Presentacion Optimizacion QP Pen SQP GR

Simulacin y Optimizacin de Procesos Qumicos Titulacin: Ingeniera Qumica. 5 Curso Optimizacin.
Programacin Cuadrtica Mtodos de Penalizacin Programacin Cuadrtica Sucesiva Gradiente Reducido
Octubre de 2009. Jos A. Caballero
Simulacin y Optimizacin de Procesos Qumicos.
Jos A. Caballero
Esta obra est bajo una licencia Reconocimiento-No comercial-Sin obras derivadas 3.0 Espaa de Creative Commons. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by-nc-nd/3.0/es/ o envie una carta a Creative Commons, 171 Second Street, Suite 300, San Francisco, California 94105, USA. Citar como: J.A. Caballero Surez, material docente para la asignatura Simulacin y Optimizacin de procesos Qumicos, Octubre 2009. Universidad de Alicante.
Programacin Cuadrtica
Sea el Problema
1 min : z = cT x + xTQ x 2 s.a. A x b x0
Q es una matriz simtrica y definida positiva
xTQ x > 0 x 0
Nota:
2 2 2 Si f = a1 x1 + a2 x2 + a3 x3 + .... +
b1,2 x1 x2 + b1,3 x1 x3 + ... + b2,3 x2 x3 + ... c1 x1 + c2 x2 + c3 x3 + ... + d

Reordenando el problema queda:
2a1 b12 b13 b 2a2 b23 Q = 12 b13 b23 2a3 M M M
L L L O
1 min : z = cT x + xTQ x 2 s.a. A x b 0 x 0

1 L = cT x + x TQ x + T (Ax - b) + v T (-x) 2
Jos A. Caballero
1 L = cT x + xTQ x + T (Ax - b) + v T (-x) 2
Condiciones de Optimalidad de KKT Funcin de Lagrange
c + Qx + A T - v = 0 Ax - b 0 T ( Ax - b ) = 0 Condiciones de Complementariedad T v x =0
Aadiendo variables de holgura a la restriccin:
Ax - b + x h = 0 Ax - b = - x h
Sustituyendo en la condicin de complementariedad
T ( Ax - b ) = T -x h = 0 T x h = 0
Simulacin y Optimizacin de Procesos Qumicos. Jos A. Caballero
( )
Con lo que queda:
c + Qx + A - v = 0 Ax - b + x h = 0 Txh = 0 ; vTx = 0
Pasando los trminos constantes a la derecha
Qx A T + v = c Ax + x h = b T xh = 0 ; vTx = 0
Las dos primeras ecuaciones se pueden resolver utilizando una fase I del mtodo simplex. Si adems se tiene la precaucin de no permitir que en la base (utilizando el criterio de entrada) aparezcan simultneamente y xh v y x, la Fase I del simplex resuelve tambin el problema.
Jos A. Caballero
2 2 min : z = 4 x1 6 x2 + 2 x1 + 2 x1 x2 + 2 x2
Ejemplo:
s.a.
x1 + 2 x2 2 x1 0; x2 0
2 2 + 2 x1 x2 + 2 x2 min : z = 4 x1 6 x2 + 2 x1
Transformar el problema a forma estndar
s.a.
h x1 + 2 x2 + x1 =2 h x1 0; x2 0; x1 0
x 1 4 2 x1 min : z = ( 4, 6 ) 1 + ( x1 , x2 ) x x 2 4 2 2 2
Escrito en forma matricial
s.a.
x1 (1, 2, 1) x2 = 2 h x1
h x1 0; x2 0; x1 0
Jos A. Caballero
x 1 4 2 x1 min : z = ( 4, 6 ) 1 + ( x1 , x2 ) 2 4 x2 x2 2 x1 s.a. (1, 2, 1) x2 = 2 h x1
h x1 0; x2 0; x1 0
Recordando que el problema a resolver es:
Qx A T + v = c Ax + x h = b T xh = 0 ; vTx = 0
AT
v1 4 4 2 x1 1 x + v = 2 4 2 2 2 6
h x1 + 2 x2 + x1 =2 h = 0 ; v1 x1 = 0; v 2 x2 = 0 x1
Reescribir el problema obligando a que los coeficientes de la parte derecha sean positivos
4 x1 + 2 x2 + v1 2 x1 + 4 x2 + 2 x1 + 2 x2 v2
h + x1
=4 =6 =2
Aadir, si es necesario variables artificiales, y resolver fase I del simplex

