Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Andrs Ramos
Santiago Cerisola
Febrero 2016
[http://www.iit.comillas.edu/aramos/intro_simio.htm]
Alberto Aguilera 23 E 28015 Madrid Tel: 34 91 542 2800 Fax: 34 91 541 1132 www.iit.comillas.edu
NDICE
01/02/2016 i
I.10.1.4 Muestreo por importancia............................................................................................. 127
I.10.1.5 Muestreo estratificado .................................................................................................. 133
I.11 REFERENCIAS ........................................................................................ 137
I.12 BIBLIOTECA DE PROBLEMAS ................................................................... 143
ii 01/02/2016
I OPTIMIZACIN ESTOCSTICA
I.1 Introduccin
La estocasticidad o incertidumbre aparece en todos los sistemas pero hasta
ahora no era posible la solucin de problemas de optimizacin de grandes
sistemas considerando explcitamente sta. La incertidumbre puede deberse a
carencia de datos fiables, errores de medida o tratarse de parmetros que
representan informacin sobre el futuro. Por ejemplo, en el caso de planificacin
de sistemas de energa elctrica la incertidumbre surge principalmente en: la
demanda y precios futuros de la electricidad o de los combustibles, las
aportaciones hidrulicas o la disponibilidad de los elementos de generacin y
red. No toda la incertidumbre se encuentra en el mismo horizonte temporal.
En optimizacin determinista se supone que los parmetros del problema son
conocidos con certeza, aunque sea a su valor medio. En optimizacin estocstica
(stochastic optimization SP) se relaja esta condicin. No se conocen sus valores,
slo sus distribuciones y habitualmente se supone que stas son discretas con un
nmero finito de estados posibles. La suposicin de distribuciones discretas es
habitual en los optimizadores de optimizacin estocstica. Actualmente no
existen aplicaciones estndar o comerciales, potentes y fiables, para resolver
problemas estocsticos. Todava no es un campo en desarrollo.
Los tipos de modelos que aparecen en programacin lineal1 estocstica son
motivados principalmente por problemas con decisiones de tipo aqu y ahora
(here and now) [Dantzig:55], decisiones previas bajo futuro incierto2. Esto es,
decisiones que deben tomarse basndose en informacin a priori, existente o
supuesta, sobre situaciones futuras sin realizar observaciones adicionales.
Recurso3 es la capacidad de tomar una accin correctora despus de que haya
1
La restriccin a problemas lineales es por razones prcticas: primero, son los ms
frecuentemente utilizados y segundo, aqullos con mtodos de solucin ms eficientes y
avanzados. Las tcnicas que se presentan admiten tambin funciones no lineales mientras la
regin factible y la funcin objetivo sean convexas.
2
Existen otros tipos de problemas de optimizacin estocstica, que no se tratan en el
documento, denominados con restricciones probabilistas (chance constraints o probabilistic
constraints) que incluyen restricciones lineales con parmetros aleatorios y se modela la
condicin de cumplirlas restricciones con una cierta probabilidad. En el caso de distribuciones
discretas se necesita una variable binaria por cada suceso, definido como combinacin de los
valores discretos de los parmetros.
3
El recurso se denomina completo cuando para cualquier decisin de la primera etapa
(independientemente de su factibilidad) existen decisiones factibles para la segunda etapa. Se
denomina relativamente completo si se cumple slo para decisiones factibles de la primera etapa
y parcial cuando no siempre las decisiones de la segunda etapa son factibles para las decisiones
de la primera etapa.
01/02/2016 3
1 INTRODUCCIN
4
Se denomina bietapa porque tiene dos etapas, una asociada a las decisiones anteriores a la
realizacin de la incertidumbre y otra a las decisiones correctoras una vez realizada la
incertidumbre.
4 01/02/2016
I OPTIMIZACIN ESTOCSTICA
min fi X i + v jiYjis
XiYsji
i ji
X i P
i
fX
i
i i D
para cualquier escenario s
s
Y Xi
ji ji
s
v Y ji ji d js j
i
X i ,Yjis 0
Veamos ahora el problema estocstico de minimizar los costes totales
esperados para el conjunto de los tres escenarios
min fi Xi + ps v jiYjis
XiYsji
i sji
Xi P
i
fX i i
D
i
Yjis X i sji
s s
Y ji
d j
sj
i
X i ,Yjis 0
parameters
F(i) coste fijo de inversin []
/ gen-1 10
gen-2 7
gen-3 16
gen-4 6 /
PROB(s) probabilidad de cada escenario [p.u.]
/ s-1 0.2
s-2 0.5
s-3 0.3 /
DEM(j) demanda para un escenario [MW]
01/02/2016 5
1 INTRODUCCIN
scalar
POTMIN potencia mnima a instalar [MW] / 12 /
PRSPTO lmite presupuestario [] / 120 /
variables
X(i) potencia a instalar [MW]
Y(j,i) potencia en operacin [MW]
YS(s,j,i) potencia en operacin estocstica [MW]
COSTE coste total
positive variables X, Y, YS
equations
COST coste total []
COSTS coste total estocstico []
PRESUP limitacin presupuestaria []
INSMIN potencia mnima instalada [MW]
BALPOT potencia en operacin menor que instalada [MW]
BALPOTS potencia en operacin menor que instalada estocstica [MW]
BALDEM balance de demanda [MW]
BALDEMS balance de demanda estocstico [MW] ;
6 01/02/2016
I OPTIMIZACIN ESTOCSTICA
01/02/2016 7
1 INTRODUCCIN
8 01/02/2016
I OPTIMIZACIN ESTOCSTICA
Y1
X Y2
Y3
X1 Y1
Y2
X2
X3 Y3
Variables Variables
primera segunda
etapa etapa
X Y1, Y2, Y3
PRESUP Restricciones primera etapa
INSMIN
BALPOTS
BALDEMS Restricciones primer escenario
BALPOTS
BALDEMS Restricciones segundo escenario
BALPOTS
BALDEMS Restricciones tercer escenario
01/02/2016 9
1 INTRODUCCIN
10 01/02/2016
I OPTIMIZACIN ESTOCSTICA
scalar
CALM coste de almacenamiento [ por ao] / 1 /
variables
X(o) cantidad que gestiona el primer ao
Y(o) cantidad que gestiona el segundo ao
YS(s,o) cantidad que gestiona el segundo ao estocstico
COSTE coste total
positive variables X, Y, YS
equations
COST coste total
COSTS coste total estocstico
BALDEM1 balance de demanda del primer ao
BALDEM2 balance de demanda del segundo ao
BALDEMS2 balance de demanda del segundo ao
GSTDEP gestin del depsito ;
COST .. COSTE =E= CVS('nr') * (X('cyv')+X('cya'))
+ CALM * X('cya')
+ CV * (Y('cyv')+Y('cya')) ;
COSTS .. COSTE =E= CVS('nr') * (X('cyv')+X('cya'))
+ CALM * X('cya')
+ sum(s, PROBS(s) * CVS(s) * (YS(s,'cyv')+YS(s,'cya'))) ;
BALDEM1 .. X('cyv') =E= DEMS('nr') ;
01/02/2016 11
1 INTRODUCCIN
Para este ejemplo tambin se observa que las soluciones en cada escenario
son claramente diferentes a las del escenario medio y a las decisiones del
problema estocstico.
12 01/02/2016
I OPTIMIZACIN ESTOCSTICA
01/02/2016 13
1 INTRODUCCIN
14 01/02/2016
I OPTIMIZACIN ESTOCSTICA
A1x 1 = b1
(2.1)
B1x 1 +A2x 2 = b2
x 1, x2 0
A1
B1 A2
01/02/2016 15
2 OPTIMIZACIN LINEAL BIETAPA Y MULTIETAPA
P
min cTp x p
xp
p =1
Bp1x p1 + Ap x p = bp p = 1, , P (2.2)
xp 0
B0 0
m n
donde las matrices Ap p p y Bp y los vectores bp y cp son conocidos por
ser optimizacin determinista y x p son las variables. El problema completo tiene
P P
m = p =1 m p filas y n = p =1 n p columnas.
Caracterstica de estos problemas es una estructura de la matriz de
coeficientes de las restricciones en escalera (o diagonal por bloques), tal como se
presenta en la figura 2.2.
A1
B1 A2
B2 A3
BP 1 AP
Figura 2.2 Estructura de la matriz de coeficientes de las restricciones en problemas lineales multietapa.
16 01/02/2016
I OPTIMIZACIN ESTOCSTICA
descomposicin
Las tcnicas de descomposicin resuelven problemas de muy gran tamao
con una estructura especial, que se aprovecha desde un punto de vista
terico y computacional, mediante la solucin iterativa de otros problemas
de menor tamao con estructura similar. Tiene sentido aplicarlas a un
problema cuya estructura especfica permite identificar partes del mismo que
son fcilmente resolubles de modo individual. Constituye una forma flexible
y elegante de resolver problemas.
Los tipos de estructuras especiales pueden ser:
Multidivisional: conjunto de subsistemas interrelacionados
Por ejemplo, el problema de flujo de cargas multisistema (Espaa,
Francia y Portugal o el sistema elctrico centroamericano) o la
programacin semanal de un sistema de energa elctrica con mltiples
grupos.
Dinmica: gran nmero de restricciones y variables replicadas para cada
periodo
Por ejemplo, la coordinacin hidrotrmica a lo largo de mltiples
periodos.
Estocstica o combinatorial: instanciaciones de variables aleatorias
discretas
Por ejemplo, la planificacin de la generacin para mltiples escenarios
futuros.
01/02/2016 17
3 TCNICAS DE DESCOMPOSICIN
5
Las tcnicas de descomposicin son de uso matemtico general y tienen sentido
independientemente de la tecnologa del ordenador/es utilizados en su resolucin. Sin embargo,
dada su naturaleza resulta muy conveniente la utilizacin de clculo en paralelo (un ordenador
con mltiples CPUs dbil o fuertemente acopladas) o clculo distribuido (mltiples ordenadores
trabajando en colaboracin) para reducir los tiempos de clculo de manera sustancial.
18 01/02/2016
I OPTIMIZACIN ESTOCSTICA
01/02/2016 19
3 TCNICAS DE DESCOMPOSICIN
Obsrvese que el problema dual del segundo tiene la estructura del primero y
viceversa.
Tambin pueden clasificarse segn cul sea la informacin que se enva desde
el maestro al subproblema. La descomposicin de Bd enva variables del primal
y la de DW o RL variables del dual.
Matemticamente las tcnicas de descomposicin se pueden utilizar siempre,
es decir, son formas exactas de resolver un problema de optimizacin. Sin
embargo, algortmicamente slo tienen sentido cuando existe una ventaja
computacional en su uso. En muchos casos, esta ventaja se deriva de la
separabilidad del problema completo en subproblemas similares de tamao
mucho menor. Por ejemplo, en el caso de planificacin multisistema subyace que
las relaciones (nmero de restricciones que acoplan) entre sistemas en el primer
caso o entre grupos en el segundo son dbiles mientras que las relaciones dentro
del sistema son las ms numerosas.
Veamos un modelo de coordinacin hidrotrmica para el anlisis de la
explotacin de un sistema elctrico a medio plazo. Se trata de un modelo de
explotacin multiperiodo con gestin de las aportaciones hidrulicas para el
conjunto de periodos. Se define como periodo a la unidad relevante de tiempo
para la gestin hidrulica (por ejemplo, una semana o un mes o intervalos con
20 01/02/2016
I OPTIMIZACIN ESTOCSTICA
01/02/2016 21
3 TCNICAS DE DESCOMPOSICIN
22 01/02/2016
I OPTIMIZACIN ESTOCSTICA
01/02/2016 23
I OPTIMIZACIN ESTOCSTICA
A1x 1 = b1 (4.1)
x1 0
donde la funcin de recursos, 2 (x 1 ) , es una funcin poligonal convexa
dependiente de x 1 . Representa la funcin objetivo de la segunda etapa como
funcin de las decisiones de la primera etapa y tiene la siguiente expresin:
01/02/2016 25
4 DESCOMPOSICIN DE BENDERS
2 (x 1 ) = min cT2 x 2
x2
2 (b2 B1x 1 )T 21
(4.5)
2 (b2 B1x 1 )T 2
26 01/02/2016
I OPTIMIZACIN ESTOCSTICA
min c1T x 1 + 2
x1 ,
A1x 1 = b1
2 (b2 B1x 1 )T 21
(4.6)
2 (b2 B1x 1 )T 2
x1 0
Esta formulacin se denomina problema maestro completo, ya que contiene
todos los cortes posibles. Presenta todas las restricciones de la primera etapa
ms todas las condiciones necesarias derivadas de la segunda etapa. Obsrvese
que la variable 2 es libre.
