Presentación Optimizacion MILP MINLP

Simulacin y Optimizacin de Procesos Qumicos
Titulacin: Ingeniera Qumica. 5 Curso

Optimizacin
MILP, MINLP
(Mixed Integer (Non) Linear Programming) .
Octubre de 2009. Jos A. Caballero
Esta obra est bajo una licencia Reconocimiento-No comercial-Sin obras derivadas 3.0 Espaa de Creative Commons. Para ver una copia de esta licencia, visite
http://creativecommons.org/licenses/by-nc-nd/3.0/es/ o envie una carta a Creative Commons, 171 Second Street, Suite 300, San Francisco, California 94105, USA.
Citar como: J.A. Caballero Surez, material docente para la asignatura Simulacin y Optimizacin de procesos Qumicos, Octubre 2009. Universidad de Alicante.
Optimizacin Discreta
Programacin Lineal de con variables discretas (MILP)

min Z = cT x + aT y
s.a. Ax + By b 0
x 0, x n , y {0,1}
Algoritmos
I. Enumeracin
Ramificacin y Acotamiento (Land, Doig 1960; Dankin 1965)
Idea Bsica: Particin sucesiva del espacio entero para eliminar regiones. Se
lleva a cabo una bsqueda en rbol, donde cada nodo es un LP.
II. Convexificacin
Planos de corte (Gomory 1958; Crowder y col, 1983; Balas y col. 1993)
Idea Bsica: resolver una serie de subproblemas LP aadiendo cada vez
desigualdades vlidas que corten soluciones previas.
Ramificacin y Acotamiento ampliamente utilizado

Integracin de los mtodos : RAMIFICACIN Y CORTE
Simulacin y Optimizacin de Procesos Qumicos.
Jos A. Caballero
No funciona en MILP
Enumeracin exhaustiva slo vlida para problemas pequeos

5. Variables binarias
10 Variables binarias
50 Variables binarias
32
1024
1015
1030
103000
combinaciones enteras
1040
1030
Escala de
tiempo
1020
Microsegundos desde el Big Bang

(Unos trece mil setecientos millones de aos)
1010
Microsegundos en un da
(Microsegundos)
0
Jos A. Caballero
No funciona en MILP
Relajacin y Redondeo
y2
Optimo entero
Optimo entero
y2
Optimo
relajado
Optimo
relajado
0
0
Redondeo: no-factible
NO-FACTIBLE
y1
y1
Redondeo: factible
SUB-OPTIMO !
Jos A. Caballero
No funciona en MILP
Reformulacin del problema como no lineal:
min : Z = y1 + 2 y2
0 y1 1
s.a. 2 y1 + y2 1
y1 , y2 {0,1}
0 y2 1
y1 (1 y1 ) 0
y2 (1 y2 ) 0
Reemplazar
y {0,1}
Utilizando el cdigo CONOPT2:

Punto Inicial:
y1 = 0; y2 = 0
Resultado
no factible
y1 = 0.5; y2 = 0.5
y1 = 0; y2 =1; Z = 2
Solucin optima:
y1 = 1; y2 = 0; Z =1
Sub-ptimo
Jos A. Caballero
Ramificacin y Acotamiento
Particionamiento del espacio entero a travs de una rbol binario

Nodo raz (relajacin LP)
y1= 0
y1= 1
Nodo l
y2= 0
y2= 1
y2= 0
y2= 1
Nodo k
y 3= 0
y3= 0
y 3= 1
y3= 0
y3= 1
y 3= 0
y3= 1
y3= 1
Nota: 15 nodos para 23 = 8 combinaciones 0-1

Nodo k descendiente del nodo l
Jos A. Caballero
Nodo raz (relajacin LP)
y1= 0
y 2= 0
y1= 1
y2= 1
y2= 0
y2= 1
Nodo l
y3= 0
y3= 0
y3= 1
y3= 0
y 3= 0
y3= 1
y 3= 1
Nodo k
y 3= 1
Sea el nodo k un nodo

descendiente del nodo l
Jos A. Caballero
Dado que el nodo k es descendiente del nodo l

