APUNTES

INSTITUTO
INSTITUTO POLITÉCNICO NA
NA CIONAL
ESCUELA SUPERIOR DE INGENIERÍA QUÍMICA E INDUSTRIAS EXTRACTIVAS
Apuntes de
Optimización y Simulación de Procesos
Gabriel E. Santana Rodríguez
Julio 2007

Contenido
Optimización _____________________
________________________________
______________________
_________________________ 1
______________
________________________________________________________ 1
¿Porqué optimizar? ________________________________________________________
Clasificación de modelos
modelos _____________________
________________________________
___________________________ 1
________________
Función objetivo ______________________
_________________________________
________________________________ 1
_____________________
optimización_______________________ 1
Características esenciales de los problemas de optimización_______________________
Pasos para
para la solución de problemas de optimización ____________________________ 1
de problemas
________________________________________________________________ 1
Ejemplo 1 ________________________________________________________________
________________________________________________________________ 1
Ejemplo 2 ________________________________________________________________
Métodos analíticos ___________
_______________________
_______________________
______________________________ 1
___________________
_____________________________________________________ 1
Derivación Univariable _____________________________________________________
Primeraa derivada
Primer derivada _______________
______________________
_______________
_______________
_______________
_______________
___________________1
____________1
Segunda derivada________________________________________________________________1
Ejemplo 1______________________________________________________________________1
Ejemplo 2______________________________________________________________________1
_________11
Derivación Multivaria
Derivación Multivariable
ble __________
_______________
__________
__________
__________
__________
__________
___________
___________
_____ 1
Gradiente _____________________________________________________________
_____________________________ _________________________________________
Hessiano_______________________________________________________________________1
Ejemplo 1______________________________________________________________________1
Ejemplo 2______________________________________________________________________1
Ejemplo 3______________________________________________________________________1
________________________________________________ 1
Multiplicadores de Lagrange ________________________________________________
Ejemplo 1______________________________________________________________________1
Ejemplo 2______________________________________________________________________1
Métodos numéricos
numéricos ______________________
_________________________________
______________________________ 1
___________________
Fibonacci________________________________________________ _________________ 1
Fibonacci_________________________________________________________________
Ejemploo _______________
Ejempl ______________________
______________
_______________
_______________
_______________
_______________
___________________1
____________1
Se
Sección ____________________________________________________________ 1
cción dorada ____________________________________________________________
Ejemploo _______________
Ejempl ______________________
______________
_______________
_______________
_______________
_______________
___________________1
____________1
Simplex __________________________________________________________________ 1
Simplex __________________________________________________________________
Ejemplo 1______________________________________________________________________1
Ejemplo 2______________________________________________________________________1
Nelder-Mead______________________________________________________________ 1
Nelder-Mead______________________________________________________________
Ejemplo 1______________________________________________________________________1
Ejemplo 2______________________________________________________________________1
_________________________________________________________ 1
Máxima Pendiente _________________________________________________________
Ejemplo 1______________________________________________________________________1
Ejemplo 2______________________________________________________________________1
Programación lineal
lineal ______________________
__________________________________
_____________________________ 1
_________________
Método gráfico.
Método gráfico. __________
_______________
__________
__________
___________
____________
___________
___________
____________ _____ 1
___________
Ejemploo _______________
Ejempl ______________________
______________
_______________
_______________
_______________
_______________
___________________1
____________1
Método Simplex
Ejemplo
Ejempl ___________________________________________________________
_______________________________
o _______________
______________________
______________
_______________ ____________________________
_______________
_______________
_______________
______________ 1
____________1
_____1
i

Programación geométrica
geométrica ______________________
_________________________________
_________________________ 1
______________
Ejemplo de
de polinomios con términos __________________________________ 1
términos positivos __________________________________
Ejemplo de polinomios con términos positivos y negativos ________________________ 1
Programación dinámica _____________________
________________________________
___________________________ 1
________________
________________________________________________________________ 1
Ejemplo 1 ________________________________________________________________
________________________________________________________________ 1
Ejemplo 2 ________________________________________________________________
Bibliografía ______________________
_________________________________
______________________
_________________________ 1
______________
ii

GESR
Optimización [1]
La optimización es el uso de métodos específicos para determinar la solución más
rentable y más eficiente a un problema o a un diseño para un proceso. Esta técnica es
una de las herramientas cuantitativas principales en la toma de decisión industrial. Una
amplia variedad de problemas en el diseño, la construcción, la operación, y el análisis
de plantas químicas (así como muchos otros procesos industriales) se puede resolver por
la optimización.
El objetivo de la optimización es encontrar los valores de las variables en el proceso que

produzcan el mejor valor del criterio establecido tal como el costo mínimo.
Normalmente existe una compensación entre los costos de capital y de operación.
¿Porqu
¿Porqu é optimizar?
¿Por qué los ingenieros están interesados en la optimización? ¿Qué beneficios resultan
de usar este método en vez de tomar decisiones intuitivamente? Los ingenieros trabajan
para mejorar el diseño
dise ño inicial del equipo y se esfuerz
esfuerzan
an para mejorar la operación
operaci ón de ese
equipo una vez que esté instalado de tal modo que realice la mayor producción, el
máximo beneficio, el costo mínimo, el menor uso de energía y así sucesivamente. El
valor monetario proporciona una medida conveniente de objetivos diversos, pero no
todos los problemas tienen que ser considerados en un marco monetario (costo contra
rédito).
En operaciones de planta, las ventajas surgen del funcionamiento mejorado de la planta,

tal como mejores producciones de productos valiosos (o producciones reducidas de
contaminantes), del consumo de energía reducido, de velocidades de procesamiento
mayores y de tiempos más largos entre paros. La optimización puede también conducir
a costos de mantenimiento reducidos, a menos desgaste del equipo y a una utilización
mejor del personal. Además, las ventajas intangibles surgen de las interacciones entre
operadores de planta, ingenieros y la gerencia. Es extremadamente provechoso
identificar sistemáticamente el objetivo, las restricciones y los grados de libertad en un
proceso o una planta, conduciendo a beneficios taltales
es como calidad mejorada del diseño,
una
más localización
rápida. de averías más rápidamente y más confiables, y una toma de decisión
Los beneficios pronosticados se deben hacer con cuidado. Las variables de operación y
diseño en la mayoría de las plantas se relacionan siempre de cierta manera. Si la cuenta
del combustible para una columna de la destilación es $3000 por día, un ahorro del 5
por ciento puede justific
justificar
ar un proyecto sobre conservación de energía. Sin embargo, en
una operación unitaria tal como destilación, es incorrecto simplemente sumar los
servicios del intercambiador de calor y hacer una reducción en el calor total requerido.
Una reducción en el servicio de calentamiento del rehervidor puede influenciar en la
pureza del producto, que se puede traducir en un cambio en las ganancias y en los
requerimientos de enfriamiento en el condensador. Por lo tanto, puede ser engañoso no
hacer caso de los efectos indirectos y de relación que tienen las variables del proceso en
los costos.
1

GESR
¿Qué hay acerca de la discusión, de que el uso formal de la optimización realmente no

está garantizado debido a la incertidumbre que existe en la representación matemática
del proceso o de los datos utilizados en el modelo del proceso? Tal discusión tiene
ciertamente cierto mérito. Los ingenieros tienen que usar un juicio en la aplicación de
técnicas de optimización a los problemas que tienen una incertidumbre considerable
asociada a ellos, desde el punto de vista de la exactitud y del hecho de que los
parámetros de operación de la planta y los alrededores no son siempre estáticos. En
algunos casos puede ser posible realizar un análisis vía optimización determinista y
después agregar características estocásticas al análisis para producir predicciones
cuantitativas del grado de incertidumbre. Siempre que el modelo de un proceso se
idealice y los datos de la entrada y los parámetros se conozcan aproximadamente, los
resultados de la optimización se deben tratar juiciosamente. Pueden proporcionar límites
superiores a las expectativas. Otra manera de evaluar la influencia de parámetros
inciertos en el diseño óptimo es realizar un análisis de sensibilidad. Es posible que el
valor óptimo de una variable de proceso no es afectado por ciertos parámetros
(sensibilidad baja); por lo tanto, tener valores exactos para estos parámetros no será
crucial para encontrar el óptimo verdadero.
Clasifi
Clasificación
cación de modelos
Basados en la teoría física Basados en descripciones

estrictamente empíricas
Involucra balances de masa y energía, Provienen de la experiencia como de

termodinámica, cinética de la reglas heurísticas a consecuencia de
reacción química, etc. falta de tiempo o de recursos.
Linear No linear

f ( x)
f ( x)
x
x
Estado estacionario (estático) Estado no estacionario (dinámico)
∂ ∂
=0 ≠0
∂t ∂t

No hay variación respecto al tiempo. Si hay variación respecto al tiempo.
2

GESR
Parámetro agrupado Parámetro distribuido
∂ ∂
= 0 ≠0
∂V ∂V

Las variaciones espaciales se ignoran Existen variaciones espaciales y las
y las propiedades del sistema son propiedades del sistema son
iguales en todo el volumen diferentes en todo el volumen
Variable discreta Variable continua
La variable tiene un número finito de La variable tiene un número infinito

valores, por ejemplo, el número de de valores, por ejemplo, los diferentes
compresores. valores de presión y temperatura en
cada etapa de compresión.
Determinísticos Estocásticos
Son sistemas que exhiben el mismo Son sistemas que funcionan por azar
comportamiento
condiciones bajo lasalmismas
y no suceden azar. Por en función
ejemplo, de probabilidades.
la forma Por
que toma el vapor
ejemplo, un líquido hervirá bajo es aleatoria.
ciertas condiciones.
3

GESR
Función objetivo [1]

Formular el problema es quizás el paso más crucial de la optimización. La formulación
del problema requiere identificar los elementos esenciales de una declaración
conceptual o verbal de una aplicación dada y organizarlos en una forma matemática
prescrita, a saber,
1. La función objetivo (criterio económico)

2. El modelo de proceso (restricciones)
La función objetivo representa los factores tales como beneficio, costo, energía, y
producción en términos
términos de las variables claves del proceso que es analizado. El modelo
del proceso y las restricciones describen las correlaciones de las variables clave.
Características
Características ese
esenciales
nciales de los p rob
roblemas
lemas de optimización
Debido a que la solución de los problemas de optimización implica varias características

de las matemáticas, la formulación de un problema de optimización debe utilizar
expresiones matemáticas. Tales expresiones no necesitan necesariamente ser muy
complejas. No todos los problemas se pueden indicar o analizar cuantitativamente, pero
restringiremos nuestra cobertura a los métodos cuantitativos. Desde un punto de vista
práctico, es importa
importante
nte relacionar correctamente
correctamente la declaraci
declaración
ón del problema con una
técnica de solución anticipada.
Una variedad amplia de problemas de optimización tiene estructuras asombrosamente

similares. De hecho, es esta semejanza la que ha permitido el progreso reciente en las
técnicas de optimización. Los ingenieros químicos, ingenieros petroleros, físicos,
químicos e ingenieros de tráfico, entre otros, tienen un interés común en la misma
estructura matemática del problema, cada uno con un diverso uso en el del mundo real.
Podemos hacer uso esta semejanza estructural para desarrollar un marco o una
metodología dentro de la cual puede ser estudiado cualquier problema.
Cada problema de optimización contiene tres categorías esenciales:

1. Por lo menos una función objetivo que se optimizará (función beneficio, función
costo, etc.)
2. Restricciones de igualdad (ecuaciones)
3. Restricciones de desigualdad (desigualdades)
Las categorías 2 y 3 constituyen el modelo del proceso o del equipo; la categoría 1 a

veces se llama el modelo económico. Por solución factible del problema de
optimización se quiere decir que se trata de un conjunto de variables que satisfacen las
categorías 2 y 3 al grado deseado de precisión.
4

GESR
Pasos
Pasos para
p ara la soluci ón de prob lema
lemas
s de optimi za
zación
ción
1. Analizar el proceso para definir las variables de proceso y las características

específicas del interés; es decir, hacer una lista de todas las variables. Puede incluir un
diagrama o esquema.
2. Determinar el criterio de optimización (minimizar o maximizar), especificar la
función objetivo
coeficientes. en términos
Este paso de las
proporciona variables
el modelo de definidas en el
optimización paso 1llamado
(a veces junto con los
modelo
económico cuando sea apropiado).
3. Con expresiones matemáticas, desarrolle un modelo válido del proceso o del equipo
que relacione las variables de entrada-salida del proceso y los coeficientes asociados.
Incluir las restricciones de igualdad y desigualdad. Utilizar principios físicos bien
conocidos (balances de masa, balances de energía), relaciones empíricas, conceptos
implícitos y restricciones externas. Identificar las variables independientes y
dependientes para obtener el número de grados de libertad.
4. Si la formulación del problema es demasiado grande en alcance:
(a) Divida el problema en partes manejables o,

(b) simplifique la función objetivo y el modelo.
5. Aplique una técnica de optimización adecuada a la declaración matemática del
problema..
problema
6. Compruebe las respuestas y examine la sensibilidad del resultado a los cambios en

los coeficientes del problema y las suposiciones.
Ejemplo
Ejemplo 1
Se desea enfriar un gas [Cp=0.3 Btu/(lb ºF)] de 195 a 90 ºF, usando agua de
enfriamiento a 80 ºF. Los costos del agua son $0.20/1000 pies 3 y los cargos fijos
2
anuales para el
0.0875 pies. El intercambiador
coeficiente de son $0.50/pie de
transferencia de calor
superficie interna,
es U=8 conpie
Btu/(h un2 diámetro de
ºF) para un
gasto másico de gas de 3000 lb/h. Grafique los costos anuales del agua de enfriamiento
y los cargos fijos del intercambiador como una función de la temperatura del agua de
salida. ¿Cuál es el costo total mínimo?
Solución:
Paso 1.
Suposición: Intercambiador de calor de un solo paso por tubos y un solo paso por
coraza en contracorriente y sin cambio de fase.
El perfil de temperatura es:
5

GESR
195ºF
T0
90ºF
80ºF
0.20 $
C agua =
1000 pies 3
$
C fijos = 0.50 2
pie año
lb
mgas = 300
h
Btu
Cp gas = 0.3
lb º F
Btu
U = 8 2
h pie º F
Paso 2.
Minimizar Costos totales como una función de la temperatura del agua de salida.
$
Costostotales = f (T 0 ) =
año
Paso 3.
Sumar todos los costos y dejarlos en $/año. Para eso se necesita las ecuaciones que
describen el proceso:
Suposiciones: Pérdidas de365

Se laboran calor despreciables
días al año, 24 horas al día.
Btu lb
Cp agua = 1 , ρ agua = 62.4 3

lb º F pie
Q = magua cpagua (T 0 − 80)

Q = m gas cp gas (195 − 90)
Q = UAΔT ml

(195 − T 0 ) − (90 − 80)
ΔT ml =
⎛ (195 − T 0 ) ⎞
ln⎜⎜ ⎟⎟
⎝ (90 − 80) ⎠
6

GESR
Los costos son:
0.20 $ ⎛ ⎜ 1 pie 3 ⎞⎟⎛ lb ⎞⎛ ( 24)(365) h ⎞ $

C agua = ⎜ m ⎟⎜ ⎟ =
1000 pies 3 ⎜⎝ ρ agua lb ⎠⎟⎝
agua
h ⎠⎝ año ⎠ año

$ $
C fijos = 0.50 ( A pies 2 ) =
pie 2 año año
Donde:
Q mgas cp gas (195 − 90) (3000)(0.3)(195 − 90) lb

magua = = = =
cpagua (T 0 − 80) cpagua (T 0 − 80) (1)(T 0 − 80) h
Q (3000)(0.3)(195 − 90)
A = = = pies 2
U ΔT ml ⎧ ⎫
⎪ ⎪
⎪ (195 − T 0 ) − (90 − 80) ⎪
(8)⎨ ⎬
⎪ ln⎛ ⎜⎜
(195 − T 0 ) ⎞ ⎪
⎟⎟
⎪⎩ ⎝ (90 − 80) ⎠ ⎪⎭
Paso 4.
No hay nada que

que simpli
simplificar
ficar
Paso 5.
Una técnica de solución, es derivar la función objetivo en términos de la variable T0.

Igualar a cero y encontrar la solución.
dC total
=
dT 0
T 0 = 120.5 °F

$
C total = 249.40
año
Paso 6.
Para comprobar la solución, se puede graficar.
7

GESR
Ejemplo
Ejemplo 2
Un compuesto orgánico se produce en un proceso por lotes donde no se obtiene ningún

producto hasta que se termine el procesam
procesamiento
iento del lote. Cada ciclo consiste de un
tiempo de operación necesario para completar la reacción más un tiempo adicional de
1.4 h requeridas para descarga y carga. El tiempo de operación por ciclo es igual a
1.5P0.25, donde P son los kilogramos de producto producido por lote. Los costos de
operación durante el periodo de operación son $20 por hora, mientras que los costos
durante el periodo de descarga-carga son $15 por hora. Los costos fijos anuales (C f ) del
equipo, varían con el tamaño del lote de la siguiente forma:
⎡ $ ⎤
C f = 340 P 0.8 ⎢ ⎥
⎣ año ⎦
Los cargos por almacenamiento e inventario se pueden despreciar. De ser necesario

asuma que la planta puede operar 24h/día por 300 días/año. La producción anual es 106
kg de producto. A esta capacidad, los costos de las materias primas y misceláneas,
diferentes a los ya mencionados, son de $260 000 por año. Determine el tiempo del
ciclo para obtener el mínimo costo anual total.
Paso 1.
⎡h ⎤
1.4 ⎢ muerto ⎥ tiempo para descarga y carga.
⎣ ciclo ⎦
⎡ hoperación ⎤
1.5P0.25 ⎢ ⎥ tiempo de operación por ciclo (se asume en horas)
⎣ ciclo ⎦
⎡ Kg producto ⎤
P ⎢ ⎥ kilogramos de producto producido por lote (1 lote por cada
⎣ ciclo ⎦
ciclo)
8

GESR
⎡ $ ⎤
20 ⎢ ⎥ Costo durante el periodo de operación
⎢⎣ operación ⎥⎦
h
⎡ $ ⎤
15 ⎢ ⎥ Costo durante el periodo de descarga-carga
h
⎣ muerto ⎦
⎡ $ ⎤
C f = 340 P 0.8 ⎢ Costos fijos anuales
⎣ año ⎥⎦
⎡ Kg producto ⎤
106 ⎢ ⎥ Producción anual
⎣ año ⎦
⎡ $ ⎤
260 000 ⎢ ⎥ Costos de las materias primas y misceláneas
⎣ año ⎦
De ser necesario asuma que la planta puede operar 24h/día por 300 días/año.
Paso 2.
Minimizar los costos totales anuales en función de la única variable P.
$
Costostotales = f ( P ) =
año
Paso 3.
Convertir todos los costos a $/año y después sumarlos.
Costo durante el periodo de operación,
⎛ ⎞⎛ ⎞ 1 ciclo ⎞⎛ 6 Kg ⎞ ⎛ $ ⎞
⎜ 20 $ ⎟⎜1.5P 0.25 operación ⎟⎛
h
⎜ hoperación ⎟⎜ ⎟⎜⎜ P Kg ⎟⎟⎜⎝ 10 año ⎠⎟ = ⎜⎝ año ⎠⎟
⎝ ⎠⎝ ciclo ⎠⎝ ⎠
Costo durante el periodo de descarga-carga,
⎛ $ ⎞⎛ hmuerto ⎞⎛ 1 ciclo ⎞⎛ 6 Kg ⎞ ⎛ $ ⎞

⎜⎜15 ⎟⎟⎜1.4 ⎟⎜⎜ ⎟⎟⎜10 ⎟=⎜ ⎟
⎝ muerto ⎠⎝
h ciclo ⎠⎝ P Kg ⎠⎝ año ⎠ ⎝ ⎠
año
El costo total es,
Paso 4.
No hay nada que simplificar
9

GESR
Paso 5.
Una técnica de solución, es derivar la función objetivo en términos de la variable P.

Igualar a cero y encontrar la solución.
dC total
=
dP
P = 1625.840 Kg
ciclo
$
C total =
año
El tiempo de cada ciclo es,

h
1.4 + 1.5P 0.25 = 1.4 + 1.5(1625.84) 0.25 = 10.9
ciclo
El tiempo total al año es,
⎛ h ⎞⎛ 1 ciclo ⎞⎛ 6 Kg ⎞ 10.9 ⋅ 10 6 h

⎜10.9 ⎟⎜⎜ ⎟⎟⎜10 ⎟= = 6704.2
⎝ ciclo ⎠⎝ P Kg ⎠⎝ año ⎠ 1625 . 84 año
El tiempo total disponible es de (24)(300)=7200 h/año, es decir, a condiciones óptimas

no se requerirá todo el tiempo disponible de operación.
Paso 6.
Para comprobar la solución, se puede graficar.
10

GESR
Método
Método s analíticos
analíticos [2]
Derivació
Derivació n Univ
Univariable
ariable
Primera derivada. Es la pendiente de una recta y se define como:
f ( x + h) − f ( x)
f x =
h →0
' ( ) lim h
Para una función dada f ( x) , la pendiente en un punto estacionario (punto mínimo,
máximo o de inflexión) es cero.

f ( x)
Máximo
f ' ( x) = 0
Inflexión
)=0
f ' ( x
Mínimo
f ' ( x ) = 0
( x)
Segunda derivada. Sigue siendo una pendiente, pero su significado es diferente.
La serie de Taylor, es una serie infinita que puede representar una función como:
− 2
− n
f ( x) = f ( x 0 ) + f ' ( x0 )( x − x0 ) + f ' ' ( x0 ) ( x x0 ) + L + f ( ) ( x0 ) ( x x 0 )
n
2! n!
Donde: x0 es un punto estacionario

x es uunn punto alrededor de x0
Si la serie se trunca hasta el tercer término,
0 (en un punto estacionario)

( x − x0 ) 2
f ( x) = f ( x 0 ) + f ' ( x0 )( x − x0 ) + f ' ' ( x 0 )
2!
( x − x0 ) 2
f ( x) = f ( x ) + f ' ' ( x )
0 0
2!
11

