Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Métodos de Optimización
Métodos de Optimización
1 Mtodos de optimizacin
El diseo molecular es un problema de optimizacin al cual se le ha aplicado la programacin
no lineal con enteros mezclados (MINLP), debido a la alta no linealidad que implican las
restricciones del proceso y la necesidad de usar enteros para representar el nmero de grupos
funcionales que hacen parte de la molcula sometida a diseo. Este problema es altamente no
convexo y es muy difcil obtener derivadas para la funcin a optimizar, lo que contribuye en
gran parte con la complejidad del problema. Por ello, los mtodos determinsticos de solucin
no siempre pueden encontrar el ptimo global y son muy susceptibles a quedar atrapados en
ptimos locales. En contraste, los mtodos estocsticos tienen una mayor probabilidad de
localizar el ptimo global y son mucho ms flexibles en su utilizacin.
4.1.1 Mtodos determinsticos: El trmino determinstico significa que sin importar lo que
haga el algoritmo, slo hay una cosa que puede hacer a continuacin (es decir, el paso
siguiente est determinado por los pasos anteriores). Estos mtodos son sensibles a la
inicializacin y a la no convexidad del problema [157].
Se han utilizado diferentes mtodos determinsticos como el branch and bound [121, 124],
anlisis de intervalos [96], algoritmos de aproximacin externa [120, 133], descomposicin de
Bender [122, 126]. Estos algoritmos utilizan la heurstica o la relajacin de enteros para la
optimizacin discreta y usan los algoritmos tradicionales de programacin no lineal o lineal
para resolver el problema de optimizacin continua. Estos pueden utilizarse slo s la
formulacin del problema es convexa [97]. A continuacin se describirn brevemente algunos
de estos mtodos.
La optimizacin basada en anlisis de intervalos utiliza una reduccin sucesiva del dominio
que elimina porciones del espacio de bsqueda con el fin de mantener una hipercaja final de
dimensiones especficas que contenga la solucin global. Es una tcnica computacionalmente
intensiva pero se han desarrollado algunas tcnicas de aceleracin.
El algoritmo de aproximacin externa fue desarrollado por Duran y Grossmann, ste consiste
de una secuencia de iteraciones de un subproblema no lineal y de un problema global lineal
con enteros mezclados. Inicialmente se resuelve una forma relajada del problema MINLP en el
cual las variables enteras se han considerado como continuas. Si todas las variables en el
vector de variables enteras dejan de serlo esta solucin es ptima para el problema MINLP, si
no, las soluciones no enteras sirven como un estimado inicial para el problema MILP que da un
estimado entero de la solucin. En el MILP las funciones objetivo y de restricciones no
lineales son linealizadas alrededor de la solucin continua actual. El estimado entero obtenido
del MILP es entonces usado en un subproblema no lineal para obtener nuevos valores de las
variables continuas y un nuevo punto para linealizar las funciones no lineales en el siguiente
MILP. Los MILP y NLP son resueltos sucesivamente hasta que haya una disminucin (en el
caso de una maximizacin) en el valor de la funcin objetivo para subproblemas NLP factibles
sucesivos [109].
Para que este algoritmo pudiera tener en cuenta restricciones de igualdad, Kocis y Grossmann
sugieren el algoritmo de aproximacin externa con relajacin de igualdades (las igualdades son
transformadas en desigualdades), que garantiza una solucin global si se cumplen algunos
requerimientos de convexidad. Para suavizar las suposiciones de convexidad, Viswanathan y
Obtener lmite
superior y
multiplicadores
de Lagrange
Generar
cortes de
enteros
Infactibilidad
Generar cortes
de enteros
Master
Reducido
Infactible
Problema master
ODEM
ODEM
Master
Infactible
Obtener lmite
inferior y
nuevos valores
binarios
No
Problema master
reducido
Convergencia
Si
Finalizar
Reportar la mejor
solucin
Pr (E ) =
1 E
1
exp
Z
kB T
(67)
al azar que desplace una partcula moviendo el sistema a otra configuracin. Su convergencia
tiene la propiedad de ergodicidad; para que un proceso estocstico sea ergdico, es esencial
que haya una probabilidad de transicin no nula uniendo todos los estados, como resultado de
esta propiedad el estado final es independiente del estado inicial.
