Sunteți pe pagina 1din 4

Optimización Difusa

Alba Sánchez (1) , Ricardo Álvarez (2) Benemérita Universidad Autónoma de Puebla Facultad de Ciencias de la Computación (1) Facultad de Ciencias de la Electrónica (2) agalvez@cs.buap.mx, algor@ece.buap.mx

Resumen: En este trabajo se muestra una aplicación de la lógica difusa en la teoría de optimización . Se presentan ejemplos, uno donde sólo los términos son conjuntos difusos y otro donde tanto los coeficientes como los términos de las restricciones son conjuntos difusos.

Palabras clave: Conjunto difuso, alfa cortaduras, número difuso, orden entre números difusos.

1 Introducción

x 1 ,x 2 ,

,x

n 0

Muchos campos técnicos, incluyendo todos los de la ingeniería, involucran alguna forma de optimización que es requerida en el

La función a minimizar (o maximizar) es llamada función objetivo, que es denotado por z. Los números C i son llamados

proceso de diseño. Debido a que el diseño es un problema con muchas soluciones, el reto

coeficientes y el vector c=(c 1 ,c 2 , llamado vector de costo . La matriz

,c

es

n ) A=[a ij ],

es encontrar la mejor solución de acuerdo a

i=1,

,n

y

j=1,

,m

es llamada matriz de

algún criterio. En realidad, casi cualquier

restricción , el vector b=(b 1 ,

,b

m ) se forma

proceso de optimización involucra intercambios entre costos y beneficios, debido que al encontrar soluciones óptimas

con los términos independientes de las restricciones. Lo cual puede bien simplificarse como:

es análogo a crear diseños que pueden tener muchas soluciones, pero solamente unas

Minimizar

 

pocas podrían ser óptimas , o útiles

z=cx

particularmente cuando existe una relación

Sujeta a:

 

generalmente no lineal entre rendimiento y costo. La optimización en su forma mas general, involucra encontrar la solución

Ax b x0

óptima a partir de una familia de soluciones

donde x=(x 1 ,x 2 ,

x

n )

es

el

vector

de

las

razonables de acuerdo a un criterio. (3) El problema clásico de programación lineal es encontrar los valores máximos o mínimos de una función lineal bajo restricciones representadas por ecuaciones o desigualdades. El más típico problema de programación lineal es:

variables. En muchas situaciones prácticas no es razonable requerir que las restricciones o la función objetivo, sea tan estricto, en tal situación es deseable la programación lineal difusa El tipo más general de programación lineal difusa es el siguiente :

Minimizar (o maximizar ) c 1 x 1 +c 2 x 2 .+

sujeta a

+c

n

x n

a

a

11 x 1 +a 12 x 2 +

21 x 1 +a 22

x 2 +

+a

+a

1n x n b 1

2n x n b 2

a

m1 x 1 +a m2

x 2 +

+a

mn x n b m

Maximizar

n

sujeta a:

j = 1

A x

ij

j

n

j = 1

B

i

c

j

x

j

x

j

0

donde A ij, B i ,C j son números difusos y x j son variables cuyos estados son números difusos ,

la operación de suma y multiplicación son

operaciones de conjuntos difusos y el orden

que denota es de números difusos.

El caso que presentamos es cuando B i son

números difusos, que típicamente tienen la

forma :

B

i

=

b

i

+

p

i

1

x

p

i

0

cuando

cuando

cuando

b

i

x

b

+

i

b

i

< <

x

p

i

x

b

i

+

Para cada vector x=(x 1 ,x 2,

x n ) , primero

calculamos el grado D i (x), para los cuales x

satisface las condiciones dadas por la formula

,

D

i

(

x

)

=

B

i

(

n

j

= 1

a

ij

x

j

)

Estos grados son conjuntos difusos sobre R n

Y su intersección

factible difuso. Ahora determinamos el conjunto difuso de

valores óptimos , esto es calculando la cota superior e inferior de los valores optimales.

