Beruflich Dokumente
Kultur Dokumente
PROYECTO 2
Mtodos de optimizacin utilizados en la columna
DISEO DE PROCESOS 2
EQUIPO #6
Gutirrez Limn Mara Esther
Santos Rodrguez Mara Magdalena
Torralba Galn Valeria
Vela Luz Dirce Ludvika
Zamudio Lpez Stephanie
PROFESOR
REYNA ARREDONDO TOLEDO
DISEO DE PROCESOS II
OPTIMIZACION MULTIVARIABLE
INTRODUCCION
Los mtodos clsicos de optimizacin son tiles para encontrar la solucin ptima
de funciones continuas y diferenciables. Estos mtodos son analticos y hacer uso
de las tcnicas del clculo diferencial en la localizacin de los puntos ptimos.
Debido a que algunos de los problemas prcticos que involucran como objetivo
funciones que no son continuas y / o diferenciales, las tcnicas de optimizacin
clsicas tienen un alcance limitado en la aplicaciones prcticas.
DISEO DE PROCESOS II
DISEO DE PROCESOS II
a)
b)
c)
DISEO DE PROCESOS II
Newton para la optimizacin de una sola variable puede ser adaptado para
llevar a cabo la optimizacin multivariable, teniendo ventaja de los dos
primeros-y los derivados de segundo orden para obtener una mejor
direccin de bsqueda. Sin embargo, de segundo orden derivados deben
ser evaluados, ya sea analticamente o numricamente, y las funciones
multimodal puede hacer que el mtodo inestable. Por lo tanto, si bien este
mtodo puede ser muy potente, tambin tiene algunas dificultades
prcticas. Una de las dificultades fundamentales con las prcticas tanto en
el directo y los mtodos indirectos de bsqueda es que, dependiendo de la
forma del espacio de soluciones, la bsqueda puede encontrar ptimos
locales, ms que el ptimo global. A menudo, la nica manera de garantizar
que el ptimo global se ha alcanzado es iniciar la optimizacin de los
diferentes puntos inicial y repita el proceso.
2. MTODOS ESTOCSTICOS DE BSQUEDA. En todos los de la optimizacin
mtodos discutidos hasta el momento, el algoritmo busca en el objetivo funcin
que buscan mejorar la funcin objetivo en cada paso, utilizando la informacin
como degradados. Por desgracia, como ya se seal, este proceso puede
significar que la bsqueda es atrada hacia un ptimo local. Por otro lado, los
mtodos estocsticos de bsqueda utilizan para guiar la eleccin al azar la
bsqueda y puede permitir el deterioro de la funcin objetivo durante la bsqueda.
Es importante reconocer que una de bsqueda al azar no significa una bsqueda
de direccin. Mtodos estocsticos de bsqueda generan una ruta de acceso al
azar a la solucin sobre la base de las probabilidades. Mejora de la funcin
objetivo se convierte en el ltimo lugar de el objetivo inmediato, y un cierto
deterioro en el objetivo funcin es tolerada, especialmente durante las primeras
etapas de la bsqueda. En la bsqueda de un mnimo en el objetivo funcin, en
lugar de buscar siempre el de intentar ir cuesta abajo, los mtodos estocsticos
permiten la bsqueda tambin a veces van hacia arriba. Del mismo modo, si la
funcin objetivo debe ser maximizada, mtodos estocsticos permite la bsqueda
a veces ir cuesta abajo. A medida que la optimizacin progresa, la capacidad del
algoritmo para aceptar el deterioro en el objetivo funcin es eliminada
gradualmente. Esto ayuda a reducir el problema de estar atrapado en un ptimo
local.
Mtodos estocsticos no necesita informacin auxiliar, como los derivados, con el
fin de curso. Slo se requieren una funcin objetivo para la bsqueda. Esto
significa que mtodos estocsticos pueden manejar los problemas en los que el
clculo de los derivados sera complejo y causar mtodos deterministas al fracaso.
DISEO DE PROCESOS II
DISEO DE PROCESOS II
Un punto de corte arbitrario (por ejemplo, rechazar cualquier movimiento con una
probabilidad de menos de 0,5) se podra hacer, pero el valor ms adecuado es
probable que cambio de un problema a otro. En cambio, la analoga con recocido
fsica se mantiene, y la probabilidad de La ecuacin 1., se compara con la salida
de un azar generador de nmeros que crea un nmero aleatorio entre cero y la
unidad. Si la ecuacin 1. predice una probabilidad mayor que el generador de
nmeros aleatorios, entonces el movimiento se acepta. Si es menor, entonces el
movimiento es rechazado y otro movimiento se intenta en su lugar. Por lo tanto, la
ecuacin 1., determina si un movimiento es aceptado o rechazado. En este As, el
mtodo siempre aceptar una bajo paso cuando minimizando una funcin objetivo,
aunque a veces se da un paso hacia arriba.
