Documente Academic
Documente Profesional
Documente Cultură
Apuntes de
Optimización y Simulación de Procesos
Julio 2007
Contenido
Optimización _________________________________________________________ 1
¿Porqué optimizar? ________________________________________________________ 1
Clasificación de modelos ________________________________________________ 1
Función objetivo ______________________________________________________ 1
Características esenciales de los problemas de optimización_______________________ 1
Pasos para la solución de problemas de optimización ____________________________ 1
Ejemplo 1 ________________________________________________________________ 1
Ejemplo 2 ________________________________________________________________ 1
Métodos analíticos _____________________________________________________ 1
Derivación Univariable _____________________________________________________ 1
Primera derivada ________________________________________________________________1
Segunda derivada________________________________________________________________1
Ejemplo 1______________________________________________________________________1
Ejemplo 2______________________________________________________________________1
Derivación Multivariable ___________________________________________________ 1
Gradiente ______________________________________________________________________1
Hessiano_______________________________________________________________________1
Ejemplo 1______________________________________________________________________1
Ejemplo 2______________________________________________________________________1
Ejemplo 3______________________________________________________________________1
Multiplicadores de Lagrange ________________________________________________ 1
Ejemplo 1______________________________________________________________________1
Ejemplo 2______________________________________________________________________1
Métodos numéricos ____________________________________________________ 1
Fibonacci_________________________________________________________________ 1
Ejemplo _______________________________________________________________________1
Sección dorada ____________________________________________________________ 1
Ejemplo _______________________________________________________________________1
Simplex __________________________________________________________________ 1
Ejemplo 1______________________________________________________________________1
Ejemplo 2______________________________________________________________________1
Nelder-Mead______________________________________________________________ 1
Ejemplo 1______________________________________________________________________1
Ejemplo 2______________________________________________________________________1
Máxima Pendiente _________________________________________________________ 1
Ejemplo 1______________________________________________________________________1
Ejemplo 2______________________________________________________________________1
Programación lineal ___________________________________________________ 1
Método gráfico. ___________________________________________________________ 1
Ejemplo _______________________________________________________________________1
Método Simplex ___________________________________________________________ 1
Ejemplo _______________________________________________________________________1
i
Programación geométrica _______________________________________________ 1
Ejemplo de polinomios con términos positivos __________________________________ 1
Ejemplo de polinomios con términos positivos y negativos ________________________ 1
Programación dinámica ________________________________________________ 1
Ejemplo 1 ________________________________________________________________ 1
Ejemplo 2 ________________________________________________________________ 1
Bibliografía __________________________________________________________ 1
ii
GESR
Optimización [1]
La optimización es el uso de métodos específicos para determinar la solución más
rentable y más eficiente a un problema o a un diseño para un proceso. Esta técnica es
una de las herramientas cuantitativas principales en la toma de decisión industrial. Una
amplia variedad de problemas en el diseño, la construcción, la operación, y el análisis
de plantas químicas (así como muchos otros procesos industriales) se puede resolver por
la optimización.
¿Porqué optimizar?
¿Por qué los ingenieros están interesados en la optimización? ¿Qué beneficios resultan
de usar este método en vez de tomar decisiones intuitivamente? Los ingenieros trabajan
para mejorar el diseño inicial del equipo y se esfuerzan para mejorar la operación de ese
equipo una vez que esté instalado de tal modo que realice la mayor producción, el
máximo beneficio, el costo mínimo, el menor uso de energía y así sucesivamente. El
valor monetario proporciona una medida conveniente de objetivos diversos, pero no
todos los problemas tienen que ser considerados en un marco monetario (costo contra
rédito).
Los beneficios pronosticados se deben hacer con cuidado. Las variables de operación y
diseño en la mayoría de las plantas se relacionan siempre de cierta manera. Si la cuenta
del combustible para una columna de la destilación es $3000 por día, un ahorro del 5
por ciento puede justificar un proyecto sobre conservación de energía. Sin embargo, en
una operación unitaria tal como destilación, es incorrecto simplemente sumar los
servicios del intercambiador de calor y hacer una reducción en el calor total requerido.
Una reducción en el servicio de calentamiento del rehervidor puede influenciar en la
pureza del producto, que se puede traducir en un cambio en las ganancias y en los
requerimientos de enfriamiento en el condensador. Por lo tanto, puede ser engañoso no
hacer caso de los efectos indirectos y de relación que tienen las variables del proceso en
los costos.
1
GESR
Clasificación de modelos
Linear No linear
f (x) f (x)
x x
∂ ∂
=0 ≠0
∂t ∂t
2
GESR
∂ ∂
=0 ≠0
∂V ∂V
Determinísticos Estocásticos
Son sistemas que exhiben el mismo Son sistemas que funcionan por azar
comportamiento bajo las mismas en función de probabilidades. Por
condiciones y no suceden al azar. Por ejemplo, la forma que toma el vapor
ejemplo, un líquido hervirá bajo es aleatoria.
ciertas condiciones.
3
GESR
La función objetivo representa los factores tales como beneficio, costo, energía, y
producción en términos de las variables claves del proceso que es analizado. El modelo
del proceso y las restricciones describen las correlaciones de las variables clave.
1. Por lo menos una función objetivo que se optimizará (función beneficio, función
costo, etc.)
2. Restricciones de igualdad (ecuaciones)
3. Restricciones de desigualdad (desigualdades)
4
GESR
3. Con expresiones matemáticas, desarrolle un modelo válido del proceso o del equipo
que relacione las variables de entrada-salida del proceso y los coeficientes asociados.
