Se intentó inspeccionar el archivo adjunto getPDF.jsp(nonsmooth).pdf, pero su texto no era legible/buscable en la herramienta, por lo que el resumen a continuación se basa en la teoría estándar y las fuentes bibliográficas proporcionadas.

1. Idea básica del análisis no suave

• El cálculo clásico funciona bien para funciones suaves, pero muchas funciones importantes son no suaves, como:

  • f(x)=|x|
  • f(x)=max_i f_i(x)
  • funciones distancia
  • funciones valor en optimización/control
  • pérdidas lineales a trozos tipo ReLU

• En lugar de pedir una única derivada, el análisis no suave propone un conjunto de derivadas generalizadas.

• Para una función localmente Lipschitz f: R^n -> R, Clarke introdujo las derivadas direccionales generalizadas y los gradientes generalizados como herramientas para la optimización no suave.

2. Derivada direccional generalizada de Clarke

Para f localmente Lipschitz, la derivada direccional de Clarke en x en la dirección v se escribe comúnmente como:

f°(x; v) = limsup_{y -> x, t ↓ 0} [f(y + t v) - f(y)] / t.

Puntos clave:

• Está diseñada para funciones no suaves localmente Lipschitz.
• Es positivamente homogénea y subaditiva en v en la teoría estándar de Clarke.
• Generalmente es mayor o igual que la derivada direccional ordinaria cuando ambas se consideran en entornos comparables.
• Captura el crecimiento direccional local del peor caso cerca de x.

3. Subdiferencial de Clarke

El subdiferencial de Clarke se define comúnmente como:

∂C f(x) = { ξ in R^n: f°(x; v) >= <ξ, v> para todo v in R^n }.

Una descripción estándar equivalente para f localmente Lipschitz es que el subdiferencial de Clarke es la envolvente convexa de los límites de los gradientes clásicos cercanos donde la función es diferenciable.

∂C f(x) = co { límites de ∇f(x_k): x_k -> x, f diferenciable en x_k }.

Aquí co significa envolvente convexa.

Propiedades clave:

• ∂C f(x) es una derivada generalizada multivaluada para funciones localmente Lipschitz.
• En la teoría estándar de Clarke en dimensión finita, ∂C f(x) es no vacío, compacto y convexo para f localmente Lipschitz.
• Si f es continuamente diferenciable cerca de x, entonces el subdiferencial de Clarke se reduce al gradiente ordinario.

∂C f(x) = {∇f(x)}.

• Si f es convexa, el subdiferencial de Clarke coincide con el subdiferencial del análisis convexo en entornos estándar.

Ejemplo:

f(x) = |x|.

Entonces

∂C f(x) =
  {-1},        x < 0
  [-1, 1],     x = 0
  {1},         x > 0.

Este es el ejemplo básico estándar que muestra cómo una esquina se representa mediante un intervalo completo de pendientes posibles.

4. Reglas de cálculo para el subdiferencial de Clarke

Sean f, g: R^n -> R localmente Lipschitz cerca de x; las reglas de cálculo de Clarke son una parte central de la teoría de optimización no suave.

Regla de la suma

∂C(f + g)(x) ⊂ ∂C f(x) + ∂C g(x).

Bajo condiciones adicionales de regularidad, puede obtenerse la igualdad.

Multiplicación por escalar

Para un escalar a,

∂C(a f)(x) = a ∂C f(x).

Si a < 0, el conjunto se refleja.

Regla del producto

∂C(fg)(x) ⊂ f(x) ∂C g(x) + g(x) ∂C f(x).

Esta es una de las reglas de cálculo de tipo inclusión estándar en el cálculo subdiferencial de Clarke.

Regla del cociente

Si g(x) ≠ 0 y g está acotada lejos de cero cerca de x, la regla del cociente estándar tiene la forma:

∂C(f/g)(x) ⊂ [g(x) ∂C f(x) - f(x) ∂C g(x)] / g(x)^2.