GESR
Se despeja f ' ' ( x0 ) ,

2!( f ( x ) − f ( x0 ) )
f ' ' ( x0 ) =
( x − x0 ) 2
En está última ecuación, el término f ( x ) − f ( x0 ) varía de signo, los otros términos son
siempre positivos.
Para un mínimo
f ( x)

f ( x)
Como f ( x ) > f ( x0 ) :
f ( x)
f ( x ) − f ( x0 ) siempre es positivo
f ( x0 )
∴ f ' ' ( x0 ) > 0 es un mínimo
x x0 x ( x)
Para un máximo
f x
( )
f ( x0 )
f ( x) Como f ( x ) < f ( x0 ) :

f ( x)
f ( x ) − f ( x0 ) siempre es negativo
∴ f ' ' ( x0 ) < 0 es un máximo

x x0 x ( x)
12

GESR
El resultado anterior se puede generalizar.
Si el orden de la derivada es un número par (n):
Si f (n)(xopt)>0 se trata de un mínimo

Si f (n)(xopt)<0 se trata de un máximo
Si f (n)(xopt)=0 se necesita de una derivada de orden mayor para definirlo
Si el orden de la derivada es un número impar (m):
Si f (m)(xopt)>0 se trata de un punto de inflexión

Si f (m)(xopt)<0 se trata de un punto de inflexión
Si f (m)(xopt)=0 se necesita de una derivada de orden mayor para definirlo
Ejemplo 1
x 4 x 2
Encontrar el punto estacionario de la función f ( x) = − . Decir de qué tipo se trata.
2 2
Solución:
La primera derivada de la función es,

f ' ( x) = 2 x 3 − x = 0
La solución de la ecuación anterior es,

x = 0
x = + 1 2
x = − 1 2
Hasta el momento se sabe que existen 3 puntos estacionarios, pero no se puede decir si
se trata de un punto mínimo, máximo o de inflexión.
La segunda derivada de la función es,

f ' ' ( x) = 6
x − 1
2
Se evalúa cada punto estacionario y se obtiene,

f ' ' ( x = 0) = −1 f ' ' ( x0 ) < 0 ∴ Se trata de un máximo
f ' ' ( x = + 1 2 ) = 2 f ' ' ( x0 ) > 0 ∴ Se trata de un mínimo
f ' ' ( x = − 1 2 ) = 2 f ' ' ( x0 ) > 0 ∴ Se trata de un mínimo

En la siguiente grafica se pueden ver los puntos estacionarios de la función.

13

GESR
Ejemplo 2
Encontrar el punto estacionario de la función f(x)=x5. Decir de qué tipo se trata.

Solución:
La primera derivada es,

f’(x)=5x4=0
La solución d e la ecuación anterior es x=0.

La segunda derivada de la función es,
f’’(x)=20x 3
f’’(x=0)=0 Se necesita de una derivada de orden mayor

La tercera derivada de la función es,
f (3)(x)=60x2
f (3)(x=0)=0 Se necesita de una derivada de orden mayor

La cuarta derivada de la función es,
f (4)(x)=120x
f (4)(x=0)=0 Se necesita de una derivada de orden mayor

La quinta derivada de la función es,
f (5)(x)=120
(5)
f (x=0)=120 como el orden de la derivada es impar (m=5), se trata de un
punto de inflexión.
inflexión.
14

GESR
La gráfica de la función es:

x=0
Punto de inflexión
15

GESR
Derivació
Derivació n Multiv
Multivariable
ariable
Gradiente
El gradiente es la derivada parcial de una función respecto a cada una de las variables
independientes:
⎡ ∂ f ⎤
⎢ ∂ x1 ⎥
⎢ ∂ f ⎥
∇ f ( x1 , x2 ,L, xn ) = ⎢ ∂ x2 ⎥
⎢ M ⎥
⎢ ∂ f ⎥
⎢ ⎥
⎢⎣ ∂ xn ⎥⎦
Para una función dada f ( x1 , x2 , L

, xn ) , su gradiente en un punto estacionario (mínimo,
máximo u otro) es cero.

f ( x, y) = ( x − 2 ) + ( y − 1)
2 2
Por ejemplo, para la función:

f ∂ f ⎤ = [2( x − 2) 2( y − 1)]T
∇ f ( x, y) = ⎡⎢ ∂
T
Su gradiente es:
⎣ ∂ x ∂ y ⎥⎦
Su gradiente representa la pendiente de un plano. En el punto mínimo de la función, la

pendiente de
de este pla
plano
no respect
respectoo al eje “x” y “y” es ce
cero
ro
f(x, y)
f ( x , y )
y x
plano
Hessiano
La serie de Taylor se puede usar para desarrollar el criterio de un mínimo o un máximo

de una función de dos variables,
( x − x0 ) 2
f ( x, y ) = f ( x0 , y 0 ) + f x ( x0 , y0 )( x − x0 ) + f y ( x0 , y 0 )( x − x0 ) + f xx ( x0 , y0 ) +
2!

( x − x0 )( y − y 0 ) ( y − y 0 ) 2
+ f xy ( x0 , y0 ) 2! + f yy ( x0 , y0 ) 2! +L
16

GESR
Donde los subíndices “x”,”y” indican diferenciación parcial respecto a aquellas

variables.
Si truncamos la serie de Taylor hasta los términos de segundo orden y puesto que las
primeras derivadas eevaluadas
valuadas eenn el punto eestacionar
stacionario
io (x0, y0) son cero:
0 0
( x − x0 ) 2
f ( x, y ) = f ( x0 , y 0 ) + f x ( x0 , y0 )( x − x0 ) + f y ( x0 , y 0 )( x − x0 ) + f xx ( x0 , y0 ) +
2!
( x − x0 )( y − y 0 ) ( y − y 0 ) 2
+ f xy ( x0 , y0 ) + f yy ( x0 , y0 )
2! 2!
( x − x0 ) 2 ( x − x0 )( y − y0 ) ( y − y0 ) 2

f ( x, y) = f ( x0 , y0 ) + f xx ( x0 , y0 ) + f xy ( x0 , y0 ) + f yy ( x0 , y0 )
2! 2! 2!

En forma matricial,
1 ⎡ f xx f xy ⎤ ⎡ ( x − x0 ) ⎤
f ( x, y ) = f ( x0 , y 0 ) + [( x − x0 ) ( y − y 0 )]⎢ ⎥ ⎢ ⎥
2 ⎢⎣ f yx f yy ⎥⎦ ⎣( y − y0 )⎦
Donde:
⎡ f xx f xy ⎤
⎢⎣ f yx f yy ⎥⎦ es la matriz de segundas derivadas parciales evaluada en el
punto estacionario
estacionario (x0, y0), a esta matriz se le llama matriz Hessiana.
Para una función de n variables, la matriz Hessiana se puede escribir como,
⎡ ∂ 2 f ∂ 2 f ∂ 2 f ∂ 2 f ⎤

⎢ ∂ x 2 L
⎢ 21 ∂ x1∂ x2 ∂ x1∂ x3 ∂ x1∂ xn ⎥⎥
⎢ ∂ f ∂ 2 f ∂ 2 f ∂ 2 f ⎥
L
⎢ ∂ x ∂ x ∂ x22 ∂ x2 ∂ x3 ∂ x2 ∂ xn ⎥
H = ⎢ ∂ 2 f ⎥
2 1
⎢ ∂ 2 f ∂ 2 f ∂ 2 f ⎥

L
⎢ ∂ x3∂ x1 ∂ x3 ∂ x2 ∂ x32 ∂ x3 ∂ xn ⎥
⎢ M M M M M ⎥
2 f 2 f 2 f
⎢ ∂ ∂ ∂ L ∂ 2 f ⎥
⎢⎣ ∂ xn ∂ x1 ∂ xn ∂ x2 ∂ xn ∂ x3 ∂ xn2 ⎥⎦
r
f ( x0 ) es un mínimo si:
H0 t tiiene determinantes Di > 0 donde i = 1, 2, …, n
(H0 se denomina positiva definida)
r
f ( x0 ) es un máximo si:
H0 tiene determinantes Di < 0 para i = 1, 3, …, impares y
tiiene determinantes Di > 0 para i = 2, 44,, …
H0 t …,, pares
(H0 se denomina negativa definida)
Donde: i, representa el tamaño de la matriz H0 (filas y columnas)
17

GESR
Si el resultado es cero para cualquier valor de Di, se dice que la matriz es semi-definida
positiva o semi-d
semi-definida
efinida negativa, no se puede definir si se trata de un mínimo o un
máximo y por lo tanto se requiere de una derivada de orden mayor para definirlo.
Ejemplo 1
2 2
Para una función

estacionarios de sidos
y decir se variables:
f ( x, y) = ( x − 2 ) + ( y − 1) . Encontrar los puntos
trata de un mínimo, un máximo o que no se pueda definir
como tal.

Su gradiente es:
⎡ ∂ f ⎤
⎢ x ⎥ ⎡ f x ⎤ ⎡2( x − 2)⎤
∇ f ( x, y ) = ⎢ ∂∂ f ⎥=⎢ ⎥=⎢ ⎥
⎢ ⎥ ⎣ y ⎦ ⎣ f 2 ( y − 1) ⎦
⎢⎣ ∂ y ⎥⎦
En el punto estacionario, el gradiente es cero:
f x = 2 ( x − 2) = 0
f y = 2 ( y − 1) = 0
La solución del sistema de ecuaciones anterior es:
x0 = 2

y0 = 1
Las derivadas parciales del gradiente, se vuelven a derivar para formar la matriz
Hessiana, es decir:
⎡ ∂ f x ∂ f x ⎤ ⎡ ∂(2( x − 2)) ∂(2( x − 2)) ⎤

⎢ ∂ x ∂ y ⎥ ⎢ ∂ x ∂ y ⎥ ⎡ 2 0⎤
⎢ ⎥=⎢ ⎥=
H= ⎢ ∂ f y ∂ f y ⎥ ⎢ ∂(2( y − 1)) ∂(2( y − 1)) ⎥ ⎢⎣0 2⎥⎦
⎢⎣ ∂ x ∂ y ⎥⎦ ⎢⎣ ∂ x ∂ y ⎥⎦
Evaluada en el punto estacionario x0 = 2 , y0 = 1
⎡2 2⎤
H 0 = ⎢ ⎥
⎣ 2 2 ⎦
La matriz Hessiana es de tamaño i=2, se calcula la determinante de la matriz H 0 de

tamaño (1 x 1) y de (2 x 2), como:
18

GESR
D1 = 2
2 0
D2 = =2
0 2
Como D1 >0 y D2 >0, la matriz H0 es positiva definida, por lo tanto se trata de un
mínimo.
f ( x = 2 , y = 1) = 0
0 0
Ejemplo 2
Para la siguiente función: . Encontrar los puntos
estacionarios y decir si se trata de un mínimo, un máximo o que no se pueda definir

como tal.
Su gradiente es:
⎡ ∂ f ⎤
⎢ x ⎥
∇ f ( x, y ) = ⎢ ∂∂ f ⎥=
⎢ ⎥
⎣⎢ ∂ y ⎦⎥
⎡0⎤
=
⎢⎣0⎥⎦
19

GESR
Hessiana:

En el punto 1:
H 0 =
D1 =
D1 =
D2 =
D2 =
Como D1 =0 y D2 <0, no se trata ni de un mínimo, ni de un máximo, se necesitan de
derivadas de orden mayor para definirlo.
f ( x0 = 0 , y 0 = 0) = 3
En el punto 2:
H 0 =
D1 =
D1 =
D2 =
D2 =
Como D1 >0 y D2 >0, se trata de un mínimo.
f ( x0 = 0.6541
, y0 = −0.91618) = 2.3611
20

