1

Economic dispatch of a thermal power plant

based on the penalization factors of the
external point method.
Despacho económico de una central térmica basado en los factores de penalización del método del punto
exterior.
María Camila González Martínez - 1.093.540.350, María Paulina López Giraldo – 1.010.146.168
camila.gonzalez@utp.edu.co paulina.lopez@utp.edu.co

Abstract— The penalty method is responsible for solving
the restricted optimization of nonlinear functions by
means of algorithms. As mentioned above, optimization is
the ability to do or solve something in the most efficient
way possible and, at best, using the least amount of
resources. [2] For its part, restricted optimization refers to
the process of optimizing an objective function with
respect to some variables in the presence of restrictions on
themselves. [3] Algorithms are ordered sets of systematic
operations that allow us to make a calculation and find the
solution to a type of problem.
 
The function of this method is to approximate a restricted
problem to an unrestricted one, the result must be
structured in such a way that the minimization converges
to the solution of the original restricted one. Unrestricted
problems or resulting problems arise by adding a term
called "penalty function" to the objective function. The
objective function is one that maps an event; that is, it is
one that maps a set of results of some procedure that can
be infinitely repeated. It consists of a penalty parameter
multiplied by a measure of violation of restrictions.
Keywords—
Algorithms
Nonlinear functions
Penalty
Restricted optimization
Restrictions
Resumen— El método de la penalización se encarga de
darle solución a la optimización restringida de funciones
no lineales por medio de algoritmos. Como se mencionó
anteriormente la optimización es la capacidad de hacer o
resolver alguna cosa de la manera más eficiente posible y,
en el mejor de los casos, utilizando la menor cantidad de
recursos.[2] Por su parte, la optimización restringida se
refiere al proceso de optimización de una función objetivo
con respecto a algunas variables en presencia de
restricciones en ellas mismas.[3] Los algoritmos son
conjuntos ordenados de operaciones sistemáticas que
permiten hacer un cálculo y hallar la solución de un tipo
de problemas.
La función de dicho método consiste en aproximar un
problema restringido a uno no restringido, el resultante
debe estar estructurado de manera que la minimización
converja a la solución del restringido original. Los
problemas carentes de restricción o problemas resultantes
surgen al agregar un término llamado “función de
penalización” a la función objetivo. La función objetivo es
aquella que mapea un evento; es decir, es aquella que
mapea un conjunto de resultados de algún procedimiento
que puede ser repetido infinitamente. Consiste en un
parámetro de penalización multiplicado por una medida
de violación de las restricciones.
Palabras claves—
Algoritmos
Funciones no lineales
Optimización restringida
Penalización
Restricciones
I. INTRODUCCIÓN
En este artículo se da a conocer el método de la
penalización, su desarrollo, sus utilidades y aplicaciones
en el campo de la ingeniería. Este método surge como
una opción de aplicación a la optimización restringida, la
cual ayuda a encontrar los puntos máximos y mínimos
sujeto a alguna restricción. Cabe aclarar que la
optimización se basa en la reducción de los tiempos del
ciclo productivo y el aumento del rendimiento de las
diferentes plantas de producción. [1]
II. CONFIGURACIÓN DEL PROBLEMA
Tenemos el problema de optimización restringido,
( P): min f ( x )
x ∈δ
Donde f : R n → R es continua y δ es una restricción
establecida en Rn .
2
Introducimos el programa de penalización (P(c)), el
problema sin restricciones:
min f ( x ) +cp ( x )
x∈ Rn
Donde c>0 y p : Rn → R es una función de penalización
donde p ( x ) ≥ 0 ∀ x ∈ Rn, y p ( x ) =0 iff x ∈δ .
Intuitivamente, el término de penalización se usa para
dar un alto costo por la violación de las restricciones.
Ilustración de la función de
penalización
METODO DE PENALIZACIÓN
El método de penalización transforma un problema
restringido en uno no restringido de dos maneras. La
primera forma es usar la forma aditiva de la siguiente
manera:
f ( x),∧if x ∈ F
eval ( x )=
{()
f x + p ( x),∧ por otro lado
Dónde p(x) presenta un plazo de penalización, Si no
ocurre una violación, p(x) será cero y positivo de lo
contrario. Bajo esta conversión, la función objetivo
general ahora es eval(x) que sirve como una función de
evaluación en las AG.
La segunda forma es usar la forma multiplicativa:
f ( x),∧if x ∈ F
eval ( x )=
{()
f x p(x ),∧ por otro lado
Para problemas de minimización, si no ocurre una
violación p(x) es uno y más grande que uno, de otra
manera. El tipo de penalización aditiva ha recibido
mucha más atención que el tipo multiplicativo en la
comunidad de GA.
En la optimización clásica, se utilizan comúnmente dos
tipos de funciones de penalización:
Funciones de penalización interior y exterior. En los GA,
las funciones de penalización exterior se usan más que
las funciones de penalización interior. La razón principal
de esto, no es necesario comenzar con una solución
factible en las funciones de penalización exterior. Porque
encontrar una solución factible en muchos problemas de
GA es un NP-hard en sí mismo. La formulación general
de una función de penalización exterior es:
q m
Φ ( x )=f ( x ) + [ ∑ r i Gi +
i =0
∑
j=q+1
c jLj ]
Dónde φ (x) indica la nueva función objetivo que se
optimizará. G i Y L j las funciones de gi ( x ) y h j ¿ )
restricciones respectivamente, r i y c j son pena
parámetros Fórmulas generales de G i y L j son:
β
 G i=max [ 0 , gi (x ) ] (1)
γ
 L j =|h j ( x)| (2)
Dónde β y γ son comúnmente 1 o 2. Si la desigualdad se
mantiene, gi ( x ) ≤ 0 y max [ 0 , gi (x) ] será cero. Por lo
tanto, la restricción no afecta φ (x). Si él se viola la
restricción que significa gi ( x )> 0 o h j ≠ 0 , se agregará
un gran término a φ (x) funcionar de tal manera que la
solución se empuje hacia la región factible. La severidad
de la penalización depende de los parámetros de
penalización r i y c j. Si la penalización es demasiado
grande o demasiado pequeña, el problema podría ser
muy difícil para los GA. Una gran penalización impide
buscar regiones inviables. En este caso, GA convergerá
en una solución factible muy rápidamente, incluso si está
lejos de ser la óptima. Una penalización bastante
pequeña hará que pase tanto tiempo buscando una región
inviable; por lo tanto GA convergería una solución
inviable.
III. RESTRICCIONES DE DESIGUALDAD E
IGUALDAD
Si se nos entrega un conjunto de restricciones de
desigualdad (i.r. s={x : gi (x )≤ 0 , i=1,2 ,. . . ,m }) una
función de penalización apropiada podría ser
p ( x) =
1
m
∑ (max ⁡[0 , ¿ gi ( x)])2 ¿.
2 i=1
Es decir, si
satisfacemos la restricción, no tomamos ninguna
penalización. De lo contrario tomamos una penalización
al cuadrado. Dependiendo de C, pondremos esta
penalización en (P(c)). Para las restricciones de
igualdad, podemos reescribirlas como restricciones de
desigualdad y usarlas como se indicó anteriormente. Es
decir, reescribirh j ( x )=0 como dos restricciones de
desigualdad, h j ( x ) ≤0 y −h j ( x ) ≤ 0.
 3