Incluir las restricciones de igualdad y desigualdad. Utilizar principios físicos bien
conocidos (balances de masa, balances de energía), relaciones empíricas, conceptos
implícitos y restricciones externas. Identificar las variables independientes y
dependientes para obtener el número de grados de libertad.
Ejemplo 1
Se desea enfriar un gas [Cp=0.3 Btu/(lb ºF)] de 195 a 90 ºF, usando agua de
enfriamiento a 80 ºF. Los costos del agua son $0.20/1000 pies3 y los cargos fijos
anuales para el intercambiador son $0.50/pie2 de superficie interna, con un diámetro de
0.0875 pies. El coeficiente de transferencia de calor es U=8 Btu/(h pie2 ºF) para un
gasto másico de gas de 3000 lb/h. Grafique los costos anuales del agua de enfriamiento
y los cargos fijos del intercambiador como una función de la temperatura del agua de
salida. ¿Cuál es el costo total mínimo?
Solución:
Paso 1.
Suposición: Intercambiador de calor de un solo paso por tubos y un solo paso por
coraza en contracorriente y sin cambio de fase.
5
GESR
195ºF
T0
90ºF
80ºF
0.20 $
C agua =
1000 pies 3
$
C fijos = 0.50
pie 2 año
lb
m gas = 300
h
Btu
Cp gas = 0.3
lb º F
Btu
U =8
h pie 2 º F
Paso 2.
Minimizar Costos totales como una función de la temperatura del agua de salida.
$
Costostotales = f (T0 ) =
año
Paso 3.
Sumar todos los costos y dejarlos en $/año. Para eso se necesita las ecuaciones que
describen el proceso:
6
GESR
Donde:
Q (3000)(0.3)(195 − 90)
A= = = pies 2
UΔTml ⎧ ⎫
⎪ ⎪
⎪ (195 − T0 ) − (90 − 80) ⎪
(8)⎨ ⎬
⎪ ln⎛⎜ (195 − T0 ) ⎞⎟ ⎪
⎪⎩ ⎜ (90 − 80) ⎟ ⎪
⎝ ⎠ ⎭
Paso 4.
Paso 5.
dCtotal
=
dT0
T0 = 120.5 °F
$
Ctotal = 249.40
año
Paso 6.
7
GESR
Ejemplo 2
Un compuesto orgánico se produce en un proceso por lotes donde no se obtiene ningún
producto hasta que se termine el procesamiento del lote. Cada ciclo consiste de un
tiempo de operación necesario para completar la reacción más un tiempo adicional de
1.4 h requeridas para descarga y carga. El tiempo de operación por ciclo es igual a
1.5P0.25, donde P son los kilogramos de producto producido por lote. Los costos de
operación durante el periodo de operación son $20 por hora, mientras que los costos
durante el periodo de descarga-carga son $15 por hora. Los costos fijos anuales (Cf) del
equipo, varían con el tamaño del lote de la siguiente forma:
⎡ $ ⎤
C f = 340 P 0.8 ⎢
⎣ año ⎥⎦
Paso 1.
⎡h ⎤
1.4 ⎢ muerto ⎥ tiempo para descarga y carga.
⎣ ciclo ⎦
⎡ hoperación ⎤
1.5P0.25 ⎢ ⎥ tiempo de operación por ciclo (se asume en horas)
⎣ ciclo ⎦
⎡ Kg producto ⎤
P ⎢ ⎥ kilogramos de producto producido por lote (1 lote por cada
⎣ ciclo ⎦
ciclo)
8
GESR
⎡ $ ⎤
20 ⎢ ⎥ Costo durante el periodo de operación
⎣⎢ hoperación ⎦⎥
⎡ $ ⎤
15 ⎢ ⎥ Costo durante el periodo de descarga-carga
⎣ hmuerto ⎦
⎡ $ ⎤
C f = 340 P 0.8 ⎢ Costos fijos anuales
⎣ año ⎥⎦
⎡ Kg producto ⎤
106 ⎢ ⎥ Producción anual
⎣ año ⎦
⎡ $ ⎤
260 000 ⎢ Costos de las materias primas y misceláneas
⎣ año ⎥⎦
De ser necesario asuma que la planta puede operar 24h/día por 300 días/año.
Paso 2.
$
Costostotales = f ( P) =
año
Paso 3.
⎛ ⎞⎛ ⎞
⎜ 20 $ ⎟⎜1.5P 0.25 operación ⎟⎛⎜ 1 ciclo ⎞⎟⎛⎜10 6 Kg ⎞⎟ = ⎛⎜ $ ⎞⎟
h
⎜ h
⎝
⎟⎜
operación ⎠⎝ ciclo ⎟⎠⎜⎝ P Kg ⎟⎠⎝ año ⎠ ⎝ año ⎠
⎛ $ ⎞⎛ hmuerto ⎞⎛ 1 ciclo ⎞⎛ 6 Kg ⎞ ⎛ $ ⎞
⎜⎜15 ⎟⎟⎜1.4 ⎟⎜ ⎟⎜10 ⎟=⎜ ⎟
⎝ hmuerto ⎠⎝ ciclo ⎠⎜⎝ P Kg ⎟⎠⎝ año ⎠ ⎝ año ⎠
Paso 4.
9
GESR
Paso 5.
dCtotal
=
dP
Kg
P = 1625.840
ciclo
$
Ctotal =
año
⎛ h ⎞⎛ 1 ciclo ⎞⎛ 6 Kg ⎞ 10.9 ⋅ 10 6 h
⎜10.9 ⎟⎜⎜ ⎟⎟⎜10 ⎟= = 6704.2
⎝ ciclo ⎠⎝ P Kg ⎠⎝ año ⎠ 1625.84 año
Paso 6.