Sin embargo, como la optimizacin avanza, la posibilidad de aceptar movimientos
que resultan en un deterioro de la funcin objetivo debe ser eliminada
gradualmente. Este es la funcin del parmetro de control (la analoga de
temperatura) en la ecuacin 1. El parmetro de control disminuy gradualmente, lo
que resulta en la probabilidad del a ecuacin 1., disminuyendo gradualmente para
los movimientos en los que la funcin objetivo se deteriora. Cuando esto se
compara con el nmero aleatorio, poco a poco se hace ms probable que la
medida ser rechazada. Un programa de recocido requiere que controla cmo el
parmetro de control se reduce de alto a valores bajos.
Por lo tanto, la forma en que el algoritmo funciona es establecer un primer valor
para el parmetro de control. En este ajuste del parmetro de control, una serie de
movimientos se hacen al azar. La ecuacin 1., determina si una jugada personal
es aceptada o rechazada. El parmetro de control (recocido temperatura) se baja
y una nueva serie de azar se mueve, y as sucesivamente. A medida que el
parmetro de control (temperatura de tratamiento) se baja, la probabilidad de
deterioro de la aceptacin en la funcin objetivo, segn lo dictado por la ecuacin
1., disminuye. De esta manera, la aceptabilidad para la bsqueda de moverse
hacia arriba en la minimizacin o cuesta abajo durante la maximizacin se
supriman gradualmente.
Si bien recocido simulado puede ser muy poderosa en la solucin de problemas
difciles de optimizacin con muchos locales ptimos, que tiene una serie de
desventajas. Inicial y final los valores del parmetro de control, un programa de
recocido y el nmero de movimientos al azar para cada configuracin del control
parmetro debe ser especificado. Adems, debido a que cada bsqueda es
al azar, el proceso puede repetirse varias veces para garantizar que una bsqueda
adecuada del espacio de soluciones se han hecho.
DISEO DE PROCESOS II
Esto puede ser muy til para proporcionar un nmero de soluciones en la regin
del ptimo global, en lugar de una solucin nica. Este tipo de soluciones mltiples
a continuacin, se puede seleccionar no slo en funcin de los costes, sino
tambin en muchas otras cuestiones, tales como la complejidad del diseo,
control, seguridad, etc. en adelante, que son difciles de incluir en la optimizacin.
Los algoritmos genticos.
Los algoritmos genticos sacan su inspiracin biolgica evolucin a diferencia de
todos los mtodos de optimizacin discutida hasta ahora, que se mueven de un
punto a otro, se mueve un algoritmo gentico de un conjunto de puntos (llamados
una poblacin) a otro conjunto de puntos. Las poblaciones de cadenas (la
analoga de los cromosomas) se crean para representar un conjunto subyacente
de parmetros (por ejemplo, temperaturas, presiones o concentraciones). Un
algoritmo gentico simple explota tres operadores bsicos: reproduccin, cruce y
mutacin.
La reproduccin es un proceso en el que los miembros individuales de una
poblacin se copian en funcin del objetivo funcin con el fin de generar nuevos
conjuntos de poblacin. El creador se inspira en la "seleccin natural" y la
supervivencia "del ms apto". La forma ms fcil de entender la reproduccin es
hacer una analoga con una rueda de la ruleta. En una rueda de una ruleta, la
probabilidad de seleccin es proporcional al rea de las ranuras de la rueda. En un
algoritmo gentico, la probabilidad de reproduccin es proporcional a la aptitud (la
funcin objetivo). Aunque el procedimiento de seleccin es estocstico, las
cadenas ms en forma se les dan una mejor oportunidad de seleccin
(supervivencia). El operador de reproduccin puede implementar en un algoritmo
gentico muchos.
Crossover implica la combinacin de material gentico a partir de dos padres
exitosos para formar dos hijos (los nios). Crossover consiste en cortar dos
cadenas padre en los puntos al azar y combinar de manera diferente a la nueva
forma descendencia. El punto de cruce se genera aleatoriamente. Crossover
trabaja como operador de bsqueda local y se extiende en buenas propiedades de
entre la poblacin. La fraccin de nueva poblacin generada por cruce es
generalmente grande (como se observa en la naturaleza) y es controlado
estocsticamente.
