Optimización en Ingeniería con Carlos Coello

Optimizacin en Ingenier o a
Dr. Carlos A. Coello Coello
Dr. Carlos A. Coello Coello Departamento de Computacin o CINVESTAV-IPN Av. IPN No. 2508 Col. San Pedro Zacatenco Mxico, D.F. 07300 e email: ccoello@cs.cinvestav.mx
Clase No. 2
2009
Algunas Aplicaciones de la Optimizacin en Ingenier o a
Diseo de herramientas y dems componentes mecnicos. n a a Diseo de turbinas, bombas y equipo para transferencia de n calor. Diseo de equipo elctrico (motores, generadores y n e transformadores).
Clase No. 2
2009
Diseo de redes elctricas. n e Planeacin de produccin. o o Diseo de redes hidrulicas. n a
Clase No. 2
2009
Optimizacin de horarios. o Diseo ptimo de procesos qu n o micos. Control de inventarios. Diseo de sistemas de control. n
Clase No. 2
2009
Planteamiento de un Problema de Optimizacin o

x1 x2 . . . xn
Encontrar x = sujeto a:
que minimice f (x)
gj (x) 0, j = 1, 2, ..., m hj (x) = 0, j = 1, 2, ..., p donde x es el vector de variables de decisin, f (x) es la funcin o o objetivo, gj (x) y hj (x) son las restricciones de desigualdad e igualdad, respectivamente.
Clase No. 2
2009
Restricciones de Dise o n
En la mayor parte de los problemas de ingenier las variables de a, diseo no pueden elegirse de manera arbitraria, sino que tienen que n satisfacer ciertos requerimientos. Las restricciones que deben satisfacer para producir un diseo n aceptable son llamadas, genricamente, restricciones de dise o. e n
Clase No. 2
2009
Restricciones de Dise o n
Las restricciones que representan limitaciones en el comportamiento o el desempeo del sistema son denominadas n restricciones funcionales o de comportamiento. Las restricciones que representan limitaciones f sicas tales como disponibilidad, facilidad de fabricacin y transportabilidad son o denominadas restricciones geomtricas. e
Clase No. 2
2009
Clasicacin de Problemas de Optimizacin o o

1. Basndose en la existencia de restricciones a Con restricciones Sin restricciones 2. Basndose en la naturaleza de las variables de decisin a o Problemas estticos o paramtricos a e Problemas dinmicos o de trayectorias (las variables son a funcin de un parmetro determinado) o a
Clase No. 2
2009

3. Clasicacin basada en la naturaleza de las ecuaciones o involucradas 1. Problemas lineales Si la funcin objetivo y todas las restricciones son lineales. o Encontrar x que minimice f (x) = sujeto a:
n n i=1 ci xi
aij xi = bj , j = 1, 2, ..., m
i=1
xi 0, i = 1, 2, ..., n ci , aij y bj son constantes.
Clase No. 2
2009

2. Problemas no lineales. Si la funcin objetivo y/o las restricciones son no lineales. o 3. Problemas de programacin geomtrica o e Es un problema en el que la funcin objetivo y las o restricciones se expresan como posinomios de x.
Clase No. 2
2009

Una funcin h(x) es llamada posinomio si h puede o expresarse como la suma de potencias de la forma: ci xai1 xai2 ...xain n 1 2 donde ci y aij son constantes. ci > 0, xj > 0. De tal forma, un posinomio con N trminos puede e expresarse como: h(x) = c1 xa11 xa12 xa1n + + cN xaN 1 xaN 2 xaN n n n 1 2 1 2
Clase No. 2
2009

4. Problemas de Programacin Cuadrtica o a Es un problema no lineal que tiene una funcin objetivo o cuadrtica y restricciones lineales. a min f (x) = c + sujeto a:
n n i=1 qi xi
n i=1
n j=1
Qij xi xj
aij xi = bj , j = 1, 2, ..., m
i=1
xi 0, i = 1, 2, ..., n donde c, qi , Qij , aij y bj son constantes.
Clase No. 2
2009

4. Basndose en los Valores Permisibles de las Variables a de Dise o n Problemas de Programacin Entera o Son aquellos en los que algunas o todas las variables de diseo pueden tomar slo valores enteros (o discretos). n o Problemas de Programacin con Valores Reales. o Son aquellos en los que las variables de diseo pueden tomar n cualquier valor real.
Clase No. 2
2009

