Documentos de Académico
Documentos de Profesional
Documentos de Cultura
APUNTES
APUNTES
INSTITUTO
INSTITUTO POLITÉCNICO NA
NA CIONAL
ESCUELA SUPERIOR DE INGENIERÍA QUÍMICA E INDUSTRIAS EXTRACTIVAS
Apuntes de
Optimización y Simulación de Procesos
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.
¿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).
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
Clasifi
Clasificación
cación de modelos
x
x
∂ ∂
=0 ≠0
∂t ∂t
No hay variación respecto al tiempo. Si hay variación respecto al tiempo.
2
GESR
∂ ∂
= 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
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
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
4
GESR
Pasos
Pasos para
p ara la soluci ón de prob lema
lemas
s de optimi za
zación
ción
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.
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.
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:
6
GESR
Donde:
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.
Paso 5.
dC total
=
dT 0
Paso 6.
7
GESR
Ejemplo
Ejemplo 2
⎡ $ ⎤
C f = 340 P 0.8 ⎢ ⎥
⎣ año ⎦
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.
$
Costostotales = f ( P ) =
año
Paso 3.
⎛ ⎞⎛ ⎞ 1 ciclo ⎞⎛ 6 Kg ⎞ ⎛ $ ⎞
⎜ 20 $ ⎟⎜1.5P 0.25 operación ⎟⎛
h
⎜ hoperación ⎟⎜ ⎟⎜⎜ P Kg ⎟⎟⎜⎝ 10 año ⎠⎟ = ⎜⎝ año ⎠⎟
⎝ ⎠⎝ ciclo ⎠⎝ ⎠
Paso 4.
9
GESR
Paso 5.
dC total
=
dP
P = 1625.840 Kg
ciclo
$
C total =
año
Paso 6.
10
GESR
Método
Método s analíticos
analíticos [2]
Derivació
Derivació n Univ
Univariable
ariable
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)
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!
( x − x0 ) 2
f ( x) = f ( x ) + f ' ' ( x )
0 0
2!
11
GESR
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 )
12
GESR
Ejemplo 1
x 4 x 2
Encontrar el punto estacionario de la función f ( x) = − . Decir de qué tipo se trata.
2 2
Solución:
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.
13
GESR
Ejemplo 2
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
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 ⎥⎦
f(x, y)
f ( x , y )
y x
plano
Hessiano
16
GESR
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!
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)
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
f x = 2 ( x − 2) = 0
f y = 2 ( y − 1) = 0
x0 = 2
y0 = 1
Las derivadas parciales del gradiente, se vuelven a derivar para formar la matriz
Hessiana, es decir:
⎡2 2⎤
H 0 = ⎢ ⎥
⎣ 2 2 ⎦
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
La gráfica de la función es:
Ejemplo 2
Su gradiente es:
⎡ ∂ f ⎤
⎢ x ⎥
∇ f ( x, y ) = ⎢ ∂∂ f ⎥=
⎢ ⎥
⎣⎢ ∂ y ⎦⎥
En el punto estacionario, el gradiente es cero:
⎡0⎤
=
⎢⎣0⎥⎦
19
GESR
Las derivadas parciales del gradiente, se vuelven a derivar para formar la matriz
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.
En el punto 2:
H 0 =
D1 =
D1 =
D2 =
D2 =
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⎥⎦
Las derivadas parciales del gradiente, se vuelven a derivar para formar la matriz
Hessiana:
21
GESR
En el punto estacionario:
H 0 =
D1 =
D1 =
D2 =
D2 =
D3 =
D3 =
22
GESR
Multiplicadores de Lagrange
Ejemplo 1
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
∇h
∇ f
∇h
Solución
Solución 1 Solución
Solución 2
24
GESR
Ejemplo 2
25
GESR
Fibonacci
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
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
Δ4
Δ5 =
2
27
GESR
Δ1 = Δ 2 + Δ 3 = 5Δ 5 + 3 Δ 5 = 8Δ 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
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
Ejemplo
y = 3 +
6 x − 4 x 2
Maximizar:
Intervalo inicial: a=0, b=1
Iteraciones: n = 4 (m=n+1=5 intervalos)
Solución:
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
Iteración 3
Iteración 4
29
GESR
Secció
Secció n dor ada
∆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
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
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
31
GESR
(b − a) (2 − 0)
Δ= = = 1.2361
ϕ 1.618
Iteración 1
Iteración 3
Iteración 4
32
GESR
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.