Desde el punto de vista prctico, la resolucin del problema maestro
completo implica disponer de forma explcita de todos los cortes de Benders, lo
cual es prcticamente imposible en problemas de tamao realista. En lugar de
incluir todos los cortes (lo que implicara disponer de forma explcita de la
funcin de recursos 2 (x 1 ) ), el algoritmo introduce uno en cada iteracin. De
esta forma, el problema maestro relajado para la iteracin j se define como:
Maestro Benders
min cT1 x 1 + 2
x1 ,2
A1x 1 = b1
(4.7)
lT lT
B1x 1 + 2 b
2 2 2 l = 1, , j
x1 0
siendo 2 , l el ndice de iteraciones, x 1 y 2 variarn en cada iteracin6.
En cada iteracin del algoritmo de Benders, la variable dual generada en el
subproblema es distinta del conjunto de variables duales generadas con
anterioridad por el algoritmo [VanSlyke]. Dado que el conjunto de posibles
valores duales vrtices es finito, el nmero de cortes que se pueden obtener es
tambin finito luego el nmero de iteraciones est tambin limitado. El
algoritmo de descomposicin de Bd converge en un nmero finito de iteraciones.
Se entiende por corte vlido aqul que es externo a la funcin de recursos
aunque no necesariamente tangente. Esto implica que no es necesario resolver el
subproblema hasta optimalidad para garantizar que los cortes son vlidos.
De cara a una implantacin eficiente del algoritmo de descomposicin, los
cortes de Benders aceptan la siguiente formulacin como linealizacin de la
6
Se entiende por iteracin un ciclo problema maestro - subproblema, en este orden.
01/02/2016 27
4 DESCOMPOSICIN DE BENDERS
siendo x 1j y f2j = 2jT b2 B1x 1j los valores de las variables de la primera etapa
y el de la funcin objetivo de la segunda para la iteracin j . Luego el conjunto
de cortes hasta la iteracin j , l = 1, , j , tambin se expresa como
Maestro Benders
min cT1 x 1 + 2
x1 ,2
A1x 1 = b1
(4.11)
2lT B1x 1 + 2 f2l + 2lT B1x 1l l = 1, , j
x1 0
El subproblema para cada iteracin j se formula como:
Subproblema Benders
7
Se utiliza el subgradiente como una generalizacin del concepto de gradiente cuando la
funcin es convexa pero no es diferenciable en todos sus puntos. 2lT B1 es un subgradiente
porque la ecuacin 2 f2l 2lT B1 (x1l x1 ) es un plano de corte o hiperplano soporte del
epigrafo de la funcin.
28 01/02/2016
I OPTIMIZACIN ESTOCSTICA
Luego el problema (4.12) ser factible si para todo vector de variables duales
2 (o rayos extremos) que cumple A2T 2 0 se cumple (b2 B1x 1 )T 2 0 . En
este caso, el subproblema se formula como
max(b2 B1x 1 )T 2
2
(4.15)
T
A 2 0
2
8
En un problema bietapa por recurso completo se entiende que el subproblema de la
segunda etapa es siempre factible para cualquier valor de las variables de la primera etapa.
01/02/2016 29
4 DESCOMPOSICIN DE BENDERS
A1x 1 = b1
(4.18)
2lT B1x 1 + 1l 2 2lTb2 l = 1, , j
x1 0
o bien
min cT1 x 1 + 2
x1 ,2
A1x 1 = b1
(4.19)
2lT B1x 1 + 1l 2 f2l + 2lT B1x 1l l = 1, , j
x1 0
siendo 1l = 1 para los cortes de optimalidad y 1l = 0 para los de infactibilidad.
Los cortes de infactibilidad se pueden considerar como que fueran cortes de
optimalidad con pendiente infinita. Eliminan las propuestas del maestro que
hacen infactible el subproblema pero conservan las que no lo hacen infactible.
Normalmente es ms conveniente, desde el punto de vista de clculo,
formular el problema maestro con penalizacin por infactibilidad en el
subproblema que resolver ste y enviar los cortes de infactibilidad al maestro.
30 01/02/2016
I OPTIMIZACIN ESTOCSTICA
I.4.3 Algoritmo
En cada iteracin se modifica la regin factible del maestro (aumenta en uno
el nmero de restricciones) y las cotas de las restricciones del subproblema. El
tamao del problema lineal bietapa PL-2 era (m1 + m2 ) (n1 + n2 ) . El tamao
del problema maestro es (m1 + j ) (n1 + 1) y el del subproblema m2 n2 .
En una iteracin del algoritmo se resuelve el problema maestro relajado y se
pasa el valor del vector x 1j al subproblema. ste optimiza x 2 con los recursos
(b2 B1x 1j ) y pasa las variables duales 2j (precios sombra de las restricciones)
de nuevo al maestro. Con stas se forma un corte que se aade
consecutivamente a las restricciones del maestro. Esquemticamente el
algoritmo se representa en la figura 4.1.
PROBLEMA MAESTRO
|
j
propuesta x 1 precios sombra 2j
|
SUBPROBLEMA
z z cT2 x 2j 2j
= T j (4.20)
z c1 x 1 + cT2 x 2j
01/02/2016 31
4 DESCOMPOSICIN DE BENDERS
32 01/02/2016
I OPTIMIZACIN ESTOCSTICA
1. Inicializacin: j = 0 , z = , z = , = 104
2. Resolucin del problema maestro
min cT1 x 1 + 2
x1 ,2
A1x 1 = b1
(4.22)
2lT B1x 1 + 1l 2 f2l + 2lT B1x 1l l = 1, , j
x1 0
Obtener la solucin (x 1j , 2j ) y evaluar la cota inferior z = c1T x 1j + 2j .
Mientras no se haya generado ningn corte de optimalidad, se fija el valor de
la variable de recurso 2 a cero, pues en otro caso el problema maestro es no
acotado. Una vez obtenido algn corte de infactibilidad, esta variable pasa a
ser libre.
3. Resolucin del subproblema de suma de infactibilidades
f2j = min eT v + + eT v
x 2 ,v + ,v
01/02/2016 33
4 DESCOMPOSICIN DE BENDERS
x 4
x +y 5
2x +3y 12
x, y 0
que da lugar a f = 4 y =
1 1
. Luego la cota inferior del problema es
1 3
z = y la cota superior es z = 4 .
El problema maestro corresponde a ste
min 2x +
x ,
x 4
1
(4) 1 3 (0 x )
( )
2
x 0
manipulando el corte queda
min 2x +
x ,
x 4
2
x 4
3
x 0
que da como resultado x = 4 y = 4 3 luego la cota inferior del problema es
z = 28 3 . Formulando de nuevo el subproblema para x = 4
34 01/02/2016
I OPTIMIZACIN ESTOCSTICA
(x ) = min y
y
y 54 =1
3y 12 2 4 = 4
y 0
1
que da lugar a f 2 = 1 y 2 = . Luego la cota superior es
z = min (9, 4) = 9 .
El nuevo problema maestro es
min 2x +
x ,
x 4
2
x 4
3
x 5
x 0
que da como resultado x = 4 y = 1 luego la cota inferior del problema es
z = 9 . Una vez formulado y resuelto de nuevo el subproblema se obtiene
z = min (9, 9) = 9 y, por consiguiente, converge el algoritmo.
x +y 600
x 2y 0
x +y +u +v 1000
x +u 500
2u +v 0
x, y, u, v 0
01/02/2016 35
4 DESCOMPOSICIN DE BENDERS
1000
1 2 600 1 1
entonces, c1 = , c2 = , b1 = , b2 = 500 , A1 = ,
2 3 0
0
1 2
1 1 1 1
B1 = 1 0 , A2 = 1 0
0 0 2 1
Se supone una solucin inicial factible para el problema maestro
3.000
x 1 = .
3.000
Se calcula la cota inferior, siendo z = 9.000 . Al introducir en el
331.3
y
subproblema estos valores se obtiene como solucin x 2 =
662.6
2.666
2 = 0.000
0.333
Se calcula la cota superior, siendo z = 2659.6 . Como la diferencia entre
ambas cotas es elevada se contina iterando. Con los precios sombra se forma
un corte en el maestro y se resuelve ste de nuevo. La nueva solucin obtenida
0.000
es x 1 = .
0.000
Se calcula de nuevo la cota inferior, siendo z = 2666.6 . Al introducir en el
333.3
y
subproblema estos valores se obtiene como solucin x 2 =
666.6
2.666
2 = 0.000 .
0.333
Se calcula la cota superior en esta iteracin, siendo z = 2666.6 . La
diferencia entre ambas cotas es ahora nula y, por lo tanto, acaba el algoritmo.
0.000
La funcin objetivo es z * = 2666.6 y la solucin ptima es x 1* = y
0.000
333.3
.
x 2* =
666.6
36 01/02/2016
I OPTIMIZACIN ESTOCSTICA
sets
L mximo nmero de iteraciones / iter-1 * iter-5 /
J(l) iteracin actual
N1 nmero variables primera etapa
M2 nmero restricciones segunda etapa
scalar
TOL tolerancia relativa / 1e-6 /
Z_INF cota inferior / -inf /
Z_SUP cota superior / inf /
parameters
PI2(l,m2) variables duales restricciones segunda etapa
DELTA1(l) coeficiente de cortes de infactibilidad (subproblema infactible)
X1_J(n1,l) valores variables primera etapa hasta iteracin j
Z2_J(l) valores func obj segunda etapa hasta iteracin j
* comienzo datos del problema
sets
M1 nmero restricciones primera etapa / r1-1 * r1-2 /
N1 nmero variables primera etapa / x1-1 * x1-2 /
M2 nmero restricciones segunda etapa / r2-1 * r2-3 /
N2 nmero variables segunda etapa / x2-1 * x2-2 /
parameters
C1(n1) coeficientes funcin objetivo primera etapa
/ x1-1 -1
x1-2 -2 /
C2(n2) coeficientes funcin objetivo segunda etapa
/ x2-1 -2
x2-2 -3 /
B1(m1) cotas restricciones primera etapa
/ r1-1 600
r1-2 0 /
B2(m2) cotas restricciones segunda etapa
/ r2-1 1000
r2-2 500
r2-3 0 /
table A1(m1,n1) matriz de restricciones primera etapa
x1-1 x1-2
r1-1 1 1
r1-2 1 -2
variables
TT funcin de recursos
Z1 funcin objetivo primera etapa
Z2 funcin objetivo segunda etapa
equations
FOC funcin objetivo problema completo
FO1 funcin objetivo primera etapa
FO2 funcin objetivo segunda etapa
R1(m1) restricciones primera etapa
R2(m2) restricciones segunda etapa
01/02/2016 37
4 DESCOMPOSICIN DE BENDERS
if (ord(l) = 1,
* alternativamente en la primera iteracin se puede dar una solucin
X1.L(n1) = 3 ;
Z1.L = sum(n1, C1(n1)*X1.L(n1)) ;
* o resolver directamente el problema maestro
* solve MAESTRO USING LP MINIMIZING Z1 ;
else
solve MAESTRO USING LP MINIMIZING Z1 ;
) ;
X1_J(n1,l) = X1.L(n1) ;
* fijacin de la variable de la primera etapa X1
X1.FX(n1) = X1.L(n1) ;
solve SUB USING LP MINIMIZING Z2 ;
* adquisicin de los parmetros para formar un nuevo corte
if(SUB.MODELSTAT = 4,
* subproblema infactible
DELTA1(l) = 0 ;
Z2_J(l) = SUB.SUMINFES ;
else
* actualizacin de la cota inferior y superior
Z_INF = Z1.L ;
Z_SUP = MIN(Z_SUP, Z1.L - TT.L + Z2.L) ;
DELTA1(l) = 1 ;
Z2_J(l) = Z2.L;
TT.LO = -inf ; TT.UP = inf ;
) ;
display Z_INF, Z_SUP ;
PI2(l,m2) = R2.M(m2) ;
X1.LO(n1) = 0 ; X1.UP(n1) = inf ;
* Incremento del conjunto de cortes
J(l) = yes ;
38 01/02/2016
I OPTIMIZACIN ESTOCSTICA
) ;
abort $(ABS(1-Z_INF/Z_SUP) > TOL) 'Mximo nmero de iteraciones alcanzado' ;
* resolucin del problema completo
solve COMPLETO USING LP MINIMIZING Z1
01/02/2016 39
4 DESCOMPOSICIN DE BENDERS
40 01/02/2016
I OPTIMIZACIN ESTOCSTICA
01/02/2016 41
4 DESCOMPOSICIN DE BENDERS
42 01/02/2016
I OPTIMIZACIN ESTOCSTICA
%
% programa lineal bietapa PL-2
%
dt2
[m1,n1]=size(A1) ;
[m2,n2]=size(A2) ;
A = [[A1, zeros(m1,n2)];[B1,A2]] ;
b = [b1; b2] ;
c = [c1; c2]' ;
[x,lambda] = lp(c,A,b,zeros(n1+n2,1),[],[0 0 0 0]) ;
x1 = x(1:n1)
x2 = x(n1+1:n1+n2)
pi21 = lambda(1:m1)
pi22 = lambda(m1+1:m1+m2)
%
% descomposicin de Benders
%
[m1,n1]=size(A1) ;
[m2,n2]=size(A2) ;
l = 0 ;
A = [A1, zeros(m1,1)] ;
b = b1 ;
zsup = Inf ;
zinf = -Inf ;
epsilon = 0.0001 ;
while 1-abs(zinf/zsup) > epsilon
l = l + 1 ;
if l == 1,
x1 = x11 ;
zinf = c1' * x1 ;
else
A = [A; [-pi2(:,l-1)'*B1, -1]] ;
b = [b; -pi2(:,l-1)'*b2] ;
c = [c1; 1]' ;
[x1] = lp(c,A,b,zeros(n1,1)) ;
zinf = c * x1 ;
x1(n1+1)=[] ;
end
[x2,pi2t] = lp(c2',A2,b2-B1*x1,zeros(n2,1)) ;
pi2(:,l) = -pi2t(1:m2) ;
zsup = c1' * x1 + c2' * x2 ;
end
01/02/2016 43
4 DESCOMPOSICIN DE BENDERS
x j
ij ai i
x i
ij bj j
x ij M ij yij ij
x ij 0, yij {0,1}
siendo cij el coste variable unitario de transporte, fij el coste fijo asociado a la
decisin de inversin en el arco ij , ai la oferta mxima de producto en el origen
i , bj la demanda del destino j , x ij la variable que indica el flujo que recorre el
arco ij , yij la variable que representa la decisin de inversin en el arco ij y
M ij una cota superior de cualquier flujo en dicho arco ij (por ejemplo,
M ij = min {ai , bj } ).
