Documentos de Académico
Documentos de Profesional
Documentos de Cultura
FORMULA
Esta cantidad de moléculas potenciales explota combinatoriamente. Por ejemplo, con K =40
grupos, el número total de las moléculas posibles son 12,300 para N=3, y se convierten en
9,366,778 para N=6 y 2,054,455,593 para N=9. Hacer frente a esta complejidad combinatoria
presenta un gran desafío conceptual en el diseño molecular asistido por computadora y requiere
el desarrollo de algoritmos inteligentes que seleccionen el diseño molecular óptimo, evitando al
mismo tiempo la enumeración explícita de todos los diseños candidatos. Además del aspecto
combinatorio del problema, la naturaleza de las técnicas actuales de estimación de la propiedad
también hace difícil el desarrollo de técnicas informáticas para el diseño molecular. Existen
varias fórmulas para estimar las propiedades térmicas, mecánicas y otras propiedades físicas de
los compuestos ( cf. Reid, et al. 1987; Horvath 1992) Los métodos de predicción de propiedades
son típicamente funciones no lineales de grupo atómico composiciones. Estas no linealidades
llevan a múltiples óptimos locales que pueden atrapar las técnicas de búsqueda convencionales
en partes subóptimas del espacio de búsqueda. Como resultado, si se utilizan métodos de
optimización estándar para calificar los nuevos compuestos potenciales, uno se enfrenta a la
dificultad local múltiple óptima. Motivado por la discusión anterior, preguntamos:
! ¿Es posible desarrollar técnicas eficientes para la búsqueda global, espacial astronómicamente
grande de diseños moleculares de combinatoria sin enumerar explícitamente todos los posibles
diseños?
! ¿Cómo se debe tratar con las no linealidades y locales trampas óptimas que son inherentes en
las técnicas de predicción de propiedades?
Las principales contribuciones de este artículo son dos: (a) Desarrollo de un modelo de
programación matemática no lineal de enteros mixtos no convexos que incluye nuevas
restricciones de viabilidad estructural y captura la complejidad del modelo propuesto por Joback
y Stephanopoulos 1990, 1995,
y (b) el desarrollo de un algoritmo de optimización que tiene éxito en buscar no solo una
solución óptima a nivel mundial, sino que todas las soluciones que son viables para este modelo
complejo. Encontrando todo las soluciones factibles facilitan la comparación sistemática de
objetivos a menudo competitivos, incluidos los económicos y ambientales. A continuación se
proporciona una declaración formal del problema, seguida de una revisión del estado actual de
la técnica en el campo. Luego, se desarrolla la formulación de optimización. Finalmente, se
describe el algoritmo de optimización global y computacional se presentan los resultados.
Cualitativamente, el problema general que nos gustaría abordar se puede plantear simplemente
como: "Elija las partes constituyentes de una molécula de una manera que satisface las
restricciones químicas y optimiza los objetivos económicos y medioambientales ". Para derivar
una abstracción matemática del problema, una puede ver la molécula como una colección de
átomos o grupos submoleculares que están interconectados de una manera que satisface la
química conectividad y restricciones de propiedad. El problema puede ser enunciado en la
siguiente forma general de un modelo de optimización.
FORMULA
En este modelo, “n” es un vector de variables enteras que se utilizan aquí para el modelado de
decisiones discretas. En particular, “nj” denota el número de ocurrencias del tipo “j” de átomo
(o grupo submolecular) en el compuesto sintetizado. Las variables continuas “x” se utilizan para
modelar termodinámica u otras propiedades (capacidad calorífica, entalpía de vaporización,
viscosidad, y así sucesivamente). Esta es la composición atómica del grupo “n” que dicta
propiedades “x” a través de relaciones capturadas en el conjunto de restricciones “g( x, n)< o
=0”. Adicionalmente Variables continuas podría utilizarse para modelar las condiciones
operativas del proceso en el que se utilizará la molécula sintetizada. Esta permitiría el diseño
simultáneo de productos y procesos. Finalmente, el objetivo de diseño “f (función f)” también
se expresa en términos de la variables discretas y continuas.
