Conceptos y Casos Ejemplo Optimizacion PDF

Conceptos
de Op,mizacin
(Mul,plicadores de Lagrange)
Optimizacin
La optimizacin es una herramienta matemtica utilizada en
muchos campos para la solucin de innumerable cantidad de
problemas.
Un problema de optimizacin se define como un ejercicio de
determinacin de parmetros seleccionados de desempeo
de un sistema, de forma que se satisfagan unas condiciones
(restricciones) previamente establecidas y se mejore alguna
caracterstica de desempeo.
Todo proceso de diseo detallado convencional puede ser
mejorado mediante herramientas de optimizacin.
Optimizacin
Todo proceso de diseo detallado convencional puede ser mejorado
mediante herramientas de optimizacin. A continuacin, un diagrama de
flujo de esta etapa del proceso de diseo, implementando herramientas
de optimizacin.
Que es un problema de optimizacin?

Consiste de tres componentes principales:
Una funcin objetivo
Variables de diseo o de decisin
Restricciones
Funcin objetivo: Cantidad a ser minimizada o
maximizada (simple o compleja)
Variables de diseo o decisin: Variables sobre las cuales
se tiene control (directa o indirectamente)
Restricciones: Limitaciones en los valores que las
variables de diseo pueden tomar. garantizan el
cumplimiento de condiciones secundarias de diseo
Clasificacin problemas de optimizacin
Caso 0. Un problema bsico:

Optimizacin no restringida
Problema :
Se tienen disponibles 60 metros de cerca, y se desea
encerrar la mayor rea rectangular posible.
Que
dimensiones debe tener el rea a ser cercada?
-
-
-
-
Cul es la funcin objetivo?

Cuales son las variables de diseo?
Cules son las posibles restricciones?
Cmo formulara el problema?
Haciendo optimizacin un poco ms fcil

Un problema de optimizacin resulta un poco ms fcil
de resolver si se garantiza que la funcin objetivo es
convexa.
Resulta importante mencionar dos conceptos matemticos
Convexidad por tangentes (Primera derivada o Gradiente)
Curvatura positiva (Segunda derivada o Hessiano*)

Convexidad por tangentes (Primera derivada o Gradiente)
Curvatura positiva (Segunda derivada o Hessiano*)
f (x )
f (x) + f (x) (x
f 00 (x)
x)
8x
0
f (x )
f (x )
x0
0
f (x)
0 0
f (x )
x

En casos de optimizacin de una funcin convexa, un
problema de optimizacin es un sencillo caso de encontrar
el mximo o mnimo local de la funcin.
Es claro que, a partir de calculo diferencial multi-variable,
el problema de encontrar el mximo o el mnimo de una
funcin es un simple problema de encontrar los puntos de
diseo en los cuales la derivada de la funcin es igual a
cero.
Casos de aplicacin:
Un ejemplo aplicado a un problema de
produccin
Caso 1. Un problema de produccin:

Optimizacin no restringida
Problema : Una fabrica de TV esta planeando el ingreso de
dos tipos de televisores al mercado, un televisor de 19 con
precio sugerido de $339 y uno de 21 con precio sugerido de
$399. El costo de manufactura del televisor de 19 es de
$195 y $225 por el televisor de 21. Los costos fijos de
publicidad son de $400000. Cuando los TV salen al mercado
la compaa desarrolla una estrategia de competencia entre
ellos. Se estima que por cada tipo de TV vendido el precio
baja 1 centavo. Adems el precio del TV de 19 baja 0.3
centavos por cada TV de 21 y de manera reciproca el TV
de 21 baja 0.4 centavos por cada TV de 19 que se venda.
La pregunta del gerente del proyecto es: Cuntos TV hay
que fabricar para mximizar las ganancias?
Un problema de produccin: optimizacin

no restringida
Paso 1
Variables
s : nmero de TV de 19 vendidos por ao

t : nmero de TV de 21 vendidos por ao
p : Precio de venta del TV de 19
q : Precio de venta del TV de 21
C : Costos fijos de manufactura
V : Venta
G: Ganancia
Hiptesis:
(Ecuaciones del
modelo y
restricciones)
p = 339 0.01 s 0.003 t

