Resumen # 1.

Introducción a la optimización

6/sep /2022
 Resumen # 1: optimización de procesos -introducción

1) Definición de optimización :

Es una herramienta encuentra la respuesta

que
más eficiente a un problema alado (Usa un

método específico)
2)
Objetivo de la
optimización :

Encontrar los valores de las variables de decisión

resuelvan el problema bajo un criterio dado
que

3) Posibles usos :

Localización de
planta
•
Determinación de rutas de distribución
Diseño de
equipos
-

•
⑧ /seno de proceso
•
Determinación de condiciones de operación
 aislamiento térmico :
4. Un
ejemplo -

☒
E
$/año
costo
anodizado
¥

•
¥ ¡
¥
.

"
. "
"
• %'
↳ \ #no

¡ :
:
:

Espesor
análisis K < ✓tubería
funciona
El si

Recordar definición radio crítico

✓=
k-mEEEEdedle-im.am
coeficiente convectivo
5. Un
ejemplo -

Eficiencia #mico :

÷ .
ni -

÷
;
.
÷
:*
↑

Rotación aire /hidrocarburo 1.0

G. Elementos de un problema de
optimización
• Variables de decisión
•
Parámetros
•
Restricciones
. Función objetivo
 Estructura matemática de un
7. Problema de
Optimización
Problema NILP :

min flor)
×

hcx)
sj : = O

gala o

✗ EX ≤ Pan
donde : *: vector de ± variables continuas (Punto )
Nota Realmente punto
: es un en el
hiperespacio
Importante : Para que se
constituya un problema
de
optimización m >m

numérico
8 .

Ejemplo .
min -1*1=4×2+5×2
2 X ,
A 3×2--6

ta
:
-

-
X,
r

^
-

✗2 :
a
:

✗
:

:
.

:
:
- 9

I %
:
:
-

:
-

J ✗o Í
9. Una
proyección más compleja
✗
2m \ Restricción de
lineal
desigualdad
'
→ no

'
/
,
,
,,
~,
""

¥ Restricción
lineal
de
igualdad
" 3

¥
. > X
"'"«"

Restricción lineal
de
desigualdad
9. Procedimiento
generalpara resolver
problemas
optimización :

1.
Analizar el
problema y listar las variables de

diseño

Establecer
2. el criterio de optimización con base

en la lista de variables de decisión

3. Desarrollar al modelo matemático relacionando ,

variables de entrada salida

y
4.
Simplificar el problema
s . D • sónar
y Aplicar una estrategia de resolución

6.
Verificar la
respuesta Aplicar
.
los análisis
de sensibilidad
 •o .
Obstaculos
para realizar la
optimización :
1. Discontinuidad de la
función o restricciones

2. Alta no linealidad

muy complejos
3. Interacciones
sensibles
4.

sensibilidad
Comportamientos muy
de la
baja
función
o

s .

Múltiples puntos óptimos locales

v.
Clasificación de los problemas de
optimización
de acuerdo a su estructura matemática
-

Biegkr -

Optimización

M. xed
anteayer
MINLP
diferenciable
◦

M EKP
diferenciable
IP Convexo NO COMKXO

/ LNLP)
LP p
 linear
ME Nap : Mixéd
integer non
programming
min f-IX. Y)
MIX Y)
suj
=O
: ,

IX. Y ) ≤ o
g
lineal
Mrap : M• ied
anteayer Programming
min É* + di y

A- * + IBY ≤ A
suj
:

linear
NRP : Non
Programming
minfl *)
MAX ) =D
soj
o
gc ☒ ) ≤

Linear
LP :
Programming
max 2- = É×

A- * ≤ A
suj
 ruadratic
QP :
Programming
XT
min a + CTX + Ya /B A
.

1A # ≤ A
sy

• 2-

Complejidad de la
optimización

se
¡ §É '

¥ pedid
já a
%
%

%%% ( a P NLP MILP MINLP

,
, , )
y
 Relación entre simulación
y optimización
13 .

