Professional Documents
Culture Documents
1. La bsqueda de un ptimo
Lo expuesto hasta aqu implica haber logrado definir, para un determinado problema de
diseo, tanto el esquema de proceso cuanto el modelo matemtico que lo representa, as como
un conjunto de variables independientes o de decisin que resultan las ms adecuadas,
teniendo en cuenta la complejidad del clculo de la funcin objetivo.
La cuestin que se plantea ahora es como manejar el problema de optimizacin resultante
-supuestamente siempre se tendr un nmero positivo de grados de libertad- o, en otros
trminos, que valores habrn de darse a las variables de decisin para obtener el ptimo
buscado.
Las distintas estrategias que pueden concebirse constituyen el desarrollo central de las
Tcnicas de Optimizacin, a las que se las suele agrupar en dos grandes captulos: los
Mtodos de Optimizacin y las Programaciones.
Dentro de los primeros quedan englobadas vas de solucin de tipo genrico, donde se tiene
una escasa consideracin acerca de la naturaleza matemtica del problema cuyo ptimo debe
encontrarse, privilegindose ms los aspectos "operativos" con los que el mtodo pretende
arribar a la solucin. Las segundas, en cambio, son de aplicacin restringida a determinado
tipo de problemas, caracterizados ya sea por su formulacin matemtica o bien por la
estructura del flujo de informacin.
En la literatura se habla de una Programacin no lineal que, sintticamente, se refiere a un
problema que puede formularse como sigue
min F(x)
xE n
con g( x ) = 0 ; g Er ; r < n
y h( x ) 0 h E m
que no es otra cosa que el planteo ms general posible de un problema de optimizacin.
Para esta clase de programacin la va de ataque son los mtodos de optimizacin; con lo
que, segn lo dicho ms arriba, habra una cierta contradiccin. Esto no es ms que aparente,
habida cuenta de que, por lo inespecfico de la formulacin, se ha perdido la caracterstica
bsica que distingue a las programaciones.
4-1
El objetivo comn a todos los mtodos de optimizacin es, en esencia, obtener, con el
menor nmero posible de evaluaciones de la funcin objetivo, una representacin
adecuada de la misma que permita determinar la ubicacin del punto ptimo.
De lo dicho resulta claro que toda la problemtica de estos mtodos est directamente
relacionada con aspectos propios del clculo numrico como eficiencia y comportamiento del
algoritmo frente a problemas mal condicionados, mbito de convergencia y velocidad de la
misma, etctera.
Existe una cuestin bsica que obliga a dividir el tratamiento de los mtodos de bsqueda en
dos grandes grupos, cuestin que se deriva de lo esencial de la determinacin numrica de un
extremo: un punto se dice ptimo -en sentido local, en rigor- cuando la funcin objetivo
evaluada all resulta ser mejor que en el entorno inmediatamente prximo.
Puesto en trminos simblicos
x* ptimo si F(x*) mejor que F(x) ; x*, x En y x* - x =
lo cual, para una funcin objetivo que dependa de una sola variable de decisin implica la
comparacin con solo dos puntos, x*+ y x*-, pero para otra que dependa tan solo de dos
debera efectuarse el cotejo con los infinitos puntos de la circunferencia de centro x * y radio .
Lo primero es numricamente posible pero lo segundo no y, por lo tanto, habr una sustancial
diferencia entre los mtodos de bsqueda de ptimo de funciones de una y dos o ms variables
de decisin.
Otra gran divisin que a la que se suele hacer referencia es entre mtodos orientados hacia
problemas sin restricciones y aquellos que son capaces de abordar esquemas restringidos. Aqu
no se har mayor hincapi en este punto ya que, en realidad, en lo que a diseo ptimo se
refiere, todos los casos reales poseen restricciones.
2. Mtodos para problemas de una variable
En este apartado se abarca una temtica que excede el exclusivo planteo de un problema de
diseo con una nica variable de decisin.
Un concepto ms acabado del tipo de cuestiones que abordan estos mtodos es el de
bsqueda unidireccional que abarca tanto los problemas ya mencionados como la resolucin
de otros, de dos o ms variables, en base a una estrategia basada en definir direcciones, segn
un determinado criterio, y sobre ellas buscar el ptimo de la funcin objetivo.
