Optimizacion de Sistemas (Separata)

Optimizacin de Sistemas Elctricos
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,
determinados procesos econmicos en los as llamados macro modelos econmicos

que describen la economa del pas.
Durante el anlisis de los procesos en estos sistemas es necesario considerar las
perturbaciones, tanto internas (averas en los equipos, incumpliendo en los planes),
como externas (cambio de las materias primas, aumento o disminucin de los
recursos).
1.2. Caractersticas de la direccin operativa.
La accin de las perturbaciones crea la necesidad de la direccin operativa del

sistema; as ocurre, por ejemplo, en los sistemas electroenergticos. El papel de la
direccin operativa es garantizar el cumplimiento del plan de produccin, teniendo en
cuenta las particularidades de las situaciones concretas creadas en el periodo
analizado. Entre las tareas que garantizan una direccin ptima del sistema energtico
se encuentra la planificacin de los regmenes de las plantas y los sistemas, es decir,
la obtencin del mayor efecto econmico y tecnolgico de la direccin energtica de
las empresas y los procesos productivos. Entre estas tareas de direccin y
planificacin que exigen la utilizacin de mtodos de optimizacin se encuentran:
1.
Determinacin de la estrategia optima de crecimiento del sistema
energtico. Tiene que ver, fundamentalmente, con la construccin y

reconstruccin de sistemas y objetos que componen los mismos. A esta tarea
se asocia la seleccin de la localizacin, potencia instalada y plazos para
entrada en servicio de nuevas plantas, subestaciones y lneas de transmisin.
2.
Seleccin de la mejor configuracin de las redes (para uno u otro
indicador) que interconectan los subsistemas o que transmiten o distribuyen la

energa dentro del sistema.
3.
Distribucin de las cargas entre las diferentes plantas en explotacin o
en proyeccin dentro del sistema.

4.
Seleccin de la estrategia para la mejor utilizacin de los recursos (tipos
de combustible, fuerza laboral, etc.)

5.
Seleccin de los mejores itinerarios para el transporte de carga, incluido
el combustible.
6.
Seleccin de los puntos de seccionalizacin de las lneas con doble
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
y garanta del suministro a los consumidores. stas
pueden
coincidir en el tiempo, pero en algunos casos puede no ser as; de aqu que las
tareas
de optimizacin en los sistemas elctricos deben responder a estas
peculiaridades, por lo que pueden ser:

a) Transitorias. Como su nombre lo indica, tienen que ver con la
optimizacin del transcurso y magnitudes de los fenmenos dinmicos
que ocurren en los sistemas. Los modelos matemticos empleados en
estos casos estn constituidos por
sistemas de ecuaciones
diferenciales. A este tipo corresponde la optimizacin de las acciones

de la automtica contra avera, etc.
b) Estacionarios. La optimizacin de este tipo se relaciona con fenmenos

en los cuales no juega papel fundamental el transcurso de la variable en
el tiempo, sino la magnitud que la misma pueda alcanzar: Estos
modelos trabajan con ecuaciones algebraicas; por ejemplo la
optimizacin de la distribucin de carga entre unidades, entre otras, es
un ejemplo de este tipo de accin.
c) Explotacin o de proyeccin. Como su nombre lo indica, estas son
tareas que se restringen a analizar el comportamiento de un
determinado parmetro ante determinadas condiciones de explotacin,
para garantizar un valor mximo (o mnimo) deseado, o a las posibles
perspectivas futuras de trabajo del objeto estudiado. Entre estas tareas
est la determinacin de la estructura ptima de la red para un perodo
determinado..
1.3. Particularidades de la optimizacin en los sistemas elctricos.
Con el desarrollo de los sistemas energticos, las tareas de optimizacin en esta
esfera, tienden ms y ms a tareas operacionales, es decir, la ejecucin de algunas
operaciones o sistemas de acciones, unidas en un propsito nico y dirigido a obtener
un objetivo especfico. El grado de obtencin del objetivo, en este caso, se describe
por una determinada funcin (la funcin objetivo o criterio de optimalidad) que toma
valores numricos reales. Si esta funcin se expresa en forma matemtica, entonces
el objetivo de la operacin se constrie a la obtencin del extremo de esta funcin, la
funcin objetivo. Para la accin sobre esta funcin en la direccin deseada se tienen
determinados medios activos (los parmetros de regulacin) X r1......X rn;
por medio
de los cuales es posible influir en los parmetros de salida (regulados)
Y1, Y2 ...Ym , que constituye argumento de la funcin objetivo. En el resultado de la

operacin influencia tan bien los parmetros no regulados X1, nr ,...., X knr ,
que
determinan las condiciones en las cuales se efecta la operacin. Sobre la base de

estas definiciones
se establece el modelo matemtico del proceso o grupo de
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
soluciones posibles. Por tal razona la optimizacin del proceso se reduce a la

obtencin de la metodologa que permita elegir del conjunto de soluciones a aquella
para la cual los valores de los parmetros de regulacin son tales, que cumplen con
las restricciones impuestas y que llevan a un mximo o a un mnimo la funcin
objetivo.
A medida que se hace mas compleja la estructura del modelo matemtico, (lo que
est determinado por la presencia de un gran numero de parmetros reguladores y
regulados, por la presencia de restricciones lineales y alinales, etc) se ha hecho
necesario utilizar para las tareas de optimizacin los mtodos de programacin
matemtica y en unin con ellos la utilizacin de las maquinas computadoras digitales.
Existen un gran nmero de mtodos de optimizacin. Uno de los mas usados es el
mtodo del multiplicador de Lagrange y el mismo se basa en la determinacin del
extremo de la funcin objetivo mediante la investigacin analtica de los enlaces
existentes entre parmetros definidos (variables) que caracterizan el proceso. El
mtodo de Lagrange permite encontrar el extremo condicionado de una funcin
F ( X aj X R )
en el espacio
g i ( x) por.i = 1, n
determinado por el sistema de ecuaciones
.Para encontrar el punto del extremo, caracterizado en el
espacio por un vector
es necesario encontrar
nmeros los cuales reciben
el nombre de multiplicadores de Lagrange y que junto al vector
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
f ( x o ) sea nula y que la segunda F( Y0 ) < 0
si el extremo local
corresponde a un mnimo, si F( Y0 ) > 0 ser un mximo. Si en el limite de la regin
que nos interesa la funcin toma valor menor que el mnimo global, entonces este
valor recibe el nombre de menor valor de la funcin en le regin (mnima).

Al estudio de los mtodos ms utilizados en las tareas de optimizacin en los Sistemas
Elctricos ser dedicado el captulo siguiente.
Resumen
La concepcin de ptimo es relativa, esto es, esta unida a la comparacin entre

s y de acuerdo a un determinado precepto (para uno u otros indicadores) de
objetos y procesos.
El objetivo final de la solucin
de las
tareas de optimizacin es el
aseguramiento de la mayor efectividad econmica o, en algunos casos

prcticos, la obtencin de los mayores menores valores de determinados
indicadores del proceso.
Los procesos en los sistemas energticos comnmente se describen por

sistemas de ecuaciones diferenciales ordinarias y ecuaciones algebraicas.
La direccin operativa garantiza el cumplimiento del plan de produccin,

teniendo en cuenta las particularidades de las situaciones concretas creadas
en el periodo analizado. Entre las tareas que garantizan una direccin ptima
del sistema energtico se encuentra la planificacin de los regmenes de las
plantas y los sistemas, es decir, la obtencin del mayor efecto econmico y
tecnolgico de la direccin energtica de las empresas y los procesos
productivos.
Las tareas de optimizacin en los Sistemas Elctricos, tienden ms y ms a

tareas operacionales, es decir, la ejecucin de algunas operaciones o sistemas
de acciones, unidas en un propsito nico y dirigido a obtener un objetivo
especfico. El grado de obtencin del objetivo, en este caso, se describe por
una determinada funcin (la funcin objetivo o criterio de optimalidad) que toma
valores numricos reales.
El modelo matemtico puede considerarse como la representacin del proceso

estudiado
en
forma
de
determinadas
dependencias
funcionales.
las
dependencias que expresan las restricciones en forma de igualdades y

desigualdades deben ser conocidas. Las soluciones posibles son los valores
de los parmetros de regulacin, para los cuales se cumplen las restricciones
establecidas.
La optimizacin del proceso se reduce a la obtencin de la metodologa que

permita elegir del conjunto soluciones a aquella para la cual los valores de los
parmetros de regulacin son tales, que cumplen con las restricciones
impuestas y que llevan a un mximo o a un mnimo la funcin objetivo.
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
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
tendr una utilidad de $ 5000 por cada estructura para lnea de
transmisin que se venda y de $4000 por cada estructura de molino.

