Nombre de la materia

Modelacin y series de tiempo

Nombre de la Licenciatura
Master en ciencia de datos

Nombre del alumno

Carlos de Jess Rodrguez Mndez
Matrcula
000046970

Nombre de la Tarea
Optimizacin de los modelos de prediccin con
______funciones objetivo

Unidad #2
Ajustando datos a un modelo.

Nombre del Tutor

Guillermo de Jess Motilla Zapata
Fecha
02/09/2017
 OPTIMIZACION DE LOS MODELOS DE PREDICCION CON
FUNCIONES OBJETIVO

Introduccin

Los profesionales de la investigacin operativa colaboran con los decisores en el diseo y

mejora de las operaciones y decisiones, resuelven problemas y ayudan en las funciones de
gestin, planificacin o prediccin, aportan conocimiento y ayuda en la toma de decisiones.
Aplican las tcnicas cientficas ms adecuadas seleccionadas de la matemtica, ingeniera o
cualquier ciencia social o de administracin de empresas. Su trabajo normalmente consiste en
recoger y analizar datos, desarrollar y probar modelos matemticos, proponer soluciones o

recomendaciones, interpretar la informacin y, en definitiva, ayudar a implantar acciones de

mejora. Como resultado desarrollan e implantan aplicaciones informticas, sistemas, servicios
tcnicos o productos.

La optimizacin es una parte relevante dentro de la investigacin operativa. Tuvo un progreso

algortmico inicial muy rpido. Muchas tcnicas programacin lineal (linear programming) LP,
programacin dinmica (dynamic programming) DP son anteriores a 1960. Por ejemplo, el
mtodo Simplex 1 de programacin lineal debido a Dantzig 2 es de 1947, el principio de
optimalidad de Bellman base de la programacin dinmica se formul en 1957. En la ltima
dcada se han producido avances significativos generados por el desarrollo en1984 por parte
de Karmarkar de un mtodo de punto interior para programacin lineal. Por ejemplo, en una
nota tcnica de ILOG se presenta que desde su optimizador CPLEX 3.0 en 1994 a CPLEX 7.0
en 2000 la reduccin de tiempo de resolucin ha sido de 28 veces en el mtodo simplex dual
para un problema lineal concreto. Para otro caso se observa una mejora global, de software y
algortmica, de 10000 veces entre la versin de CPLEX 1.0 de 1988 y

2
Optimizacin

Funcin objetivo

Es la medida cuantitativa del funcionamiento del sistema que se desea optimizar (maximizar o
minimizar). Como ejemplo de funciones objetivo se pueden mencionar: la minimizacin de los
costes variables de operacin de un sistema elctrico, la maximizacin de los beneficios netos
de venta de ciertos productos, la minimizacin del cuadrado de las desviaciones con respecto a
unos valores observados, la minimizacin del material utilizado en la fabricacin de un producto,
etc.

Variables

Representan las decisiones que se pueden tomar para afectar el valor de la funcin objetivo.
Desde un punto de vista funcional se pueden clasificar en variables independientes o
principales o de control y variables dependientes o auxiliares o de estado, aunque
matemticamente todas son iguales. En el caso de un sistema elctrico sern los valores de
produccin de los grupos de generacin o los flujos por las lneas. En el caso de la venta, la
cantidad de cada producto fabricado y vendido. En el caso de la fabricacin de un producto, sus
dimensiones fsicas.

Restricciones

Representan el conjunto de relaciones (expresadas mediante ecuaciones e inecuaciones) que

ciertas variables estn obligadas a satisfacer. Por ejemplo, las potencias mxima y mnima de
operacin de un grupo de generacin, la capacidad de produccin de la fbrica para los
diferentes productos, las dimensiones del material bruto del producto, etc.

3
Modelo y modelado

Un modelo es una representacin matemtica simplificada de una realidad compleja. Modelar

es la accin de construir un modelo, de encorsetar la realidad. Implica la relacin entre dos
figuras (no necesariamente encarnadas por personas nicas sino por equipos): el modelador
(encargado de la especificacin y desarrollo del modelo) y el experto sobre la realidad
(conocedor del problema real). La mayora de las veces, el desarrollo de un modelo puede
involucrar a un equipo multidisciplinar compuesto por matemticos, estadsticos, ingenieros,
economistas, psiclogos, etc. que aportan diferentes perspectivas y conocimiento en la
representacin de la realidad. Un modelo debe equilibrar la necesidad de contemplar todos los
detalles con la factibilidad de

encontrar tcnicas de solucin adecuadas.

Un modelo es, en definitiva, una herramienta de ayuda a la toma de decisiones. Por esta razn,
sus resultados deben ser inteligibles y tiles. Modelarse puede entender simultneamente como
ciencia y como arte. Es una ciencia pues se basa en un conjunto de procesos estructurados:
anlisis y deteccin delas relaciones entre los datos, establecimiento de suposiciones y
aproximaciones en la representacin de los problemas, desarrollo o uso de algoritmos
especficos de solucin. Es un arte porque materializa una visin o interpretacin de la realidad
no siempre de manera unvoca. Cada persona imprime su estilo en el modelo mismo y en la
especificacin, en el desarrollo y en la documentacin.