Simulación :
Optimización
↳ IX., Xz .
-
i.
Xml -0
ft ✗ r
,
Xz, . .
.
✗ n)
421 Xi, Xz .
. .
.
Xm ) =D h /× , ,
✗2 . . . ✗n ) = 0
, ,

431 Xr Xz . . . Xm ) =D 42 / Xi ✗2 ,
. .
.
Xn) =
O
,

: :

thmlxr, Xz; - .
Xm) =D hm / Xr ✗ 2 ,
. . . ✗ n) = O

9o ( Xo ✗2 ,
. . . .
✗n ) ≤ o
"

;
n=m
(Yo ✗ n) ≤o
Newton : vakes del Sp ,
Xz . . .
.

sistema
n >m 6L >O

Función de
(F) fpxfi -1h } •
El
gradiente
Lagrange
de
Lagrange
11

{
E. ¥7 .
"

condiciones de optimalidad
"

"
sistema
de
primer orden
-

.
→

¥ - " ' "

0¥ de Ecuaciones CNewton)
 Construcción
14 .
de la
función objetivo :
"

función que va de MR - IR

f-( X; ✗ 2 . . .
Xn) → Escalar

En
optimización son simplificación es

Para encontrar las condiciones operacionales :

f-L Valor del producto - mot

prima costos de
-

operación
Unidad de
tiempo
encontrar
Para C. de
operación y
diseño :

f- ( V. del producto mat Ímiersión

- P .

prima
- costo
operación -

Unaedad de
tiempo
* inversión anual goda
 evaluación
15 Consideración es sobre
optimización
-
.

de
proyectos
-
valor del dinero en el tiempo

Tlcntobildodes sin considerar el valor del dinero en

el tiempo :

partir "" "

Flujo dinero periodo✗

" " "

" ""
""°
"
"µ.

Rentabilidades considerando el valor del dinero en

el tiempo :
Vt
LÜ
Vi V3 V4 V5
.

V2
^^

qcj
 pro t período
{
:

¡YEE ,
¡
% r:

1-o :
tasa de oportunidad
Inversión inicial
tú

si VPN es positivo ,
es económicamente
factible _

maximizar VPN

Tasa interna de retorno :

XP N-no )

Tasa interna
¥+④
-
"
VPN = .

de retorno
1-=/
↳ F. o

lineal lméal
16 .

Optimización y
no

lineal
Optimización
lineal
Optimización no
 Lineal
max 2- =L # → F.
minflkl-qF.NO lineal
SÜ a- * ≤☒ → Ec Lineales YMCA) :O → Ecwo lineales
'
lineales glx)
≤o
→
Desig
1- lineales
1 Designo
1
tamaño tamaño
Gran
Convergencia
-

lineal númerico Estocásticos

Algebra -
-
deterministas
GAMS
cplex
\ :P:p:|
max 7=2%+3×2 min -1×1=4%2+5%2
Xu 2×214 2%+3×2=6
suj suj
-

2kt ✗ 2<-18
Xz ≤ lo

Xrixz ≥o
 ✗2 Punto
¡ ta
{ óptimo
Ar As
f
v ⊖
µ

:
X

¡
s X,
A2
r As

Punto

n! Óptimo
% .
"
.

"
"'
"
Convexo n

÷
Convexo,
pero
usualmente
no lo es .
Resolución lineal
:
Algebra
número ×,
^

&
Le Tableau No todos los
área de
puntos están
en el
busqueda
1 Resolución :

Ü • Función de
Lagrange
Gradiente
.
de
Lagrange
↓
Une la función con las

restricciones
(Condición necesaria )
1-6. Condición necesario
y suficiente de
optimalidad
Definiciones :

Punto de inflexión : La función paso de un

tipo de concavidad a otra .

Matematica mente la
la
segunda deriva09 de la función es cero .

Punto estacionario : La primera derivada es cero .

Para una función de varias variables será todos ,

sus derivados
Punto crítico : Punto donde la función no es

cuando
diferenciable o su derivado es cero .

Nota : Los puntos estacionarios son

puntos críticos ,

pero
los puntos de inflexión no
siempre
lo

son .