10
GESR
f ( x + h) − f ( x )
f ' ( x) = lim
h→0 h
Para una función dada f (x) , la pendiente en un punto estacionario (punto mínimo,
máximo o de inflexión) es cero.
f (x)
Máximo
f ' ( x) = 0
Inflexión
f ' ( x) = 0
Mínimo
f ' ( x) = 0
(x)
La serie de Taylor, es una serie infinita que puede representar una función como:
( x − x0 ) 2 ( x − x0 ) n
f ( x) = f ( x 0 ) + f ' ( x0 )( x − x0 ) + f ' ' ( x0 ) + L + f ( n) ( x0 )
2! n!
( x − x0 ) 2
f ( x) = f ( x 0 ) + f ' ' ( x 0 )
2!
11
GESR
2!( f ( x ) − f ( x0 ) )
f ' ' ( x0 ) =
( x − x0 ) 2
En está última ecuación, el término f ( x) − f ( x0 ) varía de signo, los otros términos son
siempre positivos.
Para un mínimo
f (x)
f ( x)
Como f ( x) > f ( x0 ) :
f (x)
f ( x) − f ( x0 ) siempre es positivo
f ( x0 )
∴ f ' ' ( x0 ) > 0 es un mínimo
x x0 x (x)
Para un máximo
f ( x)
f ( x0 )
f ( x) Como f ( x) < f ( x0 ) :
f ( x)
f ( x) − f ( x0 ) siempre es negativo
12
GESR
Ejemplo 1
x4 x2
Encontrar el punto estacionario de la función f (x) = − . Decir de qué tipo se trata.
2 2
Solución:
f ' ( x) = 2 x 3 − x = 0
x=0
x=+ 12
x=− 12
Hasta el momento se sabe que existen 3 puntos estacionarios, pero no se puede decir si
se trata de un punto mínimo, máximo o de inflexión.
f ' ' ( x) = 6 x 2 − 1
13
GESR
Ejemplo 2
Solución:
f’(x)=5x4=0
f’’(x)=20x3
f’’(x=0)=0 Se necesita de una derivada de orden mayor
f(3)(x)=60x2
f(3)(x=0)=0 Se necesita de una derivada de orden mayor
f(4)(x)=120x
f(4)(x=0)=0 Se necesita de una derivada de orden mayor
f(5)(x)=120
f(5)(x=0)=120 como el orden de la derivada es impar (m=5), se trata de un
punto de inflexión.
14
GESR
x=0
Punto de inflexión
15
GESR
Derivación Multivariable
Gradiente
El gradiente es la derivada parcial de una función respecto a cada una de las variables
independientes:
⎡ ∂f ⎤
⎢ ∂x ⎥
⎢ 1⎥
⎢ ∂f ⎥
∇f ( x1 , x2 ,L, xn ) = ⎢ ∂x2 ⎥
⎢ M ⎥
⎢ ∂f ⎥
⎢ ⎥
⎣⎢ ∂xn ⎦⎥
T
⎡ ∂f ∂f ⎤
∇f ( x , y ) = ⎢ = [2( x − 2) 2( y − 1)]
T
Su gradiente es: ⎥
⎣ ∂x ∂y ⎦
f(x, y)
f ( x, y )
y x
plano
Hessiano
16
GESR
Si truncamos la serie de Taylor hasta los términos de segundo orden y puesto que las
primeras derivadas evaluadas en el punto estacionario (x0, y0) son cero:
0 0
( x − x0 ) 2
f ( x, y ) = f ( x0 , y0 ) + f x ( x0 , y0 )( x − x0 ) + f y ( x0 , y0 )( x − x0 ) + f xx ( x0 , y0 ) +
2!
( x − x0 )( y − y0 ) ( y − y0 ) 2
+ f xy ( x0 , y0 ) + f yy ( x0 , y0 )
2! 2!
( x − x0 ) 2 ( x − x0 )( y − y0 ) ( y − y0 ) 2
f ( x, y ) = f ( x0 , y0 ) + f xx ( x0 , y0 ) + f xy ( x0 , y0 ) + f yy ( x0 , y0 )
2! 2! 2!
En forma matricial,
⎡f f xy ⎤ ⎡ ( x − x0 ) ⎤
f ( x, y ) = f ( x0 , y 0 ) +
1
[( x − x0 ) ( y − y0 )]⎢ xx ⎥
2 ⎢⎣ f yx f yy ⎥⎦ ⎢⎣( y − y 0 )⎥⎦
Donde:
⎡ f xx f xy ⎤
⎢ ⎥ es la matriz de segundas derivadas parciales evaluada en el
⎣⎢ f yx f yy ⎦⎥
punto estacionario (x0, y0), a esta matriz se le llama matriz Hessiana.
⎡ ∂2 f ∂2 f ∂2 f ∂2 f ⎤
⎢ L ⎥
⎢ ∂2x1 ∂x1∂x2 ∂x1∂x3 ∂x1∂xn ⎥
2
⎢ ∂ f ∂2 f ∂2 f ∂2 f ⎥
⎢ ∂x ∂x L
∂x22 ∂x2 ∂x3 ∂x2 ∂xn ⎥
H = ⎢ ∂2 f ⎥
2 1
⎢ ∂2 f ∂2 f ∂2 f ⎥
L
⎢ ∂x3∂x1 ∂x3 ∂x2 ∂x32 ∂x3 ∂xn ⎥
⎢ M M M M M ⎥
⎢ ∂2 ∂2 f ∂2 f ∂ f ⎥⎥
2
⎢ f
L
⎣⎢ ∂xn ∂x1 ∂xn ∂x2 ∂xn ∂x3 ∂xn2 ⎦⎥
r
f ( x0 ) es un mínimo si:
H0 tiene determinantes Di > 0 donde i = 1, 2, …, n
(H0 se denomina positiva definida)
r
f ( x0 ) es un máximo si:
H0 tiene determinantes Di < 0 para i = 1, 3, …, impares y
H0 tiene determinantes Di > 0 para i = 2, 4, …, pares
(H0 se denomina negativa definida)
17
GESR
Si el resultado es cero para cualquier valor de Di, se dice que la matriz es semi-definida
positiva o semi-definida negativa, no se puede definir si se trata de un mínimo o un
máximo y por lo tanto se requiere de una derivada de orden mayor para definirlo.
