República Bolivariana de Venezuela

Ministerio del Poder Popular para la Defensa

Universidad Nacional Experimental Politécnica de la Fuerza Armada Nacional
Bolivariana
UNEFANB – Extensión Guacara
Guacara, Edo. Carabobo

Unidad 3:
Métodos de
Búsqueda

Profesora: Belén Torres Alumno: Jeykel Infante

Asignatura: Optimización No Lineal C.I: 27.927.489
Ing. De Sistemas

Domingo,10 de enero de 2021

 Función Unimodal

Existen además funciones que son monótonas crecientes para un dominio de x, y

monótonas decrecientes para otro dominio de x, en cuyo caso se dice que son monótonas
a cada lado del punto mínimo. Tales funciones se denominan Funciones Unimodales. Por
lo tanto:

Una función es unimodal sobre el intervalo a ≤ x ≤ b, si y solo sí es monótona a ambos

lados del punto óptimo del intervalo. En otras palabras si x* es el único punto mínimo del
intervalo (a,b), luego se dice que f(x) es unimodal en el intervalo, si y solo sí para dos
puntosa cualquiera x1 y x2 se cumple que:

x ’ ≤ x 1 ≤ x 2 → f ( x ’)≤ f (x 1)≤ f (x 2 )

x ’ ≥ x 1 ≥ x 2 → f ( x ’ ) ≤ f ( x 1) ≤ f ( x 2 )

Para que se cumpla dicha propiedad (unimodalidad), la función no necesariamente debe

ser continua, ya que lo mismo se cumple si es discreta.

Bajo la suposición de Unimodalidad, el mínimo local se transforma automáticamente en

un mínimo global.

Cuando la función No es Unimodal, son posibles múltiples mínimos locales, y el mínimo

global solo se puede encontrar, localizando todos los mínimos locales, y seleccionando el
mejor (menor f(x)).

Otra forma de encontrar el óptimo global sin tener que identificar los puntos estacionarios
y evaluar el valor de sus funciones, sería aprovechar la propiedad de unimodalidad de las
funciones para poder determinar rápidamente el óptimo. Sin embargo, el test para
determinar si una función es unimodal es muy complejo y difícil de aplicar. Pero, sí es
posible utilizar la propiedad de convexidad y concavidad de las funciones unimodales para
aproximarse al óptimo. Muchos métodos utilizan dicha propiedad para encontrar el punto
óptimo.
 Búsqueda de Fibonacci

El método de Fibonacci está considerado como el más eficiente entre los métodos de
búsqueda. Difiere del método de la sección ´aurea en el hecho de que el valor de α no
permanece constante en cada iteración. Además, el número de iteraciones viene
predeterminado en base al nivel de exactitud especificado por el usuario.

El método de Fibonacci debe su nombre a que se utiliza la sucesión de Fibonacci:

F 0=F1 =1 , F n=F n−1+ F n−2

Para determinar en cada iteración los nuevos valores yk y zk con los que evaluar el actual
intervalo de incertidumbre. Como veremos, en el método de Fibonacci el (k + 1)−ésimo
subintervalo se obtiene reduciendo la longitud del k-´esimo subintervalo por un factor
F n−k−1
. Por consiguiente, despu´es de n − 2 pasos, la longitud del último subintervalo
F n−k
será:

F n−1 Fn−2 F n−3 F 2 F 1 1

… ( b−a ) = (b−a)
F n Fn−1 F n−2 F 3 F 2 Fn

Paso Inicial:

b−a
Fijar h> 0 y ∈>0. Elegir n tal que F n> . Hacer a 1=a , b1=b ,
h

F n−1 F n−1
(
y 1=a1+ 1−
Fn )( b1−a 1) z 1=a 1+ ( b −a )
Fn 1 1

Y k =1

Paso General:

Repetir:

1. Si f ( yk )≥ f ( zk ), ir a 2. En caso contrario, ir a 3.
2. Hacer a k+1=ak ,b k+1=bk , y k+1=z k y:

F n−k−1
z k+1=ak +1+ ( b −a )
F n−k k +1 k+1
 3. Hacer a k+1=ak ,b k+1=z k , z k+1= y k y calcular:

F n−k−1
y k +1=ak +1+ 1−( F n−k )
( bk +1−a k+1 )

4. Hacer k =k +1 e ir a 1.
5. Hacer y n= y n−1 , z n= y n−1 +ϵ .

 Si f ( y n ) ≤ f ( z n ), tomar a n=an −1 , bn=z n−1.

