Documente Academic
Documente Profesional
Documente Cultură
De la F, Borrero, Cervantes
Capitulo1
Aspectos generales de la optimizacin de sistemas elctricos
1.1 Introduccin.
La palabra optimizacin puede no tener un significado concreto si ella se utiliza,
como a menudo ocurre, solo en calidad de equivalente de la palabra bueno. La
palabra ptimo debe significar que un objeto o proceso determinado es mejor que
otros objetos o procesos, porque posee y responde en un mayor grado a determinados
criterios, el criterio de optimalidad. Por tal razn la concepcin de ptimo es relativa,
esto es, esta unido con la comparacin entre s y de acuerdo a un determinado
precepto (para uno u otros indicadores) de objetos y procesos.
La comparacin de procesos conduce a la resolucin de tareas, las cuales, como
regla, numricamente muestran en cuanto o cuantas veces un determinado proceso
bajo examen es mejor que otro u otros comparados entre s para un mismo criterio de
optimalidad.
El objetivo final de la solucin de tales tareas es el aseguramiento de la mayor
efectividad de la economa nacional en su conjunto o la obtencin, en algunos casos
prcticos, de los mayores y menores valores de determinados indicadores del proceso;
por ejemplo la disminucin al mnimo del gasto de combustible imprescindible en la
generacin de energa elctrica demandada por los consumidores; las medidas a
tomar para garantizar los lmites de estabilidad estable con mnimos gastos, etc. En
algunos casos la consideracin de indicadores cuantitativos de optimalidad es difcil y
por eso se hace necesario utilizar criterios comunes de calidad. Por ejemplo, la
optimizacin del efecto ecolgico de una instalacin energtica cuando es necesario
garantizar el mnimo de influencias indeseables sobre el medio ambiente durante la
explotacin del sistema o durante su proyeccin.
Los procesos en los sistemas energticos comnmente se describen por sistemas
de ecuaciones diferenciales ordinarias y ecuaciones algebraicas. Mediante estas
ecuaciones
pueden
ser
representados tambin,
y con
suficiente
exactitud,
el combustible.
6.
alimentacin.
Los Sistemas Elctricos se caracterizan por la complejidad y diversidad de las
acciones que se acometen durante su operacin en aras de garantizar la
confiabilidad
pueden
coincidir en el tiempo, pero en algunos casos puede no ser as; de aqu que las
tareas
sistemas de ecuaciones
De la F, Borrero, Cervantes
por medio
que
procesos estudiados.
El modelo matemtico puede considerarse como la representacin del proceso
estudiado en forma de determinadas dependencias funcionales.
Y = Y ( X ..... X , X
..... X
); L = 1, m
i
rn 1nr
knn
r1
Debern ser conocidas tambin las dependencias que expresan las restricciones en
forma de igualdades y desigualdades. Los valores de los parmetros de regulacin,
para los cuales se cumplen las restricciones establecidas reciben el nombre de
De la F, Borrero, Cervantes
F ( X aj X R )
en el espacio
g i ( x) por.i = 1, n
es necesario encontrar
definen el ptimo
de la funcin.
Para la solucin de tareas ms complejas se utilizan mtodos basados en el clculo
diferencial y mtodos de variaciones finitas. Ellos dan la posibilidad de determinar los
extremos de funciones complejas mediante consideraciones especiales y la
investigacin de las dependencias analticas entre las variables. Estos mtodos no
permiten determinar los extremos globales y por lo tanto no son aplicables para las
tareas de varios extremos. Una prueba suficiente de un extremo local (con esta
acepcin se engloban mximo y mnimo) lo es el hecho de que en el punto X0 la
primera derivada
si el extremo local
que nos interesa la funcin toma valor menor que el mnimo global, entonces este
De la F, Borrero, Cervantes
Resumen
de las
tareas de optimizacin es el
en
forma
de
determinadas
dependencias
funcionales.
las
De la F, Borrero, Cervantes
Captulo 2
Herramientas matemticas para la optimizacin.
2.1 Introduccin.
Los estudios de optimizacin se basan en la bsqueda del punto mximo o mnimo
de una determinada funcin objetivo a travs de mtodos de Programacin
Matemtica.
La programacin matemtica se puede dividir en dos grandes grupos:
Programacin Lineal, que es la que resuelve problemas que llevan implcito funciones
y restricciones lineales y Programacin no lineal, que est relacionada con aquellos
casos en que la funcin objetivo o al menos una de las restricciones es no lineal.
En el desarrollo de este trabajo se recogern algunos de los Mtodos de
Programacin Matemtica que se emplean en el anlisis de Optimizacin los Sistemas
Elctricos de Potencia.
2.2 Programacin Lineal.
Los problemas de Programacin Lineal estn relacionados con la bsqueda de una
solucin que optimice una funcin objetivo lineal sujeta o no a restricciones funcionales
lineales.
En el estudio de la Programacin Lineal como una de las ms importantes tcnicas
cuantitativas, los aspectos ms importantes son, en primer lugar, la formulacin de
modelos y en segundo lugar, el anlisis de la solucin de los mismos. Esto es as,
debido a que el aspecto relacionado con el proceso de solucin se puede resolver a
travs de las modernas tcnicas de cmputo.
En el presente capitulo se estudiarn algunos aspectos bsicos necesarios para
familiarizarse con la construccin de los modelos y luego se examinarn diversos
mtodos para su solucin
Uno de las caractersticas de la produccin moderna es la gran cantidad de
componentes que es necesario tener en cuenta dentro de todo proceso y la gran
diversidad de combinaciones que es posible lograr con las mismas, es por eso que en
todo actividad existe alguna cantidad que se desea maximizar (ingresos, rendimiento,
, eficiencia) o minimizar (costo, tiempo, distancia, gasto de materiales,etc.) bajo las
condiciones de cumplir con determinados preceptos . A esta cantidad se le denomina
De la F, Borrero, Cervantes
como funcin objetivo o funcin criterio y a las condiciones que durante esto se
deben cumplir, se les llama restricciones.
Un paso importante en la formulacin de modelos consistir en la identificacin de
las restricciones. Las restricciones pueden considerarse como limitantes del conjunto
de decisiones permisibles.
En una gran cantidad de casos, las restricciones pueden considerarse que son de
dos tipos: limitaciones o requerimientos. Las limitaciones pueden estar dadas por las
capacidades de las plantas y equipos, la tecnologa utilizada, etc. los requerimientos
son debidos a normas, reglamentaciones, etc .
Todo problema de Programacin Lineal tiene dos partes importantes: un conjunto
de restricciones y una funcin objetivo que se desea maximizar o minimizar.
O sea que la PL proporciona un modelo de toma de decisiones restringidas. Este es
el tipo de modelo que ha resultado mas til en las aplicaciones prcticas, existiendo
miles de problemas de decisin de tipo empresarial, social o militar en los que ha
tenido xito su aplicacin.
2.2.1 Planteamiento del problema.
Para el fin propuesto, se utilizar un caso tpico de aplicacin lineal, la asignacin
de recursos a ciertas actividades, de forma tal que se logre el mejor valor posible de la
medida global de efectividad.
