Optimización Matemática
La optimización matemática busca el mejor elemento, según algún objetivo, de un conjunto de alternativas factibles, y proporciona la teoría y los algoritmos para lograrlo.
Definition
Un problema de optimización busca minimizar o maximizar una función objetivo sobre un conjunto factible definido por restricciones; su solución es un punto factible en el que el objetivo alcanza su mejor valor, caracterizado por condiciones de optimalidad.
Scope
Esta área abarca la optimización sin restricciones y con restricciones, la convexidad y la dualidad, la programación lineal, cuadrática y no lineal, las condiciones de optimalidad de tipo Lagrange y Karush-Kuhn-Tucker, y los algoritmos, desde los métodos simplex y de punto interior hasta los métodos de gradiente y Newton, que calculan los óptimos. Se extiende a la optimización a lo largo del tiempo mediante el control óptimo.
Sub-topics
Core questions
- ¿Existe un óptimo, y es único o global?
- ¿Qué condiciones caracterizan un punto óptimo?
- ¿Cómo hace la convexidad que un problema sea tratable?
- ¿Qué algoritmos calculan soluciones de forma fiable y eficiente?
Key theories
- Condiciones de optimalidad
- Los multiplicadores de Lagrange y las condiciones de Karush-Kuhn-Tucker caracterizan los óptimos restringidos a través de la estacionariedad, la factibilidad y la complementariedad, generalizando la condición de gradiente nulo del caso sin restricciones.
- Convexidad y dualidad
- Para problemas convexos, cada óptimo local es global, y la dualidad lagrangiana proporciona límites y certificados de optimalidad a través del teorema de dualidad fuerte.
- Algoritmos iterativos
- Los óptimos se calculan mediante esquemas iterativos como los métodos simplex y de punto interior para programas lineales y los métodos de gradiente, Newton y cuasi-Newton para problemas no lineales, con una convergencia regida por la estructura del problema.
Clinical relevance
La optimización subyace a la investigación operativa, la economía, el aprendizaje automático, el diseño de ingeniería, el control y la logística, proporcionando el marco estándar para la asignación de recursos, el ajuste de modelos y la toma de decisiones bajo restricciones.
History
La optimización surgió de los multiplicadores de Lagrange y el cálculo de variaciones. La programación lineal apareció en la década de 1940 con el trabajo de Kantorovich y Dantzig y el método simplex, las condiciones de Kuhn-Tucker de 1951 unificaron la optimización restringida, y los métodos de punto interior transformaron la computación a gran escala a partir de la década de 1980.
Key figures
- Joseph-Louis Lagrange
- George Dantzig
- Leonid Kantorovich
- Harold Kuhn
- Albert Tucker
Related topics
Seminal works
- nocedal2006
- boyd2004
- bertsekas1999
Frequently asked questions
- ¿Por qué es tan importante la convexidad en la optimización?
- En un problema convexo, cualquier mínimo local es automáticamente un mínimo global, y se aplican potentes garantías de dualidad y algorítmicas. Esto hace que los problemas convexos sean resolubles de forma fiable, mientras que los problemas no convexos generales pueden tener muchos óptimos locales y ninguna garantía eficiente de encontrar el mejor.
- ¿Qué son las condiciones de Karush-Kuhn-Tucker?
- Son las condiciones necesarias de primer orden para una solución de un problema de optimización restringida, que generalizan los multiplicadores de Lagrange a las restricciones de desigualdad. Combinan la estacionariedad del lagrangiano, la factibilidad y una relación de holgura complementaria entre los multiplicadores y las restricciones activas.