La formulación podrá incorporar requisitos ambientales explícitos como “g (x, n) <o =0” pueden
incluir restricciones tales como límites en el potencial de agotamiento de la capa de ozono y
potencial de calentamiento global (para las definiciones de estos términos y discusión
relacionada ver Wuebbles 1981 y Wuebbles y Edmonds 1991),
Al mismo tiempo, la función objetivo “f” puede optimizar los objetivos de ingeniería
tradicionales, como el costo, la ganancia o la energía. Utilizar. Los objetivos medioambientales
también pueden optimizarse.
TABLA
1994, Kuijpers 1994, Nagengast 1995, Smithart 1995,. Ž. Ž. Ž. Thornton 1995, y Calm y Didion
1998. Aquí, rezamos. Ž. Ver solo trabajos que abordan el problema desde un ángulo teórico,
estrechamente relacionado con nuestro trabajo. Gani y sus compañeros de trabajo Brignole et
al., 1986; Gani y otros, Ž 1991; Gani y Fredenslund, 1993; Constantinou y Gani, 1994;
Constantinou et al., 1996; Pretel et al., 1994
Propuso un método de contribución grupal para el diseño molecular. Su aproximación comienza
por la preselección de grupos estructurales. Posteriormente genera grandes cantidades de
combinaciones de los grupos preseleccionados. Las propiedades de las moléculas generadas son
predichas utilizando métodos de contribución grupal. Mientras estas obras se basan
principalmente en métodos de enumeración explícita para explorar el espacio de los diseños
combinatorios, varios enfoques han abordado el desarrollo de búsquedas de técnicas eficientes.
supera la dificultad local múltiple optima. A través del uso inteligente de las técnicas aritméticas
de intervalo para construir límites en las propiedades de las "moléculas agregadas" que son
equivalentes a la construcción de relajaciones en el contexto de la búsqueda de enlace y
derivación. Las relajaciones del intervalo son más débil que los límites de programación
matemática y, en general, requieren un esfuerzo computacional significativo. Para superar esta
dificultad, Joback y Stephanopoulos 1990, 1995, se desarrolló una técnica de búsqueda
heurística interactiva. Para el diseño de polímeros, Vaidyanathan y El-Halwagi 1996 Ž. Propuso
el uso de técnicas aritméticas de intervalo para resolver un Formulación no lineal de enteros
mixtos. Por el mismo problema, Maranas 1996 ha demostrado que la formulación puede ser
lineal. Adaptado a ciertas funciones de predicción de propiedades fraccionales.
Reconociendo las limitaciones de los métodos de optimización estándar, los trabajos recientes
también han propuesto el uso de técnicas de búsqueda estocástica (Venkatasubramanian et al.,
Ž 1994, 1995, 1996; Devillers y Putavy, 1996; Ourique y Telles, 1998; Marcoulaki y Kokossis,
2000a, b. ) los enfoques muestrean el espacio de búsqueda de maneras que aumentan la
probabilidad de ubicar buenas soluciones. Enfoques recientes y aplicaciones del diseño
molecular ha incluido el diseño de agentes separadores de masa para la minimización del
impacto ambiental (Pistikopoulos y Stefanis, 1998), optimización con propiedades
correlacionadas con Índices topológicos ( Raman y Maranas, 1998; Camarda y Ž
Maranas, 1999; Siddhaye et al., 2000), el diseño de fibra reforzada. Productos compuestos de
polímeros reforzados (Vaidyanathan et al., 1998), diseño de solvente benigno (Sinha, et al.,
1999), y un Enfoque combinatorial basado en grupo lineal (o linealizado) Técnicas de
contribución para generar moléculas candidatas. (Friedler, et al., 1998). Una reciente colección
de obras diseño molecular asistido por computadora se proporciona en Achenie, et al.
2002 .
Los enfoques anteriores representan contribuciones importantes para el diseño molecular
automatizado. Problemas que aún deben ser resuelto incluyen los siguientes:
(2) Todos los métodos requieren la preselección de los grupos estructurales; . no se conoce
ninguna justificación teórica para limitar la Número y tipo de grupos potenciales en la molécula.