Una empresa de construcciones metlicas tiene programada la produccin de dos
lneas: una de estructuras metlicas para lneas de transmisin y otra de estructuras
para molinos de viento. Ambas producciones tienen un amplio mercado, tanto dentro
del pas como en el exterior y se garantiza la venta de todos los que la empresa pueda
producir en el ao. A diferencia de otros productos que elabora la Empresa, estos dos
compiten por las capacidades de los Departamentos y brigadas de operarios. La
administracin desea conocer cual es la combinacin de productos de cada tipo que
debera producir.
En el proceso de optimizacin, los principales factores a considerar son los
siguientes:
1. La empresa
el Departamento B.
3. Para la produccin del prximo mes, estos dos departamentos tienen disponible
150 y 160 horas, respectivamente. Cada estructura para lnea consume 10 horas
de operacin mecnica en el Departamento A y 20 horas en el Departamento B,
De la F, Borrero, Cervantes
Estructura Para
lneas
Estructura para
molinos
Total
disponible
10
15
150
20
10
160
quiere cumplir con las normas de calidad vigentes en ese contexto. Con el objetivo
de cumplir las disposiciones de control de calidad, el total de horas de trabajo que
se dedicarn a la comprobacin del acabado de los productos terminados, no
puede ser menor que un 10 % a una meta establecida
de 150 horas.
Esta
de
Estructura
de molinos
30
Horas
requeridas
10
135
comprobacin
5. Con el objetivo de mantener su posicin actual en el mercado, la direccin de la
empresa ha determinado que la poltica de produccin ms conveniente es construir
al menos una estructura para lneas por cada tres de molino.
6. Existen rdenes de compra de un total de por lo menos cinco estructuras (en
cualquier combinacin de las mismas) para el prximo mes, as que debe producirse
esa cantidad, como mnimo en el mes.
Dado el anterior conjunto de factores, el problema es decidir cuantas estructuras
para lneas y cuantas para molino debe producir el prximo mes. En otros trminos,
se busca determinar la combinacin ptima de produccin, tambin denominado plan
ptimo de produccin. El propsito siguiente ser mostrar como se puede expresar
De la F, Borrero, Cervantes
este problema como modelo matemtico, en particular como un modelo lineal. Para
ello, se debern identificar las restricciones y la funcin objetivo.
2.2.1.1 Conjunto de restricciones
Para simplificar el proceso debemos hacer la definicin de cuales son las incgnitas
cuyo valor debemos encontrar. Podemos definir que
X = nmero de estructuras de lneas a producir
Y = nmero de estructuras de molinos a producir
y como sabemos que el total de horas disponibles en el Departamentoto A = 10
(No. de estructuras de lneas) + 15 (No. de estructuras de molinos); sustituyendo las
variables definidas arriba en la igualdad anterior queda:
Total de horas disponibles en el Depto. A = 10 X + 15 Y.
Como, de acuerdo a los datos de la formulacin del problema, el nmero mximo de
horas disponible en el departamento A es 150, las incgnitas X y Y deben satisfacer la
condicin (o sea, la restriccin)
10 X + 15 Y 150
(2-1)
de la desigualdad depende
(2-2)
Las restricciones (2-1) y (2-2) representan dos de las restricciones del problema
estudiado.
En el conjunto de factores que deban considerarse se indica que se deben utilizar
un nmero mnimo de horas en la verificacin de los productos terminados y que este
nmero mnimo de horas total del departamento se determin como 135. De esta
manera tenemos que
30 X + 10 Y 135
De la F, Borrero, Cervantes
(2-3)
10
es una desigualdad
matemtica del tipo (un requerimiento) que difiere de las condiciones (2-1) y (2-2)
que son desigualdades matemticas del tipo (limitaciones).
Otra restriccin es que se debe producir, al menos, una estructura de lnea por
cada tres de molino. Esto se puede escribir como una proporcin
Y 1
x 3
Resolviendo por multiplicacin cruzada esta expresin quedar como
3YX
Pasando el trmino de la derecha para la izquierda se tendr la restriccin que se
busca:
3Y- X 0
(2-4)
Obsrvese que se han llevado todas las variables para el primer trmino. Ms
adelante se ver que esto es siempre conveniente para poder comenzar el proceso de
solucin de un problema de optimizacin.
El ltimo factor a tener en consideracin fue dado como que se deben producir por
lo menos
se
establece que
X+ Y5
Se tienen
(2-5)
(2-6)
De la F, Borrero, Cervantes
11
par de valores.
Esto mismo puede hacerse para el resto de las restricciones. Se sugiere al lector
que compruebe que para el par de valores X = 5 y Y = 4 todas las restricciones se
satisfacen.
La decisin X = 6 y Y = 5 no es permisible, puesto que como se vio, no hay
suficientes horas disponibles en el Departamento B para permitir esta produccin. De
los infinitos pares de valores de X y Y no negativos, algunos de estos pares o
decisiones violan por lo menos una de las restricciones y otros las satisfacen. En un
modelo como el que estudiamos solamente son admisibles las decisiones no
negativas que satisfagan todas las restricciones. Estas decisiones se denominan como
decisiones factibles o posibles y son precisamente estas las que merecen atencin.
De la F, Borrero, Cervantes
12
funcin objetivo
sujeto a
10 X + 15 Y 150
horas en el departamento A
20 X + 10 Y 160
horas en el departamento B
30 X + 10 Y 135
X - 3Y 0
requerimiento mixto
X+ Y 5
X,Y0
condicin de no negatividad
Ntese que en este problema tanto las restricciones, como la funcin objetivo
son funciones lineales de las variables de decisin. Como se recordar, la grfica de
una funcin lineal de dos variables es una lnea recta.
La eficacia de la Programacin Lineal, en las aplicaciones, proviene de la eficacia
de las matemticas lineales y del hecho evidente de que los modelos lineales pueden
ser fcilmente comprendidos y utilizados en las aplicaciones reales por personas con
poco o incluso,
De la F, Borrero, Cervantes
13
necesaria, es posible
La
respuesta a esta pregunta le ser de gran ayuda para la identificacin correcta de las
variables de decisin correspondientes al problema.
Una vez dados los pasos anteriores, es necesario decidir la notacin simblica de
las variables. Habitualmente se utilizan para ello las ltimas letras del alfabeto, x, y, z,
w, etc. Tambin se utiliza alguna letra con subndice como x1, x2, etc.
Posteriormente siga los pasos siguientes:
4. Exprese
De la F, Borrero, Cervantes
14
Cantidad
Recursos
a11
a12
...
a1n
b1
a21
a22
...
a2n
b2
...
.
.
Disponibles
...
...
...
.
m
de
.
am1
am2
...
Contribucin a C1
C2
. .. .
amn
bm
Cn
Z por unidad
de actividad
Z = C1 X 1 + C 2 X 2 + ... + C n X n
Sujeta a restricciones funcionales,
De la F, Borrero, Cervantes
15
a11x 1 + a12 x 2 +
...