GESR
Ejemplo 3
Para la siguiente función: . Encontrar los
puntos estacionar
estacionarios
ios y decir si se trata de un mínimo,
mínimo, un máximo o que no se pueda
definir como tal.
Su gradiente es:
⎡∂ f ∂ x ⎤
∇ f ( x, y ) = ⎢⎢∂ f ∂ y ⎥⎥ =
⎢⎣ ∂ f ∂ z ⎥⎦

⎡0 ⎤
= ⎢⎢0⎥⎥
⎢⎣0⎥⎦
Hessiana:
21

GESR
En el punto estacionario:
H 0 =
D1 =
D1 =
D2 =
D2 =
D3 =
D3 =
Como D1 >0, D2 <0 y D3 <0 no se trata ni de un mínimo, ni de un máximo, se necesitan

de derivadas de orden mayor para definirlo.
22

GESR
Multiplicadores de Lagrange
Se aplica a problemas de optimización multivariable con restricciones de igualdad y

desigualdad
Ejemplo 1
Optimizar: f ( x1 , x 2 ) = x1 + x 2

h( x1 , x2 ) = x1 + x2 − 1 = 0
2 2
Sujeto a:

En tercera dimensión, el problema se ve como:
El plano inclinado es la función

objetivo a optimizar que corta al
cilindro que es la restricción.
Si se ve desde arriba, obtendremos una gráfica que se llama de contornos
Cada recta representa un valor

constante de f ( x1 , x2 ) y el valor
óptimo debe estar sobre el círculo
f = 1.4142 (porque es una restricción de
igualdad).
f = 0.7000
f = 0.0000
f = -0.7000
f = -1.4142

De la gráfica anterior se puede ver que el problema tiene dos valores óptimos, un
mínimo en f ( x1 = −0.7071
, x2 = −0.7071) =-1.4142 y un máximo en
f ( x1 = 0.7071
, x2 = 0.7071) = 1.4142.

23

GESR
Sólo en un punto estacionario, los vectores ∇h y ∇ f se pueden relacionar

vectorialmente, en este caso:
∇h
∇ f
∇ f ∇ f = λ ∇h
∇h
El valor y signo de la variable λ (llamada multiplicador de Lagrange) no tiene ningún

significado cualitativo, solo relaciona el gradiente de la función objetivo con el
gradiente de las restricciones de igualdad.
Resolviendo el problema por multiplicadores de Lagrange.
La restricción se iguala acero y la función L es:
Se calcula el gradiente de L y cada una de las ecuaciones se iguala a cero:
Resolviendo el sistema de ecuaciones anterior, la solución es:
Solución
Solución 1 Solución
Solución 2
24

GESR
Cuando existen restricciones de desigualdad que llegan a formar parte de la solución, es

decir, desigualdades que se convierten en igualdades, los multiplicadores de Lagrange
se conoce como condiciones de Kuhn-Tucker o Karush- Kuhn-Tucker.
Hasta el momento no se puede definir si se trata de un mínimo o un máximo. Para eso

se tendrían que calcular las condiciones de segundo orden.
Ejemplo 2
Optimizar: f = x + 2y2 + z2

Sujeta a: x + y + z =1
x – y = -2
Las restricciones se igualan acero y la función L es:
Se calcula el gradiente de L y cada una de las ecuaciones se iguala a cero:
Resolviendo el sistema de ecuaciones, la solución es:
25

GESR
Métodos n uméricos [2]
Fibonacci
El método de Fibonacci es considerado como uno de los mejores métodos para

optimización univariable.
A partir de un intervalo de solución dado (a, b), el método de Fibonacci reduce éste
intervalo calculando dos puntos intermedios simétricos (x 1, x 2), la función objetivo f(x)
se evalúa en estos dos puntos; Para minimizar se elimina el punto con el mayor valor de
f(x) y para maximizar se elimina el punto con el menor valor de f(x)); el proceso de
eliminación se repite hasta un número determinado de intervalos.
∆

∆

f(x2)
f(x1)
a x1 x2 b
Para la siguiente
iteración este intervalo
se elimina
En la gráfica de abajo se muestra un ejemplo del método de Fibonacci. Se realizan 4

iteraciones con 5 intervalos calculados. Se supone que el punto “b” no cambia.
26

GESR
| ∆1
Iteración 1
∆3 ∆2
Δ1 = Δ 2 + Δ 3
a x1 x2 b
∆2
Iteración 2
∆4 ∆3
Δ 2 = Δ 3 + Δ 4
x1 x2 x3 b
∆3
Iteración 3 ∆5 ∆4
Δ 3 = Δ 4 + Δ 5
x2 x3 x4 b
∆4
Iteración 4
∆5
Δ δ
Δ5 = 4 + δ
2 2

x3 x4 x5 b
En la última iteración 4, si δ es muy pequeño δ → 0 .
Δ4
Δ5 =
2
Despejando Δ 4 y sustituyendo de la iteración 4 hasta la iteración 1,

Δ 4 = 2Δ 5
Δ 3 = Δ 4 + Δ 5 = 2Δ 5 + Δ 5 = 3Δ 5
Δ 2 = Δ 3 + Δ 4 = 3Δ 5 + 2 Δ 5 = 5Δ 5
27

GESR
Δ1 = Δ 2 + Δ 3 = 5Δ 5 + 3 Δ 5 = 8Δ 5
Igualando el intervalo Δ 5 de la iteración 1 y la iteración 2,

Δ Δ
Δ5 = 1 = 2
8 5
En la iteración 1,
Δ1 = ( b − a )
Δ 2 = ( b − x1 ) ó Δ 2 = ( x 2 − a )
(b − a) (b − x1 ) (b − a) ( x2 − a)
= ó =
8 5 8 5
5(b − a) 5(b − a)
x1 = b − ó x2 = a +
8 8
Si se realizarán “n” iteraciones,
x1 = b − Δ
x2 = a + Δ
Donde:
f m
Δ= (b − a)
f m+1
m 0 1 2 3 4 5 6 7 8 9 10 … m
f m 0 1 1 2 3 5 8 13 21 34 55 … f m = f m −1 + f m−2
m: es el número de intervalos calculados, m=n+1

n: es el número de iteraciones
Ejemplo
y = 3 +
6 x − 4 x 2
Maximizar:
Intervalo inicial: a=0, b=1
Iteraciones: n = 4 (m=n+1=5 intervalos)
Solución:
Con m= 5 intervalos, f 5 = 5 y f 6 = 8
28

GESR
5
Δ = (1 − 0) = 0.625
8
Iteración 1
a=0 x1 = b − Δ = 1 .0 − 0.625 = 0.375 x2 = a + Δ = 0 .0 + 0.625 = 0.625 b=1
f 1 = f ( x1 =
0.375) = 4.6875 f 2 = f ( x 2 = 0.625) = 5.1875
f 1 < f 2
Se elimina el punto a=0
El nuevo intervalo es:

a=0.375 < x < b=1.0
Δ = (1.0 − 0 .625) = 0.375
Iteración 2
a=0.375 x1 = 0.625 x 2 = a + Δ = 0. 375 + 0.375 = 0.750 b=1

f 1 = 5.1875 f 2 = f ( x 2 = 0.750) = 5.2500
f 1 < f 2
Se elimina el punto a=0.375

a=0.625 < x < b=1.0
Δ = (1.0 − 0 .750) = 0.250
Iteración 3
a=0.625 x1 = 0.750 x 2 = a + Δ = 0. 625 + 0.250 = 0.875 b=1.0

f 1 = 5.2500 f 2 = f ( x 2 = 0.875) = 5.1875
f 1 > f 2
Se elimina el punto b=1.0

a=0.625 < x < b=0.875
Δ = (0.750 − 0.625) = 0.125
Iteración 4
a=0.625 x1 = b − Δ = 0. 875 − 0.125 = 0.750 x2 = 0.750 b=0.875

f 1 = f ( x1 =
0.750) = 5.2500 f 2 = 5.2500
f 1 = f 2

La solución es x= 0.750
29

GESR
Secció
Secció n dor ada
El método de sección dorada es similar al método de Fibonacci.
∆1
Iteración 1
∆3 ∆2
Δ1 = Δ 2 + Δ 3
Δ1 Δ 2
= +1 a x1 x2 b
Δ3 Δ3
∆2
Iteración 2

∆4 ∆3
Δ 2 = Δ 3 + Δ 4

Δ 2 Δ3
= +1
Δ4 Δ4 x1 x2 x3 b
∆3
Iteración 3 ∆5 ∆4
Δ 3 = Δ 4 + Δ 5

Δ3 Δ 4 x2 x3 x4 b
= +1
Δ5 Δ5
∆4
Iteración 4
∆6 ∆5
Δ 4 = Δ 5 + Δ 6

Δ4 Δ5
= +1
Δ6 Δ6
x3 x4 x5 b
De la gráfica anterior, se puede obtener lo siguiente:
30

GESR
Δ 2 Δ3 Δ 4 Δ5
= = = = ϕ ( ϕ es una constante)
Δ3 Δ 4 Δ5 Δ6
En la iteración 2 tenemos,
Δ2 Δ3
= +1
Δ4 Δ4
Si dividimos y multiplicamos el lado izquierdo por Δ 3 ,
Δ 2 Δ3 Δ3
= + 1
Δ3 Δ 4 Δ4
ϕϕ = ϕ + 1
ϕ 2 − ϕ − 1 = 0
En la iteración 1,
Δ2
= ϕ
Δ3
Δ1 = ( b − a )
Δ 2 = ( b − x1 ) ó Δ 2 = ( x 2 − a )
(b − a) (b − a)
(b − x1 ) = ϕ ó ( x2 − a) = ϕ
(b − a ) (b − a )
x1 = b − ó x2 = a +
ϕ ϕ
Ejemplo
f ( x) = 0.5 − x exp(− x )

2
Minimizar
En el intervalo: a=0, b=2
Iteraciones: n=4
Tolerancia t=0.1
31

GESR
(b − a) (2 − 0)
Δ= = = 1.2361
ϕ 1.618
Iteración 1
a=0 x1 = b − Δ = 2 − 1.2361 = 0.7639 x1 = a + Δ = 0 + 1.2361 = 1.2361 b=2

f 1 = f ( x1 = 0.7639 ) = 0.0738 f 2 = f ( x2 = 1.2361) = 0.2318
<
f 1 f 2
Se elimina el punto b=2
El nuevo intervalo es: a=0 < x < b=1.2361

error = 1.2361 − 0 = 1.2361
Δ = (0.7639
− 0) = 0.7639
Iteración 2
a=0 x1 = b − Δ = 1.2361

− 0.7639 = 0.4721 x1 = 0.7639 b=1.2361
f 1 = f ( x1 = 0.4721) = 0.1222 f 2 = 0.0738
f 1 > f 2
Se elimina el punto a=0
El nuevo intervalo es: a=0.4721 < x < b=1.2361

error = 1.2361 − 0.4721 = 0.7640
Δ = (1.2361 − 0.7639) = 0.4722
Iteración 3
a=0.4721 x1 = 0.7639 x1 = a + Δ = 0.4721

+ 0.4722 = 0.9443 b=1.2361
f 1 = 0.0738 f 2 = f ( x2 = 0.9443) = 0.1129
f 1 < f 2

error = 0.9443 − 0.4721 = 0.4722
Δ = (0.7639 − 0.4721) = 0.2918
Iteración 4
a=0.4721 x1 = b − Δ = 0.9443

− 0.2918 = 0.6525 x1 = 0.7639 b=0.9443
f 1 = f ( x1 = 0.6525) = 0.0737 f 2 = 0.0738
f 1 < f 2

error = 0.7639 − 0.4721 = 0.2918
32

GESR
Se cumplen las 4 iteraciones, pero no se cumple la tolerancia. El mejor punto obtenido

es x1=0.6525
Simplex [3]
El método de máxima pendiente se aplica a problemas multivariables sin restricciones.
En geometría, un simplex o n-simplex es el análogo en “n” dimensiones de un triángulo.

tr iángulo.
Por ejemplo,
simplex un 0-simplex
un triángulo; es un punto;
un 3-simplex es un un 1-simplex
tetraedro; y unun segmentoesde
4-simplex ununa línea; un 2-
pentácoron.
En la optimización problemas multivariables, para resolver un problema de 2 variables

independientes necesitaremos un triángulo, para 3 variables un tetraedro, para 4
variables un pentácoron y así sucesivamente.
Por ejemplo, un simplex regular para 2 variables independientes es,
x2
centroide
3
x1
La función f ( x1 , x2 ) se evalúa en los puntos 1, 2 y 3, para minimizar se elimina el

punto que produzca el menor valor de f ( x1 , x2 ) (para maximizar se elimina el punto que
produzca el mayor valor de f ( x1 , x2 ) ). Si se eelimina
limina el punto 1, este punto se proyecta
al lado contrario para encontrar un nuevo punto 4. El proceso se repite hasta que ya no
sea posible minimizar más la función.

