Optimizacin Difusa

Alba Snchez (1), Ricardo lvarez(2) Benemrita Universidad Autnoma de Puebla Facultad de Ciencias de la Computacin(1) Facultad de Ciencias de la Electrnica(2) agalvez@cs.buap.mx, algor@ece.buap.mx
Resumen: En este trabajo se muestra una aplicacin de la lgica difusa en la teora de optimizacin . Se presentan ejemplos, uno donde slo los trminos son conjuntos difusos y otro donde tanto los coeficientes como los trminos de las restricciones son conjuntos difusos.
Palabras clave: Conjunto difuso, alfa cortaduras, nmero difuso, orden entre nmeros difusos.

1 Introduccin
Muchos campos tcnicos, incluyendo todos los de la ingeniera, involucran alguna forma de optimizacin que es requerida en el proceso de diseo. Debido a que el diseo es un problema con muchas soluciones, el reto es encontrar la mejor solucin de acuerdo a algn criterio. En realidad, casi cualquier proceso de optimizacin involucra intercambios entre costos y beneficios, debido que al encontrar soluciones ptimas es anlogo a crear diseos que pueden tener muchas soluciones, pero solamente unas pocas podran ser ptimas , o tiles particularmente cuando existe una relacin generalmente no lineal entre rendimiento y costo. La optimizacin en su forma mas general, involucra encontrar la solucin ptima a partir de una familia de soluciones razonables de acuerdo a un criterio.(3) El problema clsico de programacin lineal es encontrar los valores mximos o mnimos de una funcin lineal bajo restricciones representadas por ecuaciones o desigualdades. El ms tpico problema de programacin lineal es: Minimizar (o maximizar ) c1x1+c2x2.+....+cnxn sujeta a a11x1+a12x2+....+a1nxn b1 a21x1+a22x2+....+a2nxn b2 am1x1+am2x2+....+amnxn bm

x1,x2,...,xn 0 La funcin a minimizar (o maximizar) es llamada funcin objetivo, que es denotado por z. Los nmeros Ci son llamados coeficientes y el vector c=(c1,c2,...,cn) es llamado vector de costo . La matriz A=[aij], i=1,..,n y j=1,..,m es llamada matriz de restriccin , el vector b=(b1,...,bm) se forma con los trminos independientes de las restricciones. Lo cual puede bien simplificarse como: Minimizar z=cx Sujeta a: Ax b x0 donde x=(x1,x2,...xn) es el vector de las variables. En muchas situaciones prcticas no es razonable requerir que las restricciones o la funcin objetivo, sea tan estricto, en tal situacin es deseable la programacin lineal difusa El tipo ms general de programacin lineal difusa es el siguiente : Maximizar

c x
j =1 j

sujeta a:

A x
j =1 ij

Bi

xj 0
donde Aij, Bi,Cj son nmeros difusos y xj son variables cuyos estados son nmeros difusos , la operacin de suma y multiplicacin son operaciones de conjuntos difusos y el orden que denota es de nmeros difusos. El caso que presentamos es cuando Bi son nmeros difusos, que tpicamente tienen la forma :

As el conjunto de valores optimales difusos G el cual es una subconjunto difuso de Rn es definido por:

1 cx z l G ( x) = zu zl 0

cuando z u c x

cuando z l cx zu cuando cx z l

1 cuando x bi b + p x i Bi = i cuando bi < x < bi + pi pi 0 cuando bi + pi x

Para cada vector x=(x1,x2,...,xn) , primero calculamos el grado Di(x), para los cuales x satisface las condiciones dadas por la formula

El problema se reduce a encontrar la solucin de optimizacin clsica Maximizar (zu-zl)-cx z l pi+

a
i =1

ij

x j bi + pi

,xj 0 esto es, encontrar x Rn, tal que

Di ( x) = Bi ( aij x j )
j =1

Estos grados son conjuntos difusos sobre R Y su interseccin m=1 Di es un conjunto i factible difuso. Ahora determinamos el conjunto difuso de valores ptimos , esto es calculando la cota superior e inferior de los valores optimales. La cota inferior zl es obtenida al resolver el problema de programacin lineal: Maximizar Z=cx sujeta

[
2. Ejemplos

m i =1

Di G ]( x)

En el primer ejemplos los trminos independientes de los Bi son los nicos conjuntos difusos y en el segundo ejemplo, tanto los Bi , como los aij de las restricciones son conjuntos difusos .