La mutacin crea nuevas cadenas de forma aleatoria cambiante (mutacin) partes
de las cadenas, pero (como con la naturaleza) con una baja probabilidad de
ocurrir. Un cambio al azar se hace en uno de los genes con el fin de preservar la
diversidad. La mutacin crea una nueva solucin en el entorno de un punto
sometido a mutacin.
DISEO DE PROCESOS II
DISEO DE PROCESOS II
Una funcin de una variable f (x) se dice que tiene un mnimo relativo o local en x
= x * si f (x *) f (x * + h) para todos los valores lo suficientemente pequeos
positivos y negativos de h. Del mismo modo, un punto x * se llama un mximo
relativo o local si f (x *) f (x * + h) para todos los valores de h suficientemente
cercanos a cero. Una funcin f (x) se dice que tiene un mnimo global o absoluto
en x * si f (x *) f (x) para todo x, y no slo para todo x cerca de x *, en el dominio
sobre el cual f (x) se define. Del mismo modo, un punto x * ser un mximo global
de f (x) si f (x *) f (x) para todo x en el dominio. Figura 4., muestra la diferencia
entre los puntos ptimos locales y globales.
DISEO DE PROCESOS II
La expansin de las series de Taylor de una funcin f(x) sobre un punto X* est
dado por
Ec. 3
Donde 0 1 y h= X - X*.
Teorema 1
Condicin necesaria. Si f(x) tiene un punto extremo (mximo o mnimo) en X=X*
y si las primeras derivadas parciales de f(x) existen en X*, entonces
Ec. 5
Prueba. Supongamos que una de las primeras derivadas parciales, por ejemplo el kth, no
se anula en X *. Entonces, por el teorema de Taylor:
DISEO DE PROCESOS II
Esto es
Desde
d f ( X+ h)
es de orden
Entonces el signo de
h K <0
X/ X K
h K f . Supongamos que
X
( X+h )f
h K >0
X
(
f X+h ) f
es
X/ X K
f
>0.
y negativo para
f
=0
XK
es
un
est aprobado.
Teorema 2 Condicin suficiente
Una condicin suficiente para que un punto estacionario X * sea un punto
extremo es que la matriz de las segundas derivadas parciales (matriz hessiana) de
f (x) evaluada en X * es (i) definida positiva cuando X * es un punto mnimo
relativo, y (ii) es definida positiva cuando X * es un punto mximo relativo.
DISEO DE PROCESOS II
Ec. 6
2
f (X)
,
xi x es continua en la seccin de X*,
DISEO DE PROCESOS II
As, si
X= X
2 f ( X )
(
) para todas las h suficientemente pequeas.
xi xj
X
(
f X+h ) f ser positivo, y por lo tanto X* ser un mnimo relativo, si
Ec. 7
Donde
Ec. 9
Debe ser positiva. Similarmente, la matriz [A] ser definida negativa si sus valores
propios son negativos.
DISEO DE PROCESOS II
Otra prueba que se puede utilizar para encontrar el definitud positiva de una matriz
de orden n consiste en la evaluacin de los factores determinantes.
Ec. 11
La matriz A ser definida positiva si y slo si todos los valores de A1, A2, A3,. . .,
An son positivos. La matriz A ser definida negativa si y slo si el signo de Aj es (1) j para j = 1, 2,. . ., n. Si algunos de los Aj son positivos y el resto de Aj son cero,
la matriz A ser semidefinida positiva.
DISEO DE PROCESOS II
Caso semidefinido
Teorema 2.5
Que las derivadas parciales de f de todas las ordenes hasta el orden k 2 es
continua en el entorno de un punto estacionario X*, y.
