9. Anexos.

optimización que queremos usar.
Anexos.
Algunos de los parámetros se aplican a todos los algoritmos, otros son solo relevantes si se utilizan
métodos del tipo large-scale y otros son sólo relevantes si se usan medium-scale.
Para introducir estas opciones se debe utilizar la función optimset, tanto para inicializar los valores
de los mismos como para modificarlos.
• LargeScale – Usa un algoritmo del tipo large-scale, si es posible, cuando su valor es 'on'.
Para usar algoritmos del tipo medium-scale hay que hacer que esta variable igual a 'off'.
Los siguientes parámetros tienen sentido cuando hablamos tanto de algoritmos mediumscale
como del tipo large-scale:
• Diagnostics – Imprime a la salida una información de diagnóstico sobre la función a ser
minimizada.
• Display – Nivel de información que se muestra a la salida. Su valor puede ser:
• off – No muestra nada a la salida.
• iter – Muestra una línea de información por cada iteración del algoritmo.
• final – Muestra la salida final, con las estadísticas que reflejan el número total de
iteraciones empleadas en el algoritmo, el número de evaluaciones de la función
objetivo, la condición de salida, los multiplicadores de Lagrange de primer
orden,etc.
• GradObj – Define si se va a proveer o no a fmincon del gradiente de la función objetivo
calculado analíticamente o no. En caso de que el gradiente no sea proporcionado
analíticamente fmincon va a calcularlo numéricamente. Sin embargo, la documentación
que acompaña a Matlab asegura peores resultados si no se proporciona. De hecho, si se
usa un método del tipo largeScale es obligatorio proporcionar este gradiente, no es así en
medumScale donde es opcional.
• MaxFunEvals – Máximo número de evaluaciones de la función objetivo.
• MaxIter – Máximo número de iteraciones del algoritmo utilizado.
• TolFun – Máxima tolerancia en el cálculo del valor de la función objetivo.
• TolCon – Máxima tolerancia en la violación de las restricciones.
• Tolx – Máxima tolerancia en el valor de la variable.
Los parámetros que se detallan a continuación sólo tienen sentido cuando hablamos de
algoritmos del tipo mediumScale.
• DerivativeCheck – Compara el valor de las derivadas (gradiente de la función objetivo y
de las restricciones no-lineales) proporcionadas por el usuario con las que calcula
numéricamente (finite-differencing derivatives).
• DiffMaxChange – Cambio máximo en las variables cuando las derivadas son calculadas
numéricamente.
• DiffMinChange – Mínimo cambio en las variables cuando las derivadas son calculadas
numéricamente.
Los parámetros de configuración exclusivos de los algoritmos del tipo largeScale no van a
ser comentados debido a que, como se explicará en la siguiente sección, una limitación de fmincon
8