 Si f ( y n ) ≥ f ( z n ), tomar a n= y n−1 ,b n=b n−1.

Final. [ a n , b n ] es el intervalo de incertidumbre final.

F n−1
Para un valor de n suficientemente grande, la proporción tiende al número áureo, y
Fn
por lo tanto el método de Fibonacci se aproxima al método de la sección áurea.

Búsqueda por la Sección Dorada

Es una técnica para encontrar un extremo (mínimo o máximo) de una función dentro de
un intervalo especificado. Para una función estrictamente unimodal con un extremo dentro
del intervalo, encontrará ese extremo, mientras que para un intervalo que contiene
múltiples extremos (posiblemente incluyendo los límites del intervalo), convergerá a uno
de ellos. Si el único extremo del intervalo está en un límite del intervalo, convergerá a ese
punto límite. El método opera estrechando sucesivamente el rango de valores en el
intervalo especificado, lo que lo hace relativamente lento, pero muy robusto. La técnica
deriva su nombre del hecho de que el algoritmo mantiene los valores de la función para
cuatro puntos cuyos tres anchos de intervalo están en la proporción 2−φ :2φ−3 :2−φ
donde φ es la proporción áurea.

Estas proporciones se mantienen para cada iteración y son de máxima eficacia.

Exceptuando los puntos límite, cuando se busca un mínimo, el punto central es siempre
menor o igual que los puntos externos, asegurando que se contenga un mínimo entre los
puntos externos. Lo contrario es cierto cuando se busca un máximo. El algoritmo es el
límite de la búsqueda de Fibonacci (también descrita a continuación) para muchas
evaluaciones de funciones. La búsqueda de Fibonacci y la búsqueda de la sección áurea
fueron descubiertas por Kiefer (1953) (ver también Avriel y Wilde (1966)).

El nuevo intervalo de búsqueda estará entre y con una longitud de a+ c , o entre y con una
longitud de b. La búsqueda de la sección áurea requiere que estos intervalos sean
iguales. Si no es así, una racha de "mala suerte" podría llevar a que el intervalo más
amplio se use muchas veces, lo que ralentizará la tasa de convergencia. Para asegurarse
de que b=a+ c, el algoritmo debe elegir. x 1 x 4 x 2 x 3

x 4 =x1 + ( x 3−x 2 )

Sin embargo, aún queda la cuestión de dónde debería colocarse en relación con y. La
búsqueda de la sección áurea elige el espaciado entre estos puntos de tal manera que
estos puntos tengan la misma proporción de espaciado que el triple o subsiguiente. Al
mantener la misma proporción de espaciado en todo el algoritmo, evitamos una situación
en la que está muy cerca de o y garantizamos que el ancho del intervalo se contrae en la
misma proporción constante en cada paso. x 2 x 1 x 3 x1 , x2 , x 4 x 2 , x 4 , x 3 x 2 x1 x 3

Matemáticamente, para asegurar que el espacio después de evaluar es proporcional a la

distancia antes de esa evaluación, si es y nuestro nuevo triplete de puntos es, y, a
continuación, queremos f ( x 4 ) f ( x 4 ) f 4 a x1 x 2 x 4

c a
=
a b

Sin embargo, si es y nuestro nuevo triplete de puntos es, y, a continuación, queremos

f ( x4 ) f 4 b x2 x4 x3

c a
=
b−c b

Eliminando c de estas dos ecuaciones simultáneas se obtiene:

b 2 b
()
a
− =1 ,
a

b
=φ ,
a

Donde φ es la proporción áurea:

1+ √ 5
φ= =1.618033988 …
2
La aparición de la proporción áurea en el espaciado proporcional de los puntos de
evaluación es cómo este algoritmo de búsqueda recibe su nombre.

