UNIVERSIDAD TÉCNICA DE ORURO FACULTAD NACIONAL DE INGENIERÍA INGENIERÍA ELÉCTRICA Y ELECTRÓNICA

GUIA

OPTIMIZACIÓN CON MATLAB®

MCs. Ing. Armengol Blanco Benito

Oruro, febrero 2008

Índice Índice Palabras Preliminares 1 Introducción 2 Programación No Lineal 2.1 Ejemplo 1, Problema de Programación no Lineal [4] 2.1.1 Interpretación de los Resultados 2.2 Ejemplo 2, Programación No Lineal: Coordinación Hidrotérmica [4] 2.2.1 El modelo de optimización 2.2.2 Modelo de Optimización Implementado en MATLAB 3 Programación lineal 3.1 Ejemplo 3 Problema de Programación Lineal 3.2 Interpretación de los Resultados Referencias Bibliográficas

ii iii 1 1 3 7 8 9 11 16 17 19 19

ii

Palabras Preliminares En ésta guía. se presenta. 2008 iii . Se pretende plasmar la inquietud de facilitar el aprendizaje de las técnicas de optimización utilizadas para resolver problemas de optimización. Armengol Blanco Febrero. el empleo del tool box de optimización del Matlab® en la resolución de problemas de optimización en la operación económica de sistemas eléctricos de potencia. Contiene soluciones completas a ejemplos típicos de la asignatura Operación Económica y Planificación de Sistemas de Potencia.

Lo interesante de la solución de un problema de optimización. En este texto. es una herramienta matemática poderosa que emplea el enfoque científico para la asignación de recursos económicos y materiales para el logro de un determinado objetivo al resolver problemas prácticos y reales. los precios duales. El tool box de optimización de Matlab®. a : g(x) = 0 h(x) ≤ 0 donde: f() g() h() x (1) (2) (3) Función objetivo Restricción de igualdad Restricción de desigualdad Variable de decisión 1 . se presenta una aplicación a problemas típicos de la operación económica y coordinación hidrotérmica de sistemas eléctricos de potencia. se hace hincapié en la interpretación de los parámetros del tool box de optimización de Matlab®. lo importante son los multiplicadores de Lagrange-Karush-Kuhn-Tucker asociados con cada restricción. Un problema de optimización queda formulado como un modelo de optimización mediante la expresión: min f ( x ) s. es una herramienta computacional interesante para resolver problemas de optimización lineal y no-lineal. 2 Programación No Lineal La optimización o la programación matemática es un instrumento fundamental en el campo de la ingeniería.GUIA OPTIMIZACIÓN CON MATLAB® Armengol Blanco 1 Introducción L a optimización. no es la solución misma. Estos últimos permiten tomar decisiones para mejorar la solución o considerar el cambio de las restricciones que pueden mejorar (ó empeorar) la solución hallada. es decir.

Este modelo. L.beq) x = fmincon(fun. se puede clasificar como un problema de optimización no lineal que corresponde al ámbito de la programación matemática.nonlcon) 2 .Aeq.b. lineales y no lineales.ub.A.x0.x0. C() Restricciones de desigualdad.A.A. entonces. beq Lado derecho de las restricciones de igualdad.Aeq.x0. x Variables de decisión del problema.lb. Todo problema de maximización puede ser convertido en un problema de minimización al cambiar el signo la función objetivo. se puede resolver mediante la caja de herramientas de optimización del MATLAB® [2].beq.ub) x = fmincon(fun.x0. A Matriz de las restricciones de desigualdad lineales.Aeq. estrictamente no lineales.A. que tiene un comando fmincon para ese propósito. el modelo se puede explicitar con mayor detalle.b) x = fmincon(fun.lb. Las restricciones de igualdad y de desigualdad pueden ser lineales y/o no lineales. Sintaxis Las diferentes formas de emplear el comando fmincon. Se tienen varios métodos de la programación matemática para su resolución. por ejemplo para trabajar con Matlab [1].b. Aeq Matriz de las restricciones de igualdad lineales.b. Este modelo. b Lado derecho de las restricciones de desigualdad. g() y h() pueden ser funciones lineales y/ó no lineales. U Vectores de límites inferior y superior de las variables de decisión x. fmincon Determina el mínimo de una función multivariable con restricciones de igualdad y desigualdad. se utiliza la formulación siguiente: min f ( x ) s. a : C eq (x) = 0 C(x) ≤ 0 A⋅x≤b L≤x≤U donde: (4) (5) (7) (8) (9) A eq ⋅ x = b eq (6) Ceq() Restricciones de igualdad. estrictamente no lineales.beq. son las siguientes: x = fmincon(fun.Las funciones f().

