Está en la página 1de 27

Optimizacin clsica

Esta tcnica es til para funciones continuas y diferenciales. Estos mtodos son analticos. Tiene un campo limitado de aplicacin. Sin embargo, esto es la base para los dems mtodos.

Optimizacin de una variable.


A2 f (x)
A1

A3 B2 B1 Ai A3 Mximos locales A2 Mximo global Bi Mnimos locales B2 Mnimo global b x

El problema es encontrar x = x* en el intervalo [a , b] de modo que x* minimice f(x).

Teoremas
Condicin necesaria Si f(x) es definida en a x b, tiene un mnimo local en df = f ' (x * ) = 0 x = x*, si a < x* < b y dx *
x

Condicin suficiente Si fn (x*) 0 f (x*) es: un mnimo de f (x) si fn (x*) > 0, n par; un mximo de f (x) si f n (x*) < 0, n par.

Ejemplo
Determine valores mximos y mnimos de la funcin Solucin

f ( x ) = 12 x 5 45x 4 + 40 x 3 + 5

f' (x) = 60 x 4 3x 3 + 2x 2 f' (x) = 60x 2 (x 1)(x 2)

Luego f (x) = 0 cuando x* = 0, x* = 1, x* = 2. La segunda derivada

f ' ' ( x ) = 60 4x 3 9 x 2 + 4x

f (x) a x*= 0 f (x*) = 0 no es mximo ni mnimo, investigue la siguiente derivada f (x) a x*= 1 f (x*) = 12 mximo f (x) a x*= 2 f (x*) = -11 mnimo

f (x)

Eficiencia

Capacidad

Variable de operacin

f (x) Eficiencia (% de extraccin)

Capacidad (Toneladas de mineral)

Tiempo de lixiviacin en pilas

f (x) Material tratado

Eficiencia (% de conversin)

Flujo de alimentacin al reactor

Costo

Costo global

Costo 1

Costo 2

Variables de diseo

Costo total US $/ao

Costos fijos (caeras)

Costo Variables (bombeo)

Dimetro caera

US $/ao

Costo total

Perdidas de calor

Material

Espesor aislacin

Costos Totales US $

Costo de Equipos Evaporadores

Costos Vapor

N de efectos Evaporadores

Extraccin por Solvente

US $

Costos Totales

Equipos

Soluto perdido

Variables de diseo

Otros ejemplos ver Abdn Zamora, Diseo Optimo Economicote Equipos de Procesos

Optimizacin multivariable
Condicin necesaria f ( x ) es un punto extremo (mximo o mnimo) a x = x* , si * * * Condicin suficiente La matriz de las segundas derivadas parciales (matriz Hessiana) de f( x ) evaluada en x* es i) Positivamente definida entonces x* es un punto mnimo. ii) Negativamente definida entonces x* es un punto mximo.

f x f x f x =0 = ........ = = x n x 2 x 1

( )

( )

( )

Ejemplo Sea

1 1 1 2 2 2 f ( x ) = k 2 x 1 + k 3 (x 2 x 1 ) + k 1 x 2 Px 2 2 2 2
f = k 2 x 1 k 3 (x 2 x 1 ) = 0 x 1

Luego, derivando

f = k 3 (x 2 x 1 ) + k 1 x 2 P = 0 x 2 resolviendo el sistema de ecuaciones

P k3 x = k1k 2 + k1k3 + k 2 k3
* 1

P ( k 2 + k3 ) x = k1k 2 + k1k3 + k 2 k3
* 2

La matriz de Hessiana

J x * ,x *
1 2

J x * ,x *
1 2

2f 2 x 1 = 2 f x x 2 1 k 2 + k 3 = k3

2f x 1x 2 2f 2 x 2 k3 k1 + k 3

Una matriz A es definida positivamente definida si sus valores propios () son positivos. Los valores propios se determinan de A I = 0 Otra forma es evaluando los determinantes de cada sub matriz. Todas las determinantes deben ser positivas
J1 = k 2 + k 3
Positivo Positivo

J2 =

k2 + k3 k3

k3 k1 + k 3

= k 1k 2 + k 1k 3 + k 2 k 3

Luego f (x1*, x2*) es un mnimo.

