P. 1
Guia Optimizacion con Matlab

Guia Optimizacion con Matlab

|Views: 2.438|Likes:

More info:

Published by: Armengol Blanco Benito on Apr 13, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

07/11/2013

pdf

text

original

UNIVERSIDAD TÉCNICA DE ORURO FACULTAD NACIONAL DE INGENIERÍA INGENIERÍA ELÉCTRICA Y ELECTRÓNICA

GUIA

OPTIMIZACIÓN CON MATLAB®

MCs. Ing. Armengol Blanco Benito

Oruro, febrero 2008

Índice Índice Palabras Preliminares 1 Introducción 2 Programación No Lineal 2.1 Ejemplo 1, Problema de Programación no Lineal [4] 2.1.1 Interpretación de los Resultados 2.2 Ejemplo 2, Programación No Lineal: Coordinación Hidrotérmica [4] 2.2.1 El modelo de optimización 2.2.2 Modelo de Optimización Implementado en MATLAB 3 Programación lineal 3.1 Ejemplo 3 Problema de Programación Lineal 3.2 Interpretación de los Resultados Referencias Bibliográficas

ii iii 1 1 3 7 8 9 11 16 17 19 19

ii

Se pretende plasmar la inquietud de facilitar el aprendizaje de las técnicas de optimización utilizadas para resolver problemas de optimización.Palabras Preliminares En ésta guía. 2008 iii . Armengol Blanco Febrero. se presenta. el empleo del tool box de optimización del Matlab® en la resolución de problemas de optimización en la operación económica de sistemas eléctricos de potencia. Contiene soluciones completas a ejemplos típicos de la asignatura Operación Económica y Planificación de Sistemas de Potencia.

es decir. En este texto.GUIA OPTIMIZACIÓN CON MATLAB® Armengol Blanco 1 Introducción L a optimización. 2 Programación No Lineal La optimización o la programación matemática es un instrumento fundamental en el campo de la ingeniería. se presenta una aplicación a problemas típicos de la operación económica y coordinación hidrotérmica de sistemas eléctricos de potencia. Un problema de optimización queda formulado como un modelo de optimización mediante la expresión: min f ( x ) s. El tool box de optimización de Matlab®. es una herramienta matemática poderosa que emplea el enfoque científico para la asignación de recursos económicos y materiales para el logro de un determinado objetivo al resolver problemas prácticos y reales. se hace hincapié en la interpretación de los parámetros del tool box de optimización de Matlab®. no es la solución misma. a : g(x) = 0 h(x) ≤ 0 donde: f() g() h() x (1) (2) (3) Función objetivo Restricción de igualdad Restricción de desigualdad Variable de decisión 1 . Lo interesante de la solución de un problema de optimización. lo importante son los multiplicadores de Lagrange-Karush-Kuhn-Tucker asociados con cada restricción. los precios duales. es una herramienta computacional interesante para resolver problemas de optimización lineal y no-lineal. Estos últimos permiten tomar decisiones para mejorar la solución o considerar el cambio de las restricciones que pueden mejorar (ó empeorar) la solución hallada.