Ejemplo 1
Su gradiente es:
⎡ ∂f ⎤
⎢ ⎥ ⎡ f x ⎤ ⎡2( x − 2)⎤
∇f ( x, y ) = ⎢ ∂∂fx ⎥ = ⎢ ⎥ = ⎢ ⎥
⎢ ⎥ ⎣ f y ⎦ ⎣ 2( y − 1) ⎦
⎣⎢ ∂y ⎦⎥
f x = 2( x − 2) = 0
f y = 2( y − 1) = 0
x0 = 2
y0 = 1
Las derivadas parciales del gradiente, se vuelven a derivar para formar la matriz
Hessiana, es decir:
⎡ 2 2⎤
H0 = ⎢ ⎥
⎣ 2 2⎦
18
GESR
D1 = 2
2 0
D2 = =2
0 2
Ejemplo 2
Su gradiente es:
⎡ ∂f ⎤
⎢ ⎥
∇f ( x, y ) = ⎢ ∂∂fx ⎥ =
⎢ ⎥
⎣⎢ ∂y ⎦⎥
En el punto estacionario, el gradiente es cero:
⎡0 ⎤
=⎢ ⎥
⎣0 ⎦
19
GESR
Las derivadas parciales del gradiente, se vuelven a derivar para formar la matriz
Hessiana:
En el punto 1:
H0 =
D1 =
D1 =
D2 =
D2 =
Como D1 =0 y D2 <0, no se trata ni de un mínimo, ni de un máximo, se necesitan de
derivadas de orden mayor para definirlo.
f ( x0 = 0, y0 = 0) = 3
En el punto 2:
H0 =
D1 =
D1 =
D2 =
D2 =
20
GESR
Ejemplo 3
Su gradiente es:
⎡∂f ∂x ⎤
∇f ( x, y ) = ⎢⎢∂f ∂y ⎥⎥ =
⎢⎣ ∂f ∂z ⎥⎦
⎡0 ⎤
= ⎢⎢0⎥⎥
⎣⎢0⎦⎥
Las derivadas parciales del gradiente, se vuelven a derivar para formar la matriz
Hessiana:
21
GESR
En el punto estacionario:
H0 =
D1 =
D1 =
D2 =
D2 =
D3 =
D3 =
22
GESR
Multiplicadores de Lagrange
Se aplica a problemas de optimización multivariable con restricciones de igualdad y
desigualdad
Ejemplo 1
Optimizar: f ( x1 , x2 ) = x1 + x2
De la gráfica anterior se puede ver que el problema tiene dos valores óptimos, un
mínimo en f ( x1 = −0.7071, x2 = −0.7071) =-1.4142 y un máximo en
f ( x1 = 0.7071, x2 = 0.7071) = 1.4142.
23
GESR
∇h
∇f
∇f ∇f = λ∇h
∇h
Solución 1 Solución 2
24
GESR
Ejemplo 2
Optimizar: f = x + 2y2 + z2
Sujeta a: x + y + z =1
x – y = -2
25
GESR
Fibonacci
A partir de un intervalo de solución dado (a, b), el método de Fibonacci reduce éste
intervalo calculando dos puntos intermedios simétricos (x1, x2), la función objetivo f(x)
se evalúa en estos dos puntos; Para minimizar se elimina el punto con el mayor valor de
f(x) y para maximizar se elimina el punto con el menor valor de f(x)); el proceso de
eliminación se repite hasta un número determinado de intervalos.
