

F

V
2(∆0) = 3 <> 0 → Verdadero
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 142
Búsqueda Lineal Secuencial con derivadas
Determinar el sentido de la mejora:
V F
2(∆0) = 3 > 0 → Verdadero θ’(∆k) > 0

Se calcula en nuevo intervalo: ak+1 = ak

a1 = a0 = – 1 bk+1 = ∆k
b1 = ∆0 = 0.5

Se han completado k iteraciones: k=k+1

k=k+1=1
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 143
Búsqueda Lineal Secuencial con derivadas

Iteración 2: k<N
F

Se completaron las iteraciones necesarias: V

1 < 3 → Verdadero

Se determina el punto de evaluación:

∆0 = ½(0.5 + (– 1)) = – 0.25 ∆k= ½(ak + bk)

La punto actual no es el óptimo: θ’(∆k) <> 0

F

V
2(∆0) = – 0.5 <> 0 → Verdadero
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 144
Búsqueda Lineal Secuencial con derivadas
Determinar el sentido de la mejora:
V F
2(∆0) = – 0.5 > 0 → Falso θ’(∆k) > 0

Se calcula en nuevo intervalo: ak+1 = ak

a2 = ∆1 = – 0.25 bk+1 = ∆k
b2 = b1 = 0.5

Se han completado k iteraciones: k=k+1

k=k+1=2
Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 145
Búsqueda Lineal Secuencial con derivadas

θ’(∆k)<>
k k<N ∆k θ’(∆k) θ’(∆k)>0 ak+1 bk+1
0
0 V 0.5 1 V V -1 0.5
1 V -0.25 -0.5 V F -0.25 0.5
2 V 0.125 0.25 V V -0.25 0.125
3 F - - - - - -

En 3 iteraciones se obtiene una solución

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 146

Resumen

Optimización irrestricta.

Búsqueda lineal: Simultanea, Secuencial.

Intervalo de incertidumbre.

Búsqueda lineal simultanea: Búsqueda uniforme.

Reducción del intervalo de incertidumbre.

Búsqueda lineal Secuencial sin derivadas:

Búsqueda dicotómica.

Método de sección dorada.

Búsqueda Fibonacci.

Búsqueda lineal Secuencial con derivadas.

Búsqueda por Bisección.

Programación No Lineal – Prof. Gonzalo Müller – Clase 7 – GM – 147