+ a1n x n b1
a m1x 1 + a m 2 x 2 + ... + a mn x n b n
De no negatividad
x 1 0; x 2 0; x n 0;
Identificar los valores de (x1 , x2 ) permitidos por las restricciones: para esto
se dibujan cada una de las lneas rectas que limitan los valores permitidos por una
restriccin y esto conllevar a obtener la regin factible del problema la cual estar
limitada por cada una de estas rectas.
para ello se dibuja una familia de rectas paralelas que contengan al menos un
punto en la regin factible y se elige la que corresponda al mayor valor de Z.
De la F, Borrero, Cervantes
16
bsica
funcionales.
variables no bsicas son las mismas, por tanto trasladarse de la solucin bsica
factible actual a una adyacente significa cambiar una variable de no bsica a bsica y
viceversa para otra variable bsica y luego ajustar los valores de las restantes
variables no bsicas para que sigan satisfaciendo el sistema de ecuaciones.
17
Se eligen las variables de decisin del problema como variables no bsicas y las de
holgura como variables bsicas iniciales.
Prueba de Optimalidad:
Una solucin bsica factible es ptima si y solo si, todos los coeficientes en el
rengln cero son no negativos. Si es as, el proceso se detiene, de otra manera, sigue
a una iteracin para obtener la siguiente solucin de este tipo, que incluye cambiar una
variable no bsica a bsica y viceversa y luego despejar la nueva solucin.
Iteracin:
Paso 1.
Determinar la variable bsica entrante: para esto se selecciona la variable no bsica
con coeficiente negativo con mayor valor absoluto, en la ecuacin (FO) que es la
ecuacin de la funcin objetivo. Se pone un recuadro alrededor de la columna abajo
de este coeficiente y se le da el nombre de columna pivote.
Paso 2.
Se determina la variable bsica saliente: para esto se aplica la prueba del cociente
mnimo.
Prueba del cociente mnimo:
positivos
rengln.
La variable bsica para ese rengln es la variable que sale, por lo que se
De la F, Borrero, Cervantes
18
Z = 2X1 + X2
Maximizar:
Sujeta a x1 + x2 40
4x1 + x2 100
x1 0 x2 0
1.
Z = 2X1 + X2
Maximizar:
(FO)
Sujeta a x1 + x2 + x3 = 40
4x1 + x2 + x4 = 100
x1 0 ; x2 0 ; x3 0 ; x4 0
2.
Se toman las variables de holgura (x3 y x4) como variables bsicas y las
mnimo
5.
variables no bsicas en la ecuacin (o) son no negativosEl resultado de dicho problema se resume en la Tabla 2.2.
Por lo tanto la solucin ptima del problema ser:
Z = 60;
x1 = 20;
x2 = 20.
optima a menos que las variables artificiales sean cero. [Boizan, M. Opto\imizacion.
Pueblo y Educacin. 1988]
De la F, Borrero, Cervantes
19
Iteracin
No
Variable
Bsica
Ec.
Coeficientes de
No
Z x1
Lado
Derecho
x2
x3
x4
1 -2 -1
(FO)
x3
(1)
0 1
40
x4
(3)
0 4
100
(FO)
1 0
50
x3
(1)
0 0
15
x1
(3)
0 1
25
(FO)
1 0
60
x2
(1)
0 0
20
x1
(3)
0 1
20
El precio sombra para el recurso i (denotados por yi*) miden el valor marginal de
este recurso, es decir, la tasa a la que puede aumentar Z si se incrementa
(ligeramente) la cantidad que se proporciona de este recurso (bi). El mtodo SIMPLEX
identifica este precio sombra como yi* = coeficiente de la i-esima variable de holgura
en el rengln (FO) de la tabla SIMPLEX final.
2.2.4.2.1Anlisis de Sensibilidad.
El propsito del anlisis de sensibilidad es identificar los parmetros sensibles, o
sea aquellos que no pueden cambiar sin cambiar la solucin ptima.
Para el caso de las bi esta informacin esta dada por los precios sombras que
proporciona el mtodo SIMPLEX, como se muestra a continuacin:
yi* 0 entonces la solucin ptima cambia si bi
20
Problema dual
Maximizar
cjxj
Minimizar
j =1
Sujeta a:
b y
i =1
Sujeta a:
aij x j bi
para i = 1,2,.......,m
xj 0
para j = 1,2,.........,n
j =1
a
i =1
ij
yi ci
yi 0
para j = 1,2,............,n
para i = 1,2,..............,m
21
c x
j=1
b y
=Z
i =1
Superptima
= Y0
Subptima
(ptima) Z*
Y0 (ptimo)
Subpima
Superptima
Problema dual
Solucin Bsica
Factible
Z = Y0
Factible
Solucin Bsica
(0,0,4,12,18)
si
no
(0,0,0,-3,-5)
(4,0,0,12,6)
si
12
no
(3,0,0,0,-5)
(6,0,-2,12,0)
no
18
no
(0,0,1,0,-3)
(4,3,0,6,0)
si
27
no
(9/5,0,5/2,0,0)
(0,6,4,0,6)
si
30
no
(0,5/2,0,-3,0)
(3-,6,2,0,0)
si
36
si
(0,3/2,1,0,0)
(4,6,0,0,-6)
no
42
si
(3,5/2,0,0,0)
(0,9,4,-6,0)
no
45
si
(0,0,5/2,9/2,0)
De la F, Borrero, Cervantes
22
puedes ser ms sencillo comenzar con una solucin bsica superptima y aplicar el
mtodo SIMPLEX dual.
En otro caso, si despus de aplicar el mtodo SIMPLEX, analizando la sensibilidad,
se pierde la factibilidad, pero todava satisface la prueba de optimalidad, se puede
aplicar de inmediato el SIMPLEX dual a partir de esta solucin superptima para
encontrar el nuevo ptimo factible.
Las reglas para el mtodo SIMPLEX dual son muy parecidas al mtodo SIMPLEX.
De hecho una vez que los mtodos se inician, la nica diferencia entre ellos es el
criterio para elegir las variables bsicas que entran y salen y la regla para detener el
algoritmo.
En el rengln cero de la tabla SIMPLEX para la solucin primal ptima, se puede
encontrar la solucin dual ptima complementaria, esta solucin debe de ser factible
para el problema dual, puesto que la condicin de optimalidad para el problema primal
requiere que todas estas variables duales, inclusive las variables de holguras, sean no
negativas.
Para dar inicio la mtodo SIMPLEX dual, si se trata de un problema de
maximizacin, todos los coeficientes de la ecuacin (FO), deben de ser no negativos
de manera que la solucin bsica es superptima. Las soluciones bsicas sern no
factibles, excepto la ltima, solo porque algunas variables son negativas.
El mtodo contina haciendo que el valor de la funcin objetivo disminuya y
conserve siempre valores no negativos en la ecuacin (FO), hasta que todas las
variables sean no negativas. En este momento la solucin bsica es factible, se
satisfacen todas las ecuaciones, y por lo tanto, es ptima segn el criterio del mtodo
SIMPLEX de coeficientes no negativos en la ecuacin (FO).
2.2.5.2.