Punto estacionario inflexión )

ti
(

.
Extremos de una
función : son los valores más grandes
( máximos ) más toma
o
pequeños (mínimos) que
una
función
Función de
Lagrange :

mis
flxl
suj Mix ) =O

gcx) ≤ o

tholntrihrlfcxlthtcxirtgtcxlnnnnf
Gradiente de
Lagrange
:

ÍÜÍ+rgµT-
hmmm
Gradiente de una función :

FIN
.gg función
 Of/DX
-
-

4/0×2
(X)
4-
-

=
:

OHOXN
-
_

Hessianos de una
función :

fcxt función 07
* %¿ . _ . .
.

OXIOXN

TAN = HCXI :

data ,
-
- - - - - -
.
.

%fa-ox.rs
:
:

Orto
0¥
OXNZ
.

Xndli
- .
-
.
. . .
.

Valores vectores
propios y propios :
valores
1A :
malñj de nxn
,
tiene 1
propios y
1 vectores propios
 vectores
1A V = error
propios
11A -
CIIV = O

LA -
EI = O

↳ valores
propia

y suficiente
Condición necesario .

función un/ variado sin restricciones

min fcsc )
sí de
: minino flx)
Condición necesaria -

primer orden :

obtiene ¥ puntos estacionarios

%¥- =o
.

Inflexión ,
Extremos -

Condición suficiente -

segundo orden :
 mínimo

[
O
012/-1×5 =
<o máximo
DX

=o Nls

Se derivando hasta -1-0

sigue
sea
,
que

%¥

{
: n
mpor
:
por
mínimo
0%44*1-1=0 ◦
punto inflexión
<o máximo

y suficiente
Condición necesario .

función multivariado sin restricciones

minfl*)
sí: mínimo de
FCXI
1-7 = ( Xi, ✗ 2,73 .tn )
. .
Condición necesaria primer orden :
-

Tfl ✗ 5- O obtener ¥ puntos : estacionarios

a

Inflexión ,
Extremos -

Condición suficiente -

segundo orden :

valores minino >o

propios

}
:

8-41×1=21×1 = /orn
propios : marino <O

Positivo /
Negativo NIS

{
:

→ Equivalente :

pts2 -11¥)p >o mínimo

<o máximo
"
4- PG IR p-1-0
 y suficiente
Condición necesario

función multivariodo con restricciones

min
f-(*)
MIX) -0
suj
glxk.co
Las condiciones de KKT Ckarush - Kuhn -
Tucker)

-
Condiciones necesarias -

13a lance de
fuerzas :

☆ lícx )
ALLÍ.IT -9ft# +
TÉ
"
#
¡ + o

Factibilidad :

g
*
( ✗ ) ≤0 MÍ) -0

Complementaba hdad :
activa
si 91×4=0
gcxMUI.co
*
u ≥,
si '

qcx ] <o no actúo

 Cualificación /Calificación :
Los gradientes de las restricciones activos en ¥
deben ser linealmente independientes . La matriz
columnas de THLX )
"

conformada por las y

{ ilgil# } es de rango
"
Tgilx ) con i. c- =o

completo full columna (full eolumn rank)

Condición de
segundo orden :

pts22 ( ¥ # ,
P ≥o condicion necesaria min
O condicion necesaria Max

FP -1-0 TÚE) p =o

srgtic # P = o e- c- {i/gii # =o ,Ü >o }

Condición suficiente :
pts221 # ,µ7P
} <
condicion necesaria min
condicion necesaria Max

FP # O TÚ/Hp=o

rgimp-oic.fi/giix*l=o,Ü >o }

Se
puede tambien mirar

82L : valores propios

I

es
 tomado del libro de
Aporte Biegkr confines académicos
-

Non linear
Programming Concepts
-
.
Algorithmsand Aplicativos
to Chemical proceses .

Lorenz T.

Biagio
 Metodos/
17
.

Allineales
goritmos para
resolver
problemas :
lsimplex )
( Para referencia consultó' 7 Libro
mejor
una ,
cap
Bazaraa ) .

El
problema : max 2- City
= > F. Lineal
Grupo Lineales
suj AH =D
ec .