2. Cada equipo pasa por operaciones mecnicas tanto en el Departamento A como en
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,
mientras que cada molino consume 15 horas en el Departamento A y 10 horas en

el B. Estos datos se resumen en cuadro siguiente:
Datos de la programacin mensual
Departamento
Estructura Para
lneas
Estructura para
molinos
Total
disponible
10
15
150
20
10
160
4. Como la empresa tiene intenciones de incursionar el comercio exterior, por ello
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
comprobacin se realiza en un tercer departamento que no tiene relacin con las

actividades de los departamentos A y B. Cada estructura para lnea requiere 30
horas de comprobacin y cada estructura para molino, 10. Puesto que el 10 % de
150 es 15, el total de horas de trabajo destinadas a la comprobacin no puede ser
menor de 135. Estos datos se dan en el cuadro siguiente:
Datos de la comprobacin de equipos
Estructura
de lneas
Horas
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
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)
Esta es la restriccin de horas disponibles en el departamento. Las condiciones del

tipo anterior se llaman restriccin de desigualdad. El nmero 150 se llama segundo
miembro
de la desigualdad. El primer miembro
de la desigualdad depende
claramente de las incgnitas X , Y y se llama funcin de restriccin. Esta desigualdad

matemtica es una forma simblica concisa para establecer la restriccin de que el
nmero total de horas empleadas en el departamento A para producir X unidades de
torres de lneas y Y unidades de estructuras de molinos no debe exceder las 150
horas disponibles.
En el cuadro del punto 3 se ve que cada estructura de lnea producida emplear 20
horas de trabajo en el departamento B y que cada estructura de molino emplear 10.
Como no hay ms de 160 horas disponibles en este departamento, los valores de X y
Y deben satisfacer tambin la desigualdad
20 X + 10 Y 160
(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
(2-3)
10
El smbolo significa mayor que o igual a y la condicin (2-3) se llama tambin

restriccin de desigualdad. Ntese que la condicin (2-3)
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
5 unidades en el prximo mes, en cualquier combinacin. O sea,
se
establece que
X+ Y5
Se tienen
(2-5)
as especificadas en forma matemtica las cinco restricciones de
desigualdades asociadas al problema de produccin de la empresa. Y finalmente,

como carece de sentido producir cantidades negativas de X y Y, se deben incluir las
dos condiciones siguientes :
X 0, Y 0
(2-6)
Las condiciones (2-6) exigen que los valores de X y Y sean no negativos y se

denominan como condiciones de no negatividad. En este punto debe recordarse la
diferencia entre el trmino no negativo y positivo. Ntese que no negativo admite que
el valor pueda ser cero, pero el trmino positivo lo descarta.
Como se deduce de la formulacin del problema, la eleccin de valores para el par
X y Y se llama decisin; por ello a X y Y se les denomina como variables de decisin
(son cantidades que se controlan externamente). Est claro en este problema que una
decisin significar elegir una combinacin de valores o sea una produccin mixta.
Por ejemplo, X = 6 y Y = 5 significa la decisin de producir seis estructuras para lnea
y cinco estructuras de molinos.
11
El problema es que algunas decisiones no negativas pueden cumplir con el

conjunto de restricciones (2-1) a (2-5) pero otras no. Como se observa, la decisin X
= 6
y Y = 5 satisface las restricciones (2-1), (2-3), (2-4) y (2-5) pero viola la
restriccin (2-2). Para comprobarlo, se sustituye X = 6 y Y = 5 en las restricciones y

se evalan los resultados. En este proceso se tendra.
Restriccin 1
10 X + 15 Y 150
10 (6) + 15 (5) 150
135 150 y la restriccin se cumple para este par de
valores.
Restriccin 2
20 X + 10 Y 160
20 (6) + 10 (5) 160
170 160
y la restriccin no se cumple para este
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.
2.2.1.2. Funcin objetivo

Ahora la cuestin consiste en decidir, dentro de todas las decisiones factibles o
posibles, cual es la mejor, desde el punto de vista del objetivo especfico del problema.
Para el caso bajo estudio, el objetivo especfico es maximizar las utilidades totales.
Supngase que la utilidad total esta dada por el smbolo Z.
De esta manera, el objetivo ser maximizar la relacin siguiente:
Utilidad total = utilidad por producir X
estructuras de lneas + utilidad por
producir Y estructuras de molinos

Como se sabe, la utilidad por cada estructura de lnea es 5000 pesos y 4000 por
cada estructura de molino.
12
Sustituyendo en la igualdad planteada se tiene :

Z = 5000 X + 4000 Y
Y como se quiere maximizar la utilidad total, entonces el objetivo ser
max Z = 5000 X + 4000 Y
De todas las infinitas decisiones (soluciones posibles) que satisfacen las
restricciones, la que d el mayor valor de Z o sea la mayor utilidad, ser la solucin
ptima del problema planteado. O sea que la decisin buscada ser aquella que
maximice la utilidad total relativa al conjunto de todas las decisiones posibles y a tal
decisin se le denomina solucin ptima. Y como la utilidad total Z es una funcin de
las variables X y Y, se denomina a esta funcin como funcin objetivo.
2.2.1.3 Modelo completo del problema

En las paginas anteriores se vio como a partir de una descripcin verbal de un
problema del mundo real se ha llegado a un modelo matemtico completo con funcin
objetivo y restricciones. El modelo completo ser
Max Z = 5000 X + 4000 Y
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
horas de comprobacin o chequeo
X - 3Y 0
requerimiento mixto
X+ Y 5
produccin combinada requerida
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,
sin entrenamiento en matemticas superiores. Esto es algo
reconocido por la experiencia histrica.
2.2.1.4 Gua para la formulacin de modelos

En lo que sigue se dar un conjunto de recomendaciones tiles para el aprendizaje
del lector en el proceso de desarrollar el planteamiento matemtico a partir de la
formulacin verbal de los modelos Estas recomendaciones sern tiles por lo menos
13
en una etapa inicial pues, cuando se adquiere la habilidad
necesaria, es posible
realizarlos de manera ms directa. Los primeros pasos sern los siguientes:

1. Expresar verbalmente las variables de decisin.
2. Expresar cada restriccin en palabras; al hacer esto, ponga atencin cuidadosa
en si la restriccin es un requerimiento de la forma (al menos tan grande como),
una limitacin (no mayor que) , = (exactamente igual a).
3. Expresar el objetivo en palabras.
Frecuentemente, a partir de una lectura cuidadosa del enunciado del problema se
pueden definir las variables de decisin. Es muy importante que estas variables estn
definidas en forma correcta. En muchas ocasiones ocurre que hay varias elecciones
posibles para hacer esta definicin. Como por ejemplo Representan kilogramos de
producto terminado o de materias primas? Una gua til es hacerse a uno mismo la
pregunta
Que decisin debe
tomarse para optimizar la funcin objetivo?
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
las restricciones mediante smbolos, es decir, en trminos de las
variables de decisin y sus correspondientes coeficientes.

5. Exprese la funcin objetivo en smbolos o sea, en trminos de las variables de
decisin y sus correspondientes coeficientes.
En esta etapa es muy importante comprobar el trabajo para ver si las unidades son
consistentes, es decir, realizar lo que habitualmente se conoce como anlisis
dimensional. Por ejemplo, si los coeficientes de la funcin objetivo estn dados en
pesos por kilogramo, las variables de decisin que aparezcan en la funcin objetivo
deben estar dadas en kilogramos, no en toneladas o libras.
Anlogamente, compruebe que para cada restriccin, las unidades del segundo
miembro son las mismas que las del primero. Por ejemplo, si una de las restricciones
es una limitante de la forma y el segundo miembro significa horas de trabajo de los
operarios, el primer miembro en su conjunto, debe significar tambin horas de trabajo
de los operarios. Si las variables de decisin son kilogramos, los coeficientes
numricos de cada variable de decisin del primer miembro de la restriccin debern
ser horas de trabajo por kilogramo de producto. Dicho de otra forma, no se puede
14
tener horas en un lado de la restriccin y minutos o segundos, o libras o toneladas en

el otro lado.
Hay otro aspecto en la formulacin que es conveniente esclarecer. Hemos visto que
las restricciones de desigualdad son de la forma . El lector debe tener en cuenta
que los problemas de programacin lineal no admiten signos de desigualdad estricta
como < > .
La simbologa convencional utilizada en estos casos es:
Z : Valor de la medida global de la efectividad
Xj : Nivel de la actividad j (para j = 1, 2,... , n)
Cj : Incremento en Z que resulta al aumentar una unidad en el nivel de la actividad j.
bi : Cantidad del recurso i consumido por cada unidad de la actividad j
La forma Estndar del Modelo de Programacin Lineal se muestra en la siguiente
tabla:
Recursos
Consumo de recursos por unidad de

Actividad
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
Tabla 2.1 Forma estndar del Modelo de Programacin Lineal.

Este modelo estndar consiste en elegir valores de x1, x2, ...xn para maximizar el
resultado de una funcin dada, obtenida de las relaciones existentes entre los
elementos y el resultado esperado y conocida como funcin objetivo, que en forma
general puede tener la forma:
Z = C1 X 1 + C 2 X 2 + ... + C n X n
Sujeta a restricciones funcionales,
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;
2.2.2. Terminologa para las soluciones del Modelo.