DISEO DE PROCESOS II
METODO LAGRANGE
METODO DE LAGRANGE
Reducir f ( x1 , x2 )
g( x 1 , x 2)
Sujeto a
f f / x 2 g
x 1 g / x 2 x1 (x
,x 2 )
Ecuacin 1
f / x 2
g / x 2 ( x
, x2
Ecuacin 2
f
g
+
x1
x1 x
, x1
=0
Ecuacin 3
DISEO DE PROCESOS II
f
g
+
x2
x2 x
, x1
=0
Ecuacin 4
g( x 1 , x 2)f (x 1 , x 2 ) =0
Ecuacin 5
( x1 , x2 )
g
( x 1 , x 2 )
x2
d x2
termino de
d x2
d x1
en
g
( x 1 , x 2 )
x1
DISEO DE PROCESOS II
l ( x , y , )=f ( x 1, x 2) + g (x1, x 2 )
Ecuacin 6
x 1,
x 2,
, las condiciones
necesarias son:
L
f
g
x 1 , x 2 , )=
x1 , x 2) +
(
(
( x x ) =0
x1
x1
x1 1, 2
( )
L
f
g
x 1 , x 2 , )=
x 1 , x 2) +
(
(
( x , x )=0
x2
x2
x2 1 2
l
( x , x , )=g ( x 1 , x 2 )=0
1 2
Ecuacin 7
Ecuacion 8
Ecuacin 9
DISEO DE PROCESOS II
METODO KUHN-TUCKER
OPTIMIZACION
La optimizacin puede considerarse como la bsqueda d la mejor solucin
(solucin ptima) de un problema. El termino mejor aqu depende del contexto en
el que se trabaje, podra significar solucin que minimiza los costes, o maximiza
los beneficios, o que hace que la distancia recorrida sea mnima, etc.
Esta primera reflexin sobre lo que se entiende por optimizacin refleja claramente
las importantsimas e indudables aplicaciones de esta rea de las matemticas a
un amplio espectro de problemas; aplicaciones que surgen en la prctica totalidad
de las ciencias.
El abordar un problema real de optimizacin supone bsicamente dos etapas:
DISEO DE PROCESOS II
Los problemas que pueden ser resueltos mediante la optimizacin matemtica son
aquellos que pueden expresarse en la forma:
Terminologa:
DISEO DE PROCESOS II
Teorema karush-kuhn-tucker
Desde un punto de vista prctico, los problemas con restricciones de desigualdad
pueden ajustarse mejor a situaciones reales. Puede pensarse que una restriccin
de igualdad significa agotar completamente cierto recurso: en cambio, la misma
restriccin en forma de desigualdad resulta ms realista, ya que indica la
disponibilidad del recurso pero no obliga a agotarlo completamente. El estudio de
este tipo de problemas ha sido ms reciente que el de los problemas sin
restricciones o con restricciones de igualdad. De hecho, el ms importante de los
resultados expuestos aqu, el conocido como teorema de Kuhn-Tucker, fue
publicado en 1951.
La forma estndar de los problemas con restricciones de desigualdad es la
siguiente:
Las desigualdades estrictas pueden conducir a problemas sin solucin: por esa
razn son excluidos de la formulacin de estos problemas. Esta exclusin que en
principio parece una limitacin importante, no lo es tanto desde un punto de vista
prctico ya que difcilmente se encuentran desigualdades estrictas en casos
reales. Por otra parte, se supone siempre que las desigualdades tienen el signo <=
DISEO DE PROCESOS II
Teorema:
Dado un problema de la forma
DISEO DE PROCESOS II
Algunas observaciones sobre este resultado que conviene destacar son las
siguientes:
DISEO DE PROCESOS II
Caso convexo
Teorema:
Si el problema s convexo, entonces las condiciones necesarias de Kuhn-Tucker
son dems suficientes.
Condiciones de segundo orden
Las condiciones suficientes de segundo orden, aplicables a todos los problemas
cuyas funciones sean derivables parcialmente hasta orden 2 y con derivadas, son
las mismas que en los problemas con restricciones de igualdad considerando
solamente las restricciones que en el posible optimo tienen asociados
multiplicadores no nulos.
DISEO DE PROCESOS II
CASOS PRACTICOS
Southgate, 1990.
Desarrolla un modelo agrcola para la preservacin de las zonas forestales y
muestra que las condiciones de Kuhn-Tucker en el modelo sugieren que la gestin
de las tierras de labranza existentes tambin sea afectada por el desarrollo de la
infraestructura.
Gupta-Stahl, 1994.
La operacin de un sistema de cmputo de red, por ejemplo Internet, se puede ver
como problema de la asignacin de recursos, y se puede analizar usando las
tcnicas de la economa matemtica. Si definimos un sistema de cmputo en red
general y traducimos esa disposicin a un modelo de una economa. Las
DISEO DE PROCESOS II
DISEO DE PROCESOS II
Bibliografa:
Robin Smith Chemical Process Design and Integration, edit. McGraw Hill (2005)
Singiresu S. Rao Engineering Optimization 4ta edic. John Wiley & Sons (2009)
http://www.angelfire.com/ak6/publicaciones/kuhn_tucker.pdf
http://structio.sourceforge.net/guias/proglin/proglin001.html