Multiplicadores de Lagrange y dualidad

Tamaño: px

Comenzar la demostración a partir de la página:

Download "Multiplicadores de Lagrange y dualidad"

Clara Carmona Benítez
hace 6 años
Vistas:

1 Multiplicadores de Lagrange y dualidad

2 Problemas con solo restricciones de igualdad Sea x* un mínimo local y regular ( : son linealmente independientes), entonces existen tales que: Interpretación y ejemplos.

3 Problemas con restricciones de igualdad y desigualdad donde f : R R, h : R R, g : R R n n m n r son funciones continuas diferenciables. Asumimos que el dominio D= dominio( f ) dominio( g ) es no vacío i i= 1 i= 1 n m r Construimos el Lagrangiano L: R xr xr R asociado al problema anterior como: m m I L( x, λ, ν ) = f ( x) + λ h ( x) + ν g ( x) i i i i i= 1 i= 1 r r I I λ : multiplicadores de Lagrange asociados con la restricción de igualdad i i ν : multiplicadores de Lagrange asociados con la restricción de desigualdad i i i

4 La función dual de Lagrange m r Es una función d: R R R m r d( λ, ν ) = inf L( x, λ, ν ) = inf ( ) i i ( ) i i ( ) x x f x + λ h x + ν g x i= 1 i= 1 como d( λ, ν )es el mínimo puntual de una familia de funciones lineales de ( λ, ν ) es una función cóncava aún cuando el problema no sea convexo.

5 Cota inferior del óptimo Para todo ( λ, ν 0), sea p*el valor óptimo del problema de optimización entonces, d( λ, ν ) p* Si x es un puto factible del problema de optimización, entonces: m r λihi ( x ) + ν igi ( x ) 0 i= 1 i= 1 por lo tanto L( x, λ, ν ) f ( x ) por lo tanto: d( λ, ν ) f ( x ), como vale para cualquier punto factible vale para el óptimo d( λ, ν ) p* { λ ν d λ ν } Dominio( g) =, : (, ) > λ, ν son factibles del dual si ν 0, λ, ν Dom( d) El Lagrangiano y la cota inferior se pueden interpretar como una linealización de la función indicatriz de las restricciones

6 El problema dual de Lagrange Cuál es la mejor cota inferior que puede ser obtenida a través de la función dual de Lagrange? maximizar d( λ, ν ) sujeto ν 0 a los valores óptimos ( λ*, ν*) se los llama óptimos del dual o multiplicadores de Lagrange óptimos. Este problema es siempre un problema de optimización convexa

7 Dualidad débil Esta propiedad se deduce de la cota inferior vista antes Si llamamos d * al óptimo del problema dual d* p* (dualidad débil) habitualmente se denomina a p*- d * como la diferencia (gap) de dualidad. Esta diferencia es siempre positiva.

8 Dualidad fuerte. Teorema de Slater La pregunta es cuando d* será igual a p*? Esto en general no es cierto pero si el problema es convexo con restricciones convexas, habitualmente (pero no siempre) se tiene dualidad fuerte. Lo que establece el teorema de Slater es una condición adicional a la convexidad para que se verifique la dualidad fuerte. Hay otros resultados.

9 Slater. Dualidad fuerte Se considera el siguiente problema convexo (f 0,f i convexas, h i funciones lineales) La condición de Slater para que en un problema convexo sea válida la dualidad fuerte es que Exista x un punto del dominio D tal que verifique: f ( x) < 0 i = 1,..., m y h ( x) = 0 i i

10 Ejemplos de dualidad f ( x) = 1/ 2( x + x ) s. t. i= { 0,1} g( x) = x 1 0, x X = R Optimización discreta: f ( x) g( x) = x 1/ 2 0 Optimización sobre un simplex: min f ( x) n i i 0 = x x X = x x = r

11 Interpretación de la dualidad y los multiplicadores de Lagrange Interpretación económica.

12 Condiciones de optimalidad Complementariedad de la relajación Cuando existe dualidad fuerte: (since constraints satisfied at x*)

13 Complementariedad de la relajación Lo cual implica: Como cada término es no-positivo, se tiene la propiedad: Lo que es equivalente a: Si el multiplicador de Lagrange es 0, la restricción puede estar activa (no es biyectivo)

14 Condiciones Karush-Kuhn-Tucker (KKT) para el caso no convexo. Asumiendo que hay dualidad fuerte y que las f0,fi,hi son diferenciables, como el gradiente debe ser 0 en x* Por lo tanto juntando todo lo visto se tienen las siguientes condiciones necesarias de optimalidad

15 Condiciones KKT (caso convexo) En este caso también son suficientes para que sean el óptimo del primal y el dual sin diferencia de dualidad. Ejemplos

16 Análisis de sensibilidad Consideramos el problema: Si es la solución óptima del problema perturbado, es decir: Si es diferenciable en (0,0) y existe dualidad fuerte, entonces las variables duales óptimas cumplen que

17 Idea general de los métodos de barrera. Aproximar las restricciones por una función barrera (una aproximación de la indicatriz)

18 Idea general de los métodos de barrera. A medida que t se hace más grande la aproximación mejora.

Documentos relacionados

Departamento de Matemáticas. ITAM Programación lineal (+ extensiones). Objetivos y panorama del c

Programación lineal (+ extensiones). Objetivos y panorama del curso. Departamento de Matemáticas. ITAM. 2008. Introducción Programación lineal http://allman.rhon.itam.mx/ jmorales La programación lineal