Tema IV.

3
Introduccin
Simulacin y Optimizacin de
Procesos Qumicos
1
FUNCIONES
Continuas, discontinuas.
Continuamente diferenciables, no continuamente
diferenciables (de orden n)
Unimodales, multimodales.
Cncavas, convexas.
Puntos estacionarios.
Regin convexa.
Funciones y formas cuadrticas.
Condiciones necesarias y suficientes de
Mximos y mnimos.
Tema IV.3
Introduccin
Simulacin y Optimizacin de
Procesos Qumicos
2
FUNCIONES
Funciones cncavas y convexas



Puntos estacionarios (Puntos singulares).

Regin convexa

. o por sustitudo es o signo el que
las en aqulas son cncavas o convexas nte estrictame funciones Las
1 0 ),
2
)f(x - (1 )
1
f(x ]
2
)x - (1
1
x f[ cncava Funcin
1 0 ),
2
)f(x - (1 )
1
f(x ]
2
)x - (1
1
x f[ convexa Funcin
> < > s
s s + > +
s s + s +


0 f(x) verifican que aqullos Son = V
1 0 R, en n est tambi
2
)x - (1
1
x x
anteriores los de lineal n combinaci la por dado x punto el R en
2
x ,
1
x
si convexa es R regin Una
s s + =

Tema IV.3
Introduccin
Simulacin y Optimizacin de
Procesos Qumicos
3
FUNCIONES

Tema IV.3
Introduccin
Simulacin y Optimizacin de
Procesos Qumicos
4
FUNCIONES
Formas cuadrticas

x. otros para 0 x y algn para 0 Hx
T
x si indefinida es H
0 x , 0 Hx
T
x si solo y si negativa da semidefini es H
0 x , 0 Hx
T
x si solo y si positiva da semidefini es H
0 x , 0 Hx
T
x si solo y si negativa definida es H
0 x , 0 Hx
T
x si solo y si positiva definida es H
< >
= s
= >
= <
= >
Valores propios de H
Menores de H
Estrictamente
convexa
Definida positiva > 0
Convexa Semidefinida positiva
Cncava Semidefinida negativa
Estrictamente
cncava
Definida negativa <0
f(x) H(x)
,... 0 , 0
2 1
> A > A
0 >
0 s
,... 0
2
, 0
1
> A > A
,... 0
3
, 0
2
, 0
1
s A > A s A
,... 0
3
, 0
2
, 0
1
< A > A < A
Tema IV.3
Introduccin
Simulacin y Optimizacin de
Procesos Qumicos
5
Extremos de f(x)
1
2
3
Las condiciones 1 y 2 son necesarias y la 3 suficiente para garantizar que x*
sea un extremo.
Un mximo o mnimo puede existir aunque no se cumplan las tres
condiciones.P. ej. Si f(x)=x
4
, x*=0 es un mnimo pero H(0) no est definida en
x*=0 y la condicin 3 no se satisface.
* ) ( x x en ble diferencia doblemente es f
io estacionar punto un sea que sae o f * 0 *) ( x x = V
mximo un para negativa definida y mnimo un para positiva definida sea x H *) (
Tema IV.3
Introduccin
Simulacin y Optimizacin de
Procesos Qumicos
6
REGIN FACTIBLE

0 5 . 2
0 5
0
0
) 4 ( ) 3 (
2 1
2 1
2
1
2
2
2
1
> +
>
>
>
+ =
x x
x x
x
x
nes restriccio las a sujeto
x x f Min
Tema IV.3
Introduccin
Simulacin y Optimizacin de
Procesos Qumicos
7
REGIN FACTIBLE
0 5 . 2
0 5
0
0
) 2 ( ) 2 (
2 1
2 1
2
1
2
2
2
1
> +
>
>
>
+ =
x x
x x
x
x
nes restriccio las a sujeto
x x f Min
Si la funcin f y las restricciones son
convexas, lo que implica que la regin
factible es convexa, el problema de
programacin no lineal general se
transforma en un problema de
programacin convexa y se verifica
que:
El mnimo local de f(x) es tambin un
mnimo global.