a a max: x1 x2
4 x1 + 2 x2 + v1 2 x1 + 4 x2 + 2 x1 + 2 x2 v2
h + x1
a + x1
=4
a + x2 =6
=2
Jos A. Caballero
Ejemplo:
0 x1 1 1 0
a x1 a x2 h x1 Z
0 x2 2 4
0 v1 1 0 0 1
0 v2 0 1 0 1
0
h x1
1 1
a x1 a x2
1 2
4 2
0 0 1 0 0
1 0
0 1
4 6
1 2 0 6 6 3 6 6 3
0 0 2 1 1 0 0
1 1
Entran x1 o x2 ( o incluso ); Si entrase x1 entonces v1 no puede ser parte de la base Si entrase x2 entonces v2 no podra ser parte de la base h no podra ser parte de la base Si entrase entonces x1
Ejemplo:
0 x1 0 1 0 x1
a x2 h x1
0 x2 12 3 32 3 3
0 v1 1 4 12 14
0 v2 0 1 0
0
h x1
1
a x2
14 32 1 4
1 0 0 0 0
0 0 1 0 0
0 1 0 1 0
1 4 1
Z W
3 2 1 2 1 32 1 2 1
Entra x2. v2 no podra formar parte de la base. Si fuese as entrara el siguiente candidato.
Jos A. Caballero
Ejemplo:
0 0 1 0 x1
a x2 x2 Z W
0 x2 0 0 1 0 0
0
h x1 1 3
1
a x2 0
x1 1 0 0 0 0
13 2 1 6 2 2
v1 v 2 1 3 0 0 16 0 0 1 0 1 1
23 2 23
2 23 2 2
1 0 1 0
Entra . La variable de holgura no podra formar parte de la base.
Jos A. Caballero
Ejemplo:
0 0 0 0 x1 x1 1 0 0 0 0
0 x2 0 0 1 0 0
0 v1 1 3 0 16 0 0
0 v2 16 1 2 1 12 0 0
0
h x1 1 3
0 1 0 0 0
13 1 56
x2 Z W
2 23 2 0
Sustituyendo en la F.O del problema original vemos que el ptimo es 25/6
Jos A. Caballero
Mtodos de Penalizacin
La idea es transformar un NLP con restricciones es una secuencia de problemas sin restricciones, y el mismo resultado
min : f ( x) s.a. h( x) = 0 g ( x) 0
min : P( f , g , h, r )
Penalizacin Clsica
P( x, r ) = f ( x) + r hi2 ( x) + i
max {
j
0, g 2 j ( x)
El problema se vuelve mal condicionado incluso para valores pequeos del trmino de penalizacin. No funciona excepto para problemas muy simples.
Jos A. Caballero
r=0 Ejemplo
4.5 4
4
r=1
6
4
5
3
9 8
5
3
4.5
9
4
min : ( x1 1) + ( x2 2 )
2
3.5 3
6
4
5
3.5 3 2.5
1
3
1
2
0.5
s.a. x1 + x2 4 = 0
2.5 2
3
2
0. 5
1.5
1.5
2
0.5
1
2
3
0.5 6 08
5
5
4
5
0.5
6
0
P ( x, r ) = ( x1 1) + ( x2 2 ) +
2 2
-0.5 -1
-0.5
0.5
6 1.5
2.5
-0.5 -1
-0.5
0.5
1.5
2.5
4.5 4 3.5 3 2.5 2 1.5 1 0.5 0 -0.5 -1
4.5 4 3.5 3 2.5 2 1.5 1
+ r ( x1 + x2 4 )
r = 10
-0.5 0 0.5 1 1.5 2 2.5 3
0.5 0 -0.5 -1
r = 100
-0.5 0 0.5 1 1.5 2 2.5 3
Jos A. Caballero
P( x, w1i , w2 j ) = f ( x) + w1i hi ( x) + w2 j max 0, g j ( x)
i j
Penalizacin Exacta
w1, w2 son factores de penalizacin positivos.
Sea x* un mnimo local del problema original, entonces si e cumple que:

w1i i i =1,.... m1 w2 j j j = 1... m2
x* es un mnimo del problema de penalizacin No existe problema de mal condicionamiento, ni es necesario llevar w1, w2 hasta infinito. Sin embargo, el problema es no diferenciable.
Jos A. Caballero
Lagrangiana Aumentada
LA = f ( x) + i hi ( x) + r hi2 ( x)
i i
Funcin de penalizacin derivable y exacta.
Donde es el multiplicador de KKT y r es un parmetro de penalizacin
Jos A. Caballero
Esquema bsico de aplicacin de L.A. Inicializacin Iteracin k: Hacer Seleccionar un valor de , y un valor inicial para x y valores positivos para los parmetros de penalizacin r
Viol ( x) = max hi ( x k )
Bucle interno: minimizar la funcin de penalizacin con los parmetros seleccionados

