Optimizacin Difusa

Alba Snchez
(1)
, Ricardo lvarez
(2)
Benemrita Universidad Autnoma de Puebla
Facultad de Ciencias de la Computacin
(1)

Facultad de Ciencias de la Electrnica
(2)
agalvez@cs.buap.mx, algor@ece.buap.mx

Resumen: En este trabajo se muestra una aplicacin de la lgica difusa en la teora de
optimizacin . Se presentan ejemplos, uno donde slo los trminos son conjuntos difusos y otro
donde tanto los coeficientes como los trminos de las restricciones son conjuntos difusos.

Palabras clave: Conjunto difuso, alfa cortaduras, nmero difuso, orden entre nmeros difusos.

1 Introduccin
Muchos campos tcnicos, incluyendo
todos los de la ingeniera, involucran alguna
forma de optimizacin que es requerida en el
proceso de diseo. Debido a que el diseo es
un problema con muchas soluciones, el reto
es encontrar la mejor solucin de acuerdo a
algn criterio. En realidad, casi cualquier
proceso de optimizacin involucra
intercambios entre costos y beneficios,
debido que al encontrar soluciones ptimas
es anlogo a crear diseos que pueden tener
muchas soluciones, pero solamente unas
pocas podran ser ptimas , o tiles
particularmente cuando existe una relacin
generalmente no lineal entre rendimiento y
costo. La optimizacin en su forma mas
general, involucra encontrar la solucin
ptima a partir de una familia de soluciones
razonables de acuerdo a un criterio.
(3)
El problema clsico de programacin lineal
es encontrar los valores mximos o mnimos
de una funcin lineal bajo restricciones
representadas por ecuaciones o
desigualdades. El ms tpico problema de
programacin lineal es:

Minimizar (o maximizar )
c
1
x
1
+c
2
x
2
.+....+c
n
x
n
sujeta a
a
11
x
1
+a
12
x
2
+....+a
1n
x
n
b
1
a
21
x
1
+a
22
x
2
+....+a
2n
x
n
b
2


a
m1
x
1
+a
m2
x
2
+....+a
mn
x
n
b
m
x
1
,x
2
,...,x
n 0
La funcin a minimizar (o maximizar) es
llamada funcin objetivo, que es denotado
por z. Los nmeros C
i
son llamados
coeficientes y el vector c=(c
1
,c
2
,...,c
n
) es
llamado vector de costo . La matriz A=[a
ij
],
i=1,..,n y j=1,..,m es llamada matriz de
restriccin , el vector b=(b
1
,...,b
m
) se forma
con los trminos independientes de las
restricciones. Lo cual puede bien
simplificarse como:

Minimizar
z=cx
Sujeta a:
Ax b
x0

donde x=(x
1
,x
2
,...x
n
) es el vector de las
variables.
En muchas situaciones prcticas no es
razonable requerir que las restricciones o la
funcin objetivo, sea tan estricto, en tal
situacin es deseable la programacin lineal
difusa
El tipo ms general de programacin lineal
difusa es el siguiente :

Maximizar

=
n
j
j j
x c
1

sujeta a:

=

n
j
i j ij
B x A
1


0
j
x
donde A
ij,
B
i
,C
j
son nmeros difusos y x
j
son
variables cuyos estados son nmeros difusos ,
la operacin de suma y multiplicacin son
operaciones de conjuntos difusos y el orden
que denota es de nmeros difusos.
El caso que presentamos es cuando B
i
son
nmeros difusos, que tpicamente tienen la
forma :

+
+ < <
+

=
x p b cuando
p b x b cuando
p
x p b
b x cuando
B
i i
i i i
i
i i
i
i
0
1

Para cada vector x=(x
1
,x
2,...,
x
n
) , primero
calculamos el grado D
i
(x), para los cuales x
satisface las condiciones dadas por la formula

=
=
n
j
j ij i i
x a B x D
1
( ) ( )
Estos grados son conjuntos difusos sobre R
n
Y su interseccin
i
m
i
D
1 =
es un conjunto
factible difuso.
Ahora determinamos el conjunto difuso de
valores ptimos , esto es calculando la cota
superior e inferior de los valores optimales.
La cota inferior z
l
es obtenida al resolver el
problema de programacin lineal:

Maximizar
Z=cx
sujeta

=

1 j
i j ij
b x a

0
j
x
y la cota inferior z
l
de los valores optimales,
es obtenida de forma similar resolviendo:

Maximizar
Z=cx
Sujeta a:
i
n
j
i j ij
p b x a +

=1


0
j
x
As el conjunto de valores optimales difusos
G el cual es una subconjunto difuso de R
n
es
definido por:

=
l
u l
l u
l
x u
z cx cuando
z cx z cuando
z z
z cx
c z cuando
x G
0
1
) (

El problema se reduce a encontrar la solucin
de optimizacin clsica

Maximizar
(z
u
-z
l
)-cx
l
z
p
i
+

=
+
n
i
i i j ij
p b x a
1

,x
j
0

esto es, encontrar xR
n
, tal que
) ]( [
1
x G D
i
m
i

=


2. Ejemplos

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

3.1 Primer caso

Maximizar
Z=.4x
1
+.3x
2

Sujeto a:
1 2 1
B x x +
2 2 1
2 B x x +
0 ,
2 1
x x
Donde

>
<

=
500 0
500 400
100
500
400 1
) (
1
x cuando
x cuando
x
x cuando
x B
y

>
<

=
600 0
600 500
100
600
500 1
) (
2
x cuando
x cuando
x
x cuando
x B

Resolvamos primero el sistema siguiente para
encontrar la cota inferior

Maximizar
Z=.4x
1
+.3x
2

Sujeto
400
2 1
+ x x
500 2
2 1
+ x x
0 ,
2 1
x x

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

Maximizar
Z=.4x
1
+.3x
1

Sujeto
500
2 1
+ x x
600 2
2 1
+ x x
0 ,
2 1
x x

Lo que da z
u
=160
Por ltimo encontremos la solucin de:

Maximizar .....
Sujeta
30 -(.4x
1
+.3x
2
)

-130
100 +x
1
+x
2
500
100 +2x
1
+x
2
600
x
1
,x
2
, 0

Resolviendo este sistema de optimizacin
clsica, obtenemos x
1
=100, x
2
=350

2.2 Caso II
El problema de optimizacin difusa general
puede ser reescrito como

Maximizar

=
n
j
j j
x c
1

Sujeto a:

i i i ij ij ij ij
v u t x r l s , , ) , , (
0
j
x

Donde a
ij
=<s
ij
,l
ij
,r
ij
> y B
i=
<t
i
,u
i
,v
i
> son
nmeros difusos . El orden parcial es
definido por AB si y solo si max(A,B)=B .
Por lo que este sistema puede ser reescrito
como:

Maximizar

=
n
j
j j
x c
1

sujeto a
i
n
j
j ij
t x s

=1

=

n
j
i i j ij ij
u t x l s
1
) (

=
+ +
n
j
i i j ij ij
v t x r s
1
) (
x
j
0

Considere el siguiente problema de
optimizacin lineal

Maximizar
Z=5x
1
+4x
2

Sujeto a:
<4,2,1>x
1
+<5,3,1>x
2

<24,5,8>
<4,1,2>x
1
+<1,.5,1>x
2

<12,6,3>
x
1
,x
2
0

Reescribimos el sistema como:

Maximizar
Z=5x
1
+4x
2

Sujeto a:
4x
1
+5x
2

24
4x
1
+x
2

12
2x
1
+2x
2

19
3x
1
+.5x
2

6
5x
1
+6x
2

32
6x
1
+2x
2

15
x
1
,x
2
0

Resolviendo este problema, obtenemos
x
1
=1.5, x
2
=3.
4 Conclusiones
La lgica difusa resulta un recurso importante
en la solucin de problemas de optimizacin
donde no exista la rugosidad de la lgica
clsica, ante la necesidad de resolver cierto
problema surgen mtodos hbridos que
combinen nuevas tcnicas y es aqu donde la
lgica difusa juega un papel importante.
References:
[1]Mehdi R. - Zargham, Computer
Architecture Sails and Parallel Systems,
Prentice Hall, P. 381.
[2]Lefteri H. Tsoukalas - Robert E. Uhring,
Fuzzy and Neural Approaches in
Engineering to Wiley. Interscience
Publicati
Engineering, TO Wiley - Interscience
Publication 1997, P. 145
[3]Klir J. George, Yuan Bo, Fuzzy sets and
fuzzy logic Theory and Applications,
Prentice Hall.
[4]
[5]Thimoty J. Ross, Fuzzy Logic with
Engineering Applications, McGraw-Hil