(3) La clasificación de compuestos sintetizados requiere elegir un función objetiva. Sin embargo,
no se entiende bien lo que una función objetiva apropiada es. Utilización de enfoques actuales
principalmente objetivos termodinámicos con la esperanza de que las moléculas diseñadas
posean índices de rendimiento que sean similares a las de los compuestos existentes. Sin
embargo, esto ignora preocupaciones ambientales.
(4) A pesar de las propiedades físicas y mecánicas de los nuevos compuestos Se pueden
predecir, consideraciones ambientales tales como: inflamabilidad, toxicidad, reactividad con la
capa de ozono, y, en general, cualquier problema de reactividad es mucho más difícil de
predecir. El estado actual de la técnica en el modelado de tales problemas les impiden ser
incluidos en formulaciones matemáticas.
Formulación de optimización
Los intentos anteriores de este problema difieren en los preseleccionados Grupos que están
permitidos en el diseño, las técnicas predicción de propiedades utilizadas, y la metodología
empleada en la búsqueda para nuevos compuestos.
Nuestro objetivo es desarrollar un enfoque que pueda manejar un gran número de grupos
preseleccionados, mientras que superar con éxito el problema de búsqueda combinatoria y
trampas optimas locales. Aunque nuestro enfoque es bastante general, para ilustrar claramente
sus características más destacadas, lo detallamos en el contexto de un estudio de caso que fue
planteado inicialmente por Joback y Stephanopoulos (1990) y dirigido por muchos otros en (
Gani et al., 1991; Pretel et al., 1994; Churi y Ž Achenie, 1996; Duvedi, 1997a, b; y Achenie, 1996;
Venkatasubramanian et al., 1995; Marcoulaki y Kokossis, 1998; Ourique y Telles, 1998)
La parte de nuestro modelo que trata de las propiedades físicas es idéntica a la de Joback y
Stephanopoulos (1990). En orden para modelar las restricciones estructurales de estos autores,
introduciremos variables enteras y 0- 1 para que se puedan desarrollar límites de programación
matemática para el modelo.
Los grupos particulares considerados se muestran en la Tabla 2. En esta tabla, se utiliza '' r '' para
denotar bonos que formarán parte de una solo anillo Consideramos un total de N=44 grupos. En
el desarrollo del modelo, los índices “i” y “j” se utilizarán para denotar grupos (i, j=1,. . . , N). La
formulación busca determinar , el número de grupos de tipo “i” que se incluirán en la
sincronización compuesto de este tamaño. Otras variables serán definidas en una según sea
necesario. Se proporciona una lista completa de variables y parámetros en la sección de
notación.
Las ecuaciones 1 a 4 reflejan un método de contribución grupal. Gracias a Joback y Reid 1987
para calcular el tiempo de ebullición. Temperatura (T)., temperatura crítica (Tc)., presión crítica
(Pc), y la capacidad de calor ideal del gas a temperatura promedio (C p0a) respectivamente, del
compuesto recién sintetizado. Estas propiedades térmicas se utilizarán para derivar otras
propiedades térmicas en la secuela.
ECUACIONES DE SUMATORIA
Además de “ni”, “Tb” es la única otra variable que aparece en el lado derecho de las ecuaciones.
1 - 4. Recordemos que “Tmedia” es un valor dado constante. Todos los demás parámetros en
estas ecuaciones son constantes cuyos valores están tomados de Joback y Reid (1987).
Usando las propiedades anteriores y las temperaturas de operación dadas del ciclo, las
ecuaciones. 5, 6, 7 y 8 calculan la temperatura de ebullición reducida (Tbr), La temperatura
promedio reducida (Tmediar), la temperatura de condensación reducida (Tcondr) y la
temperatura de evaporación reducida (Tevapr), respectivamente
ECUACIONES
ECUACION Y TABLA
ECUACIONES
El método de contribución grupal de Joback y Reid (1987). Se utiliza para estimar la entalpía de
vaporización a la temperatura de ebullición (deltaHvb) que se emplea posteriormente en el
método del hijo de (Watson, 1943) para estimar la entalpía de vaporización (deltaHvc) a
temperatura de evaporación.