options. … parámetros de fun y nonlcon Salidas Las salidas que entrega el comando fmincon.x0.output. Aeq.P2. beq. A.P1.b...output. options opciones de los parámetros de optimización. 2.fval.nonlcon.x = fmincon(fun.) [x. nonlcon archivo extensión m que contiene las restricciones no lineales..lambda..A. lb.) Descripción [1] Argumentos Los argumentos que toma el comando fmincon.fval.output. P1.lambda.x0. ub.fval... con la extensión m.A. son las que siguen: 3 .grad.beq.hessian] = fmincon(.options) x = fmincon(fun.) [x.fval.exitflag.exitflag.) [x.lb.fval.) [x.Aeq.beq..Aeq. definidas en el problema de optimización.lambda] = fmincon(..) [x. solamente es necesario respetar el lugar de su ubicación.exitflag] = fmincon(..nonlcon. se puede consultar en el manual [1]. .output] = fmincon(. cuyas funciones de costos de generación. corresponden a las restricciones lineales.ub...exitflag. Problema de Programación no Lineal [4] Determinar el Despacho Económico de Carga de un Sistema Eléctrico de Potencia. x0 punto inicial para la búsqueda de la solución..1 Ejemplo 1.) [x.grad] = fmincon(. P2. que contiene la función objetivo a minimizar. Las variables de los argumentos y salidas pueden tomar nombres cualesquiera.exitflag.ub.b.. b.lb. son los siguientes: fun es un archivo de texto ASCII. son las siguientes x vector solución fval valor de la función objetivo exitflag condición de terminación de fmincon output estructura de la salida lambda multiplicadores de Lagrange grad gradiente de la función fun evaluada en el punto solución hessian valor de la Hessiana Mayores detalles..fval] = fmincon(. páginas 4-30 al 4-42.

2 ⋅ P4 + 0.07 ⋅ P4 + 0. está dado por: 2 3 FT = ∑ Fi (Pi ) = 2300 + 10.∑ P i = 0 i =1 min max Pi ≤ P i ≤ Pi La función objetivo.06 ⋅ P1 + 0.1 ⋅ P1 + 0.06 ⋅ P3 + 0.006 ⋅ P4 La formula de pérdidas.07 ⋅ P2 + 0.06 ⋅ P1 + 0. a : ∑ Fi ( P i ) i =1 N N G = P D + P perd . La demanda: PD = 200 MW EL modelo de optimización.07 ⋅ P4 + 0.06 ⋅ P3 + 0.1 ⋅ P3 + 0.006 ⋅ P2 2 3 F3 = 350 + 7.007 ⋅ P3 3 2 F4 = 800 + 7.0 ⋅ P2 + 0.1 ⋅ P3 + 0. son responsable de las pérdidas solamente. es: Min FT = s.006 ⋅ P2 + 7.00008 ⋅ P1 + 0.006 ⋅ P1 2 3 F2 = 350 + 6.0 ⋅ P2 + 0.006 ⋅ P1 i =1 2 3 2 3 + 6.Función de Costo de Generación $ h    2 3 F1 = 800 + 10.2 ⋅ P4 + 0.07 ⋅ P2 + 0.00009 ⋅ P2 Pmin Pmax [MW ] 35 45 50 47 [MW ] 100 125 200 200 Ésta expresión significa que las unidades 1 y 2.1 ⋅ P1 + 0.007 ⋅ P3 + 2 3 + 7. La unidad 2 más que la 1.006 ⋅ P4 N 4 . es: 2 2 Pperd = 0.