De los textos de geometría analítica se puede demostrar que las coordenadas de los
vértices de un simplex regular se pueden obtener de la siguiente tabla:
33

GESR
n variables
m puntos
1 2 3 ... n
1 x1 x2 x3 … xn
2 d 1 + x1 d 2 + x2 d 2 + x3 … d 2 + xn
43 d 22 +
d + xx11 d 21 +
d + xx22 d 12 +
d + xx33 …
… d 22 +
d + xxnn
M M M M M M
m=n+1 d 2 + x1 d 2 + x2 d 2 + x3 … d 1 + xn
Donde:
t
d 1 = ( n + 1 + n − 1)
n 2
t
d 2 = ( n + 1 −1 )
n 2
t , es la distancia entre dos puntos del simplex (o bien, es la tolerancia)
Ejemplo 1
f ( x1 , x2 ) = ( x1 − 3

) + ( x2 − 4)
2 2
Minimizar:
Punto inicial: x1=0.5, x2=1.0
Tolerancia: t=0.1
Solución:
El problema es de 2 variables independientes “x 1” y “x2”, se necesitan m=2+1=3 puntos.
t 0.1
d 1 = ( n + 1 + n − 1) = ( 2 + 1 + 2 − 1) = 0.0966
n 2 2 2
d 2 =
t
( n + 1 − 1) =
0.1 ( 2 + 1 − 1) = 0.02589
n 2 2 2
Punto x1 x2 f(x1, x2) Triángulo

1 0 .5 1. 0 15.2500
2 0.0966 + 0.5 0.0259 + 1.0 14.6218
3 0.0259 + 0.5 0.0966 + 1.0 14.5510 1, 2, 3
Para minimizar, se elimina el punto con el mayor valor de f ( x1 , x 2 ) , en este caso es el
punto 1.

Punto
1 x1
0.5 x2
1.0 f(x1, x2)
15.2500 Triángulo
2 0.5966 1.0259 14.6218
34

GESR
3 0.5259 1.0966 14.5510 1, 2, 3

Centroide:
1 1
x1 =
C
n
[(∑ x ) − x ]
1
e
1 x2 =
C
n
[(∑ x ) − x ]
2
e
2
Donde el superíndice “c” es para centroide y “e” es para eliminado
1
x1 =
C
[(0.5 + 0.5966
+ 0.5259) − 0.5] = 0.56125
2
1
x 2 =
C
[(1.0 + 1.0259
+ 1.0966) − 1.0] = 1.06125
2
Punto reflejado:
x1 = 2 x1 − x1 x2 = 2 x2 − x2

C e C e

x1 = 2(0.56125
) − 0.5 = 0.6225 x2 = 2(1.06125
) − 1.0 = 1.1225
Como el valor de la función en el punto 4, es menor que el punto eliminado 1, el

proceso se repite de lo contrario se detiene.
Para minimizar, se elimina el punto con el mayor valor de f ( x1 , x 2 ) , en este caso es el
punto 2.

1 0.5 1.0 15.2500
2 0.5966 1.0259 14.6218
3 0.5259 1.0966 14.5510 1, 2, 3
4 0.6225 1.1225 13.9328 2, 3, 4
Centroide:
1
x1 =
C
[(0.5966 + 0.5259
+ 0.6225) − 0.5966] = 0.5742
2
1
x2 =
C
[(1.0259 + 1.0966
+ 1.1225) − 1.0259] = 1.10955
2
Punto reflejado:
x1 = 2(0.5742 ) − 0.5966 = 0.5518 x2 = 2(1.10955

) − 1.0259 = 1.1932
35

GESR
Como el valor de la función en el punto 5, es menor que el punto eliminado 2, el

proceso se repite de lo contrario se detiene.

Se elimina el punto con el mayor va lor de f ( x1 , x2 ) , en este caso es el punto 3.

1 0.5 1.0 15.2500
2 0.5966 1.0259 14.6218
3 0.5259 1.0966 14.5510 1, 2, 3
4 0.6225 1.1225 13.9328 2, 3, 4
5 0.5518 1.1932 13.8721 3, 4, 5
La tabla completa de resultados eess,

Punto x1 x2 f(x1,x2) Triángulo
1 0.5000 1.0000 15.2500
2 0.5966 1.0259 14.6218
3 0.5259 1.0
1.0966
966 14.5510 1 2 3
4 0.6225 1.1
1.1225
225 13.9328 4 2 3
65 0.5518
0.6484 1.1
1.1932
1.2932
1.2191
191 13.8721
13.2638 4 5 63
7 0.5776 1.2
1.2898
898 13.2131 7 5 6
8 0.6742 1.3
1.3157
157 12.6149 7 8 6
9 0.6035 1.3
1.3864
864 12.5741 7 8 9
10 0.7001 1.4123 11.9859 10 8 9
M M M M M M M
81 2.7374 3.6616 0.1835 81 80 78
82 2.7632 3.7582 0.1145 81 80 82
83 2.6925 3.8289 0.1238 83 80 82
84 2.7891 3.8548 0.0655 83 84 82
85 2.8598 3.7841 0.0663 85 84 82
86 2.8857 3.8807 0.0273 85 84 86
87 2.8150 3.9514 0.0366 87 84 86
88 2.9116 3.9773 0.0083 87 88 86
89 2.9823 3.9066 0.0090 89 88 86
90 3.0082 4.0032 0.0001 89 88 90
En el punto 90, se obtiene el resultado final de:
x1 = 3.0082
x2 = 4.0032
f ( x1 = 3.0082, x2 = 4.0032) = 0.0001
36

GESR
Ejemplo 2
Minimizar: f ( x1 , x2 ) = ( x1 − 3

) 2 + ( x2 − 4) 2 + ( x3 − 5) 2
Punto inicial: x1=0.0, x2=0.0, x3=0.0
Tolerancia: t=0.1

Solución:

Punto x1 x2 x3 f(x1,x2,x3) Tetraedro
1 0.0000 0.0000 0.0000 50.0000 1 2 3 4
2 0.0943 0.0236 0.0236 49.0201 1 2 3 4
3 0.0236 0.0943 0.0236 48.8786 1 2 3 4
4 0.0236 0.0236 0.0943 48.7372 1 2 3 4
5 0.0943 0.0943 0.0943 47.7639 5 2 3 4
6 0.0000 0.1179 0.1179 47.9065 5 6 3 4
7 0.0550 0.0629 0.1807 47.3998 5 6 7 4
8 0.0759 0.1598 0.1676 46.6496 5 6 7 8
9 0.1502 0.0934 0.1772 46.6424 5 9 7 8
10 0.0931 0.1164 0.2561 46.0372 10 9 7 8
M M M M M M M M M
230
230 2.
2.90
9066
66 3.
3.84
8418
18 4.89
4.8971
71 0.
0.04
0443
43 22
229
9 23
230
0 22
2288 22
227
7
231
231 2.
2.96
9671
71 3.
3.89
8929
29 4.83
4.8361
61 0.
0.03
0394
94 22
229
9 23
230
0 23
2311 22
227
7
232
232 2.
2.93
9335
35 3.
3.93
9353
53 4.92
4.9202
02 0.
0.01
0150
50 22
229
9 23
230
0 23
2311 23
232
2
233
233 3.
3.00
0006
06 3.
3.86
8614
14 4.92
4.9249
49 0.
0.02
0249
49 23
233
3 23
230
0 23
2311 23
232
2
234
234 3.
3.02
0275
75 3.
3.95
9513
13 4.89
4.8903
03 0.
0.01
0152
52 23
233
3 23
234
4 23
2311 23
232
2
235
235 3.
3.00
0073
73 3.
3.93
9390
90 4.98
4.9875
75 0.
0.00
0039
39 23
233
3 23
234
4 23
2355 23
232
2
236
236 2.
2.97
9782
82 4.
4.02
0224
24 4.94
4.9405
05 0.
0.00
0045
45 23
236
6 23
234
4 23
2355 23
232
2
237
237 2.
2.91
9185
85 3.
3.97
9799
99 5.00
5.0085
85 0.
0.00
0071
71 23
236
6 23
237
7 23
2355 23
232
2
238
238 3.
3.00
0026
26 4.
4.02
0256
56 5.03
5.0374
74 0.
0.00
0021
21 23
236
6 23
237
7 23
2355 23
238
8
239
239 3.
3.07
0736
36 4.
4.01
0115
15 4.96
4.9685
85 0.
0.00
0065
65 23
236
6 23
239
9 23
2355 23
238
8
x1 = 3.0736
x2 = 4.0115

x2 = 4.9685
f ( x1 = 3.0736, x2 = 4.0115, x3 = 4.9685) = 0.0065
37

GESR
Nelder-Mead [4]
El método de Nelder-Mead es una versión más eficiente del método simplex que
permite que las figuras geométricas se reflejen agregando un coeficiente α , se
contraigan con un coeficiente β o se expandan con un coeficiente γ . El método es muy
ro busto para hacerlo manualmente, pero se implementa fácilmente en un código de
computadora.
Los valores de los coeficientes α , β y γ recomendados por los autores del método son:
α = 1
β = 0.5
γ = 2
Ejemplo 1
Minimizar: f ( x1 , x2 ) = ( x1 − 3

) 2 + ( x2 − 4) 2
Punto inicial: x1=0.5, x2=1.0
Tolerancia: t=0.1

Solución:
Punto x1 x2 f(x) error

1 0.5259 1.0970 14.5500 0.3142
2 0.7449 1.2450 12.6800 0.9012
3 0.7519 1.6050 10.7900 1.5360
4 1.4160 2.4110 5.0340 3.2500
5 2.1010 4.2980 0.8971 4.0560
6 2.1010 4.2980 0.8971 1.8680
7 2.1010 4.2980 0.8971 0.1990
8 2.1790 4.1280 0.6909 0.2410
9 2.1790 4.1280 0.6909 0.0889
x1 = 2.1790
x 2 = 4.1280
f ( x1 = 2.1790, x2 = 4.1280) = 0.6909