Para grande C, el punto mínimo de un problema VI. MÉTODO DEL PUNTO EXTERIOR
(P(c)) está en una región donde la penalización pes En este método se impone que la función objetivo
pequeña. De hecho, demostraremos a continuación que aumente su valor cuando el de x se aleja de la región
c → ∞ , la solución del problema de penalización (P(c)) factible. Se renuevan los parámetros de penalización
convergirá a una solución del problema restringido (P). haciendo que, la secuencia de soluciones de los
problemas de optimización sin restricciones asociados
converja a la solución óptima. Está sucesión está
contenida en el exterior de la región factible.
IV. METODO DE PENALIZACION LEMMAS
Tomamos 0< c1 < c2 … .<c k <c k +1<. … → ∞ como Problema de optimización:
nuestro parámetro de penalización. Se deja a
q (c , k) :=f ( x)+cp ( x) como el programa de Z=f ( x)
penalización. Así mismo se deja Sujeto a:
xk =arg minx q (ck , x)=argminx f ( x)+ckp ( x) . h ( x )=0
g ( x )≤ 0
Con la notación mencionada anteriormente, se
muestra lo siguiente para la penalización de lemmas: Donde f : R n → R , g : Rn ⟶ R m y h : Rl → R son
1. q ( ck , xk ) ≤ q ( ck +1 , xk +1 ) continuas.
2. p ( xk ) ≥ p ( xk +1 )
Se denota por S la región factible.
3. f ( xk ) ≤ f ( xk +1 )
4. f ¿ La función de penalización exterior es:

P( x ; r)=f (x )+rψ :(h (x) , g ( x)) (5)

V. KKT EN MÉTODOS DE PENALIZACIÓN
Como antes, tenemos: Donde r es el parámetro de penalización y ψ = Rl +m → R
es la función de penalización (una función de las
a) Programa de penalización: restricciones), que cumple
x k=argmin x f ( x)+ c k P( x )
ψ (h(x), g(x)) = 0; ∀x ∈ S
b) Función de penalización: ψ (h(x), g(x)) > 0; ∀x ∈/ S

P( x )=γ (g+( x)) VII. PENALIZACIÓN POR PROBLEMAS CON

c) Derivados: RESTRICCIONES DE IGUALDAD Y DESIGUALDAD:
m
∂ γ ( г+( х)) ∂ g+ я( х)
∇P (x) = ∑ P :min x f ( x )
i=1 ∂( г+ я( х )) ∂x
st g ( x ) ≤ 0
En primera condición de pedido en mínimo local nos h ( x )=0
dice: x∈ Rn

m
Se necesita la función de penalización:
0=∇ F ( х K )+гр K ∇ p( х к)=∇ f ( x k )+ ∑ u i, k ∇ g i(x k )donde u i , k=c k ∂ γ (g+(x k ))∂(g +i( x k ))
i=1
(3) p(x )=0 si g(x )≤ 0 Y h( x)=0
p(x )> 0 si g (x)>0 O h(x )=0
0=∇ f ( x k )+(u k )T ∇ g(x k ) (4)
Se puede utilizar:
uk ahora parece un multiplicador de Lagrange. De hecho, m k
bajo algunas condiciones, como x k → x∗¿ ⇒ u k → u∗¿ p(x )=∑ [max {0 , г я( X )}]q + ∑ ¿ h i(x)∨q , q ≥1
dónde u∗ es el multiplicador de Lagrange en el óptimo. i=1 i=1
(6)
4

∂ gi ( x )

I. CONVERGENCIA DEL MÉTODO DE

∂
g +¿ ( x )
∂x
=
{ ∂x
if g i ( x ) ≥ 0 ¿
0 if gi ( x )< 0
(8)

PENALIZACIÓN ( x)
∂ g +¿
i
Suponer f, g, p son funciones continúas siendo Pero ¿ puede no ser continuo en 0. Sin
∂x
X k =argmin X f (x )+ c k p(x ) para una función de
embargo, si elegimos γ tal que ∂ γ ¿¿ = 0 cuando gi ( x )
penalización p (x) desde 0 < C 1 < C 2 < . . . < C k < C k ( x)
+ 1 < . . . → ∞. Siendo X el punto límite arbitrario de ∂ g +¿
i
entonces no importará si ¿ es discontinuo,
{ X k }∞ k=1 ¿. ∂x
Luego, X se resuelve p(x), dónde p(x) es el problema porque se multiplicará por 0. Uno de estos γ (x) es
m
restringido original min x f ( x ) st g( x )≤ 0.
∑ ¿¿
i=1