A. L. b Lado derecho de las restricciones de desigualdad. estrictamente no lineales.b) x = fmincon(fun.Las funciones f(). que tiene un comando fmincon para ese propósito.b. se utiliza la formulación siguiente: min f ( x ) s.beq) x = fmincon(fun.b. Las restricciones de igualdad y de desigualdad pueden ser lineales y/o no lineales. Este modelo. se puede clasificar como un problema de optimización no lineal que corresponde al ámbito de la programación matemática. Sintaxis Las diferentes formas de emplear el comando fmincon.Aeq.nonlcon) 2 . el modelo se puede explicitar con mayor detalle. U Vectores de límites inferior y superior de las variables de decisión x. se puede resolver mediante la caja de herramientas de optimización del MATLAB® [2].beq. Este modelo.ub. entonces.lb.Aeq.ub) x = fmincon(fun.A. A Matriz de las restricciones de desigualdad lineales.A. x Variables de decisión del problema.A. fmincon Determina el mínimo de una función multivariable con restricciones de igualdad y desigualdad.x0.x0.b. g() y h() pueden ser funciones lineales y/ó no lineales. estrictamente no lineales.lb.beq. C() Restricciones de desigualdad.x0.x0. por ejemplo para trabajar con Matlab [1]. a : C eq (x) = 0 C(x) ≤ 0 A⋅x≤b L≤x≤U donde: (4) (5) (7) (8) (9) A eq ⋅ x = b eq (6) Ceq() Restricciones de igualdad. Se tienen varios métodos de la programación matemática para su resolución. lineales y no lineales.Aeq. beq Lado derecho de las restricciones de igualdad. Aeq Matriz de las restricciones de igualdad lineales. Todo problema de maximización puede ser convertido en un problema de minimización al cambiar el signo la función objetivo. son las siguientes: x = fmincon(fun.

corresponden a las restricciones lineales.options) x = fmincon(fun. … parámetros de fun y nonlcon Salidas Las salidas que entrega el comando fmincon.options.) [x.x0.P2. A. P1.. Problema de Programación no Lineal [4] Determinar el Despacho Económico de Carga de un Sistema Eléctrico de Potencia. b.) [x.fval.nonlcon.exitflag.fval.A. que contiene la función objetivo a minimizar.output...ub.output. beq.fval..P1.fval] = fmincon(. options opciones de los parámetros de optimización. Aeq.fval.lb. Las variables de los argumentos y salidas pueden tomar nombres cualesquiera. son las siguientes x vector solución fval valor de la función objetivo exitflag condición de terminación de fmincon output estructura de la salida lambda multiplicadores de Lagrange grad gradiente de la función fun evaluada en el punto solución hessian valor de la Hessiana Mayores detalles.) [x.b.Aeq. nonlcon archivo extensión m que contiene las restricciones no lineales.x = fmincon(fun..lambda] = fmincon(. son los siguientes: fun es un archivo de texto ASCII.grad] = fmincon(.exitflag] = fmincon(.. solamente es necesario respetar el lugar de su ubicación..exitflag.) [x. páginas 4-30 al 4-42.grad.fval.1 Ejemplo 1.. x0 punto inicial para la búsqueda de la solución.beq.ub.beq.lambda.exitflag.) [x.Aeq.hessian] = fmincon(. definidas en el problema de optimización.b. ub.output.lambda. lb. con la extensión m..lb. son las que siguen: 3 ..A.output] = fmincon(.x0. P2. 2.. se puede consultar en el manual [1].nonlcon.) Descripción [1] Argumentos Los argumentos que toma el comando fmincon. cuyas funciones de costos de generación..exitflag..) [x.. .

0 ⋅ P2 + 0.006 ⋅ P1 2 3 F2 = 350 + 6. es: 2 2 Pperd = 0.07 ⋅ P2 + 0.00008 ⋅ P1 + 0.∑ P i = 0 i =1 min max Pi ≤ P i ≤ Pi La función objetivo.07 ⋅ P4 + 0.06 ⋅ P3 + 0.06 ⋅ P3 + 0.007 ⋅ P3 + 2 3 + 7.2 ⋅ P4 + 0.06 ⋅ P1 + 0. La unidad 2 más que la 1.006 ⋅ P2 2 3 F3 = 350 + 7. es: Min FT = s. está dado por: 2 3 FT = ∑ Fi (Pi ) = 2300 + 10. son responsable de las pérdidas solamente.00009 ⋅ P2 Pmin Pmax [MW ] 35 45 50 47 [MW ] 100 125 200 200 Ésta expresión significa que las unidades 1 y 2.1 ⋅ P3 + 0.006 ⋅ P2 + 7.1 ⋅ P1 + 0. La demanda: PD = 200 MW EL modelo de optimización.007 ⋅ P3 3 2 F4 = 800 + 7.07 ⋅ P4 + 0.006 ⋅ P1 i =1 2 3 2 3 + 6.07 ⋅ P2 + 0.06 ⋅ P1 + 0.006 ⋅ P4 N 4 .2 ⋅ P4 + 0.006 ⋅ P4 La formula de pérdidas.1 ⋅ P3 + 0.0 ⋅ P2 + 0.Función de Costo de Generación $ h    2 3 F1 = 800 + 10. a : ∑ Fi ( P i ) i =1 N N G = P D + P perd .1 ⋅ P1 + 0.