38

GESR
Ejemplo 2
Minimizar: f ( x1 , x 2 ) = ( x1 − 3) 2 + ( x2 − 4) 2 + ( x3 − 5) 2

Punto inicial: x1=0.0, x2=0.0, x3=0.0
Tolerancia: t=0.1
Solución:
iteración x1 x2 x3 f(x) error

1 0.0236 0.0236 0.0943 48.7400 0.4958
2 0.1886 0.1886 0.1886 45.5800 1.4310
3 0.1886 0.1886 0.1886 45.5800 1.4320
4 0.2959 0.2409 0.5474 41.2700 2.7050
5 0.6591 0.7429 0.9393 32.5800 5.4930
6 0.6591 0.7429 0.9393 32.5800 5.4530
7 1.6400 1.5470 2.6650 13.3200 10.2900
8 1.6400 1.5470 2.6650 13.3200 9.8120
9 3.2390 3.5000 5.3030 0.3992 11.4800
10 3.2390 3.5000 5.3030 0.3992 6.1800
11 3.2390 3.5000 5.3030 0.3992 5.0450
12 3.2390 3.5000 5.3030 0.3992 1.4960
13 3.2390 3.5000 5.3030 0.3992 0.6770
14 3.2390 3.5000 5.3030 0.3992 0.5322
15 3.2390 3.5000 5.3030 0.3992 0.4255
16 3.2390 3.5000 5.3030 0.3992 0.1239
17 3.2370 3.6360 5.4530 0.3938 0.1386
18 3.2370 3.6360 5.4530 0.3938 0.1132
19 3.2370 3.6360 5.4530 0.3938 0.0095
x1 = 3.2370
x2 = 3.6360

x2 = 5.4530
f ( x1 = 3.2370, x2 = 3.6360, x3 = 5.4530) = 0.3938

39

GESR
Máxima Pendiente [1]
El método de máxima pendiente se aplica a problemas multivariables sin restricciones.

r r
Para una función objetivo de la forma: f = f ( x ) donde x es un vector. El
procedimiento de cálculo es el siguiente:

Paso 1. Estimar un punto inicial [ xr ]1
la función ∇ f ( xr) = [∂ f
Paso 2. Calcular el gradiente de ∂ x1 ∂ f ∂ x2 L ∂ f ∂ xn ]
Paso 3. Sustituir el punto inicial [ xr ] en: [ xr ] = [ xr ] − α [∇ f ( xr )]
1 n +1 n n
Dondee n = 1, 2 , …, número máxim

Dond máximoo de iteraciones
r n +1 r n r n
Paso 4. Sustituir [ x ] en la función objetivo: f = f ([ x ] − α [∇ f ( x ) ] ) = f (α )
Paso 5. Minimizar la función f (α ) y sustituir α
Paso 6. Repetir pasos 3 a 5 hasta cumplir la tolerancia o un número máximo de
iteraci ones.
Ejemplo 1
f = f ( x, y ) = ( x − 2) + ( y − 6)

2 2
Minimizar:
Punto inicial x=0.5, y=0.8
Número máximo de iteraciones: 5
Tolerancia: 0.01

Solución:
Se calcula el gradiente de la función objetivo:
∂ f
= 2( x − 2)
∂ x
∂ f = 2( y − 6)
∂ x
Calcular un nuevo punto (x, y):
∂ f
x = x − α = x − α (2( x − 2))
∂ x

∂ f
y = y − α = y − α (2( y − 6))
∂ y
Iteración 1
Se hace la sustitución del punto inicial en el sistema de ecuaciones,
40

GESR
Se sustituye en la función objetivo, se deriva respecto a α y se obtiene el valor de α,
Se sustituye α y se obtiene un nuevo punto inicial,
El error es,
Iteración 2
Se hace la sustitución del punto inicial,
Como ya no aparece la variable α, se termina y el valor final es,
El error es,
Los resultados se resum

sumen en la siguiente ta
tab
bla,

Iteración x y f(x
f(x, y) error=máx║xn+1-xn║
0 0.5 0.8 29.29 -
1 2.0 6.0 0 5.2
2 2.0 6.0 0 0
41

GESR
Ejemplo 2
f = f ( x, y, z ) = 2 x

+ y + 3 z
2 2 2
Minimizar:
Punto inicial x=2, y= -2, z= 1
Número máximo de iteraciones: 5
Tolerancia: 0.5
Se calcula el gradiente de la función objetivo:
∂ f
= 4 x
∂ x
∂ f
= 2 y
∂ x
∂ f
= 6 z
∂ z
Calcular un nuevo punto (x, y, z):
∂ f
x = x − α = x − α (4 x)
∂∂ x
f
y = y − α = y − α (2 y )
∂ y
∂ f
z = z − α = z − α (6 z )
∂ z
Iteración 1
42

GESR
El error es,
Iteración 2
El error es,
43

GESR
Iteración 3
El error es,
Los resultados se resumen en la siguiente tabla,

Iteración x y z f(x, y) error=máx║xn+1-xn║
0 2 -2 1 15 -
1 0.15873 -1.07937 -0.38095 1.65079 1.8412
2 0.00424 -0.55409 0.17522 0.39916 0.55617
3 -0.00011 -0.26956 -0.09471 0.09957 0.28453
44

GESR
Programación li neal
neal [1,2]
En este método, la palabra programación significa optimización y no a la generación de
un código de computadora. Un problema de programación lineal invo lucra la
optimización de una función objetivo lineal sujeta a restricciones de igualdad y
desigualdad, que también son lineales.
Los métodos utilizados para resolver un problema de programación lineal s on:

Gráfico, solo aplicable a problemas de 2 variables independientes.
Simplex, aplicable a pr oblemas de 2 o más variables independientes.
Punto interior, aplicable a problemas de 2 o más variables independientes.
Método gráfico.

Ejemplo
Maximizar: f = x1 + 3 x2
Sujeto a: − x1 + x2 ≤ 1 (1)

x1 + x
2 ≤2 (2)
x1 + x 2 ≥1 (3)
x1 ≥ 0 , x2 ≥ 0
Solución:
Graficar
Se grafican las restricciones que son rectas (para graficar una recta se necesitan dos
puntos):
Para la restricción 1: − x1 + x 2 ≤ 1 , se toma como igualdad, − x1 + x2 = 1

Si x1=0, entonces x2=- =-1,
1, pun
punto
to 1 ((x
x1,x2)=(
)=(0,1
0,1))
Si x2=0, entonces x1=1, punto 2 (x1,x2)=(-1,0)

Para la restricción 2: x1 + x
2 ≤ 2 , se toma como igualdad , x1 + x 2 = 2
Si x1=0, entonces x2=2, punto 1 (x1,x2)=(0,2)

Si x2=0, entonces x1=2, punto 2 (x1,x2)=(2,0)
Para la restricción 3: x1 + x

2 ≥ 1 , se toma como igualdad , x1 + x
2 =1
S
Sii xx21=0,
=0, entonces
entonces xx12=2,
=2, punto
punto 21 (x
(x11,x
,x22)=(1,0)
)=(0,1)
45

GESR
x2
x1 + x
2 ≤2 − x1 + x 2 ≤ 1
2

x1 + x
2 ≥1

1
x1
-1 0 1 2
Región factible
Se toma un punto de referencia, por ejemplo el origen que tiene coordenadas

(x1,x2)=(0
)=(0,0
,0).
). Se su
sust
stituyee en
ituy en cada
cada una de las restricciones:
es:

− x1 + x2 ≤ 1 : − 0 + 0 ≤ 1 , 0 ≤ 1 Verdadero

x1 + x 2 ≤ 2 : 0 + 0 ≤ 2 , 0 ≤ 2 Verdadero
x1 + x 2 ≥ 1 : 0 + 0 ≥ 1 , 0 ≥ 1 Falso
x1 ≥ 0 , x2 ≥ 0 indican el primer cuadrante
La región factible de cada recta apunta hacia el punto de referencia, en este caso, si el
resultado es verdadero hacia el origen, si es falso hacia el lado opuesto del origen.

x2
x1 + x
2≤2 − x1 + x 2 ≤ 1
2
x1 + x
2 ≥1
1
x1
-1 0 1 2
46

GESR
Se señala la región factible que satisface a todas las restricciones. Es la región, cuyos
lados señalan todos hacia adentro.

x2
x1 + x
2≤2 − x1 + x2 ≤ 1
2
x1 + x
2 ≥1
1
x1
-1 0 1 2
Punto óptimo

Se evalúan las coordenadas de c/u de las esquinas de la región factible

x2
x1 + x
2≤2 − x1 + x2 ≤ 1

2

x1 + x
2 ≥1
1

x1
-1 0 1 2
Punto x1 x2 f(x1,x2)
A 0.5000 1.500 5.000
B 0.000 1.000 3.000
C 2.000 0.000 2.000
D 1.000 0.000 1.000
El punto con el mayor valor de f(x1, x2) es el punto A.
47

GESR
Método Simplex
Ejemplo
Maximizar: f = x1 + 3 x2

Sujeto a: − x1 + x2 ≤ 1 (1)
x + x ≤ 2 (2)
1 2
x1 + x 2 ≥1 (3)
x1 ≥ 0 , x2 ≥ 0
Las variables de la función objetivo y las restricciones se pasan al lado izquierdo,

dejando las constantes del lado derecho.
f − x1 − 3 x 2 = 0
− x1 + x 2 ≤ 1
x1 + x
2 ≤ 2
x1 + x
2 ≥ 1
x1 ≥ 0 , x2 ≥ 0
Las desigualdades se convierten a iguald ades, agregando una variable de holgura

positiva por
por cada rest
restricción.
ricción.
Por ejemplo, si tuviéramos la desigualdad 3 ≤ 5 , tenemos dos opciones para convertirla

a igualdad agregando el número positivo 2.

O pción 1: sumar del lado men
menor
or 3 + 2 = 5
Opción 2: restar del lado mayor 3 = 5 − 2
Para nuestro problema,
f − x1 − 3 x 2 = 0
− x + x + x =
1 2 3
1
x1 + x 2 + x 4 = 2
x1 + x2 − x5 = 1
x1 ≥ 0, x2 ≥ 0, x3 ≥ 0, x 4 ≥ 0, x5 ≥ 0
Se hace una tabla con los coeficientes de la función objetivo y las restricciones,
Tabla 1
f x1 x 2 x3 x4 x5 b
E1 1 -1 -3 0 0 0 0
E2 0 -1 1 1 0 0 1
E3 0 1 1 0 1 0 2
E4 0 1 1 0 0 -1 1
48

GESR
Solución parcial
Variables básicas. Una variable es básica si tiene solamente un coeficiente diferente de

cero y su valor es la división de la constante “b” entre el coeficiente.
Variables no bás
básic
icas.
as. Un
Unaa va
vari
riable es nnoo bá
bási
sica si ttien
ienee m
más
ás ddee un coe
coefi
ficie
ciente
nte dif
difere
erente
nte
de
cero y su valor es cero.
1 2 1
Básicas: x3 = = 1 , x4 = = 2 , x5 = = −1
1 1 −1
No básicas: x1 = 0 , x2 = 0

El valor de la función objetivo es f ( x1 = 0 , x 2 = 0) = 0 (valor en la esquina superior
d erecha de la tabla)

Pivote
Columna pivote. En el primer renglón (función objetivo), se elige el menor número

negativo. Si no hay negativos, se detiene el proceso iterativo.
Renglón pivote. Se divide la constante “b” entre su respectivo coeficiente de la columna

pivote. Se elige el menor número positivo diferente de cero.

