Los vectores de gradiente siempre apuntan a la dirección donde la función aumenta al máximo. Esta propiedad ayuda a encontrar los máximos / mínimos de la función utilizando el algoritmo de ascenso / descenso más pronunciado.
Por ejemplo
[matemáticas] f (x, y) = 2-x ^ {2} -2y ^ {2} \ tag * {} [/ matemáticas]
- Estoy a punto de graduarme como ingeniero eléctrico. ¿Puedo ir a la escuela de posgrado de física / matemáticas / informática?
- ¿Cuáles son algunas experiencias personales al resolver IE Irodov?
- ¿Cómo derivar de manera análoga la ley de los gases ideales, utilizando la ley de entropía y la interpretación estadística de Boltzmann para definir la temperatura? Puede esto siquiera estar terminado
- Si el Corán describe consistentemente un sistema matemático en el que aa = -a y -a + a = a, ¿es cierto?
- ¿Existe un nombre para el valor absoluto del componente menos no cero de un vector?
Trazado 3D de la función
Gráfico de contorno de la función
Vectores de gradiente de la función
Desde la propia trama 3D, podemos visualizar que el máximo ocurre en la cima de la colina. Por lo tanto, todos los vectores de gradiente apuntan hacia círculos concéntricos internos en el diagrama de contorno.
En un problema de optimización restringida, el óptimo ocurre en un punto donde el gradiente de una función objetivo y el gradiente de restricción son paralelos / antiparalelos. Esta propiedad proporciona una condición necesaria para encontrar un punto máximo / mínimo para un problema de optimización restringida.
La condición necesaria es
[matemáticas] \ bigtriangledown f = \ lambda \ bigtriangledown g \ tag * {} [/ matemáticas]
Por ejemplo
[matemáticas] Máx. \ hspace {0.5cm} 2-x ^ {2} -2y ^ {2} \ tag * {} [/ matemáticas]
[matemática] Restricción: \ hspace {0.5cm} x + y-1 = 0 \ tag * {} [/ math]
La función lagrangiana para el problema anterior es
[matemáticas] L (\ lambda, x, y) = 2-x ^ {2} -2y ^ {2} + \ lambda (x + y-1) \ tag * {} [/ matemáticas]
La gráfica de contorno para la función lagrangiana anterior es
Vector gradiente para la función objetivo
Vector de gradiente para la restricción
Para el problema anterior, el máximo ocurre en el punto (2/3, 1/3) y [math] \ lambda [/ math] = – [math] \ frac {4} {3} [/ math]. Podemos ver que el vector gradiente de la función objetivo y la restricción son antiparalelos en (2/3, 1/3).