ECUACION
GRAFICO DE FLECHAS
Las relaciones de estimación de propiedades físicas se resumen en la Figura 2. Aquí, Tb, Tc, Pc,
Cp0a y deltaHvb son las propiedades físicas primarias cuyos valores se obtienen de métodos de
contribución grupal en función de la estructura molecular de “n”. Los valores de las propiedades
físicas primarias se utilizan para determinar otras propiedades físicas de interés como Cpla,
deltaHve, Pvpe, y Pvpe.
Restricciones estructurales
(1) La primera restricción estructural requiere que al menos dos grupos estarán presentes en la
molécula.
UNA sola ecuación de sumatoria
(2) Si son grupos con enlaces acíclicos y grupos con cíclicos se deben combinar en una molécula,
debe existir grupos con ambos tipos de enlaces.
ECUACION DE SUMA
donde B es el conjunto de grupos que tienen un número impar de libre enlaces y Z es una
variable entera no negativa. Para diferentes valores enteros de Zb, esta ecuación fuerza el
número de Grupos que tienen un número impar de enlaces libres para ser un número entero
múltiplo de dos.
(6) El número de enlaces (mitad del número del grupo de enlaces disponibles) deben ser al
menos iguales al número de Grupos menos uno
ECUACION
(7)
ECUACION
(8) En ausencia de anillos, si existen grupos con enlaces acíclicos simples, pero no dobles enlaces
y otros grupos con dobles enlaces acíclicos pero no enlaces simples, entonces deben existir
grupos de transición que contienen tanto enlaces acíclico simple como un dobles enlaces
acíclicos. Adicionalmente deben existir grupos con ambos, enlaces simples acíclicos y enlaces
triples, si los grupos con un solo enlace simple acíclico pero no se seleccionan enlaces triples
junto con grupos con triple Pero no hay enlaces únicos. Estos requisitos se pueden declarar como
sigue
con el requisito adicional de que la ec. 12 se debe hacer cumplir solo en ausencia de anillos.
Ambas restricciones son de la forma: ‘’ La condición x se debe cumplir si las condiciones y y z se
cumplen. ’’ Para modelar la ecuación. 12, comenzamos definiendo las variables binarias Ysd,
Ysdy e Ysdz, donde
ECUACIONES
ECUACIONES hasta la 17
donde I SDI, IS/DI y ID/SI son las cardinalidades de SD, S/D, y D/S, respectivamente.
Restricciones 14 - 16 forzar las variables Ysdx, Ysd y Ysdz a un valor de uno cuando se cumple la
condición correspondiente. Restricción 17 impone el requisito lógico de que YSDz=1 si YSDy=
YSDz =1 y Yr = 0. El modelado de la ecuacion. 13, del mismo modo, requiere la introducción de
un triplete de variables binarias (Ystx, Ysty, Ystz). a lo largo con un conjunto de restricciones
análogas a las ecs. 14 # 17 arriba, aunque la Yr binaria no debe usarse en este caso.
(9) Si una colección de grupos contiene grupos mixtos, entonces. El número de grupos acíclicos
con un solo enlace simple no puede ser más que el número de enlaces libres de todos los otros
grupos
ECUACIONES
ECUACIONES
(10) La siguiente relación debe ser impuesta Entre el número de grupos con uno, tres y cuatro
enlaces. Para moléculas acíclicas puras.
ECUACIONES
ECUACIONES
Donde
ECUACIONES
(11) El número de tipos de enlaces disponibles individualmente (acíclicos,. Cíclico simple, doble
acíclico, doble cíclico y triple acíclico). debe ser par
donde Zs, Zsr, Zd, Zdr y Zt son enteros no negativos variables efectivamente contando el número
de single acíclico, Cíclico simple, doble acíclico, doble cíclico y triple acíclico uniones en el
compuesto diseñado.
ECUACION
Donde
ECUACION
Preferimos no usar la última restricción, sin embargo, ya que no permite más de dos ciclos. La
segunda restricción utilizada en Odele y Macchietto 1993 requiere que dos grupos adyacentes
no estén vinculados por más de un enlace.
ECUACION DE SUMATORIA
Restricciones entre los grupos de enlace único y superior en ausencia de anillos. Para hacer
cumplir el requisito obvio de que dos enlaces acíclicos del mismo grupo no pueden estar
conectado, un conjunto adicional de restricciones debe ser añadido a los conjuntos de
restricciones estructurales anteriores.