Para la aplicacin de un algoritmo de templado se tienen que definir los estados del problema y
un conjunto de posibles modificaciones (movimientos) que unen unos estados con los otros. El
algoritmo es un proceso iterativo donde los movimientos generan nuevos estados, de acuerdo a
un conjunto de probabilidades de perturbacin. Los nuevos estados son comparados con los
viejos basndose en un criterio de evaluacin probabilstica y las probabilidades de aceptacin
son continuamente actualizadas de acuerdo con el programa de enfriamiento estadstico.
La probabilidad de transicin Ti,j del estado i al estado j es el producto de la probabilidad de
perturbacin Pi,j y la probabilidad de aceptacin Bi,j:
Ti , j ( ) = Bi , j ( )Pi , j
(68)
Fi , j
Bi , j ( ) = exp
Bi , j ( ) = 1
si Fi,j >0
(69)
si Fi,j <0
k +1
ln (1 + ) k
= 1 +
Fk ,max
(70)
Templado estocstico
Esta variante del templado simulado fue propuesta por Diwekar y colaboradores y est
diseada para resolver problemas de optimizacin discreta con incertidumbre. Este algoritmo
busca optimizar eficientemente una funcin objetivo probabilstica balanceando la precisin de
la solucin y la eficiencia computacional. En este algoritmo, el optimizador no solo obtiene las
variables de decisin sino tambin el nmero de muestras requeridas para el modelo. El
templado estocstico usa una funcin objetivo sustituta que tiene en cuenta el verdadero valor
de la funcin objetivo aumentada mediante un trmino de penalizacin que involucra un error
en el muestreo relacionado con el nmero de muestras, entonces el problema estocstico se
modifica a un nuevo, que est formado por la funcin esperada (Ef(x,)) y el trmino de
penalizacin (b(t)):
min z = E f ( x, ) + b(t ) =
f (x, ) + b(t )
N mues
(71)
N mues j =1
La funcin de penalizacin est compuesta por la funcin de ponderacin b(t) y el ancho de
banda del error (intervalo de confianza) del mtodo de muestreo. La funcin b(t) gobernada
por el programa de enfriamiento, puede ser expresada en trminos del nivel de temperatura de
templado (t). A altas temperaturas el tamao de la muestra (Nmues) puede ser pequeo, debido a
que el algoritmo est explorando la topologa funcional en el espacio de configuracin.
Entonces, en sta etapa la eficiencia computacional es ms importante que la precisin de la
solucin. Cuando el sistema se enfra, el algoritmo busca el ptimo global, en consecuencia es
necesario tomar ms muestras para tener objetivos ms reales y correctos. Basado en estas
propiedades se puede proponer una funcin exponencial para b(t):
bo
(72)
kt
bo es una constante pequea (0,001) y k es una constante (0,92) que rige la velocidad de
incremento. Estos dos parmetros empricos dependen del programa de enfriamiento y deben
b(t ) =
ser determinados experimentalmente de forma tal que el trmino de penalizacin sea menor
que el 5% de la funcin objetivo real.
El ancho de banda del error de las muestras al azar puede ser estimado por la siguiente
ecuacin basada en la estadstica clsica. Sin importar la distribucin de x, el teorema del
lmite central permite calcular los anchos de banda sobre el valor esperado de las muestras al
, donde z1-/2 es una variada normal
azar, dado por x z
,x + z
1
1
N
N
2
2
mues
mues
estndar tal que el intervalo (-z1-/2, z1-/2) cubra la probabilidad 1- de la distribucin normal
unitaria. Para un mayor intervalo de confianza como 1-=0,95, la variada normal estndar es
aproximadamente igual a la constante 2 resultando en la siguiente ecuacin:
1
(73)
MCS
N mues
Este ancho de banda del error en la funcin de penalizacin es usado en el algoritmo de
templado, permitiendo as que el templado estocstico controle el nmero de muestras.