f(x2)
f(x1)
a x1 x2 b
Para la siguiente
iteración este intervalo
se elimina
26
GESR
| ∆1
Iteración 1
∆3 ∆2
Δ1 = Δ 2 + Δ 3
a x1 x2 b
∆2
Iteración 2
∆4 ∆3
Δ2 = Δ3 + Δ4
x1 x2 x3 b
∆3
Iteración 3 ∆5 ∆4
Δ3 = Δ4 + Δ5
x2 x3 x4 b
Iteración 4 ∆4
∆5
Δ δ
Δ5 = 4 +
2 2
δ
x3 x4 x5 b
Δ4
Δ5 =
2
Δ 4 = 2Δ 5
Δ 3 = Δ 4 + Δ 5 = 2Δ 5 + Δ 5 = 3Δ 5
Δ 2 = Δ 3 + Δ 4 = 3Δ 5 + 2Δ 5 = 5Δ 5
27
GESR
Δ1 = Δ 2 + Δ 3 = 5Δ 5 + 3Δ 5 = 8Δ 5
En la iteración 1,
Δ1 = (b − a )
Δ 2 = (b − x1 ) ó Δ 2 = ( x2 − a )
(b − a) (b − x1 ) (b − a) ( x2 − a)
= ó =
8 5 8 5
5(b − a) 5(b − a)
x1 = b − ó x2 = a +
8 8
x1 = b − Δ
x2 = a + Δ
Donde:
fm
Δ= (b − a )
f m +1
m 0 1 2 3 4 5 6 7 8 9 10 … m
fm 0 1 1 2 3 5 8 13 21 34 55 … f m = f m−1 + f m−2
Ejemplo
Maximizar: y = 3 + 6x − 4x 2
Intervalo inicial: a=0, b=1
Iteraciones: n = 4 (m=n+1=5 intervalos)
Solución:
Con m= 5 intervalos, f 5 = 5 y f 6 = 8
28
GESR
5
Δ = (1 − 0) = 0.625
8
Iteración 1
Iteración 3
Iteración 4
La solución es x= 0.750
29
GESR
Sección dorada
∆1
Iteración 1
∆3 ∆2
Δ1 = Δ 2 + Δ 3
Δ1 Δ 2
= +1
Δ3 Δ3 a x1 x2 b
∆2
Iteración 2
∆4 ∆3
Δ2 = Δ3 + Δ4
Δ 2 Δ3
= +1
Δ4 Δ4 x1 x2 x3 b
∆3
Iteración 3 ∆5 ∆4
Δ3 = Δ 4 + Δ5
Δ3 Δ 4
= +1 x2 x3 x4 b
Δ5 Δ5
∆4
Iteración 4
∆6 ∆5
Δ 4 = Δ5 + Δ6
Δ4 Δ5
= +1
Δ6 Δ6
x3 x4 x5 b
30
GESR
Δ 2 Δ3 Δ4 Δ5
= = = =ϕ ( ϕ es una constante)
Δ3 Δ4 Δ5 Δ6
En la iteración 2 tenemos,
Δ2 Δ3
= +1
Δ4 Δ4
Δ 2 Δ3 Δ3
= +1
Δ3 Δ4 Δ4
ϕϕ = ϕ + 1
ϕ 2 − ϕ −1 = 0
En la iteración 1,
Δ2
=ϕ
Δ3
Δ1 = (b − a )
Δ 2 = (b − x1 ) ó Δ 2 = ( x2 − a )
(b − a ) (b − a )
=ϕ ó =ϕ
(b − x1 ) ( x2 − a )
(b − a ) (b − a)
x1 = b − ó x2 = a +
ϕ ϕ
Ejemplo
31
GESR
(b − a) (2 − 0)
Δ= = = 1.2361
ϕ 1.618
Iteración 1
Iteración 3
Iteración 4
32
GESR
x2
centroide
3
x1
De los textos de geometría analítica se puede demostrar que las coordenadas de los
vértices de un simplex regular se pueden obtener de la siguiente tabla:
33
GESR
n variables
m puntos
1 2 3 ... n
1 x1 x2 x3 … xn
2 d1 + x1 d2 + x2 d2 + x3 … d2 + xn
3 d2 + x1 d1 + x2 d2 + x3 … d2 + xn
4 d2 + x1 d2 + x2 d1 + x3 … d2 + xn
M M M M M M
m=n+1 d2 + x1 d2 + x2 d2 + x3 … d1 + xn
Donde:
d1 =
n 2
t
( n + 1 + n −1 )
d2 =
t
n 2
( n + 1 −1 )
t , es la distancia entre dos puntos del simplex (o bien, es la tolerancia)
Ejemplo 1
Minimizar: f ( x1 , x2 ) = ( x1 − 3) 2 + ( x2 − 4) 2
Punto inicial: x1=0.5, x2=1.0
Tolerancia: t=0.1
Solución:
d1 =
n
t
2
( n + 1 + n −1 = )
0.1
2 2
(
2 + 1 + 2 − 1 = 0.0966 )
d2 =
n 2
t
( )
n + 1 −1 =
0.1
2 2
(
2 + 1 − 1 = 0.02589 )
34
GESR
x1C =
1
n
[(∑ x ) − x ]
1
e
1 x2C =
1
n
[(∑ x ) − x ]
2
e
2
x1C =
1
[(0.5 + 0.5966 + 0.5259) − 0.5] = 0.56125
2
x 2C =
1
[(1.0 + 1.0259 + 1.0966) − 1.0] = 1.06125
2
Punto reflejado:
Centroide:
x1C =
1
[(0.5966 + 0.5259 + 0.6225) − 0.5966] = 0.5742
2
x2C =
1
[(1.0259 + 1.0966 + 1.1225) − 1.0259] = 1.10955
2
Punto reflejado:
35
GESR
x1 = 3.0082
x2 = 4.0032
f ( x1 = 3.0082, x2 = 4.0032) = 0.0001
36
GESR
Ejemplo 2
Minimizar: f ( x1 , x 2 ) = ( x1 − 3) 2 + ( x2 − 4) 2 + ( x3 − 5) 2
Punto inicial: x1=0.0, x2=0.0, x3=0.0
Tolerancia: t=0.1
Solución:
x1 = 3.0736
x2 = 4.0115
x2 = 4.9685
f ( x1 = 3.0736, x2 = 4.0115, x3 = 4.9685) = 0.0065
37
GESR
Nelder-Mead [4]
El método de Nelder-Mead es una versión más eficiente del método simplex que
permite que las figuras geométricas se reflejen agregando un coeficiente α , se
contraigan con un coeficiente β o se expandan con un coeficiente γ . El método es muy
robusto para hacerlo manualmente, pero se implementa fácilmente en un código de
computadora.
