You are on page 1of 10

Mtodo de Bsquedas Multidimencionales

Tcnicas de Bsqueda Multidimensionales


Algunos modelos son:
Eliminacin multivariable
a)
Downhill
simplex
En el mtodo downhill simplex, cada punto de un simplex representa una
posible solucin del problema. El simplex correspondiente a una funcin de
N variables se representa por una matriz de (N+1)xN. Cada columna de la
matriz
contiene
las
N
coordenadas
de
un
vrtice
El algoritmo consiste en la bsqueda de un mnimo siguiendo una sucesin
de operaciones sobre el simplex: expansin, contraccin, y reflexin. Primero
se localiza el vrtice nmax donde la funcin objetivo f toma el valor mximo,
y se lo refleja respecto de la cara opuesta del simplex determinando un
nuevo punto n prueba. Se evala la funcin en una serie de puntos que
pertenezcan a la recta perpendicular a dicha cara y que contiene a n
prueba.
Si en alguno de esos puntos, la funcin toma un valor menor que f(nmax),
entonces
ese
punto
reemplaza a nmax en el simplex. En caso contrario, se conserva el simplex
original y se lo contrae en todas las direcciones alrededor del mnimo y se
vuelve a ejecutar el algoritmo. El mtodo invariablemente converge a un
mnimo
luego
de
una
serie
de
contracciones.
b)

Algoritmos

genticos

El mtodo de optimizacin por algoritmos genticos simula un proceso de


evolucin y seleccin natural en una poblacin de individuos. Cada individuo
de la poblacin representa una posible solucin. Por otra parte, un
cromosoma caracteriza a un individuo y est formado por un conjunto de
genes, cada uno de los cuales es un parmetro de optimizacin.
Mtodos

geomtricos

El mtodo geomtrico consiste en suponer que el crecimiento de una


comunidad es en todo instante proporcional a su poblacin, es decir que
responde
a
la
ecuacin:

Este mtodo da resultados superiores, por lo que se califica de optimista y


debe emplearse con mucha precaucin. Tan slo debe aplicarse a
comunidades en plena dinmica de crecimiento, con grandes posibilidades
de
desarrollo
y
horizontes
lbres.

Mtodos lgicos
La optimizacin lgica mediante eliminacin de redundancias tiene una
aplicacin muy limitada. Esto es debido a que no es una tcnica completa,
en el sentido de que una vez que se han eliminado todas las redundancias
de un circuito no es posible continuar optimizndolo mediante esta tcnica.
Para obtener un algoritmo general de optimizacin, la eliminacin de
redundancias se puede completar con su operacin inversa: la adicin de
redundancias. Esta operacin inversa tiene por objetivo la creacin de
nuevas redundancias, de forma que, tras la eliminacin de estas ltimas, el
circuito presenta menor rea o menor retraso o ambas cosas a la vez.

Bsqueda
Aleatoria
Este mtodo se basa en la generacin de una secuencia de aproximaciones
mejoradas al mnimo, cada una de las cuales se deriva de la aproximacin
previa. Entonces, si xi es la aproximacin al mnimo obtenida en la etapa (o
iteracin) (i 1), la nueva aproximacin en la etapa i se obtiene de: xi+1 =
xi + ui donde es una longitud de paso (valor escalar), ui es un vector
aleatorio
unitario
generado
en
la
iesima
etapa.
Algunas de las ventajas de los mtodos de bsqueda aleatoria son
las
siguientes:
Estos mtodos funcionan aunque la funcin objetivo sea discontinua y no
diferenciable en alguno de sus puntos. Estos mtodos pueden usarse para
encontrar el mnimo global cuando la funcin objetivo posee varios mnimos
relativos.
Estos mtodos son aplicables cuando otros mtodos fallan debido a
dificultades locales tales como funciones con formas determinadas y
regiones de bsqueda difciles de explorar. Aunque estos mtodos no son
muy eficientes, pueden usarse en las etapas iniciales de la optimizacin
para detectar la regin donde es ms probable encontrar el mnimo global.
Una vez localizada esta regin, puede usarse una tcnica ms eficiente para
ubicar
con
mayor
precisin
el
mnimo
global.
Procedimientos de aproximacin estocsticos
Consiste en la elaboracin de modelos de optimizacin con escenarios,
Muestreo de escenarios: Si el nmero de casos que hay que evaluar es muy
elevado es necesario reducirlo. Por ello se procede a un muestreo de los
mismos. Se determina la funcin de probabilidad acumulada y se procede al
muestreo ( el muestreo se realiza por el mtodo de Montecarlo).
La funcin objetivo final se determina empleando el mtodo de la
aproximacin media de muestra. Finalmente se analizan los resultados:
determinndose el tamao de muestra mnimo para obtener una solucin
fiable. Para luego analizar la solucin y disear el proceso.