23
ecuacin (FO) llegue primero a cero. Esta seleccin se hace examinando las
variables
contiene la variable bsica que sale) y escogiendo la que tiene el menor valor
absoluto del cociente dado por el coeficiente de la ecuacin (FO) entre el coeficiente
de esa ecuacin.
Paso3: Se determina la nueva solucin bsica comenzando con el conjunto actual
de ecuaciones y despejando las variables bsicas en trminos de las no bsicas,
mediante el mtodo de la eliminacin gaussiana. Cuando las variables no bsicas
se hacen cero, cada variable bsica es igual al nuevo valor del lado derecho de
la
factibilidad.
Veamos este mtodo a travs de dos ejemplos:
Ejemplo 2.2
Utilice el mtodo SIMPLEX Dual para resolver el problema original.
Minimizar Z = 5 x1 + 2 x 2 + 4 x3
Sujeto a
3 x1 + x 2 + 2 x3 4
6 x1 + 3 x 2 +5 x3 10
x1 0 x 2 0 x3 0
1.
3 x1 x 2 2 x3 4
6 x1 3 x 2 5 x3 10
x1 0 x 2 0 x3 0
2.
y se lleva el sistema de
z + 5 x1 + 2 x2 + 4 x3 = 0
x1 x2 2 x3 + x4 = 4
6 x1 3 x2 5 x3 + x5 = 10
3.
24
4.
Se determina
Iteracin
No
Variable
Ec.
No
x1
x2
x3
x4
-Z
(FO)
x4
(1)
-3
-1
-2
-4
x5
(3)
-6
-3
-5
-10
-Z
(FO)
2/3
2/3
-20/3
x4
(1)
-1
-1/3
1/3
-2/3
x2
(3)
5/3
-1/3
10/3
-Z
(FO)
1/3
-22/3
x2
(1)
1/3
-1
-1/3
x1
(3)
-1/3
Bsica
Lado
Coeficientes de
x5
Derecho
2/3
2
x2 = 2
x3 = 0 Z = 22/3
Ejemplo No 2.3
Resuelva el dual de este problema por el mtodo SIMPLEX dual.
Problema original.
Maximizar. Z = 3 x1 + 2 x2
Sujeto a:
De la F, Borrero, Cervantes
25
3 x1 + x2 12
x1 + x2 6
5 x1 + 3 x2 27
x1 0
x2 0
Problema dual.
Minimizar : Y0 = 12 y1 + 6 y2 + 27 y3
Sujeto a:
3 y1 + y2 + 5 y3 3
y1 + y2 + 3 y3 2
y1 0 y2 0 y3 0
Para que los coeficientes de la ecuacin cero sean no negativos, se maximiza la
funcin objetivo para comenzar con una solucin superptima no factible.
Como ahora se permiten valores negativos en el lado derecho, no es necesario
introducir variables artificiales para que sean las variables bsicas. En su lugar
simplemente se convierten las restricciones funcionales a la forma .y se introducen
las variables de holguras para que jueguen este papel.
Maximizar: Y0 = 12 y1 6 y2 27 y3
Sujeto a:
3 y1 y2 5 y3 3
y1 y2 3 y3 2
y1 0 y2 0 y3 0
Para llevar el sistema de ecuaciones a la forma aumentada, se introducen las
variables de holguras.
Y0 + 12 y1 + 6 y2 + 27 y3 = 0
3 y1 y2 5 y3 + y4 = 3
y1 y2 3 y3 + y5 = 2
Resolucin del problema dual a travs del mtodo SIMPLEX dual en forma tabular.
Variables
Y1
Y2
Y3
Y4
Y5
Lado
Derecho
Bsicas
-y0
12
27
Y4
-3
-1
-5
-3
Y5
-1
-1
-3
-2
-y0
-12
De la F, Borrero, Cervantes
26
Y1
1/3
5/3
-1/3
Y5
-2/3
-4/3
-1/3
-1
-y0
-9
Y1
-1/2
1/2
-1/2
Y2
1/2
-3/2
3/2
y2=3/2 y3 = 0.
Estos valores se corresponden con los valores de los coeficientes de las variables
de holgura x3; x4; x5 en la ecuacin cero para la solucin ptima del problema original,
resuelta por el Mtodo SIMPLEX.
Para esta solucin ptima coincide que Z*= y0*= 9.
2.3- PROGRAMACION NO LINEAL
2.3.1 Planteamiento del problema.
El problema de programacin no lineal consiste en encontrar el vector de
soluciones x = (x1, x2,.........., xn) tal que f(x) max. ; sujeta a restricciones del tipo
gi(x) bi, para i = 1,2,......., m ; y
alineales.
No se dispone de un algoritmo que resuelva todos los problemas especficos que se
ajustan a este formato, de manera que para cada caso en particular segn sus
condiciones, existen diversos mtodos para su resolucin.
Se presentan dos formas de problemas de programacin no lineal, uno cuando la
funcin objetivo es no lineal y sus restricciones funcionales lineales y el otro cuando la
funcin objetivo es lineal y las restricciones no lineales.
Ecuacin de la FO.
la FO.
Ecuacin de
Restriccin lineal
(Z lineal )
(Z no lineal
)
Restriccin
No lineal
De la F, Borrero, Cervantes
27
d2 f
0
dx 2
para toda x.
Funcin cncava.
d2 f
0
dx 2
para toda x.
Funcin convexa.
df
= 0 en x = x *
dx
Cuando f(x) es una ecuacin sencilla de la cual se puede despejar directamente x*,
el problema llega a su final, pero si en cambio no es una funcin sencilla y su derivada
no es una funcin lineal o cuadrtica, entonces es muy difcil y en ocasiones imposible
De la F, Borrero, Cervantes
28
indica si la mejora
x '' =
x+ x
De la F, Borrero, Cervantes
29
df ( x)
dx
en x = x ''
1.
Se evala
2.
Si
df ( x)
0, se hace x = x ''
dx
3.
Si
df ( x)
0, se hace x = x ''
dx
4.
x+ x
f ( x) = x 3 + 2 x + 2 x 2 0,25 x 4
Maximizar:
df ( x)
= 3x 2 + 2 4 x x3
dx
df ( x)
= 6 x 3x 2 4
dx 2
x=
x+ x
0 + 2,4
= 1,2
2
df ( x)
dx
df (1,2)
= 3(1,2) 2 + 2 4(1,2) (1,3)3 = 0,208 < 0
dx
_
x = 0, x = 1,2
Nuevo punto.
x=
x+ x
0 + 1,2
= 0,6
2
Evaluando x = 0,6 en
De la F, Borrero, Cervantes
df ( x)
dx
30
df (0,6)
= 3(0,6) 2 + 2 4(0,6) (0,6)3 = 0,464 > 0
dx
_
x = 0,6 x = 1,2
La solucin del ejercicio se resume en la tabla 2.5
Regla de detencin: ( x x) 2
df(x)/dx
Nueva x
F(x)
2.4
1.2
-0.8256
- 0.208
1.2
0.6
+0.464
0.6
1.2
0.9
+0.101
0.9
1.2
1.05
-0.05
0.9
1.05
0.975
+0.025
0.975
1.05
1.012
-0.012
0.975
1.012
0.993
+0.007
0.993
1.012
1.002
De la F, Borrero, Cervantes
31
forma de realizar este proceso es continuar el movimiento en una direccin fija a partir
de la solucin prueba actual, sin detenerse hasta que f(x) deje de aumentar. Este
punto de detencin seria la siguiente solucin prueba, por lo que se debe volver a
calcular el gradiente para determinar la nueva direccin de movimiento.