Si Viol ( x k ) = Fin 1 Si Viol ( x k ) Viol ( x k 1 ) ir a bucle externo 4 1 Si Viol ( x k ) > Viol ( x k 1 ) reemplazar el parmetro de penalizacin de 4 1 todas las hi ( x) > Viol ( x k 1 ) por ri =10 ri 4
Bucle externo: Actualizacin del multiplicador (Bazara, pag 496)
ik +1 = ik + 2 ri hi ( x k )
Programacin Cuadrtica Sucesiva

El objetivo es resolver el siguiente problema de optimizacin
min : f (x) s.a. h(x) = 0 g ( x) 0 x n
Comenzamos suponiendo que se conoce el conjunto de restricciones activas J.

min : f (x) s.a. h(x) = 0
g j (x) = 0 j J Restricciones activas

La funcin de Lagrange es entonces:
N variables m1 restricciones de igualdad m2 restricciones de desigualdad activas
L = f ( x) + i hi ( x) + j g j ( x)
i
jJ
Jos A. Caballero

Las condiciones de optimalidad de primer orden de KKT son:
x L = f ( x) + i hi ( x) + j g j ( x) = 0
i jJ
Sistema de ecuaciones N+m1+m2 ecuaciones y variables
i L = hi ( x) = 0 i j L = g j ( x) = 0 j J
El sistema se puede resolver aplicando el mtodo de Newton:
Supongamos que hemos terminado la iteracin k, y comenzamos la k+1.

x k = valor del vector x en la iteracin k
ik = valor del multiplicador asociado a la restriccin i en la iteracin k k j = valor del multiplicador asociado a la restriccin j en la iteracin k
Jos A. Caballero
x L = f ( x) + i hi ( x) + j g j ( x) = 0
i jJ
Sistema de ecuaciones KKT N+m1+m2 ecuaciones y variables Valor en el punto xk
i L = hi ( x) = 0 i j L = g j ( x) = 0 j J
f ( x k ) +
ik hi ( xk )
i
i
kj g j ( x k )
jJ
+
+
xx f ( x k ) ( x x k ) +
ik xx hi ( xk ) ( x xk )
g j ( x k ) ( j kj )
jJ
kj xx g j ( xk ) ( x xk ) +
jJ
hi ( x k ) (i ik )
i
=0
Linealizacin con respecto a x en el punto xk Linealizaciones con respecto a y a Linealizacin de las Restricciones
hi ( x k ) + hi ( x k ) ( x x k ) = 0 i g j ( x k ) + g j ( x k ) ( x x k ) = 0 j J
Jos A. Caballero
f ( x k ) +
k k h ( x i i )+ i
k k g ( x j j )+ jJ
xx f ( x k ) ( x x k ) +
ik xx hi ( xk ) ( x x k )
i jJ
kj xx g j ( xk ) ( x x k ) +
jJ
k k ( ) ( h x i i i ) + i
k k ( ) ( g x j j j) = 0
k xx L( x k , ik , k ) ( x x ) j
Jos A. Caballero
Simplificando queda:
f ( x k ) +
hi ( xk ) i
i
g j ( x k ) j
jJ
k + xx L( x k , ik , k j ) (x x )
=0
Que escrito en forma matricial, y llamando d = x x k
k f ( x k ) + h( x k ) T + g ( x k ) T + xx L( x k , ik , k ) d =0 j
h( x k ) + hT ( x k ) d k = 0 g ( x k ) + g T ( x k ) d k = 0
Jos A. Caballero

