Marco Teórico

Introducción
Un problema de optimización también se conoce como un problema de programación matemática
o problema de minimización.

En el caso más simple, un problema de optimización consiste en maximizar o minimizar una función
real eligiendo sistemáticamente valores de entrada (tomados de un conjunto permitido) y
computando el valor de la función.

En un problema típico en ingeniería se tiene un proceso que puede ser representado por un modelo
matemático. Usted también tiene un criterio de desempeño tales como el costo mínimo. El objetivo
de la optimización es encontrar los valores de las variables del proceso que producen el mejor valor
del criterio de desempeño.

Formulación del modelo

Incluye un análisis conceptual básico en el cual es necesario hacer suposiciones y simplificaciones.
La formulación requiere que el constructor del modelo seleccione o aísle del ambiente total aquellos
aspectos de la realidad que son pertinentes para la situación en cuestión. Las situaciones
administrativas implican decisiones y objetivos, los cuales deben ser identificados y definidos de
modo explícito. Puede haber varias formas de definir las variables de decisión, y tal vez al principio
no se encuentre la definición más apropiada. También los objetivos pueden resultar poco claros.

Tipos de modelos
Modelo físico

 Tangible, Comprensión: fácil; Duplicación y posibilidad de compartirlo: difícil; Modificación

y manipulación: difícil; Alcance de utilización: la más baja.

Modelo análogo

 Intangible, Comprensión: más difícil; Duplicación y posibilidad de compartirlo: más fácil;

Modificación y manipulación: más fácil; Alcance de su utilización: más amplio.

Modelo simbólico

 Intangible, Comprensión: la más difícil; Duplicación y posibilidad de compartirlo: las más

fáciles; Modificación y manipulación: las más fáciles; Alcance de su utilización: el más
amplio.
Optimización y modelo
Problemas de Optimización: son problemas de asignación óptima de recursos limitados, para
cumplir un objetivo dado que representa la meta del decisor. Los recursos pueden corresponder
personas, materiales, dinero, etc. Entre todas las asignaciones de recursos admisibles, se quiere
encontrar la/s que maximiza/n o minimiza/n alguna cantidad numérica tal como ganancias o costos,
etc.

Modelo de Optimización Matemática: es una representación matemática de una cierta “realidad” y

consiste en una función objetivo y un conjunto de restricciones en la forma de un sistema de
ecuaciones o inecuaciones.

Optimización y Modelado
Aplicaciones: Los problemas de optimización son muy comunes en el modelado matemático de
sistemas reales en un amplio rango de aplicaciones: economía, finanzas, química, astronomía, física,
medicina, computación, ...

Proceso de optimización y modelado: requiere de varios pasos: descripción del problema,

elaboración de un modelo y emisión de una solución, interpretación, control e implementación de
la solución. Actualización si hay cambio de parámetros o de la estructura misma del problema.

Criterios de rendimientos tópicos

 Máximo beneficio
 Costo mínimo
 El mínimo esfuerzo
 Error mínimo
 Mínimo desperdicio
 Rendimiento máximo
 Mejor calidad del producto

Metodos de resolución
La clasificación de los métodos de resolución de problemas de optimización se puede organizar de
la siguiente forma:

 Resolución mediante cálculo: Se utiliza el cálculo de derivadas para determinar para qué
valores del dominio la función presenta un máximo o un mínimo. Son métodos de
optimización muy robustos, pero no se ajustan a las restricciones continuidad y tienen
demasiadas variables como para que su tratamiento pueda ser eficiente.

 Resolución mediante técnicas de búsquedas:

En las técnicas de búsqueda podemos encontrar un gran abanico, desde prueba y error
hasta programación matemática. En forma genérica, consisten en el siguiente algoritmo:
 1. Hacer Mejor Solución = Solución Actual
2. Buscar n soluciones cercanas a la Solución Actual
3. Para cada una de las n soluciones cercanas hacer

 Resolución mediante técnicas de convergencia de soluciones: Son técnicas

metaheurísticas (resultados aproximadamente óptimos). Se basan en generar una gran
cantidad de soluciones, a partir de ellas, generar un nuevo conjunto de soluciones a analizar,
repitiendo el proceso hasta que las soluciones generadas converjan en una (o sea, hasta la
iteración en la cual todas las soluciones generadas tengan un valor de función objetivo muy
parecido). Entre las técnicas más conocidas de este grupo, tenemos a todas las versiones de
"Algoritmos Genéticos “.

Optimización convexa
La Optimización Convexa es una rama de las técnicas de Optimización que trata sobre técnicas de
minimización de funciones convexas sobre un dominio también convexo.

El manejo de las funciones objetivo convexas resulta cómodo en el contexto de la minimización. La

convexidad del conjunto de restricciones dota al modelo de otras propiedades matemáticas
atractivas. Una característica muy importante de los modelos de programación cóncavos (o
convexos) es que para ese tipo de problemas, cualquier punto óptimo restringido local es también
un óptimo restringido global.

