Optimización global: ¿Qué necesitamos saber sobre una función objetivo para definir una función de límite superior (para la maximización)?

Para usar una técnica heurística como ramificar y unir, o cualquier otra solución que no sea la fuerza bruta, debe saber algo sobre la forma de su función objetivo.

Es lineal? (Presumiblemente no, o no estaría investigando ramificado, simplemente usaría una biblioteca LP o ILP lista para usar).

¿Es monótono en algunas variables (X) cuando las otras (Y, Z, …) son fijas? Entonces podría usar ramificar y vincular: particione el espacio de búsqueda usando las variables Y, Z, … y use la monotonicidad en X para producir límites.

¿Existe una buena aproximación lineal de la función objetivo en pequeñas regiones del espacio 4-d? Luego, podría usar la división en rama dividiendo el espacio de búsqueda en regiones que pueda aproximar bien.

Dado un punto X, ¿puede demostrar que algún otro conjunto de puntos debe tener valores objetivos peores que o (X)? Eso define una partición que también se puede usar para ramificar y vincular.

¿Se puede descomponer la función objetivo en optimización en subproblemas más pequeños? (Menos variables o rangos restringidos).

¿La función objetivo tiene máximos falsos? Si no, entonces la escalada simple funcionará.

Dada cualquier forma funcional genérica con segundas derivadas continuas, puede generar una rigurosa relajación cóncava, es decir, una función que se garantiza que es (i) cóncava y (ii) mayor o igual que su función original en el dominio de definición, por añadiéndole una suma de cuadráticos univariados de magnitud apropiada. Debido a que la nueva función es cóncava, se puede resolver con una optimización global. El valor de esta función en el punto óptimo es un límite superior garantizado en la función original.

Una forma común de generar esta relajación cóncava es la metodología aBB [1].

Notas al pie

[1] αΒΒ – Wikipedia