SIMULACIÓN OPTIMIZACIÓN Y DISEÑO DE PROCESOS QUÍMICOS

Control Diciembre de 2014

NOMBRE:

1. (15%) Escriba las condiciones de optimalidad de Karush-Kuhn-Tucker (KKT) de primer

orden para el siguiente problema de optimización:

min : Z  f (x)
s.a. h(x)  0
g( x)  0
x  X  n
Este apartado se puntúa como bien o mal sin valores intermedios

 Cualificación de las restricciones. Por ejemplo independencia lineal de los gradientes

de las restricciones activas.

 Dependencia lineal de los gradientes de la función objetivo y de las restricciones:

m p
f (x)   i hi (x)    j g j (x)  0
i 1 j 1

 Restricciones del problema

hi (x)  0 i  1... m
g j (x)  0 j  1... p

 Condiciones de complementariedad

 j g j (x)  0 j  1... p
j  0 j  1... p
2. (15%) Considere el siguiente problema de optimización no lineal:

min : z  f ( x )
(P1)
s.a. h( x)  0
donde f(x) es una función objetivo escalar continua y diferenciable, y h(x) es una función
también continua y diferenciable. En lugar de resolver este problema directamente se
sustituyó por el siguiente:

min : z  f ( x )
s.a. h( x )  0 (P2)
 h( x)  0
una vez alcanzada la solución del problema los multiplicadores de Karush Khun Tucker
asociadas a ambas restricciones son 1= 0; 2 = 10. Ambas restricciones se satisfacen y
la función objetivo toma un valor de 5. ¿Qué esperaría obtener si se resolviese nuevamente
el problema P2 pero ahora eliminando la segunda restricción? ¿Y si se resolviera P2
eliminando la primera restricción? Razone su respuesta.

Los multiplicadores de KKT del problema P2 indican que:

1. La primera restricción no es activa (μ1=0)

2. La segunda restricción sí es activa (μ2=10>0)

Por lo tanto si eliminamos la segunda restricción ( h( x )  0 ) la función objetivo mejorará (se
hará más pequeña), y el problema alcanzará un nuevo punto estacionario.

Si, por el contrario se elimina la primera restricción, el resultado seguirá siendo el mismo.
3. (50%) Durante el proceso de resolución de un problema lineal de optimización mediante el
método simplex, explique qué conclusiones se pueden extraer en cada uno de los casos
siguientes. Conteste de forma razonada.

a) Existe una variable no básica que cumple el criterio de entrada, pero ninguna de
las variables básicas cumple el criterio de salida.
Esto sólo es posible si todos los valores del vector asociado a la variable no básica
(columna de la tabla correspondiente a la variable no básica) toman valores no
positivos (negativos o cero). Esta situación corresponde a un politopo no acotado y
por lo tanto no existe solución finita.

b) Ninguna variable no básica cumple el criterio de entrada y todas las variables

básicas son  0.
Si ninguna variable no básica cumple el criterio de entrada es porque los valores
de la fila w asociados a las variables no básicas son estrictamente negativos. Si
todas las variables básicas son positivas se ha alcanzado la solución óptima del
problema, que además es única.

c) El valor de una de las variables que se supuso básica es < 0.

Esto sólo es posible si se ha cometido un error en la tabla del simplex. La variable
que se seleccionó como básica no cumple el criterio de entrada.

d) Todas las variables básicas son  0, una variable no básica tiene el coeficiente
wj> 0 y al menos uno de los elementos de su columna correspondiente es mayor
que 0.
Se tiene una solución básica que no es óptima. Corresponde a una tabla
intermedia en el algoritmo simplex en forma de tabla.

e) Se ha alcanzado una solución óptima, dos variables no básicas tienen el

coeficiente wj nulo y ninguna variable básica cumple el criterio de salida.
Al ser una solución óptima con dos valores de w = 0, dicha solución óptima no es
única. Sin embargo, que ninguna variable básica cumpla el criterio de salida indica
que el politopo es no acotado. Lo que ocurre es que la función objetivo es paralela
al plano formado por el punto extremo que se ha localizado y las dos aristas que
parten de dicho punto. La solución óptima está formada por todos los valores de
variables contenidas en dicho plano.
4. (20% ) Considere el siguiente problema de programación lineal:

min z   x1  2 x2  x3  4 x4
x1  x2  x3  x4  4
2 x1  x2  x4  3
x1  x2  x3  x4  5
xi  0 i  1, 2,3, 4
Que tiene la siguiente solución óptima:

x1  0.333; x2  0; x3  0; x4  3.667; z   15.0

1  3; 2  1; 3  0
Conteste, a las siguientes cuestiones:
a. (4%) ¿Cuáles son las variables básicas y no-básicas del problema en la solución y
cuánto vale cada una de ellas?
Variables básicas: debe haber tantas variables básicas como restricciones tenga el
problema.

x1  0.333; x4  3.667; x3h  8.333

Variables no básicas: x 2  x3  x1h  x2h  0

b. (8%) Si la primera restricción se cambia por x1  x2  x3  x4  5 , sabiendo que

las variables básicas y no básicas son las mismas que en el problema original.
¿Cuánto vale la función objetivo? Razone su respuesta.

Como nos dice el enunciado que las variables básicas y no básicas son las mismas
que en el problema original, y el problema es lineal entonces:

 f   f  1 0
1         f   1g1   3*(5  4)  3  f  f  (3)  15  3  18
 g1   g1 

c. (8%) Si ahora se cambia la tercera restricción por x1  x2  x3  x4  0 ¿Cuánto

valdrían la función objetivo y el resto de las variables? Razone su respuesta.

En este caso, a diferencia del apartado b) no se dice si siguen siendo activas las
mismas restricciones (mismas variables básicas). Por lo tanto no podemos aplicar
directamente el resultado anterior. Sin embargo, la perturbación de la tercera
restricción (Δ5) es menor que el valor de la variable de holgura ( x3h  8.333 ) y por lo
tanto esta restricción seguirá siendo no activa (ahora x3h  8.333  5  3.333 ) pero ni
la función objetivo ni el resto de variables cambian respecto al problema original.