La primera contiene la función objetivo del problema.00008*p(1)^2+0.007*p(3)^3. F4=800+7.La restricción de igualdad: G = P D + P perd . % El problema no tiene restricciones de desigualdad no lineales pd=200.m function [c. respectivamente.∑ P i = 0 i =1 N G = 200 + 0.06*p(3)^2+0.00009 ⋅ P 2 − P1 − P2 − P3 − P4 = 0 1 2 Las restricciones de desigualdad. f=F1+F2+F3+F4.0*p(2)+0.006*p(1)^3. F2=350+6.ceq]=restricnl(p) c=[]. En los parágrafos siguientes.1*p(1)+0.07*p(4)^2+0. % Restricción de igualdad no lineal 5 .00009*p(2)^2-p(1)-p(2)-p(3)-p(4)]. se lista estos archivos.2*p(4)+0.006*p(4)^3.07*p(2)^2+0. se reducen al acotamiento de las potencias generadas por cada unidad: P min ≤ P i ≤ P max i i 35 ≤ P1 ≤ 100 45 ≤ P 2 ≤ 125 50 ≤ P3 ≤ 200 47 ≤ P 4 ≤ 200 El modelo de optimización se implementó en tres archivos tipo m: funobj. restricnl.006*p(2)^3.m [1].m function f=funobj(p) F1=800+10.1*p(3)+0.m y solucion. funobj. F3=350+7.06*p(1)^2+0. la segunda las restricción de igualdad no lineal y la tercera contienen los parámetros del problema.m. restricnl.00008 ⋅ P 2 + 0. % Demanda ceq=[pd+0.

lambda]=fmincon('funobj'.m at line 9 Optimization terminated successfully: Magnitude of directional derivative in search direction less than 2*options. % Matrices y vectores de las restricciones lineales: Vacio lb=[35 45 50 47]'.b.6191e+003 exitflag = 1 output = iterations: 7 funcCount: 43 stepsize: 1 algorithm: 'medium-scale: SQP.p0. 'restricnl') La ejecución del programa solucion.m at line 190 In C:\MATLABR11\work\solu1.ub. switching to line search.Aeq. Quasi-Newton.2078 50.lb. beq=[]. > In C:\MATLABR11\toolbox\optim\fmincon.fval.m. % Límite superior de generación [p.0000 50.TolCon Active Constraints: 1 4 p= 49.TolFun and maximum constraint violation is less than options.output.A. % Punto de partida A=[]. entrega la siguiente solución: » solucion Warning: Trust region method does not currently solve this type of problem.solucion. b=[].4431 fval = 7.beq. Aeq=[].exitflag. % Límite inferior de generación ub=[100 125 200 200]'.7749 50.m % Programa para resolver los problemas del 1er parcial de ELT3811 1/2003 p0=[40 50 55 55]'. line-search' firstorderopt: [] 6 .

pero la optimización fue exitosa.1 $/h La optimización terminó exitosamente: exitflag = 1. ' dF ( P ) Los costos marginales de las unidades Fi = i i .0000 P4 = 50. G: el cual debe satisfacerse. Los resultados. Corresponde a la restricción G.cgiterations: [] lambda = lower: [4x1 double] upper: [4x1 double] eqlin: [0x1 double] eqnonlin: 60. Las restricciones 1 y 4 están activas: La restricción 1 corresponde a la restricción de igualdad.1. el método de búsqueda Cuasi Newton.4431 El valor de la función objetivo. es: FT = 7619.0631.0631 ineqlin: [0x1 double] ineqnonlin: [0x1 double] » 2. en 7 iteraciones y se utilizó un algoritmo para tamaño medio. son: P1 = 49.2078 P2 = 50.7749 P3 = 50.1 Interpretación de los Resultados Las primeras líneas indican que el método empleado no es el más adecuado para este problema. La restricción 4 es la restricción de desigualdad de P3 se activa a su valor mínimo. Es el costo marginal del sistema. son: dPi 7 . es: eqnonlin: 60. El multiplicador de Lagrange (precio dual) de la restricción de igualdad.

