Scribd
Cargar
19 vistas2 páginas

Método del Gradiente en Optimización

El método del gradiente es un enfoque iterativo para minimizar funciones diferenciables, utilizando el gradiente negativo para determinar la dirección de descenso. Consiste en inicializar un punto, iterar ajustando la posición según el gradiente y un tamaño de paso, y detenerse bajo ciertos criterios. Este método es simple y eficiente, aunque puede ser lento y oscilante si no se elige adecuadamente el tamaño de paso.

Cargado por

luismi121998
Derechos de autor
© All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd
19 vistas2 páginas

Método del Gradiente en Optimización

El método del gradiente es un enfoque iterativo para minimizar funciones diferenciables, utilizando el gradiente negativo para determinar la dirección de descenso. Consiste en inicializar un punto, iterar ajustando la posición según el gradiente y un tamaño de paso, y detenerse bajo ciertos criterios. Este método es simple y eficiente, aunque puede ser lento y oscilante si no se elige adecuadamente el tamaño de paso.

Cargado por

luismi121998
Derechos de autor
© All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd

Método del Gradiente en Programación

Matemática No Lineal
¿QUÉ ES EL MÉTODO DEL GRADIENTE?
Es un método iterativo usado para minimizar (o maximizar) una función diferenciable. Se
basa en la idea de que la dirección del gradiente negativo de una función en un punto es la
dirección de mayor descenso.

CONTEXTO: PROBLEMA DE OPTIMIZACIÓN NO LINEAL


Queremos minimizar una función:
min f(x), donde f: R^n -> R es diferenciable

PASOS DEL MÉTODO DEL GRADIENTE


1. Inicialización: Escoge un punto inicial x^(0)
2. Iteración: Para cada paso k = 0, 1, 2, ... calcula:
x^(k+1) = x^(k) - α_k * ∇f(x^(k))
donde ∇f(x^(k)) es el gradiente en x^(k) y α_k > 0 es el tamaño de paso.
3. Criterio de parada: Detener si ||∇f(x^(k))|| < ε o se alcanza el número máximo de
iteraciones.

INTERPRETACIÓN GEOMÉTRICA
El gradiente apunta en la dirección de máximo crecimiento. Al moverse en la dirección
contraria se busca el mínimo local.

SELECCIÓN DEL TAMAÑO DE PASO α_k


- Constante: valor fijo (por ejemplo 0.1)
- Búsqueda exacta: minimiza f(x^(k) - α * ∇f(x^(k)))
- Búsqueda inexacta: métodos como Wolfe o Armijo

VENTAJAS
- Simple de implementar
- Eficiente para funciones suaves

DESVENTAJAS
- Puede ser lento si α_k no se elige bien
- Puede oscilar si el paso es grande
- No eficiente cerca del mínimo

EJEMPLO PASO A PASO


Minimizar f(x, y) = x² + y²
1. Gradiente: ∇f(x, y) = [2x, 2y]
2. Punto inicial: x^(0) = (1,1), α = 0.1
3. Iteración: x^(1) = (1,1) - 0.1*[2,2] = (0.8, 0.8)
4. Repetir hasta ||∇f|| < ε

VARIACIONES DEL MÉTODO


- Gradiente con línea de búsqueda
- Gradiente conjugado
- Gradiente proyectado (con restricciones)

APLICACIONES
- Optimización en Machine Learning
- Ajuste de parámetros en modelos
- Problemas de ingeniería y economía

También podría gustarte