Programacin mixta-entera

Prof. Cesar de Prada ISA UVA prada@autom.uva.es

Prof. Cesar de Prada ISA-UVA

Indice

Problemas hbridos Tipos de problemas mixto-enteros Algoritmo Branch and Bound Ejemplos Software

Prof. Cesar de Prada ISA-UVA

Problemas hbridos

Muchos problemas de decisin involucran no solo variables que pueden representarse por valores reales, sino decisiones de tipo discreto que estn representadas de forma natural por variables enteras o binarias. Otras veces, el planteamiento del problema involucra, junto a los modelos cuantitativos, reglas o condiciones lgicas adicionales Estos problemas de optimizacin hbridos con variables reales y enteras se denominan de programacin mixta entera Si las decisiones son solo de tipo entero el problema se denomina de programacin entera
Prof. Cesar de Prada ISA-UVA

Ejemplo: Banda de ladrones

Una banda de ladrones asalta un almacn donde hay N objetos distintos. Cada objeto j tiene un peso pj y un valor vj. Disponen de una camioneta que puede transportar como mximo un peso P. Qu objetos deben seleccionar los ladrones para obtener el mximo beneficio de su accin? Definiendo una variable binaria yj para indicar si un objeto ha sido o no seleccionado:

max
y

y
j j =1

sujeto a

y
P
j =1

pj

Problema ILP integer linear programming

0 el objeto j no ha sido yj= seleccionado 1 el objeto j si ha sido seleccionado

Prof. Cesar de Prada ISA-UVA

Ejemplo: El problema del viajante

Un viajante debe partir de su ciudad y recorrer N ciudades volviendo a la ciudad de origen sin repetir ninguna. La distancia entre la ciudad i y la j es cij. Cual es la ruta que debe seguir para recorrer una distancia mnima?. Podemos asociar una variable binaria yij a cada par de ciudades i , j cij yij j

min
y N

c y
ij i =1 j =1

ij

0 el viajante no va de la ciudad i a la j yij = yii = 0 1 el viajante va de la ciudad i a la j debe llegar una vez y solo una de la ciudad j
j =1

y
i =1 N

ij

=1 =1

j = 1,..., N

ij

1 = 1,..., N

debe partir una

vez y solo una de la ciudad i

Pr of. Ce sa r de Pr ad a IS AU V A

Tipos de problemas mixto enteros

c' y min y Ay = b y Z
c' x + d' y min x,y MILP Mix-Integer Ax = b Linear Programming Ey = e n 0 x , y Z R
Pueden re-convertirse igualdades y desigualdades usando variables de holgura, al igual que problemas min

ILP Integer Linear Programming

min J (x, y) x,y h(x, y) = 0 g(x, y) 0

MINLP Mix-Integer Non-Linear Programming

n x R ,y Z

en max
Prof. Cesar de Prada ISA-UVA

Mtodos de solucin

La aproximacin de tratar las variables enteras como reales y luego aproximarlas al entero mas prximo suele dar resultados errneos, excepto quizs cuando el nmero de valores posibles de una variable entera es alto. Rara vez con variables binarias Pueden enumerarse todas las combinaciones de variables enteras posibles y resolver para cada una el problema, posiblemente NLP, de variables reales asociado, escogiendo luego el de mejor J, ya que son un nmero finito. Pero el nmero de combinaciones crece exponencialmente con el nmero de variables enteras. Examen inteligente de alternativas enteras: Branch and Bound (B&B) Ajuste de cotas inferior y superior: Outer Approximation (OA), Generalised Benders decomposition (GBD)
Prof. Cesar de Prada ISA-UVA

Branch and Bound (B&B)

El mtodo proporciona una bsqueda inteligente del ptimo combinando la comparacin de distintas alternativas funcin de las variables enteras, con un procedimiento para eliminar combinaciones que no pueden conducir al ptimo y para determinar las condiciones de ptimo basndose en cotas del mismo. Est basado en tres ideas principales: Relajacin, que proporciona cotas del problema Ramificacin, que examina las distintas alternativas de variables enteras en un punto dado del rbol de decisin. Poda, que permite eliminar determinados grupos de combinaciones de variables enteras simplificando la bsqueda
Prof. Cesar de Prada ISA-UVA

Relajacin
Una relajacin de un problema MILP o MINLP consiste en suponer que las variables binarias yj pueden tomar valores reales en el intervalo 0 yj 1. (De forma similar se trata el caso de variables enteras) Por tanto en el problema relajado todas las variables, x e y, son reales y resulta un problema de tipo LP o NLP.
Dominio del problema original Dominio del problema relajado

Lgicamente, al ampliar el espacio de bsqueda, la solucin del problema relajado es una cota inferior (o superior en el caso de maximizacin) al problema original MILP o MINLP. El clculo de esta cota es el objetivo que se busca al resolver el problema relajado.
Prof. Cesar de Prada ISA-UVA

Algoritmo Branch and Bound (B&B)

Ejemplo ILP (Himmelblau) Max J = 86 y1 + 4 y2 + 40 y3 Sujeto a 774 y1 + 76 y2 + 42 y3 875 67 y1 + 27 y2 + 53 y3 875 y1, y2, y3 0,1
El problema relajado es LP y su resolucin proporciona una cota superior Jr* de J*: J* 129.1 y2= 0 1 Relajacin 1

0 y1 1 0 y2 1 0 y3 1 y*=(1, 0.776, 1) Jr*=129.1 2 Ramificacin

LP

y2= 1

10

A continuacin se examinan las dos alternativas posibles para y2, nica variable real de la solucin relajada
Prof. Cesar de Prada ISA-UVA