q = 399 0.004 s 0.01 t
V = p.s + q.t
C = 400000 +195.s +225.t
G=VC
s0
t0
Objetivo
Maximizar G

no restringida
Paso 2
El problema puede ser modelado como un problema de optimizacin en
dos variables, esto es un problema de mximos y mnimos sin
restricciones.
Paso 3
Paso 4
Solucionar el modelo

no restringida
G(s,t)
De esta forma, el problema es resolver el siguiente sistema:
Espacio de diseo
(Regin factible)
s

no restringida
Estas expresiones conducen a:
No se puede mostrar la imagen. Puede que su equipo no tenga suficiente memoria para abrir la imagen o
que sta est daada. Reinicie el equipo y, a continuacin, abra el archivo de nuevo. Si sigue apareciendo la
x roja, puede que tenga que borrar la imagen e insertarla de nuevo.
No se puede mostrar la imagen. Puede que su equipo no tenga suficiente memoria para abrir la imagen o
que sta est daada. Reinicie el equipo y, a continuacin, abra el archivo de nuevo. Si sigue apareciendo la
x roja, puede que tenga que borrar la imagen e insertarla de nuevo.
Lo que resulta en los siguientes valores solucin:

G (s,t)
Examinemos la proyeccin de la funcin

en el plano de valores factibles
Le resulta conocida esta grfica?
De hecho esta es la grfica de G. Entonces, estar asociado el

problema de la optimizacin con el operador gradiente?.

no restringida
En general, un punto de optimizacin de una funcin, SIN
RESTRICCIONES adicionales que no sean las de la funcin misma, ser
aquel punto del espacio donde la funcin cumpla:
En donde la nica condicin necesaria y suficiente es:
Adicionalmente, en el caso especial en que i=3, se debe cumplir que:

con restricciones de igualdad
Ahora el Departamento de Produccin ha
determinado que se deben producir exactamente
10000 unidades, con el fin de utilizar todo el
stock de varios componentes comunes a los dos
modelos. La cuestin ahora es determinar el
nmero de televisores de 21 y de 19 que
cumplan este criterio y a la vez maximicen la
ganancia de la compaa. Qu efecto, sobre el
modelo desarrollado hasta ahora, tendr esta
decisin ?
Esta nueva consideracin incorporada al problema, puede plantearse
matemticamente por medio de la ecuacin:
s+t=10000
El efecto de esta consideracin sobre el problema de optimizacin es
limitar el espacio de diseo a un conjunto de puntos factibles de solucin
denominada regin factible.

Un planteamiento intuitivo, pero poco general, puede construirse
empleando la definicin de la funcin objetivo considerada previamente y
la restriccin de igualdad adicionada:
G=(339-0.01s-0.003t) s +(399-0.004s-0.01t) t -(400000+195s+225t)
R = s+t-10000=0
Resulta natural pensar en un procedimiento de sustitucin de variables (s,t)
para solucionar el problema:
S = 10000-t
G=(339-0.01 s -0.003t) s +(399-0.004 s -0.01t)t-(400000+195 s +225t)
Y el problema queda limitado a obtener el valor de t para el cual la funcin
G se hace crtica.
s = 3846.15 unid. 19
t = 6153.85 unid. 21

Esta solucin puede interpretarse grficamente como:
G (s,t)

con restricciones (variante!!!)
No obstante se puede plantear un procedimiento ms general, aplicable para
casos con ms de una restriccin, e incluso adaptable para el caso de
restricciones de desigualdad.

con restricciones (variante!!!)
Teorema de Lagrange
Teorema de Lagrange
t
Teorema de Lagrange
Para un sistema con k restricciones, se puede afirmar que el gradiente de la
funcin objetivo evaluado en un punto crtico, es igual a la combinacin
lineal de los gradientes de las funciones de restriccin, evaluados en el
mismo punto.
Lo que para el caso del modelo que se trabaja, se traduce en:
Ecuacin vectorial
Un sistema de dos ecuaciones escalares y tres incgnitas ...