Regla de la cadena

Si F: R^n -> R^m es estrictamente diferenciable en x y φ: R^m -> R es localmente Lipschitz cerca de F(x), la regla de la cadena de Clarke se expresa comúnmente como una inclusión del siguiente tipo:

∂C(φ ∘ F)(x) ⊂ DF(x)^T ∂C φ(F(x)).

Si φ es regular en el sentido de Clarke, están disponibles formas más fuertes.

Regla del máximo

Si

f(x) = max { f1(x),..., fm(x) },

donde cada fi es localmente Lipschitz, defina el conjunto de índices activos

I(x) = { i: fi(x) = f(x) }.

Entonces la regla del máximo de Clarke da una inclusión de la siguiente forma:

∂C f(x) ⊂ co ⋃_{i in I(x)} ∂C fi(x).

Si las fi son suaves, esto se convierte en:

∂C f(x) ⊂ co { ∇fi(x): i in I(x) }.

Para muchas funciones máximo estándar, la igualdad se cumple bajo supuestos de regularidad adecuados.

Regla de Fermat para optimización no suave

Si x es un minimizador local de f localmente Lipschitz, entonces la condición de Fermat no suave es:

0 ∈ ∂C f(x).

Este es el análogo no suave de ∇f(x)=0.

5. Artículos y libros clásicos

• El trabajo de F. H. Clarke sobre gradientes generalizados es una fuente fundacional para las derivadas generalizadas de Clarke en el análisis no suave.

• Las derivadas direccionales generalizadas y los gradientes generalizados de Clarke se discuten en la literatura de optimización no suave en dimensión finita, incluyendo el trabajo de Hiriart-Urruty.

• El trabajo de Rockafellar sobre subgradientes generalizados en programación matemática es otra línea fundacional; el artículo citado describe los fundamentos de las derivadas direccionales generalizadas y los subgradientes.

• El trabajo de Hiriart-Urruty en dimensión finita discute las derivadas direccionales de Clarke, los gradientes generalizados de Clarke, las reglas de cálculo y las aplicaciones a la optimización no suave.

6. Direcciones de la literatura reciente

• La investigación reciente en optimización no suave continúa utilizando objetos de tipo Clarke y relajaciones relacionadas; por ejemplo, un artículo de 2025 estudia la velocidad de convergencia utilizando el subdiferencial de Goldstein, descrito como una versión relajada del subdiferencial de Clarke utilizada en varios algoritmos.

• Las derivadas direccionales generalizadas de Clarke continúan apareciendo en condiciones de optimalidad para problemas de optimización de conjuntos; un artículo de 2025 estudia soluciones minimales débiles aproximadas utilizando un nuevo tipo de derivada generalizada de Clarke.

• Publicaciones recientes de Rockafellar indican trabajo continuo en análisis no suave y multivaluado, incluyendo trabajo de 2025 relacionado con el cálculo de variaciones.

7. Buen camino de lectura

1. Comience con la derivada direccional generalizada y el subdiferencial de Clarke.
2. Aprenda las reglas de cálculo básicas: suma, producto, cadena, máximo y Fermat.
3. Estudie los subdiferenciales convexos y compárelos con los subdiferenciales de Clarke.
4. Pase al análisis variacional: conos normales, codiferenciales y marcos de diferenciación generalizada más amplios.
5. Lea artículos de optimización recientes que utilicen subdiferenciales de Clarke o Goldstein en algoritmos.

Una lista de lectura práctica inicial sería:

• El trabajo de Clarke sobre gradientes generalizados y derivadas generalizadas de Clarke.
• El trabajo de Hiriart-Urruty sobre derivadas generalizadas y optimización no suave.
• "Generalized Subgradients in Mathematical Programming" de Rockafellar.
• Artículos recientes que utilizan subdiferenciales de tipo Goldstein o Clarke en algoritmos de optimización no suave y condiciones de optimalidad.

