Principios de optimización

Técnicas de optimización
Para optimizar un sistema se debe establecer una función
objetivo, la cual trata de maximizar algún tipo de beneficios o
salidas del sistema, o de minimizar algún tipo de costos o
entradas al proceso.

La búsqueda se lleva a cabo bajo restricciones como balances

de materia, balances de energía, ecuaciones de diseño, así
como estipulación de algunas variables.

Si existe un solo grado de libertad, se tiene un caso de

optimización de una variable; si existen varios grados de
libertad, entonces la optimización se conoce como
multivariable.
Optimización de una variable

Caso simple de solución Usar principios

de un problema de de cálculo
optimización diferencial

La derivada de la función con

respecto a la variable de interés
igualada a cero proporciona el
máximo o el mínimo que se busca
Este procedimiento requiere de relaciones matemáticas explícitas y
continuas, cuando no se cumple, se establece la necesidad de
técnicas de búsqueda.
Las técnicas de búsqueda se basan en el concepto de eliminación de
regiones.
La función objetivo se evalúa en
varios puntos contenidos en el
espacio de búsqueda

Se rechaza la región que contiene

los peores valores obtenidos

La región remanente contiene el

mejor punto, detectado hasta ese
momento

El proceso se repite, la región de

búsqueda se va aislando hasta que
contenga el punto óptimo dentro
de una aproximación deseada
Optimización de una variable
La función objetivo para un
problema de optimización
debe ser unimodal para que
el valor óptimo global se
garantice al resolver el
problema mediante algún
método numérico.

Funciones unimodales

Funciones no unimodales
conducen a soluciones que
no garantizan un valor óptimo
global, aunque la solución
que se obtiene corresponde
cuando menos a un óptimo
local.
Función no unimodales
El método de la sección dorada

El método se basa en la colocación de puntos de búsqueda

simétricos, de tal manera que en cada iteración, el punto que se
conserva sirve como base para la selección del nuevo punto, el cual a
su vez debe conservar la simetría original, pero acotando la solución
óptima dentro de un intervalo de búsqueda menor.

ai li ri bi
Deducción del método:
Comencemos con una estructura inicial, que consiste de los límites de
búsqueda especificados, más un punto interior, colocados de la
siguiente manera:

a0 l0 b0

La relación entre la distancia del punto interno al extremo b0 (b0 - l0) y

la distancia entre los extremos (b0 - a0) es siempre una constante.
 .....
La estructura final incluye dos puntos interiores colocados
simétricamente de la siguiente manera:

a0 l0 r0 b0

Ecuación 1 Ecuación 2

Despejando de las ecuaciones 1 y 2, l0 y r0 respectivamente,

tenemos:
 ....
Supongamos que los dos puntos de búsqueda se colocan a una
distancia τ de cada lado de la región que se analiza.

Una vez evaluada la función una región puede ser eliminada:

τ Donde:
τ2 = (1 – τ)
τ2 Por lo que
τ τ2 + τ - 1 = 0
Procedimiento:
1. Colocar puntos simétricos de acuerdo a las ecuaciones (1) y (2)

2. Rechazar el peor punto de los dos con su respectiva región

adyacente.

3. El punto que se conserva sirve de base para la siguiente iteración.

4. Cambiar la posición relativa del punto que se conserva para el

nuevo espacio de búsqueda, de la manera siguiente:
a) Si en la iteración se rechazó la región derecha (incluyendo el
punto r ), el punto izquierdo l será el punto derecho r1 para la
siguiente iteración.
b) Posteriormente se evalúa l1 para el intervalo reducido de
manera similar a la ecuación (1).

c) Un procedimiento análogo se usa en caso de eliminar el punto l

y la porción izquierda.
Reducción de intervalo

La contracción que se logra en el espacio de búsqueda con el

método de la Sección Dorada está dada por:

Donde:

n = número de evaluaciones de función, equivalentes a n – 2*

iteraciones.
* Este número de iteraciones implica que la colocación de
puntos iniciales se ha definido como la iteración 0.
Aplicación del método de sección dorada

Encontrar el mínimo de la función f(x) = x2 – x en el intervalo (0,2). Usar

cuatro iteraciones.

Primero podemos predecir el grado de reducción del intervalo

original para las cuatro iteraciones que se desean, las cuales
equivalen a n = 6 evaluaciones de función.

ó 9% del intervalo original

Iteración 0. Colocación de puntos iniciales

a0 l0 r0 b0
0 0.764 1.236 2

Evaluando la función en estos puntos se obtiene:

f(x) = x2 – x
El peor punto es r0, por lo que se rechaza el intervalo (r0,b0) = (1.236,2)
como se muestra esquemáticamente a continuación:
Iteración 1
El intervalo remanente (a1,b1) es (0,1.236)

a1 l0 r1 b1
0 0.764 1.236

El punto l0 = 0.764 se convierte en r1, por lo que debemos evaluar el

punto l1 para esta iteración.