Cualquier conjunto de valores especficos para las variables de decisin ( x1, x2, ....,
xn) se llama solucin.
Una solucin factible es aquella para la que todas las restricciones se satisfacen y
una solucin no factible es aquella en la que al menos una restriccin es violada.
Una regin factible es la coleccin de todas las soluciones.
Una solucin ptima es una solucin factible que da el valor ms favorable de la
funcin objetivo
Un punto extremo factible (o solucin factible en un vrtice) es una solucin que
est en un vrtice de la regin factible.
2.2.3 Mtodo Grfico.

Los pequeos problemas que contengan solo dos variables de decisin y por lo
tanto slo dos dimensiones puede ser resueltos utilizando un el mtodo grfico.
A continuacin se presentan los pasos a seguir para la solucin de un problema a
travs del mtodo grfico.
Construccin de una grfica en dos dimensiones con x1 y x2 en los ejes.
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.
Seleccionar dentro de la regin factible el punto que maximiza el valor de Z,
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.
2.2.4 Solucin de problemas de Programacin Lineal. Mtodo SIMPLEX.
16
El mtodo SIMPLEX es un procedimiento general para resolver problemas de

programacin lineal, el mismo fue desarrollado en 1947 por George Dantzig, y est
catalogado por ser un mtodo extraordinariamente eficiente.
En mtodo SIMPLEX es una procedimiento algebraico, sin embargo sus conceptos
fundamentales son geomtricos. Sin embargo este algoritmo se trabaja en una
computadora que solo puede seguir instrucciones algebraicas, por lo tanto, es
necesario describir el procedimiento algebraico de este mtodo.
El procedimiento algebraico del SIMPLEX se basa en la solucin de sistemas de
ecuaciones, por lo tanto el primer paso a realizar es convertir las restricciones
funcionales del modelo estndar en restricciones de igualdad equivalente y esto se
consigue adicionndole al problema las variables de holgura .
Al introducir variables de holgura al problema, el modelo original de programacin
lineal se puede sustituir por un modelo equivalente (llamado forma aumentada del
modelo).
Cuando la variable de holgura es igual a cero en la solucin actual, entonces esta
solucin se encuentra sobre la frontera de la restriccin funcional correspondiente, si la
variable de holgura es mayor que cero entonces estos significa que la solucin esta en
el lado factible de esta frontera y si es menor que cero la solucin est en el lado no
factible.
Una solucin bsica del mtodo SIMPLEX tiene las siguientes propiedades:
Cada variable se designa ya sea como variable bsica o como variable no
bsica
El nmero de variables bsicas es igual al nmero de restricciones
funcionales.
Las variables no bsicas se hacen iguales a cero.
Los valores de las variables bsicas se obtienen con la solucin simultnea
del sistema de ecuaciones (restricciones funcionales en forma aumentada).
Si las soluciones bsicas satisfacen las restricciones de no negatividad la
solucin bsica es una solucin factible.

Dos
soluciones bsicas factibles son adyacente si todas menos una de sus
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.
2.2.4.1 lgebra del Mtodo SIMPLEX.

Paso Inicial:
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:
Se eligen los coeficientes de la columna pivote que son estrictamente
positivos
Se divide cada coeficiente entre el elemento del lado derecho en el mismo
rengln.
Se identifica el rengln que tiene la menor de estas razones.
La variable bsica para ese rengln es la variable que sale, por lo que se
sustituye esta variable por la variable bsica entrante, en la columna de la variable

bsica de la siguiente tabla.
Este rengln se llama rengln pivote y se le pone un recuadro. El nmero
que se encuentra entre los dos recuadros se llama nmero pivote.

Paso 3.
En la tabla actual, se despeja la nueva solucin bsica factible usando operaciones
elementales con renglones (multiplicacin o divisin de un rengln por una constante
diferente de cero, suma y resta de un rengln por otro) para construir una forma
apropiada de eliminacin gaussiana, despus se realiza la prueba de optimalidad.
Ejemplo N0 2.1:
Resolver el siguiente problema utilizando el mtodo SIMPLEX en su forma tabular:
18
Z = 2X1 + X2
Maximizar:
Sujeta a x1 + x2 40
4x1 + x2 100
x1 0 x2 0
1.
Se introducen las variables de holgura para llevar el problema a su
forma estndar aumentada.
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
variables de decisin (x1 y x2) como variables no bsicas.

3.
Segn lo expresado la variable bsica entrante: es la variable no bsica
con coeficiente mas negativo en la ecuacin (FO), a su columna correspondiente

se le llamara columna pivote, en este caso es x1.
4.
Determinar la variable bsica que sale por la prueba del cociente
mnimo
5.
En la tabla de la iteracin actual, se despeja la nueva solucin bsica
Factible usando operaciones elementales con renglones (multiplicacin o divisin

de un rengln por una constante diferente de cero, suma y resta de un rengln por
otro) para construir una forma apropiada de eliminacin gaussiana
6.
Realizar la prueba de optimalidad cuando todos los coeficiente de la
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.
En el problema resuelto los coeficientes de las variables de holgura eran no

negativos, por lo cual la primera solucin bsica se hallaba fcilmente; sin embargo
algunas veces las variables de holgura tienen coeficientes negativos, lo que impide la
aplicacin directa del mtodo SIMPLEX. En estos casos se introducen variables
artificiales y la funcion objetivo se le aade un nuevo trmino integrado por la suma de
todas las variables artificiales multiplicado por un numero de penalidad J positivo. El
signo de este termino se escoge positivo si se busca un mnimo o negativo si se
busca un mximo. Este termino de penalidad
impide que se alcance la solucion
optima a menos que las variables artificiales sean cero. [Boizan, M. Opto\imizacion.
Pueblo y Educacin. 1988]
19
2.2.4.2.-Anlisis Posptimo del Mtodo SIMPLEX

Luego de obtener la solucin optima, constituye una parte muy importante el
anlisis que de esta solucin se realiza.
En problemas de programacin lineal se interpretan las restricciones funcionales
como las cantidades de los respectivos recursos disponibles para las actividades que
se estn considerando. En todos los casos la informacin sobre la contribucin
econmica de los recursos a la medida de desempeo (Z) para el estudio que se est
realizando ser extremadamente til. El mtodo SIMPLEX proporciona esta
informacin en forma de precios sombras.
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
Tabla 2.2 Resultados del Ejemplo 2.1.
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
lo hace, entonces en este
caso bi es un parmetro sensible.

Yi* = 0 indica que la solucin ptima no es sensible al menos a pequeos
cambios en bi.
20
Para problemas con cientos o miles de restricciones, es comn que se le preste

mas atencin al anlisis de sensibilidad sobre los parmetros bi y cj que sobre los ai ,
ya que el efecto de estos ltimos es por lo general despreciable.
2.2.5 -Teoria de la Dualidad.

Uno de los descubrimientos ms importantes en el desarrollo de la programacin
lineal, fue el concepto de la dualidad y sus muchas e importantes ramificaciones. Este
descubrimiento revel que asociado a todo problema de programacin lineal, existe
otro problema lineal llamado dual.
Formulacin del problema dual a partir del problema primal en su forma estndar.
Problema primal
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
En esta formulacin, note que segn el nmero de variables de decisin en el

primal, as ser el nmero de restricciones en el dual. Esto constituye una ventaja, en
el momento de utilizar el dual, ya que se disminuye la cantidad de restricciones y por
ende, tiempo computacional. Los coeficientes de la funcin objetivo pasan a ser los
lados derechos de las restricciones.
La solucin del problema dual, nos brinda la informacin de los precios sombras del
problema original, a travs de los cuales se realizan los anlisis de sensibilidad.
Tambin se obtiene los valores de la solucin bsica factible ptima del problema
primal.
2.2.5.1.-Solucin del problema dual a travs del Mtodo SIMPLEX Dual.

El mtodo SIMPLEX, trata directamente con soluciones bsicas subptimas y se
mueve hacia la solucin ptima, tratando de satisfacer la condicin de optimalidad,
que plantea que los coeficientes en la ecuacin cero de la tabla SIMPLEX sean no
negativos. Por el contrario, el mtodo SIMPLEX dual maneja en forma directa,
soluciones bsicas sper ptimas, no factibles y se mueve hacia la solucin ptima,
tratando de alcanzar la factibilidad. Cuando se alcanza la factibilidad, se obtiene la
solucin ptima, y el valor de la funcin objetivo Y0 ptimo coincide con el valor
21
ptimo de Z0 en el problema primal. Toda esta explicacin se puede ver grficamente

en la fig. 2.1.
n
c x
j=1
b y
=Z
i =1
Superptima
= Y0
Subptima
(ptima) Z*
Y0 (ptimo)
Subpima
Superptima
Fig 2.1 Intervalos de valores posibles Z= Y0 para cierto tipo de

soluciones bsicas complementarias.
Estas correspondencias responden a la propiedad de las soluciones bsicas
complementarias que plantea que cada solucin bsica en el problema primal, tiene
una solucin bsica complementaria en el problema dual, en los que los valores
respectivos de la funcin objetivo (Z, Y0) son iguales. Un ejemplo de estas relaciones
se muestra en la siguiente tabla.
Problema primal
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)
Tabla 2.3. Tabla de Comparacin.