La cota inferior z l es obtenida al resolver el

problema de programación lineal:

i es un conjunto

Ι

m

i

=1

D

Maximizar

sujeta

j = 1

Z=cx

a

ij

x

j

b

i

x

j

0

p

i

y la cota inferior z l de los valores optimales, es obtenida de forma similar resolviendo:

Maximizar

Sujeta a:

n

j =1

Z=cx

a

ij

x

x

j

j

b

0

i

+ p

i

Así el conjunto de valores optimales difusos

G el cual es una subconjunto difuso de R n es

definido por:

G

( x

) =

⎪ ⎪ cx z

1

l

cuando

cuando

⎪ − z

z

u

l

cuando

0

z

u

z

l

c

x

cx

z

u

l

cx z

El problema se reduce a encontrar la solución

de optimización clásica

Maximizar λ

λ (z u -z l )-cx

≤−z

l

n

λp i +

i = 1

a

ij

x

j

λ,x j 0

b

i

+

p

i

esto es, encontrar xR n , tal que

[

Ι

m

i =

1 D

i

G

](

x

)

2. Ejemplos

En el primer ejemplos los términos independientes de los B i son los únicos conjuntos difusos y en el segundo ejemplo, tanto los B i , como los a ij de las restricciones son conjuntos difusos .

3.1 Primer caso

Maximizar

Sujeto a:

Z=.4x 1 +.3x 2

x

1

+ x

2

B

1

2x + x B

1

2

2

Donde

B

1

(

x

)

=

1

500

x

1

x

100

0

,

x

2

0

cuando

x

400

cuando

cuando

400

< x

500

x >

500

y

B

2

(

)

x =

cuando

cuando

⎪ ⎩ cuando

1

600

x

100

0

x

500

500

< x

600

x >

600

Resolvamos primero el sistema siguiente para encontrar la cota inferior

Maximizar

Sujeto

Z=.4x 1 +.3x 2

x

2 x

1

+ x

2

1 + x

x

1 ,

x

2

2

400

500

0

lo que resulta z l =130 Para encontrar la cota superior , resolvamos :

Maximizar

Sujeto

Z=.4x 1 +.3x 1

x

1

2

x

+ x

2

1

+ x

x

1

,

2

2

x

500

600

0

Lo que da z u =160 Por último encontremos la solución de:

Sujeta

Maximizar

λ

30 λ-(.4x 1 +.3x 2 ) -130 100 λ+x 1 +x 2 500 100 λ+2x 1 +x 2 600 x 1 ,x 2 , λ0

Resolviendo este sistema de optimización clásica, obtenemos x 1 =100, x 2 =350

2.2 Caso II

El problema de optimización difusa general puede ser reescrito como

Maximizar

 

n

 

j

=

1

Sujeto a:

c

j

x

j

(s

ij

,l

ij

,r )x

ij

x

j

ij

≤π

0

t ,u ,v

i

i

i

φ

Donde a ij =<s ij ,l ij ,r ij > y B i= <t i ,u i ,v i > son números 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

sujeto a

 

n

 

(

j

=

1

 

n

 

(

j

=

1

Considere

el

s

s

n

j

= 1

c

j

x

j

n

j

ij

ij

=1

+

s

ij

l

ij

r

ij

x

j

)

)

x

j

x

j

t

x j 0

i

t

i

t

i

siguiente

optimización lineal

Maximizar

Sujeto a:

Z=5x 1 +4x 2

+

u

v

i

i

problema

de

<4,2,1>x 1 +<5,3,1>x 2 <24,5,8> <4,1,2>x 1 +<1,.5,1>x 2 <12,6,3> x 1 ,x 2 0

Reescribimos el sistema como:

Maximizar

Sujeto a:

Z=5x 1 +4x 2

4x 1 +5x 2 24 4x 1 +x 2 12 2x 1 +2x 2 19 3x 1 +.5x 2 6 5x 1 +6x 2 32 6x 1 +2x 2 15 x 1 ,x 2 0

Resolviendo este problema, obtenemos x 1 =1.5, x 2 =3.

4 Conclusiones

La lógica difusa resulta un recurso importante en la solución de problemas de optimización donde no exista la rugosidad de la lógica clásica, ante la necesidad de resolver cierto problema surgen métodos híbridos que combinen nuevas técnicas y es aquí donde la lógica 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

McGraw-Hil

Engineering

Applications,