Características fundamentales
Cada problema de optimización contiene tres categorías esenciales.

1. Al menos una función objetivo a ser optimizada

2. Restricciones de igualdad

3. Restricciones de desigualdad

Descripción matemática
Maximice

 f(x) Función Objetivo

Sujeto a

 h(x) = 0 Restricción de igualdad

 g(x) ≥ 0 Restricción de desigualdad

Donde

 x ∈ ℜn es un vector de n variables

como

 (x0,x1,x2,..xn)
 h(x) es un vector de igualdades de dimensión m1.
 g(x) es un vector de desigualdades de dimensión m2.
Solución Factible
 Por una solución factible nos referimos a un conjunto de variables que satisfagan las
categorías 2 y 3 (Restricciones de igualdad Restricciones de desigualdad).
 La región de soluciones factibles se llama la región factible.

Solución factible grafica

Solución optima
Una solución óptima es un conjunto de valores de las variables que se contienen en la región
factible y también proporcionan el mejor valor de la función objetivo en la categoría 1.

Pasos para optimizar

Analizar el proceso con el fin de hacer una lista de todas las variables.

 Determinar el criterio de optimización y especificar la función objetivo.

 Desarrollar el modelo matemático del proceso para definir las restricciones de igualdad y
desigualdad. Identificar las variables dependientes e independientes.
 Si la formulación del problema es demasiado grande o compleja simplificarlo si es posible.
 Aplicar una técnica de optimización adecuado.
 Compruebe el resultado y examinarlo de sensibilidad a los cambios en los parámetros del
modelo y las hipótesis.
Tipos de optimización f(x)
Los problemas de optimización se pueden dividir en tipos según las propiedades de la función
objetivo f(x) como:

 Sola variable o multivariable

 Lineal o no lineal
 Suma de cuadrados
 Cuadrático
 Lisa o no lisa

Optimizacion estática
Algunos ejemplos de optimización estática son los siguientes:

 Diseño de la planta (el tamaño y el diseño) .

 Operación (mejores condiciones de funcionamiento de estado estacionario ) .
 Estimación de parámetros ( ajuste del modelo ) .
 Asignación de recursos.
 Elección de los parámetros del controlador (por ejemplo, las ganancias , constantes de
tiempo ) para reducir al mínimo el índice de rendimiento dado ( por ejemplo, el exceso, el
tiempo de establecimiento , integrante del error al cuadrado) .

Optimización dinámica
Algunos ejemplos de optimización dinámica son los siguientes:

 Determinación de una señal de control u(t) para transferir un sistema dinámico de un

estado inicial a un estado final deseado y así satisfacer un índice de rendimiento dado.
 Puesta en marcha y/o apagado de una planta.
 Problemas de tiempo mínimos

Optimalidad
Consideremos primero el caso con dos variables de decisión, x1 y x2. Así, consideramos una
función f(x1,x2).

Para el caso de dos variables de decisión (variables independientes) se usan las derivadas parciales
del cálculo para describir óptimos locales o globales.

Usaremos la notación fx1 para la primera derivada parcial, para la segunda derivada parcial fx2.
Cualquier punto (por ejemplo, los valores de x1 y x2) en el que todas las primeras derivadas
parciales se anulen se conoce como punto estacionario. Tenemos la siguiente condición necesaria
para la optimalidad.

Condición de optimalidad
Tenemos la siguiente condición necesaria para la optimalidad.
  En un punto máximo o mínimo local, ambas derivadas parciales deben ser iguales a cero
(esto es, fx1=fx2=0 ). Es decir, un punto máximo local o un punto mínimo local siempre es
un punto estacionario.

Sin embargo, no todos los puntos estacionarios proporcionan máximos y mínimos.

Optimalidad 1er y 2do orden

Al igual que las funciones de una sola variable, se puede aplicar una prueba de primer orden
(primera derivada) y de segundo orden (segunda derivada) para localizar óptimos locales sin
restricciones para funciones con más de una variable.

Estas pruebas se conocen como condiciones de optimalidad de primer orden y condiciones de

optimalidad de segundo orden. Tome nota de que las condiciones de primer orden son necesarias,
mientras que las condiciones de segundo orden son suficientes. (Las condiciones de segundo
orden incluyen a las de primer orden, es decir suponen que es un punto estacionario).

Máximos y Mínimos
Una función f tiene un máximo absoluto (o máximo global) en c si f(c) ≥ f(x) para toda x en D
donde D es el dominio de f. El número f(c) se llama valor máximo de f en D.

De manera análoga, f tiene un mínimo absoluto en c si f(c) ≤ f(x) para toda x en D; el número f(c)
se denomina valor mínimo de f en D. Los valores máximo y mínimo de f se conocen como valores
extremos de f.