CAP 6

LA OPTIMIZACIÓN NUMÉRICA de funciones objetivo multivariables generales no lineales

requiere técnicas eficientes y robustas. La eficiencia es importante porque estos

los problemas requieren un procedimiento de solución iterativo, y se convierte en prueba y error

poco práctico para más de tres o cuatro variables. Robustez (la capacidad de lograr

una solución) es deseable porque una función no lineal general es impredecible en su

comportamiento; puede haber máximos o mínimos relativos, puntos de silla de montar, regiones
de convexidad,

concavidad, y así sucesivamente. En algunas regiones, el algoritmo de optimización puede

progresar muy lentamente hacia el óptimo, lo que requiere un tiempo de computadora excesivo.
Por suerte,

podemos recurrir a una amplia experiencia en la prueba de programación no lineal

algoritmos para funciones no restringidas para evaluar diversos enfoques propuestos para

la optimización de tales funciones.

En este capítulo discutimos la solución de la optimización sin restricciones

problema:

Encontrar: eso minimiza

Los procedimientos iterativos más efectivos alternan entre dos fases en la optimización.

En la iteración k, donde la corriente x es xk, hacen lo siguiente:

1. Elija una dirección de búsqueda sk

2. Minimice en esa dirección (generalmente inexactamente) para encontrar un nuevo punto

Donde ALFA^k es un escalar positivo llamado tamaño de paso. El tamaño del paso está
determinado por un

proceso de optimización llamado búsqueda de línea como se describe en el Capítulo 5.

Además de 1 y 2, un algoritmo debe especificar

3. El vector de inicio inicial x0 = [x xs. . . n; lT y

4. Los criterios de convergencia para la terminación.

Desde un punto de partida dado, se determina una dirección de búsqueda y se minimiza la

fijación)
en esa direccion. La búsqueda se detiene en función de algunos criterios, y luego un nuevo

la dirección de búsqueda está determinada, seguida de otra búsqueda de línea. La búsqueda de

línea puede

llevarse a cabo con varios grados de precisión. Por ejemplo, podríamos usar un simple

duplicación sucesiva del tamaño del paso como método de detección hasta que detectamos el
óptimo

ha sido puesto entre corchetes. En este punto, la búsqueda de detección puede finalizar y

un método más sofisticado empleado para producir un mayor grado de precisión. En cualquier

evento, refiérase a las técnicas discutidas en el Capítulo 5 para formas de llevar a cabo la línea

buscar.

Los métodos NLP (programación no lineal) que se discutirán en este capítulo difieren

principalmente en cómo generan las direcciones de búsqueda. Alguna programación no lineal

los métodos requieren información sobre los valores derivados, mientras que otros no

use derivados y confíe únicamente en evaluaciones de funciones. Además, diferencia finita

los sustitutos se pueden usar en lugar de derivados como se explica en la Sección 8.10. por

funciones diferenciables, los métodos que usan derivados analíticos casi siempre usan

menos tiempo de cálculo y son más precisos, incluso si la diferencia finita aproximada