k f ( x k ) + h( x k ) T + g ( x k ) T + xx L( x k , ik , k j )d = 0
h( x k ) + hT ( x k ) d k = 0 g ( x k ) + g T ( x k ) d k = 0
Consideremos ahora el siguiente problema cuadrtico
1 k min : f ( x ) d + d T xx L( x k , ik , k ) d j 2 s.a. h( x k ) + hT ( x k )d k = 0
T k k
g ( x k ) + g T ( x k ) d k = 0
Resulta que las condiciones de KKT de este problema son
Utilizar el mtodo de Newton para resolver el sistema de ecuaciones que viene de aplicar las condiciones de KKT a un NLP es equivalente a resolver un Problema Cuadrtico, en cada iteracin.
Jos A. Caballero
Extensin a sistemas con desigualdades: Trivial: Dejar que en cada iteracin sea el QP el que decida cul es el conjunto de restricciones activas
min : f T ( x k ) d k +
1 T k d xx L( x k , ik , k ) d j 2 s.a. h( x k ) + hT ( x k )d k = 0 g ( x k ) + g T ( x k ) d k 0
La programacin cuadrtica sucesiva suele presentar convergencia muy rpida hacia la solucin Son algoritmos de camino no-factible: Buscan el ptimo a la vez que convergen las restricciones. Los puntos intermedios de bsqueda no tienen por que ser factibles.
Jos A. Caballero
Algunos problemas con SQP: 1. Si la Hessiana de la Lagrangiana no es definida positiva puede que el problema cuadrtico no genere una direccin de descenso. En ese caso se suele sustituir la matriz Hessiana por una matriz B utilizando un mtodo cuasi-Newton. Dicha matriz es simtrica y definida positiva:
Frmula BFGS:
s k = x k +1 x k y k = L( x k +1 , k +1 , k +1 ) L( x k , k , k ) B
k +1
B k s k ( s k )T B k y k ( y k )T =B + k T k k T k k (s ) B s (y ) s
k
Jos A. Caballero
Algunos problemas con SQP: 2. Si el SQP no converge directamente, en cada iteracin es conveniente realizar una bsqueda unidireccional. Sin embargo dicha bsqueda debe tratar de minimizar la Lagrangiana y no slo la funcin objetivo. Existen varias alternativas, la ms corriente es tratar de minimizar una funcin de mrito. p.e.: Penalizacin Exacta:
P ( x, w) = f ( x) + wi hi ( x) + max 0, g j ( x)
i j
Lagrangiana Aumentada:
p ( x ) = f ( x ) + g ( x ) + h( x ) +
T T
2 i
hi2 ( x)
+ max 0, g j ( x) j
Jos A. Caballero
Algoritmo Bsico
1.- Sea k = 0;
B0 = I . Suponer punto inicial xk
2.- Evaluar la funcin, las restricciones y sus gradientes en el punto xk
f ( x k ); g ( x k ); h( x k ); f ( x k ); h( x k ); g ( x k )
3.- Resolver el problema cuadrtico para obtener d, k+1, k+1
min : f T ( x k ) d k +
1 T k k d B d 2 s.a. h( x k ) + hT ( x k )d k = 0 g ( x k ) + g T ( x k ) d k 0
Jos A. Caballero

Algoritmo Bsico (cont) 4.- Comprobar convergencia Si
L x k , k +1 , k +1 donde
Parar
L ( x , , ) = f ( x ) + h ( x ) + g ( x )
k
Si no
k +1
= x + d
(=1 paso de Newton; si no bsqueda unidireccional usando funcin de mrito regin de confiabilidad o filtro)
5.- Actualizar Hessiana utilizando BFGS
s k = x k +1 x k y k = L( x k +1 , k +1 , k +1 ) L( x k , k , k ) B
k +1
B k s k ( s k )T B k y k ( y k )T =B + k T k k T k k (s ) B s (y ) s
k
6.- Hacer k = k+1 y volver al paso 2.

Gradiente Reducido
Sea el problema
min : f ( x) s.a. Ax = b x0
Funcin objetivo no lineal Restricciones lineales en forma estndar (m restricciones, n variables; n m)
Es posible hacer una particin de variables
xD x = xI
Variables dependientes o Bsicas ( m variables) Variables independientes o no-bsicas (n-m variables)
Tambin es posible particionar la matriz A
A = (B| N)
B = (m x m) invertible N = m x (n-m)
Jos A. Caballero
Gradiente Reducido
Es posible despejar las variables dependientes en funcin de las independientes
Ax = b BxD + NxI = b; xD = B 1b B 1 N xI
O sea
B 1b B1 N xI x = x I
Si se sustituye en la funcin objetivo, pasamos a tener un problema sin restricciones
min : f ( x) = f ( xD , xI ) = f ( B 1b B 1 N xI , xI )
Las condiciones de optimalidad requieren que la derivada respecto a las variables independientes sea cero
Jos A. Caballero
Gradiente Reducido
min : f ( x) = f ( xD , xI ) = f ( B 1b B 1 N xI , xI )
df f f dxD = + = xI f ( x)T xD f ( x)T B 1 N = g T R dxI xI xD dxI