Caractersticas tales como elegancia o simplicidad pueden atribuirse a un modelo. El desarrollo

de un modelo es una creacin hecha con ayuda de ciencias bsicas o herramientas de apoyo

4
Optimizacin estocstica

Los valores esperados de los ndices de las restricciones/rendimiento y la convergencia en

probabilidad son considerados, por la explotacin de la informacin estadstica disponible en la
perturbacin. Una suposicin comn cuando se enfrentan a la incertidumbre con valores en un
dominio continuo es modelar la seal de perturbacin como un ruido gaussiano, con media y
matriz de covarianza dadas. Esto permite que se obtengan resultados tericos

basados en el clculo analtico de las propiedades estadsticas del proceso controlado. Por otra
parte, puede ser una suposicin estadstica restrictiva, como a menudo se tiene en procesos
reales con incertidumbres, distintos intervalos de tiempo con caractersticas que no estn
adecuadamente modelados

Optimizacin Tree based

La modelacin de los escenarios como un

rbol se presenta, en el cual se realiza
un controlador predictivo para sistemas de
agua en el que la incertidumbre es
modelada mediante un rbol. Asimismo,
dicho trabajo realiza la solucin de
manera distribuida mediante la utilizacin de los multiplicadores de Lagrange, es decir,
mediante la descomposicin dual de la operacin se plantea la aplicacin de dos tipos control
MPC estocstico (SPMPC) para una red de suministro de agua. Dentro del campo de SPMPC
plantean controladores basados en Chance-Constrains (CC-MPC) y el mtodo basado en Tree-
5
Based (TB-MPC) para tratar el carcter estocstico de las perturbaciones que responde a la
demanda de la red de agua y las condiciones meteorolgicas, que dan como resultado un grado
de incertidumbre en el modelo de las mismas. La aplicacin de un MPC centralizado puede
violar ciertas restricciones y no siempre responder con un ptimo comportamiento. El objetivo
del control es minimizar una funcin de coste convexa F(x,u), donde la secuencia de las
incertidumbres son conocidas instante inicial y el resto son estimadas para un horizonte de
prediccin. Este algoritmo se repite para cada uno de los futuros instantes de muestreo. Esto
permite un compromiso entre robustez y desenvolvimiento de la accin de control. El CC-MPC
permite relajar las restricciones con una probabilidad predeterminada para que el sistema no
corra riegos. Una caracterstica de este tipo de controlador es descomponer el conjunto de
restricciones en restricciones individuales separadas, tratndolas como inecuaciones de Boole

Optimizacin Chance constraints

El enfoque de optimizacin basado en escenarios ofrece una forma intuitiva de aproximar la

solucin a los programas de optimizacin de chance constraints, basndose en la bsqueda de
la solucin ptima en un numero finito de escenarios. Un mrito clave de este enfoque es que
no asume el conocimiento del conjunto de incertidumbre, ya que es comn en la optimizacin
robusta, ni de su distribucin de probabilidad, ya que se requiere generalmente en la
optimizacin estocstica. Adems, el enfoque basado en escenarios es computacionalmente
eficiente debido a que su solucin se basa en un programa de optimizacin determinista que es
cannicamente convexa, incluso cuando el problema chance-constrained original no es siempre
la primera opcin.

Esta tcnica de control MPC basado en escenarios, en el que se optimizan las entradas de
control a lo largo de un horizonte finito de prediccin, sujeto a restricciones robustas bajo un
numero finito de escenarios de incertidumbres y/o perturbaciones. Los sistemas planteados son
de naturaleza estocstica, pueden tener perturbaciones aditivas, por incertidumbres randomicas
en el sistema de matrices o ambas. El objetivo comn de estos sistemas es minimizar la funcin
de coste, mientras que el sistema est sujeto a restricciones limitadas (chance constraints), por

6
lo que las restricciones deben ser cumplidas con una probabilidad dada. Para tratar este tipo de
sistema se propone la tcnica de SMPC, que consiste en desarrollar un MPC basado en un
numero finito de escenarios. La idea de esta tcnica es computar una ley de control optima que
sea factible para K escenarios muestreados producto de la incertidumbre. Donde el nmero de
escenarios debe ser cuidadosamente elegido para lograr las propiedades

deseadas del controlador.

Esta tcnica se la puede describir mediante el siguiente algoritmo:

Medir el estado actual xt

Extraer K escenarios de perturbaciones.

Remover R escenarios y resolver el problema de control ptimo para un

horizonte finito con los escenarios restantes.

Aplicar la primera entrada de control de la solucin.

Ejemplo:

7
Conclusiones

El desarrollo tecnolgico e innovador combinado con tcnicas de optimizacin en el modelado

permite hoy en da tener varias opciones para lograr predicciones analticas desde diferentes
perspectivas dependiendo de las variables dominantes o condiciones que se hayan identificado
en el modelo de prediccin.

Bibliografa

Limn, D. Control predictivo de sistemas no lineales con restricciones: estabilidad y

robustez. Tesis Doctoral. Universidad de Sevilla, Sevilla, 2002.

Ramos, Muoz. Computational experience with optimization for a bulk production cost
model. PSCC, 1996