0631 La unidad 3. Las unidades 1 y 2 de acuerdo a sus costos marginales se puede decir que son las más económicas. Pmin Pmax 150 180 200 F1 = 300 + 4.00016P1 1 = 1.006P 2 + 0.5902 ' F2 = 59. pero debe operar por estar programada –seguramente para tener un margen de reserva en giro u otra consideración.6000 ' F4 = 60. está saturada en su límite mínimo.0006P 3 F2 = 400 + 7.5142 ' F3 = 65.009P 2 S3 45 50 35 8 . pero como son responsables de las pérdidas del sistema están penalizadas y sus factores de penalización son: PFi = 1− 1 ∂Pperd ∂Pi 1 = 1.007 P S2 S2 F3 = 350 + 6.2 Ejemplo 2. Programación No Lineal: Coordinación Hidrotérmica [4] Determinar la coordinación hidrotérmica del siguiente sistema: funciones de costo.8PS2 + 0. PF3 = 1 PF4 = 1 La unidad marginal. es decir.9PS3 + 0. su funcionamiento no introduce pérdidas al sistema.0092 PF2 = 1 − 0. es la unidad 4.0006P 3 S1 S1 2 + 0. 2. está situación fue definida en el predespacho-. y es la unidad más cara.8PS1 + 0.0079 PF1 = 1 − 0.' F1 = 59. cuyo costo marginal es igual al costo marginal del sistema.00016P2 Las unidades 3 y 4 tienen factores de penalización iguales a 1.

00008P 2 + 0. 2. 3 J max n k =1 s =1 ∑ ∑ n k F(Psk ) Con el objeto de mantener la claridad. Curva de Carga.00007 P 2 + 0.1PH1 q 2 = 300 + 7.2.00007 P 2 [MW ] S2 S1 H3 H1 La curva de gasto es: Fig. Determinar el modelo de optimización y resolver con el toolbox de optimización del MATLAB.2PH3 q 4 = 300 + 8.1PH 2 q 3 = 250 + 7.Volumen de gasto [Acre-ft] q1 = 240 + 6. es: MinZ = Para n=1. la letra S significa térmica y la letra H significa Hidráulica: n 3 * [F(PS31) + F(PS32 ) + F(PS33 )] MinZ = n1 * [F(PS11) + F(PS12 ) + F(PS13 )] + n 2 * [F(PS21) + F(PS22 ) + F(PS23 )] + 9 . 2.00009P 2 + 0.1 El modelo de optimización La función objetivo.2PH 4 q 5 = 400 + 10PH5 V1 = 37000 V2 = 25000 V3 = 35000 V4 = 20000 V5 = 15000 Pperd = 0.

donde: El segundo subíndice. 2. se muestra la asignación de variable para el periodo j. 2 Asignación de variables en el periodo j 10 . m n P PD j Ph1 j PS j nj PS1 j 1 2 j jmax Fig. Sujeto a: Ecuación del balance de energía (potencia): ∑ PSk + ∑ PHk − Pperdk − PDk = 0 S =1 H =1 C1 = PS11 + PS12 + PS13 + PH11 + PH12 + PH13 + PH14 + PH15 − Pperd1 − PD1 = 0 C 2 = PS21 + PS22 + PS23 + PH 21 + PH 22 + PH 23 + PH 24 + PH 25 − Pperd 2 − PD2 = 0 Ck = C 3 = PS31 + PS32 + PS33 + PH31 + PH32 + PH33 + PH34 + PH35 − Pperd3 − PD3 = 0 En la Fig. significa el número de la unidad y el tercer subíndice significa periodo de la carga.