Se intentó inspeccionar el archivo adjunto getPDF.jsp(nonsmooth).pdf, pero su texto no era legible/buscable en la herramienta, por lo que el resumen a continuación se basa en la teoría estándar y las fuentes bibliográficas proporcionadas.

1. Idea básica del análisis no suave

• El cálculo clásico funciona bien para funciones suaves, pero muchas funciones importantes son no suaves, como:

  • f(x)=|x|
  • f(x)=max_i f_i(x)
  • funciones distancia
  • funciones valor en optimización/control
  • pérdidas lineales a trozos tipo ReLU

• En lugar de pedir una única derivada, el análisis no suave propone un conjunto de derivadas generalizadas.

• Para una función localmente Lipschitz f: R^n -> R, Clarke introdujo las derivadas direccionales generalizadas y los gradientes generalizados como herramientas para la optimización no suave.

2. Derivada direccional generalizada de Clarke

Para f localmente Lipschitz, la derivada direccional de Clarke en x en la dirección v se escribe comúnmente como:

f°(x; v) = limsup_{y -> x, t ↓ 0} [f(y + t v) - f(y)] / t.

Puntos clave:

• Está diseñada para funciones no suaves localmente Lipschitz.
• Es positivamente homogénea y subaditiva en v en la teoría estándar de Clarke.
• Generalmente es mayor o igual que la derivada direccional ordinaria cuando ambas se consideran en entornos comparables.
• Captura el crecimiento direccional local del peor caso cerca de x.

3. Subdiferencial de Clarke

El subdiferencial de Clarke se define comúnmente como:

∂C f(x) = { ξ in R^n: f°(x; v) >= <ξ, v> para todo v in R^n }.

Una descripción estándar equivalente para f localmente Lipschitz es que el subdiferencial de Clarke es la envolvente convexa de los límites de los gradientes clásicos cercanos donde la función es diferenciable.

∂C f(x) = co { límites de ∇f(x_k): x_k -> x, f diferenciable en x_k }.

Aquí co significa envolvente convexa.

Propiedades clave:

• ∂C f(x) es una derivada generalizada multivaluada para funciones localmente Lipschitz.
• En la teoría estándar de Clarke en dimensión finita, ∂C f(x) es no vacío, compacto y convexo para f localmente Lipschitz.
• Si f es continuamente diferenciable cerca de x, entonces el subdiferencial de Clarke se reduce al gradiente ordinario.

∂C f(x) = {∇f(x)}.

• Si f es convexa, el subdiferencial de Clarke coincide con el subdiferencial del análisis convexo en entornos estándar.

Ejemplo:

f(x) = |x|.

Entonces

∂C f(x) =
  {-1},        x < 0
  [-1, 1],     x = 0
  {1},         x > 0.

Este es el ejemplo básico estándar que muestra cómo una esquina se representa mediante un intervalo completo de pendientes posibles.

4. Reglas de cálculo para el subdiferencial de Clarke

Sean f, g: R^n -> R localmente Lipschitz cerca de x; las reglas de cálculo de Clarke son una parte central de la teoría de optimización no suave.

Regla de la suma

∂C(f + g)(x) ⊂ ∂C f(x) + ∂C g(x).

Bajo condiciones adicionales de regularidad, puede obtenerse la igualdad.

Multiplicación por escalar

Para un escalar a,

∂C(a f)(x) = a ∂C f(x).

Si a < 0, el conjunto se refleja.

Regla del producto

∂C(fg)(x) ⊂ f(x) ∂C g(x) + g(x) ∂C f(x).

Esta es una de las reglas de cálculo de tipo inclusión estándar en el cálculo subdiferencial de Clarke.

Regla del cociente

Si g(x) ≠ 0 y g está acotada lejos de cero cerca de x, la regla del cociente estándar tiene la forma:

∂C(f/g)(x) ⊂ [g(x) ∂C f(x) - f(x) ∂C g(x)] / g(x)^2.