5. Basndose en la Naturaleza Determinista de las a Variables Problemas Estocsticos a Es aqul en el que alguno o todos los parmetros son e a probabil sticos. Problemas Deterministas Es aqul en el que todos los parmetros (variables de e a decisin) son deterministas. o
Clase No. 2
2009

6. Basndose en la Separabilidad de las Funciones a Problemas Separables Se dice que una funcin f (x) es separable si puede o expresarse como la suma de n funciones de una sola variable, f1 (x1 ), f2 (x2 ), ..., fn (xn ):
n
f (x) =
i=1
fi (xi )
Un problema separable es aqul en el que tanto las e funciones objetivo como las restricciones son separables. No separables.
Clase No. 2
2009

7. Basndose en el N mero de funciones Objetivo a u Mono-objetivo Multiobjetivo
Clase No. 2
2009
Conceptos Bsicos a
Normalmente se usa la notacin x = {x , ..., x } para denotar el o n 1 punto ptimo, y el valor correspondiente de f (x ) se denomina el o valor ptimo de la funcin objetivo. El par x y f (x ) o o constituyen una solucin ptima. o o
Clase No. 2
2009
Conceptos Bsicos a
Existen varias categor de soluciones ptimas si la funcin as o o objetivo no es unimodal (es decir, si tiene ms de un extremo a como se ilustra en la funcin multimodal de la gura siguiente): o
Clase No. 2
2009
Conceptos Bsicos a
Un ptimo global (suponiendo minimizacin) es aqul que o o e representa el valor ms pequeo de f (x), mientras que un ptimo a n o local representa el valor ms pequeo de f (x) en la vecindad de a n algn vector x. u
Clase No. 2
2009
Concavidad y Convexidad
Una funcin (x) es llamada convexa sobre el dominio de R si o para 2 vectores cualquiera x1 y x2 R,
(x1 + (1 )x2 ) (x1 ) + (1 )(x2 ) donde es un escalar en el rango 0 1.
(1)
Clase No. 2
2009
La funcin (x) es estrictamente convexa si, para x1 = x2 , el signo o de la ecuacin (1) puede ser reemplazado con una desigualdad o (<). Una funcin convexa no puede tener ningn valor mayor que los o u valores de la funcin obtenidos mediante interpolacin lineal entre o o (x1 ) y (x2 ).
Clase No. 2
2009
Si la desigualdad reversa de la ecuacin (1) se cumple, la funcin es o o cncava. De tal forma, una funcin (x) es cncava o o o (estrictamente cncava) si (x) es convexa (estrictamente o convexa). Las funciones lineales son convexas y cncavas. o
Clase No. 2
2009
Conceptos Bsicos a
El requerimiento de que una funcin sea unimodal es mucho ms o a dbil que el requerimiento de que sea convexa o cncava, ya que la e o unimodalidad no demanda ni continuidad ni la existencia de una derivada unica.
Clase No. 2
2009
Conceptos Bsicos a
Un conjunto (o regin) de puntos se dene como un conjunto o convexo en un espacio n-dimensional si, para todos los pares de puntos x1 y x2 en el conjunto, el segmento rectil neo que los une est tambin enteramente dentro del conjunto. De tal forma, todo a e punto x, donde x = x1 + (1 )x2 , 0 1 est tambin en el conjunto. a e
Clase No. 2
2009
Conceptos Bsicos a
Clase No. 2
2009
Ventajas de la Optimizacin Numrica o e

Reduccin en el tiempo de diseo. o n Mejoras en el diseo que produce ahorros de algn tipo. n u Pueden resolverse problemas ms complejos y grandes que con a los mtodos grcos y tabulares. e a No est sesgada por la intuicin o la experiencia, lo que a o permite soluciones no tradicionales. Requiere una m nima interaccin hombre-mquina. o a
Clase No. 2
2009
Desventajas de la Optimizacin Numrica o e

El tiempo de cmputo se incrementa conforme crece la o cantidad de variables de diseo, hasta llegar a ser prohibitivo. n Rara vez puede garantizarse que un mtodo de optimizacin e o produzca el ptimo global. Por lo tanto, suele ser necesario o ejecutar varias veces el mismo algoritmo con puntos distintos de inicio.
Clase No. 2
2009
Desventajas de la Optimizacin Numrica o e

La mayor parte de los mtodos de optimizacin tienen e o dicultades para lidiar con funciones discontinuas. As mismo, los problemas altamente no lineales pueden converger muy lentamente o no hacerlo. Es importante ser cuidadoso con la precisin numrica que se o e maneje al escribir programas de optimizacin, pues sta puede o e impactar seriamente los resultados.
Clase No. 2
2009
Mtodos de Optimizacin para e o Funciones de Una Variable