Bsqueda en forma de malla


El mtodo de la malla fija ha sido utilizado en problemas en donde la
geometra del objeto, o las propiedades fsicas del cuerpo cambian con el
tiempo. En este trabajo se muestra la posibilidad de utilizar el mtodo de la
malla fija como alternativa al mtodo de los elementos finitos convencional,
para resolver problemas de elasticidad.
El desarrollo de los mtodos para la optimizacin de estructuras ha sido
bastante desordenado como resultado de la divisin de ideas: programacin
matemtica (MP), criterios de optimalidad (OC), optimizacin estructural
evolucionaria (ESO), microestructuras slidas istropas con penalizacin
(SIMP), optimizacin estructural basada en el crecimiento biolgico (BGSO),
mtodo de la curva de nivel (LSM), computacin evolutiva (EC), etc. Existen
diferentes
mtodos
evolucionarios:
estrategias
evolutivas
(ESs),
programacin evolucionaria (EP), programacin gentica (GP), y algoritmos
genticos (GAs); stos ltimos disponen de una base terica ms robusta, y
estn biolgicamente mejor adaptados.
El objetivo de la optimizacin de estructuras es obtener un diseo, es decir,
un conjunto de valores para las variables de diseo que hacen mnima una
funcin objetivo, y satisfacen un conjunto de restricciones que dependen de
estas variables. Los problemas de optimizacin de estructuras se pueden
dividir
en
tres
categoras:
propiedades,
forma,
y
topologa
Mtodo de bsqueda patrn: Hooke Jeeves
El mtodo de patrones de bsqueda de Hooke-Jeeves crea un conjunto
direcciones de bsqueda de manera iterativa. Este mtodo se propuso
1966 y fue uno de los primeros algoritmos en incorporar la historia previa
una secuencia de iteraciones en la generacin de una nueva direccin
bsqueda.

de
en
de
de

La idea bsica del algoritmo de Hooke-Jeeves es combinar movimientos


exploratorios del tipo una-variable-a-la-vez con movimientos de
patrones o aceleraciones, los cuales se regulan mediante algunas reglas
heursticas.
Los movimientos exploratorios examinan la vecindad del punto actual para
encontrar el mejor punto alrededor del mismo. Posteriormente, se usan
estos dos puntos (el actual y el mejor en su vecindad) para realizar un
movimiento
de
patrones.
De tal forma, los movimientos exploratorios examinan el comportamiento
local de la funcin y buscan localizar la direccin de cualquier pendiente
existente en la zona. Los movimientos de patrones utilizan la informacin
generada en la exploracin para escalar rpidamente las pendientes.
Mtodo de interpolacin cuadrtica de Powell
No
usa
derivadas
_ Se parte de un punto P0 y N direcciones (por ejemplo, base del espacio)
(ui)
arbitrarios
_
Se
calculan
los
Pi,
mnimos
a
lo
largo
de
ui
_
Se
elimina
u1
y
se
aade
nuevo
uN
=
PN
P0