II. FUNCIONES DE PENALIZACIÓN UTILIZADAS

CON FRECUENCIA PLANTEAMIENTO DE UN PROBLEMA

Determinar el despacho económico para abastecer una

m
demanda de 1.65pu mediante tres unidades de
p(x )=∑ [max {0 , g i( x)}]q , q ≥ 1 generación cuyas funciones de costo son de:
i=1

f 1 =60 P 21+200 P1 +140

a) Penalización lineal: f 2=75 P 22+150 P2 +120
м
f 3 =70 P 23+180 P3 +80
(q=1): p(x )=∑ [тах {0 , г я( х)}]
i=1
Para el costo total de generación, se debe respetar que:
b) Penalización cuadrática:
м
f 1+ f 2+ f 2=1.65 pu
(q=2): р( х)=∑ [тах {0 , г я (х) }] Entonces,
i=1
60 P21 +200 P 1+140+75 P22 +150 P2+ 120+70 P 23+180 P3 +80
=1.65pu

Este problema se solucionará por medio del método del

III. DERIVADA DE LA FUNCION DE punto exterior.
PENALIZACION
I. DESCRIPCION DEL ALGORITMO DEL
METODO DEL PUNTO EXTERIOR
Supongamos que usamos P ( x ) =γ ¿ , donde g+¿ ( X )¿ es
como se define anteriormente. Un ejemplo de γ (x) es
Paso 1 (iniciación).
γ ( x ) = y T y . La dificultad surge cuando tratamos de Se elige como punto inicial x(0) y como parámetro de
tomar la derivada de P ( x ) , ya que la función máxima penalización r1 > 0 y se hace t = 1. Sea ε > 0 el
g+¿ ( X )¿ no es diferenciable. Pero veremos que si elegimos parámetro de tolerancia y η > 1 un número fijo.
γ ( x ) apropiadamente, podemos hacer que P ( x ) sea
diferenciable. Paso 2 (subproblema).
Se resuelve el problema: Minimizar f(x) + rtψ(h(x), g(x))
(9.31) mediante un adecuado método de descenso,
∂ P ( x) m usando como punto inicial x(t−1). La solución del
=∑ ∂ γ ¿ ¿¿ (7)
∂x i=1 problema (9.31) se denomina x(t).

Paso 3 (criterio de parada).

 5

Si "x(t) − x(t−1)" < ε, entonces se para el proceso. En [2]"Optimización (matemática)", Es.wikipedia.org,

caso contrario, se va al paso 4.
Paso 4 (actualizar contadores).
Se hace rt+1 = ηrt, t = t+1 y se va al paso 2.
RESULTADOS
Grafica:
2020. [Online]. Available:
https://es.wikipedia.org/wiki/Optimizaci
%C3%B3n_(matem%C3%A1tica). [Accessed: 14- May-
2020].
[3]"Constrained optimization", En.wikipedia.org, 2020.
[Online]. Available:
https://en.wikipedia.org/wiki/Constrained_optimization.
[Accessed: 05- Jun- 2020].

Y. Özgür, "PENALTY FUNCTION METHODS FOR

CONSTRAINED OPTIMIZATION WITH GENETIC
ALGORITHMS", cinvestav, 2020. [Online]. Available:
https://www.cs.cinvestav.mx/~constraint/papers/yeniay0
5.pdf. [Accessed: 03- Jun- 2020].

E. Castillo, A. Conejo, P. Pedregal, R. García and N.

Alguacil, "Formulación y Resolución de Modelos de
Programación Matemática en Ingeniería y
Ciencia.", Dia.fi.upm.es, 2002. [Online]. Available:
http://www.dia.fi.upm.es/~jafernan/teaching/operational-
research/LibroCompleto.pdf. [Accessed: 10- Jun- 2020].

CONCLUSIONES

La gran importancia de la optimización en la

producción, ya que ayuda a alcanzar los niveles de
competencia de algún mercado.

El método de penalización es muy importante porque

ayuda a reducir la complejidad del cálculo del punto
óptimo de algún problema

Lo eficaz del método de la penalización es su capacidad

de convertir problemas con restricciones en problemas
sin restricciones y gracias a esto los problemas se
pueden resolver muy eficazmente.

II. REFERENCIAS

[1]"LA IMPORTANCIA DE LA OPTIMIZACIÓN DE

LA PRODUCCIÓN", Aeromarine División Software,
2020. [Online]. Available:
https://aeromarinesoftware.wordpress.com/2014/12/04/la
-importancia-de-la-optimizacion-de-la-produccion/.
[Accessed: 12- May- 2020].