Los valores de los coeficientes α , β y γ recomendados por los autores del método son:
α =1
β = 0.5
γ =2
Ejemplo 1
Minimizar: f ( x1 , x2 ) = ( x1 − 3) 2 + ( x2 − 4) 2
Punto inicial: x1=0.5, x2=1.0
Tolerancia: t=0.1
Solución:
x1 = 2.1790
x2 = 4.1280
f ( x1 = 2.1790, x2 = 4.1280) = 0.6909
38
GESR
Ejemplo 2
Minimizar: f ( x1 , x 2 ) = ( x1 − 3) 2 + ( x2 − 4) 2 + ( x3 − 5) 2
Punto inicial: x1=0.0, x2=0.0, x3=0.0
Tolerancia: t=0.1
Solución:
x1 = 3.2370
x2 = 3.6360
x2 = 5.4530
f ( x1 = 3.2370, x2 = 3.6360, x3 = 5.4530) = 0.3938
39
GESR
Ejemplo 1
Minimizar: f = f (x, y ) = ( x − 2) 2 + ( y − 6) 2
Punto inicial x=0.5, y=0.8
Número máximo de iteraciones: 5
Tolerancia: 0.01
Solución:
∂f
= 2( x − 2)
∂x
∂f
= 2( y − 6)
∂x
∂f
x = x −α = x − α (2( x − 2))
∂x
∂f
y = y −α = y − α (2( y − 6))
∂y
Iteración 1
40
GESR
El error es,
Iteración 2
El error es,
41
GESR
Ejemplo 2
Minimizar: f = f ( x, y , z ) = 2 x 2 + y 2 + 3 z 2
Punto inicial x=2, y= -2, z= 1
Número máximo de iteraciones: 5
Tolerancia: 0.5
∂f
= 4x
∂x
∂f
= 2y
∂x
∂f
= 6z
∂z
∂f
x = x −α = x − α (4 x)
∂x
∂f
y = y −α = y − α (2 y )
∂y
∂f
z = z −α = z − α (6 z )
∂z
Iteración 1
42
GESR
El error es,
Iteración 2
El error es,
43
GESR
Iteración 3
El error es,
44
GESR
Método gráfico.
Ejemplo
Maximizar: f = x1 + 3x2
Sujeto a: − x1 + x2 ≤ 1 (1)
x1 + x2 ≤ 2 (2)
x1 + x2 ≥ 1 (3)
x1 ≥ 0, x2 ≥ 0
Solución:
Graficar
Se grafican las restricciones que son rectas (para graficar una recta se necesitan dos
puntos):
45
GESR
x2
x1 + x2 ≤ 2 − x1 + x2 ≤ 1
2
x1 + x2 ≥ 1
1
x1
-1 0 1 2
Región factible
− x1 + x2 ≤ 1 : − 0 + 0 ≤ 1 , 0 ≤ 1 Verdadero
x1 + x2 ≤ 2 : 0 + 0 ≤ 2 , 0 ≤ 2 Verdadero
x1 + x2 ≥ 1 : 0 + 0 ≥ 1 , 0 ≥ 1 Falso
x1 ≥ 0 , x2 ≥ 0 indican el primer cuadrante
La región factible de cada recta apunta hacia el punto de referencia, en este caso, si el
resultado es verdadero hacia el origen, si es falso hacia el lado opuesto del origen.
x2
x1 + x2 ≤ 2 − x1 + x2 ≤ 1
2
x1 + x2 ≥ 1
1
x1
-1 0 1 2
46
GESR
Se señala la región factible que satisface a todas las restricciones. Es la región, cuyos
lados señalan todos hacia adentro.
x2
x1 + x2 ≤ 2 − x1 + x2 ≤ 1
2
x1 + x2 ≥ 1
1
x1
-1 0 1 2
Punto óptimo
x2
x1 + x2 ≤ 2 − x1 + x2 ≤ 1
2
x1 + x2 ≥ 1
1
x1
-1 0 1 2
Punto x1 x2 f(x1,x2)
A 0.5000 1.500 5.000
B 0.000 1.000 3.000
C 2.000 0.000 2.000
D 1.000 0.000 1.000
47
GESR
Método Simplex
Ejemplo
Maximizar: f = x1 + 3x2
Sujeto a: − x1 + x2 ≤ 1 (1)
x1 + x2 ≤ 2 (2)
x1 + x2 ≥ 1 (3)
x1 ≥ 0, x2 ≥ 0
f − x1 − 3 x 2 = 0
− x1 + x 2 ≤ 1
x1 + x2 ≤ 2
x1 + x2 ≥ 1
x1 ≥ 0, x2 ≥ 0
f − x1 − 3 x 2 = 0
− x1 + x2 + x3 = 1
x1 + x 2 + x 4 = 2
x1 + x2 − x5 = 1
x1 ≥ 0, x2 ≥ 0, x3 ≥ 0, x4 ≥ 0, x5 ≥ 0
Se hace una tabla con los coeficientes de la función objetivo y las restricciones,
Tabla 1
f x1 x2 x3 x4 x5 b
E1 1 -1 -3 0 0 0 0
E2 0 -1 1 1 0 0 1
E3 0 1 1 0 1 0 2
E4 0 1 1 0 0 -1 1
48
GESR
Solución parcial
1 2 1
Básicas: x3 = = 1 , x4 = = 2 , x5 = = −1
1 1 −1
No básicas: x1 = 0 , x 2 = 0
Pivote
f x1 x2 x3 x4 x5 b
1 -1 -3 0 0 0 0
0 -1 1 1 0 0 1 1/1= 1