Tema IV.3
Introduccin
Simulacin y Optimizacin de
Procesos Qumicos
8
FUNCIONES CONVEXAS
CONJUNTOS CONVEXOS
Tema IV.3
Introduccin
Simulacin y Optimizacin de
Procesos Qumicos
9
FUNCIONES CONVEXAS
CONJUNTOS CONVEXOS

Tema IV.3
Introduccin
Simulacin y Optimizacin de
Procesos Qumicos
10
OPTIMIZACION SIN
RESTRICCIONES.BUSQUEDA
UNIDIMENSIONAL
A. Mtodos directos. No requieren el clculo de la
derivada.
B. Mtodos indirectos. Requieren el clculo de la
derivada.
Seleccin del estimado inicial.
Procedimientos de bsqueda y particin del intervalo.
Convergencia.
Tema IV.3
Introduccin
Simulacin y Optimizacin de
Procesos Qumicos
11
Mtodos directos
Mtodos de eliminacin de regiones.
Bsqueda de dos puntos por intervalos iguales.
Bsqueda dicotmica.
Bsqueda de Fibonacci.
Bsqueda por razn area.

Tema IV.3
Introduccin
Simulacin y Optimizacin de
Procesos Qumicos
12
Mtodos directos
Bsqueda de Fibonacci.

Tema IV.3
Introduccin
Simulacin y Optimizacin de
Procesos Qumicos
13
Mtodos indirectos.
Mtodo de Newton.
Mtodo de Quasi-Newton.
Mtodo de la secante.

Tema IV.3
Introduccin
Simulacin y Optimizacin de
Procesos Qumicos
14
OPTIMIZACION SIN
RESTRICCIONES. BUSQUEDA
MULTIVARIABLE.
Mtodos directos.
1. Bsqueda aleatoria
2. Bsqueda por rejilla
3. Mtodo simplex

Tema IV.3
Introduccin
Simulacin y Optimizacin de
Procesos Qumicos
15
OPTIMIZACION SIN RESTRICCIONES.
BUSQUEDA MULTIVARIABLE.
Mtodo simplex
Tema IV.3
Introduccin
Simulacin y Optimizacin de
Procesos Qumicos
16


MTODOS INDIRECTOS
PRIMER ORDEN (A)
SEGUNDO ORDEN (B)

A.-Mtodo del gradiente
Mtodo del Gradiente conjugado
(Fletcher-Powell)
B.- Mtodo de Newton
Mtodo de la secante
Mtodo de Davidon-Fletcher-Powell
Tema IV.3
Introduccin
Simulacin y Optimizacin de
Procesos Qumicos
17
MTODO DEL GRADIENTE
Ecuacin bsica para bsqueda de un mnimo/mximo de f(x).El
gradiente es un vector que da la mxima variacin de f(x)
Steepest ascent (descent)



Optimizar
la longitud del paso

) f ( ) f ( adiente de g es el gr
atriz nxn H es una m
aso itud del p es la long
Hg
k
k k
x x
x x
x x
V
=
=
+
;

1

paso. del tamao el optimiza ,
paso. del variable tamao
simple ms el constante,
opt
k
k
es I H

=
=
) )( ( ) (
) (
: resulta cero a igualendo e a respecto con Derivando
) )( ( ) (
2
1
) ( ) ( ) (
opt
k
1
k k
T
k
k k
T
k k
T
k k k
T
k
k k k
H
f
H f f x f
s x s
s x
s x s s x x
s x x
V
=
+ V + =
+ =
+

Tema IV.3
Introduccin
Simulacin y Optimizacin de
Procesos Qumicos
18
MTODO DEL GRADIENTE

Tema IV.3
Introduccin
Simulacin y Optimizacin de
Procesos Qumicos
19
MTODO DEL GRADIENTE

