Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Esteban Pulido
EGS/EPV-DIE-UTFSM 2
Conceptos básicos
• Optimización consiste en encontrar la mejor
solución bajo ciertas circunstancias
• Las distintas técnicas de optimización forman
parte del área de investigación de operaciones
• Investigación de operaciones se refiere a la
aplicación de técnicas matemáticas a
problemas de tomas de decisiones
EGS/EPV-DIE-UTFSM 3
Conceptos básicos
• Función objetivo
• Variables
• Conjunto de restricciones
EGS/EPV-DIE-UTFSM 4
Modelos de optimización
• En forma general:
min o max f(x1,…,xn) (función objetivo)
sujeto a
gi(x1,…,xn) ≥ 0 (restricciones funcionales)
x1,…,xn S (restricciones de conjunto)
• x1,…,xn son las variables de decisión
• La meta es encontrar x1,…,xn S que satisfacen las
restricciones gi y alcanzan el mínimo o máximo de la
función objetivo f EGS/EPV-DIE-UTFSM 5
Modelos de optimización
Estocásticos Determinísticos
Parámetros
(incertidumbre en los pará- (parámetros del modelo no
del modelo
metros del modelo) tienen incertidumbre)
Función obje-
Lineales No-lineales
tivo y restric-
(f y g son lineales) (f y g son no-lineales)
ciones
EGS/EPV-DIE-UTFSM 6
Modelos de optimización
Optimización
Variables Variables
continuas discretas
Programació
Sin Con Programació
n entera-
restricciones restricciones n entera
mixta
Optimización
Ecuaciones Optimización Programació Programació
no-
no-lineales global n lineal n no lineal
diferenciable
EGS/EPV-DIE-UTFSM 7
OPTIMIZACIÓN SIN RESTRICCIONES
EGS/EPV-DIE-UTFSM 8
Optimización sin restricciones
• Dada una función se trata de encontrar los
valores de que la minimizan/maximizan
• En dos dimensiones:
EGS/EPV-DIE-UTFSM 9
Optimización sin restricciones
• ‘Bracketing’
– Se empieza seleccionando 3 puntos
(x left , f(xleft))
(x right , f(xright))
(x , f(xright))
right
(x , f(xnew))
new
(x mid , f(xmid))
EGS/EPV-DIE-UTFSM 12
Optimización sin restricciones
• Bracketing de sección áurea: Se selecciona xnew
usando la sección áurea
2
EGS/EPV-DIE-UTFSM 14
Método de Newton
• En cada paso:
EGS/EPV-DIE-UTFSM 15
Optimización en varias dimensiones
• Ejemplos
– Ajustar un modelo a datos experimentales
(minimización de error cuadrático medio)
– Encontrar el mejor diseño en un espacio de
parámetros
• Dependiendo de la función, esto puede ser
bastante difícil
EGS/EPV-DIE-UTFSM 16
Optimización en varias dimensiones
EGS/EPV-DIE-UTFSM 17
Optimización en varias dimensiones
EGS/EPV-DIE-UTFSM 18
Optimización en varias dimensiones
EGS/EPV-DIE-UTFSM 19
Optimización en varias dimensiones
EGS/EPV-DIE-UTFSM 20
Optimización en varias dimensiones
EGS/EPV-DIE-UTFSM 21
Optimización en varias dimensiones
EGS/EPV-DIE-UTFSM 23
Optimización en varias dimensiones
• Gradiente conjugado obtiene information del
Hessiano en forma implícita, pero no lo calcula!
• Para función cuadrática n-dimensional obtiene
solución exacta en n pasos
• Funciona bien en la práctica
EGS/EPV-DIE-UTFSM 24
PROGRAMACIÓN LINEAL Y
PROGRAMACIÓN ENTERA-MIXTA
EGS/EPV-DIE-UTFSM 25
Modelos de optimización
(función objetivo)
Sujeto a
(restricciones funcionales)
(restricciones de conjunto)
EGS/EPV-DIE-UTFSM 26
Modelos de optimización
Estocásticos Determinísticos
Parámetros
(incertidumbre en los pará- (parámetros del modelo no
del modelo
metros del modelo) tienen incertidumbre)
Función obje-
Lineales No-lineales
tivo y restric-
(f y g son lineales) (f y g son no-lineales)
ciones
EGS/EPV-DIE-UTFSM 27
Variables de decisión
• Continuas
– Valores pueden tomar cualquier valor en un rango
determinado
– Programación lineal
• Enteras o binarias
– Programación entera
• Continua y enteras
– Programación entera mixta
EGS/EPV-DIE-UTFSM 28
Función objetivo
• Combinación lineal de variables de decisión
– No interacción entre variables de decisión
– Parámetros constantes
– Parámetros conocidos con certeza
• Minimización o maximización
– Son básicamente iguales
EGS/EPV-DIE-UTFSM 29
Restricciones
• Combinación lineal de variables de decisión se iguala a
cierto valor
– Lado izquierdo (LHS) contiene variables
– Lado derecho (RHS) tiene un parámetro
• El conjunto de todos los puntos que satisfacen las
restricciones se llama la región factible
• Desigualdades se pueden convertir en igualdades
definiendo nuevas variables
– e.g.
– La nueva variable tiene costo cero en la función objetivo y se
conoce como variable ‘slack’
EGS/EPV-DIE-UTFSM 30
Variables duales
• El problema original (primal) tiene un problema dual
asociado, donde se tendrá:
– Una variable dual por cada restricción
– Una restricción por cada variable primal
EGS/EPV-DIE-UTFSM 31
Dualidad en programación lineal
Problema primal Problema dual
libre
En Matlab:
x = linprog(, , , , , , )
y representan los vectores del valor
inferior y superior de . Otra forma es
agregarlos en y .
EGS/EPV-DIE-UTFSM 32
Dualidad en programación lineal
Problema primal Problema dual
Función objetivo Minimizar Función objetivo Maximizar
Restricciones Variables
Libre
Variables Restricciones
Libre
EGS/EPV-DIE-UTFSM 33
Ejemplo: Despacho económico
Generador Costo marginal ($/MWh) Capacidad (MW)
Renovable 0 50
Base (e.g. carbón) 10 100
Punta (e.g. diésel) 30 40
Demanda = 110 MW
Gen. renovable = 20 MW
EGS/EPV-DIE-UTFSM 34
Ejemplo: Despacho económico
Problema primal Problema dual
libre
EGS/EPV-DIE-UTFSM 35