Comenzaremos por estudiar diversos mtodos numricos para e e optimizar funciones de una sola variable. Los primeros mtodos que veremos son los denominados mtodos e e de acotamiento (bracketing methods), los cuales operan en 2 fases: u Fase de Acotamiento: Se hace una bsqueda inicial de grano grueso para acotar el ptimo. o Fase de Renamiento del Intervalo: Se realiza una secuencia nita de reducciones de intervalo o renamientos para reducir el intervalo inicial de bsqueda a una cierta precisin deseable. u o
Clase No. 2
2009
B squeda Exhaustiva u
El primer mtodo de acotamiento que estudiaremos es la e b squeda exhaustiva, que es el ms simple de todos. En este u a mtodo, el ptimo de una funcin es acotado calculando los valores e o o de la funcin en un conjunto de puntos equidistantes entre s o .
Clase No. 2
2009
Clase No. 2
2009
Usualmente, la bsqueda comienza desde el l u mite inferior de la variable y se calculan 3 valores consecutivos de la funcin a la vez, o basndose en la premisa de unimodalidad de la funcin. Basndose a o a en los resultados de la comparacin, la bsqueda se concluye o se o u contina reemplazando uno de los 3 puntos por uno nuevo. La u bsqueda contina hasta que se acota el m u u nimo.
Clase No. 2
2009
Algoritmo Paso 1:
Paso 2:
Paso 3:
x1 = a; x = (b a)/n (n es el nmero de puntos intermedios) u x2 = x1 + x; x3 = x2 + x IF f (x1 ) f (x2 ) f (x3 ) el m nimo se encuentra en (x1 , x3 ). TERMINAR ELSE x1 = x2 ; x2 = x3 ; x3 = x2 + x GOTO Paso 3 Es x3 b? Si lo es, ir al Paso 2 ELSE no existe un m nimo en (a, b) o un punto extremo (a b) es el m o nimo.
Clase No. 2
2009
Ntese que el intervalo nal obtenido por este algoritmo es o 2(b a)/n. En promedio, se requieren (n/2 + 2) evaluaciones de la funcin para obtener la precisin deseada. Es decir, que se necesitan o o ms evaluaciones para obtener una mejor precisin. Por ejemplo, si a o a = 0, b = 10 y la precisin requerida es de 0,001, entonces tenemos: o 2(10 0)/n = 0,001 (2)
de donde: n = 20, 000. Es decir, que se requieren al menos 20, 000 iteraciones para lograr una precisin de 0.001. o
Clase No. 2
2009
Mtodo de la Fase de Acotamiento e

Este es otro mtodo de acotamiento que se conoce en ingls como e e bounding phase method. El algoritmo comienza con un valor cualquiera y se inicia la bsqueda basndose en dos o ms u a a evaluaciones de la funcin objetivo en la vecindad del punto inicial. o Posteriormente se adopta una estrategia de bsqueda exponencial u para alcanzar el ptimo. o
Clase No. 2
2009

Algoritmo Paso 1: Paso 2:
Paso 3: Paso 4:
Elegir un punto inicial x(0) y un incremento Hacer k = 0 IF f (x(0) ||) f (x(0) ) f (x(0) + ||), THEN es positivo ELSE IF f (x(0) ||) f (x(0) ) f (x(0) + ||), THEN es negativo ELSE GOTO Paso 1 x(k+1) = x(k) + 2k IF f (x(k+1) ) < f (x(k) ) THEN k = k + 1 y GOTO Paso 3 ELSE el m nimo se encuentra en el intervalo (x(k1) , x(k+1) ) TERMINAR
2009
Clase No. 2

Observaciones: La efectividad de este mtodo depende del valor adoptado para el e incremento de . Si es grande, se obtiene un intervalo inicial grande y la precisin del acotamiento del m o nimo es, en consecuencia, pobre. Si se elige un pequeo, la precisin del n o acotamiento mejorar, pero se requerirn ms evaluaciones de la a a a funcin. o Una vez que se ha acotado la ubicacin del ptimo, pueden o o aplicarse esquemas ms sosticados de reduccin de intervalos para a o aproximar el ptimo. o
Clase No. 2
2009
Mtodos de Eliminacin de Regiones e o

Se llama as a los mtodos de bsqueda que localizan el ptimo e u o mediante la eliminacin sucesiva de subintervalos que reducen el o intervalo de bsqueda restante. u Ntese que prcticamente todos los mtodos de bsqueda o a e u unidimensionales presuponen unimodalidad de la funcin a o resolverse, al menos en el dominio de inters de la misma. e
Clase No. 2
2009