Uno de los enfoques clsicos en mtodos de bsqueda unidireccional es el concepto de
eliminacin de regiones, por el cual se procede a excluir del anlisis subsiguiente espacios de
bsqueda donde, se dice, no puede encontrarse el ptimo.
Esta idea est estrechamente asociada a la nocin de unimodalidad cuyo significado es que
en el mbito de bsqueda solo debe existir un ptimo de la naturaleza buscada.
4-2
Fig. 4.2.1
Simblicamente, se puede decir que una funcin es unimodal si
siendo x1 < x2 y x* el punto ptimo
f (x1) es peor que f(x2) si x2 < x* y
f (x1) es mejor que f(x2) si x1 > x*
Si una funcin es unimodal se puede
asegurar, calculndola solo en dos puntos,
en que zona no puede encontrarse el
ptimo y, por consiguiente, como ya
quedara dicho, eliminarla del anlisis. En la
figura 4.2.2 los valores de la funcin
calculados en x1 y x2 permiten presuponer
comportamientos como los indicados en
lneas de puntos, con lo que la zona x2-b
deja de ser de inters. Ntese que los
valores de la funcin podran haberse
Fig. 4.2.2
encontrado en una situacin inversa a la
presentada ( f1 < f2 ) y en tal caso la zona excluida sera a-x1.
Puede observarse que:
1.- Se requieren, como mnimo, dos evaluaciones de la funcin objetivo para poder
desechar una regin;
2.- La ubicacin de los puntos de clculo debe ser simtrica respecto del punto medio del
intervalo para que el porcentaje de regin eliminada sea independiente de valores relativos
de las evaluaciones;
4-3
3.- Siempre queda uno de los puntos dentro de la zona no eliminada, mientras que el
restante queda en uno de los lmites de la misma.
Si bien el concepto de unimodalidad es muy simple de plantear y, como se ver, puede
convertirse en una estrategia eficiente para la bsqueda de un ptimo, tiene un inconveniente
bsico y es que para asegurar su cumplimiento debera conocerse exactamente el
comportamiento de la funcin objetivo, cuestin que, en la prctica, es imposible.
Ms an, sin este conocimiento, que es, se
insiste, la situacin normal, solo se est en
condiciones de establecer cuando la
funcin no es unimodal.
En la figura 4.2.3, por ejemplo, se ha
representado una situacin posible luego
de un segundo paso en la estrategia de
eliminacin de regiones.
Otra vez se tienen dos puntos en el interior
y ha quedado de la etapa anterior una
evaluacin sobre el borde de la zona,
Fig. 4.2.3
indicado como punto b.
Resulta claro que si lo que se busca es un
mximo de la funcin objetivo sta no es unimodal en ese sentido (habra sendos mximos a
izquierda y derecha del punto x2).
Ahora bien, si no se detectase una situacin de esta ndole no habra que inferir, por ello, que
la funcin es unimodal, pues solo podra ser una consecuencia de la particular ubicacin de los
puntos de anlisis; aunque si se repitiese lo mismo una y otra vez habra fundamentos para
estimar que la funcin se comporta como unimodal.
3. El mtodo del nmero de oro
El mtodo que se ha de analizar a continuacin es uno de
los ms difundidos por la simplicidad de su programacin y
una notable eficiencia en el proceso de determinar el punto
ptimo en una bsqueda unidireccional.
La idea bsica se muestra en la figura 4.3.1. All se han
ubicado, en una primera etapa, los dos puntos requeridos
Fig. 4.3.1
para lograr la eliminacin de un cierto sector de la zona de
bsqueda inicial, el entorno {a, b}, normalizado en {0, 1}.
En la figura se ha supuesto, adems, que la zona eliminada es la ubicada entre x2 y b. De esta
forma, el intervalo de bsqueda pasa a ser, ahora, {a' = a, b' = x 2}. (Ntese que como ya
qued dicho, uno de los nuevos lmites de la zona coincide con un punto de anlisis).
4-4
En la estrategia que se plantea el mtodo del nmero de oro el punto que permanece en el
interior del nuevo intervalo est ubicado en la posicin relativa en la que se encontraba el otro
punto, que ahora limita la zona; esto es, el anterior x1 ser el nuevo x2, indicado como x2 en la
figura.
Para ello deber cumplirse que
5 1
x 2 x1 1 x 2
x 22 x 2 1 0 x 2
0,6180339...