Gradiente Reducido
Por otra parte, considere que nos movemos en un x en el problema anterior

k +1 k B 1b B 1 N x k +1 B 1b B 1 N x k xD xD I I x = = x k +1 x k xIk +1 xIk I I
) = B

N xI = Z xI I
B 1 N Z = I
Matriz de transformacin
Jos A. Caballero
Gradiente Reducido
Si se desarrolla en serie f(x)
f ( x k +1 ) = f ( x k ) + f ( x)T x +
Recordando que x = Z xI
1 T x xx f ( x) x + ... 2
y sustituyendo
f ( x k +1 ) = f ( x k ) + f ( x)T Z xI +
1 T T xI Z xx f ( x) Z xI + ... 2
gT R
T gT R = f ( x ) Z
HR
Gradiente Reducido Hessiana Reducida
H R = Z T xx f ( x) Z
Jos A. Caballero
Gradiente Reducido
f ( x k +1 ) = f ( x k ) + g T xI + R
1 T xI H R xI + ... 2
Tenemos por lo tanto un problema sin restricciones, para resolverlo se puede utilizar cualquiera de los mtodos para problemas sin restricciones Por ejemplo, si se utiliza el mtodo de Newton debemos resolver:
f =0 xI
Eliminando los trminos de orden superior a dos y derivando con respecto a las variables independientes un paso del mtodo de Newton sera:
g R + H R x k =0 I
Nota: La Hessiana se puede actualizar utilizando BFGS (u otra similar).

Gradiente Reducido
Extensin a sistemas con restricciones no lineales
min : f ( x) s.a. h( x) = 0
Se linealiza la restriccin
Slo restricciones de igualdad. Si aparecen desigualdades se transforman en igualdades a travs de variables de holgura.
g ( x) 0 g ( x) + s = 0
min : f ( x) s.a. h( x k ) + h( x k )x k = 0
J ( xk )
El problema se ha transformado en uno equivalente al caso cuando aparecen restricciones lineales
Jacobiano
As pues:
J =[ JB , JI ]
B = JB N = JN
x x = D xI
T T 1 gT R = xI f ( x ) xD f ( x ) J B J N
Gradiente Reducido
Esquema Bsico de un algoritmo de Gradiente Reducido (con restauracin de factibilidad) 1.- Inicializar el problema y obtener un punto factible inicial. Si el punto inicial no es factible resolver un problema de factibilidad inicial (p.e. usando este mismo mtodo)
min u s.a. h( x) = u
2.- Dividir las variables en dependientes e independientes 3.- Evaluar la direccin de bsqueda en el espacio de variables reducido (mtodo de Newton, mximo descenso u otro) 4.- Hacer una bsqueda unidireccional variando slo las variables independientes. 5.- Recuperar la factibilidad: Se mantienen fijas las variables independientes y se resuelve el sistema de ecuaciones en funcin slo de las variables dependientes6.- Comprobar convergencia. Si no converge volver al punto 2
Jos A. Caballero
Cdigos de Ordenador
Fuentes para conseguir cdigos de optimizacin sin restricciones Harwell (HSL) IMSL NAg Netlib (www.netlib.org)
MINPACK TOMS Algorithms etc Estas fuentes contienen varios mtodos Cuasi-Newton Gauss-Newton Newton Disperso Gradiente Conjugado, etc.
Jos A. Caballero
Cdigos de Ordenador
Fuentes para conseguir cdigos de optimizacin con restricciones

Quizs los mejores cdigos disponibles hoy en da sean: GRG2/CONOPT GRG2 es el solver de Excel. Gradiente reducido con restauracin CONOPT aparece en GAMS (y otros sistemas de modelado y es quizs el ms robusto de todos MINOS Gradiente reducido sin restauracin (disponible en GAMS) SQP SNOPT Disponible en GAMS usa rSQP (SQP proyectado en el espacio de variables reducidas IPOPT Mtodo de barrera
Algoritmos SQP se pueden encontrar en: HSL, NaG, IMSL libreras de mtodos numericos NPSOL Standford System Optimization Lab SNOPT Standford System Optimization Lab IPOPT: www.coin-or.org

Presentacion Optimizacion QP Pen SQP GR

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Presentacion Optimizacion QP Pen SQP GR

Încărcat de

Drepturi de autor:

Formate disponibile

Simulacin y Optimizacin de Procesos Qumicos Titulacin: Ingeniera Qumica. 5 Curso Optimizacin.