Tema IV.3
Introduccin
Simulacin y Optimizacin de
Procesos Qumicos
20
MTODO DEL GRADIENTE.EJEMPLO.
( ) ( ) ( )
.
.
. 10 , 1 , 1
3
1
4 1
1
3
4
1
2
3
1
1
2
gradiente del mtodo el con W de mnimo el busca Se
W de isolneas las da f igura La
p p NRT Datos
p
p
p
p
p
p
k
kNRT
W
k
k
k
k
k
k
= = =
(
(

|
|
.
|

\
|
+
|
|
.
|

\
|
+
|
|
.
|

\
|

=

. 7 , 4
3 2
= = p p inicial Estimado
tabla la en dado viene descenso primer el As
sern p de s incremento los
a iguales p de s incremento Tomando
p
p
p
W
p
W
en As
p y p con W de cambios los a al proporcion es bsqueda de direccin La
. 44 . 0 8 . 8 05 . 0
2
, 05 . 0
3
8 . 8
009 . 0
079 . 0
3
2
009 . 0
3
079 . 0
2
) 7 , 4 (
3 2
=
= =
A
A
=
c
c
=
c
c
Compresor de tres estados

Tema IV.3
Introduccin
Simulacin y Optimizacin de
Procesos Qumicos
21
MTODO DEL GRADIENTE.EJEMPLO.
p
2
p
3
W
4.00 7.00 2.681
3.56 6.95 2.653
3.12 6.90 2.629
2.68 6.85 2.615
2.24 6.80 2.622
Punto
mnimo
Tema IV.3
Introduccin
Simulacin y Optimizacin de
Procesos Qumicos
22
MTODO DEL
GRADIENTE.EJEMPLO.

Tema IV.3
Introduccin
Simulacin y Optimizacin de
Procesos Qumicos
23
Direcciones conjugadas
Gradiente conjugado
Es un mtodo til en mejorar la convergencia del mtodo del
gradiente.

La matriz Q es el hessiano de la funcin. objeto.
La direccin de bsqueda es una combinacin lineal del gradiente
actual con la direccin anterior.
Pequea informacin necesaria para realizar el algoritmo.
Paso 1.

Paso 2.Guardar
..........
( ) ( ) 0 s
si s entre conjugadas s direccione son y
i
=
j
T
j i
s Q
s s
). (
). ( calcular
0 0
0 0
x s
x x
f
f En
V =
). (
0
x f
Tema IV.3
Introduccin
Simulacin y Optimizacin de
Procesos Qumicos
24
PROGRAMACION NO LINEAL CON
RESTRICCIONES
Mtodo de los multiplicadores de Lagrange
Condiciones necesarias y suficientes para un extremo local
Mtodo del gradiente generalizado
Programacin cuadrtica

Tema IV.3
Introduccin
Simulacin y Optimizacin de
Procesos Qumicos
25
PROGRAMACION NO LINEAL CON
RESTRICCIONES DE IGUALDAD
Mtodo de los multiplicadores de Lagrange
PROBLEMA


CONDICIONES NECESARIAS. A partir de la funcin de Lagrange,L



CONDICIONES SUFICIENTES

m j g a sujeto
f
j
,..., 2 , 1 , 0 (x)
(x) min
= =
m j g
j
L
n i
x
L
g g g f x x x L
j
i
m m m n
,..., 2 , 1 0 (x)
,..., 2 , 1 0
(x) .... (x) (x) (x) ) ,..., , , ,.., , , (
2 2 1 1 2 1 2 1
= = =
c
c
= =
c
c
+ + + + =

.
x
*
1 1
2
Hancock de Teorema
nes restriccio las satisf agan que d de valores los todos para
positiva def inida ser debe x en evaluada Q cuadrtica f orma La
dx dx
x x
L
Q
n
i
m
j
j i
j i

= =
c
c
=
Tema IV.3
Introduccin
Simulacin y Optimizacin de
Procesos Qumicos
26
PROGRAMACION NO LINEAL CON
RESTRICCIONES DE IGUALDAD
Matriz de Hancock. Condiciones suficientes con restricciones.
La forma cuadrtica Q es definida positiva o negativa si las
races de la ecuacin siguiente son positivas o negativas.






Ejemplo. Encontrar las dimensiones de un depsito cilndrico
cerrado hecho de acero que maximice su volumen si el rea
del mismo es de 24t.