1.- Si LPl es NO-FACTIBLE entonces LPk es NO-FACTIBLE
min Z = cT x + aT y
s.a. Ax + By b 0
x 0, x n , y {0,1}
2.- Si LPk es FACTIBLE entonces Zl Zk

Incremento montono de funcin objetivo
Zl : LIMITE INFERIOR
3.- Si LPk es una solucin ENTERA Zk Z*

Zk: LIMITE SUPERIOR
Reglas de eliminacin de nodos
Nodo no factible
Lmite inferior supera lmite superior
Jos A. Caballero
Para utilizar un algoritmo de R. A. hay dos decisiones que tomar:

1. Qu variable se selecciona para ramificar en cada nodo
2. Qu nodo, entre los abiertos, es el siguiente en la enumeracin
Reglas de ramificacin: Seleccin de variable

1.- Fijar prioridades en la variables para ramificacin
2.- Seleccionar para ramificar aquella variable, entre las binarias, con un valor ms
cercano a 0.5.
3.- Coste Penalizado (Driebneck, 1966)
Jos A. Caballero
Reglas de ramificacin: Seleccin del nodo a ramificar
1.- Bsqueda en profundidad: Continuar siempre hacia delante en la rama seleccionada,

y slo volver hacia atrs cuando no se pueda continuar. Continuar siempre por la rama
abierta ms cercana al punto de retorno.
2.- Bsqueda en anchura: Continuar siempre por el nodo de mejor valor de funcin
objetivo.
En la prctica, cuando se trabaja con variables binarias, se utiliza dicotoma

(siempre e prueba el valor y=0 e y=1 de la variable a ramificar) y bsqueda en
profundidad. Aunque los solvers modernos utilizan estrategias complejas de
ramificacin.
Jos A. Caballero
Ejemplo 1 MILP
(DFS)
min z = x + y1 + 3 y2 + 2 y3
z=9
y2=1
z=6.5
s. a. x + 3 y1 + 2 y2 + y3 0
5 y1 8 y2 3 y3 9
[1,1,0]
x 0;
y1=1
[1, 0.5, 0]
y2=0
no factible
z =5.8
z=6.75
y3=1
[0.2, 1, 0]
y1=0
y1, y2 , y3 = 0,1
z=6
y2=1
z=8
7
ptimo
[0, 1, 1]
[0, 0.75, 1]
y2=0
no factible
[0, 1, 0.333]
y3=0
no factible
Jos A. Caballero
Ejemplo 1 MILP
(BFS)
min z = x + y1 + 3 y2 + 2 y3
z=9
y2=1
z=6.5
s. a. x + 3 y1 + 2 y2 + y3 0
5 y1 8 y2 3 y3 9
[1,1,0]
x 0;
y1=1
[1, 0.5, 0]
y2=0
no factible
z =5.8
z=6.75
y3=1
[0.2, 1, 0]
y1=0
y1, y2 , y3 = 0,1
z=6
y2=1
z=8
9
ptimo
[0, 1, 1]
[0, 0.75, 1]
y2=0
no factible
[0, 1, 0.333]
y3=0
no factible
Jos A. Caballero
Ejemplo 2
min z = ( 5 y1 + 3 y2 + 2.3 y3 + 1.4 y4 0.95 y5 ) + 10
s.a.
2.5 y1 + 2 y2 + 2 y3 + 0.2 y4 0.85 y5 3

0.5 y1 + 0.3 y2 + 0.3 y4 1
z =4.05
4
yi {0,1} i = 1, 2,3, 4,5
[0.64, 0, 1, 1, 1]
Nodo con valor mayor

que cota superior. No es
necesario continuar por
esta rama
z =3.225
2
z =2.9
[1, 0, 0.15, 1, 0]
z =3.60
5
Cota superior
OPTIMO
[1, 0, 0, 1, 0]
[1, 0.55, 0, 1, 1]
z =3.35
3
no-factible
6
[0.64, 0, 1, 1, 1]
z =4.68
7
[0, 1, 0.4, 1, 1]