Las variables yij son binarias. Una vez conocidas el problema anterior es un
problema clsico de transporte. Las variables yij son las variables que complican
la resolucin y, por consiguiente, son asignadas al problema maestro en un
entorno de descomposicin de Bd.
El subproblema se formula de la siguiente manera
min cij x ij
x ij
ij
xj
ij ai i
x
i
ij bj j
x ij M ij yijk ij : ijk
x ij 0
44 01/02/2016
I OPTIMIZACIN ESTOCSTICA
yij {0,1}
A continuacin se expresa en GAMS este problema para un caso ejemplo en
el que se suponen cuatro orgenes del producto y tres destinos de demanda. El
problema debe decidir la combinacin ptima de arcos de entre todos los
posibles, dados en la figura 4.2.
01/02/2016 45
4 DESCOMPOSICIN DE BENDERS
positive variable
X(i,j) arc flow
binary variable
Y(i,j) arc investment decision
variables
Z1 first stage objective function
Z2 second stage objective function
Theta recourse function
equations
EQ_Z1 first stage objective function
EQ_Z2 second stage objective function
EQ_OBJ complete problem objective function
Offer (i ) offer at origin
Demand ( j) demand at destination
FlowLimit(i,j) arc flow limit
Bd_Cuts (l) Benders' cuts ;
46 01/02/2016
I OPTIMIZACIN ESTOCSTICA
Delta(l) = 0 ;
Z2_L (l) = Subproblem_Bd.SumInfes ;
else
* updating lower and upper bound
Z_Lower = Z1.l ;
Z_Upper = min(Z_Upper, Z1.l - Theta.l + Z2.l) ;
Delta(l) = 1 ;
Z2_L (l) = Z2.l ;
Theta.lo = -inf ;
Theta.up = inf ;
) ;
PI_L(l,i,j) = FlowLimit.m(i,j) ;
Y.lo( i,j) = 0 ;
Y.up( i,j) = 1 ;
9
En este caso particular el subproblema tiene soluciones alternativas por lo que el algoritmo
puede converger en diferente nmero de iteraciones con otro optimizador u otra versin del
mismo optimizador.
01/02/2016 47
4 DESCOMPOSICIN DE BENDERS
I I I I I
I I I
450
400
350
Objective function
300
250
200 Lower Bound
150 Upper Bound
100
50
0
7 8 9 10 11 12
Iterations
48 01/02/2016
I OPTIMIZACIN ESTOCSTICA
A1x 1 = b1 : 1
B1x 1 Iy1 = 0 : 1 (4.25)
2lT y1 + 2 2lTb2 l = 1, , j
x1 0
A2x 2 + y1z 2 = b2 : 2
(4.26)
z2 = 1 : 2
x2 0
Con esta modificacin, las variables duales del problema lineal bietapa PL-2
se pueden obtener a partir de las variables duales del maestro.
1* 1*
*
= * = * (4.27)
2 1
donde 1* y 2* son las variables duales del primer y segundo conjunto de
restricciones respectivamente del problema lineal PL-2 para la solucin ptima y
1* y 1* son las variables duales calculadas en el maestro para la solucin
ptima.
Como se observa tanto el problema maestro como el subproblema han
aumentado de tamao. El problema maestro aumenta en m2 el nmero de
variables y de restricciones. El subproblema aumenta en una variable y una
restriccin. Si el aumento de tamao en el problema maestro no es razonable
una alternativa es resolver el problema lineal bietapa por el procedimiento
01/02/2016 49
4 DESCOMPOSICIN DE BENDERS
original y una vez convergido resolver slo el problema maestro con esta
modificacin.
50 01/02/2016
I OPTIMIZACIN ESTOCSTICA
A1x 1 = b1
(5.1)
A2x 1 = b2
x1 0
10
Aqu se identifican con las de la primera etapa aunque como tal el problema no es bietapa
por carecer de variables de la segunda etapa.
01/02/2016 51
5 DESCOMPOSICIN DE DANTZIG-WOLFE
donde A1x 1 = b1 son las restricciones que complican (en nmero reducido) y
A2x 1 = b2 son las restricciones con estructura diagonal por bloques y separable
(en nmero mucho mayor).
El problema lineal anterior se puede formular tambin como:
min cT1 x 1
x1
A1x 1 = b1 (5.2)
x1 K
siendo K la regin convexa definida como:
K = {x 1 | A2x 1 = b2 , x 1 0} (5.3)
Pero todo punto de un poliedro convexo (no vaco y acotado) se puede poner
como una combinacin lineal convexa (es decir, una linealizacin interior) de
sus vrtices x 1l , l = 1, , .
K = x 1l l | l = 1, l 0 (5.4)
l =1 l =1
l =1
l =1 :
l 0 l = 1, ,
Obsrvese que las variables de este problema son los pesos l de los vrtices
en lugar de las variables originales del problema x 1 . El nmero total de vrtices
n1
de un politopo es m siendo A2 m2n1 . Algunos de ellos son factibles y otros
2
infactibles.
En lugar de enumerar todos los vrtices, el algoritmo de descomposicin
resuelve iterativamente el proceso, introduciendo un vrtice nuevo en cada
iteracin a medida que se necesitan. La regin K viene definida por la
combinacin lineal convexa del conjunto de vrtices introducido hasta ese
momento. Luego, la resolucin del maestro se puede interpretar como la del
problema completo original pero sobre una regin factible K cada vez mayor,
correspondiente al segundo conjunto de restricciones (que no complican). Su
funcin objetivo disminuye en cada iteracin al introducir una nueva variable y,
52 01/02/2016
I OPTIMIZACIN ESTOCSTICA
Maestro Dantzig-Wolfe
j
min (c1T x 1l )l
l
l =1
j
l
(A x )
l =1
1 1 l = b1 : 2
(5.6)
j
l =1
l =1 :
l 0 l = 1, , j
Supongamos que se dispone de una solucin inicial factible x 11 K y el
problema maestro se resuelve por el mtodo simplex [Dantzig:63, Dantzig:91d].
La condicin de optimalidad de un problema lineal de minimizacin determina
que los costes reducidos deben ser no negativos:
*
A1x 1
T
c x
1
*
1 ( T
2 )
0
1
(5.7)
equivalente a:
Subproblema Dantzig-Wolfe
A2x 1 = b2 (5.9)
x1 0
01/02/2016 53
5 DESCOMPOSICIN DE DANTZIG-WOLFE
Subproblema Dantzig-Wolfe
2 (2 ) = min(c1T T2 A1 )x 1 + T2 b1
x1
A2x 1 = b2 (5.12)
x1 0
donde 2 = 2 .
Obsrvese que el subproblema formulado en (5.9) es diferente del formulado
en (5.12), aunque son equivalentes para el algoritmo de descomposicin el valor
de la funcin objetivo cambia. En el primer caso, el problema (5.9) evala los
costes reducidos y, por consiguiente, tomar valor 0 al alcanzar el ptimo. En el
segundo caso, el problema (5.12) evala el lagrangiano y, por lo tanto, tomar el
valor ptimo del problema completo al alcanzar el ptimo el algoritmo de
descomposicin.
Como el ptimo de un problema lineal se alcanza en un vrtice podemos
tomar el mnimo de la funcin dual para todos los vrtices x 1l , l = 1, ,
2 (2 ) = T2 b1 + min(
l
c1T T2 A1 )x 1l (5.13)
x1
54 01/02/2016
I OPTIMIZACIN ESTOCSTICA
2 (2 ) T2 b1 + (c1T T2 A1 )x 11
2 (2 ) T2 b1 + (c1T T2 A1 )x 12
(5.14)
2 (2 ) T2 b1 + (c1T T2 A1 )x 1
o expresado en forma de problema lineal y reagrupando trminos
max 2
2 ,2
2 + (A1x 11 b1 )T 2 c1T x 11 : 1
2 + (A1x 12 b1 )T 2 c1T x 12 : 2 (5.15)
2 + (A1x 1 b1 )T 2 c1T x 1 :
Si planteamos el problema dual de ste tenemos
min (c1T x 1l )l
l
l =1
l =1
l =1 : = 2
(5.16)
l
(A x
l =1
1 1 b1 )l = 0 : 2
l 0 l = 1, ,
Manipulando el segundo bloque de restricciones
01/02/2016 55
5 DESCOMPOSICIN DE DANTZIG-WOLFE
I.5.2 Algoritmo
El tamao del problema lineal completo es (m1 + m2 ) n1 . El tamao del
problema maestro es (m1 + 1) j y el del subproblema m2 n1 . El problema
maestro aumenta en una variable en cada iteracin lo que ocasiona una prdida
de optimalidad, luego conviene que sea resuelto por el mtodo simplex primal.
El subproblema se ve afectado nicamente en su funcin objetivo luego tambin
se recomienda utilizar el mtodo simplex primal.
En una iteracin del algoritmo se resuelve el subproblema11. Mientras su
funcin objetivo (i.e., la condicin de optimalidad del problema maestro cuando
es formulado segn la ecuacin (5.9)) sea negativa la solucin x 1j obtenida en el
subproblema es enviada al maestro. Cuando es positiva o nula se alcanza el
ptimo y el algoritmo acaba. A continuacin se resuelve el problema maestro y
se pasa el valor del vector de variables duales 2j y j al subproblema. En la
primera iteracin se suponen unos valores iniciales razonables (o nulos) de la
variables duales 21 y 1 y se resuelve el subproblema.
En general, el algoritmo progresa rpidamente al comienzo pero luego
converge muy lentamente. Por esta razn, a veces se termina prematuramente
con una solucin subptima. Un criterio de parada para detener previamente el
algoritmo, cuando el subproblema es formulado segn la ecuacin (5.12), puede
ser
z z 1* z (5.17)
siendo z y z los valores de las funciones objetivo de maestro y subproblema,
respectivamente, en una iteracin cualquiera. Luego cuando la diferencia entre
ambas est por debajo de una cierta tolerancia se detiene el algoritmo. Esta
diferencia es tericamente 0 en el ptimo cuando el problema completo es lineal.
Esquemticamente el algoritmo se representa en la figura 4.4.
SUBPROBLEMA
|
j j
precios sombra ,
2 propuesta x 1j
|
PROBLEMA MAESTRO RESTRINGIDO
11
En el mtodo de descomposicin de Dantzig-Wolfe la iteracin empieza de forma natural
por el subproblema mientras que en Benders empezaba por el maestro.
