Universidad Politécnica de

GÓMEZ PALACIO

Presentado por:

Kevin Alberto Gonzalez Liserio.

Ing. Biotecnología.

CONTROL DE BIOPROCESOS.

Docente: Dra. Victoria Borroel.

Control de bioprocesos.

Gómez Palacio, Dgo. Junio de 2021.

Caso 1 “Método de bifurcación y acotación”.

Los métodos de ramificación y acotamiento pretenden hacer lo mismo que

los métodos de corte con la diferencia de que estos utilizan la estrategia de
"Dividir y Vencerás" . Esto consiste en dividir la región factible de tal manera que la
solución óptima no entera no se incluya en la nueva región, dando
como resultado nuevos subproblemas a los cuales también se les llama "Métodos
de Lang - Doig" y "Métodos de bifurcación de y acotamiento" .
El proceso consta de dividir el problema y subdividir los subproblemas hasta que se
pueda demostrar que ninguno de los subproblemas tiene solución óptima mejores
a una solución entera calculable.

MÉTODO DE RAMIFICACIÓN Y ACOTAMIENTO PARA MODELOS ENTEROS

PUROS.

Consta de los siguientes:

1. Resolver el modelo relajado. Si la solución es entera detenerse si no continuar
con el método.
2. Escoger arbitrariamente una variable entera xj cuyo resultado sea fracción e
igual a xbj.
3. Resolver dos nuevos problemas similares al anterior, pero uno con la
restricción adicional xj≤[xbj] y otro modelo con la restricción adicional xj≥[xbj]+1.
4. De los subproblemas en el paso 3 analizar sólo aquellos subproblemas cuya
solución sea mayor (máx.) o menor (min) a cualquiera de las soluciones enteras
conocidas (cota inferior: caso máx. y cota superior: caso min).
La solución de un subproblema puede ser:
1. Solución no factible (ya no se divide en subproblemas)
2. Problema agotado: (ya no se divide en subproblemas)
a. Una solución factible entera del problema original (Z)
✓ Cota inferior (caso max)=Zcota→Si Zcota<Z→Zcota=Z
✓ Cota superior (caso min)= Zcota→Si Zcota>Z→Zcota=Z
b. Una solución que no sea mejor a las soluciones enteras conocidas:
 · Max: Zcota≥Z
· Min: Zcota≤Z
3. Solución no entera, que cumpla con Zcota≤Z (máx) o Zcota≥Z (min), continuar
con el método.
5. Seleccionar el modelo lineal que tenga el máximo valor de la función objetivo
(caso máx.). Ir al paso 2.

(Sebastián Miranda, 2011)

MÉTODO DE RAMIFICACIÓN Y ACOTAMIENTO PARA MODELOS BINARIOS.

Es un método muy parecido al de ramificación y acotamiento para modelos

mixtos y puros. Sin embargo, su diferencia radica en que al modelo se le agrega la
restricción xj=0 y por otro lado al modelo se le agrega la restricción xj= 1. Esto
genera que en cada nivel de ramificación el número de variables se vaya
reduciendo.

Consta de los siguientes:

1. Resolver el modelo relajado. Si la solución es binaria detenerse si no continuar

con el método. (Únicamente se elimina la condición de integridad, pero se mantiene
las condiciones xj≤1, xj≥0)
2. Elegir arbitrariamente una variable binaria xj cuyo resultado sea < 1 e igual a
xbj.
3. Resolver dos nuevos modelos similares al anterior, pero uno con la restricción
adicional xj=1 y el otro modelo con la restricción xj=0.
4. De los modelos resueltos anteriormente sólo analizar aquellos subproblemas
cuya solución en z sea mayor (max) o menor (min) a cualquier solución binaria
conocida.

Los modelos se dejan de analizar si:

1. Se tiene solución no factible
2. Si el problema está agotado
a. Solución binaria (Zcota=Z)
b. Solución que no necesariamente sea binaria que sea:
✓ Caso max: Zcota≤Z
✓ Caso Min: Zcota≥Z

5. Seleccionar el modelo que tenga el valor máx. en la función objetivo en el caso

de máx.. Ir al paso 2.

(Sebastián Miranda, 2011)

MÉTODO DE RAMIFICACIÓN Y ACOTAMIENTO PARA MODELOS TIPO

MOCHILA.

El modelo tipo mochila se puede plantear de la siguiente manera:

Max z = c1 x1 + c2 x2 + … + cn xn
s.a
a1 x1 + a2 x2 + … + an xx ≤ b
xi E { 0,1 } ; i =1,n
Donde:
c1 = beneficio obtenido si se elije al objeto i.
b = es la cantidad disponible del recurso.
a1 = es la cantidad del recurso que utiliza el objeto i.

El método se simplifica en 2 aspectos importantes:

* Las ramificaciones se hacen sobre x1, dando por un lado xi = 0 y por otra xi = 1.
* Para resolver el modelo relajado se utiliza el método de inspección.
El método consta de los siguientes pasos:
1. Calcular todos los cocientes ci/ai (beneficio que el objeto i gana por cada
unidad del recurso que utiliza el objeto i).
2. Ponga el objeto que obtuvo el más alto cociente en la mochila.
3. Después coloque el siguiente mejor objeto en la mochila. Continuar de esta
manera hasta que el mejor objeto restante exceda el cupo de la mochila.
4. Luego llene la mochila con lo más que pueda de este objeto (dará valor en
fracción).