m function f=funobj(p) F1=800+10. F3=350+7. se lista estos archivos.007*p(3)^3. restricnl.06*p(1)^2+0.1*p(3)+0.006*p(1)^3. f=F1+F2+F3+F4.006*p(2)^3. restricnl.00008*p(1)^2+0. se reducen al acotamiento de las potencias generadas por cada unidad: P min ≤ P i ≤ P max i i 35 ≤ P1 ≤ 100 45 ≤ P 2 ≤ 125 50 ≤ P3 ≤ 200 47 ≤ P 4 ≤ 200 El modelo de optimización se implementó en tres archivos tipo m: funobj. funobj.00009 ⋅ P 2 − P1 − P2 − P3 − P4 = 0 1 2 Las restricciones de desigualdad. respectivamente. la segunda las restricción de igualdad no lineal y la tercera contienen los parámetros del problema.06*p(3)^2+0. F4=800+7. En los parágrafos siguientes.m.006*p(4)^3.07*p(4)^2+0.2*p(4)+0.m [1]. % Demanda ceq=[pd+0. % El problema no tiene restricciones de desigualdad no lineales pd=200.La restricción de igualdad: G = P D + P perd .07*p(2)^2+0.1*p(1)+0. F2=350+6.∑ P i = 0 i =1 N G = 200 + 0.ceq]=restricnl(p) c=[]. La primera contiene la función objetivo del problema.m function [c.00008 ⋅ P 2 + 0.0*p(2)+0.00009*p(2)^2-p(1)-p(2)-p(3)-p(4)]. % Restricción de igualdad no lineal 5 .m y solucion.

Aeq=[].m at line 9 Optimization terminated successfully: Magnitude of directional derivative in search direction less than 2*options.0000 50.A. % Límite superior de generación [p. entrega la siguiente solución: » solucion Warning: Trust region method does not currently solve this type of problem. line-search' firstorderopt: [] 6 .exitflag.fval. 'restricnl') La ejecución del programa solucion. % Punto de partida A=[].2078 50.beq.7749 50.m at line 190 In C:\MATLABR11\work\solu1.TolFun and maximum constraint violation is less than options.output.lb. Quasi-Newton.m % Programa para resolver los problemas del 1er parcial de ELT3811 1/2003 p0=[40 50 55 55]'.Aeq. % Matrices y vectores de las restricciones lineales: Vacio lb=[35 45 50 47]'.solucion.TolCon Active Constraints: 1 4 p= 49.m.6191e+003 exitflag = 1 output = iterations: 7 funcCount: 43 stepsize: 1 algorithm: 'medium-scale: SQP. b=[].p0.4431 fval = 7.lambda]=fmincon('funobj'.ub. switching to line search. beq=[]. > In C:\MATLABR11\toolbox\optim\fmincon. % Límite inferior de generación ub=[100 125 200 200]'.b.

0631.2078 P2 = 50. pero la optimización fue exitosa. es: FT = 7619. El multiplicador de Lagrange (precio dual) de la restricción de igualdad. en 7 iteraciones y se utilizó un algoritmo para tamaño medio. Corresponde a la restricción G. ' dF ( P ) Los costos marginales de las unidades Fi = i i . es: eqnonlin: 60. son: dPi 7 .1 Interpretación de los Resultados Las primeras líneas indican que el método empleado no es el más adecuado para este problema.0631 ineqlin: [0x1 double] ineqnonlin: [0x1 double] » 2. Los resultados. el método de búsqueda Cuasi Newton.7749 P3 = 50. Las restricciones 1 y 4 están activas: La restricción 1 corresponde a la restricción de igualdad. son: P1 = 49. La restricción 4 es la restricción de desigualdad de P3 se activa a su valor mínimo.1. Es el costo marginal del sistema.0000 P4 = 50. G: el cual debe satisfacerse.4431 El valor de la función objetivo.1 $/h La optimización terminó exitosamente: exitflag = 1.cgiterations: [] lambda = lower: [4x1 double] upper: [4x1 double] eqlin: [0x1 double] eqnonlin: 60.