Aplicación del método simplex :

* se debe partir de una solución

factible
*
Algoritmo basado en
Algebra lineal
* Busca los punto] extremos
tiene criterio de
convergencia
* un
Un demostrativo
ejercicio
:

Max 2- = 2%1-3×2

X, -2×2 ≤ 4

2X, + Xz ≤ 18

Xz ≤10

Xi ✗a ≥ O
,

canónica
Cambiando a su
forma
Max 2- = 2%+3×2
XÍÍÁ
"

* +2×2 +
-
-
-
→
Variable de
2X. + ✗a + XY
.
.

Í
.

holgura
✗ 2 1- Xs = 10
-
- -
-
-
-

M= # de restricciones 3

n = A- de variable 2

A- de variables básicas 3

# de variables no básicas 2
 ☒ = 3×5

Elaboración de la tabla :

Punto de partida → solución inicial factible

Variables básicas → ✗ 3, ✗ Y ✗ 5
>

variables no Básicas → Xi, ✗ 2

Punto de )
partida : * =/0,0
, 4,18 ,
'°
-1=0
Tabla #1 :
Organizando y primera dn

z
t
¥j
"
0€04
*
*
¡ *
 A- * =/0,0 4,
f-
, → ,
/ 8,10) O

-
2-

"

Xs O

Pivote sale V. B
/
Entra Z: más negativo
sale : *

RHS/columna ✗2
*
✗y → 18/1
✗s -

→ 10/1
* : No
negativos /NO cero
 procedimiento solución
y segunda
Tabla #2 :

✗a New = Xsold/Pivote
2- New = ✗2New *3 sumar a Zold

XS New =
✗ zwew *2 Sumar a ✗ 3 Old

Ruth
✗ ↳ New =

2-

¥
×, ÷

>
Ii
× .
o ←

✗a

ft A2 ☒ = LO /0,24, 8,0)
, -1=30
Columna Pivote lento XD
✗3 RHS # = 24/1 =
24
Fila pivote
✗y > RHS/Xi = 8/2 =
Y * sale ✗Y
Tabla # 3. Procedimiento lécera solución
y
✗• New = ✗ y old dividido Pivote
Z New = ✗ , New * 2 sumar a 2-old

✗2 New = se
queda sin mover

* =

2-

÷-Y
*.

✗a

Ay ✗ = (4,10, 20
,
0,01 f- = 38 *

* Valor
optimo : Todos los valores fila 2- son

positivos
18 .
Método de Newton para resolver problemas
no lineales :

El problema :
min
f- LX) minfctx) Variable
>
MIX)
suj suj MIKI / holgura
:O -0

g ( K) ≤o
GCXITXH -0

↓
min
FCX)
MIX)
suj
-0

Al A) =D

Método de Newton -
Problema con restricciones de

igualdad
El
problema : min
FCIXJ
suj MIX) -0
 La
función de
Lagrange :

Ll X N,
rf (X) + MINI
Gradiente de la
función de
Lagrange :

☆✗ LIAN
=
Tfl *) t 8h4XAR
Ti LLX N ,
= MCX)

Condición necesario :

8×21×7 ;D =
Ifc# + TAL
=O

8×1 ( X; =
MIKI -0

El método de Newton :
-
-
No es la función objetivo
÷
-

An
= -
f son :

. . - a

RE
-

1-
-
TRL .
 - -

Á
-

ÁL Thi ni
•
•
=

Th 0 AM M
- -

- - -
-

Organizando :

TÍLAXTTHTAI = TXL
THAR + O = -
M

Organizando
:

8×1+8×2<1×+84%11--0
h # THAX -0

Ec 8.66 Hmmelbbny
8.67 Hume/blau .
 El procedimiento :
Inicia → ÁÍ ( Supuestos )
,

Calcuta : → LIX ? A) TLLX! AY

, ,
THIN THEN)
,

Resuelve Ec 8.66 8.67

Y
: →

Obtiene : → A# ,
°
Adi
◦
Calcula : - *
'
= * + A*
°
A
'
= Dot Ako

↓
Cuándo Año
AR = o

Converge