El mtodo SIMPLEX dual es muy til en algunas situaciones especiales. Lo normal
es que sea ms fcil encontrar una solucin inicial bsica factible
que una solucin
bsica superptima, aunque en ocasiones es necesario introducir variables artificiales

para construir artificialmente una solucin inicial de las primeras. En estos casos,
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.
Pasos a seguir para la aplicacin del Mtodo SIMPLEX Dual.
1. Inicializacin: Despus de convertir cualquier restriccin funcional de la

forma a la forma , (multiplicando ambos lados por 1), se introducen las
variables de holgura necesarias para construir un conjunto de ecuaciones que
describan el problema. Se encuentra una solucin bsica tal, que los coeficientes
de la ecuacin (FO), sean ceros para las variables bsicas y no negativos para las
variables no bsicas, de manera que la solucin es ptima si es factible.
2. Prueba de factibilidad: Se verifica si todas la variables bsicas son no
negativas. Si es as, entonces la solucin es factible y por lo tanto ptima, el
algoritmo se detiene. De otra manera, se pasa a realizar otra iteracin.
3. Iteracin:
23
Paso 1: Se determina la variable bsica que sale, seleccionando la variable

negativa que tenga el mayor valor absoluto.
Paso2: Se determina la variable bsica entrante; se elige aquella cuyo coeficiente
en la
ecuacin (FO) llegue primero a cero. Esta seleccin se hace examinando las
variables
no bsicas con coeficientes negativos en esa ecuacin (la que
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
ecuacin en la que aperece (con coeficiente +1). Se regresa a la prueba de
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.
Transformar el problema a la forma estndar de maximizacin y llevar
las restricciones de la forma a la forma multiplicando las restricciones por (-1)

Maximizar - 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
2.
Se introducen las variables de holgura
y se lleva el sistema de
ecuaciones a la forma aumentada.
z + 5 x1 + 2 x2 + 4 x3 = 0
x1 x2 2 x3 + x4 = 4
6 x1 3 x2 5 x3 + x5 = 10
3.
Se determina la variable bsica que sale, seleccionando la variable
negativa que tenga el mayor valor absoluto en este caso x5.

24
4.
Se determina
la variable bsica entrante; se elige aquella cuyo
coeficiente en la ecuacin (FO) llegue primero a cero. Esta seleccin se hace

examinando las variables no bsicas con coeficientes negativos en la ecuacin (2-)
( la que 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 la ecuacin (2-),en este caso x2 es la variable bsica entrante..
5.
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 ecuacin en la que aparece (con coeficiente +1). Se regresa a la
prueba de factibilidad.
La solucin de este problema se resume en la Tabla 2.3.2.
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
Tabla 2.3 Resultados del Ejemplo 2.2

La solucin ptima es:
x1 = 2/3
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:
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
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
Tabla 2.4 Resultados del ejemplo 2.3

Solucin bsica factible del problema dual. Y*= (1/2 3/2 0 0 0)
Valor ptimo da la funcin objetivo: y0*= 9
Del anlisis de los resultados del problema dual se deducen los precios sombras
del problema original.
Y1=
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
x 0, donde al menos f(x) G(x) o ambas son
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
27
Fig. 2.2 Representacin grfica de problemas no lineales.

La funcin f(x) puede tener forma cncava o convexa as como sus restricciones
pueden formar regiones de ambos tipos.
Para garantizar que un problema no lineal tenga
solucin sin muchas
complicaciones, se trata siempre que su funcin objetivo sea cncava, diferenciable y

sus restricciones
un conjunto convexo. Para conocer de que tipo es la funcin
determina su segunda derivada, de tal manera que si:
d2 f
0
dx 2
para toda x.
Funcin cncava.
d2 f
0
dx 2
para toda x.
Funcin convexa.
Los algoritmos de programacin no lineal no pueden distinguir entre un mximo

local y un mximo global, por lo que es determinante conocer las condiciones bajo las
que se garantiza que un mximo local es un mximo global en la regin factible.
Si un problema de programacin no lineal no tiene restricciones, el hecho de que la
funcin objetivo sea cncava, garantiza que un mximo local sea un mximo global.
De igual manera una funcin objetivo convexa, garantiza que un mnimo local sea un
mnimo global. Si existen restricciones, entonces se necesita una condicin ms para
dar esta garanta y es saber si la regin factible es un conjunto convexo, esto es, que
para un conjunto de puntos tales que, para cada par de puntos de la coleccin, la recta
que los une est totalmente contenido dentro de la regin factible.
La regin factible para un problema de programacin no lineal es un conjunto
convexo, siempre que todas las funciones gi(x), para las restricciones gi(x) bi, sean
convexas.
2.3.2.-Optimizacin no restringida de una variable.

Cuando se tiene un problema de optimizacin no restringida con una sola variable,
con una funcin diferenciable f(x) que debe maximizarse y es cncava, la condicin
necesaria y suficiente para que una solucin x = x* sea ptima es:
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
28
resolver el problema analticamente, en este caso hay que acudir al Procedimiento de

Bsqueda en una direccin.
2.3.2.1-Procedimiento de bsqueda en una direccin.

Este procedimiento trata de encontrar una seria de soluciones prueba que
conduzcan hacia una solucin ptima.
La idea de este procedimiento se basa en determinar el signo que la pendiente
(derivada) calculada para una llamada solucin prueba, esto
indica si la mejora
est a la derecha o la izquierda. Si la derivada evaluada para un valor dado de x es

positiva, entonces x* debe ser mas grande que esta x, y por tanto x se convierte en
una cota inferior para las soluciones prueba. Si por el contrario, la derivada es
negativa, entonces x* debe ser ms pequea que esta x, y x se convierten una cota
superior.
Una vez que se han identificado ambas cotas, cada nueva solucin prueba que se
selecciona entre ellas proporciona una nueva cota mas estrecha de uno de los dos
tipos, cerrando la bsqueda cada vez mas. Con la utilizacin de una regla razonable
para elegir cada solucin prueba, la sucesin de soluciones pruebas debe converger a
x*
Notacin utilizada en este procedimiento
x : solucin prueba inicial
x : cota inferior actual sobre x*
x : cota superior actual sobre x*

: tolerancia del error para x*
En resumen, el procedimiento de bsqueda en una dimensin se puede formular
segn los siguiente:
Se selecciona la tolerancia del error .
Se encuentran x y x iniciales por inspeccin (o encontrando valores respectivos de

x en los cuales la derivada sea positiva y luego negativa).
Es eligida una solucin prueba inicial por el procedimiento de la regla del punto
medio (tradicionalmente llamado plan de bsqueda de Bolzano) que plantea que se
selecciones el punto medio entre las dos cotas actuales. Esto se hace por la
expresin: Punto medio:
x '' =
x+ x
Se ejecuta el proceso iterativo:
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
Se elige una nueva x '' =
4.
x+ x
Regla de detencin: si la nueva x se encuentra a una distancia de x* menor que ,

el proceso termina; de otra manera, se regresa al paso iterativo.
Ejemplo 2.4
Utilice el procedimiento de bsqueda en una dimensin para obtener iterativamente
una solucin aproximada del siguiente problema.
f ( x) = x 3 + 2 x + 2 x 2 0,25 x 4
Maximizar:
Usando una tolerancia de error = 0,4 y cotas iniciales x = 0, x = 2,4

Max. f ( x) = x 3 + 2 x + 2 x 2 0,25 x 4
df ( x)
= 3x 2 + 2 4 x x3
dx
df ( x)
= 6 x 3x 2 4
dx 2
Clculo del punto medio.

Evaluando x=1,2 en
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
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
(1.0125 0.993) < 0.08

0.0195 < 0.08
Entonces un aproximado de x* ser = 1.0125
Iteracin
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
Tabla 2.5 Resultados del Ejemplo 2.4
2.3.3.-Optimizacin no restringida de varias variables.

Cuando se analiza un problema de maximizar una funcin cncava f(x) de variables
mltiples, en la que no se tienen restricciones sobre los valores factibles. Y se cumple
la condicin necesaria y suficiente para optimalidad, en esta caso el problema no
puede ser resuelto analticamente, por lo que debe emplearse un procedimiento de
bsqueda numrica.
La extensin del procedimiento de bsqueda en una dimensin requiere emplear
los valores de las derivadas parciales para seleccionar la direccin especifica en la
que conviene moverse. Esta seleccin implica el uso del gradiente de la funcin
objetivo, como se describe a continuacin.
2.3.3.1.-Procedimiento de Bsqueda del Gradiente.