esta rama
Jos A. Caballero
Ejemplo 3 (DFS)
z =4.08
[no-factible]
z =2.35
[0, 1, 0.4, 1, 0]
z =4.60
0.64, 1, 0, 1, 1]
z =3.405
[1, 0.55, 0, 1, 1]
z =5.05
8
[1, 0, 0.15, 1, 0]
Cota superior
[0, 1, 0, 1, 0]
[no-factible]
z =2.35
1
[0.64, 0, 1, 1, 1]

esta rama
z =3.6
9
Cota superior
OPTIMO
[1, 0, 0, 1, 1]
Jos A. Caballero
Algunas consideraciones importantes
La dificultad para resolver un M ILP est relacionada con:

1. Tamao del GAP de relajacin
2. N de variables 0-1
3. N de restricciones.
Sin embargo esto es especfico de cada problema. Un problema con 20 variables
binarias podra ser mucho ms difcil de resolver que otro con 1000.
El correcto modelado del problema, es para los MILP de crucial importancia.
Algunas mejoras en los algoritmos de Ramificacin y Acotamiento:
1.
2.
3.
4.
5.
6.
Reduccin de coeficiente
Eliminar restricciones redundantes
Aadir desigualdades lgicas (aunque estrictamente no sean necesarias)
Estrechar los lmites de las variables
Estrategias de ramificacin especiales para algunas restricciones (o variables ej SOS1)
Etc
Jos A. Caballero
Reduccin de coeficiente
Considere la siguiente restriccin
aj yj
b a j > 0 y j {0,1}
Si ak > b reemplazar ak por b:
aj yj
jk
b a j > 0 y j {0,1}
Ejemplo:
2 y1 + y2 1
b yk +
(1)
y1 + y2 1
(2)
(2)
0
(1)
1
Jos A. Caballero
Correcto modelado y relaciones lgicas

Si el conjunto de restricciones lineales no es nico
Entonces. Cul es la mejor opcin?
Ejemplo: Una restriccin habitual
Si la tarea Yi se lleva a cabo en cualquier perodo i=1..n entonces seleccionar la unidad Z.
Intuitivamente se pueden escribir 2 conjuntos de restricciones algebraicas vlidas
A-
yi n z
Una nica desigualdad
i =1
B-
z yi i =1,2,...., n
Conjunto de n desigualdades
z ( y1 + y 2 ) 2
Considerese el caso con i=2
z y1
z y2
A
B
Jos A. Caballero
z ( y1 + y 2 ) 2
Caso A
Regin factible
Punto no entero
Punto no entero
y2
y1
Jos A. Caballero
z y1
Caso B
z y2
Regin factible
y2
y1
Jos A. Caballero
Conjuntos de ordenacin especial
Considere la siguiente restriccin
SOS1
yi = 1
iI
En lugar de la regla habitual de ramificacin :

Se divide I en dos subconjuntos iguales I1 e I2
Se ramifica sobre la dicotoma:
yi = 0
iI1
y1 + y2 + y3 + y4 = 0
y5 + y6 = 0
y7 = 0
y5 = 0
yi = 0
iI 2
y5 + y6 + y7 + y8 = 0
y7 + y8 = 0
y8 = 0
y6 = 0
y1 + y2 = 0
y3 = 0
y4 = 0
y3 + y4 = 0
y1 = 0
y2 = 0
Jos A. Caballero
MINLP
Programacin No-Lineal de con variables discretas (MINLP)
Algoritmos
min : f ( x, y )
s.a. h( x, y ) = 0
g ( x, y ) 0
x X n
y {0,1}
Ravindran y Gupta 1985; Leyffer y Fletcher 2001

Ramificacin y corte: Stuubs y Mehrota 1999
Descomposicin de Benders Generalizada

Geofrion, 1972
Aproximaciones Exteriores
Duran y Grossmann 1986; Yuan y col 1988;
Fletcher y Leyffer 1994
LP/NLP Ramificacin y Acotamiento