3.1 Primer caso

Maximizar Sujeto a: Z=.4x1+.3x2

aij x j bi
j =1

xj 0
y la cota inferior zl de los valores optimales, es obtenida de forma similar resolviendo: Maximizar Z=cx Sujeta a: Donde

x1 + x2 B1 2 x1 + x2 B2 x1 , x2 0

1 500 x B1 ( x) = 100 0
y

cuando 400 < x 500 cuando x > 500 cuando x 400

a
j =1

ij

x j bi + p i

xj 0

 1 600 x B2 ( x) = 100 0

cuando 500 < x 600 cuando x > 600 cuando x 500

(s

ij

, lij , rij ) xij t i , ui , vi xj 0

Resolvamos primero el sistema siguiente para encontrar la cota inferior Maximizar Sujeto Z=.4x1+.3x2

Donde aij=<sij,lij,rij> y Bi=<ti,ui,vi> son nmeros difusos . El orden parcial es definido por A B si y solo si max(A,B)=B . Por lo que este sistema puede ser reescrito como: Maximizar

x1 + x2 400 2 x1 + x2 500

c x
j =1 j

x1 , x2 0
lo que resulta zl=130 Para encontrar la cota superior , resolvamos : Maximizar Sujeto Z=.4x1+.3x1

sujeto a

s
j =1

ij

x j ti

(s
j =1 n

ij

lij ) x j t i u i + rij ) x j t i + vi
xj 0

x1 + x2 500 2 x1 + x2 600 x1 , x2 0
Lo que da zu=160 Por ltimo encontremos la solucin de: Maximizar ..... Sujeta 30 -(.4x1+.3x2) -130 100 +x1+x2 500 100 +2x1+x2 600 x1,x2, 0

(s
j =1

ij

Considere el siguiente optimizacin lineal Maximizar

problema

de

Z=5x1+4x2 Sujeto a: <4,2,1>x1+<5,3,1>x2 <24,5,8> <4,1,2>x1+<1,.5,1>x2 <12,6,3> x1,x2 0 Reescribimos el sistema como: Maximizar Sujeto a: Z=5x1+4x2 4x1+5x2 24 4x1+x2 12 2x1+2x2 19 3x1+.5x2 6 5x1+6x2 32 6x1+2x2 15 x1,x2 0

Resolviendo este sistema de optimizacin clsica, obtenemos x1=100, x2=350

2.2 Caso II
El problema de optimizacin difusa general puede ser reescrito como Maximizar

c x
j =1 j

Sujeto a:

Resolviendo este x1=1.5, x2=3.

problema,

obtenemos

4 Conclusiones
La lgica difusa resulta un recurso importante en la solucin de problemas de optimizacin donde no exista la rugosidad de la lgica clsica, ante la necesidad de resolver cierto problema surgen mtodos hbridos que combinen nuevas tcnicas y es aqu donde la lgica difusa juega un papel importante. References: [1]Mehdi R. - Zargham, Computer Architecture Sails and Parallel Systems, Prentice Hall, P. 381.

[2]Lefteri H. Tsoukalas - Robert E. Uhring, Fuzzy and Neural Approaches in Engineering to Wiley. Interscience Publicati Engineering, TO Wiley - Interscience Publication 1997, P. 145 [3]Klir J. George, Yuan Bo, Fuzzy sets and fuzzy logic Theory and Applications, Prentice Hall. [4] [5]Thimoty J. Ross, Fuzzy Logic with Engineering Applications, McGraw-Hil