56 01/02/2016
I OPTIMIZACIN ESTOCSTICA
j
z 1* = (c1T x 1l )l (5.19)
l =1
01/02/2016 57
5 DESCOMPOSICIN DE DANTZIG-WOLFE
58 01/02/2016
I OPTIMIZACIN ESTOCSTICA
x 2
1
2
2
y = 2 1 + 1 2 + 1 3 = 1.5
z 2 1
2
2
Los pasos que sigue el algoritmo para resolver el siguiente problema lineal se
pueden ver en la implantacin hecha en GAMS.
min x y 2u v
x +2y +2u +v 10
x +3y 40
2x +y 30
u 10
v 10
u +v 15
x, y, u, v 0
01/02/2016 59
5 DESCOMPOSICIN DE DANTZIG-WOLFE
40 1 3
1
30 2 1
1
10
2 (
entonces, c1 = , b1 = (10) , b2 = , A1 = 1 2 2 1 y A2 = )
1
10 1
1
15 1 1
sets
L mximo numero de iteraciones / iter-1 * iter-5 /
J(l) iteracin actual
N1 variables
scalar
Z_INF cota inferior de la solucin / -inf /
Z_SUP cota superior de la solucin / inf /
TOL tolerancia en optimalidad / 1e-6 /
PNLZ penalizacin restricciones primera etapa / 1000 /
parameters
X1_L(l,n1) soluciones del subproblema
* comienzo datos del problema
sets
M1 nmero restricciones primera etapa / rdos-1 /
M2 nmero restricciones segunda etapa / runo-1 * runo-5 /
N1 variables / xuno-1 * xuno-4 /
parameters
C1(n1) coeficientes funcin objetivo primera etapa
/ xuno-1 -1
xuno-2 -1
xuno-3 -2
xuno-4 -1 /
B1(m1) cotas restricciones primera etapa
/ rdos-1 10 /
B2(m2) cotas restricciones segunda etapa
/ runo-1 40
runo-2 30
runo-3 10
runo-4 10
runo-5 15 /
table A1(m1,n1) matriz de restricciones primera etapa
xuno-1 xuno-2 xuno-3 xuno-4
rdos-1 1 2 2 1
60 01/02/2016
I OPTIMIZACIN ESTOCSTICA
equations
FOM funcin objetivo maestro
FOS funcin objetivo subproblema
FOC funcin objetivo problema completo
R1(m1) restricciones primera etapa
R1C(m1) restricciones primera etapa
R2(m2) restricciones segunda etapa
COMBLIN combinacin lineal de los pesos de las soluciones ;
01/02/2016 61
5 DESCOMPOSICIN DE DANTZIG-WOLFE
62 01/02/2016
I OPTIMIZACIN ESTOCSTICA
01/02/2016 63
5 DESCOMPOSICIN DE DANTZIG-WOLFE
64 01/02/2016
I OPTIMIZACIN ESTOCSTICA
01/02/2016 65
5 DESCOMPOSICIN DE DANTZIG-WOLFE
66 01/02/2016
I OPTIMIZACIN ESTOCSTICA
L O O P S L iter-4
S O L V E S U M M A R Y
MODEL MAESTRO OBJECTIVE Z1
TYPE LP DIRECTION MINIMIZE
SOLVER CPLEX FROM LINE 115
**** SOLVER STATUS 1 NORMAL COMPLETION
**** MODEL STATUS 1 OPTIMAL
**** OBJECTIVE VALUE -10.0000
RESOURCE USAGE, LIMIT 0.010 1000.000
ITERATION COUNT, LIMIT 3 10000
GAMS/Cplex Apr 1, 2005 WIN.CP.CP 21.7 028.031.041.VIS For Cplex 9.0
Cplex 9.0.2, GAMS Link 28
User supplied options:
scaind -1
lpmethod 1
preind 0
epopt 1e-9
eprhs 1e-9
Optimal solution found.
Objective : -10.000000
LOWER LEVEL UPPER MARGINAL
---- EQU FOM . . . 1.0000
FOM funcin objetivo maestro
---- EQU R1 restricciones primera etapa
LOWER LEVEL UPPER MARGINAL
rdos-1 -INF 10.0000 10.0000 -1.0000
LOWER LEVEL UPPER MARGINAL
---- EQU COMBLIN 1.0000 1.0000 1.0000 EPS
COMBLIN combinacin lineal de los pesos de las soluciones
---- VAR LAMBDA pesos de las soluciones
LOWER LEVEL UPPER MARGINAL
iter-1 . . 1.0000 10.0000
iter-2 . 0.7500 1.0000 .
iter-3 . 0.2500 1.0000 .
---- VAR EXC variables de exceso en restricciones primera etapa <=
LOWER LEVEL UPPER MARGINAL
rdos-1 . . +INF 999.0000
LOWER LEVEL UPPER MARGINAL
---- VAR Z1 -INF -10.0000 +INF .
Z1 funcin objetivo maestro
**** REPORT SUMMARY : 0 NONOPT
0 INFEASIBLE
0 UNBOUNDED
GAMS Rev 142 Intel /MS Window 04/14/05 07:08:20 Page 23
Descomposicin de Danztig-Wolfe (DW)
Equation Listing SOLVE SUB Using LP From line 119
---- FOS =E= funcin objetivo subproblema
FOS.. - X1(xuno-2) + Z2 =E= EPS ; (LHS = -7.27272727272728, INFES = 7.27272727272728 ***)
---- R2 =L= restricciones segunda etapa
R2(runo-1).. X1(xuno-1) + 3*X1(xuno-2) =L= 40 ; (LHS = 15)
R2(runo-2).. 2*X1(xuno-1) + X1(xuno-2) =L= 30 ; (LHS = 30)
R2(runo-3).. X1(xuno-3) =L= 10 ; (LHS = 10)
R2(runo-4).. X1(xuno-4) =L= 10 ; (LHS = 5)
R2(runo-5).. X1(xuno-3) + X1(xuno-4) =L= 15 ; (LHS = 15)
GAMS Rev 142 Intel /MS Window 04/14/05 07:08:20 Page 24
Descomposicin de Danztig-Wolfe (DW)
Model Statistics SOLVE SUB Using LP From line 119
LOOPS L iter-4
MODEL STATISTICS
BLOCKS OF EQUATIONS 2 SINGLE EQUATIONS 6
BLOCKS OF VARIABLES 2 SINGLE VARIABLES 5
NON ZERO ELEMENTS 10
GENERATION TIME = 0.030 SECONDS 2.9 Mb WIN217-142 Apr 05, 2005
EXECUTION TIME = 0.050 SECONDS 2.9 Mb WIN217-142 Apr 05, 2005
GAMS Rev 142 Intel /MS Window 04/14/05 07:08:20 Page 25
Descomposicin de Danztig-Wolfe (DW)
Solution Report SOLVE SUB Using LP From line 119
L O O P S L iter-4
S O L V E S U M M A R Y
MODEL SUB OBJECTIVE Z2
TYPE LP DIRECTION MINIMIZE
SOLVER CPLEX FROM LINE 119
01/02/2016 67
5 DESCOMPOSICIN DE DANTZIG-WOLFE
68 01/02/2016
I OPTIMIZACIN ESTOCSTICA
%
% descomposicion de Dantzig-Wolfe
%
[m1,n1]=size(A1) ;
[m2,n2]=size(A2) ;
l = 1 ;
optcnd = -1 ;
x1 = x11 ;
AA = B1*x1 ;
cc = c1'*x1 ;
while optcnd < 0
A = [[AA, A2]; [ones(1,l), zeros(1,n2)]] ;
b = [b2; 1] ;
c = [cc, c2'] ;
[x2,pi2t] = lp(c,A,b,zeros(l+n2,1)) ;
pi2(:,l) = -pi2t(1:m2) ;
[x1t] = lp([c1'-pi2(:,l)'*B1],A1,b1,zeros(n1,1)) ;
l = l + 1 ;
x1(:,l) = x1t ;
AA = [AA, B1*x1(:,l)] ;
cc = [cc, c1'*x1(:,l)] ;
optcnd = [c1'-pi2(:,l-1)'*B1]*x1(:,l) + pi2t(m2+1) ;
end
01/02/2016 69
I OPTIMIZACIN ESTOCSTICA
2 + (A1x 11 b1 )T 2 c1T x 11 : 1
2 + (A1x 12 b1 )T 2 c1T x 12 : 2 (5.20)
2 + (A1x 1 b1 )T 2 c1T x 1 :
y definimos 2 = b1T 2 + , entonces esta ecuacin se convierte en
max b1T 2 +
2 ,
(A1x 11 )T 2 + c1T x 11 : 1
(A1x 12 )T 2 + c1T x 12 : 2 (5.21)
(A1x 1 )T 2 + c1T x 1 :
luego el problema maestro restringido es
12
Por relajacin lineal de un problema P se entiende el problema P en el que las variables
enteras son sustituidas por variables continuas.
01/02/2016 71
6 RELAJACIN LAGRANGIANA
max 2
2 ,2
(5.22)
2 + (A1x 1l b1 )T 2 c1T x 1l : l l = 1, , j
o bien
max b1T 2 +
2 ,
(5.23)
(A1x 1l )T 2 + cT1 x 1l : l l = 1, , j
donde las restricciones reciben el nombre de cortes duales o cortes de
optimalidad lagrangianos o corte de Lagrange. Esta formulacin del maestro es
denominada mtodo de planos de corte de Kelly.
A2x 1 = b2 (5.24)
x1 0
13
Es decir, v {x1 0, A2x1 0} que es el sistema homogneo asociado a
v {x1 0, A2x1 = b2 } .
72 01/02/2016
I OPTIMIZACIN ESTOCSTICA
2* (2 ) = min(c1T T2 A1 )x 1
x1
A2x 1 0 (5.27)
0 x1 1
A2x 1 = b2 (5.31)
x1 0
o bien
A2x 1 = b2 (5.32)
x1 0
I.6.3 Algoritmo
Esquemticamente el algoritmo se representa en la figura 4.5.
01/02/2016 73
6 RELAJACIN LAGRANGIANA
SUBPROBLEMA
|
precios sombra 2j , j propuesta x 1j
|
PROBLEMA MAESTRO RESTRINGIDO
1. Inicializacin: j = 0 , z = , z = , = 104 .
2. Resolucin del problema maestro de la RL
max 2
2 ,2
(5.33)
1l 2 + (A1x 1l 1lb1 )T 2 c1T x 1l : l l = 1, , j
Actualizar la cota superior z = 2 . Obtener el valor de 2 e ir al paso 3.
3. Resolucin del subproblema de acotamiento
2* (2 ) = min(c1T 2jT A1 )x 1
x1
A2x 1 0 (5.34)
0 x1 1
A2x 1 = b2 (5.36)
x1 0
74 01/02/2016
I OPTIMIZACIN ESTOCSTICA
j
z 1* = (cT1 x 1l )l (5.39)
l =1
14
d(2j 2j 1 ) < representa distancia entre 2j y 2j 1 .
01/02/2016 75
6 RELAJACIN LAGRANGIANA
2j +1 = 2j + j p j (5.40)
j 2 (2j ) c1T x 1*
j = 2 (5.41)
j
amn x n bm
m n
donde j es un escalar entre 0 y 2, c1T x 1* es el valor de la funcin objetivo para
la mejor solucin factible conocida del problema. Frecuentemente, se empieza la
secuencia por j = 2 y se reduce su valor a la mitad cuando 2 (2j ) no ha
aumentado en un nmero prespecificado de iteraciones.
El bundle method es una variante del mtodo de planos de corte donde la
funcin objetivo introduce un trmino cuadrtico de penalizacin de la
desviacin de los multiplicadores 2j con respecto a un punto 2j que representa
el centro de gravedad de la regin factible. En este caso el problema maestro
tiene funcin objetivo no lineal y adems requiere el ajuste del parmetro de
penalizacin.
Incluso el problema maestro puede ser sustituido por algoritmos heursticos
de actualizacin de los multiplicadores con tal de que se cumplan ciertas
condiciones. Por ejemplo, el mtodo lambda de despacho econmico en un
76 01/02/2016
I OPTIMIZACIN ESTOCSTICA
01/02/2016 77
6 RELAJACIN LAGRANGIANA
78 01/02/2016
I OPTIMIZACIN ESTOCSTICA
01/02/2016 79
6 RELAJACIN LAGRANGIANA
parameters
DELTA1(l) coeficiente para cortes de acotamiento (subproblema no acotado)
X1_L(l,n1) soluciones del subproblema
80 01/02/2016
I OPTIMIZACIN ESTOCSTICA
equations
FOM1 funcin objetivo maestro
FOM2 funcin objetivo maestro
FOS1 funcin objetivo subproblema
FOS2 funcin objetivo subproblema
FOC funcin objetivo problema completo
R1(m1) restricciones primera etapa
R2(m2) restricciones segunda etapa
CORTES1(l) cortes de relajacin lagrangiana
CORTES2(l) cortes de relajacin lagrangiana ;
FOM1 .. Z1 =E= sum(m1, B1(m1)*PI2(m1)) + MU ;
FOM2 .. Z1 =E= TT ;
01/02/2016 81
6 RELAJACIN LAGRANGIANA
82 01/02/2016
I OPTIMIZACIN ESTOCSTICA
01/02/2016 83
6 RELAJACIN LAGRANGIANA
84 01/02/2016
I OPTIMIZACIN ESTOCSTICA
MODEL STATISTICS
BLOCKS OF EQUATIONS 2 SINGLE EQUATIONS 2
BLOCKS OF VARIABLES 3 SINGLE VARIABLES 3
NON ZERO ELEMENTS 4
GENERATION TIME = 0.020 SECONDS 2.9 Mb WIN217-142 Apr 05, 2005
EXECUTION TIME = 0.030 SECONDS 2.9 Mb WIN217-142 Apr 05, 2005
GAMS Rev 142 Intel /MS Window 05/05/05 08:28:49 Page 13
Descomposicin de relajacin lagrangiana (RL)
Solution Report SOLVE MAESTRO2 Using LP From line 141
L O O P S IT iter-3
S O L V E S U M M A R Y
MODEL MAESTRO2 OBJECTIVE Z1
TYPE LP DIRECTION MAXIMIZE
SOLVER CPLEX FROM LINE 141
**** SOLVER STATUS 1 NORMAL COMPLETION
**** MODEL STATUS 1 OPTIMAL
**** OBJECTIVE VALUE -11.0000
RESOURCE USAGE, LIMIT 0.010 1000.000
ITERATION COUNT, LIMIT 1 10000
GAMS/Cplex Apr 1, 2005 WIN.CP.CP 21.7 028.031.041.VIS For Cplex 9.0
Cplex 9.0.2, GAMS Link 28
User supplied options:
scaind -1
lpmethod 1
preind 0
epopt 1e-9
eprhs 1e-9
Optimal solution found.