Método de Interpolación Cuadrática

Cuando el polinomio que conviene es de 2º grado la interpolación recibe el nombre de

cuadrática. El polinomio interpolador es único, luego como se encuentre da igual., sin
embargo, a veces los cálculos son muy laboriosos y es preferible utilizar un método que
otro. A la vista de los datos se decide.

En el ejemplo 1 se da el método de resolver el sistema para encontrar los valores que

determinan a la función cuadrática (a, b y c)

También podemos utilizar la expresión del polinomio interpolador así:

y= a + b(x-x0) + c(x-x0)(x-x1), con lo que la búsqueda de los coeficientes es muy

sencilla.

Lagrange (1736-1813) dio una manera simplificada de calcular los polinomios

interpoladores de grado n Para el caso de un polinomio de 2º grado que pasa por los
puntos (x0, y0 ), (x1, y1), (x2, y2):

( x−x 1 ) ( x−x 2 ) ( x−x 0 ) ( x−x 2 ) ( x−x 0 ) ( x−x 1 )

y= y 0 + y1 + y2
( x 0−x 1 )( x −x2 ) ( x 1−x 0 ) ( x 0−x 2 ) ( x 2−x 0 ) ( x 2−x 1 )

Que es la fórmula de Lagrange para n=2.

Con frecuencia se tienen que estimar valores intermedios entre valores conocidos. El
método más común empleado para este propósito es la interpolación polinomial.

Recuérdese que la fórmula general de un polinomio de n-ésimo orden es:

f ( X )=a 0+ a1 X +a2 X 2 +…+ an X n

Para n + 1 puntos, existe uno y sólo un polinomio de n-ésimo orden o menor que pasa a
través de todos los puntos. Por ejemplo, hay sólo una línea recta (es decir un polinomio
de primer orden) que conecta dos puntos. El polinomio de interpolación consiste en
determinar el único polinomio de n-ésimo orden que se ajusta a los n + 1 puntos dados.
Este polinomio proporciona una fórmula para calcular los valores intermedios.

Aunque existe uno y sólo un polinomio de n-ésimo orden que se ajusta a los n + 1 puntos,
existen una gran variedad de fórmulas matemáticas mediante las cuales se puede
expresar este polinomio. En esta unidad se estudian dos técnicas alternativas que están
bien condicionadas para implementarse en una computadora. Estos son los polinomios
de Newton y de Lagrange.

Métodos de Búsqueda Multidimensionales

Algunos modelos son:

 Eliminación multivariable: En el método downhill simplex, cada punto de un

simplex representa una posible solución del problema. El algoritmo consiste en la
búsqueda de un mínimo siguiendo una sucesión de operaciones sobre el simplex:
expansión, contracción, y reflexión.

 Métodos lógicos: La optimización lógica mediante eliminación de redundancias

tiene una aplicación muy limitada. Esto es debido a que no es una técnica
completa, en el sentido de que una vez que se han eliminado todas las
redundancias de un circuito no es posible continuar optimizándolo mediante esta
técnica. Para obtener un algoritmo general de optimización, la eliminación de
redundancias se puede completar con su operación inversa: la adición de
redundancias. Esta operación inversa tiene por objetivo la creación de nuevas
redundancias, de forma que, tras la eliminación de estas últimas, el circuito
presenta menor área o menor retraso o ambas cosas a la vez.

 Búsqueda Aleatoria: Este método se basa en la generación de una secuencia de

aproximaciones mejoradas al mínimo, cada una de las cuales se deriva de la
aproximación previa.

Estos métodos funcionan, aunque la función objetivo sea discontinua y no diferenciable en

alguno de sus puntos. Estos métodos pueden usarse para encontrar el mínimo global
cuando la función objetivo posee varios mínimos relativos.