Este tipo de mtodos se basan en la llamada propiedad de e eliminacin, denida por el siguiente teorema: o Teorema: Supongamos que f es estrictamente unimodal (o sea, es unimodal y no tiene intervalos de longitud nita en los cuales la funcin sea de valor constante) en el intervalo a x b con un o m nimo en x . Hagamos que x1 y x2 sean 2 puntos en el intervalo, de forma que a < x1 < x2 < b.
Clase No. 2
2009

Tenemos entonces que: 1. Si f (x1 ) > f (x2 ), entonces el m nimo de f (x) no se encuentra en el intervalo (a, x1 ) En otras palabras, x (x1 , b).
2. Si f (x1 ) < f (x2 ), entonces el m nimo de f (x) no se encuentra en el intervalo (x2 , b) En otras palabras, x (a, x2 ).
Clase No. 2
2009
Ntese que cuando f (x1 ) = f (x2 ) podemos eliminar los 2 extremos o y x (x1 , x2 ).
Clase No. 2
2009

Usando la propiedad de eliminacin, puede organizarse la o bsqueda de manera que se encuentre el ptimo eliminando u o recursivamente secciones del intervalo acotado originalmente. La bsqueda termina cuando el subintervalo restante es reducido a una u longitud sucientemente pequea. n Ntese que la mayor ventaja de este tipo de mtodos es que no o e requieren que la funcin sea diferenciable (slo requieren evaluarla). o o
Clase No. 2
2009
Mtodo de Divisin de Intervalos por la Mitad e o

En este mtodo de eliminacin de regiones se consideran valores en e o tres puntos diferentes (espaciados de forma equidistante) y se borra exactamente una mitad del intervalo a cada iteracin. o
Clase No. 2
2009

Estos 3 puntos se ilustran en la gura anterior. Dos de los valores de la funcin se comparan a la vez y una cierta regin se elimina. o o Hay 2 escenarios posibles: nimo no puede encontrarse ms a Caso 1: If f (x1 ) < f (xm ) el m all de xm . Por lo tanto, reducimos el intervalo de (a, b) a (a, xm ). a Dado que xm es el punto medio del espacio de bsqueda, esta u eliminacin reduce el espacio de bsqueda a la mitad. o u
Clase No. 2
2009

Caso 2: If f (x1 ) > f (xm ) el m nimo no puede encontrarse en el intervalo (a, x1 ). Entonces comparamos los valores de la funcin en o xm y x2 para eliminar un 25 % del espacio de bsqueda (ya se u hab eliminado otro 25 % antes, porque x1 estaba a 1/4 de a distancia del l mite inferior de la bsqueda). u
Clase No. 2
2009

Este proceso contina hasta que se encuentra un intervalo u sucientemente pequeo. Como a cada iteracin se retiene n o exactamente la mitad del espacio de bsqueda, se denomina al u algoritmo el mtodo de divisin de intervalos por la mitad. e o
Clase No. 2
2009

Algoritmo Paso 1:
Paso 2: Paso 3: Paso 4: Paso 5:
Elegir un l mite inferior a y un l mite superior b. Denir tolerancia xm = (a + b)/2 Lo = L = b a Calcular f (xm ) x1 = a + L/4; x2 = b L/4 Calcular f (x1 ) y f (x2 ) IF f (x1 ) < f (xm ) b = xm ; xm = x1 GOTO Paso 5 IF f (x2 ) < f (xm ) a = xm ; xm = x2 GOTO Paso 5 ELSE a = x1 ; b = x2 ; GOTO Paso 5 L=ba IF |L| < TERMINAR ELSE GOTO Paso 2
2009
Clase No. 2

Observaciones: A cada etapa del algoritmo, se borra exactamente la mitad de la longitud del intervalo de bsqueda. u El punto medio de los intervalos subsecuentes es siempre igual a uno de los puntos previos x1 , x2 o xm . Por tanto, se requieren, cuando mucho, dos evaluaciones de la funcin a cada o paso subsecuente.
Clase No. 2
2009

Despus de n evaluaciones de la funcin, el intervalo inicial de e o bsqueda ser reducido a ( 1 )n/2 Lo. u a 2 En consecuencia, el nmero de evaluaciones requeridas para u obtener una precisin deseada puede calcularse resolviendo: o (0,5)n/2 (b a) =
Clase No. 2
2009
Mtodo de B squeda de Fibonacci e u
En este mtodo de eliminacin de regiones, el intervalo de bsqueda e o u se reduce de acuerdo a la serie que se atribuye a Leonardo Pisano Fibonacci, un matemtico del 1200 de nuestra era. a
Clase No. 2
2009