1 x2
2
x2
Es a este nmero irracional al que el mtodo debe su nombre, ya que en la Grecia clsica la
cifra 1,6180339... era conocida como "relacin urea", ntimamente ligada a la secta pitagrica
-en su emblema, una estrella regular de cinco puntas, todas sus lneas estn divididas segn esa
proporcin-. Tiene propiedades geomtricas singulares1, por lo que no es de extraar que los
griegos, tan racionales, le atribuyesen cualidades inasibles como la belleza y utilizaran la
relacin urea al erigir los esplndidos edificios de la Acrpolis ateniense -con lo cual vino a
resultar cierto que tal proporcin es sinnimo de belleza-. Volviendo al mtodo, la ubicacin
relativa de los puntos de una etapa de anlisis hace posible que en la siguiente solo sea
necesario el clculo de un nico punto nuevo, manteniendo siempre constante el factor de
reduccin de la zona de bsqueda (61,8 % del intervalo existente)
Al cabo de n etapas se habrn realizado n+1 clculos de la funcin objetivo (en la primera
deben realizarse, necesariamente, dos) y el factor de reduccin global alcanzado (relacin
entre intervalo final e inicial) ser de (0,618..) n. De esto surge que el nmero de clculos que
se requieren para lograr un determinado factor de reduccin es
(0.618...) N - 1
log
+1 N
log (0.618..)
Por ejemplo, si a un rectngulo cuyos lados guardan esa relacin se le quita el cuadrado formado
sobre el lado menor, en el rectngulo resultante se sigue verificando la proporcionalidad.
4-5
Fig. 4.3.2
min FO ( x, y )
x E1 ; y E n
con f ( x, y) = 0 (1) f : E n+1 E n
h( x, y) 0 (2) h : E n+1 E m
axb
y puede ser que x est dentro del entorno {a,b} y, sin embargo, no cumplirse totalmente las
condiciones (2).
En ambos casos el hecho coincidente es que no se conocen los valores de los verdaderos
extremos entre los que debe efectuarse la bsqueda del ptimo, por lo cual el algoritmo
anterior a) carecera de los datos iniciales o b) estos no seran los que corresponden.
Para el primero de los casos la cuestin es encontrar los valores de a y b que corresponden al
problema. Sera deseable, claro est, que el esfuerzo realizado en tal bsqueda fuese
aprovechado, luego, durante la optimizacin, al aplicar el mtodo del nmero de oro.
4-6
vas de ataque, compartidas por la mayor parte de los mtodos de optimizacin, las que se
vern ms adelante.
En algunos casos es posible adecuar la bsqueda a las caractersticas del problema,
considerando, en forma simultnea, la existencia de lmites implcitos en las variables de
decisin.
Esta adecuacin puede verse en la optimizacin de la red de intercambio mostrada en la figura
4.3.4. En ella se debe considerar que la unidad funciona 8400 h/ao y que son datos
conocidos:
Flujos entlpicos en BTU/hF
W1 = 14444,44
W2 = 16666,67
W3 = 11538,46W4 = 20000
Coeficientes globales de transferencia en BTU/h ft2 F
UC = 200
UE = U1 = U2 = U3 = 150
Costo de servicios auxiliares en $/lb
Agua = 2,86 10-5
Vapor = 4,29 10-4
Amortizacin anual del equipamiento, en $/ao, igual a 39 A0,65
En este sistema, las restricciones termodinmicas se expresan, matemticamente, de forma tal
Fig. 4.3.4
que si las temperaturas de las corrientes fras superasen a las de las calientes a la entrada o
salida de un equipo, en la ecuacin de diseo del mismo aparecera una indeterminacin
insalvable en el cmputo de la temperatura media logartmica.
Si ello ocurriese no podra continuarse con el orden de clculo prefijado y,
consecuentemente, con la evaluacin de la funcin objetivo. Cuando se da esta situacin se ha
de recurrir a asignar a la misma un valor arbitrario, suficientemente alto (considerando siempre
que se busca un mnimo). Este artilugio, si bien difiere con el criterio general expuesto, en lo
esencial coincide totalmente con el mismo.