_
Nuevo
P0
es
mnimo
a
lo
largo
de
nuevo
uN
_ Direcciones se van haciendo conjugadas, y se llega a mnimo de forma
cuadrtica
tras
N
iteraciones
del
ciclo
_ Problema de tendencia a dependencia lineal de (ui) (convergencia a
mnimo
de
un
subespacio):
_
Re
inicializacin
de
(ui)
tras

N
iteraciones
_ Powell: Eliminacin (salvo excepciones) de direccin en que f disminuy
ms en lugar de u1; prdida de direcciones conjugadas (y de convergencia
cuadrtica)
Mtodo del ascenso acelerado
Proceso interactivo de modelo de primer orden ajustado para acceder a las
cercanas del ptimo. Esto se logra realizando un conjunto de experimentos
que requieren llamar al modelo de simulacin con puntos de operacin
definidos en la direccin dada por el signo de los coeficientes del modelo
ajustado, con incremento en las variables proporcionales a la magnitud de
los coeficientes. Lo anterior se realiza mientras exista mejoramiento de la
respuesta o hasta encontrarse con una restriccin, debido a que, si se
encuentra una restrincion, los experimentos deben realizarse a travs de la
direccin impuesta por el vector director de la misma. El mejor punto
encontrado en la trayectoria de bsqueda se toma como el punto central
para
un
nuevo
diseo
experimental.
Este mtodo se experimenta en una funcin que emula el funcionamiento
del mismo; para ello recie como parmetros los coeficientes del modelo
ajustado, el margen de operacin y el punto actual de operacin, retornando
un
nuevo
punto
de
operacin.
Mtodo de Newton Raphson
Es un algoritmo eficiente para encontrar aproximaciones de los ceros o
races de una funcin real. Tambin puede ser usado para encontrar el
mximo o mnimo de una funcin, encontrando los ceros de su primera
derivada.
La idea de este mtodo es la siguiente: se comienza con un valor
razonablemente cercano al cero (denominado punto de arranque), entonces
se reemplaza la funcin por la recta tangente en ese valor, se iguala a cero
y se despeja (fcilmente, por ser una ecuacin lineal). Este cero ser,
generalmente, una aproximacin mejor a la raz de la funcin. Luego, se
aplican tantas iteraciones como se deseen. Supngase f : [a, b] R funcin
derivable definida en el intervalo real [a, b]. Empezamos con un valor inicial
x0
y
definimos
para
cada
nmero
natural
n.
Xn+1 = f(Xn) / f (Xn). Donde f denota la derivada de f.
Mtodo de Davidon Fletcher Powell
El mtodo de Davidon-Fletcher-Powell ha sido y sigue siendo una tcnica de
gradiente ampliamente utilizada. El mtodo tiende a ser robusto; esto es,
tpicamente tiende a tener un buen comportamiento en una amplia variedad

de problemas prcticas. La mayor desventaja de este tipo de mtodos es su


necesidad de almacenar la matriz A de N N. Una de las dificultades
practicas comunes de estos mtodos es la tendencia de A(k+1) a estar mal
condicionada, lo que causa una mayor dependencia a un procedimiento de
re
inicializacin.
Mtodo de Broyden Fletcher
Es un mtodo para solucionar un libre optimizacin no lineal problema. El
mtodo de BFGS se deriva de Mtodo del neutonio en la optimizacin, usa
tcnicas que busca punto inmvil de una funcin, donde gradiente es 0. El
mtodo del neutonio asume que la funcin se puede localmente aproximar
como ecuacin cuadrtica en la regin alrededor del grado ptimo, y utiliza
los primeros y segundos derivados para encontrar el punto inmvil.

Mtodo de Fletcher Reeves


Corresponde a la versin del mtodo del gradiente conjugado en el caso de
una funcin f general. La iteracin se define de la siguiente manera:

Mtodo de Smith.
Permite resolver el problema de varianza no constante en regresin en un
solo paso, ya que simultneamente se hallan las distribuciones posteriores
de todos los parmetros involucrados, un problema que para la
aproximacin tradicional es complejo y requiere primero modelar la
heteroscedasticidad y luego estimar los parmetros del modelo realizando
los
ajustes
necesarios.
Dado que este proceso de generacin de muestras es un proceso
markoviano donde la distribucin estacionaria es la distribucin posterior de
la cual se pretende extraer las muestras, se deben descartar los valores
generados al comienzo del proceso. Este es un problema complejo pero se
acostumbra eliminar los primeros 1000 valores y generar 5000 valores o
ms.