Como el problema analizado no tiene restricciones, esta interpretacin del gradiente
sugiere que un procedimiento de bsqueda eficiente debe moverse en la direccin del
gradiente hasta que alcance una solucin optima x* en la que f ( x * ) = 0 , la mejor
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
iteracin incluye cambiar la solucin prueba actual x '' como sigue:

Se modifica x ' = x ' + t * f ( x ' )
'
'
Donde t* es el valor positivo de t que maximiza f ( x + tf ( x )) , es decir,
f ( x ' + tf ( x ' )) = max f ( x ' + tf ( x ' ))

t 0
Las iteraciones de este procedimiento de bsqueda del gradiente continan hasta
[f ]
[x ]
que:
para j = 1,2,..., n
Resumen del procedimiento de bsqueda del gradiente.
Inicializacin: se elige y cualquier solucin prueba inicial x. Se pasa primero a la

regla de detencin.
Iteracin:
1.
'
'
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'
y despus se sustituyen estas expresiones en f ( x) .

2.
Se utiliza el procedimiento de bsqueda en una dimensin (o el clculo)
'
'
para encontrar t = t* que maximiza f ( x + tf ( x )) para t 0 .
3.
Se hace x ' = x ' + t * f ( x ' ) .Despus se pasa a la regla de detencin.
Regla de detencin: Se evala f ( x ' )
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
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
x' = (1,1) + t (0,2)
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)
-12 t2+4 t-1
1/6
(1,4/3)
(1, 4/3)
(4/3;-4) (1+4/3t; 4/3-4t)
208 t2-272/3 t-2
0.22
(1,3;0,45)
33
(1,3, 0,45)
(-3/4,0) (1,3-3,4t; 0,45+2,5t) -41,87t2-23,07 t -0,27
(1,5; 0,38)
1,67
Tabla 2.6. Resultados del Ejemplo 2.5.

2.3.4. Optimizacin restringida de varias variables.
2.3.4.1.- Condiciones de Karush-Kuhn-Tucker (KKT)
En el caso de las tareas de optimizacin en que aparecen restricciones del tipo de
desigualdades, un mtodo que se utiliza para resolver este problema son las llamadas
condiciones desarrolladas por Karush-Kuhn-Tucker (KKT) de forma independiente.
El problema se puede plantear de forma general como:
minimizar f(x)
Sujeto a
w i ( x) = 0
i = 1,2, ..., Nw
gi ( x) 0
i = 1,2, ..., Ng
donde x es un vector de dimensin N

La funcin de Lagrange en esta caso ser:
Nw
Ng
i= 1
i =1
L = f ( x) + iw i (x) + igi (x)

Las condiciones de KKT para encontrar el optimo en el punto x0 , 0 , 0 son:
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.
2.3.4.2.-Mtodo de los Multiplicadores de Lagrange.

Uno de los mtodos mas usados es el del multiplicador de Lagrange y el mismo se
basa en la determinacin del extremo de la funcin objetivo mediante la investigacin
analtica de los enlaces existentes entre parmetros definidos (variables) que
caracterizan el proceso. El mtodo de Lagrange permite encontrar el extremo
34
condicionado de una funcin
F ( X aj X R )
en el espacio
determinado por el
g i ( x) por.i = 1, n
sistema de ecuaciones
Para encontrar el punto del extremo, que caracterizado en el espacio

vector
es necesario encontrar
por un
nmeros, los cuales junto con el vector
cumplimentara el siguiente sistema de ecuaciones con m + n incgnitas
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
,....,
recibe el nombre de multiplicador de Lagrange

De forma general se puede plantear matemticamente de la siguiente forma:
FT = 11 + 2 2 + .... + n n
donde
1 ... n son las restricciones del problema.

1 ... n son los multiplicadores de Lagrange.
L = FT 11 2 2 .... n n
luego
donde
L : Lagrangiano.
La condicin de mnimo para este problema es:
dL
=0
dPi
A continuacin se desarrollar un ejemplo aplicando este mtodo, y las condiciones
de Karush- Kun-Tucker.
Ejemplo 2.6
35
Minimizar
f ( x1 , x2 ) = 0.25 x12 + x22
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
resolviendo este sistema de ecuaciones se obtiene:
x1 = 4
x2 = 1 = 2
2. Sustituyendo los valores de la variables en la condicin nmero 2 se obtiene:

5-4-1=0
0=0
3. Para la condicin nmero 3 tenemos:
4 + 0.2*1 - 3 0
1.2 0
como se puede apreciar esta condicin no se cumple, por lo tanto esta no es la
solucin del problema.
Se probar ahora con > 0; debido a la condicin nmero 4 g tiene que ser
exactamente igual a cero. Entonces las condiciones 2 y 3 toman la forma:
5 x1 x2 = 0
x1 + 0.2x2 3 = 0
resolviendo este sistema de ecuaciones se obtiene:
x1 = 2.5
x 2 = 2.5
36
Por nmero 1 obtenemos:
L
= 0,5 x1 +
x1
L
= 2 x 2 + 0,2
x 2
Sustituyendo los valores de x1 y x2 en las expresiones anteriores se obtiene
0,5 * 2,5 + = 0
2 * 2,5 + 0,2 = 0
= 5.9375
= 4.6875
Como se ha podido comprobar se satisfacen todas la condiciones lo cual no

garantiza aun que la solucin sea optima. Como se resume en la tabla 2.7 se
necesitan de ciertas suposiciones de convexidad adicionales para obtener esta
garanta.
Tabla 2.7 Resumen de las condiciones de convexidad para el ejemplo 2.6.

Problema
Condiciones necesarias
Tambin suficientes si:
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)
Condiciones de KarushKuhn-Tucker (KKT
f(x)
cncava
gi(x)
convexa ( i = 1,2, ..., m)
2.3.4.3-Mtodo de Bsqueda del gradiente.

El gradiente de un vector f ( x0 ) de n componentes es perpendicular al contorno
constante de f(x) la cual pasa a travs de f ( x0 ) , la direccin del gradiente es la
direccin en que el mximo local aumenta y su longitud es la medida del mximo
incremento en el cambio.
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]
En este caso la funcin a optimizar es el costo total de la generacin, es decir:

FT = F1 + F2 + F3, con las restricciones en cuanto a Pmax y Pmin y que la suma total de
lo generado tiene que ser igual a la demanda, es decir P1+P2+P3 = 800 MW.
Inicialmente se utilizar el mtodo del gradiente reducido para enfrentar el problema,
para ello se expresa una de las potencias generadas en funcin de las otras dos, o
sea P3= 800 ( P1+P2), con lo que la funcin de costo queda slo como funcin de P1 y
P2, reduciendo as el nmero de derivadas y de restricciones, de ah el nombre del
mtodo.
Luego:
FT= 10346-7,67P1 -7,74P2+ 0,0062P12+0,0067P2 2+0,0096P1P2 [pesos/MW-h.]
38
Para solucionar el problema, se supone un vector inicial; en este caso supondremos
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
sutituye X1 en la expresin de FT; quedando:

FT
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 =
7,67g1 7,74g 2 + 0,0124P1g1 + 0,0134P2g 2 + 0,0096(P1g 2 + P2g1 )

; que evaluada
0,0124g12 + 0,0134g 22 + 0,0192g1g 2
para las condicones iniciales se obtiene

t = 45,2348
Los nuevos valores de las potencias generadas sern P1 = 300 +1,07*45,2348
P1=348,4012; P2 = 300 + 0,84*45,2348= 337,7636; P3 = 800 -348,4012 -337,7636 =
=113,60
A partir del nuevo valor encontrado de X(1) se contina el clculo hasta que se cumple
la condicin de detencin del mismo, que supondremos en este caso 0,01 . Los
resultados se muestran en la siguiente tabla:
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
-0,1002 0,1273 41,2347

-0,0786
7722,65
-0,2268 0,3749 257,4445

0,3015
7704,4879 -0,2567 0,3192 45,59

-0,1898
7702,1643 -0,0285 0,048
0,0386
7701,86
258,4514
-0,0328 0,0408
-0,0243
7701,8290 -0,0036 0,0061 258,505

0,0049
Como se ve de la tabla, el ptimo se alcanza luego de 7 iteraciones; pero desde el

punto de vista prctico, este se alcanza a partir de la 5ta iteracin, pues la diferencia
en los valores alcanzados por la funcin objetivo son slo de centavos, esto se ve
reforzado tambin por las condiciones prcticas de operacin, ya que en la actualidad,
los mecanismos de regulacin de las unidades no permiten precisar hasta niveles del
MW.
2.3.4.4 -Mtodo de Newton.