con restricciones de igualdad (de nuevo!)
De la ecuacin vectorial se desprenden estas dos ecuaciones escalares:
que junto con la ecuacin de la restriccin
Permite establecer que el punto crtico de la funcin objetivo se encuentra

en:
s = 3846.15 unid. 19
t = 6153.85 unid. 21
En tanto que el valor de lamda () o multiplicador de Lagrange es:
= 24
El signo del multiplicador de Lagrange permite determinar si el punto crtico
de la funcin se trata de un punto mximo o un mnimo (pero ojo!!!).
Multiplicador de Lagrange
R
Punto crtico
Mximo
>0
Punto cr*co
Mnimo
< 0

con restricciones de desigualdad
Problema : Ahora la firma tiene la limitante de producir un mximo de
10000 TV y por disponibilidad de los proveedores se puede producir un
mximo de 5000 TV de 19 y un mximo de 8000 TV de 21. Cuantos
televisores debe producir para tener una ganancia mxima ?
Esta nueva informacin se puede incorporar al problema en trminos de
expresiones de limitan el espacio factible de solucin (espacio de diseo).
La diferencia con el problema anterior es la naturaleza de las restricciones
a emplear.
s0
s 5000
t0
t 8000
s + t 10000

Variables
Hiptesis
Objetivo
s TV de 19 vendidos por ao
t TV de 21 vendidos por ao
p Precio de venta del TV de 19
q Precio de venta del TV de 21
C Costos fijos de manufactura
V Venta
G Ganancia
p = 339 0.01 s 0.003 t
q = 399 0.004 s 0.01 t
V = p.s + q.t
C = 400000 +195.s + 225.t
G=VC
s0
s 5000
t0
t 8000
s + t 10000
Maximizar G

t
s+t 10000
s 5000
t 8000
s
El punto critico, bajo estas nuevas restricciones, debe estar en la frontera
(pues el mximo absoluto de la funcin se encuentra por fuera de la zona
de solucin).

Como se puede ver el punto crtico no cambia, con respecto al problema
anterior.
As el anlisis grfico permite dar una solucin rpida al
problema. Pero la solucin grfica no siempre es posible.
t
Regin factible
Aplicacin del Teorema de Lagrange a

problemas con restricciones de desigualdad
Dado que las restricciones, en este caso, son inecuaciones, se requiere
incluir al problema variables de holgura que permitan emplear el Teorema
de Lagrange.
Recurriendo nuevamente al Teorema
de Lagrange:
Obsrvese que, como se tienen ahora 5 variables independientes, el

gradiente se debe definir ahora como:

Al incluir las expresiones de los gradientes de la funcin objetivo y las
restricciones, en la ecuacin del Teorema de Lagrange, se llega al sistema
de 5 ecuaciones planteado abajo.

El sistema de ecuaciones no lineales se completa con las 3 restricciones,
as:
Solucionando el sistema en el software Mathematica,
se llega al conjunto de soluciones mostrado a continuacin:
Optimizacin empleando Matlab

El software Matlab cuenta con una caja de herramientas para la solucin de
problemas de optimizacin, tanto no restringidos, como restringidos con
ecuaciones e inecuaciones, lineales y no-lineales.
Problemas sin restricciones:
x = fminunc(fun,x0,options)
[x,fval,exitflag,output,grad,hessian] = fminunc(...)
Problemas con restricciones:
x = fmincon(fun,x0,A,b,Aeq,beq,lb,ub,nonlcon,options)
[x,fval,exitflag,output,lambda,grad,hessian] = fmincon(...)

Para el caso del ltimo ejemplo mostrado, se siguen los siguientes pasos:
1. Crear un archivo .m con la definicin de la funcin objetivo:
function f = objfun(x)
f=-1*((339-0.01*x(1)-0.003*x(2))*x(1)+(399-0.004*x(1)-0.01*x(2))*x(2)-
(400000+195*x(1)+225*x(2)));
2. Crear los vectores con los coeficientes de las restricciones lineales

de desigualdad:
A=[1,1;0,1;1,0];
b=[10000;8000;5000];

3. Crear el vector con el valor inicial para las variables independientes
xo=[1000;1000];
4. Emplear el comando fmincon

[x,fval,exitflag,output,lambda]=fmincon('objfun',xo,A,b)
5. Evaluar los resultados
Pero nosotros usaremos: NEOS
http://www.neos-server.org/neos/
En este curso se trabajar NEOS!!!
(como se mostr en la sesin
prctica de la semana pasada)
Condiciones de optimalidad. Condiciones