Mtodos de Variaciones Cclicas


Mtodos de Variaciones Cclicas
Variaciones Cclicas: (Serie temporales) se refiere a las oscilaciones de larga duracin
alrededor de la recta o curva de tendencia; estos ciclos, como se llaman a veces,

pueden ser o no peridicos, es decir, puede seguir o no exactamente caminos


analgicos despus de intervalos de tiempo iguales.
Se caracterizan por tener lapsos de expansin y contraccin. En general, los
movimientos se consideran cclicos solo si se produce en un intervalo de tiempo
superior al ao (3). En el Grfico los movimientos cclicos alrededor de la curva de
tendencia estn trazados en negrita.

Tratamos de hacer
predicciones sobre esa magnitud, teniendo en cuenta sus caractersticas histricas o
del pasado
Ejemplo para las variaciones cclicas.
Supongamos que tenemos las ventas trimestrales de un supermercado en el perodo
1990-1994, expresadas en millones de pesetas constantes del ao 1990.
Mtodos para determinar la tendencia de las variaciones cclicas
1) METODO GRAFICO
a) Se efecta la representacin grfica de la serie ordenada Yt
b) Se unen mediante segmentos rectilneos todos los puntos altos de la serie,
obtenindose una poligonal de cimas
c) Se realiza lo mismo con los puntos bajos, obtenindose la lnea poligonal de fondos
d) Se trazan perpendiculares al eje de abscisas por los puntos cimas y fondos.
e) La tendencia viene dada por la lnea amortiguada que une los puntos medios de los
segmentos
2) METODO DE LAS MEDIAS MOVILES
*** Empleando 3 observaciones
a) Partimos de la serie temporal observada Yt.
b) Se obtienen sucesivas medias aritmticas para cada Yt, con un nmero de
observaciones anteriores y posteriores fijado de antemano
- Si el nmero de observaciones es impar la media Yt, est centrada y coincide con el
perodo t
c) La serie formada por las medias de Yt, nos indica la lnea amortiguada de la
tendencia 6 .
*** Empleando 4 observaciones
a) Partimos de la serie temporal observada Yt.
b) Se obtienen las sucesivas medias aritmticas Si el nmero de observaciones
empleados para obtener la media es par, yt no est centrada y no coincide con el
perodo t, y habr que volver a calcular una nueva media aritmtica yt, utilizando los yt,
obteniendo de esta manera una nueva serie de medias mviles centradas.

Como se puede observar la serie de las medias obtenidas no est centrada, y


debemos obtener una nueva serie de medias centradas, a partir de la serie
descentrada
a) La serie formada por Yt, nos indica la lnea amortiguada de la tendencia
3) MTODO ANALTICO DE LOS MNIMOS CUADRADOS
a) Obtendremos la tendencia a partir de la recta Yt= a+ bt, siendo Yt, la media anual
de las observaciones trimestrales de los casos anteriores.
b) Calculamos los coeficientes a y b de la recta de regresin.
Deshaciendo el cambio de variable, tendremos la siguiente prediccin de la tendencia