La variable de decisin elegida para la solucin del problema es T1 siendo el orden de
clculo:
140 T1 280
4-8
13
( 320 - T1 )
18
T 3 = 240 +
26
( 480 - T 4 )
15
T 2 = 320 -
13
( T1 - 140)
15
debiendo ser
320 T 4 480 ; 240 T 3 480 ; 200 T 2 320
qa =
10 4
( T 2 - 200 )
48
3
ln ( 13,5 - 0,025 T 3 )
0,052
A1 =
10 4 T 4 - 240
ln
55 480 - T 3
A2 =
1040 280 - T1
ln
3
T 4 - 320
A3 =
13 T 2 - 140
ln
18 320 - T1
AE =
ln ( 0,01 T 2 - 1,8)
1
150 ( 6 10 - 5 )
qa
d) Funcin objetivo
La consideracin de las restricciones implcitas se puede hacer adoptando un valor de FO, por
tratarse de la bsqueda de un mnimo, grande positivo se tomar 4 10 6-, en los casos en
que se violen una o ms de las restricciones impuestas sobre las temperaturas. El valor
adoptado como un "nmero grande positivo" responde a la expresin 100 FO #, siendo FO# un
valor tpico alto de la funcin objetivo (40000 $/a para este caso).
4-9
A1 = 539,05
A2 = 241,79
A3 = 91,31
Ae = 58,30
qa = 8663,03
qv = 445,69
Si la presuncin de "trepada brusca" no se hubiese cumplido, esto es, si la no unimodalidad
generada hubiese sido detectada , se debera aplicar otra estrategia para poder manejar el
problema que introducen las restricciones implcitas.
4 - 10
Para ello, antes de emprender la optimizacin en s, se deben buscar los lmites reales de la
variable de decisin mediante un proceso de prueba y error, que va encerrando la zona donde
se encuentra el lmite buscado. El inconveniente de esta lnea de accin es que se efecta una
gran cantidad de clculos que luego no pueden ser plenamente aprovechados.
La idea de relacionar el valor de la funcin objetivo con la violacin de la zona de soluciones
posibles se volver a considerar ms adelante, generalizando el tratamiento de la bsqueda de
un ptimo en presencia de restricciones, cuando se utiliza un algoritmo no plenamente
capacitado para tener en cuenta la totalidad de las relaciones existentes en el problema.
4. Mtodos para problemas de dos o ms variables
Como ya qued dicho los problemas con dos o ms grados de libertad imponen una
dificultad numrica insalvable, cual es la imposibilidad prctica de establecer, con certeza, la
naturaleza ptima de un punto.
Este obstculo se vuelve ms formidable cuanto mayor es la dimensionalidad del problema,
circunstancia que se agrega a la complejidad natural de una formulacin extensa en el nmero
de variables -del orden del centenar-, con una matriz de existencia dispersa en extremo. Esto
ltimo obliga a la utilizacin de mtodos numricos especficos, que aprovechan
adecuadamente la baja densidad de ocurrencia de las variables, con lo que se logra reducir la
propagacin de errores o los requerimientos de espacio para almacenar informacin.
Bajo esta ptica puede establecerse una divisin adicional a las que se han mencionado al
comienzo de este captulo, teniendo en cuenta, bsicamente, el comportamiento de los
mtodos en relacin a la magnitud de los problemas a ser resueltos.
Puede hablarse as de mtodos empricos de optimizacin, los ms tradicionales y sencillos,
pero con un campo de aplicacin restringido, como lo demuestra la experiencia, a problemas
pequeos, con pocos grados de libertad.
El otro grupo lo constituyen los mtodos por aproximaciones sucesivas, todos con una
importante fundamentacin matemtica y con la comn caracterstica de estructurar los
procedimientos en base a un supuesto comportamiento del problema, para el cual son capaces
de obtener la solucin. Esta va de ataque ha demostrado ser mucho ms eficiente que la
anterior, con capacidad para abordar problemas de la magnitud que caracteriza, por ejemplo, a
la simulacin completa de una planta de proceso.
Lamentablemente, lo complejo de su formulacin y el cmulo, importante, en verdad, de
cuestiones numricas que se asocian a estos mtodos impide, so pena de forzar los alcances
previstos para esta obra, un tratamiento pormenorizado de los mismos.