su funcionamiento no introduce pérdidas al sistema. y es la unidad más cara.9PS3 + 0.009P 2 S3 45 50 35 8 .8PS2 + 0.0092 PF2 = 1 − 0. es la unidad 4.0006P 3 F2 = 400 + 7.0631 La unidad 3.2 Ejemplo 2. Programación No Lineal: Coordinación Hidrotérmica [4] Determinar la coordinación hidrotérmica del siguiente sistema: funciones de costo.5142 ' F3 = 65.00016P2 Las unidades 3 y 4 tienen factores de penalización iguales a 1.006P 2 + 0. 2.0006P 3 S1 S1 2 + 0.5902 ' F2 = 59. cuyo costo marginal es igual al costo marginal del sistema. PF3 = 1 PF4 = 1 La unidad marginal.8PS1 + 0. pero debe operar por estar programada –seguramente para tener un margen de reserva en giro u otra consideración. Pmin Pmax 150 180 200 F1 = 300 + 4. está situación fue definida en el predespacho-. pero como son responsables de las pérdidas del sistema están penalizadas y sus factores de penalización son: PFi = 1− 1 ∂Pperd ∂Pi 1 = 1. Las unidades 1 y 2 de acuerdo a sus costos marginales se puede decir que son las más económicas.' F1 = 59. está saturada en su límite mínimo. es decir.00016P1 1 = 1.007 P S2 S2 F3 = 350 + 6.0079 PF1 = 1 − 0.6000 ' F4 = 60.

la letra S significa térmica y la letra H significa Hidráulica: n 3 * [F(PS31) + F(PS32 ) + F(PS33 )] MinZ = n1 * [F(PS11) + F(PS12 ) + F(PS13 )] + n 2 * [F(PS21) + F(PS22 ) + F(PS23 )] + 9 .Volumen de gasto [Acre-ft] q1 = 240 + 6.2PH3 q 4 = 300 + 8.2.1 El modelo de optimización La función objetivo.00009P 2 + 0. 2. es: MinZ = Para n=1.00007 P 2 + 0.1PH 2 q 3 = 250 + 7.00008P 2 + 0. Determinar el modelo de optimización y resolver con el toolbox de optimización del MATLAB.00007 P 2 [MW ] S2 S1 H3 H1 La curva de gasto es: Fig. 3 J max n k =1 s =1 ∑ ∑ n k F(Psk ) Con el objeto de mantener la claridad.1PH1 q 2 = 300 + 7.2PH 4 q 5 = 400 + 10PH5 V1 = 37000 V2 = 25000 V3 = 35000 V4 = 20000 V5 = 15000 Pperd = 0. 2. Curva de Carga.

donde: El segundo subíndice. 2 Asignación de variables en el periodo j 10 . m n P PD j Ph1 j PS j nj PS1 j 1 2 j jmax Fig. Sujeto a: Ecuación del balance de energía (potencia): ∑ PSk + ∑ PHk − Pperdk − PDk = 0 S =1 H =1 C1 = PS11 + PS12 + PS13 + PH11 + PH12 + PH13 + PH14 + PH15 − Pperd1 − PD1 = 0 C 2 = PS21 + PS22 + PS23 + PH 21 + PH 22 + PH 23 + PH 24 + PH 25 − Pperd 2 − PD2 = 0 Ck = C 3 = PS31 + PS32 + PS33 + PH31 + PH32 + PH33 + PH34 + PH35 − Pperd3 − PD3 = 0 En la Fig. 2. significa el número de la unidad y el tercer subíndice significa periodo de la carga. se muestra la asignación de variable para el periodo j.