Uno de los mtodos ms utilizados, dada su rapidez de convergencia es el mtodo
de Newton. Este mtodo, para funciones de varias variables, sigue una metodologa
semejante a la que se aplica para funciones de una variable, y que para el caso en
particular que se trata, tiene la siguiente forma:
Sea g(x) el vector de funciones que se desea optimizar en un entorno de x; luego
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 )
40
Derivando g(x) se obtiene la matriz de derivadas parciales, g(x)
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
Esta la matriz es conocida como Jacobiana.

En cada paso de iteracin,el valor de x se calcula por la expresin:
x = g ( x )
* g ( x)
Si ahora se sustituye g(x) por el gradiente de la funcin objetivo L se obtendra:
x = L
x
* L
Derivando la matriz Jacobiana con respecto a X, se obtendr entonces la matriz en

segundas derivadas, conocida por matriz Hessiana:
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:
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
Calculando el gradiente de la Funcin de Lagrange y evalundolo para los datos

iniciales se obtiene:
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 70.61 370.6167

200 115.41 315.4133
+
=
=
300 186.03 113.9699
0 9.07
9.0761
Sustituyendo los valores obtenidos en la Funcin de Costo Total se obtiene el

siguiente resultado:
FT = 7738.8 $/MW-hora
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.
de la Fe, Borrero, Cervantes
b) Por el criterio de la calidad de solucin de tareas comprobatorias especiales,

equivalentes a las reales.
Se considera que una gran experiencia en determinado campo del conocimiento posee aquel
perito para el cual la dispersin de sus valoraciones subjetivas es muy pequea comparada
con la probabilidad real de ocurrencia obtenida esta de un numero grande de experiencias
anteriores .
Los mtodos mas generalizados para la elaboracin de los datos generados por los peritos
son los siguientes:
1.
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.
Mtodo de discusin y votacin abierta.
En este mtodo las colusiones
generales se formulan mediante discusin abierta . La desventaja de este mtodo

radica en que la valoracin general del grupo puede verse fuertemente influenciada por
las valoraciones de los peritos mas respetados o mas activos del grupo.
3.
Mtodo de discusin abierta y votacin secreta. En este caso las colusiones
generales
se formulan
mediante
discusin abierta, y la valoracin general de la
probabilidad de todo el grupo, se realiza por medio de votacin secreta. La existencia

de contactos primarios entre los peritos, no excluye la posibilidad de alianzas , lo que
puede influenciar la valoracin general de la probabilidad de todo el grupo.
4.
Mtodo multironda de peritaje. Este mtodo es el mas perfeccionado ya que
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:
-
Mtodo de la preferencia. Al perito se le pide numerar todos los pesos Mj en el
orden de su preferencia de forma tal que el menos preferido (importante) de los

parmetros tenga el numero 1, el siguiente en este orden de importancia seria el 2 y as
sucesivamente.
La formula de clculo del peso del J-esimo parmetro ser:
Mj = ( lL Wjl ) / ( jn lL Wjl ) ;
Donde Wjl lugar en el que fue colocado el peso del factor j por el perito l ; L
cantidad de peritos; n numero de factores.
-
Mtodo del rango. Al perito se le pide valorar la importancia de cada propiedad
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)
f(j/j)l . Siendo fjl frecuencia de
prevalencia en el perito l de la ponderacin de la

propiedad j sobre las ponderaciones de las dems propiedades . f(j/j)l - frecuencia de
prevalencia en el perito l de la ponderacin de la propiedad j sobre la ponderacin de la

propiedad j. J- numero de juicios, igual a I = n( n-1 )/2.
Mtodo de la comparacin consecutiva:

El perito sita las ponderaciones de todas las propiedades en orden de preferencia.
La mas importante propiedad recibe una ponderacin 1,0 y todas las restantes , en
un orden descendente en el intervalo 1- 0.

Si la propiedad con ponderacin M1 es mas importante que las dems propiedades
tomadas en su conjunto, entonces M1 se incrementa hasta un valor que supere la suma de
todas juntas ; esto es M1 > j Mj ;(j =2 ...n). En caso de necesidad, en dependencia de la
importancia de la misma propiedad principal M1, puede ser realizado un proceso inverso,
tal que se cumpla la relacin M1 < j Mj ;(j =2 ...n) ; luego se resuelve la misma tarea con
respecto a la siguiente propiedad por importancia y as sucesivamente para todas las
propiedades restantes.
La elaboracin de los resultados de la encuesta de este mtodo se realiza por las
formulas del mtodo de los rangos.
Anlisis de los resultados. Para valorar el grado de coincidencia de los peritos se
utiliza el coeficiente de concordancia , el cual permite determinar si existe o no una

concordancia casual en los juicios de los expertos:
= 12S/L2(n3 n) ;
donde S suma de los cuadrados de desviacin del valor medio de la suma de rangos de la
suma de rangos de cada factor.
La diferencia entre la suma de rangos de cada factor ajl y la suma media de los rangos
D j = ajl D ; donde D = ( jl ajl )/n ( j = 1, , , , n ); (l = 1, , , L.)
Si el valor del coeficiente de concordancia es lo suficientemente elevado (estos valores se
encuentran tabulados ) , entonces existe una coincidencia no casual en las valoraciones de los
peritos. A continuacin se muestra una tabla que aclara el procedimiento para determinar el
coeficiente de concordancia para el trabajo de un grupo de 5 peritos y 7 propiedades o
factores a valorar. Como se ve de la tabla, el valor de es aceptable, y por ello se considera
que no es casual el resultado obtenido.
Para valorar el grado de concordancia entre las opiniones de dos peritos ( o dos grupos de
ellos), se utiliza el coeficiente de correlacin de rango de Spirmen
R= 1 - 6j dj2 /(n3-n) ; donde dj diferencia de rangos de los dos peritos ( o grupo ) para el
factor j.
Tabla indicadora para el calculo de
Factores
Peritos
X1
X2
X3
X4
X5
X6
X7
Suma de los rangos
13
30
24
21
27
17
Desviacin del valor medio
-7
-12
10
-3
Cuadrado de la desviacin
49
144
100
16
49
308
0,53
de la suma de los rangos
.
Independientemente
de que los mtodos de peritos permiten tomar decisiones optimas
reflejando la experiencia colectiva, no es aconsejable enfrentarlos a los mtodos matemticos

rigurosos. En todos aquellos caos en que sea posible, es deseable fundamentar la toma de
decisiones en la combinacin de ambos.
Principios de la optimizacin multi-objetivo en la energtica.
Cualquier sistema grande en la energtica, y en particular el sistema elctrico SE, esta
caracterizado por un gran numero de indicadores y propiedades. Siempre existe una
contradiccin entre la sencillez en la descripcin del sistema, lo que ahorra tiempo y trabajo en
la solucin de cualquier tarea en especifico y la pormenorizacin en su descripcin, lo que en
definitiva redundara en una decisin mucho mejor justificada. Para romper esta contradiccin es
necesario organizar el conjunto de propiedades analizadas de los grandes sistemas
energticos.
Los mtodos y modelos desarrollados hasta nuestro tiempo para la direccin optima de
sistemas energticos , utilizan en calidad de elemento de comparabilidadin indicadores
econmicos , tales como el VAN, GMRD, etc. basados en una formulacin mononivel para
describir el comportamiento de las principales particularidades del SE. Desatendindonos de
las cuestiones en discusin de tipo metodolgico ( fundamentacin de las normas de efectividad

y referencia en el tiempo, posibilidades del calculo de las inversiones capitales y los gastos
anuales), analicemos los mencionados mtodos desde el punto de vista de su posibilidad de
considerar las propiedades fundamentales de los sistemas energticos.
Los GMRD, VAN, etc. permiten determinar la efectividad relativa de variantes concurrentes,
sobre la base del anlisis de caractersticas de entrada: inversiones capitales, gastos de
explotacin, flujos de cajas, etc., referidos a un indicador, con ayuda de diversos coeficientes (
coeficiente normativo, de encarecimiento del dinero, etc.), estableciendo la necesidad de
cumplir con determinadas condiciones de equivalencia entre el efecto directo y el
complementario. En general, las variantes comparadas deben ser
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
de obtener para ellos valoraciones preferenciales. Esto se refiere ante todo a
restricciones que tienden a garantizar la equivalencia el efecto energtico. Al contrario, tales

