2. Introduzione
Data una funzione f che dipende da una o più variabili, si
vogliono trovare i valori delle variabili in corrispondenza dei
quali f assume valore massimo o minimo, e calcolare tale valore
i due problemi sono equivalenti:
il massimo (minimo) di f è il minimo (massimo) di –f
Classificazione degli estremi:
estremo globale: è il punto in cui la funzione assume il valore più
alto (o più basso) in assoluto
estremo locale: è il punto in cui la funzione assume il valore più
alto (o più basso) limitatamente ad un intorno dell’estremo
(massimi e minimi relativi)
In genere si vogliono ricercare gli estremi locali di una funzione
Ci sono due tipi di metodi di ricerca di massimi e minimi:
metodi che non richiedono il calcolo delle derivate
metodi che richiedono il calcolo delle derivate
nel caso multidimensionale la derivata è un gradiente
in genere questi metodi richiedono un numero maggiore di calcoli, ma
sono più efficaci
3. Intrappolamento (“bracketing”)
Un minimo di una funzione f(x) si dice intrappolato se
esistono tre punti a,b,c con a<b<c tali che f(b)<f(a) e f(b)<f(c)
in questo caso, se f(x) è continua, il minimo si troverà in un
punto dell’intervallo [a,c]
nel caso di un massimo, devono esistere tre punti a,b,c con
a<b<c tali che f(b)>f(a) e f(b)>f(c)
x
y
a b c
f(c)
f(b)
f(a)
4. Metodo della sezione aurea (1)
Si parte da un minimo inizialmente intrappolato
Detti a,b,c i punti che intrappolano il minimo si ha:
Analogamente a quanto viene fatto nel metodo di bisezione, si cerca un
nuovo punto x, compreso tra a e b oppure tra b e c, che restringa
l’intervallo
Supponiamo di scegliere x tra b e c:
se f(x)>f(b) il nuovo tripletto di punti sarà a,b,x
se f(x)<f(b) il nuovo tripletto di punti sarà b,x,c
)()()()( cfbfafbf
cba
<∧<
<<
x
y
a b cx x
y
a b cx
5. Metodo della sezione aurea (2)
Il processo di intrappolamento viene arrestato quando la distanza c-
a è sufficientemente piccola
se ε è la precisione della macchina, si potrebbe pensare di fermare il
processo quando a=b(1- ε) e c=b(1+ ε)
in realtà conviene fermarsi prima per evitare troppi calcoli
Se x=b è la posizione del minimo, in un intorno di x si ha:
Il secondo termine della somma deve essere trascurabile rispetto al
primo (di un fattore ε):
Poiché il termine sotto radice è in genere dell’ordine dell’unità, è
sufficiente che la larghezza frazionaria dell’intervallo |x-b|/b sia
dell’ordine di ε1/2
in questo modo si evita di effettuare troppe bisezioni
( )2
)(
2
1
)()( bxbfbfxf −′′+≈
( )
)(
)(2
)(
)(2
)()(
2
1
2
2
bfb
bf
bbx
bf
bf
bxbfbxbf
′′
<−⇒
′′
<−⇒<−′′ ε
ε
ε
6. Metodo della sezione aurea (3)
Quale è la strategia migliore per scegliere il nuovo punto x
in ogni iterazione?