1PH 23 q 31 = 250 + 7.2 Modelo de Optimización Implementado en MATLAB El modelo de optimización se implementó en tres archivos tipo m: funobj. restricc.2PH31 q 32 = 250 + 7.Restricción de disponibilidad de agua. 11 .m [1]. y la tercera contienen los parámetros del problema.2PH 41 q 42 = 300 + 8. respectivamente.2. la segunda las restricciones no lineales de igualdad y desigualdad. La primera contiene la función objetivo del problema.1PH11 q12 = 240 + 6.2PH 42 q 43 = 300 + 8.1PH 21 q 22 = 300 + 7. J max Wk = ∑ n k ·q Hk = Vk k =1 W1 = n1 ·q11 + n 2 ·q12 + n 3 ·q13 = V1 W2 = n1 ·q 21 + n 2 ·q 22 + n 3 ·q 23 = V2 W3 = n1 ·q 31 + n 2 ·q 32 + n 3 ·q 33 = V3 W4 = n1 ·q 41 + n 2 ·q 42 + n 3 ·q 43 = V4 W5 = n1 ·q 51 + n 2 ·q 52 + n 3 ·q 53 = V5 P min ≤ PSk ≤ P max Sk Sk min ≤ P max P Hk ≤ PHk Hk donde q11 = 240 + 6.1PH12 q13 = 240 + 6.1PH 22 q 23 = 300 + 7.m y solucion.2PH33 q 41 = 300 + 8.m.2PH32 q 33 = 250 + 7.1PH13 q 21 = 300 + 7.2PH 43 q 51 = 400 + 10PH51 q 52 = 400 + 10PH52 q 53 = 400 + 10PH53 2.

9*p(3)+0. n3=12.1*p(10).m % Archivo de las Restricciones (restricc. restricc.006*p(7)^2+0. v2=25000.00006*p(7)^3.00006*p(1)^3. funobj. F33=350+6.8*p(8)+0.006*p(1)^2+0. % primer intervalo F11=300+4. v3=35000. F23=400+7.8*p(7)+0. F32=350+6.8*p(1)+0. F21=400+7. v4=20000.8*p(2)+0. F22=400+7. q11=240+6. F31=350+6. n3=12.007*p(5)^2+0. n2=6. se lista estos archivos. % segundo intervalo F12=300+4.8*p(5)+0.ceq]=restricc(p) c=[]. % tercer intervalo F13=300+4.009*p(3)^2.00006*p(4)^3.00007*p(8)^3.En los parágrafos siguientes. %Unidades hidraulicas.00007*p(2)^3. %la función total f=n1*(F11+F21+F31)+n2*(F12+F22+F32)+n3*(F13+F23+F33).009*p(6)^2. v1=37000.00007*p(5)^3.009*p(9)^2. v5=15000.9*p(6)+0.007*p(8)^2+0.006*p(4)^2+0. n2=6. 12 . % Periodos n1=6.m "La Función Objetivo" function f=funobj(p) n1=6.m) function [c.m %El archivo funobj.007*p(2)^2+0. %Volúmenes de descarga.8*p(4)+0.9*p(9)+0.