indicadores como gasto de recursos deficitarios ( incluida la fuerza de trabajo), magnitud de las
emisiones contaminantes al medio, nivel de bienestar social de la poblacin es indicado
incluirlos en la funcin objetivo.
Por tal razn, si se tiene en cuenta las condiciones ya analizadas, el numero de
particularidades que es necesario considerar en el criterio de optimalidad se incrementa.
Por cuanto los mtodos del VANC, GMRD tienen carcter de gastos, todos los indicadores
que entran en la funcin objetivo, tienen que tener expresin monetaria. El cumplimiento de esta
exigencia, no tiene mayores complicaciones si en la funcin objetivo se trata solo de inversiones
capitales y gastos de explotacin, ya que valoraciones de costo, son las naturales para la
medicin de estos indicadores; pero cuando en esta funcin se aaden indicadores de calidad (
parte de ellos considerados caractersticas de salida del sistema), surge el problema de la
expresin monetaria de su efecto, la cual en muchos de los casos es imposible.
De lo dicho anteriormente se desprende que los mtodos de valoracin econmica no
resuelven totalmente el problema, ya que cada caso en particular exige investigaciones
complementarias, relacionadas con la necesidad de la formacin de los indicadores econmicos
para las propiedades cualitativas incluidas en la funcin objetivo, las cuales dependen mucho
de las condiciones particulares del objeto energtico.
La forma mas adecuada de poder considerar en una tarea de optimizacin indicadores de
tipo cuantitativo y cualitativos es la utilizacin de mtodos criteriales de optimizacin, los cuales
reciben tambin el nombre de mtodos de optimizacin multicriterial MOMC o mtodos de
optimizacin multiobjetivos. MOMO.
La particularidad y fundamental ventaja de los MOMC o MOMO radica en la posibilidad de
utilizar particularidades del sistema optimizado distintas por su naturaleza, lo cual es una
necesidad frecuente en los sistemas elctricos.
El proceso multicriterial en calidad de principio fundamental de optimizacin
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:
-
Suministrar a los consumidores la energa con la calidad y la confiabilidad
requerida.
-
Disminucin o desaparicin de los efectos nocivos sobre otros sistemas
naturales o artificiales.
-
Utilizacin racional de recursos materiales, humanos y financieros.
Loa objetivos globales para subsistemas concretos se pueden puntualizar en forma de

objetivos parciales, formando sistemas de jerarqua de objetivos. El contenido de los objetivos
globales y de sus correspondientes
objetivos parciales dependen de las caractersticas del
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
los MOMC permite comparar
cualquier variante por su efectividad. El procedimiento de unin de las caractersticas criteriales

en un criterio integral, precede a la unificacin de sus intensidades a una dimensin ( en forma
porcentual o por unidad) y a un mismo rango de variacin, asi como dar la relacin de
preferencia en el conjunto de objetivos y a expresarlas en escala cuantitativa. La conversin a
magnitudes adimensionales, se realiza con la ayuda de funciones monotnicas normalizadoras
de distintos tipos.
Para la optimizacin multicriterial de un objeto energtico, la informacin externa necesaria
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
Media cuadrtica E2 = [ i (viei )2 ] max
Media geomtrica E3 = i ei vi max

Media armnica
E4 = ( vi /ei )-1 max
i=1...n
i=1...n
i=1...n
Donde vi peso que determina el valor relativo del objetivo i

ei grado de cumplimiento del objetivo i en la variante analizada.
El intervalo de variacin de los valores de E es cmodo escogerlo igual que el de ei es decir,
unitario. Entonces, para cualquier variante no conveniente el valor de ser E = 0 y para la
variante ideal E = 1. La Normacin exigida para E se debe lograr con una estructura adecuada
de la funcin objetivo y un correspondiente escalado de los coeficientes de peso vi. En los
casos particulares de E1, E2, E4 esto se logra haciendo
i vi = 1. Cierto es que las dos
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
proceso sistmico completo en cuanto a la direccin de un sistema electroenergtico, lo que es

raramente posible lograr cuando se realiza una optimizacin momocriterial basndose en
mtodos como el VANC o el GMRD.
METODOS DE TOMA DE DECISION
EN CONDICIONES DE INFORMACION
INCOMPLETA DE LOS DATOSD INICIALES.

Uno de los problemas generales en la toma de decisiones para la optimizacin de sistemas,
se relaciona con la exactitud de los datos iniciales y la veracidad de los resultados de
optimizacin obtenidos. En la mayora de los casos esta informacin, por su propio carcter, es
indeterminada, lo que, en general conduce a la indeterminacin de la solucin tomada.
Toda la informacin, utilizada durante la proyeccin de objetivos energticos y Sistemas
Elctricos, desde el punto de vista de su carcter y posibilidad de consideracin de su
indeterminacin , puede ser dividida en cuatro grupos.
Determinstica, la cual
establece una relacin nica entre los elementos del
sistema y sus enlaces.

Probabilstica-determinada, para la cual son conocidas las leyes de distribucin
de las magnitudes probabilsticas y sus caractersticas ( indicadores que caracterizan la
temperatura atmosfrica, altura de presas, y otros). En trabajos de optimizacin de
carcter indicativos, estos indicadores generalmente se toman como determinstica para
su valor medio o econmico determinado por medio de clculos.
Probabilstica-indeterminada, para la cual son conocidas solo los limites de
variacin de los parmetros, pero las leyes de distribucin de las magnitudes
probabilsticas dentro de estos limites son desconocidas ( datos perspectivos sobre
consumo de energa elctrica, combustible, reservas de recursos energticos,, entrada
de nuevas capacidades de generacin, etc).
Propiamente indeterminada, cuando los indicadores pueden tomar distintos
significados, en dependencia de decisiones aun no tomadas o del transcurso de unos u
otros sucesos (nivel de demanda elctrica perspectiva del pas, dependiente de
decisiones aun no tomadas por el propio ritmo de crecimiento dela economa,
indicadores tcnico-econmicos de los principales tipos de equipamiento, cantidad y
potencia de las plantas en construccin o a construir, lugar de ubicacin, tipos de
combustibles y fuentes de las que se obtendrn, etc).
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,
cuando son desconocidas las condiciones futuras de su crecimiento. As por ejemplo,

durante la optimizacin de la estructura de generacin del sistema, es desconocida la
demanda, los indicadores de maniobra de los distintos tipos de equipos y su fiabilidad,
posibilidad de utilizar las lneas para la transmisin entre distintas plantas, etc. La utilizacin
de un mtodo determinstico para solucionar esta tarea, provocar que si las condiciones de
explotacin reales son distintas a las consideradas durante el anlisis, la estructura de

generacin considerada no sea la optima.
La adecuacin de la variante adoptada a las condiciones reales, exige la ejecucin de
medidas de correccin, las cuales requieren a su vez gastos complementarios. En relacin
con esto, las condiciones iniciales y los estados del sistema debern darse en forma de
varios valores alternativos, los cuales conforman el conjunto de las condiciones iniciales
(hiptesis).
Con esto, cada una de las variantes tcnicas de solucin de la tarea ( cada estrategia) y
cada condicin de desarrollo del sistema (cada estado), corresponde con su indicador
tcnico econmico I, ( comnmente los gastos mnimos reducidos dinmicos (GMRD) , el
Valor Actual Neto de Costos (VANC), etc.). El conjunto de todas estas soluciones puede
representarse en forma de una matriz, la cual recibe el nombre de matriz de pago. Por
ejemplo, si existen m variantes de posibles soluciones (i= 1,2 ...m),y n estados (j=1,2,.....n),
conociendo el correspondiente valor del VANCij o de los GMRDij para cada variante i y cada
condicin j es posible formar la matriz de pago de dimensiones m x n.
Matriz de Pago
Varianre
Condicin de Desarrollo (estado)
(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
Sin embargo, en la mayora de los casos, cuando la probabilidad de aparicin de cada

estado es desconocida, la base para la seleccin de la solucin optima en condiciones de
indeterminacin pueden ser distintos criterios y principios provenientes de la teora de los
juegos.
1.
Principio de la racionalidad, basado en que todos los estados poseen
igual probabilidad de aparicin.

I1 = mini [ (1/n) pj Iij ]
Este criterio, por su naturaleza corresponde con el mnimo medio aritmtico
del indicador.
2.
Principio de Sedvige, cuando para daca estrategia se toma en cuenta
solo los indicadores de mayor y menor significado Iij y en calidad de criterio de

optimalidad se utiliza la magnitud.
I2 = mini { (maxj [Iij] + minj[Iij]}
3.
Principio de Hurwitz, segn el cual, adems de los valores mximos y
mnimos del indicador, de toma en consideracin el valor medio aritmtico de los

mismos I*:
I3 = mini {maxj [Iij] + minj[Iij] + I* }
4.
Principio del mnimas, el cual constituye el criterio mas precavido. En su
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.
Criterio del riesgo mnimo, para lo cual la matriz de pago se transforma en
la matriz de riesgo de perdida.