Poniamo:
Supponiamo che il punto x successivo si trovi tra b e c e
poniamo:
Se x si trova tra a e b si ragiona analogamente (in questo
caso sarà Z<0)
ac
bc
W
ac
ab
W
−
−
=−⇒
−
−
= 1
ac
bx
Z
−
−
=
a b cx
W(c-a) (1-W)(c-a)
Z(c-a)
7. Metodo della sezione aurea (4)
A seconda del valore di f(x) si sceglierà il nuovo tripletto di punti:
se f(x)>f(b) i nuovi 3 punti da usare sono a,b,x
il nuovo intervallo [a,x] ha lunghezza (W+Z)(c-a)
se f(x)<f(b) i nuovi 3 punti da usare sono b,x,c
il nuovo intervallo [b,c] ha lunghezza (1-W)(c-a)
Conviene scegliere Z in maniera tale che, qualunque condizione si
verifichi, l’intervallo finale abbia sempre la stessa lunghezza:
Con questa scelta |b-a|=|x-c|:
WZWZW 211 −=⇒−=+
)())(1(
))(1()()()(
)(
acWacWZ
acWacZbcbxcx
acWab
−−=−+−
=−−−−=−−−=−
−=−
a b cx
W(c-a) (1-W)(c-a)
Z(c-a) W(c-a)
8. Metodo della sezione aurea (5)
Il punto x è il simmetrico di b nell’intervallo [a,c]
il punto x si trova sempre all’interno del più lungo tra i segmenti [a,b] (se
Z<0) e [b,c] (se Z>0)
Consideriamo i tripletti di punti a,b,c e b,x,c:
Se gli intervalli vengono divisi sempre allo stesso modo, allora i due
rapporti devono essere uguali e quindi deve aversi:
a b cx
W(c-a) (1-W)(c-a)
Z(c-a) W(c-a)
( )
( )( ) W
Z
acW
acZ
bc
bx
W
ac
ab
−
=
−−
−
=
−
−
=
−
−
11
( )
38197.0
2
53
01321
1
1
22
≈
−
=⇒=+−⇒−=−
−=⇒=
−
WWWWWW
WWZW
W
Z
9. Metodo della sezione aurea (6)
L’intrappolamento ottimale porta a tripletti di punti in cui il
punto centrale si trova ad una distanza frazionaria W=0,38197
da uno dei due estremi e ad una distanza frazionaria 1-
W=0,61803 dall’altro estremo (sezioni auree)
Dato un tripletto di punti a,b,c, il punto successivo x in cui
calcolare il valore della funzione si trova alla distanza
frazionaria W=0.38197 dal punto di mezzo del tripletto, nel più
lungo dei due intervalli [a,b] o [b,c]
Se gli intervalli del tripletto di partenza non rispettano i
rapporti aurei non è un problema
la procedura iterativa converge rapidamente verso intervalli
ottimali
La dimensione dell’intervallo ottenuto alla n-esima iterazione è
pari a 0,61803 volte la dimensione dell’intervallo ottenuto alla
(n-1)-esima iterazione
questo valore va confrontato con il valore di 0,5 del metodo di
bisezione per la ricerca degli zeri
10. Interpolazione parabolica (1)
Se la funzione f(x) è abbastanza regolare, in un intorno del minimo
si può approssimare il suo grafico con quello di una parabola
Sia x0 l’ascissa del minimo e sviluppiamo f(x) in serie di Taylor in
un intorno di x0:
avendo sfruttato il fatto che f’(x0)=0
In prossimità del minimo ha dunque senso approssimare il grafico
della funzione con quello di una parabola
Una volta individuati 3 punti a,b,c che intrappolano il minimo di
f(x) consideriamo la parabola per i tre punti [a,f(a)], [b,f(b)] e
[c,f(c)]
il minimo della parabola (che ne è anche il vertice) sarà usato come
approssimazione del minimo della funzione
( ) ( ) ( )( ) +−′′+=
2
000
2
1
xxxfxfxf
11. Interpolazione parabolica (2)
Scriviamo l’equazione della parabola che passa per i
tre punti [a,f(a)], [b,f(b)] e [c,f(c)] nella forma:
e determiniamo i parametri A, B e C:
Restano da risolvere la prima e la terza equazione per
trovare i valori di A e B
( ) ( ) CbxBbxAy +−+−=
2
( ) ( ) ( )
( )
( ) ( ) ( )
=+−+−
=
=+−+−
cfCbcBbcA
bfC
afCbaBbaA
2
2
( ) ( ) ( ) ( )
( )
( ) ( ) ( ) ( )
−=−+−
=
−=−+−
bfcfbcBbcA
bfC
bfafbaBbaA
2
2
12. Interpolazione parabolica (3)
Riscrivendo in maniera opportuna le due equazioni e
sottraendo membro a membro si ha:
( ) ( ) ( )
( ) ( ) ( )
−
−
=+−
−
−
=+−
bc
bfcf
BbcA
ba
bfaf
BbaA ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
−
−
−
−
−
−
=
⇒
−
−
−
−
−
=−
ab
afbf
bc
bfcf
ac
A
ba
bfaf
bc
bfcf
acA
1
( ) ( )
( )
( ) ( )
( )
−
−
=
−
+
−
−
=
−
+
2
2
bc
bfcf
bc
B
A
ba
bfaf
ba
B
A ( ) ( )
( )
( ) ( )
( )
( )( )
( ) ( )
( )
( ) ( )
( )
( ) ( ) ( )( )
( )
( ) ( ) ( )( )
( )
−
−−
+
−
−−
−
=
⇒
−
−
+
−
−
=
−−
−
⇒
−
−
−
−
−
=
−
−
−
ab
afbfbc
bc
bfcfab
ac
B
ab
afbf
bc
bfcf
abbc
ac
B
ba
bfaf
bc
bfcf
babc
B
1
11
22
22
13. Interpolazione parabolica (4)
Cerchiamo adesso l’ascissa del minimo della parabola:
Sostituendo i valori di A e B determinati prima si ha:
L’interpolazione parabolica viene usata nel metodo di
Brent, in combinazione con la regola aurea
( )
A
B
bxBbxA
dx
dy
2
020 −=⇒=+−⇒=
( ) ( ) ( )( )
( )
( ) ( ) ( )( )
( )
( ) ( ) ( ) ( )
( ) ( ) ( )( ) ( ) ( ) ( )( )
( ) ( ) ( )( ) ( ) ( ) ( )( )afbfbcbfcfab
afbfbcbfcfab
bx
ab
afbf
bc
bfcf
ac
ab
afbfbc
bc
bfcfab
ac
b
A
B
bx
−−−−−
−−+−−
−=
⇒
−
−
−
−
−
−
−
−−
+
−
−−
−
−=−=
22
2
1
2
1
2
14.