Cada
[f ]
[x ]
que:
para j = 1,2,..., n
'
'
Se expresa f ( x + tf ( x )) como una funcin de t estableciendo:
f
x j = x 'j +
x
j
para j = 1,2,..., n
x= x'
'
'
para encontrar t = t* que maximiza f ( x + tf ( x )) para t 0 .
3.
en x = x ' .
Se verifica si
f
para toda j = 1,2,..., n
x j
Si es as el proceso se detiene con la x actual como la aproximacin a una solucin
ptima x* deseada. De otra manera se realiza otra iteracin .
Ejemplo 2.5
A partir de la solucin prueba inicial (x1, x2) = (1,1), haga dos iteraciones del
procedimiento de bsqueda del gradiente para comenzar la solucin del siguiente
De la F, Borrero, Cervantes
32
problema y despus aplica la rutina automtica para este procedimiento con ( = 0,01
).
Maximizar. f ( x) = 4 x1 x2 2 x12 3x22
f = (
f f
;
)
x1 x2
f
= 4 x2 4 x1
x1
f
= 4 x1 6 x2
x2
Evaluando el gradiente en la solucin prueba inicial.
f (1,1) = (0,2)
Primera iteracin:
X = x + t f(x)
X = (1,1) + t (0,-2)
X = (1, 1- 2 t )
F (x + t f(x) ) = (1, 1-2t)
= 4 (1) (1-2t )- 2 (1)2 3 ( 1-2 t )2
= -12 t2 + 4 t 1
Para encontrar el valor de t, se deriva la expresin anterior y se iguala a cero.
df '
( x + tf ( x ) ) = 0
dt
d
(12t 2 + 4t 1) = 0
dt
4 24t = 0
4 1
=
t* =
24 6
Sustituyendo t* en x
1
x ' = (1,1) + (0. 2)
6
4
x ' = (1, )
3
Los resultados se muestran en la tabla 2.6
Iter
f(x)
X+tf(x)
F(X+tf(x))
T*
X+t*f(x)
(1, 1)
(0,-2)
(1;1-2t)
1/6
(1,4/3)
(1, 4/3)
0.22
(1,3;0,45)
De la F, Borrero, Cervantes
33
(1,3, 0,45)
(1,5; 0,38)
1,67
w i ( x) = 0
i = 1,2, ..., Nw
gi ( x) 0
i = 1,2, ..., Ng
Ng
i= 1
i =1
L 0 0 0
( x , , ) =0
xi
i = 1,2, ..., N
2. w i ( xo ) = 0
i = 1,2, ..., Nw
3. gi ( xo ) 0
i =1,2, ..., Ng
4. i * gi ( xo ) = 0
i = 1,2, ..., Ng
i 0
i = 1,2, ..., Ng
Para resolver este tipo de problema aplicando las KKT no hay una metodologa
exacta definida sino que se debe ir suponiendo diferentes valores de i y gi que
hagan que se cumplan todas las condiciones establecidas anteriormente.
De la F, Borrero, Cervantes
34
F ( X aj X R )
en el espacio
determinado por el
g i ( x) por.i = 1, n
sistema de ecuaciones
es necesario encontrar
por un
g ( x )
n
f ( x )
+ = i
=0
xj
xj
i =1 i
j = 1, n , g i ( x ) = 0; i = 1, m
Estas ecuaciones se obtienen como condicin del extremo de la funcin de
Lagrange L ( x, )
L ( x, ) = f ( x ) + i g i ( x )
donde el numero
,....,
FT = 11 + 2 2 + .... + n n
donde
luego
donde
L : Lagrangiano.
dL
=0
dPi
A continuacin se desarrollar un ejemplo aplicando este mtodo, y las condiciones
de Karush- Kun-Tucker.
Ejemplo 2.6
De la F, Borrero, Cervantes
35
Minimizar
Sujeto a:
w( x1 , x) 2 = 5 x1 x2 = 0
g ( x1 , x2 ) = x1 + 0.2 x2 3 0
La funcin de Lagrange en este caso ser:
L = f ( x1 , x2 ) + ( w( x1 , x2 )) + ( g ( x1 , x2 ))
L = 0.25 x12 + x22 + (5 x1 x2 ) + ( x1 + 0.2 x2 3)
Para el ejemplo analizado tomemos = 0 lo que implica por la condicin nmero
4 que g puede ser menor o igual a cero.
Si = 0 , el caso se reduce a un sistema con restricciones del tipo igualdad, por lo
que su solucin seria en base a las condiciones 1 y 2. Veamos que sucede con el
resto de las condiciones:
De la condicin nmero (1) se obtiene:
0.5x1 = 0
2x2 = 0
y de la condicion 2
5 x1 x2 = 0
x1 = 4
x2 = 1 = 2
5 x1 x2 = 0
x1 + 0.2x2 3 = 0
resolviendo este sistema de ecuaciones se obtiene:
x1 = 2.5
x 2 = 2.5
De la F, Borrero, Cervantes
36
L
= 0,5 x1 +
x1
L
= 2 x 2 + 0,2
x 2
0,5 * 2,5 + = 0
2 * 2,5 + 0,2 = 0
= 5.9375
= 4.6875
Condiciones necesarias
para la optimalidad
Una
variable,
no
restringido
Multivariable,no
restringido
Restringido,
restricciones
solo
de
no
f(x) cncava
df
= 0 ( j = 1,2,..., n)
dx j
f(x) cncava
df
= 0 ( j = 1,2,..., n)
dx j
f(x) cncava
(o 0
negatividad
Problema
df
=0
dx j
general
restringido
si
x j = 0)
f(x)
cncava
gi(x)
De la F, Borrero, Cervantes
37
f
x
1
f
x
2
f ( x 0 ) = .
.
.
f
x n
Sin embargo, si lo que se quiere es minimizar la funcin, entonces lo que se hace
es ir en la direccin de - f ( x0 ) .