Rij = Iij - mini[Iij]
Y como criterio de optimizacin se utiliza la magnitud del mnimaximo riesgo.
R = mini { (maxj [Iij]}
La utilizacin de los criterios subjetivos antes referidos, puede conducir a distintos
resultados. En estos casos, varios autores refieren buscar un resultado de compromiso,
considerando todas las posibles combinaciones de los antedichos criterios, sobre la
base de utilizar el principio
I0 = mins [ s Is ]
Donde Is es el valor optimo del criterio s ; ( s= 1,2, k) ; - peso de este criterio
para el indicador ponderado. s = 1.
En general, la metodologa recomendada para la optimizacin de
tareas de
proyeccin en la energtica, cuando los datos iniciales no estn determinados en su

totalidad o es dudoso su comportamiento en el futuro consiste en lo siguiente:
Seleccionar las condiciones representativas de la creacin y desarrollo del
objeto bajo estudio, sobre la base del anlisis de los datos iniciales que se
poseen.
Establecimiento y anlisis de las variantes de solucin en los limites de la
zona de desconocimiento.
Establecimiento de la matriz de pago y seleccin de la solucin optima por
el principio
de la racionalidad o el del indicador medio considerando la
frecuencia relativa de aparicin de cada una de los estados de desarrollo del

sistema.
El problema de la toma de decisiones optimas en condiciones de indeterminacin de
los datos iniciales se enlaza ntimamente con el problema de la creacin de reservas
productivas, que constituyen una de las posibilidades de elevar la eficiencia en la

adaptacin del sistema elctrico a las condiciones cambiantes en el pas.
Ejemplo:
Se desea unir tres nodos de un sistema elctrico
mediante lneas de transmisin cuya longitud total es de
305 km. y la mxima potencia a transmitir es de 300
MW.
Para la solucin de este problema se proponen tres
variantes:
1. Lnea compacta, doble circuito, voltaje nominal 220 kV con tres conductores AC
150/34 por fase.
2. Lnea compacta, doble circuito, voltaje nominal 220 kV con tres conductores AC
185/34 por fase.
3. Lnea de construccin tradicional, simple circuito, voltaje nominal 500 kV y tres
conductores AC 185/34 por fase.
Para las variantes propuestas, se tienen los indicadores fundamentales mostrados en
la tabla 1.
Tabla 1. Principales indicadores de las variantes analizadas

Variantes
Indicador.
I
II
III
Perdidas de Potencia [MW]
25,2
20,6
15,76
Perdidas anuales de energa, [GW-h]
113,95
93,96
82,82
Consumo de acero [T]
5310
5310
10620
Consumo de aluminio [T]
4300
5392
2696
Consumo de aisladores [T]
566
566
261
Cantidad de interruptores [U]
11
11
15
Cantidad de transformadores [U]
Cantidad de reactores [U]
rea de tierra afectada [Ha]
425
425
850
Inversiones capitales. [m mp]
48,24
52,11
23,42
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.
Tabla 2 Objetivos de la optimizacin multicriterial y su valoracin

relativa.
No. Objetivo
Peso del objetivo Pjl
1 Minimos Gastos reducidos
9,5
7,6
6
4
2 Minimas Perdidas de energia
5,3
4,5
8
9,3
3 Minimo Gasto de acero
6,1
4
9
8
4 Minimo uso de equip. deficit.
4,8
8
7
4,1
5 Minima agresion ecologica
8,9
4
1,8
9
Suma valores de las escalas
34,6 28,1 31,8 34,4
8
3
8
1
1
21
La valoracin de los expertos es necesario llevarla a valores de escalados

comparables, por ello se calculan los coeficientes Mjl y Mj aplicando las expresiones:
L
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:
Tabla 3. Coeficientes Mjl para los pesos de la tabla 2
No. Objetivo
1
2
3
4
Minimos Gastos reducidos

Minimas Perdidas de energia
Minimo Gasto de acero
Minimo uso de equipamiento deficitario
Minima agresion ecologica
5
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
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
1 Minimos Gastos reducidos

2 Minimas Perdidas de energia
3 Minimo Gasto de acero
4 Minimo uso de equipamiento deficitario
5 Minima agresion ecologica
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.
Los coeficientes relativos de las otras variables se obtienen, en el caso de valores

mnimos, dividiendo el valor de referencia entre el valor absoluto del criterio en la
variante en cuestin, en el caso de valores mximos es a la inversa. Mientras
menor sea este valor relativo, peor ser el comportamiento de esta variante con
respecto 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
i = 1 . . . n.; luego, evaluando esta expresin
para las tres variantes se tiene:
EI = v iei = 0,25 * 0,925 + 0,19 * 0,625 + 0,24 * 1 + 0,16 * 1 + 0,15 * 1 = 0,9243

EII = v i e i = 0,25 * 1 + 0,19 * 0,765 + 0,24 * 1 + 0,16 * 1 + 0,15 * 1 = 0,9624

EIII = v iei = 0,25 * 0,628 + 0,19 * 1 + 0,24 * 0,5 + 0,16 * 0 + 0,15 * 0,5 = 0,5532
Como se puede apreciar la mejor variante es la Lnea compacta, doble
circuito,
voltaje nominal 220 kV con tres conductores AC 185/34 por fase, pues es para la que
la funcin de optimizacin multicriterial
alcanza el mayor valor. Esto era posible
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.
Tabla 5 Coeficientes de efectividad ei de los objetivos por variantes.

I
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
Mnimo gasto de acero
5310
5310
10620
0.5
Mnimo
425
425
0,5
uso
de
transformadores
5
Mnima
agresin
ecolgica.

Optimizacion de Sistemas (Separata)

Încărcat de

Informații document

Titlu original

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

Optimizacion de Sistemas (Separata)

Încărcat de

Drepturi de autor:

Formate disponibile

Optimizacin de Sistemas Elctricos

Optimizacin de Sistemas Elctricos

determinados procesos econmicos en los as llamados macro modelos econmicos

Optimizacin de Sistemas Elctricos

La accin de las perturbaciones crea la necesidad de la direccin operativa del

Determinacin de la estrategia optima de crecimiento del sistema

energtico. Tiene que ver, fundamentalmente, con la construccin y

Seleccin de la mejor configuracin de las redes (para uno u otro

indicador) que interconectan los subsistemas o que transmiten o distribuyen la

Distribucin de las cargas entre las diferentes plantas en explotacin o

en proyeccin dentro del sistema.

Seleccin de la estrategia para la mejor utilizacin de los recursos (tipos

de combustible, fuerza laboral, etc.)

Seleccin de los mejores itinerarios para el transporte de carga, incluido

Seleccin de los puntos de seccionalizacin de las lneas con doble

y garanta del suministro a los consumidores. stas

de optimizacin en los sistemas elctricos deben responder a estas

peculiaridades, por lo que pueden ser:

diferenciales. A este tipo corresponde la optimizacin de las acciones

Optimizacin de Sistemas Elctricos

b) Estacionarios. La optimizacin de este tipo se relaciona con fenmenos

de los cuales es posible influir en los parmetros de salida (regulados)

Y1, Y2 ...Ym , que constituye argumento de la funcin objetivo. En el resultado de la

determinan las condiciones en las cuales se efecta la operacin. Sobre la base de

se establece el modelo matemtico del proceso o grupo de

Optimizacin de Sistemas Elctricos

soluciones posibles. Por tal razona la optimizacin del proceso se reduce a la

determinado por el sistema de ecuaciones

.Para encontrar el punto del extremo, caracterizado en el

espacio por un vector

nmeros los cuales reciben

el nombre de multiplicadores de Lagrange y que junto al vector

f ( x o ) sea nula y que la segunda F( Y0 ) < 0

corresponde a un mnimo, si F( Y0 ) > 0 ser un mximo. Si en el limite de la regin

valor recibe el nombre de menor valor de la funcin en le regin (mnima).

Optimizacin de Sistemas Elctricos

La concepcin de ptimo es relativa, esto es, esta unida a la comparacin entre

El objetivo final de la solucin

aseguramiento de la mayor efectividad econmica o, en algunos casos

Los procesos en los sistemas energticos comnmente se describen por

La direccin operativa garantiza el cumplimiento del plan de produccin,

Las tareas de optimizacin en los Sistemas Elctricos, tienden ms y ms a

El modelo matemtico puede considerarse como la representacin del proceso

dependencias que expresan las restricciones en forma de igualdades y

La optimizacin del proceso se reduce a la obtencin de la metodologa que

Optimizacin de Sistemas Elctricos

Optimizacin de Sistemas Elctricos

tendr una utilidad de $ 5000 por cada estructura para lnea de

transmisin que se venda y de $4000 por cada estructura de molino.

Optimizacin de Sistemas Elctricos

mientras que cada molino consume 15 horas en el Departamento A y 10 horas en

4. Como la empresa tiene intenciones de incursionar el comercio exterior, por ello

comprobacin se realiza en un tercer departamento que no tiene relacin con las

Optimizacin de Sistemas Elctricos

Esta es la restriccin de horas disponibles en el departamento. Las condiciones del

de la desigualdad. El primer miembro

claramente de las incgnitas X , Y y se llama funcin de restriccin. Esta desigualdad

Optimizacin de Sistemas Elctricos

El smbolo significa mayor que o igual a y la condicin (2-3) se llama tambin

5 unidades en el prximo mes, en cualquier combinacin. O sea,

as especificadas en forma matemtica las cinco restricciones de

desigualdades asociadas al problema de produccin de la empresa. Y finalmente,

Las condiciones (2-6) exigen que los valores de X y Y sean no negativos y se