15. Metodo di Nelder e Mead (1)
Il metodo di Nelder e Mead, noto come “downhill simplex method” o
“metodo dell’ameba”, permette di ricercare massimi e minimi di funzioni
di più variabili
In tale metodo si utilizzano soltanto i valori della funzione, senza
calcolarne le derivate
Definizione: si chiama “simplex” in uno spazio a N dimensioni la figura
geometrica definita da N+1 vertici e da tutte le linee che connettono tali
vertici
nello spazio a 2 dimensioni un simplex è un triangolo
nello spazio a 3 dimensioni un simplex è un tetraedro
In generale ci interessano i simplex non degeneri, ossia i simplex che
racchiudono un volume N-dimensionale
nello spazio a 2 dimensioni un triangolo è degenere se i suoi 3 vertici sono
collineari
in tal caso il triangolo degenera in un segmento e la sua superficie è nulla
nello spazio a 3 dimensioni un tetraedro è degenere se i suoi 4 vertici sono
complanari
in tal caso il tetraedro degenera in un triangolo ed il suo volume è nullo
in generale, nello spazio a N dimensioni un simplex è degenere se i suoi
N+1 vertici sono contenuti in un iperpiano di dimensione N-1
16. Metodo di Nelder e Mead (2)
Si sceglie un simplex di partenza individuato dagli N+1
punti P0,P1,...,PN
in genere conviene fissare P0 e scegliere gli altri N punti in
modo che sia:
dove gli ei sono N vettori unitari linearmente indipendenti
e λ è una costante che può rappresentare una costante di
scala del problema in esame
in principio si possono scegliere N valori di λi diversi
Si procede in maniera iterativa:
in ogni iterazione il simplex ottenuto nell’iterazione
precedente viene opportunamente modificato
NiePP ii ...10 =+= λ
17. Metodo di Nelder e Mead (3)
Possibili operazioni:
riflessione: il punto in cui f(x) ha il valore più alto viene
sostituito con il suo simmetrico rispetto alla faccia opposta
del simplex
riflessione con espansione: il punto in cui f(x) ha il valore più
alto è sostituito con un punto simmetrico rispetto alla faccia
opposta del simplex, a distanza maggiore
contrazione lungo una dimensione: il punto in cui f(x) ha il
valore più alto è sostituito con un punto lungo la
perpendicolare alla faccia opposta, a distanza minore
contrazione lungo tutte le dimensioni verso il punto in cui
f(x) ha il valore più basso: gli altri N punti del simplex dove
f(x) ha il valore maggiore vengono spostati lungo la
congiungente con il punto in cui f(x) ha il valore più basso in
direzione di tale punto
18. Metodo di Nelder e Mead (4)
A
B
C
A’
A
B
C
A’
f(A)>f(B)>f(C)
A
B
C
A’
C
A’
A
B’
B
riflessione riflessione con
espansione
contrazione
in una
dimensione
contrazione
lungo più
dimensioni
20. Metodo di Nelder e Mead (6)
La procedura iterativa sceglie di volta in volta quale è
l’operazione più opportuna da compiere sul simplex
di partenza
La procedura termina quando la distanza percorsa in
una iterazione è più piccola di un valore di tolleranza
prefissato dall’utente
tipicamente si sceglie una tolleranza pari alla precisione
della macchina
A volte la procedura iterativa può essere terminata
erroneamente
è sempre bene far ripartire l’algoritmo dal punto in cui
è stato individuato il minimo
se effettivamente il punto di partenza è un minimo, allora la
procedura iterativa restituirà ancora una volta tale punto