1PH 23 q 31 = 250 + 7.2PH 41 q 42 = 300 + 8.m y solucion. la segunda las restricciones no lineales de igualdad y desigualdad.2PH31 q 32 = 250 + 7. respectivamente. y la tercera contienen los parámetros del problema.2PH 42 q 43 = 300 + 8.2 Modelo de Optimización Implementado en MATLAB El modelo de optimización se implementó en tres archivos tipo m: funobj.Restricción de disponibilidad de agua.1PH11 q12 = 240 + 6.1PH 21 q 22 = 300 + 7.2PH 43 q 51 = 400 + 10PH51 q 52 = 400 + 10PH52 q 53 = 400 + 10PH53 2.m [1]. restricc.1PH13 q 21 = 300 + 7.2PH33 q 41 = 300 + 8.1PH 22 q 23 = 300 + 7. 11 .2.1PH12 q13 = 240 + 6. J max Wk = ∑ n k ·q Hk = Vk k =1 W1 = n1 ·q11 + n 2 ·q12 + n 3 ·q13 = V1 W2 = n1 ·q 21 + n 2 ·q 22 + n 3 ·q 23 = V2 W3 = n1 ·q 31 + n 2 ·q 32 + n 3 ·q 33 = V3 W4 = n1 ·q 41 + n 2 ·q 42 + n 3 ·q 43 = V4 W5 = n1 ·q 51 + n 2 ·q 52 + n 3 ·q 53 = V5 P min ≤ PSk ≤ P max Sk Sk min ≤ P max P Hk ≤ PHk Hk donde q11 = 240 + 6. La primera contiene la función objetivo del problema.m.2PH32 q 33 = 250 + 7.

00007*p(8)^3. F33=350+6.007*p(8)^2+0. F23=400+7. 12 .006*p(1)^2+0. v2=25000.9*p(9)+0.009*p(3)^2. v4=20000.m %El archivo funobj.006*p(4)^2+0. % tercer intervalo F13=300+4.00006*p(4)^3.m) function [c. F31=350+6.009*p(6)^2. v5=15000.8*p(5)+0. n2=6. F22=400+7.m "La Función Objetivo" function f=funobj(p) n1=6.8*p(1)+0. n3=12. n2=6. restricc. % primer intervalo F11=300+4.00006*p(7)^3.007*p(5)^2+0.9*p(3)+0. n3=12. q11=240+6.8*p(2)+0.8*p(4)+0.00007*p(2)^3. se lista estos archivos. %Volúmenes de descarga.006*p(7)^2+0.ceq]=restricc(p) c=[]. %la función total f=n1*(F11+F21+F31)+n2*(F12+F22+F32)+n3*(F13+F23+F33). funobj.m % Archivo de las Restricciones (restricc. F32=350+6.9*p(6)+0. %Unidades hidraulicas.009*p(9)^2.00007*p(5)^3.8*p(8)+0.00006*p(1)^3.8*p(7)+0.1*p(10). v3=35000.007*p(2)^2+0. v1=37000. F21=400+7.En los parágrafos siguientes. % Periodos n1=6. % segundo intervalo F12=300+4.