Fibonacci,
Leonardo de Pisa, Leonardo Pisano o Leonardo Bigollo (c. 1170 - 1250), tambin
llamado Fibonacci, fue un matemtico italiano, famoso por haber difundido
en Europa el sistema de numeracin indo-arbigo actualmente utilizado, el que
emplea notacin posicional (de base 10, o decimal) y un dgito de valor nulo: el cero; y por
idear la sucesin de Fibonacci.
El apodo de Guglielmo (Guillermo), padre de Leonardo, era Bonacci (simple o bien
intencionado). Leonardo recibi pstumamente el apodo de Fibonacci (por filius Bonacci,
hijo de Bonacci). Guglielmo diriga un puesto de comercio en Buga (segn algunas
versiones era el cnsul dePisa), en el norte de frica (hoy Bejaia, Argelia), y de nio
Leonardo viaj all para ayudarlo. All aprendi el sistema de numeracin rabe.
Consciente de la superioridad de los numerales rabes, Fibonacci viaj a travs de los
pases delMediterrneo para estudiar con los matemticos rabes1 ms destacados de ese
tiempo, regresando cerca de 1200. En 1202, a los 32 aos de edad, public lo que haba
aprendido en elLiber abaci (abaci en el sentido de aritmtica y no del baco instrumento).
Este libro mostr la importancia del nuevo sistema de numeracin aplicndolo a
la contabilidad comercial, conversin de pesos y medidas, clculo, intereses, cambio
de moneda, y otras numerosas aplicaciones. En estas pginas describe el cero,
la notacin posicional, la descomposicin en factores primos, los criterios de divisibilidad.
El libro fue recibido con entusiasmo en la Europa ilustrada, y tuvo un impacto profundo en
el pensamiento matemtico europeo.
Leonardo fue husped del Emperador Federico II, que se interesaba en las matemticas y
la ciencia en general. En 1240, la Repblica de Pisa lo honra concedindole un salario
permanente (bajo su nombre alternativo de Leonardo Bigollo).

Sucesin de Fibonacci
En matemticas, la sucesin de Fibonacci (a veces llamada errneamente serie de
Fibonacci) es la siguiente sucesin infinita de nmeros naturales:

Grfica de la sucesin de Fibonacci hasta

La espiral de Fibonacci: una aproximacin de la espiral area generada dibujando arcos


circulares conectando las esquinas opuestas de los cuadrados ajustados a los valores de la
sucesin;1 adosando sucesivamente cuadrados de lado 1, 1, 2, 3, 5, 8, 13, 21, y 34.

La sucesin comienza con los nmeros 1 y 1,2 y a partir de estos, cada trmino es la
suma de los dos anteriores, es la relacin de recurrencia que la define.
A los elementos de esta sucesin se les llama nmeros de Fibonacci. Esta sucesin
fue descrita en Europa por Leonardo de Pisa, matemtico italiano del siglo XIII tambin
conocido como Fibonacci. Tiene numerosas aplicaciones en ciencias de la
computacin, matemticas yteora de juegos. Tambin aparece en configuraciones
biolgicas, como por ejemplo en las ramas de los rboles, en la disposicin de las
hojas en el tallo, en las flores de alcachofas ygirasoles, en las inflorescencias del
brcol romanesco y en la configuracin de las pias de las conferas.

Alguna vez escuchaste hablar acerca de la sucesin de Fibonacci?


Imaginas una ecuacin capaz de explicar matemticamente todo en el
universo? Crees que semejante cosa realmente sera posible?
Bueno, de las tantas sucesiones matemticas que existen, ninguna es tan
famosa, tan interesante y tan asombrosa como la que invent Fibonacci. A
lo largo de los aos, hombres de ciencia, artistas de todo tipo y arquitectos,
la han utilizado para trabajar, a veces a propsito y otras de forma
inconsciente, pero siempre con resultados majestuosos. Te invito a conocer