Quesada y Grossmann 1992
Plano de Corte Extendido

Westerlund y Petersen 1995
Jos A. Caballero
MINLP
Enumeracin en rbol
Cada nodo es un NLP-1

k
min : Z LB
= f ( x, y )
s.a g j ( x, y ) 0
x X , 0 y 1
Ventaja:
yi 0
k
i I FL
yi 1
k
i I FU
Formulacin sencilla, slo requiere problemas de tipo NLP-1
Inconveniente: Potencialmente sera necesario resolver muchos NLPs

Convergencia global: slo necesita que cada NLP-1 alcance su ptimo global
Jos A. Caballero
MINLP
Los diferentes algoritmos se pueden derivar por la combinacin de diferentes subproblemas
a) NLP Relajado (relajacin de alguna binaria).
Lmite inferior
min :
k
Z LB
= f ( x, y )
s.a g j ( x, y ) 0
x X , 0 y 1
yi 0
k
i I FL
yi 1
k
i I FU
(NLP-R)
b) NLP Variables binarias fijas.

Lmite Superior
min : ZUk = f ( x, y k )
s.a g j ( x, y ) 0
k
(NLP-1)
x X
c) NLP De Factibilidad para una yk fija.
min : u
s.a g j ( x, y k ) u
x X , u R1
(NLP-F)
Minimizacin de la norma infinito del

vector de no-factibilidades
Jos A. Caballero
MINLP
Problema Maestro (Duran y Grossmann, 1986)
M-MILP
min : Z Lk =
k = 1...K
k
k
k
k
k T xx
g j ( x , y ) + g j ( x , y )
0
j
k
y y
x
s.a. f ( x k , y k ) + f ( x k , y k )T
k
y y
Notas:
a) El punto (xk, yk) k = 1K se obtiene normalmente de NLP-1
b) Las linealizaciones se acumulan en cada iteracin
c) Produce una secuencia no-decreciente de lmites inferiores
Jos A. Caballero
MINLP
Funcin objetivo convexa
Regin factible convexa

x1
x1
f(x)
x2
x1
x2
Subestimacin de la
funcin objetivo
x2
Sobreestimacin de la
regin factible
Jos A. Caballero
MINLP
Algoritmo de las aproximaciones exteriores (implementado en GAMS como DICOPT)
NLP-R
Problema relajado. Binarias

relajadas a continuas entre 0 y 1
Cota Inferior:
Valores de yk para NLP-1
Funcin objetivo = ZM
MILP-M
(y fijas)
Cota Superior. Posible Solucin.
Nueva linealizacin en x ptima
Z* = mejor cota superior
NLP-1
Corte
Binario
NLP-1
Factible
No
NLP-F
Problema de factibilidad
S
No
ZM > Z*
Fin
Jos A. Caballero
MINLP
Extensin a problemas con restricciones de igualdad:
La nica modificacin necesaria es a nivel del problema MASTER
min : Z Lk =
x xk
s.a. f ( x , y ) + f ( x , y )
k
y y
k
k T
x
g j ( x k , y k ) + g j ( x k , y k )T
0 j J
k
y y
sign(i ) hi ( x k , y k )T
k = 1....K
x x k
0 i I
k
y y
Relajacin de la igualdad en desigualdad utilizando el signo del multiplicador de Lagrange
Jos A. Caballero
Cdigos comerciales para MINLP

DICOPT++ (GAMS) Viswanathan y Grossmann (1990)
Aproximaciones exteriores
AOA (AIMSS)
Aproximaciones exteriores
MINLP (AMPL) Fletcher y Layffer (1999)
Ramificacin y acotamiento
-ECP Westerlund y Petersson (1996)
Plano de corte extendido (tambin bajo GAMS)
MINOPT Scheweiger y Floudas (1998)
Descomposicin de Benders
BARON Sahinidis y col (1998)
Optimizacin global (tambin bajo GAMS)
SBB (GAMS)
Ramificacin y acotamiento simple.
Jos A. Caballero
Sistemas de modelado
Programacin Matemtica
GAMS (Meeraus y col, 1997)