100.0.00007*p(10)^2+0.0. q53=400+10*p(24).100.45.1*p(11).100. Pd3=700.00007*p(8)^2. q41=300+8.100.00008*p(12)^2+0.00007*p(5)^2.100.0.0. q13=240+6. q51=400+10*p(14).1*p(21).1*p(15).1 00. lb=[45.35.00009*p(7)^2+0.00007*p(20)^2+0. q52=400+10*p(19). Pd2=1600.100.0.0. p0=[100.100].1*p(16).0.100. Aeq=[].m % archivo solución A=[].0.00009*p(1)^2+0. q33=250+7.100.100.100.0.100. q42=300+8.0. Pperd2=0.45.00007*p(2)^2. 13 . % Carga Pd1=1000. q43=300+8.00009*p(4)^2+0.35. q22=300+7.100.2*p(17). b=[].0. Pperd3=0.2*p(13).50.100.100. % Restriccion de igualdad ceq=[p(1)+p(2)+p(3)+p(10)+p(11)+p(12)+p(13)+p(14)-Pperd1-Pd1 p(4)+p(5)+p(6)+p(15)+p(16)+p(17)+p(18)+p(19)-Pperd2-Pd2 p(7)+p(8)+p(9)+p(20)+p(21)+p(22)+p(23)+p(24)-Pperd3-Pd3 n1*q11+n2*q12+n3*q13-v1 n1*q21+n2*q22+n3*q23-v2 n1*q31+n2*q32+n3*q33-v3 n1*q41+n2*q42+n3*q43-v4 n1*q51+n2*q52+n3*q53-v5]. q12=240+6.2*p(23).00008*p(17)^2+0.35. % Perdidas Pperd1=0.100.100.100.2*p(22).00007*p(12)^2+0.50. beq=[].1*p(20). solucion.0].0.100.0.2*p(18).100. q31=250+7.50.100.2*p(12). q23=300+7.00008*p(22)^2+0.100. q32=250+7.q21=300+7.0.

p0.180.6068 Ph12 = 700.150.4 50.180.1633 fval = 14 .200. [p.1933 Ps31 = 200.800.600.TolCon = 1e-006): lower upper ineqlin ineqnonlin 1 3 9 15 17 p= Ps11 = 150.0000 Ph11 = 51.800.ub.600.7460 Ph41 = 168.3394 Ph31 = 109.exitflag.200.TolCon.fval.0000 Ph22 = 172.300.180.Aeq.700.8211 Ph32 = 150.beq.lb.3400 Ph33 = 205.2731 Ph43 = 3.1815 Ph21 = 180.b.A.1938 Ps33 = 150.'restricc') >> solguia Warning: Large-scale (trust region) method does not currently solve this type of problem. > In fmincon at 317 In solguia at 10 Optimization terminated: magnitude of directional derivative in search direction less than 2*options.0000 Ph42 = 60.7391 Ph51 = 48.700.output. using medium-scale (line search) instead.700.lambda]=fmincon('funobj'.150.0000 Ps21 = 95.0666 Ph13 = 51.600.450.0000 Ps12 = 153. Active inequalities (to within options.0430 Ps13 = 153.300.TolFun and maximum constraint violation is less than options.1942 Ps32 = 238.3929 Ps22 = 95.7751 Ph43 = 15.200.ub=[150.300.3924 Ps23 = 95.450.8773 Ph52 = 35.1852 Ph23 = 32.800].

5753 1.2173 γ1 = 1.3640 1.1087 λ3 = -134. Quasi-Newton.2173 1.eqnonlin ans = -67.1086 -67. line-search' firstorderopt: 2.1185 De donde: λ1 = -67.1709e-004 message: [1x172 char] lambda = lower: [24x1 double] upper: [24x1 double] eqlin: [0x1 double] eqnonlin: [8x1 double] ineqlin: [0x1 double] ineqnonlin: [0x1 double] >> lambda.1023e+005 exitflag = 5 output = iterations: 45 funcCount: 1150 lssteplength: 1 stepsize: 0.8204 1.8204 15 .5023 1.1087 -134.1086 λ2 = -67.1.0287 algorithm: 'medium-scale: SQP.