0 1 1 0 1 0 2 2/1= 2
0 1 1 0 0 -1 1 1/1= 1
Eliminación
Se hacen ceros los coeficientes arriba y abajo del pivote. El modo de eliminación es:
f x1 x2 x3 x4 x5 b
E1=E1-(1/-3)E2 1-(-3/1)0 -1-(-3/1)-1 -3-(-3/1)1 0-(-3/1)1 0-(-3/1)0 0-(-3/1)0 0-(-3/1)1
E2=E2 0 -1 1 1 0 0 1
E3=E3-(1/1)E2 0-(1/1)0 1-(1/1)-1 1-(1/1)1 0-(1/1)1 1-(1/1)0 0-(1/1)0 2-(1/1)1
E4=E4-(1/1)E2 0-(1/1)0 1-(1/1)1 1-(1/1)1 0-(1/1)0 0-(1/1)1 -1-(1/1)0 1-(1/1)2
49
GESR
Tabla 2
f x1 x2 x3 x4 x5 b
E1 1 -4 0 3 0 0 3
E2 0 -1 1 1 0 0 1
E3 0 2 0 -1 1 0 1
E4 0 2 0 -1 0 -1 0
Solución parcial
1 1 0
Básicas: x 2 = = 1 , x 4 = = 1 , x5 = =0
1 1 −1
No básicas: x1 = 0 , x3 = 0
El valor de la función objetivo es: f ( x1 = 0, x 2 = 1) = 3
Pivote
f x1 x2 x3 x4 x5 b
1 -4 0 3 0 0 3
0 -1 1 1 0 0 1 1/-1= -1
0 2 0 -1 1 0 1 1/2= 0.5
0 2 0 -1 0 -1 0 0/2= 0
Eliminación
f x1 x2 x3 x4 x5 b
E1=E1-(-4/2)E3 1-(4/2)0 -4-(4/2)2 0-(4/2)0 3-(4/2)-1 0-(4/2)1 0-(4/2)0 3-(4/2)1
E2=E2-(-1/2)E3 0-(-1/2)0 -1-(-1/2)2 1-(-1/2)0 1-(-1/2)-1 0-(-1/2)1 0-(-1/2)0 1-(-1/2)1
E3 0 2 0 -1 1 0 1
E4=E4-(2/2)E3 0-(2/2)0 2-(2/2)2 0-(2/2)0 -1-(2/2)-1 0-(2/2)1 -1-(2/2)0 0-(2/2)1
Tabla 3
f x1 x2 x3 x4 x5 b
1 0 0 1 2 0 5
0 0 1 0.5 0.5 0 1.5
0 2 0 -1 1 0 1
0 0 0 0 -1 -1 -1
50
GESR
Es recomendable que las variables y constantes que están dividiendo, pasen del
denominador al numerador.
−0.286 −0.286
W = 100 −0.286 P2 + P2 + 1000 0.286 P3
0.286 0.286
P3
A cada sumando se le divide por una variable wi y esta división se eleva a la misma wi,
con i =1,2, …, # total de sumandos. Para formar una multiplicatoria:
w1 w2 w3
⎛ 100 −0.286 P2 0.286 ⎞ ⎛ P2 −0.286 P30.286 ⎞ ⎛ 1000 0.286 P3 −0.286 ⎞
W = ⎜⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎟ ⎜ ⎟ ⎜ ⎟
⎝ w 1 ⎠ ⎝ w 2 ⎠ ⎝ w 3 ⎠
w1 w3
⎛ 100 −0.286 ⎞ ⎛ 1 ⎞ ⎛ 10000.286 ⎞
w2
0.286 w1 – 0.286 w2 = 0
0.286 w2 – 0.286 w3 = 0
w1 + w2 + w3 = 1
0.286 w1 – 0.286 w2 = 0
0.286 w2 – 0.286 w3 = 0
w1 + w2 + w3 = 1
w1=1/3
w2=1/3
w3=1/3
51
GESR
1/ 3 1/ 3
1 1
⎛ 100 −0.286 ⎞ ⎛ 1 ⎞ ⎛ 1000 0.286 ⎞
1/ 3
= ⎜⎜ ⎟⎟ ⎜ 1 / 3 ⎟ ⎜⎜ 1 / 3 ⎟⎟ P2 P3 = 3.73
0 0
W mínimo
⎝ 1/ 3 ⎠ ⎝ ⎠ ⎝ ⎠
W mínimo
= 3.73 =
w1 1/ 3
−0.286 −0.286
1000 0.286 P3 1000 0.286 P3
W mínimo
= 3.73 =
w3 1/ 3
P2=215.44
P3=464.16
115
Minimizar: y = 3 x10.25 − 3 x11.1 x 20.6 − − 2 x3
x 2 x3
Es recomendable que las variables y constantes que están dividiendo, pasen del
denominador al numerador.
A cada término se le divide por un peso wi y esta división se eleva a la misma wi. con
i=1,2, …, # total de términos.
w1
⎛ 3 x10.25 ⎞
⎜⎜ ⎟⎟ Términos positivos
y= ⎝ w 1 ⎠
w2 w2
⎛ 3 x11.1 x 20.6 ⎞ ⎛ 115 x 2−1 x3−1 ⎞ ⎛ 2 x3 ⎞
w3
⎜⎜ ⎟⎟ ⎜⎜ ⎟ ⎜ ⎟ Términos negativos
⎝ w2 ⎠ ⎝ w3 ⎟⎠ ⎝ w4 ⎠
52
GESR
w1
⎛ 3⎞
⎜ ⎟
y= ⎝ w1 ⎠ x10.25w1−1.1w2 x2−0.6 w2+ w3 x3w3− w4
w2 w3 w4
⎛ 3 ⎞ ⎛ 115 ⎞ ⎛ 2 x3 ⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝ w2 ⎠ ⎝ w3 ⎠ ⎝ w4 ⎠
0.25w1 − 1.1w2 = 0
− 0.6w2 + w3 = 0
w3 − w4 = 0
Y se agrega una ecuación que es la sumatoria de todas las wi de los términos positivos
menos la suma de todas las wi de los términos negativos igual a 1.