Objective : -11.000000
LOWER LEVEL UPPER MARGINAL
---- EQU FOM2 . . . 1.0000
FOM2 funcin objetivo maestro
---- EQU CORTES2 cortes de relajacin lagrangiana
LOWER LEVEL UPPER MARGINAL
iter-1 -INF -11.0000 -11.0000 1.0000
LOWER LEVEL UPPER MARGINAL
---- VAR Z1 -INF -11.0000 +INF .
---- VAR TT -1000.0000 -11.0000 1000.0000 .
Z1 funcin objetivo maestro
TT funcin objetivo maestro
---- VAR PI2 variables duales restricciones primera etapa
LOWER LEVEL UPPER MARGINAL
runo-1 -INF . . 8.0000
**** REPORT SUMMARY : 0 NONOPT
0 INFEASIBLE
0 UNBOUNDED
GAMS Rev 142 Intel /MS Window 05/05/05 08:28:49 Page 14
Descomposicin de relajacin lagrangiana (RL)
E x e c u t i o n
---- 145 PARAMETER Z_SUP = -11.000 cota superior de la solucin
GAMS Rev 142 Intel /MS Window 05/05/05 08:28:49 Page 15
Descomposicin de relajacin lagrangiana (RL)
Equation Listing SOLVE SUB2 Using LP From line 166
---- FOS2 =E= funcin objetivo subproblema
FOS2.. 4*X1(xuno-1) + X1(xuno-2) + 6*X1(xuno-3) + Z2 =E= 0 ; (LHS = 11, INFES = 11 ***)
---- R2 =L= restricciones segunda etapa
R2(rdos-1).. - X1(xuno-1) =L= -1 ; (LHS = -1)
R2(rdos-2).. - X1(xuno-2) =L= -1 ; (LHS = -1)
R2(rdos-3).. - X1(xuno-3) =L= -1 ; (LHS = -1)
R2(rdos-4).. X1(xuno-1) =L= 2 ; (LHS = 1)
R2(rdos-5).. X1(xuno-2) =L= 2 ; (LHS = 1)
R2(rdos-6).. X1(xuno-3) =L= 2 ; (LHS = 1)
GAMS Rev 142 Intel /MS Window 05/05/05 08:28:49 Page 16
Descomposicin de relajacin lagrangiana (RL)
Model Statistics SOLVE SUB2 Using LP From line 166
LOOPS IT iter-3
MODEL STATISTICS
BLOCKS OF EQUATIONS 2 SINGLE EQUATIONS 7
BLOCKS OF VARIABLES 2 SINGLE VARIABLES 4
NON ZERO ELEMENTS 10
GENERATION TIME = 0.110 SECONDS 2.9 Mb WIN217-142 Apr 05, 2005
EXECUTION TIME = 0.120 SECONDS 2.9 Mb WIN217-142 Apr 05, 2005
GAMS Rev 142 Intel /MS Window 05/05/05 08:28:49 Page 17
01/02/2016 85
6 RELAJACIN LAGRANGIANA
86 01/02/2016
I OPTIMIZACIN ESTOCSTICA
01/02/2016 87
6 RELAJACIN LAGRANGIANA
epopt 1e-9
eprhs 1e-9
Optimal solution found.
Objective : -22.222222
LOWER LEVEL UPPER MARGINAL
---- EQU FOS2 -20.7778 -20.7778 -20.7778 1.0000
FOS2 funcin objetivo subproblema
---- EQU R2 restricciones segunda etapa
LOWER LEVEL UPPER MARGINAL
rdos-1 -INF -2.0000 -1.0000 .
rdos-2 -INF -1.0000 -1.0000 -1.4444
rdos-3 -INF -2.0000 -1.0000 .
rdos-4 -INF 2.0000 2.0000 -0.3333
rdos-5 -INF 1.0000 2.0000 .
rdos-6 -INF 2.0000 2.0000 -1.1111
---- VAR X1 variables primera etapa
LOWER LEVEL UPPER MARGINAL
xuno-1 -INF 2.0000 +INF .
xuno-2 -INF 1.0000 +INF .
xuno-3 -INF 2.0000 +INF .
LOWER LEVEL UPPER MARGINAL
---- VAR Z2 -INF -22.2222 +INF .
Z2 funcin objetivo subproblema y completo
**** REPORT SUMMARY : 0 NONOPT
0 INFEASIBLE
0 UNBOUNDED
GAMS Rev 142 Intel /MS Window 05/05/05 08:28:49 Page 26
Descomposicin de relajacin lagrangiana (RL)
E x e c u t i o n
---- 181 PARAMETER Z_INF = -22.222 cota inferior de la solucin
GAMS Rev 142 Intel /MS Window 05/05/05 08:28:49 Page 27
Descomposicin de relajacin lagrangiana (RL)
Equation Listing SOLVE MAESTRO2 Using LP From line 141
---- FOM2 =E= funcin objetivo maestro
FOM2.. Z1 - TT =E= 0 ; (LHS = 0)
---- CORTES2 =L= cortes de relajacin lagrangiana
CORTES2(iter-1).. TT - 8*PI2(runo-1) =L= -11 ; (LHS = -11)
CORTES2(iter-2).. TT + PI2(runo-1) =L= -22 ; (LHS = -22)
CORTES2(iter-3).. TT - PI2(runo-1) =L= -21 ; (LHS = -19.5555555555556, INFES = 1.44444444444444 ***)
GAMS Rev 142 Intel /MS Window 05/05/05 08:28:49 Page 28
Descomposicin de relajacin lagrangiana (RL)
Model Statistics SOLVE MAESTRO2 Using LP From line 141
LOOPS IT iter-5
MODEL STATISTICS
BLOCKS OF EQUATIONS 2 SINGLE EQUATIONS 4
BLOCKS OF VARIABLES 3 SINGLE VARIABLES 3
NON ZERO ELEMENTS 8
GENERATION TIME = 0.060 SECONDS 2.9 Mb WIN217-142 Apr 05, 2005
EXECUTION TIME = 0.060 SECONDS 2.9 Mb WIN217-142 Apr 05, 2005
GAMS Rev 142 Intel /MS Window 05/05/05 08:28:49 Page 29
Descomposicin de relajacin lagrangiana (RL)
Solution Report SOLVE MAESTRO2 Using LP From line 141
L O O P S IT iter-5
S O L V E S U M M A R Y
MODEL MAESTRO2 OBJECTIVE Z1
TYPE LP DIRECTION MAXIMIZE
SOLVER CPLEX FROM LINE 141
**** SOLVER STATUS 1 NORMAL COMPLETION
**** MODEL STATUS 1 OPTIMAL
**** OBJECTIVE VALUE -21.5000
RESOURCE USAGE, LIMIT 0.010 1000.000
ITERATION COUNT, LIMIT 2 10000
GAMS/Cplex Apr 1, 2005 WIN.CP.CP 21.7 028.031.041.VIS For Cplex 9.0
Cplex 9.0.2, GAMS Link 28
User supplied options:
scaind -1
lpmethod 1
preind 0
epopt 1e-9
eprhs 1e-9
Optimal solution found.
Objective : -21.500000
LOWER LEVEL UPPER MARGINAL
---- EQU FOM2 . . . 1.0000
FOM2 funcin objetivo maestro
---- EQU CORTES2 cortes de relajacin lagrangiana
88 01/02/2016
I OPTIMIZACIN ESTOCSTICA
01/02/2016 89
6 RELAJACIN LAGRANGIANA
90 01/02/2016
I OPTIMIZACIN ESTOCSTICA
xj
ij ai i
xi
ij bj j
x ij 0, yij {0,1}
que reformulado queda como
x j
ij ai i
x i
ij bj j
x ij 0, yij {0,1}
Esta reformulacin permite observar que el subproblema es separable en dos
problemas. Un problema de transporte en el que el coste variable es ligeramente
modificado por el multiplicador y un segundo problema que es entero puro y
cuya solucin puede obtenerse de modo inmediato.
Problema de transporte
01/02/2016 91
6 RELAJACIN LAGRANGIANA
min (cij + ij ) x ij
x ij
ij
x j
ij ai i
x ij bj j
i
x ij 0
yij {0,1}
Esta formulacin de la RL para el problema del transporte con coste fijo
puede implantarse en GAMS con el siguiente cdigo.
OPTION OPTCR = 0
sets
L ndice de iteraciones / l1 * l100 /
LL(l) subconjunto de ndices
I orgenes / i1 * i4 /
J destinos / j1 * j3 /
* Datos del problema
parameters
A(i) ofertas de producto
/ i1 10, i2 30, i3 40, i4 20 /
B(j) demandas de producto
/ j1 20, j2 50, j3 30 /
parameters
X_J(i,j,l) valores de las variables de flujo en la iteracin j
Y_J(i,j,l) valores de las variables de inversin en la iteracin j
LAMBDA_J(i,j,l) multiplicadores en la iteracin j
positive variables
X(i,j) flujo por los arcos
LAMBDA(i,j) multiplicador
92 01/02/2016
I OPTIMIZACIN ESTOCSTICA
binary variable
Y(i,j) decisiones de inversion en los arcos
variables
Z variable objetivo primal (subproblema)
W variable dual
01/02/2016 93
6 RELAJACIN LAGRANGIANA
1500
1000
500
0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67
-500
-1000
Iteracin
Por otra parte, los valores obtenidos por las variables de decisin no son
factibles en ninguna de las iteraciones del mtodo. Se necesita un postproceso de
estas soluciones para obtener una solucin. En este problema, una posibilidad es
considerar la solucin dada para las variables continuas x ij por el problema de
transporte (lineal) y adecuar las variables binarias a esta solucin, es decir,
y1 = y23 = y 31 = y 32 = y 42 = 1
15
Cuando esto ocurre se dice que el problema satisface la propiedad de integralidad
(integrality property) y tiene poco sentido el uso de la RL como tcnica de aproximacin del
valor ptimo del problema.
94 01/02/2016
I OPTIMIZACIN ESTOCSTICA
Maestro Primal-Dual
min cT1 x 1 + 2
x1 ,2
A1x 1 = b1
(6.1)
2lT B1x 1 + 2 2lTb2 l = 1, , j
x1 0
Subproblema Primal-Dual
t
min (c1T x 1l )l + cT2 x 2
l ,x 2
l =1
t
l
(B x )
l =1
1 1 l + A2x 2 = b2 : 2
(6.2)
t
l =1
l =1 :
l , x 2 0 l = 1, , j
donde t j asociado al tamao del problema, siendo 10 un valor mximo
razonable. Se pueden intentar diferentes estrategias de combinacin lineal de
01/02/2016 95
7 OTRAS TCNICAS DE DESCOMPOSICIN
Bp1x p1 + Ap x p = bp p = 1, , P (6.3)
xp 0
B0 0
la etapa 1 es el problema maestro y las etapas 2, , P el subproblema. Para
solucionar el subproblema se aplica de nuevo el principio de descomposicin
siendo la etapa 2 el problema maestro y las etapas 3, , P el subproblema. De
nuevo se aplica descomposicin hasta llegar a la etapa P 1 como problema
maestro y la etapa P como subproblema. En cada momento slo se necesita
resolver un problema correspondiente a una etapa, como problema maestro para
las etapas p = 1, , P 1 o como subproblema para la etapa P . Este mtodo
resuelve repetidamente una secuencia de problemas lineales de menor tamao
para solucionar el problema lineal multietapa.