.b. A.b. linprog Resuelve un problema de programación lineal.) [x.beq.x0. corresponden a las restricciones lineales. beq.3640 γ5 = 1.lb. ub.. lb.Aeq.A.output] = linprog(..γ2 = 1.exitflag] = linprog(.A.output.b.ub. son las siguientes x vector solución fval valor de la función objetivo exitflag condición de terminación de fmincon output estructura de la salida 16 .. Aeq.options) [x. Matlab [2] tiene un comando para resolver este problema.A. options opciones de los parámetros de optimización.fval. es linprog.Aeq..beq.b..x0) x = linprog(f.beq..) [x.5023 γ4 = 1.lambda] = linprog(.fval. son los siguientes: f vector columna que contiene los coeficientes de la función objetivo a minimizar.) Descripción [1] Argumentos Los argumentos que toma el comando linprog.ub. Las diferentes formas de emplear el comando linprog. definidas en el problema de optimización.exitflag.ub) x = linprog(f.A.exitflag.1185 3 Programación lineal Si el problema de optimización queda formulado como un problema de programación lineal.lb.fval] = linprog(.fval..Aeq. x0 punto inicial para la búsqueda de la solución.lb. son las siguientes: x = linprog(f.5753 γ3 = 1. b. Salidas Las salidas que entrega el comando linprog.) [x.Aeq.beq) x = linprog(f.

XE. lb=zeros(2. La cuarta restricción.b. se puede tratarla como acotamiento de la variable de decisión XE.lambda multiplicadores de Lagrange Mayores detalles.exitflag.lambda] = linprog(f.output. se tiene solamente tres restricciones de desigualdad. Se renombran las variables. El problema no tiene restricciones de igualdad lineales.lb. el modelo se implementó en un archivo extensión m. que se lista en el parágrafo siguiente: prolineal.fval. 3.1) ub=[100 2]' [x.Aeq. 4]. beq=[].A. XI.1 Ejemplo 3 Problema de Programación Lineal Es un ejemplo de fabricación de pinturas [3. X2. el modelo de optimización queda planteado como un problema de programación lineal: Maximizar Z= 3XE+2XI Sujeto a: XE+2XI ≤ 6 2XE+XI ≤ 8 -XE+XI ≤ 1 XI ≤ 2 XE.beq. Por tanto. XI ≥ 0 función objetivo restricciones El problema tiene cuatro restricciones de desigualdad lineales.m % Programa para resolver un problema de programación lineal f=[-3 -2]' A=[1 2 21 -1 1] b=[6 8 1]' Aeq=[]. por X1.ub) La ejecución del programa dio la siguiente salida: » prolineal f= -3 -2 A= 1 2 17 . páginas 4-91 al 4-97. prolineal. se puede consultar en el manual [1].m.

3333 fval = -12.6667 exitflag = 1 output = iterations: 7 cgiterations: 0 algorithm: 'lipsol' lambda = ineqlin: [3x1 double] eqlin: [0x1 double] upper: [2x1 double] lower: [2x1 double] » lambda.ineqlin ans = 18 .2 -1 b= 6 8 1 lb = 0 0 ub = 100 2 1 1 Optimization terminated successfully.3333 1. x= 3.

son: XE = 3. Referencias Bibliográficas [1] Thomas Coleman.3333 fval = -12. [4] A.0.3333 XI = 1. Operación Económica y Planificación de Sistemas Eléctricos de Potencia. G. Version 2. 19 .3333 2 = 1. el valor de la función objetivo es: Z = 12.287. User’s Guide. Mc Graw-Hill. [2] Software.3333 1.0.3333 0. et al. se utilizó la rutina ‘lipsol’.6667 Los multiplicadores de Kuhn-Tucker (precios duales). México.0000 » 3. Una Introducción a la Investigación de Operaciones. están activas y el tercer multiplicador indica que la tercera restricción está inactiva. Apuntes de la asignatura. algoritmo para optimización de gran escala.2 Interpretación de los Resultados La optimización fue exitosa. Matlab®. Fueron necesarias siete iteraciones. Hillier. fue de maximizar. Los resultados. Versión 7. [3] F. 1991. 1999.4. por tanto.S. Optimization Toolbox For Use with Matlab®. January.0000 1 Las dos primeras restricciones. Lieberman.3333 3 = 0. Blanco. J. 3a Edición.. 2007.6667 El problema original. 2003. son: = 0.

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->