Optimizacin con restricciones


Minimice f(x1, x2) s.a. g(x1, x2)=0 Las condiciones necesarias para la existencia de un punto extremo en x =x* es
f f x 2 g =0 * x 1 x 1 g x 2 X1* ,X 2*

f g =0 x + * x 1 X * ,X * 1 1 2

f g x + * x 2 2
1 2

g (x 1 , x 2 ) X * ,X * = 0

=0 X1* ,X 2*

f x 2 Donde = g x 2

multiplicador de Lagrange X1* ,X 2*

Mtodo de Lagrange
Minimice f(x) s.a. g i (x)=0 j = 1,2,,m Se define y se aplican

L = f (x ) + 1g1 (x ) + 2 g 2 (x ) + ... + m
m g i L f = + j =0 x i x i j=1 x i

i = 1,2,

L = g j (x ) = 0 j

j = 1,2,,m

se tiene m+n ecuaciones y n (x1, x2xn)+ m (1, 2,,m) variables.

Ejemplo Minimice f (x, y) = k x-1 y-2 s.a. g (x, y) = x2 + y2 - a2 = 0 Luego 1

L = f + g = kx y 2 + x 2 + y 2 a 2

L = kx 2 y 2 + 2 x = 0 x L = 2kx 1 y 3 + 2 y = 0 y L = x2 + y2 a2 = 0 Resolviendo (ec.1) y (ec.2)

(ec. 1) (ec. 2) (ec. 3)

k 2k 2 = 3 2 = 4 x y xy

Reemplazando en (ec.3)

x =
* *

a 3 a 3

y = 2 9 3 = 4 a5

Significado del multiplicador de Lagrange Sea minimice f(x) s.a. g (x) = b * denota la sensibilidad (o razn de cambio) de f con respecto a b, o el cambio marginal en f* con respecto a b en x*. En otras palabras * indica que tan ajustado esta la restriccin en el punto optimo.

Ejemplo Ajuste de balance


i ai
B bi C ci

A ai

212 1.23 0.33 1.74

180 4.12 1.96 5.29

150 7.7 5.8 7.6

bi ci

a)

Balance para calcular A=B+C A ai = B bi + C ci = B/A ai = bi + (1-) ci

Si se calcula
i

a i ci = bi ci
212 0.362

se tiene
180 0.351 150 -0.011

Luego existe un error.cual es el mejor valor de ?

i = error(i) = a i - b i (1 )c i
la funcin objetivo es minimizar

f () = [a i b i (1 )c i ]
i

df =0 d df () = 2[a i b i (1 )c i ][ b i + c i ] d i

(1.23 1.74)(0.33 1.74) + (4.12 5.29)(1.56 5.29) = (0.33 1.74)2 + (1.56 5.29)2 + (5.8 7.68)2
4.5776 = = 0.2756 16.6114

b)

Recalcular las ai, bi, ci


Min a i a i
i

) + (b
2 i

bi

) + (c
2 i

ci

s.a.

0 = a i - b i (1 )c i

i = a i - b i (1 )c i

i = a i a i b i b i (1 ) c i c i

) (

Min a i + b i + c i
2 2

s.a. 0 = i + a i b i (1 )c i

Aplicando Lagrange
2 2 2 L = a i +b i + c i + i [ i + a i b i (1 )c i ] i

f i = 2 a i + i = 0 a i = 2 a i
f = 2 b i i = 0 b i = i b i 2

i f = 2c i i (1 ) = 0 c i = (1 ) c i 2

f = i + a i b i (1 )c i = 0 i

i 2 i 2 i i (1 ) =0 2 2 2

i 2 2 i = 1 + + (1 ) 2 2 i i = 2 2 1 + + (1 )