w1 − w2 − w3 − w4 = 1
0.25w1 − 1.1w2 = 0
− 0.6 w2 + w3 = 0
w3 − w4 = 0
w1 − w2 − w3 − w4 = 1
w1=2
w2=5/11
w3=3/11
w4=3/11
2
⎛ 3⎞
⎜ ⎟ 1 1 1
y mínimo
= ⎝ 2⎠
x x20 x30 = 0.1067
0
5 / 11 3 / 11 3 / 11 1
⎛ 3 ⎞ ⎛ 115 ⎞ ⎛ 2 x3 ⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝ 5 / 11 ⎠ ⎝ 3 / 11 ⎠ ⎝ 3 / 11 ⎠
3x10.25 3x10.25
y mínimo = 0.1067 =
w1 2
53
GESR
2 x3 2 x3
y mínimo = 0.1067 =
w4 3 / 11
54
GESR
Ri (Resultado)
Di
(Decisión)
R3 R2 R1
d3 d2 d1
El problema se comienza a resolver, a partir de la etapa final (etapa 1), debido a que
cualquier decisión que se tome en esta etapa (d1) no tendrá efecto en etapas
subsecuentes, el flujo de información es de izquierda a derecha. El diagrama de etapas
puede tener ramificaciones que no se contemplan aquí.
55
GESR
Ejemplo 1
Un carro tanque transporta un producto fabricado en San Francisco que debe ser
entregado a cualquier puerto importante en la costa este para su envío a Europa. El costo
de envío a través del Atlántico es esencialmente igual en todos los puertos principales
de la costa del este. Se desea para seleccionar la ruta óptima (el kilometraje de camino
más bajo) de San Francisco a la costa este. Las distancias relativas entre las ciudades a
lo largo de las rutas posibles se muestran en el siguiente diagrama:
N0
C4 C0
S0
R4 R3 R2 R1
d4 d3 d2 d1
~
Identificar las variables de cada etapa (Si, di, Ri, S i )
56
GESR
Combinaciones
Combinaciones de la etapa 2
S2 R2 F2 S~2 F2=F1+R2
N2 8 8 N1 9 ←menor
N2 7 7 C1 10
C2 6 6 N1 7 ←menor
C2 5 5 C1 8
C2 4 4 S1 11
S2 3 3 C1 6 ←menor
S2 2 2 S1 9
Combinaciones de la etapa 3
S3 R3 F3 S~3 F3=F2+R3
N3 1 1 N2 10 ←menor
N3 3 3 C2 10 ←menor
C3 5 5 N2 14
C3 6 6 C2 13 ←menor
C3 7 7 S2 13 ←menor
S3 8 8 C2 15 ←menor
S3 9 9 S2 15 ←menor
Combinaciones de la etapa 4
S4 R4 F4 S~4 F4=F3+R4
C4 6 6 N3 16 ←menor
C4 5 5 C3 18
C4 4 4 S3 19
Se eligen las mejores combinaciones (los que tiene el menor kilometraje) y se obtiene la
siguiente tabla:
57
GESR
S4 d4
~
F4 S 4 S3 d3 F3 S~3 S2 d2 F2 S~2 S1 d1 F1 S~1
C4 6 16 N3 N3 1,3 10 N2,C2 N2 8 9 N1 N1 1 1 N0
C3 6,7 13 C2,S2 C2 6 7 N1 C1 3 3 N0
S3 8,9 15 C2,S2 S2 3 6 C1 S1 7 7 C0
Ejemplo 2
Un flujo másico de 700 lb/h se debe de distribuir entre tres reactores químicos que
operan en paralelo:
N3 N2 N1
700
R3 R2 R1
d3 d2 d1
~ ~
S3 S~3 S2 S 2 S1 S1
~
Identificar las variables de cada etapa (Si, di, Ri, S i )
58
GESR
Combinaciones
Combinaciones de la etapa 2
S2 d2 R2 S~2 F2=F1+R2
700 700 -42 0 -42
700 600 -24 100 -17
700 500 -10 200 2
700 400 0 300 15
700 300 6 400 22
700 200 8 500 23 ←mayor
700 100 6 600 18
700 0 0 700 7
400 400 0 0 0
400 300 6 100 13
400 200 8 200 20
59
GESR
300 300 6 0 6
300 200 8 100 15
300 100 6 200 18 ←mayor
300 0 0 300 15
200 200 8 0 8
200 100 6 100 13 ←mayor
200 0 0 200 12
100 100 6 0 6
100 0 0 100 7 ←mayor
0 0 0 0 0 ←mayor
Combinaciones de la etapa 3
S3 d3 R3 S~3 F3=F2+R3
700 700 -91 0 -91
700 600 -60 100 -53
700 500 -35 200 -22
700 400 -16 300 2
700 300 -3 400 18
700 200 4 500 27
700 100 5 600 29 ←mayor
700 0 0 700 23
Se eligen las mejores combinaciones (los que tiene el mayor beneficio, F) y se obtiene
la siguiente tabla:
60
GESR
Bibliografía
[1] T.F. Edgar, D.M. Himmelblau and L.S. Lasdon, “Optimization of Chemical
Processes”. McGraw-Hill, 2nd ed. 2001
[4] J.A. Nelder and R. Mead, “A simplex method for function minimization”, Computer
Journal, vol 7, p 308-313, 1965
61