Un problema convexo combina un territorio sin entrantes con una función que no se arquea hacia abajo
La optimización convexa busca minimizar una función convexa sobre un conjunto de soluciones también convexo. Un conjunto es convexo si el segmento que une dos puntos permitidos permanece dentro de él. Una función es convexa si, al unir dos puntos de su gráfica, el segmento queda por encima o sobre la función. En una dimensión recuerda a un cuenco, pero la definición sirve en espacios con miles o millones de variables donde no podemos dibujarlo.
Esta geometría ofrece la garantía decisiva: cualquier mínimo local de un problema convexo es también global. Si existiera un punto mejor en otra parte, avanzar una pequeña distancia hacia él reduciría la función y el supuesto mínimo local dejaría de serlo. Puede haber varios mínimos con el mismo valor, pero no valles engañosos separados por montañas. Eso distingue la clase convexa de gran parte de la optimización matemática general.
La convexidad pertenece al problema completo, no únicamente a la fórmula que se minimiza
Todo modelo separa variables de decisión, una función objetivo y restricciones. Minimizar coste de transporte, por ejemplo, exige decidir cantidades enviadas, sumar sus costes y respetar capacidad y demanda. Una función lineal es convexa y las igualdades afines conservan convexidad. Las desigualdades deben escribirse con funciones convexas en el lado adecuado. Una sola restricción no convexa, como obligar a elegir exactamente uno de varios estados discretos, puede destruir las garantías.
También importa la dirección. Minimizar una función convexa es convexo; maximizarla, en general, no. Maximizar una función cóncava sí encaja tras cambiar el signo. El mismo fenómeno físico puede formularse de maneras equivalentes en apariencia pero muy distintas para el algoritmo. Reconocer transformaciones, introducir variables auxiliares y elegir una representación correcta es parte del trabajo, no una limpieza posterior. Un solucionador no convierte automáticamente cualquier expresión complicada en un problema fiable.
La solución puede acompañarse de una cota que demuestra cuánto margen queda para mejorar
En muchos problemas convexos existe un problema dual que proporciona límites inferiores al valor óptimo del problema original. Si una solución factible alcanza el mismo valor que una cota dual, queda certificada como óptima. La diferencia entre ambas se llama brecha de dualidad y permite detener un algoritmo con una tolerancia explícita. No basta entonces con decir «parece el mejor punto encontrado»: se puede medir la distancia entre el resultado y lo mejor matemáticamente posible.
Las condiciones de Karush-Kuhn-Tucker reúnen factibilidad, gradiente, multiplicadores y complementariedad. Bajo condiciones adecuadas son necesarias y suficientes para la optimalidad. Generalizan la idea de que, en un mínimo interior, la pendiente se anula, mientras en un borde las fuerzas de las restricciones equilibran el descenso. Esas condiciones no son una receta independiente de los supuestos: en un problema no convexo pueden describir un punto estacionario que no sea el mejor global.
Gradientes, proyecciones y métodos de punto interior aprovechan estructura diferente
El descenso por gradiente avanza en la dirección que reduce más rápidamente una función suave y usa la curvatura para elegir pasos. Si hay restricciones simples, una proyección devuelve cada intento al conjunto permitido. Los métodos proximales separan términos con estructuras distintas y resultan útiles en modelos dispersos. Los métodos de punto interior recorren el interior de las restricciones mediante barreras y resuelven una secuencia de aproximaciones cada vez más precisas.
No existe un algoritmo único para toda convexidad. El tamaño, la precisión, la dispersión de las matrices y la posibilidad de distribuir cálculos cambian la elección. Algunos problemas pequeños se resuelven con enorme exactitud; otros gigantes aceptan una aproximación en pocas pasadas por los datos. La garantía global no significa tiempo constante ni ausencia de errores numéricos. Un modelo mal escalado o casi degenerado puede exigir reformulación aunque su teoría sea impecable.
La programación convexa disciplinada comprueba reglas de composición antes de resolver
Herramientas como CVX o CVXPY permiten expresar objetivos y restricciones con funciones conocidas. Siguen reglas de programación convexa disciplinada: conocen qué argumentos hacen creciente o decreciente a cada función y verifican si una composición conserva convexidad. Después transforman el modelo a formas cónicas que un solucionador entiende. Si rechazan una expresión, puede ser realmente no convexa o estar escrita de una manera que no permite certificarla.
Esta disciplina evita deducir curvaturas a ojo, pero no valida el significado del modelo. Elegir una pérdida, una restricción de riesgo o una penalización sigue siendo una decisión científica. En aprendizaje automático, por ejemplo, la regresión lineal regularizada puede ser convexa, mientras entrenar una red neuronal profunda suele ser no convexo. Que el primer problema sea más fácil de optimizar no demuestra que represente mejor la realidad.
La clase convexa abarca desde ajustar datos hasta repartir energía, pero no todas las decisiones caben en ella
Mínimos cuadrados, programación lineal, optimización cuadrática y numerosos problemas de conos son casos convexos. Se usan en control, diseño de filtros, asignación de recursos, carteras financieras, reconstrucción de imágenes y planificación de redes. A menudo lo importante no es una fórmula exótica, sino encontrar una representación que muestre la convexidad escondida. El algoritmo simplex resuelve un caso lineal; los métodos convexos extienden el terreno mucho más allá.
Las decisiones enteras, las rutas combinatorias y muchos modelos físicos conservan no convexidades esenciales. Se pueden usar relajaciones convexas para obtener cotas o aproximaciones, dividir el problema o alternar subproblemas, pero la garantía original ya no se transfiere sin prueba. La optimización convexa es poderosa precisamente porque sus límites están claros: cuando el modelo cumple la geometría, encontrar y certificar el mejor resultado es tratable; cuando no, saber qué parte falla orienta la estrategia siguiente.