0
0 0 0
.
.
0 0 0
.
.
.....
........
2 1
1 12 11
2 1 2 1
2 22 12 2 22 21
1 21 11 1 12
=

mn m m
n
mn n n nn n n
m n
m n 11
g g g
g g g
g g g L L L
g g g L L L
g g g L L L

Tema IV.3
Introduccin
Simulacin y Optimizacin de
Procesos Qumicos
27
CONTROL PTIMO ESTACIONARIO
Dinmica

Estacionario
Mtodo de los multiplicadores de Lagrange

Sistema lineal o linealizado en torno a un punto
estacionario

Solucin
v) u, f(x, x a sujeto
u) J(x,
,
=
u x
Min
0 v) u, f(x, a sujeto
u) J(x,
,
=
u x
Min
v) u, f(x, u) J(x, u) (x, J
T
u x, u x,
+ = ' Min Min
0 Cv Bu Ax a
2
1
2
1
) , (
= + +
+ =
sujeto
Pu u Qx x u x J
T T
| |
| | C QA A B P B QA A B P I M
T T T T 1 1
1
1 1

+ =
= v M u*
Tema IV.3
Introduccin
Simulacin y Optimizacin de
Procesos Qumicos
28
CONTROL PTIMO ESTACIONARIO
Condiciones necesarias


Condiciones suficientes
Definida positiva lo cual implica que
Q (nxn) sea simtrica y def. positiva
P (rxr) sea simtrica y def. positiva

0
0
0
=
c
' c
=
c
' c
=
c
' c

J
u
J
x
J
(

=
c c
c
P O
O
2
Q
u x
J
u
v
x
M
u
x
v
Tema IV.3
Introduccin
Simulacin y Optimizacin de
Procesos Qumicos
29
PROGRAMACION NO LINEAL CON
RESTRICCIONES DE DESIGUALDAD
PROBLEMA


SOLUCIN. Mtodo de los multiplicadores de Lagrange



CONDICIONES NECESARIAS
Las derivadas parciales de L con respecto a x,y,,igualadas a cero.
Dan n+2m ecuaciones para calcular n+2m incgnitas



m j y g a sujeto m j g a sujeto
f f
j j j
,..., 2 , 1 , 0 (x) ,..., 2 , 1 , 0 (x)
(x) min (x) min
2
= = + = s
Lagrange de dores multiplica de vector ) ,..., , (
slack variables de vector ) ,.. , (
,..., 2 , 1 , 0 ) ( ) (
) ( ) ( ) ( min
2 1
2 1
2
1
m
m
j j j
m
j
j j
y y y
m j y g G
G f L

=
=
= = + =
+ =

=

y
x y x,
y x, x y, x,
Tema IV.3
Introduccin
Simulacin y Optimizacin de
Procesos Qumicos
30
PROGRAMACION NO LINEAL CON
RESTRICCIONES DE DESIGUALDAD
En programacin convexa las condiciones anteriores se convierten en
condiciones necesarias y suficientes para un mnimo local. Se llaman
condiciones de Kuhn-Tucker y se establecen como:





Si el problema es de maximizar o si las restricciones son del tipo los
tienen que ser no positivos.Si el problema es de maximizar y las
restricciones de la forma los tienen que ser no negativos.
m j
m j g
m j g
n i
x
g
x
f
j
j
j j
m
i i
j
j
i
,......., 2 , 1 0
......, , 2 , 1 0
,...., 2 , 1 0
,..., 2 , 1 0
1
= >
= s
= =
= =
c
c
+
c
c

>
j

>
j

Tema IV.3
Introduccin
Simulacin y Optimizacin de
Procesos Qumicos
31
PROGRAMACION ENTERA-MIXTA (MIP)

La funcin objetivo depende de dos conjuntos de variables
x vector de variables continuas
y vector de variables enteras
Ejemplos:
Problema del viajante.
Problema de la localizacin de plantas
En general son problemas de PL o PNL conocidos como MILP o
MINLP
Soluciones.- Algoritmo Branch and Bound.
Son variantes de Programacin lineal y no lineal.
Utilizado en EXCEL SOLVER