Primero definimos un "grupo unificado" para ser un grupo con un solo enlace acíclico (single,
doble, triple). Del mismo modo, un grupo que tiene más de un enlace acíclico se denominará
"enlace superior" grupo ''. Está claro que un grupo unificado debe estar conectado a un grupo
unido más alto o a otro grupo unido. Claramente, el número de grupos unidos a los grupos más
altos no pueden exceder el número de libres enlaces de grupos de orden superior
ECUACIONES DE SUMATORIA
donde O y H, respectivamente, denotan los conjuntos de un enlace y grupos con enlaces más
altos, mientras que S H, D H y T H denotan Los enlaces simples, dobles y triples acíclicos
disponibles del grupo de alta vinculación. El modelado de las ecs. 24 - 26 requiere la introducción
de una variable binaria para monitorear el selección de grupos de alta unión
ECUACIONES DE SUMATORIA
donde I SDI, I S/DI y I D/S I son las cardinalidades de S D, S/D, y D/S, respectivamente. Restricción
27 impone la definición de la variable YH, mientras que las restricciones 28- 30 hacen cumplir
Condiciones 24 -26.
Cuando un grupo de un enlace está conectado a otro grupo unido, los dos grupos de un solo
enlace simplemente formarán una molécula incluso en presencia de grupos adicionales. Esta
situación se puede evitar a través de la siguiente relación entre el número de grupos con vínculos
superiores y su unión libre dejados después de estar conectados a los de un solo enlace grupos
ECUACION
La última restricción es aplicable solo si no hay anillos. Por lo tanto, debe incluirse en la
formulación del problema como
ECUACION
Tenga en cuenta que la última restricción elimina la combinación de grupos: 1 (>CH -)3(=O) y 1(=
N -), Que es factible para las restricciones estructurales de J -S y O -M.
Clique Restricciones para Anillos. Cualquier dos grupos pueden ser unido a través de un enlace
simple- un enlace de anillo o un acíclico enlace. Sea “nr” el número de grupos moleculares que
tienen R anillos de unión. Luego, el número de enlaces de anillo en el diseño final se limita desde
arriba por nr(nr - 1)/2. Si el número de enlaces en anillo es igual a este límite superior, entonces
todos los anillos enlazados a los grupos forman una camarilla y, por lo tanto, no pueden
compartir un enlace acíclico. De manera más general, la restricción que nos gustaría imponer es
que el número total de enlaces que implican grupos de anillo no puede exceder el número de
enlaces en el caso de una camarilla, es decir por nr(nr - 1)/2 Se define
donde ZSR y ZDR se usan en las ecuaciones. 20 y 22 y define el número de enlaces de anillo
simple y doble. Claramente, la suma de enlaces de anillo simple y doble no puede exceder el
máximo posible número de enlaces, que está dado por el lado derecho de la ec. 32. En el caso
de una camarilla, el lado derecho debe ser reducido por al menos uno.
También notamos que, si Yrclique =1, el número de enlaces acíclicos en los grupos acíclicos
deben ser mayores que o igual al número de enlaces acíclicos en los grupos anulares. Esta
requisito puede ser aplicado a través de la siguiente restricción
ECUACION
Esta última restricción eliminará la combinación de grupos: 3 (>CH-) y 1( - F), que es factible para
todas las estructuras anteriores-.
El concepto utilizado para derivar la ec. 33 se puede extender a la caso de dobles enlaces
acíclicos
ECUACION
Este estudio de caso requiere que la entalpía del nuevo refrigerante de vaporización en Teva sea
mayor o igual que la de R12 (18.4 KJ/ g –mol).
ECUACION DELTA H
La motivación detrás de la restricción anterior es que una mayor 'H reduce la cantidad de
refrigerante requerido. Además, una capacidad de calor líquido más pequeña Cpla reduce la
cantidad de Vapor generado en la válvula de expansión. Por esta razón, el estudio de caso
requiere que la capacidad de calor líquido del nuevo refrigerante en Tavg sea menor o igual a la
de R12 (32.2 cal/gymol- K).