La descomposicin anidada se puede utilizar con cualquiera de los mtodos
de descomposicin anteriores. Cuando se utiliza el mtodo de descomposicin de
96 01/02/2016
I OPTIMIZACIN ESTOCSTICA
A1x 1 = b1
B1x 1 +A2x 2 = b2
(6.4)
B2x 2 +A3x 3 = b3
B 3x 3 +A4x 4 = b4
x 1, x 2, x 3, x4 0
min cT3 x 3 + 4
x 3 ,4
A3x 3 = b3 B2x 2l : 3
(6.6)
4 + T4 B3x 3 T4 b4 : 3
x3 0
siendo la funcin objetivo del problema dual max T3 (b3 B2x 2l ) + T3 (T4 b4 )
3 ,3
Si en lugar de resolver este maestro se hubiera resuelto el problema de las
dos ltimas etapas tendramos:
01/02/2016 97
7 OTRAS TCNICAS DE DESCOMPOSICIN
A3x 3 = b3 B2x 2l : 3
(6.7)
B3x 3 + A4x 4 = b4 : 3
x 3, x 4 0
siendo la funcin objetivo del dual max 3T (b3 B2x 2l ) + T3 b4
3 ,3
El problema maestro restringido de la etapa 3 es una cota inferior de la
funcin objetivo del problema de las dos ltimas etapas. Luego los ptimos
correspondientes a los problemas duales verifican la misma relacin, esto es:
Esta ecuacin indica que el corte pasado a la etapa anterior es vlido aunque
desde la etapa actual hasta la ltima no se haya resuelto el problema hasta
optimalidad [Morton:93]. Ahora la expresin del corte de Benders queda
A2x 2 = b2 B1x 1l : 2
(6.12)
3 + T3 B2x 2 T3 b3 + T3 (T4 b4 ) : 2
x2 0
siendo la funcin objetivo del problema dual
max 2 (b2 B1x 1 ) + 2 3 b3 + 3 (4 b4 )
T l T T T T
2 ,2
Si en lugar de resolver este maestro se hubiera resuelto el problema de las
tres ltimas etapas tendramos:
98 01/02/2016
I OPTIMIZACIN ESTOCSTICA
A2x 2 = b2 B1x 1l : 2
B2x 2 + A3x 3 = b3 : 2 (6.13)
B3x 3 + A4x 4 = b4 : 3
x 2, x 3 , x 4 0
siendo la funcin objetivo del dual max 2T (b2 B1x 1l ) + T2 b3 + T3 b4
2 ,2 ,2
El corte a introducir en la etapa 1 ser:
2 + T2 B1x 1 T2 b2 + T2 T3 b3 + T3 (T4 b4 )
p +1 fpl +1 + Tp +1Bp (x pl x p )
(6.20)
p +1 + Tp +1Bpx p fpl +1 + Tp +1Bp x lp
La formulacin del problema a resolver para cualquier etapa p , p = 1, , P
es la siguiente:
01/02/2016 99
7 OTRAS TCNICAS DE DESCOMPOSICIN
min cTp x p + p +1
x p ,p +1
Ap x p = bp Bp1x pl 1 : p
lT lT lT
p +1Bp x p + p +1 q p = p +1bp +1 + p +1q p +1 : p l = 1, , j
xp 0
(6.21)
P +1 0
B0 0
Pl +1 0
Pl +1 0
o bien con la otra formulacin de los cortes:
min cTp x p + p +1
x p ,p +1
Ap x p = bp Bp1x pl 1 : p
lT l lT l
p +1Bp x p + p +1 fp +1 + p +1Bp x p : p l = 1, , j
xp 0
(6.22)
P +1 0
B0 0
Pl +1 0
Pl +1 0
donde el superndice l de los vectores significa que son valores de variables
conocidos en alguna iteracin previa y p +1 .
En trminos generales, el algoritmo consiste en resolver cierta etapa p y
entonces o bien proceder con la siguiente etapa p + 1 modificando las cotas o
proceder con la etapa previa p 1 formando un corte. Existen varias estrategias
para recorrer las etapas del problema que se explican ms adelante. El
procedimiento iterativo finaliza cuando se produce la convergencia en la primera
etapa.
100 01/02/2016
I OPTIMIZACIN ESTOCSTICA
min 4x y 6z
3x + 2y + 4z = 17
1x 2
1y 2
1z 2
Para ello lo primero es poner las ecuaciones de manera que sean diagonal por
bloques introduciendo una variable auxiliar v = 2y + 4z
min 4x y 6z
3x + v = 17
v 2y 4z = 0
1x 2
1y 2
1z 2
Empezamos resolviendo el problema maestro
min 4x
1x 2
que da lugar a x = 2 . Esa solucin se le pasa al siguiente subproblema
min y
v = 17 3 2
1y 2
que da lugar a y = 2 y v = 11 . Esa solucin se le pasa al siguiente subproblema
min 6z
4z = 11 + 2 2
1z 2
que da lugar a z = 1.75 , funcin objetivo 10.5 y la variable dual asociada a la
primera ecuacin es 1.5 . Esa solucin se le pasa al subproblema anterior para
formar un corte
min y + 3
v = 17 3 2
3 + 10.5 1.5(11 2 2 v + 2y )
1y 2
01/02/2016 101
7 OTRAS TCNICAS DE DESCOMPOSICIN
102 01/02/2016
I OPTIMIZACIN ESTOCSTICA
01/02/2016 103
7 OTRAS TCNICAS DE DESCOMPOSICIN
104 01/02/2016
I OPTIMIZACIN ESTOCSTICA
positive variables ACP, PTP, PHP, RVA, PDM, PNS, EXC, DRR, ERR, PTI, PHI, PDI
equations
FO Costes totales de inversin y explotacin
KR1(t,p,b,nd) Primera ley de Kirchhoff para cada nudo
EPRDAS(t,p,b,nd) Prdidas en cada nudo
FLJE(t,p,b,ni,nf) Flujo lneas existentes
ACOPLA(t,p,b,tr) Acoplamiento de los grupos trmicos
PRDTRM(t,p,b,tr) Potencia trmica producida inferior a la acoplada
PTPMIN(t,p,tr) Potencia trmica producida mnima
PRDHID(t,p,b,hd) Potencia hidrulica producida inferior a la instalada
RSRVAS(t,p,hd) Reservas hidrulicas
MOVEMHD(t,p,hd) Movimiento de embalses hidrulicos
PRDDMN(t,p,b,nd,gd) Gestin de demanda utilizada inferior a la instalada
MARGEN(t,p) Margen de reserva
CORTES(l,t,p) Cortes de Benders ;
01/02/2016 105
7 OTRAS TCNICAS DE DESCOMPOSICIN
CORTES(j,t,qq) $(OPCDA = 1) ..
THETA(t,qq) - THETA_L(j,t,qq) =G=
sum(hd, PIRVA_L(j,t,qq,hd) * (RVA(t,qq,hd) - RVA_L(j,t,qq,hd))) ;
* Se anula la expansin de la generacin para que el modelo sea lineal
PTI.FX(t,tr) = 0 ;
PHI.FX(t,hd) = 0 ;
PDI.FX(t,nd,gd) = 0 ;
* cotas a las variables
RVA.LO(t,p,hd) = DTHD(hd,'rmn') ;
RVA.UP(t,p,hd) = DTHD(hd,'rmx') ;
ACP.UP(t,p,b,tr) = 1 ;
PTP.UP(t,p,b,tr) = DEM(b,p) * INCDEM(t) ;
PHP.UP(t,p,b,hd) = DEM(b,p) * INCDEM(t) ;
PDM.UP(t,p,b,nd,gd) = PCTND(nd) * DEM(b,p) * INCDEM(t) ;
PNS.UP(t,p,b,nd) = PCTND(nd) * DEM(b,p) * INCDEM(t) ;
EXC.UP(t,p,b,nd) = PCTND(nd) * DEM(b,p) * INCDEM(t) ;
DRR.UP(t,p) = (1+MR) * DEM('blq-1',p) * INCDEM(t) ;
ERR.UP(t,p) = (1+MR) * DEM('blq-1',p) * INCDEM(t) ;
PTI.UP(t,tr) = smax((b,p), DEM(b,p)) * INCDEM(t) ;
PHI.UP(t,hd) = smax((b,p), DEM(b,p)) * INCDEM(t) ;
PDI.UP(t,nd,gd) = PCTND(nd) * smax((b,p), DEM(b,p)) * INCDEM(t) ;
TT.LO(t,p,b,nd) = -1 ;
TT.UP(t,p,b,nd) = 1 ;
TT.FX(t,p,b,'nudo-1') = 0 ;
FLE.LO(t,p,b,ni,nf) = - DTLE(ni,nf,'flmx') * CSL ;
FLE.UP(t,p,b,ni,nf) = DTLE(ni,nf,'flmx') * CSL ;
model PLGNRD / FO, KR1, FLJE, ACOPLA, PRDTRM, PTPMIN, PRDHID, RSRVAS, PRDDMN, MARGEN,
CORTES / ;
model PLGNRDNL / FO, KR1, FLJE, ACOPLA, PRDTRM, PTPMIN, PRDHID, RSRVAS, PRDDMN, MARGEN,
CORTES, EPRDAS / ;
106 01/02/2016
I OPTIMIZACIN ESTOCSTICA
) ;
solve PLGNRD USING LP MINIMIZING CSTTL ;
put 'Suproblema (M)'
sum(qq, ORDEN(qq)):3:0 CSTTL.L:12:6 ' tiempo (s)' PLGNRD.resusd:7:1
PLGNRD.numequ:7:0 PLGNRD.numvar:7:0 PLGNRD.numnz:7:0 PLGNRD.iterusd:7:0/;
TMSB = TMSB + PLGNRD.resusd ;
abort $(PLGNRD.modelstat > 2) 'Terminacin anormal' ;
) ;
* incremento de iteraciones al llegar al ultimo hacia adelante
J(l) $(ord(snt) = 1 and ord(p) = card(p)) = yes ;
* se guardan las variables interperiodo
if (ord(snt) = 1 and ord(p)+DSP(p) < card(p),
RVA_L(l,t,qq,hd) = RVA.L(t,qq,hd) ;
) ;
* las variables duales se guardan en sentido ascendente
if ((ord(snt) = 1 and ord(p)+DSP(p) = card(p)) or
(ord(snt) = 2 and ord(p)+DSP(p) < card(p)),
PIRVA_L(l,t,qq,hd) = - RSRVAS.M(t,qq,hd) ;
THETA_L(l,t,pp) $SAMEAS(pp+1,p+DSP(p)) = CSTTL.L ;
) ;
* clculo de los costes totales
if (ord(snt) = 1 or (ord(snt) = 2 and ord(p)+DSP(p) = 1),
CSTT = CSTT + CSTTL.L - sum((t,qq), THETA.L(t,qq)) ;
) ;
QQ(p+DSP(p)) = NO ;
) ;
* calculo de las cotas inferior y superior
ZSUP $(ord(snt) = 1) = MIN(ZSUP,CSTT) ;
ZINF $(ord(snt) = 2) = MAX(ZINF,CSTTL.L) ;
put $(ord(snt) = 1) /
put $(ord(snt) = 2) L.TL 'Cota Inf' ZINF:12:6 ' Cota Sup' ZSUP:12:6
' Converg' ABS(1-ZINF/ZSUP):10:6 ' tiempo (s)' TMSB:7:1 // ;
CSTT $(ord(snt) = 2) = 0 ;
) ;
) ;
* modelo completo
OPCDA = 0 ;
J(l) = NO ;
QQ(p) = yes ;
01/02/2016 107
I OPTIMIZACIN ESTOCSTICA
A1x 1 = b1
(7.1)
B x
1 1 +A x
2 2 = b2
x 1, x 2 0
A1
B11 A21
B12 A22
B13 A23
16
El superndice indica la dependencia de las matrices y vectores con respecto al valor del
escenario .
01/02/2016 109
8 OPTIMIZACIN LINEAL ESTOCSTICA
min
,x1 ,x 2
c1T x 1 c2T x 2 f
A1x 1 = b1 (7.2)
B1 x 1 +A2 x 2 = b2
x 1, x 2 0
c1T x 1 c2T x 2 0
A1x 1 = b1 (7.3)
B1 x 1 +A2 x 2 = b2
x 1, x 2 0
A1x 1 = b1
B11 x 1 +A21 x 21 = b21
(7.4)
B12 x 1 +A22 x 22 = b22
B13 x 1 +A23 x 23 = b23
x 1, x 21 , x 22 , x 23 , 0
110 01/02/2016
I OPTIMIZACIN ESTOCSTICA
A2 x 2 = b2 B1 x 1l : 2 (7.5)
x 2 0
La formulacin del problema maestro restringido se puede hacer con una
nica variable 2 para todos los subproblemas, denominado mtodo
monocorte:
min cT1 x 1 + 2
x1 ,2
A1x 1 = b1
(7.6)
p
2lT B1 x 1 + 2 p
2lTb2 l = 1, , j
x1 0
01/02/2016 111
8 OPTIMIZACIN LINEAL ESTOCSTICA
min
cT1 x 1 + p 2
x1 ,2
A1x 1 = b1
(7.7)
2lT B1 x 1 + 2 2lTb2 l = 1, , j
x1 0
I.8.2 Multietapa
El problema lineal estocstico multietapa PLE-P se puede formular como:
P
p pT
min
p p p p c xp p
xp
p =1 p p
p p 1
B x
p 1 p1 + Ap p x p p = bp p p = 1, , P (7.8)
p
x p 0
B 1
0 0
17
El cambio en la funcin objetivo del dual (por cambio en la cota de las restricciones del
primal) es lo que hace que se obtenga un vrtice diferente aun en el caso de nodos con un mismo
ascendiente.