4 - 11
Fig. 4.4.1
El problema puede formularse en los siguientes trminos:
Calentador
657,5 q v =
15 4
10 ( 500 - T 3)
13
540 - T 3
15 4
= 200 A c
10 ln
13
40
Intercambiador 1
15 4
10 ( T 3 - 240 ) T 3 240
13
480 - T 3
1 13
ln
= 150 A1
- 10 - 4
T 4 480 ; T 3 480
2 15
T 4 - 240
2 10 4 ( 480 - T 4 ) =
Intercambiador 2
4 - 12
2 10 4 ( T 4 - 280 ) =
13 4
10 ( 320 - T1 )
9
- 320
1 9
ln T 4
= 150 A 2 - 10- 4
280 - T1
2 13
T 4 320 ; T1 280
Intercambiador 3
15 4
13 4
10 ( 320 - T 21 ) =
10 ( T1 - 140 )
9
9
ln
320 - T1
9
9
= 150 A 3
15 13
T 21 - 140
-4
10
T1 140
T 21 140
Enfriador
80 q a = ( 1 - )
ln
15 4
10 ( 320 - T 22 )
9
T 22 320
140
9 10- 4
1
= 150 A e
T 22 - 100
15 ( 1 - ) q a
Mezclador
T 21 + ( 1 - ) T 22 = 200
0 1
5. El mtodo Complex
La idea general de los mtodos empricos de optimizacin se basa en construir una estrategia
eficiente para resolver las diversas dificultades que son tpicas en este tipo de problemas: el
tratamiento de las restricciones, la determinacin de una direccin de bsqueda, la incidencia
del acarreo de errores, etc.
El punto fundamental del procedimiento consiste en la construccin, en el espacio tdimensional examinado, de una figura de k vrtices, k t + 1 (Box recomienda k = 2t, salvo
para valores de n superiores a 5 6, donde puede ser un poco menor).
En lo que sigue se aceptar que el problema est planteado en una forma levemente distinta a
la expuesta como formulacin general. Lo que realmente se ha de considerar es el sistema que
surge de resolver las relaciones de diseo
g(x) = 0 ; x En ; g Er ; r < n
con lo que queda, siendo x el conjunto de variables de decisin
' +
' - ' ]
= x iI
r ij [ x iS
x iI
i = 1,2..t
5-1
i -1
1
Cj=
x 'pj
i - 1 p = 1
j = 1,2...t
5-3
Ntese que, si la regin de soluciones posibles es convexa2, el centroide ser siempre, por
construccin, un punto perteneciente a ella. Por consiguiente, el procedimiento propuesto
debe concluir con el vrtice i dentro de la zona.
Este proceso de contraccin hacia el centroide se verificar en todo momento en que, al
2
4 - 14
j = 1, 2...t
5-4
Por ltimo, el mtodo prev que en los casos en los que el punto reflejado resulte ser el peor
en la nueva figura, en sta no debe efectuarse el proceso de reflexin sino que tal punto ha de
contraerse sobre el centroide de los restantes, con lo que se produce una reduccin de las
dimensiones de la figura, facilitando la bsqueda de nuevas direcciones.
Por ltimo, el final del procedimiento se verifica al producirse un colapso general de la figura
sobre el mejor punto, esto es, una reduccin de las dimensiones de la misma al lmite
establecido para el esquema de bsqueda.
Todo lo dicho anteriormente puede ser resumido en el algoritmo del Cuadro 4.2.
Cuadro 4.2: Algoritmo del Mtodo Complex (Mnimo)
Datos: x1 : punto inicial (x1 x11, x12, ..., x1t )
k
: nmero de puntos del esquema de anlisis (k 2t)
:
cota de final.
1.- Inicializacin
Para i = 2..k hacer
1.1.- Calcular el centroide de los puntos xi, ..., xi-1
(ec. 6-3)
1.2.- Determinar el punto xi xi1, ..., xit
(ec.6-1)
1.3.- Si xi viola alguna restriccin, contraer hacia el centroide (ec. 6-2) hasta que
las satisfaga a todas.
2.- Mientras {distancia promedio al centroide} > hacer
2.1.- Ordenar los puntos de anlisis segn valores crecientes de la funcin
objetivo. Sea xP donde se verifica el valor ms alto.
2.2.- Calcular el centroide de todos los puntos excludo xP
2.3.- Si es la 1 vez o xP no es el punto reflejado
2.3.1.- Reflejar xP (ec. 6-4, 1,3)
2.3.2.- Si xR viola alguna restriccin, contraerlo hacia el centroide hasta que
cumpla todas.