ECUACION CPLA
Requerimos que la nueva presión de vapor del refrigerante en Tevp ser mayor o igual a 1.4 bar
ECUACION
La restricción anterior se requiere como la presión más baja en el ciclo de refrigeración debe ser
mayor que la presión atmosférica. (1.1 bar) para reducir la posibilidad de fugas de aire y
humedad. en el sistema.
La ecuación 37 requiere que la presión de vapor del nuevo refrigerante en Tcnd sea inferior a 14
bar. Esto es porque una elevada presión del sistema aumenta el tamaño, el peso y el costo del
equipo. Una relación de presión de 10 se considera el máximo permitido para un ciclo de
refrigeración.
(favor buscar restricciones respecto a los equipo de refrigeración y el uso de sus refrigerantes)
nota para el lector
ECUACIONES SIMULTANEAS DE C y Y
Tenga en cuenta que los límites en la mayoría de las variables continuas y enteras del problema
se puede inferir a través de aritmética de intervalo Operaciones utilizando los límites en las ecs.
34 - 37, los requisitos de no negatividad y las restricciones de problemas. La tabla 3 muestra
Límites en todas las variables continuas y enteras que fueron utilizadas en todos los cálculos.
Como se ve, límites bastante generosos en todos. Se utilizaron variables problemáticas. Por
ejemplo, se permiten hasta 15 ocurrencias de cada grupo estructural en el diseño final.
Función objetiva
Como se explicó anteriormente, alta entalpía de vaporización y baja capacidad de calor líquido
es deseable en cuanto a la eficiencia de
TABLA
El ciclo de refrigeración se refiere. El objetivo de diseño para este estudio de caso es encontrar
un refrigerante al menos tan eficiente como R12, es decir, un refrigerante con un mayor calor
de vaporización, deltaH y una menor capacidad de calor líquido Cpla, que la de R12. Estos dos
objetivos se combinan en el de maximizar su relación.
(1) La función objetivo en la ec. 38 fue elegido en consistencia con los artículos anteriores que
estudiaron el mismo problema. Debería ser obvio que muchas otras funciones objetivas son
posible y podría ser más significativo. Por ejemplo, uno podría utilizar una expresión para el
coeficiente de rendimiento de el ciclo de refrigeración, o una medida del agotamiento de la capa
de ozono. Potencial del refrigerante, o una combinación objetivos económicos y ambientales.
(2) La formulación resultante es una optimización de enteros mixtos. Modelo de actuación con
múltiples óptimos locales debido a la presencia de Las fórmulas de estimación de propiedades
altamente no lineales.
(3) Al considerar 44 grupos candidatos y permitir hasta. 15 miembros de cada grupo estarán
presentes en la solución final, el número total de diseños combinatorios supera los 1085. de
estos se harán inviables por las restricciones del modelo.
(5) Para este estudio de caso, el modelo incluye 52 enteros, 14 Binario (0 -1) variables, 21
variables continuas y 92 restricciones, esto incluye el (J –S) y un subconjunto de las restricciones
de viabilidad estructural (O – M) .
Desde un punto de vista algorítmico, desagregar esto y restricciones similares son beneficiosas,
ya que por lo general conduce a una mayor relajaciones Esta desagregación se utilizó en nuestros
cálculos y aumentó el número de restricciones de problemas a 236.
En la descripción del algoritmo, usamos P para denotar el Modelo de MINLP a resolver sobre el
conjunto X de variables mostrado en la Tabla 3. Sea Pk el problema P definido sobre (Xk X). el
siguiente algoritmo integra la programación de restricciones con herramientas de programación
matemática para resolver P.
Paso de inicialización. Establecer los límites superior e inferior de la árbol de búsqueda UB§q &
y LB§y &. Pon el problema P en L, la lista de problemas "activos" por resolver. Establecer ks1 y
comenzar
iteración.
Paso 3. Delimitación: límite inferior y superior p. Actualiza el k Los límites inferior y superior del
árbol de búsqueda y eliminar los nodos inferiores. Si se elimina el nodo actual, vaya al Paso 1.
De lo contrario, vaya al Paso 4.