El procedimiento sera:
X = x 0 f ( x 0 )
Ejemplo:
Un sistema compuesto por tres plantas debe suministrar la energa a travs de una
red de transmisin. Determine el rgimen de trabajo ms econmico de las plantas
aplicando el mtodo del gradiente. La demanda del sistema es de 800 MW. Los datos
de las plantas son las siguientes:
Indicador
Planta 1
Planta 2
Planta 3
Pmax [MW]
600
400
200
Pmin [MW]
150
100
50
510+7.92P1+.0014P12
310+7.85P2+.00194P22
78+7.97P3+.00482P32
[MP]
De la F, Borrero, Cervantes
38
P1 300
X0 = =
, con lo que P3 = 200; evaluando la funcin FT para estas
P2 300
condiciones inicales se obtiene FT = 7748 pesos/hora
Aplicando el mtodo del gradiente reducido se tiene:
FT
g1 P1 7,67 + 0,0124P1 + 0,0095P2
=
FT = =
; que evaluado para la condicin
g 2 FT 7,74 + 0,0134P2 + 0,0096P1
P"
1,07
0,84
inicial arroja FT =
0
P1 g1 * t 0 300 + 1,07 * t 0
(1)
X =
=
; para determinar el valor del paso t , se
0
0
P2 g 2 * t 300 + 0,84 * t
1
10346-7,67(300+1,07t)
-7,74(300+0,84*t)+
0,0062(300+1,07t)
+0,0067(300+0,84*t)2 +0,0096(300+1,07t) P2
La que es derivada con respecto a t, se iguala a cero y se despeja t, obtenindose:
F (t )
= 7,67g1 + 7,74g 2 0,0124P1g1 + 0,0124g12t 0,0134P2g 2 + 0,0134g 22t +
t
+ 0,0192g1g 2t 0,0096(P1g 2 + P2g1 ) = 0
de donde
t =
De la F, Borrero, Cervantes
39
Iteracin
0
X1 = 300
X 2 =300
X3 = 200
X1=348,4012
X2=337,9972
X3=113,60
X1=376,8468
X2=301,7636
X3=121,3897
X1=305,3208
X2=381,3779
X3=113,3013
X1=362,9107
X2=303,4555
X3=113,63
X1=374,6173
X2=312,1019
X3=113,2748
X1=381,9857
X2=302,1389
X3=115,8754
X1=383,4833
X2=303,2458
X3=113,2709
7748,0
-1,07
-0,84
7706,1465 -0,1051
0,1338
t
45,2348
270,7762
7702,23
7722,65
258,4514
-0,0328 0,0408
-0,0243
g ( x + x) = g ( x) + g ( x) * x = 0
donde
g 1( x1 , x 2 ,....x n )
g ( x , x ,....x )
n
g ( x) = 2 1 2
g n ( x1 , x 2 ,....x n )
De la F, Borrero, Cervantes
40
g 1
x
1
g 2
g ( x) = x1
g n
x1
g 1
x 2
g 2
x 2
g n
x 2
g 1
x n
g 2
x n
g n
x n
x = g ( x )
* g ( x)
x = L
x
* L
d 2L
d 2L
d 2L
2
dx1 dx n
dx1 dx1 dx 2
d 2L
d 2L
d 2L
2
dx 2 dx n
x L = [H ] = dx 2 dx1 dx 2
d 2L
d 2L
d 2L
2
dx
d
dx
d
1
2
Quedara
x = H 1 * L y
X nueva = X inicial + x = X inicial H 1 * L
Ejemplo No 2.7 A partir de los datos del ejemplo 2.6, minimizar la funcin de costo
empleando el mtodo de Newton.
Como valores iniciales tendremos:
De la F, Borrero, Cervantes
41
P10 = 300 MW
P20 = 200 MW
P30 = 300 MW
=0
L
x
1
L
L = x 2 =
L
x n
dF1 ( P1 )
dP
1
dF2 ( P2 )
dP
2
dFn ( Pn )
dPn
8.8572
8.6260
;
L =
10.8620
x = [H ]1 * L
0
0
0
1
0.0031
0
0.0039
0
1
[H] =
0
0
0.0096 1
1
1
0
1
1
0
0
1
8.8572 70.61
0.0031
8.6260 115.41
0
0.0039
0
1
=
*
x =
10.8620 186.03
0
0
0.0096 1
0
1
1
0
9.07
1
x nueva = X 0 + x
x nueva
=
300 186.03 113.9699
0 9.07
9.0761
De la F, Borrero, Cervantes
42
Captulo 5.
Mtodo para la toma de decisiones optimas.
Mtodo de los peritos.
En los ltimos tiempos, para la toma de decisiones optimas en la direccin de sistemas
energticos complejos se ha utilizado en amplia forma el mtodo de los peritos.
La causa objetiva del uso del mtodo de los peritos para la seleccin de la variante optima
de funcionamiento de sistemas energticos complejos es la imposibilidad de formalizar sus
contenidos en un modelo matemtico. En esto es fundamental el hecho de que durante la
seleccin de las soluciones optimas no siempre es indispensable conocer con exactitud las
relaciones entre los factores, y es suficiente tener solo una valoracin de la importancia de
cada uno de ellos. Los mtodos que utilizan la experiencia generalizada y la intuicin de los
especialistas en muchos casos resultan mas efectivos que aquellos basados en una
formulacin matemtica del problema. Por esta razn los mismos constituyen una importante
herramienta de la investigacin cientfica moderna.
La metodologa del Mtodo de los peritos para la toma de decisiones optimas incluye los
siguientes pasos indispensables.
Seleccin de los peritos y determinacin de su calificacin.
Recoleccin de los datos que reflejan las opiniones del grupo de peritos.
Determinacin de la importancia (peso) de3 los distintos factores.
Anlisis de los resultados obtenidos.
El perito es una persona que trata, mediante el pronunciamiento de juicios en determinado
campo del conocimiento, de acercar la magnitud subjetiva de la verosimilitud MSV (N/F) de un
hecho a la magnitud objetiva (verdadera) de la verosimilitud del mismo MOV (N/F). Por esta
ultima se entiende la probabilidad P de la verdad de la hiptesis N para las condiciones de que
se cumpla el conjunto de parmetros F (factores).
En la actualidad existen dos mtodos fundamentales para la seleccin de los peritos y la
valoracin de su calificacin:
a) Por el criterio de cercana de la valoracin del perito al del .valor medio de la
valoracin del grupo de peritos.
Mtodo del perito favorito. El sentido de este consiste en que por valor de P(N/F),
se toma la del MSV (N/F) dada por un perito reconocido especialista en dicha rama del
saber o que posea el mayor peso ponderado. El inconveniente de este mtodo radica en
que la valoracin del perito favorito pede ser subjetiva, lo que se excluye en una
valoracin colectiva.
2.
generales
se formulan
mediante
elimina el contacto directo entre los peritos. El mismo posee las siguientes
particularidades: a)- la respuesta a las preguntas expresadas a los peritos ha de tener
obligatoriamente un carcter cuantitativo; b)- los peritos, por escrito, envan sus
respuestas justificando tcnicamente las mismas; c)- luego de cada ronda, cada perito
entra en conocimiento de las respuestas de los dems participantes; d)- despus de
realizada cada ronda se efecta la elaboracin estadstica de las respuestas recibidas.
Por tal razn, el mtodo multironda consiste en determinar la opinin prevaleciente
entre los especialistas. Como regla son suficientes dos o tres rondas de votacin para
grupos de 10-12 peritos.
Para determinar el peso de los distintos factores en el mtodo de peritaje pueden ser
utilizados los siguientes:
-
segn una escala en valores relativos del 1 al 10, al mismo tiempo se le permite tomar
por esta escala no solo numero enteros, sino tambin fraccionarios.