Regla de la cadena

Si F: R^n -> R^m es estrictamente diferenciable en x y φ: R^m -> R es localmente Lipschitz cerca de F(x), la regla de la cadena de Clarke se expresa comúnmente como una inclusión del siguiente tipo:

∂C(φ ∘ F)(x) ⊂ DF(x)^T ∂C φ(F(x)).

Si φ es regular en el sentido de Clarke, están disponibles formas más fuertes.

Regla del máximo

Si

f(x) = max { f1(x),..., fm(x) },

donde cada fi es localmente Lipschitz, defina el conjunto de índices activos

I(x) = { i: fi(x) = f(x) }.

Entonces la regla del máximo de Clarke da una inclusión de la siguiente forma:

∂C f(x) ⊂ co ⋃_{i in I(x)} ∂C fi(x).

Si las fi son suaves, esto se convierte en:

∂C f(x) ⊂ co { ∇fi(x): i in I(x) }.

Para muchas funciones máximo estándar, la igualdad se cumple bajo supuestos de regularidad adecuados.

Regla de Fermat para optimización no suave

Si x es un minimizador local de f localmente Lipschitz, entonces la condición de Fermat no suave es:

0 ∈ ∂C f(x).

Este es el análogo no suave de ∇f(x)=0.

5. Artículos y libros clásicos

• El trabajo de F. H. Clarke sobre gradientes generalizados es una fuente fundacional para las derivadas generalizadas de Clarke en el análisis no suave.

• Las derivadas direccionales generalizadas y los gradientes generalizados de Clarke se discuten en la literatura de optimización no suave en dimensión finita, incluyendo el trabajo de Hiriart-Urruty.

• El trabajo de Rockafellar sobre subgradientes generalizados en programación matemática es otra línea fundacional; el artículo citado describe los fundamentos de las derivadas direccionales generalizadas y los subgradientes.

• El trabajo de Hiriart-Urruty en dimensión finita discute las derivadas direccionales de Clarke, los gradientes generalizados de Clarke, las reglas de cálculo y las aplicaciones a la optimización no suave.

6. Direcciones de la literatura reciente

• La investigación reciente en optimización no suave continúa utilizando objetos de tipo Clarke y relajaciones relacionadas; por ejemplo, un artículo de 2025 estudia la velocidad de convergencia utilizando el subdiferencial de Goldstein, descrito como una versión relajada del subdiferencial de Clarke utilizada en varios algoritmos.

• Las derivadas direccionales generalizadas de Clarke continúan apareciendo en condiciones de optimalidad para problemas de optimización de conjuntos; un artículo de 2025 estudia soluciones minimales débiles aproximadas utilizando un nuevo tipo de derivada generalizada de Clarke.

• Publicaciones recientes de Rockafellar indican trabajo continuo en análisis no suave y multivaluado, incluyendo trabajo de 2025 relacionado con el cálculo de variaciones.

7. Buen camino de lectura

1. Comience con la derivada direccional generalizada y el subdiferencial de Clarke.
2. Aprenda las reglas de cálculo básicas: suma, producto, cadena, máximo y Fermat.
3. Estudie los subdiferenciales convexos y compárelos con los subdiferenciales de Clarke.
4. Pase al análisis variacional: conos normales, codiferenciales y marcos de diferenciación generalizada más amplios.
5. Lea artículos de optimización recientes que utilicen subdiferenciales de Clarke o Goldstein en algoritmos.

Una lista de lectura práctica inicial sería:

• El trabajo de Clarke sobre gradientes generalizados y derivadas generalizadas de Clarke.
• El trabajo de Hiriart-Urruty sobre derivadas generalizadas y optimización no suave.
• "Generalized Subgradients in Mathematical Programming" de Rockafellar.
• Artículos recientes que utilizan subdiferenciales de tipo Goldstein o Clarke en algoritmos de optimización no suave y condiciones de optimalidad.