2.4.- Si xP es xR (punto reflejado), contraer xR hacia el centroide.
2.5.- Reemplazar xP por xR.
3.- Final
3.1.- Considerar xopt el mejor punto disponible
3.2.- Fin
T1 = 230,49
Ae = 41,49
A1 = 539,51
A2 = 241,83
Ac = 28,35
qa = 8661,03
qv = 445,45
A3 = 474,62
Fig. 4.5.2
6. Tcnicas de Penalizacin
En oportunidad de tratarse los mtodos para resolver problemas de optimizacin de una
variable de decisin se utiliz el criterio de penalizar a la funcin objetivo por el no
cumplimiento de las restricciones impuestas al problema como una de las formas de tenerlas en
cuenta durante el proceso de optimizacin. Esto se aplicaba al utilizarse un mtodo para
problemas no restringidos o cuando resultaba dificil el tratamiento de cierto tipo de
restricciones existentes en el problema.
El planteo general de la tcnica de penalizacin consiste en reemplazar la bsqueda del
ptimo de la funcin objetivo del problema restringido
min FO ( x, y )
x Ed ; y En
con f ( x, y) = 0 (1) f : E n+ d E n
h( x, y) 0 (2) h : E n+ d E m
por otra, formalmente no restringida, cuya funcin objetivo es
m n
2 2
P es una constante razonablemente grande, por ejemplo 10 2FO#, siendo FO# un valor tpico
de la funcin objetivo dentro de la zona de soluciones admisibles 3.
La variable i valdr 0 si la restriccin hi se cumple y 1 en caso contrario, con lo cual slo se
produce un aporte a la funcin objetivo considerada cuando no se cumple la restriccin. En el
caso de las relaciones de diseo, el aporte se produce siempre que fi 1.
En consecuencia, el efecto de la sumatoria agregada a la funcin objetivo original es la de
aumentar significativamente el valor de sta en aquellos puntos que se encuentran fuera de la
zona de soluciones admisibles.
Otra manera de tratar las restricciones es el que se instrumenta en el mtodo Complex, esto es,
forzar el ingreso del punto de anlisis en la zona de soluciones admisibles. En esta estrategia
parecera requerirse un nmero mayor de soluciones a ser analizadas, pero esto es solo
aparente, ya que en el caso de la penalizacin sta debe hacerse en forma gradual para evitar la
deteccin de falsos ptimos. El siguiente ejemplo, elemental, puede clarificar la cuestin:
min x12 + x 2
2
x1 , x 2
para x 2 = 1
2
2
min x1 + x 2
2 + P ( x2 -1)
x1, x 2
3 En los problemas de mximo el trmino agregado debe restarse a la funcin objetivo original.
4 - 18
Se puede apreciar que el aumento del valor de P incrementa la excentricidad de las elipses, lo
Fig. 4.6.2a
Fig. 4.6.2b
que significa que la funcin objetivo vara rpidamente sobre un eje y en forma muy lenta
sobre el otro.
Lo anterior determinar que, en el proceso de anlisis y con valores muy altos de P, se
privilegie el cumplimiento de la restriccin por sobre la bsqueda de un mejor valor de la
funcin objetivo, con lo que, si se est lejos del ptimo, ste no podr ser encontrado. Por tal
razn, el problema debe ser resuelto en forma sucesiva para valores crecientes de P, hasta
conseguir constancia en el ptimo encontrado.
7. Optimizacin por aproximaciones sucesivas
Este captulo ha de concluir por donde debera haber comenzado: la consideracin del
problema matemtico general de bsqueda del ptimo de una funcin objetivo de dos o ms
variables, las que se encuentran sometidas a un conjunto de restricciones. Se ha preferido esta
va con el objeto de evitar, en tanto fuese posible, la aridez de las consideraciones tericas.
Este es el momento en el que deben entrar a escena.
Para el tratamiento general se presentar el mtodo del Gradiente Reducido Generalizado
(GRG) propuesto por Abadie y Carpentier. Este algoritmo es uno de los ms eficientes que se
dispone para el tratamiento de los problemas de optimizacin no lineal con restricciones
(Nonlinear Programming), como se muestra en un estudio realizado por Schittkowski.
La idea bsica del GRG es encontrar el ptimo buscado a travs de una sucesin de
soluciones aproximadas. Para ello, en cada paso, si no se cumplen las condiciones de
terminacin, se procede, primero, a reducir el problema planteado con restricciones a otro
no restringido, teniendo en cuenta las relaciones que se encuentran activas en ese punto.