Paso 5. Bifurcación: elige una variable en la cual bifurcar. Divida el rango de la variable en algún
punto para crear los subdominios Xk k kk y X, y agregue dos subproblemas P y P 1 2 1 a A.
Establezca k§kq1 y vaya al paso 1.
Tomamos nota de que el algoritmo anterior se aplica a la solución de una clase general de
modelos de MINLP. Por lo tanto, podría ser utilizado para resuelva una variedad de problemas
de diseño molecular que se modelan como MINLP, incluidos aquellos que utilizan métodos de
contribución grupal que requieren información sobre los vecinos más cercanos y la conectividad
de toda la molécula. Achenie et Ž Alabama. 2002. Ž . Consulte a Ryoo y Sahinidis 1995, 1996,
Ghildyal y Ž. Sahinidis 2001, Shectman y Sahinidis 1998,
Malani y Sahinidis 1999, 2002b, para detalles algorítmicos; Ž. y Dorneich y Sahinidis 1995, Liu et
al. 1996, Sahini- Ž. Ž. dis y Tawarmalani 2000, y Tawarmalani y Sahinidis Ž. Ž2002b para otras
aplicaciones de este algoritmo. En estos .Trabajos, brindamos discusiones detalladas sobre la
construcción de relajaciones adecuadas, reglas de bifurcación convergentes y reglas de
reducción de rango basadas en la viabilidad y la optimización para el global optimización de
programas no lineales de enteros mixtos. Detallamos aquí sólo dos pasos específicos del
problema.
La figura 2 deja claro que, para valores dados del entero variables de la formulación, un cálculo
adelantado a través de. Las restricciones de problemas apropiadas hacen posible calcular todas
las propiedades físicas involucradas y, por lo tanto, probar la factibilidad del punto entero dado.
Por lo tanto, en lugar de confiar en búsquedas locales que requieren mucho tiempo para
identificar soluciones factibles, en cada nodo del árbol de ramificación y reducción,
redondeamos el solución de relajación y utilice un solo paso a través del conjunto de
restricciones adecuadamente ordenadas para evaluar las propiedades físicas y comprobar la
viabilidad de la solución redondeada.
Las soluciones mejoradas se utilizan para actualizar el titular. Observamos que el mismo
ordenamiento de restricciones e intervalo. Las operaciones aritméticas se pueden utilizar para
inferir límites en el variables de problemas continuos una vez que el algoritmo de bifurcación y
reducción ha reducido los rangos de algunas de las variables enteras. Esto conduce a un
mecanismo muy eficiente para colapsar. Límites variables a medida que la búsqueda progresa
más profundamente en el árbol.
N1=
Una vez que el problema se resuelve en términos de variables binarias, es directamente excluir
una combinación binaria y k mediante la introducción del conocido corte lineal de enteros.
ECUACION DE SUMATORIA
SUMATORIA
Varias soluciones de la formulación de optimización pueden entonces ser se obtiene resolviendo
una serie de modelos en los que se corta el número entero. Se introducen sucesivamente para
excluir los modelos anteriores " Soluciones óptimas de mayor consideración. Esto permite la
identificación de tantas soluciones posibles como se desee. Sin embargo, tal enfoque requiere
la búsqueda de una serie de árboles de ramas y encuadernados. En lugar de la introducción
sucesiva de cortes enteros, prefiero modificar el paso 3 del algoritmo de ramificación y
reducción.
como sigue:
Paso 3. Delimitación: límite inferior y superior p. Actualizar k los límites inferior y superior del
árbol de búsqueda, registre todos se encontraron soluciones factibles, y elimine el nodo actual
si no es factible o si todas las variables de enteros son fijas. Si el nodo actual es eliminado, vaya
al paso 1. De lo contrario, vaya al paso 4. En otras palabras, en lugar de eliminar todos los nodos
inferiores, elimine solo el nodo actual cuando no sea factible o punto. Los nodos donde se
identifican soluciones viables son se ramifican más hasta que se convierten en puntos en el
espacio de búsqueda.
O inviable. La ventaja de este esquema en comparación con el uso de los cortes de enteros es
que todas las soluciones factibles se identifican a través de un aplicación única de ramificación
y reducción, evitando así una gran reparto de trabajos duplicados en árboles de búsqueda
repetitiva.