Evaluando la función en estos puntos se tiene:

f(x) = x2 – x
Como f(r1) > f(l1) y estamos minimizando la función, debe
rechazarse la región a la derecha de r1, es decir (0.764, 1.236), como
se muestra a continuación:
Iteración 2
El intervalo remanente (a2,b2) es (0,0.764)

a2 l1 r2 b2
0 0.472 0.764

El punto l1 = 0.472 se convierte en r2, por lo que debemos evaluar el

punto l2 para esta iteración.

l2 = b2 – τ(b2 – a2) = 0.764 -0.618(0.764 – 0) = 0.292

Evaluando la función en estos puntos se tiene:

f(r2) = -0.249
f(x) = x2 – x
f(l2) = -0.207
f(l2) > f(r2) por lo que debe eliminarse la región comprendida a la
izquierda de l2:
Iteración 3
El intervalo remanente (a3,b3) es (0.292, 0.764)

a3 l3 r2 b3
0.292 0.472 0.764

El punto r2 = 0.472 se convierte en l3, por lo que debemos evaluar el

punto r3 para esta iteración.

r3 = a3 + τ(b3 – a3) = 0.292 + 0.618(0.764 – 0.292) = 0.584

Evaluando la función en estos puntos se tiene:

f(r3) = -0.243
f(x) = x2 – x
f(l3) = -0.249
Como f(r3) > f(l3) por lo que debe eliminarse la región comprendida a
la derecha de r3:

0.292 0.472 0.584 0.764

Iteración 4

(a4, b4) = (0.292, 0.584)

l3 r4 = 0.472; f(r4) = -0.249
l4 = 0.403
F(l4) = -0.240
Eliminar (0.292, 0.403)

0.292 0.403 0.472 0.584

Hasta este nivel, el óptimo se ha acotado en el intervalo

(0.403, 0.584), el cual corresponde al 9% del intervalo
original. El mejor punto obtenido en cuatro iteraciones es
x* = 0.472
Optimización de un sistema de extracción
Se va a diseñar un proceso de extracción líquido-líquido para recuperar un
soluto valioso. Las variables relevantes de esta operación se indican en el
siguiente diagrama.

El flujo de alimentación Q es de 1,000 lb de solvente/h, con una

concentración de soluto de 0.20 lb de soluto/lb de solvente. Esta corriente se
va a poner en contacto con un solvente de lavado W. Se desea detectar la
cantidad de solvente de lavado que debe usarse para maximizar la
siguiente función objetivo: máx [Q(xF – x1) – λW], donde Q(xF – x1) representa la
cantidad de soluto extraído y λ es la relación del costo unitario de solvente
de lavado al valor unitario del soluto. Usando un valor de λ = 0.05, determine
la cantidad óptima de solvente de lavado.
Primero desarrollemos la modelación del sistema.
Debido a la forma de la función objetivo las ecuaciones requeridas
son de balance de materia y relación termodinámica.

Balance de materia:

Balance de soluto:
Relación termodinámica:

La relación de equilibrio entre x1 y y1 está dada por la figura que se

muestra a continuación, la cual puede expresarse como:
Un análisis de grados de libertad nos indica que tenemos un sistema de

dos ecuaciones con tres incógnitas. El grado de libertad existente nos

proporciona un problema de optimización de una variable.

En principio, podemos usar cualquiera de ellas como variable de

búsqueda.

Por conveniencia es mejor usar x1 ya que su valor está acotado

entre 0 y xF, lo cual facilita la búsqueda del punto óptimo.

Usando el método de Sección Dorada para optimizar el sistema, los
puntos iniciales de búsqueda son:

a0 l0 r0 b0
0 0.0764 0.1236 0.2

Para el punto de búsqueda x1 = l0 :

De la relación de equilibrio entre x1 y y1, para un valor de x1= 0.0764
se obtiene un valor de y1= 0.147
Sustituyendo x1 y y1 en la ecuación de balance de soluto,
obtenemos el valor de W:

W = 840.8 lb/h
Evaluando la función en este punto se tiene:

función objetivo: máx [Q(xF – x1) – λW]

f = 81.56

Para el punto de búsqueda x1 = r0 :

El punto r0 contiene un peor valor de la función objetivo, por lo

tanto se elimina la región [r0, b0].
Iteración 1

a1 l0 r1 b1
0 0.0764 0.1236

r1 = 0.0764
l1 = b1 – τ(b1 – a1) = 0.1236 -0.618(0.1236 – 0) = 0.0472

Para el punto de búsqueda x1 = l1 : y1 = 0.103

W = 1,483.5 Se elimina la
f = 78.6 región [a1, l1].
Para el punto de búsqueda x1 = r1 : y = 0.147
1
W = 840.8
f = 81.56
La siguiente tabla resume el proceso de búsqueda para encontrar la
solución óptima:

Después de 5 iteraciones, la solución óptima que se ha encontrado

implica
x1 = 0.0695
con lo cual
y1 = 0.15
W = 870 lb/h
y el valor de la función objetivo es
f = 87.0