Esta reduccin permitir expresar las variables dependientes - de estado o bsicas, en la
terminologa matemtica habitual - en funcin de las restantes - independientes, de diseo o
no bsicas.4
En una segunda instancia del mismo paso, se ha de determinar una direccin de bsqueda siempre en el espacio de las variables de diseo - para encontrar un nuevo punto donde se
4 Algunos autores reservan la denominacin no bsica para aquella variable que se encuentra sobre
uno de sus valores extremos, superior o inferior. En esos casos, a las variables estrictamente
independientes se les da el nombre de superbsicas. Aqu no se har esa distincin.
4 - 19
min FO(x1..x m n )
sujeto a fi ( x1..x m n ) 0 i 1,.., p
h j ( x1..x m n ) 0 j 1,.., q
x iL x i x iU
7-1
i 1,.., n m
7-2
4 - 20
FO
1 n m n m 2 FO
( x i x ik )
( x i x ik )( x j x kj )
2 i 1 j1 x i x j k
i 1 x i x k
x
n m f
j
k
k
f j (x) f j (x )
(x i x i )
j 1,..m
x i k
i 1
FO ( x ) FO ( x k )
n m
7-3
Para el caso del ejemplo, y considerando el punto [0,5; 1] como base del desarrollo, resulta:
k f j (x)
x Ei x k
i 1
f j
k x Di
x Di x k
i 1
k x Ei
j 1..m
7-4
donde con k se indica el apartamiento de la variable o la funcin respecto del valor en xk.
En 7 - 4 es posible resolver el sistema de ecuaciones para encontrar k xEj como funcin de
k xD. Para ello, se ha de considerar que en el nuevo punto x las restricciones activas se siguen
cumpliendo, esto es, fj(x) = fj(xk) = 0
m f
j
i 1
Ei x k
f j
k x Di
x Di x k
i 1
k x Ei
j 1..m
7-5
i 1
i 1
k x Ej a ji k x Di
x Ej
x Di
xk
k x Di
j 1..m
7-6
m
FO
FO x Ej
i 1 x Di x k
j1 x Ej x Di x k
FO ( x ) FO ( x k )
1 n n k
x
b k x Di k x Dj
k
Di
2 i 1 j1 ij
7-7
Puede advertirse que los trminos entre corchetes en 7 - 7 son las componentes del gradiente
de la funcin objetivo, una vez que se ha eliminado, aplicando las reglas de la derivacin, su
dependencia con las variables bsicas.
En el caso del ejemplo habra que resolver, simplemente
min FO(x1 ) 3,25 7 x1 5 x1 2
El problema 7 - 1 se ha reducido (he aqu la razn del nombre del mtodo) al espacio de las
variables independientes, obviando la existencia de las restricciones. En consecuencia, en el
ptimo deber verificarse que
m
FO
FO
FO x Ej
0
x Di x k
x Di k
x Ej x Di k
j 1
x
x
4 - 21
i 1..n
7-8
Puede verse que 7 - 8 requiere el cculo - en la prctica, una aproximacin - de las derivadas
parciales. Si las relaciones 7 - 8 no estn lo suficientemente prximas a cero, como ocurre en
el ejemplo en (0,5; 1), deber buscarse un punto donde se mejore el valor de la funcin.
La primera alternativa es considerar la expansin 7 - 7 solo hasta el trmino lineal. Para que
FO(x) F(xk)debe ser
m
FO
FO
a
x
x
ji
Di x k
Ej x k
i 1
j1
n
FO
x
k x Di 0
k Di
x Di x k
i
k x Di
FO
x Di x k
7-9
y esto permite definir una direccin de bsqueda k x D1,..., k x Dn sobre la cual se produce
una reduccin del valor de la funcin objetivo. En el caso del ejemplo debera ser x1= 7.
Sin embargo, el algoritmo que utiliza esta estrategia en forma reiterada - segn la propuesta
original de Cauchy - da lugar a una bsqueda poco eficiente, lenta en la convergencia al
ptimo.