112 01/02/2016
I OPTIMIZACIN ESTOCSTICA
A1
B11 A21
B12 A22
B21 A31
B22 A32
B23 A33
B24 A34
Figura 4.16 Estructura de la matriz de coeficientes de las restricciones en problemas lineales multietapa.
01/02/2016 113
8 OPTIMIZACIN LINEAL ESTOCSTICA
T
min
cp p x p p + p +p 1
x p p ,p +p 1
a ( )l
Ap p x p p = bp p -Bpp 1x p1p : p p
(7.9)
p p pklT+1Bpk x p p + p +p 1 q p p = (pklT+1bpk+1 + pklT+1q pk +1 )
p
k d ( p )
k d ( p )
p : p p
xp p 0
donde p +p 1 , a(p ) indica el ascendiente del subproblema y d(p ) indica sus
descendientes.
114 01/02/2016
I OPTIMIZACIN ESTOCSTICA
2. Protocolos de barrido
El protocolo de barrido de los subproblemas define el orden en que stos son
resueltos. Se han desarrollado diversas estrategias [Abrahamson, Birge:80,
Gassmann:90, Morton:93, Jacobs, Morton:96, Scott, Wittrock] que se definen
a continuacin aunque los mejores resultados se han obtenido generalmente
con la estrategia denominada pasada rpida (fast-pass) [Morton:93], que es
por consiguiente la generalmente utilizada. Este proceso acaba cuando se
consigue convergencia en la primera etapa, que las cotas inferior y superior
01/02/2016 115
9 MEJORAS EN LAS TCNICAS DE DESCOMPOSICIN
Avanzar (u, v )
Se entiende por avanzar entre u y v a formar las cotas de las
restricciones para los problemas de la etapa u , resolverlos, formar las
cotas para los problemas de la etapa u + 1 , resolverlos, etc. As hasta
alcanzar la etapa v y resolver todos los problemas.
Retroceder (u, v )
Se entiende por retroceder obtener los cortes para la etapa v , solucionar
los problemas de esta etapa, pasar los cortes a la etapa anterior,
solucionar los problemas, etc. As hasta alcanzar la etapa u y formar sus
cortes sin solucionar los problemas de esta etapa.
pasada rpida
Avanzar desde 1 hasta P , retroceder desde P 1 hasta 1. Iterar entre
ambos procesos hasta convergencia.
remolona
Empieza avanzando desde 1 hasta P . Luego selecciona la etapa p con
mayor error entre cota superior e inferior y para sta resuelve todos los
problemas de las etapas p + 1, , P antes de pasar los cortes a la etapa
p 1 . Cuando la etapa con mayor error es la primera comienza otra vez
a iterar. Esta estrategia resuelve ms problemas en las ltimas etapas.
cautelosa
Esta empieza con una iteracin de la estrategia pasada rpida para
obtener cotas superior e inferior. Para una etapa dada p nunca avanza a
menos que el error en convergencia en la etapa p 1 sea suficientemente
pequeo. Como resultado esta estrategia resuelve ms problemas en las
primeras etapas.
116 01/02/2016
I OPTIMIZACIN ESTOCSTICA
18
Este nmero mnimo estar asociado a la memoria principal disponible para la resolucin
del subrbol de tamao mximo.
01/02/2016 117
I OPTIMIZACIN ESTOCSTICA
min cT1 x 1 + 2
x1 ,2
A1x 1 = b1
(9.1)
2 p f2l p
2lT B1 (x 1l x 1 ) l = 1, , j
x1 0
A1x 1 = b1
(9.2)
2 f2l 2lT B1 (x 1l x 1 ) l = 1, , j
x1 0
19
Por ejemplo, en el caso de sistemas de energa elctrica stos pueden ser los elementos de
generacin y red, los escenarios de hidraulicidad y los niveles de demanda.
01/02/2016 119
10 SIMULACIN EN OPTIMIZACIN LINEAL ESTOCSTICA BIETAPA
Muestreo externo
Se toman las muestras para reducir el tamao del problema y luego se aplica
el mtodo de optimizacin correspondiente para resolverlo.
Muestreo interno
Se toman las muestras al mismo tiempo que se aplica el mtodo de
optimizacin que lo resuelve.
o bien
1 n l 1 n lT l
2 f2 2 B1 (x 1 x 1 ) (9.7)
n =1 n =1
Los cortes calculados por simulacin dejan de ser necesariamente planos
soporte de la funcin objetivo convexa, pueden intersecar la funcin de recursos
de los subproblemas de la segunda etapa. En [Infanger] se hacen los siguientes
supuestos para su obtencin:
120 01/02/2016
I OPTIMIZACIN ESTOCSTICA
01/02/2016 121
10 SIMULACIN EN OPTIMIZACIN LINEAL ESTOCSTICA BIETAPA
Variables antitticas
Se basa en la idea de introducir correlacin negativa entre dos muestras
consecutivas. Consiste en la utilizacin de nmeros aleatorios
complementarios en dos muestras sucesivas.
Variable de control
La idea bsica es utilizar los resultados de un modelo ms sencillo para
predecir o explicar parte de la varianza del valor a estimar. Se necesita un
clculo previo del valor esperado de la variable de control. Este clculo debe
ser muy rpido frente al de la variable a estimar.
122 01/02/2016
I OPTIMIZACIN ESTOCSTICA
Muestreo estratificado
La idea intuitiva de esta tcnica es similar a la anterior pero en versin
discreta. Consiste en tomar ms muestras de la variable aleatoria en las
zonas de mayor inters. La varianza se reduce al concentrar el esfuerzo de
simulacin en los estratos ms relevantes.
Z (n ) =
j =1
Zj
(9.8)
n
La varianza muestral se calcula como
var(Z j ) var(X1 j ) + var(X 2 j ) 2 cov(X1 j , X 2 j )
var(Z (n )) = = (9.9)
n n
Si las muestras para las dos configuraciones se hicieran independientemente
(es decir, con nmeros aleatorios diferentes) X1j y X 2 j seran independientes y
la covarianza sera 0. Por el contrario, si las muestras estn positivamente
correlacionadas la covarianza ser positiva y la varianza de la media muestral
ser menor. Esta tcnica trata de inducir una correlacin positiva entre los
muestreos hechos para las dos configuraciones utilizando los mismos nmeros
aleatorios. Esto es posible por la caracterstica de reproducibilidad de las
cadenas de nmeros pseudoaleatorios. Dicho de otra forma, el uso de una cadena
cuya semilla inicial es incontrolablemente aleatoria, en general, impide el uso de
esta tcnica.
01/02/2016 123
10 SIMULACIN EN OPTIMIZACIN LINEAL ESTOCSTICA BIETAPA
124 01/02/2016
I OPTIMIZACIN ESTOCSTICA
X j(1) + X j(2)
define Z j = y la media muestral Z (n ) como estimador centrado de
2
. La varianza muestral se calcula como
01/02/2016 125
10 SIMULACIN EN OPTIMIZACIN LINEAL ESTOCSTICA BIETAPA
var(Z )
= 2a var(Y ) 2 cov(X ,Y ) = 0 (9.12)
a
cov(X ,Y )
Por lo tanto, a * = . De esta expresin se deduce que si la
var(Y )
correlacin entre X e Y es muy fuerte, covarianza elevada, a * tambin tendr
un valor alto. Por consiguiente, producir un ajuste fuerte a la desviacin de Y
sobre su valor medio que nos da una indicacin de la desviacin de X sobre
su valor medio . Por otra parte, si la varianza de Y es pequea tambin se
obtiene un valor elevado de a * ya que se tiene una mayor precisin en el valor
observado de Y .
Para este valor ptimo a * el valor de la varianza de Z es
cov2 (X ,Y )
var(Z * ) = var(X ) 2
= (1 XY ) var(X ) (9.13)
var(Y )
donde XY es el coeficiente de correlacin entre X e Y . En caso de correlacin
perfecta XY = 1 entre ambas variables la varianza de Z es nula.
Dado que es imposible obtener el valor exacto de a * un mtodo simple es
reemplazar a * por su estimador obtenido de n muestras
XY (n )
cov
a* (n ) = (9.14)
SY2 (n )
n
X j X (n ) Yj Y (n )
XY
siendo cov (n ) =
j =1 .
n 1
Conviene mencionar que tambin se pueden utilizar varias variables de
control simultneamente con correlacin no slo con la variable controlada sino
incluso entre ellas.
A la vista de las ecuaciones anteriores se puede decir que una buena variable
de control debe estar fuertemente correlacionada con la variable controlada para
proporcionar mucha informacin sobre sta y hacer un buen ajuste. Adems es
deseable que la variable de control tenga poca varianza. Para encontrar una
variable de control se puede hacer un anlisis de la estructura del modelo o bien
recurrir a experimentacin. Las variables de control pueden clasificarse en:
Internas
Son parmetros del modelo o funciones de los mismos, como la media. Sus
valores medios son habitualmente conocidos. Estas variables de control
deben ser generadas en todo caso, luego no aaden esfuerzo de simulacin y
por esta razn es importante probar aunque no reduzcan significativamente
la varianza.
126 01/02/2016
I OPTIMIZACIN ESTOCSTICA
Externas
Son aquellas variables aleatorias de salida derivadas de introducir
simplificaciones en el modelo que lo hacen inadecuado como tal pero
permiten utilizarlas como variable de control. En este caso se necesita un
muestreo adicional con nmeros aleatorios comunes para la variable de
control. La correlacin entre variable de control y controlada deber ser
ahora mayor para que merezca la pena el esfuerzo adicional de simulacin.
Un ejemplo de variables de control externas son las medidas de fiabilidad
slo de generacin o slo de red para el clculo de medidas de fiabilidad
compuesta (debida a fallos de generacin y/o de red).
I.10.1.4 Muestreo por importancia
La idea intuitiva detrs del muestreo por importancia es aumentar la
frecuencia de aparicin en el muestreo de los sucesos que tienen ms peso en la
evaluacin de la funcin. El mtodo consiste en obtener muestras de una nueva
funcin cuya funcin de cuanta es diferente y deformada con respecto a la
original [Bratley, Dantzig:90]. Ambas funciones tienen la misma media pero la
varianza de la segunda es muy inferior. Aplicndolo a la funcin objetivo de los
subproblemas se tiene:
f
z2 = E c2T x 2 = p f = p q = p q g = z 2 (9.15)
q
01/02/2016 127
10 SIMULACIN EN OPTIMIZACIN LINEAL ESTOCSTICA BIETAPA
z2 = p f =
= f0 + p f
E
f
= f0 + p E
i (ei ) (9.20)
i =1
(e )
i i i =1
E
= f0 + p g i (ei )
i =1
E E
= f0 + g pi (ei ) i (ei )
i =1 i =1
f
donde g = E ser una funcin igual a uno o superior si hay efectos
i =1
i
(ei )
de sinergia positiva con la variacin de los parmetros. El clculo de la
esperanza de la funcin objetivo de los subproblemas es una integral
multidimensional en el hiperespacio de los parmetros del sistema.
Manipulando y desarrollando la ecuacin anterior se obtiene:
E
i (ei )pi (ei )
z 2 = f0 + i g pk (ek ) (9.21)
i =1 i k i
128 01/02/2016
I OPTIMIZACIN ESTOCSTICA
2
= f02 + 2 f0 (z2 f0 ) z22 + p (f )
2 2
= (z2 f0 ) + p (f ) (9.22)
2
2 (f ) E
= (z2 f0 ) + p E (e )
i i
i =1
(e )
i i i =1
E
2
= (z2 f0 ) + p h i (ei )
i =1
E E
2
= (z2 f0 ) + h pi (ei ) i (ei )
i =1 i =1
2
(f )
donde h =
E .
i =1
i
(ei )
Manipulando y desarrollando la ecuacin anterior se obtiene:
E
2 i (ei )pi (ei )
var(z 2 ) = (z2 f0 ) + i h pk (ek ) (9.23)
i =1 i k i
01/02/2016 129
10 SIMULACIN EN OPTIMIZACIN LINEAL ESTOCSTICA BIETAPA
E 2 2
2 i (ei )pi (ei )
var(z 2 ) = ( i )
(g )
i
pk (ek ) (gi )
(9.24)
i =1 k i
El cociente entre ambas nos da la reduccin conseguida mediante el
muestreo por importancia para el clculo de la media.