KKT (Karush-Kuhn-Tucker)
Para facilitar el planteamiento del problema de optimizacin, se define una
forma estndar, tal como se define a continuacin:
Y una funcin Lagrangiana (o simplemente el Lagrangiano) esta definido por:
El punto crtico del problema de optimizacin restringida, se encuentra

cuando (Condicin de optimalidad):
Condiciones de optimalidad. Condiciones

KKT (Karush-Kuhn-Tucker)
No obstante, para poder asegurar que el punto crtico obtenido, se trata de
un mnimo, se deben cumplir unas expresiones adicionales, denominadas
Condiciones KKT.
Condicin de
optimalidad
Condiciones de complementariedad
Condicin de factibilidad
Condicin de no negatividad
Un problema de diseo ptimo dimensional

no lineal empleando Matlab
Problema : Disear un resorte helicoidal de compresin de forma que
cumpliendo con los requerimientos mecnicos se logre obtener una
geometra que optimice la cantidad de material empleado. Las variables
involucradas en el diseo de un resorte helicoidal son:
P
Carga
Deformacin
Deformacin mnima
K
Constante de rigidez
D
Dimetro medio
d
Dimetro de alambre
Dext
Dimetro exterior mximo
N
Nmero de espiras activas
Q
Nmero de espiras inactivas
Esfuerzo cortante mximo

a
Esfuerzo cortante admisible
Frecuencia natural
Requerimientos iniciales
o
Frecuencia de carga
de Diseo
G
Constante de rigidez del material

Los valores de los requerimientos iniciales de diseo, que se van a trabajar
en el diseo del resorte helicoidal son:
P
Carga = 10 Lbs
Mx. deformacin por compresin = 0.5 in
Dext
Dimetro exterior mximo = 1.5 in
Nmero de espiras inactivas = 2
Esfuerzo cortante admisible = 80 ksi
Frecuencia de carga = 100 Hz
Mdulo de rigidez del material = 1.15E7 psi
Densidad del material = 0.283 lb/in3

Nota: Como se puede observar, en los requerimientos iniciales de diseo,
las variables de material se incorporan en el problema como datos ya
establecidos.
Las relaciones fundamentales para el diseo propuesto se resumen en:
Ley de Hooke
Constante Elstica
Esfuerzo Cortante
en un elemento
circular curvo
Frecuencia Natural

La funcin objetivo se puede escribir como:
Y las restricciones del problema
son:
Aparecen 10 restricciones.
Se pueden identificar tres
variables independientes: D,
d y N.
Todas las restricciones son
del tipo desigualdad.
Tres de las restricciones son
No-Lineales

Funcin objetivo
Restricciones
Dominio de las variables de diseo

1. Crear un archivo .m (Matlab File) con la funcin objetivo, y definirlo
como funcin de Matlab. Para este caso dicho archivo contiene las
siguientes lneas
2. Crear otro archivo .m paralelo, que contenga las restricciones, lineales o

no lineales, sin incluir los dominios de las variables de diseo:

3. Ahora debemos definir los dominios de las variables de diseo. Se
puede hacer en el mismo archivo .m de las restricciones, o como en
este ejemplo, al definir los lmites superiores e inferiores de dichos
dominios, as:
! x(1) $ !
$
N
#
& #
&
x = # x(2) & = # D &
# x(3) & # d &
%
"
% "
! 15 $
#
&
ub = # 1.3 &
# 0.2 &
"
%
! 2 $
#
&
lb = # 0.25 &
# 0.05 &
"
%
4. As se crean dos vectores, con estos

valores, en la lnea de comandos de
Matlab.

5. Lo siguiente es definir un punto de inicio
para el algoritmo de optimizacin de
Matlab. Se escogieron como valores de
arrancada N=3, D=1, d=0.2.
6. Ejecutar el comando fmincon para solucionar el problema:

Valores ptimos de Diseo para

N,D y d. En el orden establecido
anteriormente.
Valor de la funcin costo (Masa

del resorte) en el punto ptimo.
Desarrollo del problema de diseo ptimo

dimensional empleando Excel
Microsoft Excel Solver utiliza el cdigo de optimizacin no lineal (GRG2)
desarrollado por la Universidad Leon Lasdon de Austin (Texas) y la
Universidad Allan Waren (Cleveland ).
A continuacin se muestra brevemente como se emplea esta herramienta
para solucionar el problema de diseo ptimo dimensional no-lineal
planteado anteriormente.