Es importante tener en cuenta que, una vez que el Paso 3 del algoritmo ha sido modificado como
anteriormente, se debe tener cuidado en el aplicación de la reducción de rango basada en
optimalidad y técnicas de sondeo de Ryoo y Sahinidis 1995. Estas tecnologia
Las licencias requieren un límite inferior apropiado para un enfoque basado en la optimidad. En
lugar de utilizar los límites inferiores proporcionados por soluciones viables identificadas
durante la búsqueda, realizamos uso de un límite obtenido mediante la resolución de una
relajación lineal de la problema.
Finalmente, notamos que es sencillo modificar esto algoritmo para proporcionar solo las K
mejores soluciones del modelo. Para cualquier valor entero preespecificado de K. En cada
iteración, uno tendría que mantener las mejores soluciones K encontradas así lejos y eliminar
nodos probablemente peor que el Kth más conocido solución. En este caso, la solución más
conocida Kth proporciona un límite inferior apropiado que se utilizará para la optimización
basada en reducción de rango y sondeo en las fórmulas de Ryoo y Sahinidis 1995. Ž
Resultados computacionales
Todas las ejecuciones se realizaron en un IBM RSr6000 de 332 MHz estación de trabajo modelo
43P con 128 MB de memoria y un puntaje LINPACK de 59.9. La solución de los subproblemas de
relajación de programación lineal se realizó a través de CPLEX 6.0 CPLEX, Ž 1997 .
Actualmente, BARON lleva 45min. de tiempo de CPU para encontrar todas las soluciones
posibles de los anteriores modelo. Esto equivale a producir compuestos candidatos en la tasa
de una solución por minuto. Que hizo esto posible es una serie de desarrollos igualmente
importantes:
Un presolver basado en la viabilidad Ghildyal y Sahinidis, Ž 2001 que reduce los límites
superiores de ocurrencias grupales de 15 a cinco en el nodo raíz del árbol de búsqueda;
! Sondeo agresivo para reducir rangos de cinco variables por resolviendo LP de minimización y
maximización en cada nodo de la ramificar y reducir el árbol;
Los resultados demuestran algunos de las debilidades, así como las fortalezas de la contribución
grupal. aproximación al diseño molecular.
Inclusión de estas limitaciones a nuestra la formulación reduce aún más el tiempo de CPU a
aproximadamente 30 min. Una vez eliminados los 15 compuestos inadmisibles, Las soluciones
de la tabla 5 permanecen. Entre los 29 compuestos restantes, se observa CH3Cl, un antiguo
refrigerante bien conocido. También se observa que, entre estos 29 compuestos, hay son 41,
38, 5, 11 y 8 grupos que contienen C, F, Cl, O y N, respectivamente. Es bastante notable que el
modelo claramente apunta hacia los CFC como los refrigerantes ideales. Entre las soluciones de
la Tabla 5, todas menos las nueve siguientes se identificaron compuestos en trabajos anteriores
sobre este problema.
Conclusiones
Este artículo ha demostrado que el estado del articulo en la optimización global de programas
no lineales de enteros mixtos junto con una formulación adecuada ahora ha alcanzado el nivel
de madurez requerida para resolver modelos realistas para diseño molecular. Además de
redescubrir los CFC, esta metodología ha produjo una serie de posibles refrigerantes de
reemplazo.
Los resultados de este artículo sugieren varias direcciones futuras posibles. En primer lugar, sería
interesante identificar clases de compuestos para los que el algoritmo de búsqueda y las
restricciones de viabilidad estructural desarrolladas en este artículo son suficiente para resolver
la dificultad combinatoria del problema de búsqueda de diseño molecular. Como nuestro
algoritmo y estructural restricciones de viabilidad son independientes de lo particular molécula
siendo diseñada, podrían ser utilizadas para el diseño de disolventes industriales, polímeros y
productos farmacéuticos. En el contexto de estos compuestos, puede ser necesario extender el
modelo para utilizar técnicas de contribución grupal más complejas, como las que tienen en
cuenta las interacciones entre grupos y conectividad grupal.