la historia detrs de todo este asunto y a que hoy aprendamos qu es la


sucesin de Fibonacci.
La sucesin de Fibonacci
ISTOCKPHOTO/THINKSTOCK
La sucesin de Fibonacci, en ocasiones tambin conocida como secuencia
de Fibonacci o incorrectamente como serie de Fibonacci, es en s una
sucesin matemtica infinita. Consta de una serie de nmeros naturales que
se suman de a 2, a partir de 0 y 1. Bsicamente, la sucesin de Fibonacci se
realiza sumando siempre los ltimos 2 nmeros (Todos los nmeros
presentes en la sucesin se llaman nmeros de Fibonacci) de la siguiente
manera:
0,1,1,2,3,5,8,13,21,34...
Fcil, no? (0+1=1 / 1+1=2 / 1+2=3 / 2+3=5 / 3+5=8 / 5+8=13 /
8+13=21 / 13+21=34...) As sucesivamente, hasta el infinito. Por regla, la
sucesin de Fibonacci se escribe as: xn = xn-1 + xn-2. Hasta aqu todo
bien, pero de seguro ests preguntndote quin fue Fibonacci?
Quin fue Fibonacci?
Bien, Fibonacci fue un matemtico italiano del siglo XIII, el primero en
describir esta sucesin matemtica. Tambin se lo conoca como Leonardo
de Pisa, Leonardo Pisano o Leonardo Bigollo y ya hablaba de la sucesin en
el ao 1202, cuando public su Liber abaci. Fibonacci era hijo de un
comerciante y se cri viajando, en un medio en donde las matemticas eran
de gran importancia, despertando su inters en el clculo de inmediato.
Se dice que sus conocimientos en aritmtica y matemticas crecieron
enormemente con los mtodos hindes y rabes que aprendi durante su
estancia en el norte de frica y luego de aos de investigacin, Fibonacci di
con interesantes avances. Algunos de sus aportes refieren a la geometra, la
aritmtica comercial y los nmeros irracionales, adems de haber sido vital
para desarrollar el concepto del cero.
El espiral de Fibonacci
PURESTOCK/THINKSTOCK
Ahora, qu es lo asombroso de esta secuencia o sucesin matemtica tan
simple y clara? Que est presente prcticamente en todas las cosas del
universo, tiene toda clase de aplicaciones en matemticas, computacin y
juegos, y que aparece en los ms diversos elementos biolgicos.
Ejemplos claros son la disposicin de las ramas de los rboles, las semillas
de las flores, las hojas de un tallo, otros ms complejos y an mucho ms
sorprendentes es que tambin se cumple en los huracanes e incluso hasta
en las galaxias enteras, desde donde obtenemos la idea del espiral de
Fibonacci.

Un espiral de Fibonacci es una serie de cuartos de crculo conectados que se


pueden dibujar dentro de una serie de cuadros regulados por nmeros de
Fibonacci para todas las dimensiones. Entre s, los cuadrados encajan a la
perfeccin como consecuencia de la naturaleza misma de la sucesin, en
donde cualquier cifra es igual a la suma de las dos anteriores. El espiral o
rectngulo resultante es conocido como el espiral dorado y el rectngulo de
oro.
HEMERA/THINKSTOCK
Cada uno de los nmeros de Fibonacci se acerca mucho a la llamada
proporcin urea, proporcin dorada o nmero de oro (aproximdamente
1.618034). Cuanto mayor es el par de nmeros de Fibonacci, ms cerca de
la proporcin dorada estamos. Naturalmente, sta cifra resulta ms bella y
ms agradable a nuestra percepcin y ya sea consciente o
inconscientemente, artistas la han empleado a lo largo de toda la historia de
la humanidad.
Desde arquitectos y escultores de la Antigua Grecia a pintores como Miguel
ngel y Da Vinci, a compositores como Mozart y Beethoven o, ms prximo
a nuestros das, las composiciones de artistas como Bla Bartk y Olivier
Messiaen. La gloriosa banda de rock: Tool, tambin ha trabajado de forma
conceptual con esta secuencia matemtica de acuerdo a la sucesin de
notas y estructuras musicales.

La suma infinita de los trminos de la sucesin

La suma de diez nmeros Fibonacci consecutivos es siempre 11 veces superior al

es exactamente

sptimo nmero de la serie.

El ltimo dgito de cada nmero se repite peridicamente cada 60 nmeros. Los


dos ltimos, cada 300; a partir de ah, se repiten cada

nmeros.

Los nmeros de Fibonacci son la suma de las diagonales (marcadas en rojo) del tringulo
de Pascal.

You might also like