La formula de calculo sern:
Mj = ( lL Wjl ) / ( jn lL Wjl ) y Mijl = Pjl / jn Pjl ;
Donde Pjl valoracin del peso de la propiedad j por el perito l.
Primer mtodo de la comparacin por pares. El perito recibe una matriz como la
que se muestra, en la cual, se sealan por la horizontal y vertical todas las propiedades
comparadas ( para la facilidad de la explicacin la designacin de las propiedades ha sido
sustituida por sus correspondientes ponderaciones Mj y se ha limitado la cantidad de
propiedades a 5). En cada celda, relacionada con dos de
las propiedades comparadas, el experto debe situar el
numero de correspondiente a aqulla que el considera la
mas importante de las dos. La formula de calculo es:
Mj = ( lL Mjl ) / (lL jn Mjl ) ;
Donde Mjl = fjl / J ,
siendo fjl = j
(n-1)
factor j.
Tabla indicadora para el calculo de
Factores
Peritos
X1
X2
X3
X4
X5
X6
X7
13
30
24
21
27
17
-7
-12
10
-3
Cuadrado de la desviacin
49
144
100
16
49
308
0,53
.
Independientemente
llevadas a formas
comparables para todos los factores, excepto aquel para el cual su efectividad se determina.
La exigencia de comparabilidad de variantes en la practica de los clculos de optimizacin
por medio de modelos de programacin matemtica en la energtica, fundamentalmente se
reduce a cumplir el efecto energtico primario y se garantiza por medio de la inclusin en el
modelo de restricciones de balance para la potencia instalada y la generacin de energa
elctrica por las centrales en todo el periodo de calculo. El llevar las variantes a formas
comparables para otros indicadores se resuelve comnmente en cada caso en particular, con
uno u otro grado de aproximacin, mediante la introduccin en el modelo de restriccionesnormativas ( por nivel del voltaje, calidad de la energa, maniobrabilidad del equipamiento, etc.).
Formalmente esto se manifiesta en garantizar tal nivel para el factor dado que no fuese menor
que el dado. Hablando con propiedad, tales restricciones no garantizan un cumplimiento exacto
de la regla de efectos equivalentes y la comparabilidad en muchos casos puede ser violada.
Adems, en la actualidad, prcticamente es imposible cumplir con las condiciones de
comparabilidad para muchas propiedades, por ejemplo, por el grado de influencia negativa de
los objetivos energticos sobre el medio ambiente, condiciones sociales, etc.
Por tal razn existe un grupo de factores importantes , que constituyen caractersticas de
salida de los objetivos energticos, para los cuales es difcil garantizar una total comparabilidad
entre las variantes estudiadas mediante la ubicacin de indicadores normativos en el sistema de
restricciones del modelo.
Es necesario sealar tambin que la consideracin de estos factores en el sistema de
restricciones del modelo, exige la consumacin de una serie de condiciones, de las cuales a
menudo no son acordadas con antelacin. Una de tales condiciones es la diferencia en peso
de las distintas propiedades consideradas en el criterio de optimalidad y en las restricciones. En
la mayora de los casos, las propiedades consideradas en el sistema de restricciones son mas
importantes que las consideradas en funciones de criterio. Esta situacin esta clara, ya que se
habla de la bsqueda de un optimo local de la funcin objetivo en la regin delimitada por el
sistema de restricciones. El alcanzar un optimo global no es normal, mas bien una excepcin,
cuando el extremo se encuentra dentro de la regin permitida.
Por tanto, es conveniente utilizar la forma de restricciones para aquellas propiedades cuya
naturaleza permite situar cualquier tipo de condiciones de limite o normativas, es decir con la
intencin
supone la
orientacin hacia objetivo netamente particularizado, determinado como parmetros del estado
final, hacia el cual se dirige el sistema en su desarrollo.
Por efectividad se entiende la particularidad general del sistema que caracteriza la habilidad
para cumplir con el grupo de objetivos establecidos (sistema de objetivos). Para la evaluacin
cuantitativa de la efectividad se elige un criterio generalizado ( integral ) o varios criterios
parciales.
El funcionamiento de un sistema elctrico unificado como un solo ente, se determina, como
regla, por varios objetivos globales:
-
requerida.
-
naturales o artificiales.
-
sistema estudiado.
La seleccin de la solucin optima por medio de MOMC exige la expresin de las
interrelaciones entre los objetivos en forma de relaciones cuantitativas. Para esto se introduce el
concepto de caractersticas principales del sistema, es decir indicadores que determinan
cuantitativamente los objetivos. Se consideran principales o fundamentales aquellas
caractersticas con las cuales se realiza la comparacin de la efectividad del funcionamiento del
sistema. El objetivo, en tal caso se determina como el logro de determinado nivel dado para
una caracterstica determinada. De tal manera los objetivos se describen en trminos de las
caractersticas fundamentales del sistema, las cuales pueden ser representadas como
indicadores numricos o cualitativos.
El uso de funciones objetivos o criterios integrales
en
para establecer los objetivos y su grado de cumplimiento, debe ser entregada por los
organismos de direccin encargados del mismo, pero en la actualidad esto no es practica
comn, por eso las relaciones de preferencia en el conjunto de objetivos puede ser logrado por
medio de peritos y numricamente expresarlas con la ayuda de los coeficientes adimensionales
de importancia de los objetivos. Para la formulacin de la valoracin de la importancia de los
objetivos pueden ser utilizados cualquiera de los mtodos ya estudiados.
La valoracin de la importancia de los objetivos puede ser realizada sobre la base de
preferencias evidentes en el conjunto de los objetivos, condicionado por las especificidades del
sistema analizado. La solucin del sistema de inecuaciones, dadas por estas relaciones,
permiten obtener un rango de variacin de los valores de la importancia de los objetivos,
variando los cuales es posible comprobar la estabilidad en la solucin del problema.
La fundamentacin de la estructura de la funcin de criterio multiobjetivo, constituye en si
una tarea independiente; por eso comnmente este criterio tiene una de las siguientes
estructuras:
Media aritmtica E1 = i viei max
i=1...n
i=1...n
i=1...n
i=1...n
primeras estructuras no garantizan el que, para variantes inconvenientes E = 0; por ello hay que
realizar modificaciones a las correspondientes funciones, lo que las hace mas complejas. Sin
embargo, a pesar de estas insuficiencias, en las tareas de optimizacin multipropsito la mayor
utilizacin lo ha recibido la forma medio aritmtica del criterio multiobjetivo de optimizacin .
La ventaja principal de la optimizacin multicriterial reside en la posibilidad de realizar un
EN CONDICIONES DE INFORMACION
Las fuentes de los errores en las informacin inicial, utilizada en los clculos tcnicos y
econmicos en la electro energtica lo constituyen el carcter probabilstico de muchos
procesos naturales , un dbil nivel del conocimiento de muchos fenmenos y reservas de la
naturaleza, imposibilidad de prever en toda su magnitud los logros y las consecuencias del
progreso cientfico tcnico, la imposibilidad de definir unvocamente el futuro desarrollo del
sistema energtico.