El pivote es la intersección de la columna pivote y el renglón pivote.

f x1 x2 x3 x 4 x5 b
1 -1 -3 0 0 0 0
0 -1 1 1 0 0 1 1/1= 1
0 1 1 0 1 0 2 2/1= 2
0 1 1 0 0 -1 1 1/1= 1
Eliminación

Se hacen ceros los coeficientes arriba y abajo del pivote. El modo de eliminación es:

Ecuación = Ecuación – (número a eliminar/ pivote) Ecuación pivote
f x1 x2 x3 x4 x5 b

E1=E1-(1/-3)E2 1-(-3/1)0 -1-(-3/1)-1
1-(-3/1)-1 -3-(-3
-3-(-3/1)1
/1)1 0-(-3/1)1
0-(-3/1)1 0
0-(-3/1
-(-3/1)0
)0 0-
0-(-3/1)
(-3/1)0
0 0-(
0-(-3/1)
-3/1)1
1
E2=E2 0 -1 1 1 0 0 1
E3=E3-(1/1)E2 0-(1/1)0 1-(1/1)-1 1-(1/1)1 0-(1/1)1 1-(1/1)0 0-(1/1)0 2-(1/1)1
E4=E4-(1/1)E2 0-(1/1)0 1-(1/1)1 1-(1/1)1 0-(1/1)0 0-(1/1)1 -1-(1/1)0 1-(1/1)2
49

GESR
Tabla 2
f x1 x2 x3 x4 x5 b
E1 1 -4 0 3 0 0 3
E2 0 -1 1 1 0 0 1
E3 0 2 0 -1 1 0 1
E4 0 2 0 -1 0 -1 0
Solución parcial
1 1 0
Básicas: x2 = = 1 , x4 = = 1 , x5 = = 0
1 1 −1
No básicas: x1 = 0 , x3 = 0
El valor de la función objetivo es: f ( x1 = 0 , x 2 = 1) = 3
Pivote
f x1 x2 x3 x4 x5 b

1 -4 0 3 0 0 3
0 -1 1 1 0 0 1 1/-1= -1
0 2 0 -1 1 0 1 1/2= 0.5
0 2 0 -1 0 -1 0 0/2= 0
Eliminación
f x1 x2 x3 x 4 x5 b

E1=E1-(-4/2)E3 1-(4/2)0 -4-(4/2)2 0-(4/2)0 3-(4/2)-1 0-(4/2)1 0-(4/2)0 3-(4/2)1
E2=E2-(-1/2)E3 0-(-1/2)0 -1-(-1/2)2 1-(-1/2)0 1-(-1/2)-1 0-(-1/2)1 0-(-1/2)0 1-(-1/2)1
E3 0 2 0 -1 1 0 1
E4=E4-(2/2 )E3 0-(2/2)0 2-(2/2)2 0-(2/2)0 -1-(2/2)-1 0-(2/2)1 -1-(2/2)0 0-(2/2)1
Tabla 3
f x1 x 2 x3 x4 x5 b
1 0 0 1 2 0 5
0 0 1 0.5 0.5 0 1.5
0 2 0 -1 1 0 1
0 0 0 0 -1 -1 -1
Solución final (porque ya no hay números negativos en el primer renglón)

1 1.5 −1
Básicas: x1 = = 0.5 , x2 = = 1.5 , x5 = = 1
2 1 −1
No básicas: x3 = 0 , x 4 = 0
El valor de la función objetivo es: f ( x1 = 0.5, x 2 = 1.5) = 5

50

GESR
Programación geométrica [2]
La programación geométrica se aplica a polinomios.
Ejemplo
Ejemplo de polinomios co n términos positivos
0.286 0.286 0.286

⎛ ⎞ ⎛ ⎞
Minimizar: W = ⎜⎛ P2 ⎞⎟ P3 ⎟
+⎜ P 1000
+⎜ P ⎟
⎝
100 ⎠ ⎝ 2 ⎠ ⎝ 3 ⎠
Es recomendable que las variables y constantes que están dividiendo, pasen del
denominador al numerador.

W = 100 −0.286 P2
0.286
+ P2 − 0.286 P3 0.286 + 1000 0.286 P3 −0.286
A cada sumando se le divide por una variable wi y esta división se eleva a la misma w i,
con i =1,2, …, # total de sumandos. Para formar una multiplicatoria:
w1 w2 w3
⎛ 100−0.286 P2 0.286 ⎞ ⎛ P2 −0.286 P30.286 ⎞ ⎛ 1000 0.286 P3 −0.286 ⎞
W = ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝ w1 ⎠ ⎝ w2 ⎠ ⎝ w3 ⎠
Se separan las constantes de las variables:
w1 w2 w3
⎛ 100−0.286 ⎞ ⎛ 1 ⎞ ⎛ 10000.286 ⎞
W = ⎜⎜ ⎟⎟ ⎜ ⎟ ⎜⎜ ⎟⎟ P2 0.286 w1−0.286 w 2 P30.286 w2−0.286 w3
⎝ w 1 ⎠ ⎝ w 2 ⎠ ⎝ w3 ⎠
El exponente de cada variable se ig uala a cero:
0.286 w1 – 0.286 w2 = 0
0.286 w2 – 0.286 w3 = 0
se agrega una ecuación que es l

Y laa sumatoria de todas las wi igual a 1.
w1 + w2 + w3 = 1
Se resuelve el sistema de ecuacione s:

0.286 w1 – 0.286 w2 = 0
0.286 w2 – 0.286 w3 = 0
w1 + w2 + w3 = 1

La solución del sistema de ecuaciones es:
w1=1/3
w2=1/3
w3=1/3
51

GESR
Se sustituyen los valores de wi:

1/ 3 1/ 3
1 1
−0.286 1/ 3
⎛ 100 ⎞ ⎛ 1 ⎞ ⎛ 1000 ⎞ 0.286
W mínimo = ⎜⎜ ⎟⎟ ⎜ 1 / 3 ⎟ ⎜⎜ 1 / 3 ⎟⎟
0 0
P2 P3 = 3.73
⎝ 1 / 3 ⎠ ⎝ ⎠ ⎝ ⎠
Cada sumando se divide entre su wi y se iguala al valor óptimo de la función objetivo,
100 −0.286 P2 100 −0.286 P2

0.286 0.286
W
mínimo
= 3.73 =
w1 1/ 3
−0.286 0.286 −0.286 0.286

P2 P3 P2 P3
W
mínimo
= 3.73 =
w2 1/ 3
−0.286 −0.286
1000 0.286 P3 1000 0.286 P3
W = =
mínimo
3.73
w3 1/ 3
De las ecuaciones anteriores, se obtiene el valor de las variables independientes:
P2=215.44
P3=464.16
Ejemplo
Ejemplo de polinomios con términos pos itivos y nega
negativos
tivos
115
Minimizar: y = 3 x10.25 − 3 x1 1.1 x 20 .6 − − 2 x3
x 2 x3

Es recomendable que las variables y constantes que están dividiendo, pasen del
denominador al numerador.

y = 3 x10.25 − 3 x11.1 x 20.6 − 115 x 2−1 x3−1 − 2 x3
A cada término se le divide por un peso w i y esta división se eleva a la misma w i. con
i=1,2, …, # total de términos.
Se hace la división de la multiplicatoria de los términos positivos entre la multiplicatoria

d e los términos negativos.
w1
⎛ 3 x10.25 ⎞
⎜⎜ ⎟⎟ Términos positivos
⎝ w 1 ⎠
y =
1.1 0.6 w 2 −1 −1 w 2 w3
⎛ 3 x1 x2 ⎞ ⎛ 115 x 2 x3 ⎞ ⎛ 2 x3 ⎞
⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟ ⎜ ⎟ Términos negativos
⎝ w 2 ⎠ ⎝ w 3 ⎠ ⎝ ⎠
w4
52

GESR
Se separan las constantes de las variables:

w1
⎛ 3 ⎞
⎜ ⎟
y =
⎝ w1 ⎠ w − w − w +w w −w
x10.25 1 1.1 2 x2 0.6 2 3 x3 3 4
w2 w3 w4
⎛ 3 ⎞ ⎛ 115 ⎞ ⎛ 2 x3 ⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝ ⎠ ⎝ ⎠ ⎝ ⎠
w 2 w 3 w4

El exponente de cada variable se iguala a cero:
0.25w1 − 1.1w2 = 0
− 0.6w2 + w3 = 0
w3 − w4 = 0

Y se agrega una ecuación que es la sumatoria de todas las w i de los términos positivos
menos la suma de todas las w i de los términos negativos igual a 1.
w1 − w2 − w
3 − w4 = 1

Se resuelve el sistema de ecuaciones:

0.25w1 − 1.1w2 = 0
− 0.6 w2 + w3 = 0

w3 − w4 = 0
w1 − w2 − w 3 − w4 = 1

La solución del sistema de ecuac iones es:

w1=2
w2=5/11
w3=3/11
w4=3/11
Se sustituyen los valores de wi:
2
⎛ 3 ⎞
⎜ ⎟ 1 1 1
y
mínimo
= ⎝ 2 ⎠ 3 / 11 x10 x20 x30 = 0.1067
5 / 11 3 / 11
⎛ 3 ⎞ ⎛ 115 ⎞ ⎛ 3 ⎞ 2 x
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝ 5 / 11 ⎠ ⎝ 3 / 11 ⎠ ⎝ 3 / 11 ⎠
Cada término se divide entre su wi y se iguala al valor óptimo de la función objetivo,
mínimo 3 x10.25 3 x10.25

y = w1 0.1067 = 2
53

GESR
3 x11.1 x20.6 3 x11. 1 x 20.6

y mínimo
= 0.1067 =
w2 5 / 11
115 x2−1 x3−1 115 x 2−1 x3−1

y mínimo
= 0.1067 =
w3 3 / 11

y mínimo = 2 x3 0.1067 = 2 x3

w4 3 / 11
De las ecuaciones anteriores, se obtiene el valor de las variables independientes:

x1 = 2.560 × 10-5, x2 = 2.716 × 105, x3 = 1.455 × 10-2

54

GESR
Programación
rogramación dinámica [2]
La programación dinámica resuelve un problema de optimización por etapas y obtiene
el óptimo con un número de combinaciones menor a todas las combinaciones posibles.
Cada etapa tiene 4 variables:
R i (Resultado)
Si (Estado) Etapa i ~
S i (Transición)
Di
Decisión
Para múltiples etapas:

F3=F2+R 3 F2=F1+R 2 F1=R 1
R 3 R 2 R 1

Etapa 3 Etapa 2 Etapa 1 ~
~ ~ S 1
S3 S 3 S2 S 2 S1
d 3 d 2 d 1
El problema se comienza a resolver, a partir de la etapa final (etapa 1), debido a que
cualquier decisión que se tome en esta etapa (d 1) no tendrá efecto en etapas
subsecuentes, el flujo de información es de izquierda a derecha. El diagrama de etapas
puede tener ramificaciones que no se contemplan aquí.