AMPL (Fourer y col, 1995)
AIMSS (Bisschop y col, 2000)
1. Sistemas de modelado algebraico: Modelos basados en ecuaciones

2. Capacidad de indexado. Permite plantear problemas grandes con poco esfuerzo
3. Diferenciacin automtica. El usuario no tiene que proporcionar informacin de
derivadas.
4. Conexin automtica don diferentes cdigos (sin cambiar la formulacin del
modelo) y diferentes tipos de modelos (LP, MILP, NLP, MINLP )
Jos A. Caballero

Presentación Optimizacion MILP MINLP

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Presentación Optimizacion MILP MINLP

Hochgeladen von

Copyright:

Verfügbare Formate

Simulacin y Optimizacin de Procesos Qumicos

Titulacin: Ingeniera Qumica. 5 Curso

Octubre de 2009. Jos A. Caballero

Programacin Lineal de con variables discretas (MILP)

Ramificacin y Acotamiento ampliamente utilizado

Enumeracin exhaustiva slo vlida para problemas pequeos

Microsegundos desde el Big Bang

Simulacin y Optimizacin de Procesos Qumicos.

Reformulacin del problema como no lineal:

Utilizando el cdigo CONOPT2:

Simulacin y Optimizacin de Procesos Qumicos.

Particionamiento del espacio entero a travs de una rbol binario

Nota: 15 nodos para 23 = 8 combinaciones 0-1

Simulacin y Optimizacin de Procesos Qumicos.

Simulacin y Optimizacin de Procesos Qumicos.

Sea el nodo k un nodo

Dado que el nodo k es descendiente del nodo l

2.- Si LPk es FACTIBLE entonces Zl Zk

3.- Si LPk es una solucin ENTERA Zk Z*

Reglas de eliminacin de nodos

Simulacin y Optimizacin de Procesos Qumicos.

Para utilizar un algoritmo de R. A. hay dos decisiones que tomar:

Reglas de ramificacin: Seleccin de variable

Simulacin y Optimizacin de Procesos Qumicos.

Reglas de ramificacin: Seleccin del nodo a ramificar

1.- Bsqueda en profundidad: Continuar siempre hacia delante en la rama seleccionada,

En la prctica, cuando se trabaja con variables binarias, se utiliza dicotoma

Simulacin y Optimizacin de Procesos Qumicos.

2.5 y1 + 2 y2 + 2 y3 + 0.2 y4 0.85 y5 3

yi {0,1} i = 1, 2,3, 4,5

Nodo con valor mayor

Nodo con valor mayor

Nodo con valor mayor

Algunas consideraciones importantes

La dificultad para resolver un M ILP est relacionada con:

Simulacin y Optimizacin de Procesos Qumicos.

Considere la siguiente restriccin

Si ak > b reemplazar ak por b:

Correcto modelado y relaciones lgicas

Una nica desigualdad

Simulacin y Optimizacin de Procesos Qumicos.

Conjuntos de ordenacin especial

Considere la siguiente restriccin

En lugar de la regla habitual de ramificacin :

Simulacin y Optimizacin de Procesos Qumicos.

Ravindran y Gupta 1985; Leyffer y Fletcher 2001

Descomposicin de Benders Generalizada

LP/NLP Ramificacin y Acotamiento

Plano de Corte Extendido

Cada nodo es un NLP-1

Formulacin sencilla, slo requiere problemas de tipo NLP-1

Inconveniente: Potencialmente sera necesario resolver muchos NLPs

Simulacin y Optimizacin de Procesos Qumicos.

b) NLP Variables binarias fijas.

c) NLP De Factibilidad para una yk fija.

Minimizacin de la norma infinito del

Regin factible convexa

Simulacin y Optimizacin de Procesos Qumicos.

Problema relajado. Binarias

Simulacin y Optimizacin de Procesos Qumicos.

Relajacin de la igualdad en desigualdad utilizando el signo del multiplicador de Lagrange

Simulacin y Optimizacin de Procesos Qumicos.

Cdigos comerciales para MINLP

GAMS (Meeraus y col, 1997)