El algoritmo detallado se puede encontrar en el trabajo de Kim [160], sin embargo en resumen
se genera una nueva configuracin a partir de la configuracin actual basado en una
probabilidad de generacin dada. El nmero de muestras puede ser aumentado o disminuido
pero es gobernado eventualmente por la funcin de ponderacin usada en el trmino de
penalizacin. Despus que se determinan y generan Nmues muestras inciertas, el modelo corre
Nmues veces con diferentes parmetros inciertos para estimar Ef(x,). Entonces se usa la
siguiente ecuacin para evaluar el efecto de las incertidumbres sobre los problemas de
optimizacin; los pasos restantes son iguales a los del templado simulado.
2
ND
ND
1
2
f ( x, y , ) = i x i
+ i y i cos(4 i y i )
ND
i =1
i =1
i =1
ND
(74)
su ambiente tienen una mayor probabilidad de sobrevivencia y por tanto pasarn su material
gentico a las siguientes generaciones. Para simular este proceso natural, un algoritmo gentico
necesita contar con una poblacin inicial que pueda ser evolucionada y mediante el criterio de
la supervivencia del ms fuerte seleccionada para reproducirse. Por ello, un algoritmo gentico
consta de los siguientes elementos:
Funcin de evaluacin: Para usar un algoritmo gentico se debe definir una funcin de
aptitud, ya que sta es una medida de que tan cerca se encuentra el individuo del ptimo
buscado. Por tanto, las mejores soluciones al problema deben tener mayores aptitudes y el
algoritmo intentar entonces encontrar el individuo con la mayor aptitud.
Representacin: Cada individuo de la poblacin es representado mediante un cromosoma que
como los cromosomas biolgicos est codificado como una cadena lineal. Cada unidad
separada de informacin en un cromosoma es llamada gen. Para el caso del diseo molecular,
se han usado diferentes esquemas de representacin y uno de los ms populares son las
cadenas binarias, donde cada binario en la cadena representa un gen. Sin embargo, hay otros
mtodos que incluyen los enumerados donde cada gen representa un grupo funcional
especfico y los que utilizan matrices de conectividad que adems de la informacin de los
grupos constituyentes de la molcula incluyen informacin de los enlaces entre estos grupos.
Poblacin: La reproduccin de los cromosomas puede ser manejada en diferentes formas y
dos de las ms usadas son la reproduccin de estado estable y la generacional. En la primera se
crea una generacin completamente nueva a partir de los cromosomas originales, mientras que
en la de estado estable los cromosomas nuevos reemplazarn continuamente a sus cromosomas
padres slo s tienen un valor de aptitud mayor.
Reproduccin: Los cromosomas nuevos son generados por modificacin de los cromosomas
existentes a travs de algunas operaciones como la mutacin, el cruce, la insercin y el
borrado. La mutacin consiste en reemplazar un gen del cromosoma con otro. Durante el cruce
dos cromosomas padres son cortados en puntos especficos y cada parte de un cromosoma es
unida con otra parte del otro cromosoma padre para formar los hijos. Esta es una aproximacin
a la reproduccin sexual de la naturaleza y por tanto cada cromosoma hijo heredar
caractersticas de ambos padres. La seleccin de los cromosomas padres usualmente se hace de
acuerdo a sus valores de aptitud, lo que implica que los cromosomas con mayores aptitudes
tendrn una mayor probabilidad de reproducirse emulando la sobrevivencia del ms fuerte.
El algoritmo gentico enfatiza la importancia del cruce sobre la mutacin y usa seleccin
probabilstica. El algoritmo bsico es el siguiente y est representado en la figura 8:
Esta es una tcnica de bsqueda multipunto que examina un conjunto de soluciones y no slo
una solucin como otros mtodos, esto y la naturaleza estocstica del algoritmo ayuda para no
quedar atrapado en mnimos locales, adicionalmente, es un mtodo que no est basado en
derivadas lo que evita las dificultades enfrentadas por las tcnicas de programacin
matemtica. Con este mtodo es relativamente fcil expresar la qumica compleja de las
molculas, y se puede integrar cualquier conocimiento heurstico que se tenga sobre el
problema para acelerar el proceso. A pesar de estas ventajas no hay garanta de encontrar la
mejor solucin.
Nueva
Poblacin
Poblacin
inicial
Evaluacin
Aptitud
Seleccin
Aptitud
Adecuada
Si
No
Operadores