Despus de creada la funcin
objetivo y las funciones de
restriccin, tal como se mostr
previamente, se requiere
ejecutar el comando Solver.
Sin embargo este comando
normalmente no est incluido
en el men de Excel, por lo
que debe ser adicionado, a
travs del men de
Complementos.

Se hace el llamado al comando Solver, a travs del men Herramientas, y
se define la celda que contiene la funcin objetivo y las celdas que
contienen las variables de diseo.

Se introducen las restricciones al problema, incluyendo las acotaciones a
las variables de diseo: N, D, d.

Se introducen las restricciones al problema, incluyendo las acotaciones a
las variables de diseo: N, D, d.

Ntese que los valores actuales de las variables de diseo, son el vector
semilla del proceso iterativo de bsqueda. Se soluciona el problema y se
obtienen los valores crticos de N, D y d.

La herramienta permite
mostrar un reporte del
proceso de bsqueda.

Conceptos y Casos Ejemplo Optimizacion PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Conceptos y Casos Ejemplo Optimizacion PDF

Uploaded by

Copyright:

Available Formats

Conceptos

Que es un problema de optimizacin?

Clasificacin problemas de optimizacin

Caso 0. Un problema bsico:

Cul es la funcin objetivo?

Haciendo optimizacin un poco ms fcil

Haciendo optimizacin un poco ms fcil

Haciendo optimizacin un poco ms fcil

Haciendo optimizacin un poco ms fcil

Haciendo optimizacin un poco ms fcil

Haciendo optimizacin un poco ms fcil

Haciendo optimizacin un poco ms fcil

Haciendo optimizacin un poco ms fcil

Caso 1. Un problema de produccin:

Un problema de produccin: optimizacin

s : nmero de TV de 19 vendidos por ao

p = 339 0.01 s 0.003 t

Un problema de produccin: optimizacin

Un problema de produccin: optimizacin

De esta forma, el problema es resolver el siguiente sistema:

Un problema de produccin: optimizacin

Lo que resulta en los siguientes valores solucin:

Examinemos la proyeccin de la funcin

Le resulta conocida esta grfica?

De hecho esta es la grfica de G. Entonces, estar asociado el

Un problema de produccin: optimizacin

En donde la nica condicin necesaria y suficiente es:

Adicionalmente, en el caso especial en que i=3, se debe cumplir que:

Un problema de produccin: optimizacin

Un problema de produccin: optimizacin

Un problema de produccin: optimizacin

Un problema de produccin: optimizacin

Un problema de produccin: optimizacin

Lo que para el caso del modelo que se trabaja, se traduce en:

Un problema de produccin: optimizacin

que junto con la ecuacin de la restriccin

Permite establecer que el punto crtico de la funcin objetivo se encuentra

En tanto que el valor de lamda () o multiplicador de Lagrange es:

Un problema de produccin: optimizacin

Un problema de produccin: optimizacin

Un problema de produccin: optimizacin

Un problema de produccin: optimizacin

Aplicacin del Teorema de Lagrange a

Recurriendo nuevamente al Teorema

Obsrvese que, como se tienen ahora 5 variables independientes, el

Aplicacin del Teorema de Lagrange a

Aplicacin del Teorema de Lagrange a

Solucionando el sistema en el software Mathematica,

se llega al conjunto de soluciones mostrado a continuacin:

Optimizacin empleando Matlab

Problemas sin restricciones:

Optimizacin empleando Matlab

2. Crear los vectores con los coeficientes de las restricciones lineales

Optimizacin empleando Matlab

4. Emplear el comando fmincon

Optimizacin empleando Matlab

Pero nosotros usaremos: NEOS

Condiciones de optimalidad. Condiciones

Y una funcin Lagrangiana (o simplemente el Lagrangiano) esta definido por:

El punto crtico del problema de optimizacin restringida, se encuentra

Condiciones de optimalidad. Condiciones

Un problema de diseo ptimo dimensional

Esfuerzo cortante mximo