Programacin Cuadrtica Mtodos de Penalizacin Programacin Cuadrtica Sucesiva Gradiente Reducido

Octubre de 2009. Jos A. Caballero

Simulacin y Optimizacin de Procesos Qumicos.

1 min : z = cT x + xTQ x 2 s.a. A x b x0

Q es una matriz simtrica y definida positiva

b1,2 x1 x2 + b1,3 x1 x3 + ... + b2,3 x2 x3 + ... c1 x1 + c2 x2 + c3 x3 + ... + d

2a1 b12 b13 b 2a2 b23 Q = 12 b13 b23 2a3 M M M

1 min : z = cT x + xTQ x 2 s.a. A x b 0 x 0

Con lo que queda:

Simulacin y Optimizacin de Procesos Qumicos.

Transformar el problema a forma estndar

Simulacin y Optimizacin de Procesos Qumicos.

Recordando que el problema a resolver es:

Aadir, si es necesario variables artificiales, y resolver fase I del simplex

Simulacin y Optimizacin de Procesos Qumicos.

Simulacin y Optimizacin de Procesos Qumicos.

Entra . La variable de holgura no podra formar parte de la base.

Simulacin y Optimizacin de Procesos Qumicos.

Sustituyendo en la F.O del problema original vemos que el ptimo es 25/6

Simulacin y Optimizacin de Procesos Qumicos.

Simulacin y Optimizacin de Procesos Qumicos.

4.5 4 3.5 3 2.5 2 1.5 1 0.5 0 -0.5 -1

4.5 4 3.5 3 2.5 2 1.5 1

Simulacin y Optimizacin de Procesos Qumicos.

w1, w2 son factores de penalizacin positivos.

Sea x* un mnimo local del problema original, entonces si e cumple que:

Simulacin y Optimizacin de Procesos Qumicos.

Funcin de penalizacin derivable y exacta.

Donde es el multiplicador de KKT y r es un parmetro de penalizacin

Simulacin y Optimizacin de Procesos Qumicos.

Bucle interno: minimizar la funcin de penalizacin con los parmetros seleccionados

Bucle externo: Actualizacin del multiplicador (Bazara, pag 496)

Programacin Cuadrtica Sucesiva

Comenzamos suponiendo que se conoce el conjunto de restricciones activas J.

g j (x) = 0 j J Restricciones activas

N variables m1 restricciones de igualdad m2 restricciones de desigualdad activas

Programacin Cuadrtica Sucesiva

Sistema de ecuaciones N+m1+m2 ecuaciones y variables

Supongamos que hemos terminado la iteracin k, y comenzamos la k+1.

Simulacin y Optimizacin de Procesos Qumicos.

Programacin Cuadrtica Sucesiva

Sistema de ecuaciones KKT N+m1+m2 ecuaciones y variables Valor en el punto xk

Simulacin y Optimizacin de Procesos Qumicos.

Programacin Cuadrtica Sucesiva

Simulacin y Optimizacin de Procesos Qumicos.

Programacin Cuadrtica Sucesiva

Simulacin y Optimizacin de Procesos Qumicos.

Programacin Cuadrtica Sucesiva

Consideremos ahora el siguiente problema cuadrtico

Simulacin y Optimizacin de Procesos Qumicos.

Programacin Cuadrtica Sucesiva

Simulacin y Optimizacin de Procesos Qumicos.

Programacin Cuadrtica Sucesiva

Simulacin y Optimizacin de Procesos Qumicos.

Programacin Cuadrtica Sucesiva

Simulacin y Optimizacin de Procesos Qumicos.

Programacin Cuadrtica Sucesiva

B0 = I . Suponer punto inicial xk

2.- Evaluar la funcin, las restricciones y sus gradientes en el punto xk

Simulacin y Optimizacin de Procesos Qumicos.

Programacin Cuadrtica Sucesiva

5.- Actualizar Hessiana utilizando BFGS

6.- Hacer k = k+1 y volver al paso 2.