55

GESR
Ejemplo
Ejemplo 1

Un carr o ttan
anqu
quee ttra
rans
nspo
port
rtaa uunn ppro
rodu
duct
ctoo ffab
abri
rica
cado
do en San
San F
Fra
ranc
ncis
isco
co qu
quee ddeb
ebee sser
er
entregado a cualquier puerto importante en la costa este para su envío a Europa. El costo
d e envío a través del Atlántico es esencialmente igual en todos los puertos principales
de la costa del este. Se desea para seleccionar la ruta óptima (el kilometraje de camino
más bajo) de San Francisco a la costa este. Las distancias relativas entre las ciudades a
lo largo de las rutas posibles se muestran en el siguiente diagrama:

N0
C4 C0
S0
Diagrama por etapas.
Para este problema, las etapas son el traslado de un nodo a otro:

F4=F3+R 4 F3=F2+R 3 F2=F1+R 2 F1=R 1
R 4 R 3 R 2 R 1
Etapa 4 ~ Etapa 3 ~ Etapa 2 ~ Etapa 1 S~1

S
S4 S 4 S3 S S
3 2 S 2 S1
d 4 d 3 d 2 d 1

, ~
Identificar las variables
variables de cada
cada etapa (S i d ,i R ,i S i )
Variable de estado (Si): El nodo de salida

Variable de decisión (d i): Seleccionar una ruta
Variable de resultado (Ri) : El killoometraje acumulado
~
Vari
Variab
able
le de tr
tran
ansi i ): El nodo de llegada
sición ( S

56

GESR
Definir todos los estados

estados posibles para todas las etapas
etapas
Los estados de cada etapa son todos los nodos de salida.

~ ~
S 3
~ ~
S4 d 4 F4 S 4 S3 d 3 F3 S2 d 2 F2 S 2 S1 d 1 F1 S 1
C4 N3 N2 N1 1 1 N0
C3 C2 C1 3 3 N0
S3 S2 S1 7 7 C0

Combinaciones
Combinaciones de la etapa 2
~
S2 R 2 F2 S 2 F2=F1+R2
N2 8 8 N1 9 ←menor
N2 7 7 C1 10
C2 6 6 N1 7 ←menor
C2 5 5 C1 8
C2 4 4 S1 11
S2 3 3 C1 6 ←menor
S2 2 2 S1 9
~
S 3 F3=F2+R 3
S3 R 3 F3
N3 1 1 N2 10 ←menor
N3 3 3 C2 10 ←menor

C3 5 5 N2 14
C3 6 6 C2 13 ←menor
C3 7 7 S2 13 ←menor

S3 8 8 C2 15 ←menor
S3 9 9 S2 15 ←menor

~
S4 R 4 F4 S 4F4=F3+R 4
C4 6 6 N3 16 ←menor
C4 5 5 C3 18
C4 4 4 S3 19
Se eligen las mejores combinacioon

nes (los que ttiiene el menor kilometraje) y se obtie
iene la
siguiente tabla:
57

GESR
~ ~
S 3
~ ~
S4 d4 F4 S 4 S3 d 3 F3 S2 d 2 F2 S 2S1 d 1 F1 S 1
C4 6 116
6 N3 N3 1,3 10 N2,C2 N2 8 9 N1 N1 1 1 N0
C3 6,7 13 C2,S2 C2 6 7 N1 C1 3 3 N0
S3 8,9 15 C2,S2 S2 3 6 C1 S1 7 7 C0
Ejemplo 2
Un flujo másico de 700 lb/h se debe de distribuir entre tres reactores químicos que
o peran en paralelo:
paralelo:

R 3 = 0.08F3 - 3(N
3(N3/100))2 R 2 = 0.08F2 - 2(N2/100)2 R 1 = 0.08F1 - (N1/100)2
/100
Reactor Reactor Reactor

3 2 1
N3 N2 N1
700
Cada reactor tiene un catalizador diferente y condiciones de operación diferentes. El

beneficio que se obtiene en cada reactor se determina por el flujo másico que se
alimenta a cada reactor y es B1, B2 y B3 para N1, N2 y N3 respectivamente. Maximizar el
beneficio.
Diag
iagram
rama
a por etapas
Par
araa este
este pprob
roble
lem
ma las eta
etapas
pas son cada
cada rrea
eacto
tor:
r:
F3=F2+R 3 F2=F1+R 2 F1=R 1
R 3 R 2 R 1

Etapa 3 Etapa 2 Etapa 1
d 3 d 2 d 1

S3 ~ ~ ~
S 3 S2 S 2 S1 S 1
Id entificar las variables

,
de cada etapa (S i d ,i R ,i S i )
~

58

GESR
Definir todos los estados

estados posibles para todas las etapas
etapas
Es el flujo disponible antes de pasar por un reactor y lo dividiremos en incrementos de

100 (entre menor el ini ncremento, más exacta la solución pero más combinaciones y
viceversa)
~ ~ ~
S3 d 3 F3 S 3 S2 d2 F2 S 2 S1 d 1 F1 S 1
700 0 0 0 0 -
100 100 100 7 -
200 200 200 12 -
300 300 300 15 -
400 400 400 16 -
500 500 500 15 -
600 600 600 12 -
700 700 700 7 -
Combinaciones
S2 d 2 R 2 ~

S F2=F1+R 2
2
700 700 -42 0 -42
700 600 -24 100 -17
700 500 -10 200 2
700 400 0 300 15
700 300 6 40
4000 22
700 200 8 500 23 ←mayor
700 100 6 60
6000 18
700 0 0 700 7
600 600 -24 0 -24

600 500 -10 100 -3
600 400 0 200 12
600 300 6 30
3000 21
600 200 8 400 24 ←mayor
600 100 6 50
5000 21
600 0 0 600 12
500 500 -10 0 -10

500 400 0 100 7
500 300 6 20
2000 18
500 200 8 300 23 ←mayor
500 100 6 40
4000 22
500 0 0 500 15
400 400 0 0 0
400 300 6 10
1000 13
400 200 8 20
2000 20
59

GESR
400 100 6 300 21 ←mayor

400 0 0 400 16
300 300 6 0 6
300 200 8 100 15
300 100 6 20
2000 18 ←mayor
300 0 0 300 15
200 200 8 0 8
200 100 6 100 13 ←mayor
200 0 0 200 12
100 100 6 0 6
100 0 0 100 7 ←mayor

0 0 0 0 0 ←mayor


~
S3 d 3 R 3 S 3 F3=F2+R 3
700 700 -91 0 -91
700 600 -60 100 -53
700 500 -35 200 -22
700 400 -16 300 2
700 300 -3 400 18
700 200 4 500 27
700 100 5 60
6000 29 ←mayor
700 0 0 700 23
Se eligen las mejores combinaciones (los que tiene el mayor beneficio, F) y se obtiene
la siguiente tabla:

S3 d 3 F3 ~ 3
S
S S2 d 2 F2 S~ 2
S S1 d 1 F1 ~1
S
S
700 100 29 600 0 0 0 0 0 0 0 -
100 0 7 100 100 100 7 -
200 100 13 100 200 200 12 -
300 100 18 200 300 300 15 -
400 100 21 300 400 400 16 -
500 200 23 300 500 500 15 -
600 200 24 400 600 600 12 -
700 200 23 500 700 700 7 -
60

GESR
Bibliografía
[1] T.F. Edgar, D.M. Himmelblau and L.S. Lasdon, “Optimization of Chemical
Processes”. McGraw-Hill, 2nd ed. 2001

[2] R.W. Pike, “Optimization for Engineering Systems”,
http://www.mpri.lsu.edu/bookind ex.html, 2001
[3] D.M. Himmelblau, “Applied nonlinear programming”, McGraw-Hill, 1972
[4] J.A. Nelder and R. Mead, “A simplex method for function minimization”, Computer
Journal, vol 7, p 308-313, 1965
61

APUNTES

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

APUNTES

Cargado por

Copyright:

Formatos disponibles

Gabriel E. Santana Rodríguez

El objetivo de la optimización es encontrar los valores de las variables en el proceso que

En operaciones de planta, las ventajas surgen del funcionamiento mejorado de la planta,

¿Qué hay acerca de la discusión, de que el uso formal de la optimización realmente no

Basados en la teoría física Basados en descripciones

Involucra balances de masa y energía, Provienen de la experiencia como de

Linear No linear

Estado estacionario (estático) Estado no estacionario (dinámico)

Parámetro agrupado Parámetro distribuido

Variable discreta Variable continua

La variable tiene un número finito de La variable tiene un número infinito

Función objetivo [1]

1. La función objetivo (criterio económico)

Debido a que la solución de los problemas de optimización implica varias características

Una variedad amplia de problemas de optimización tiene estructuras asombrosamente

Cada problema de optimización contiene tres categorías esenciales:

Las categorías 2 y 3 constituyen el modelo del proceso o del equipo; la categoría 1 a

1. Analizar el proceso para definir las variables de proceso y las características

2. Determinar el criterio de optimización (minimizar o maximizar), especificar la

4. Si la formulación del problema es demasiado grande en alcance:

(a) Divida el problema en partes manejables o,

6. Compruebe las respuestas y examine la sensibilidad del resultado a los cambios en

El perfil de temperatura es:

Suposiciones: Pérdidas de365

Q = magua cpagua (T 0 − 80)

Los costos son:

0.20 $ ⎛ ⎜ 1 pie 3 ⎞⎟⎛ lb ⎞⎛ ( 24)(365) h ⎞ $

Q mgas cp gas (195 − 90) (3000)(0.3)(195 − 90) lb

No hay nada que

Una técnica de solución, es derivar la función objetivo en términos de la variable T0.

T 0 = 120.5 °F

Para comprobar la solución, se puede graficar.

Un compuesto orgánico se produce en un proceso por lotes donde no se obtiene ningún

Los cargos por almacenamiento e inventario se pueden despreciar. De ser necesario

Minimizar los costos totales anuales en función de la única variable P.

Convertir todos los costos a $/año y después sumarlos.

Costo durante el periodo de operación,

Costo durante el periodo de descarga-carga,

⎛ $ ⎞⎛ hmuerto ⎞⎛ 1 ciclo ⎞⎛ 6 Kg ⎞ ⎛ $ ⎞

El costo total es,

No hay nada que simplificar

Una técnica de solución, es derivar la función objetivo en términos de la variable P.

El tiempo de cada ciclo es,

El tiempo total al año es,

⎛ h ⎞⎛ 1 ciclo ⎞⎛ 6 Kg ⎞ 10.9 ⋅ 10 6 h

El tiempo total disponible es de (24)(300)=7200 h/año, es decir, a condiciones óptimas

Para comprobar la solución, se puede graficar.

Primera derivada. Es la pendiente de una recta y se define como:

Segunda derivada. Sigue siendo una pendiente, pero su significado es diferente.

Donde: x0 es un punto estacionario

Si la serie se trunca hasta el tercer término,

0 (en un punto estacionario)

Se despeja f ' ' ( x0 ) ,

f ( x) Como f ( x ) < f ( x0 ) :

∴ f ' ' ( x0 ) < 0 es un máximo

El resultado anterior se puede generalizar.

Si el orden de la derivada es un número par (n):

Si f (n)(xopt)>0 se trata de un mínimo

Si el orden de la derivada es un número impar (m):

Si f (m)(xopt)>0 se trata de un punto de inflexión

La primera derivada de la función es,

La solución de la ecuación anterior es,

La segunda derivada de la función es,

Se evalúa cada punto estacionario y se obtiene,