p0=[100. % Carga Pd1=1000.00008*p(22)^2+0.0.1*p(21).1*p(20). q31=250+7.45.00009*p(1)^2+0.0.00009*p(4)^2+0.35.0. q23=300+7. q33=250+7.100.100.1*p(16).100.00008*p(12)^2+0. 13 . % Perdidas Pperd1=0.00007*p(2)^2.35.100.100.50. solucion.100.100.2*p(13).100.0.00009*p(7)^2+0.00007*p(20)^2+0.100. beq=[].100. % Restriccion de igualdad ceq=[p(1)+p(2)+p(3)+p(10)+p(11)+p(12)+p(13)+p(14)-Pperd1-Pd1 p(4)+p(5)+p(6)+p(15)+p(16)+p(17)+p(18)+p(19)-Pperd2-Pd2 p(7)+p(8)+p(9)+p(20)+p(21)+p(22)+p(23)+p(24)-Pperd3-Pd3 n1*q11+n2*q12+n3*q13-v1 n1*q21+n2*q22+n3*q23-v2 n1*q31+n2*q32+n3*q33-v3 n1*q41+n2*q42+n3*q43-v4 n1*q51+n2*q52+n3*q53-v5]. Pd3=700.0.100.0. Pperd3=0.m % archivo solución A=[].0.1*p(15).100]. lb=[45. Pperd2=0. q41=300+8. q52=400+10*p(19).0.100.2*p(18).0. q22=300+7.100.50.00007*p(5)^2.q21=300+7.0.00007*p(12)^2+0.100.0.1 00. q51=400+10*p(14).100.00007*p(8)^2.2*p(22).100.2*p(17).0. Pd2=1600. q43=300+8. b=[]. Aeq=[].35.0]. q53=400+10*p(24).100.100.100.100. q32=250+7.100.45. q13=240+6.50.00007*p(10)^2+0.0.1*p(11). q12=240+6.0. q42=300+8.2*p(23).00008*p(17)^2+0.2*p(12).

2731 Ph43 = 3.450.700.800].0430 Ps13 = 153.3400 Ph33 = 205.800.200.700.300.ub.6068 Ph12 = 700.0000 Ps12 = 153.150.1938 Ps33 = 150.0000 Ps21 = 95.'restricc') >> solguia Warning: Large-scale (trust region) method does not currently solve this type of problem.3929 Ps22 = 95.300.3394 Ph31 = 109.7460 Ph41 = 168.TolFun and maximum constraint violation is less than options.3924 Ps23 = 95.output.1815 Ph21 = 180.200.600. [p.TolCon = 1e-006): lower upper ineqlin ineqnonlin 1 3 9 15 17 p= Ps11 = 150.200.b.fval.ub=[150.150.0666 Ph13 = 51.exitflag.0000 Ph11 = 51.180.800.700.8773 Ph52 = 35.p0.7391 Ph51 = 48.1852 Ph23 = 32.0000 Ph22 = 172.lb.4 50.1933 Ps31 = 200.600.450.300.7751 Ph43 = 15. > In fmincon at 317 In solguia at 10 Optimization terminated: magnitude of directional derivative in search direction less than 2*options.1633 fval = 14 .180.600. Active inequalities (to within options.lambda]=fmincon('funobj'.0000 Ph42 = 60.beq. using medium-scale (line search) instead.8211 Ph32 = 150.Aeq.A.TolCon.1942 Ps32 = 238.180.

1086 λ2 = -67.1023e+005 exitflag = 5 output = iterations: 45 funcCount: 1150 lssteplength: 1 stepsize: 0.1086 -67.1709e-004 message: [1x172 char] lambda = lower: [24x1 double] upper: [24x1 double] eqlin: [0x1 double] eqnonlin: [8x1 double] ineqlin: [0x1 double] ineqnonlin: [0x1 double] >> lambda.0287 algorithm: 'medium-scale: SQP. Quasi-Newton.5023 1.2173 1.2173 γ1 = 1.8204 15 .5753 1. line-search' firstorderopt: 2.1087 -134.3640 1.1185 De donde: λ1 = -67.1.1087 λ3 = -134.8204 1.eqnonlin ans = -67.