Conviene abordar el problema tomando hasta el trmino de segundo orden en 7 - 7 y
considerar el punto ptimo de la funcin cuadrtica resultante. Ello ocurre al resolver el
sistema de ecuaciones
n
FO
b ijk k x Di x
j 1
Di x k
7 - 10
b ijs ip s qj
i 1 j 1
0.
4 - 22
s ik
FO
x i x k
FO
x
j xk
j
s ik 1
n
FO
x
j x k 1
j 1
FO
; con s i0
x i x 0
7 - 11
5 De aqu el nombre de bsqueda tipo Armijo con el que se suele referenciar esta tcnica.
4 - 23
FO( x k s k ) FO( x k )
dFO( x k s k )
1
0
7 - 12
Esta relacin, aunque no es la nica, permite establecer un criterio para considerar adecuado,
o no, un determinado valor de .
Pero, tambin como antes, para poder calcular 7 - 12 es preciso conocer FO( x k s k ) , en
realidad, FO( x kD1 , x kE1 ) y hay que resolver el conjunto de restricciones activas para el x kD1
propuesto. Al hacerlo puede suceder que:
a.- se encuentra una solucin para el sistema de ecuaciones que cumple con todas las
restricciones y donde, adems, se cumple el criterio impuesto sobre los valores de , por
ejemplo, 7 - 12;
b.- no se encuentra una solucin para el sistema de ecuaciones o no se cumple el criterio para
, lo que obliga a proponer un nuevo x kD1 , ms prximo a x kD ;
c.- la situacin anterior se ha reiterado un nmero predeterminado de veces, lo que indica la
necesidad de modificar el grupo de restricciones activas y, consecuentemente, replantear
la bsqueda con nuevos conjuntos x D y x E
En el caso del ejemplo, si se considera = 0,05 se obtendr x1 = 0,5 + 7*0,05 = 0,85. La
bsqueda del x2 que cumpla con la restriccin r1 debe conducir a x2 = = 1,304, que cumple r2 a
r4, con lo que r1 permanece como conjunto activo. Para estos valores FO(0,85; 1,304) =
1,4764 y resulta ser
FO( x k 1 ) FO( x k ) 1,4764 3,25
FO d x k
35,472
0,1 ( 7) 7 4,9
0,05
x k d
donde se ha considerado una dcima parte como fraccin lmite de la derivada para = 0.
Al analizar el gradiente reducido en (0,85; 1,304) y siempre con r1 como conjunto activo, se
encuentra que su valor es -3,869 y el proceso debe continuar a partir del punto encontrado.
Este proceso seguira as hasta que se encuentre la frontera de r2. En este momento el
conjunto activo pasar a ser esta ltima restriccin y sobre ella se encontrar, finalmente, el
punto ptimo x* = (1,455; 1,372). Esas situaciones se han indicado como puntos b y c en la
figura presentada al formular el problema.
En resumen, los pasos bsicos en cada etapa del mtodo del Gradiente Reducido
Generalizado pueden plantearse como:
a) Determinar, para el conjunto activo de restricciones, las componentes del gradiente
reducido en el punto xk bajo anlisis;
b) Verificar si el punto xk puede considerarse un ptimo local. Si es as, terminar; si n
c) Determinar una direccin de bsqueda sk para generar un nuevo punto xk+1.
d) Proponer un valor de para generar x kD1 x kD s k
e) Resolver el sistema de ecuaciones del conjunto activo para encontrar xkE1
f) Si el punto x k 1 x kD1 x kE1 verifica el conjunto de restricciones no activas, ir a g).
Si n, si no se ha excedido el nmero permitido de reducciones por paso del valor de
, reducir su valor y volver a d). Si se ha excedido, cambiar el conjunto activo y
volver a a)
4 - 24
xk 1
como nuevo
Bibliografa
-"Optimization.Theory and Practice", Beveridge & Schechter, McGraw-Hill, 1970.
- Generalization of the Wolfe Reducer Gradient Method to the Case of Nonlinear Constraint
en Optimization (R.Fletcher, De.), Abadie y Carpentier, Academic Press, 1969.
- Nonlinear Programming Codes: Information, Test, Performance, Lecture Notes in
Economics and Mathematical Systems, Schittkowski, Spriger-Verlag, vol.183, 1980
- Engineering Optimization, Reklaitis, Ravindran, Ragsdell, Wiley-Interscience, 1983.
- Optimization of Chemical Processes, Edgar, Himmelblau, McGraw Hill, 1988
4 - 25