(Sebastián Miranda, 2011)

MÉTODO DE RAMIFICACIÓN Y ACOTAMIENTO PARA MODELOS TIPO

AGENTE VIAJERO.

Son métodos no exactos basados en la lógica que resuelven problemas binarios

mediante la aceptación o rechazo implicito de ciertas soluciones, utilizando
ciertos criterios, es decir, no se revisan todas las soluciones. El método es conocido
como "Aditivo de Balas".

Método Aditivo de Balas

El método consta de los siguientes pasos (la k puede variar dependiendo de la
ramificación):

1. El valor máximo de Z (cota superior) Zcota=∞ k=0. Checar la factibilidad de la

solución (0,0,…0), si no es factible continuar con el método, si es factible entonces
se ha llegado a la solución óptima.
2. Ramificación: Se definen los subconjuntos de solución:
· (x1,x2, … xk) como solución parcial
· (x1, x2, … xk, xk+1, … xn) la segunda parte de la solución es el complemento de
la solución parcial.
Selecciona a partir de la solución parcial (x1, …xk) para hacer una partición y crear
dos nuevas soluciones parciales una xk+1=1 y otro con xk+1=0 y k=k+1
3. Sondeo: Si alguna de las restricciones cumple:

Entonces no existe solución factible y se detiene la ramificación.

4. Se complementa la solución haciendo xk+1=1-xk y el resto de las variables
igual a cero. Se calcula Z y si Zcota≠∞ y Z> Zcota → ya no se ramifica.
5. Si la solución es factible y Z< Zcota→Zcota=Z y se deja de analizar. Si la
solución es factible entonces ya no se ramifica. Regresar al paso 2.

Caso 2 “ Observador clásico Leunberger”.

En el observador de Luenberger el objetivo es determinar el valor de γ tal

que el error tienda asintóticamente a cero, para lo cual se deberían de cumplir con
ciertas restricciones:
1. La matriz A( ˆξ) − γL y sus derivadas están definidas:

2. Los valores propios de la matriz A( ˆξ) − γL tienen parte real negativa:

La rapidez con que el error e = ξ− ˆξ converja asintóticamente a cero depende de

los valores propios de la matriz A( ˆξ) − γL los cuales deberían ser reales
negativos. El procedimiento general para seguir para determinar los valores de la
matriz de ganancias es:
 ✓ Definimos el polinomio característico del observador λ[A( ˆξ) − γL] = λ n +
an−1λ n−1 + · · · + a1λ + a0 = 0
✓ Se define el polinomio característico deseado (λ − λn)(λ − λn−1). . .(λ − λ1)
=0
✓ Igualar los coeficientes para determinar γ
Para este procedimiento, podemos emplear la fórmula de Ackermann, o bien, en
Arnold and Datta [1998] se plantean varios esquemas para la asignación de polos
que pueden utilizarse.

Problemas de la linealización
La linealización del modelo dinámico general mediante la ecuación está
fundamentada en la Jacobiana de las tasas de reacción. En los procesos
biotecnológicos, si son de tipo continuo, el equilibrio se alcanza cuando S > 0 para
un flujo de entrada Fi determinado. En semicontinuo, para que S sea constante se
requiere que el flujo de alimentación crezca exponencialmente, en consecuencia,
lo hará el volumen, así que existirá un punto de equilibrio en S ≥ 0. Dado que
normalmente el flujo se encuentra acotado, S → 0|Fi = FMax , si el sustrato ha
disminuido a un valor estable y este valor es cercano a 0, entonces algunos de las
Jacobianas tenderán a cero cuando el sistema alcance el equilibrio Consideremos
las expresiones del cuadro 2.1, específicamente las cinéticas 6 (Monod) y 8
(Haldane). Si ∂rn ∂x es el Jacobiano de la expresión r con respecto a la(s)
concentración(es)
Si consideramos que:
x1 .= S Sustrato
x2 .= X Biomasa
x3 .= P Producto
entonces el límite de las Jacobianas cuando x1 = S tiende a cero es:

Dado que para determinar las ganancias del observador Luenberger, se emplean
las Jacobianas de las tasas de reacción y como algunas tienden a cero, esta
condición puede producir un valor no deseado de dichas ganancias.
Ejemplo.
Como un ejemplo de este planteamiento, consideremos el caso planteado en
Bastin and Dochain [1990]:

donde la velocidad de reacción se define por la ley de Contois:

Las ganancias para el Luenberger propuesto son:

Donde:

Entonces como consecuencia ω2 tendera a valores de ganancia muy grandes

debido a ˆϕX, afectando la convergencia del observador. De esta forma, es
deseable que cuando se determine la matriz de ganancia del observador, esta
considere los intervalos de operación de los estados para evitar la divergencia en
la estimación.

(Chiu Nazaralá, 2009)

Bibliografías.
1. Raúl Chiu Nazaralá. (2009). Análisis y desarrollo de observador empleando
LMI aplicado a bioprocesos. 05/06/21, de Universidad Politécnica de
Valencia Sitio web:
https://riunet.upv.es/bitstream/handle/10251/6883/tesisUPV3197.pdf;jsessio
nid=39ACA7EED1906FCF50F691BA7238C09C?sequence=1
2. Sebastián Miranda. (2011). Métodos de Ramificación. 05/06/21, de
Optimización entera Sitio web:
https://sites.google.com/site/optimizacionenteraydinamica/introduccion/meto
dos-de-solucion-en-programacion-entera/metodos-de-ramificacion