b. linprog Resuelve un problema de programación lineal. son las siguientes x vector solución fval valor de la función objetivo exitflag condición de terminación de fmincon output estructura de la salida 16 .) Descripción [1] Argumentos Los argumentos que toma el comando linprog. beq.beq. lb.output] = linprog(.5753 γ3 = 1.x0) x = linprog(f.ub.lb.A.) [x..options) [x.ub.exitflag..beq. ub.A.b.exitflag. Salidas Las salidas que entrega el comando linprog.fval.b.beq.A. es linprog. A.fval.) [x.A.Aeq.output.lambda] = linprog(.) [x. corresponden a las restricciones lineales.3640 γ5 = 1..γ2 = 1. son las siguientes: x = linprog(f.lb. x0 punto inicial para la búsqueda de la solución. son los siguientes: f vector columna que contiene los coeficientes de la función objetivo a minimizar.beq) x = linprog(f.Aeq..fval. options opciones de los parámetros de optimización.exitflag] = linprog(.fval] = linprog(.x0. Aeq.1185 3 Programación lineal Si el problema de optimización queda formulado como un problema de programación lineal.lb..Aeq.Aeq.5023 γ4 = 1...b. definidas en el problema de optimización. Las diferentes formas de emplear el comando linprog. b.ub) x = linprog(f.. Matlab [2] tiene un comando para resolver este problema.

3. Se renombran las variables.1 Ejemplo 3 Problema de Programación Lineal Es un ejemplo de fabricación de pinturas [3.b. que se lista en el parágrafo siguiente: prolineal.lambda] = linprog(f.fval. XE. X2.lambda multiplicadores de Lagrange Mayores detalles. XI. por X1.A. lb=zeros(2.ub) La ejecución del programa dio la siguiente salida: » prolineal f= -3 -2 A= 1 2 17 . se puede tratarla como acotamiento de la variable de decisión XE.exitflag. páginas 4-91 al 4-97.lb.m % Programa para resolver un problema de programación lineal f=[-3 -2]' A=[1 2 21 -1 1] b=[6 8 1]' Aeq=[].Aeq.output. prolineal. 4]. El problema no tiene restricciones de igualdad lineales. el modelo de optimización queda planteado como un problema de programación lineal: Maximizar Z= 3XE+2XI Sujeto a: XE+2XI ≤ 6 2XE+XI ≤ 8 -XE+XI ≤ 1 XI ≤ 2 XE.beq. el modelo se implementó en un archivo extensión m. Por tanto.m. se puede consultar en el manual [1]. beq=[]. se tiene solamente tres restricciones de desigualdad.1) ub=[100 2]' [x. La cuarta restricción. XI ≥ 0 función objetivo restricciones El problema tiene cuatro restricciones de desigualdad lineales.

ineqlin ans = 18 .3333 1.2 -1 b= 6 8 1 lb = 0 0 ub = 100 2 1 1 Optimization terminated successfully.3333 fval = -12.6667 exitflag = 1 output = iterations: 7 cgiterations: 0 algorithm: 'lipsol' lambda = ineqlin: [3x1 double] eqlin: [0x1 double] upper: [2x1 double] lower: [2x1 double] » lambda. x= 3.

4.3333 0. Mc Graw-Hill. [2] Software.0000 1 Las dos primeras restricciones.0.6667 El problema original. Versión 7. et al. Apuntes de la asignatura. J.6667 Los multiplicadores de Kuhn-Tucker (precios duales).2 Interpretación de los Resultados La optimización fue exitosa. Hillier. January. Matlab®.3333 XI = 1.3333 fval = -12.3333 2 = 1. México. 2003. 3a Edición. G. se utilizó la rutina ‘lipsol’.0000 » 3. están activas y el tercer multiplicador indica que la tercera restricción está inactiva. por tanto. 1991. User’s Guide. Optimization Toolbox For Use with Matlab®. 2007. [4] A.287. Una Introducción a la Investigación de Operaciones. 1999. Operación Económica y Planificación de Sistemas Eléctricos de Potencia. el valor de la función objetivo es: Z = 12.3333 1. 19 . son: XE = 3. Blanco. Version 2. algoritmo para optimización de gran escala. Los resultados. Referencias Bibliográficas [1] Thomas Coleman. son: = 0.S. fue de maximizar.3333 3 = 0. [3] F.0.. Lieberman. Fueron necesarias siete iteraciones.

Sign up to vote on this title
UsefulNot useful