Para un grupo de indicadores que poseen un carcter preponderantemente
probabilstico, es posible la disminucin de los errores mediante el perfeccionamiento de
los mtodos para la obtencin de la informacin : incremento de la exactitud del pronostico,
utilizacin de mtodos estadsticos de elaboracin de la informacin.
Para la obtencin de indicadores, cuya naturaleza es Probabilstica-indeterminada, asi
como para determinar su error, puede ser utilizada la experiencia de anteriores proyectos.
Sin embargo, eliminar totalmente los errores en los datos iniciales y mucho mas en la
indeterminacin en el futuro desarrollo del sistema elctrico realizada con cierta exactitud
para un periodo de tiempo dado es imposible. En relacin con esto, la tarea de desarrollo
del sistema elctrico y sus elementos, debe enfocarse teniendo en cuenta la inexactitud de
los datos iniciales, lo que exige utilizar mtodos distintos a los estudiados hasta ahora.
Solo cuando se utiliza informacin determinstica es posible utilizar, bajo ciertas
condiciones de precisin, el mtodo de los gastos mnimos reducidos; por ello el indicador
de inversiones capitales K y de gastos G sern siempre distintos a los reales en una
magnitud K y G las cuales caracterizan el error absoluto en la determinacin de los
gastos mnimos reducidos Z .
En aquellos casos en que la indeterminacin se manifiesta en el carcter probabilstico
de parte de los datos iniciales y los indicadores de los gastos coincidentes y corrientes estn
dados por la probabilidad de aparicin de sus valores o por su ley de distribucin de
probabilidades, en tal caso es necesario tomar en calidad de criterio de seleccin la
esperanza matemtica de los gastos mnimos reducidos M(Z) min.
El caso mas complejo es el de tomar decisiones para la optimizacin del
sistema,
(Estrategia)
I11
I1j
I1n
Ii1
Iij
Iin
Im1
Imj
Imn
Cada uno de los estados j, corresponde con su solucin optima i. Como resultado de la
indefinicin de las condiciones futuras del sistema, existe un conjunto de variantes optimas
condicionales de desarrollo del sistema , pero al mismo tiempo, la solucin que se adopte
debe ser nica.
Si es conocida la probabilidad de aparicin de los distintos estado en forma de su
frecuencia relativa de aparicin pj, dado por la variante o determinado por la via de expertos,
entonces, en calidad de criterio de optimalidad puede ser tomada la magnitud:
Ii = pj Iij ;
Bajo las condiciones de que pj = 1; 0 < pj < 1
utilizacin, por cada estrategia ( por fila i ) se selecciona el elemento Ii que responda
a la condicin Ii = maxj [Iij] y luego, de los valores obtenidos, el elementos con
mnimos valores del indicador.
I4 = mini { (maxj [Iij]}
Luego, para cada estado, por columnas con el numero j, se selecciona los
elementos con menores valores del indicador Ij = mini [Iij] y se busca elemento i
I4 = maxj {mini[Iij] }
La teora de los juegos demuestra que la variante para la cual se cumple que
I4 = I4 es la optima. Este resultado garantiza la mejor solucin para el peor estado
del sistema.
5.
tareas de
II
III
25,2
20,6
15,76
113,95
93,96
82,82
5310
5310
10620
4300
5392
2696
566
566
261
11
11
15
425
425
850
48,24
52,11
23,42
De la F, Borrero, Cervantes
Se desea obtener una solucin que presente las mejores condiciones para las
siguientes caractersticas: Mnimos gastos reducidos dinmicos; mnimas prdidas de
energa, mnimo uso de acero y de equipamiento deficitario (transformadores), mnima
agresin ecolgica (tierra afectada).
Para establecer el peso relativo en el cumplimiento de estos objetivos que conduzca a
la menor solucin en dichas condiciones, se solicit a un grupo de 5 expertos que
emitieran sus opiniones sobre el peso de dichos aspectos en una escala de 1 a 10.
8
3
8
1
1
21
Mj =
i=1`
L
n
jl
M
l=1 j=1
;M jl =
jl
Pjl
n
P
j=1
jl
Por lo que se obtienen los valores para Mjl yMj de dichos pesos, los cuales son
mostrados en la tabla 3:
No. Objetivo
1
2
3
4
5
Suma valores de las escalas
Coeficientes Mjl
0,27
0,15
0,18
0,27
0,16
0,14
0,19
0,25
0,28
0,12
0,27
0,23
0,38
0,14
0,38
0,14
0,28
0,22
0,12
0,05
0,26
1
0,14
0,06
0,26
0,05
0,99
A partir de los coeficientes Mjl de la Tabla 3 se obtienen los coeficientes Mj, los cuales
De la F, Borrero, Cervantes
constituyen los pesos relativos de la importancia de los objetivos, segn la valoracin del
grupo de expertos y que en la funcin de optimizacin multiobjetivo E, corresponden con
los coeficientes de escalado vi.
Tabla 4. Coeficientes Mj
No.
Objetivo
Suma Mjl
1,23
0,97
1,21
0,81
0,77
Coef Mj
0,25
0,19
0,24
0,16
0,15
0,99
Como ya se dijo, los coeficientes de efectividad de las variantes ei, tienen carcter relativo
y para su determinacin se parte de los valores absolutos que en las diferentes variantes
poseen los correspondientes criterios de optimizacin (tabla 1). Para determinar los
coeficientes de efectividad se procede de la siguiente manera:
-
Se determina para cada criterio el menor (o mayor) valor absoluto que el mismo
alcanza entre las variantes comparadas. Este valor ser el de referencia para este
criterio y por tanto a la variable a la que pertenezca este valor, se le asigna como
valor relativo del criterio 1, indicando con esto que esta variante tiene el mejor
comportamiento en cuanto al criterio analizado.
En la tabla 5 se muestran los coeficientes de efectividad para las tres variantes del
ejemplo que nos ocupa. Es fcil ver que en el caso de los mnimos gastos reducidos
dinmicos, la variante que posee el mejor comportamiento es la II, siendo entonces el
valor absoluto de referencia 15,97 y el relativo de ella 1. Ese mismo criterio en la variante
uno, alcanzara un coeficiente de efectividad de 15,97/17,26 = 0,925.
Para la solucin de esta tarea se empleara el criterio de optimizacin de la Media
aritmtica; es decir E1 = i viei max
circuito,
voltaje nominal 220 kV con tres conductores AC 185/34 por fase, pues es para la que
la funcin de optimizacin multicriterial
preverlo, pues de la tabla 5, se nota que para esta variante 4 de los cinco coeficientes
de efectividad involucrados toman valor unitario, lo que quiere decir que para cuatro
de los criterios involucrados en la optimizacin, esta variante posee el mejor
comportamiento.
Mnimos
gastos
II
II
Abs.
Relat.
Abs.
Relat.
Abs.
Relat.
17,26
0,925
15,97
23,42
0,682
20.6 0.765
15.76
reducidos dinmicos.
2
Mnimas
prdidas
de
25.2
0.625
energa
3
5310
5310
10620
0.5
Mnimo
425
425
0,5
uso
de
transformadores
5
Mnima
agresin
ecolgica.
De la F, Borrero, Cervantes