La propiedad de los nmeros de Fibonacci es que, dados dos u nmeros consecutivos Fn2 y Fn1 , el tercer nmero se calcula u u usando: Fn = Fn1 + Fn2 donde n = 2, 3, 4, ... Los primeros nmeros de Fibonacci son: u F0 = 1, F1 = 1, F2 = 2, F3 = 3, F4 = 5, F5 = 8, F6 = 13 y as sucesivamente.
Clase No. 2
2009

Los nmeros de Fibonacci pueden usarse para crear un algoritmo u de bsqueda que requiera slo una evaluacin de la funcin objetivo u o o o a cada iteracin. o El principio de la bsqueda de Fibonacci es que de dos puntos u requeridos para el uso de la propiedad de eliminacin de regiones, o uno es siempre el punto previo y el otro punto es nuevo. Por ende, slo se requiere una evaluacin de la funcin a cada iteracin. o o o o
Clase No. 2
2009

En la iteracin k, se eligen dos puntos intermedios, cada uno de los o cuales est a una distancia L de cada extremo del espacio de a k bsqueda (L = b a). Cuando la propiedad de eliminacin de u o regiones elimina una porcin del espacio de bsqueda, el espacio de o u bsqueda restante es Lk . u
Clase No. 2
2009

Deniendo L = (Fnk+1 /Fn+1 )/L y Lk = (Fnk+2 /Fn+1 )/L se k puede mostrar que: Lk L = L k k+1 lo que signica que uno de los dos puntos usados en la iteracin k o se mantiene como uno de los puntos de referencia en la iteracin o (k + 1). Ver la gura siguiente:
Clase No. 2
2009
Puesto que los dos primeros nmeros de Fibonacci son los mismos, u el algoritmo usualmente empieza con k = 2.
Clase No. 2
2009

Optimización en Ingeniería con Carlos Coello

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Optimización en Ingeniería con Carlos Coello

Transféré par

Droits d'auteur :

Formats disponibles

Optimizacin en Ingenier o a

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Algunas Aplicaciones de la Optimizacin en Ingenier o a

Dr. Carlos A. Coello Coello

Algunas Aplicaciones de la Optimizacin en Ingenier o a

Diseo de redes elctricas. n e Planeacin de produccin. o o Diseo de redes hidrulicas. n a

Dr. Carlos A. Coello Coello

Algunas Aplicaciones de la Optimizacin en Ingenier o a

Dr. Carlos A. Coello Coello

Planteamiento de un Problema de Optimizacin o

que minimice f (x)

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Clasicacin de Problemas de Optimizacin o o

Dr. Carlos A. Coello Coello

Clasicacin de Problemas de Optimizacin o o

xi 0, i = 1, 2, ..., n ci , aij y bj son constantes.

Dr. Carlos A. Coello Coello

Clasicacin de Problemas de Optimizacin o o

Dr. Carlos A. Coello Coello

Clasicacin de Problemas de Optimizacin o o

Dr. Carlos A. Coello Coello

Clasicacin de Problemas de Optimizacin o o

xi 0, i = 1, 2, ..., n donde c, qi , Qij , aij y bj son constantes.

Dr. Carlos A. Coello Coello

Clasicacin de Problemas de Optimizacin o o

Dr. Carlos A. Coello Coello

Clasicacin de Problemas de Optimizacin o o

Dr. Carlos A. Coello Coello

Clasicacin de Problemas de Optimizacin o o

Dr. Carlos A. Coello Coello

Clasicacin de Problemas de Optimizacin o o

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

(x1 + (1 )x2 ) (x1 ) + (1 )(x2 ) donde es un escalar en el rango 0 1.

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Ventajas de la Optimizacin Numrica o e

Dr. Carlos A. Coello Coello

Desventajas de la Optimizacin Numrica o e

Dr. Carlos A. Coello Coello

Desventajas de la Optimizacin Numrica o e

Dr. Carlos A. Coello Coello

Mtodos de Optimizacin para e o Funciones de Una Variable

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Mtodo de la Fase de Acotamiento e

Dr. Carlos A. Coello Coello

Mtodo de la Fase de Acotamiento e

Dr. Carlos A. Coello Coello

Mtodo de la Fase de Acotamiento e