x2
centroide
3
x1
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
Ejemplo 1
Solución:
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
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
1 1
x1 =
C
n
[(∑ x ) − x ]
1
e
1 x2 =
C
n
[(∑ x ) − x ]
2
e
2
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(0.56125
) − 0.5 = 0.6225 x2 = 2(1.06125
) − 1.0 = 1.1225
Para minimizar, se elimina el punto con el mayor valor de f ( x1 , x 2 ) , en este caso es el
punto 2.
Punto x1 x2 f(x1, x2) Triángulo
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:
35
GESR
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
x1 = 3.0082
x2 = 4.0032
f ( x1 = 3.0082, x2 = 4.0032) = 0.0001
36
GESR
Ejemplo 2
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
x1 = 2.1790
x 2 = 4.1280
f ( x1 = 2.1790, x2 = 4.1280) = 0.6909
38
GESR
Ejemplo 2
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]
Ejemplo 1
Solución:
∂ f
= 2( x − 2)
∂ x
∂ f = 2( y − 6)
∂ x
∂ f
x = x − α = x − α (2( x − 2))
∂ x
∂ f
y = y − α = y − α (2( y − 6))
∂ y
Iteración 1
40
GESR
El error es,
Iteración 2
El error es,
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
= 4 x
∂ x
∂ f
= 2 y
∂ x
∂ f
= 6 z
∂ 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,
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.
Método gráfico.
Ejemplo
Solución:
Graficar
Se grafican las restricciones que son rectas (para graficar una recta se necesitan dos
puntos):
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
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
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
47
GESR
Método Simplex
Ejemplo
f − x1 − 3 x 2 = 0
− x1 + x 2 ≤ 1
x1 + x
2 ≤ 2
x1 + x
2 ≥ 1
x1 ≥ 0 , x2 ≥ 0
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
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 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
Eliminación
Se hacen ceros los coeficientes arriba y abajo del pivote. El modo de eliminación es:
Ecuación = Ecuación – (número a eliminar/ pivote) Ecuación pivote
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
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
Eliminación
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
50
GESR
Programación geométrica [2]
La programación geométrica se aplica a polinomios.
Ejemplo
Ejemplo de polinomios co n términos positivos
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 ⎠
0.286 w1 – 0.286 w2 = 0
0.286 w2 – 0.286 w3 = 0
w1=1/3
w2=1/3
w3=1/3
51
GESR
Cada sumando se divide entre su wi y se iguala al valor óptimo de la función objetivo,
−0.286 −0.286
1000 0.286 P3 1000 0.286 P3
W = =
mínimo
3.73
w3 1/ 3
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.
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
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,
53
GESR
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.
R i (Resultado)
Si (Estado) Etapa i ~
S i (Transición)
Di
Decisión
F3=F2+R 3 F2=F1+R 2 F1=R 1
Etapa 3 Etapa 2 Etapa 1 ~
~ ~ S 1
S3 S 3 S2 S 2 S1
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
F4=F3+R 4 F3=F2+R 3 F2=F1+R 2 F1=R 1
56
GESR
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
Combinaciones de la etapa 3
~
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
Combinaciones de la etapa 4
~
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
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
700
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:
Etapa 3 Etapa 2 Etapa 1
58
GESR
~ ~ ~
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
Combinaciones de la etapa 2
400 400 0 0 0
400 300 6 10
1000 13
400 200 8 20
2000 20
59
GESR
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
Combinaciones de la etapa 3
~
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
[4] J.A. Nelder and R. Mead, “A simplex method for function minimization”, Computer
Journal, vol 7, p 308-313, 1965
61