Para aclarar la obtencin de la funcin de cuanta de importancia veamos un
ejemplo. Se supone que se trata de evaluar los costes de explotacin de un
sistema elctrico con tres generadores. Su potencia disponible es una variable
aleatoria con distribucin multinomial. Es nula con una probabilidad q1 = 0.05 ,
igual a su mnimo tcnico con probabilidad q 2 = 0.05 e igual a su potencia
nominal con probabilidad p = 0.90 . En la tabla se presenta el impacto marginal
en la funcin objetivo (costes de explotacin) con respecto al caso base del fallo
de cada generador y el valor de la probabilidad de importancia obtenida a partir
de estos valores y de las probabilidades originales. Se toma como caso base
aqul con todos los generadores totalmente disponibles.
i
Generador 1
Funcionamiento 0.90 0 0.0
Fallo parcial 0.05 30 0.3
Fallo total 0.05 70 0.7
Generador 2
Funcionamiento 0.90 0 0.0
Fallo parcial 0.05 100 0.4
Fallo total 0.05 150 0.6
Generador 3
Funcionamiento 0.90 0 0.0
Fallo parcial 0.05 25 0.2
Fallo total 0.05 100 0.8
130 01/02/2016
I OPTIMIZACIN ESTOCSTICA
i
Generador 1
Funcionamiento 0.95 0 0.0
Fallo total 0.05 25 1.0
Generador 2
Funcionamiento 0.95 0 0.0
Fallo total 0.05 100 1.0
Generador 3
Funcionamiento 0.95 0 0.0
Fallo total 0.05 50 1.0
01/02/2016 131
10 SIMULACIN EN OPTIMIZACIN LINEAL ESTOCSTICA BIETAPA
z2 = 200
25 225 150 875
+1.25 0.9025 + 0.0475 + 0.0475 + 0.0025
25 25 + 50 25 + 100 25 + 100 + 50
100 300 150 875
+5 0.9025 + 0.0475 + 0.0475 + 0.0025
100 100 + 50 25 + 100 25 + 100 + 50
50 300 225 875
+2.5 0.9025 + 0.0475 + 0.0475 + 0.0025
50 100 + 50 25 + 50 25 + 100 + 50
= 200 + 1.25 1.1145 + 5 1.067 + 2.5 1.1525
= 209.609375
La varianza de la poblacin original se calcula como:
var(z 2 ) = 0.857375 2002 + 0.045125 2502 + 0.045125 3002
+0.002375 5002 + 0.045125 2252 + 0.002375 4252
+0.002375 3502 + 0.000125 10752 - 209.6093752
= 983.0505371
Si ahora se aplica la ecuacin (9.22) la varianza de la distribucin ser la
misma
var(z 2 ) = (209.609375 200)2
252 2252 1502 8752
+1.25 0.9025
+ 0.0475 + 0.0475 + 0.0025
25 25 + 50 25 + 100 25 + 100 + 50
1002 3002 1502 8752
+5 0.9025 + 0.0475 + 0.0475 + 0.0025
100 100 + 50 25 + 100 25 + 100 + 50
502 3002 2252 8752
+2.5 0.9025 + 0.0475 + 0.0475 + 0.0025
50 100 + 50 25 + 50 25 + 100 + 50
= 983.0505371
La varianza de la nueva funcin ser:
132 01/02/2016
I OPTIMIZACIN ESTOCSTICA
2 2
25 225
var(z 2 ) = 1.252 0.9025 + 0.0475
25 25 + 50
2 2
150 875
+0.0475 + 0.0025
1.1145 2
25 + 100 25 + 100 + 50
2 2
100 300
+52 0.9025 + 0.0475
100 100 + 50
2 2
150 875 2
+0.0475 + 0.0025
1.067
25 + 100 25 + 100 + 50
2
50
2
300
+2.52 0.9025 + 0.0475
50 100 + 50
2 2
225 875
+0.0475 + 0.0025
1.1525 2
25 + 50 25 + 100 + 50
= 4.05365742
Esto es, con el muestreo por importancia se ha conseguido en este ejemplo
una reduccin de la varianza de dos rdenes de magnitud.
I.10.1.5 Muestreo estratificado
Los ejemplos clsicos de estratificacin aparecen en el diseo de encuestas. Se
supone que se desea efectuar una encuesta a la poblacin de una ciudad y hacer
un anlisis estadstico sobre las respuestas. El mtodo de Monte Carlo elegira
una persona cualesquiera de forma inversamente proporcional al nmero de
habitantes. El mtodo de estratificacin dividira la poblacin en estratos, por
ejemplo segn poblacin de los distritos, y repartira el nmero total de
encuestas de forma proporcional al tamao de cada estrato. En este caso, dicho
tamao se puede obtener con precisin a partir del censo. De esta manera se
reemplaza la variable aleatoria nmero de veces que dicho estrato se muestrea
por su valor esperado. Esto necesariamente reduce la varianza.
En la tcnica de muestreo estratificado se divide el espacio muestral en
estratos disjuntos. La idea intuitiva de esta tcnica es similar a la de muestreo
por importancia pero en versin discreta. Consiste en tomar ms muestras de la
variable aleatoria en los estratos de mayor inters. La varianza se reduce al
concentrar el esfuerzo de simulacin en los estratos ms relevantes.
Por ejemplo, en el caso de un modelo de explotacin que divide el alcance
del estudio en periodos de diferente duracin. El tamao del estrato se toma
proporcional al valor de la funcin objetivo (habitualmente costes variables de
explotacin) en cada periodo. Una aproximacin es hacerlo proporcional a la
01/02/2016 133
10 SIMULACIN EN OPTIMIZACIN LINEAL ESTOCSTICA BIETAPA
20
Esto presenta el inconveniente de atender nicamente a una funcin objetivo. Si hubiera
varias stas podran entrar en conflicto.
134 01/02/2016
I OPTIMIZACIN ESTOCSTICA
E
La primera es la de preparacin. En ella se resuelven 1 + i =1 (ei 1)
subproblemas para obtener el valor de la funcin objetivo en el caso base
ms los incrementos i (ei ) en cada coordenada. Con estos datos se evalan
las funciones de cuanta de importancia.
01/02/2016 135
I OPTIMIZACIN ESTOCSTICA
I.11 Referencias
Aardal, K. and Ari, A. On the Resemblance between the Kornai-Liptak and
Cross Decomposition Techniques for Block-Angular Linear Programs.
European Journal of Operational Research Vol 46, No 3, pp 393-398. June
1990.
Abrahamson, P.G. A Nested Decomposition Approach for Solving Staircase
Linear Programs Systems Optimization Laboratory. Department of
Operations Research. Stanford University. SOL 83-4. June 1983.
Alonso-Ayuso, A., E. Cerd, L. F. Escudero, R. Sala (eds.) (2004) Optimizacin
bajo incertidumbre Tirant lo Blanch. Valencia, Espaa.
Beale, E.M.L. On Minimizing a Convex Function Subject to Linear
Inequalities Journal of the Royal Statistical Society. Vol 17b, pp 173-184.
1955.
Benders, J.F. Partitioning Procedures for Solving Mixed-Variables
Programming Problems Numerische Mathematik. Vol 4, pp 238-252. 1962.
Birge, J.R. Solution Methods for Stochastic Dynamic Linear Programs
Systems Optimization Laboratory. Department of Operations Research.
Stanford University. SOL 80-29. December 1980.
Birge, J.R. Decomposition and Partitioning Methods for Multi-Stage
Stochastic Linear Programs Operations Research. Vol 33. pp 989-1007.
1985.
Birge, J.R. and Louveaux, F.V. A Multicut Algorithm for Two-Stage
Stochastic Linear Programs. European Journal of Operational Research.
Vol 34, No 3, pp 384-392. March 1988.
Birge, J.R. and Louveaux, F.V. Introduction to Stochastic Programming
Springer-Verlag. New York, USA. 1997.
Bratley, P., Fox, B.L. and Schrage, L.E. A Guide to Simulation. Second
Edition. Springer-Verlag. New York, USA. 1987.
Brooke, A., Kendrick, D., Meeraus, A. and Raman, R. (1998) GAMS A Users
Guide. GAMS Development Co.
Cerisola, S. and Ramos, A. Node Aggregation in Stochastic Nested Benders
Decomposition Applied to Hydrothermal Coordination 6th PMAPS.
September 2000.
Consigli, G. and Dempster, M.A.H. Solving Dynamic Portfolio Problems Using
Stochastic Programming (internal technical report).
01/02/2016 137
11 REFERENCIAS
138 01/02/2016
I OPTIMIZACIN ESTOCSTICA
01/02/2016 139
11 REFERENCIAS
Gill, P. E., Murray, W. and Wright, M.H. Numerical Linear Algebra and
Optimization. Addison Wesley, 1991.
Hilger, J., Harhalakis, G. and Proth, J.M. Generalized Cross-Decomposition
Method: Algorithm and Implementation Institut National de Recherche en
Informatique et en Automatique. Report 1055. July 1989.
Infanger, G. Monte Carlo (Importance) Sampling within a Benders
Decomposition Algorithm for Stochastic Linear Programs. Extended
Version: Including Results of Large-Scale Problems Systems Optimization
Laboratory. Department of Operations Research. Stanford University. SOL
91-6. March 1991.
Infanger, G. Planning Under Uncertainty: Solving Large-Scale Stochastic Linear
Programs Boyd Fraser. 1994.
Jacobs, J, Freeman, G., Grygier, J., Morton, D. P., Schultz, G., Staschus, K.
and Stedinger, J. SOCRATES: A System for Scheduling Hydroelectric
Generation under Uncertainty Annals of Operations Research. Vol 59, pp
99-133. 1995.
Kall, P. and Wallace, S.W. Stochastic Programming. Wiley, 1994.
Kim, S., Cho, S.-C. and Um, B.-S. A Simplified Cross Decomposition
Algorithm for Multiple Right Hand Choice Linear Programming Journal of
Operations Research Society of Japan. Vol 32, No 4, pp 441-449. December
1989.
Krishna, A. Enhanced Algorithms for Stochastic Programming. PhD Thesis.
Stanford University. September 1993.
Lasdon, L.S. Optimization Theory for Large Systems. The MacMillan Company.
New York, USA. 1970.
Law, A.M. and Kelton, W.D. Simulation Modeling and Analysis. Second Edition
McGraw-Hill. New York, USA. 1991.
Massachusetts Institute of Technology Electric Generation Expansion Analysis
System. Volume 1: Solution Techniques, Computing Methods, and Results.
Volume 2: Details of Solution Techniques, Data of Test Systems, and
Glossary of Terms Electric Power Research Institute. EPRI EL-2561.
August 1982.
Mathiesen, L. Pricing of Electricity in the Presence of Water Uncertainty
February 1992.
The MathWorks, Inc. MATLAB User's Guide. August 1992.
The MathWorks, Inc. Optimization Toolbox for Use with MATLAB User's
Guide. August 1992.
140 01/02/2016
I OPTIMIZACIN ESTOCSTICA
01/02/2016 141
11 REFERENCIAS
142 01/02/2016
I OPTIMIZACIN ESTOCSTICA
PROBLEMA 2
Demostrar que los cortes de Benders son siempre diferentes.
PROBLEMA 3
El mtodo de descomposicin de Benders aplicado a un problema es
precisamente el mtodo de descomposicin de DW aplicado a su problema dual.
PROBLEMA 4
Resolver el siguiente problema de optimizacin por el mtodo de DW y RL
partiendo del punto (0, 0, 0, 0) .
01/02/2016 143
12 BIBLIOTECA DE PROBLEMAS
x 1
x 2
min 2 1 3 1 x
( )
xi 3
x
4
x 1
1 1 1 1 x 2 6
1 2 1 x 3 4
x
4
1 1 x 1 6
1
x 2 2
1 1 x
3 3
1 1 x 4 5
xi 0
PROBLEMA 5
Deducir matemticamente los cortes de acotamiento para el mtodo de
descomposicin de RL cuando el maestro resulta no acotado.
PROBLEMA 6
Demostrar matemticamente que si en lugar de resolver el problema PL-2 en
su forma primal se resuelve su dual, con el mtodo de descomposicin Primal-
Dual resulta la siguiente simetra si t = j : el problema maestro del dual es el
dual del subproblema del primal y el subproblema del dual es el dual del
maestro del primal.
PROBLEMA 7
Programar en Matlab el mtodo de descomposicin Primal-Dual.
PROBLEMA 8
Formular un ejemplo de programacin lineal estocstica bietapa en
planificacin de sistemas de energa elctrica.
La planificacin de la expansin de la generacin cuando se considera la
demanda como un parmetro aleatorio. Las decisiones de inversin son las
decisiones de la primera etapa que han de tomarse a priori, sin conocer el
futuro. Las decisiones de la segunda etapa son las de operacin del sistema, que
se toman una vez conocido el valor del parmetro aleatorio (la demanda de
144 01/02/2016
I OPTIMIZACIN ESTOCSTICA
PROBLEMA 9
Definir qu condicin deben cumplir los incrementos en cada coordenada con
respecto al caso base.
PROBLEMA 10
Comprobar el resultado eligiendo como caso base el estado con todos los
grupos indisponibles.
PROBLEMA 11
Partiendo de la informacin sobre el universo de estados de un sistema
implantar el mtodo de Monte Carlo y las tcnicas de reduccin de varianza.
01/02/2016 145
I OPTIMIZACIN ESTOCSTICA
01/02/2016 147