Estos métodos son aplicables cuando otros métodos fallan debido a dificultades locales
tales como funciones con formas determinadas y regiones de búsqueda difíciles de
explorar. Aunque estos métodos no son muy eficientes, pueden usarse en las etapas
iniciales de la optimización para detectar la región donde es más probable encontrar el
mínimo global. Una vez localizada esta región, puede usarse una técnica más eficiente
para ubicar con mayor precisión el mínimo global.
La organización del espacio multidimensional permite disminuir el número de accesos a
disco que son necesarios para dar respuesta a las consultas que el usuario realice. Un
aspecto principal en el contexto es el tipo de consulta que se procesa sobre los datos.
Donde se considera y recomienda la mejor manera de responder a tales consultas por
semejanza a un patrón dado. Por ejemplo, se tiene una imagen patrón y se busca en la
base de datos una imagen similar a la de dicho patrón. O si se tiene un perfil concreto, se
buscan objetos que encajen en dicho perfil. He aquí las consultas por similitud, que
consiste en transformar cada objeto de la base de datos en un punto multidimensional que
capture las características que definen el objeto y modelar la búsqueda como una
recuperación de vecinos más cercanos en el espacio multidimensional.

En otras palabras, los métodos multidimensionales son aquellos que tratan de acelerar las
búsquedas por similitud en voluminosos espacios altamente dimensionales aportando
soluciones aproximadas, esto es dando como respuesta objetos que con un cierto margen
de error pueden considerarse los más próximos al patrón de búsqueda. O bien son las
diferentes estrategias para dar solución a problemas relacionados con la búsqueda por
similitud, fundamentalmente en el contexto de colecciones voluminosas de documentos
multimedia.

Métodos de Variaciones Cíclicas

Se refiere a las oscilaciones de larga duración alrededor de la recta o curva de tendencia;

estos ciclos, como se llaman a veces, pueden ser o no periódicos, es decir, puede seguir
o no exactamente caminos analógicos después de intervalos de tiempo iguales.

Se caracterizan por tener lapsos de expansión y contracción. En general, los movimientos

se consideran cíclicos solo si se produce en un intervalo de tiempo superior al año (3). En
el Gráfico los movimientos cíclicos alrededor de la curva de tendencia están trazados en
negrita.

Tratamos de hacer predicciones sobre esa magnitud, teniendo en cuenta sus

características históricas o del pasado

1. Método Gráfico:

 Se efectúa la representación gráfica de la serie ordenada Yt.

  Se unen mediante segmentos rectilíneos todos los puntos altos de la serie,
obteniéndose una poligonal de cimas.
 Se realiza lo mismo con los puntos bajos, obteniéndose la línea poligonal de
fondos.
 Se trazan perpendiculares al eje de abscisas por los puntos cimas y fondos.
 La tendencia viene dada por la línea amortiguada que une los puntos medios
de los segmentos.

2. Método de las Medias Móviles:

 Empleando 3 observaciones:

 Partimos de la serie temporal observada Yt.

 Se obtienen sucesivas medias aritméticas para cada Yt, con un número de
observaciones anteriores y posteriores fijado de antemano.
 Si el número de observaciones es impar la media Yt, está centrada y
coincide con el período t.
 La serie formada por las medias de Yt, nos indica la línea amortiguada de la
tendencia 6.

 Empleando 4 observaciones:

 Partimos de la serie temporal observada Yt.

 Se obtienen las sucesivas medias aritméticas Si el número de
observaciones empleados para obtener la media es par, yt no está
centrada y no coincide con el período t, y habrá que volver a calcular una
nueva media aritmética yt, utilizando los yt, obteniendo de esta manera
una nueva serie de medias móviles centradas.
 Como se puede observar la serie de las medias obtenidas no está
centrada, y debemos obtener una nueva serie de medias centradas, a
partir de la serie “descentrada”.
 La serie formada por Yt, nos indica la línea amortiguada de la tendencia.

3. Método Analítico de los Mínimos Cuadrados:

 Obtendremos la tendencia a partir de la recta Yt= a+ bt, siendo Yt, la media

anual de las observaciones trimestrales de los casos anteriores.
 Calculamos los coeficientes “a” y “b” de la recta de regresión.
 Deshaciendo el cambio de variable, tendremos la siguiente predicción de la
tendencia.