Algoritmo Branch and Bound (B&B)

Max J = 86 y1 + 4 y2 + 40 y3 Sujeto a 774 y1 + 76 y2 + 42 y3 875 67 y1 + 27 y2 + 53 y3 875 y1, y2, y3 0,1 3 Relajacin LP Mejor solucin factible hasta el momento (incumbente): Cota inferior de J* 2 0 y1 1 y2 = 0 0 y3 1 y*=(1, 0, 1) Jr*=126.0 y2= 0 Nodo n LP 1 0 y1 1 0 y2 1 0 y3 1 y*=(1, 0.776, 1) Jr*=129.1 2 Ramificacin

1 Relajacin

y2= 1

No se puede seguir ramificando en el nodo 2. El BB termina si la diferencia de cotas superior e inferior es menor que una tolerancia Cota sup cota inf

1 + cota

tol

11

4 Poda

Prof. Cesar de Prada ISA-UVA

inf

B&B
129.1 J* 126.0 Candidato No hay mas ramificacin en este nodo El valor del candidato es una cota inferior para todo el problema 2

1 Relajacin LP y2= 0 0 y1 1 y2 = 0 0 y3 1 y*=(1, 0, 1) Jr*=126.0

0 y1 1 0 y2 1 0 y3 1 y*=(1, 0.776, 1) Jr*=129.1 2 Ramificacin 3

129.1 J* - Cota superior en esta rama: 128.11 J* 126.0

y2= 1

Poda

0 y1 1 y2 = 1 Relajaciones 0 y3 1 y*=(0.978,1, 1) Jr*=128.11 y1= 0 Ramificacin y1= 1

12

Si el hueco, o diferencia de cotas superior e inferior, en el nodo 3 es superior a la tolerancia, debe seguirse ramificando. En caso contrario el BB termina y el candidato actual es el ptimo.

Prof. Cesar de Prada ISA-UVA

B&B
129.1 J* 126.0 2

1 Relajacin LP y2= 0 0 y1 1 y2 = 0 0 y3 1 y*=(1, 0, 1) Jr*=126.0

0 y1 1 0 y2 1 0 y3 1 y*=(1, 0.776, 1) Jr*=129.1 2 Ramificacin 3

129.1 J* - Cota superior en esta rama: 128.11 J* 126.0

y2= 1

Candidato No hay mas ramificacin Poda en este nodo Cada solucin factible proporciona una cota inferior para cualquier rama

0 y1 1 y2 = 1 Relajaciones 0 y3 1 y*=(0.978,1, 1) Jr*=128.11 y1= 0 Ramificacin y1= 1

13

Pueden usarse los valores de las cotas para podar ramas sin calcular sus valores

Cada ramificacin proporciona cotas superiores menores en esa rama

Prof. Cesar de Prada ISA-UVA

B&B
129.1 J* 126.0 Candidato 2

1 Relajacin LP y2= 0 0 y1 1 y2 = 0 0 y3 1 y*=(1, 0, 1) Jr*=126.0

0 y1 1 0 y2 1 0 y3 1 y*=(1, 0.776, 1) Jr*=129.1 2 Ramificacin 3

129.1 J* -

y2= 1 128.11 J* 126.0

0 y1 1 y2 = 1 Relajaciones 0 y3 1 y*=(0.978,1, 1) Jr*=128.11 y1= 0 Ramificacin y1= 1

14

Nueva solucin factible, pero inferior a la del candidato actual por lo que este no cambia

y1 =0 y2 = 1 0 y3 1 y*=(0,1, 1) Jr*=44.0 Poda

Relajacin No se puede seguir ramificando este nodo

Prof. Cesar de Prada ISA-UVA

B&B
129.1 J* 126.0 Candidato 2

1 Relajacin LP y2= 0 0 y1 1 y2 = 0 0 y3 1 y*=(1, 0, 1) Jr*=126.0

0 y1 1 0 y2 1 0 y3 1 y*=(1, 0.776, 1) Jr*=129.1 2 Ramificacin 3

129.1 J* -

y2= 1 128.11 J* 126.0

0 y1 1 y2 = 1 Relajaciones 0 y3 1 y*=(0.978,1, 1) Jr*=128.11 y1= 0 Ramificacin y1= 1 5

y1 =0 y2 = 1 0 y3 1 y*=(0,1, 1) Jr*=44.0 Poda

15

El valor de J*r es inferior a la cota inferior del candidato, cualquier ramificacin dara un valor menor, puede podarse el nodo

y1 = 1 Relajacin y2 = 1 0 y3 1 y*=(1, 1, 0.595) Jr*=113.81 Poda

Prof. Cesar de Prada ISA-UVA

B&B
129.1 J* 126.0 Candidato 2

1 Relajacin LP y2= 0 0 y1 1 y2 = 0 0 y3 1 y*=(1, 0, 1) Jr*=126.0

0 y1 1 0 y2 1 0 y3 1 y*=(1, 0.776, 1) Jr*=129.1 2 Ramificacin 3

129.1 J* -

y2= 1 128.11 J* 126.0

y1= 0

0 y1 1 y2 = 1 0 y3 1 y*=(0.978,1, 1) Jr*=128.11

y1 =0 y2 = 1 0 y3 1 y*=(0,1, 1) Jr*=44.0 Poda

16

Ramificacin y1= 1 5 y1 = 1 El candidato y2 = 1 actual, nodo 2, es 0 y3 1 el ptimo al y*=(1, 1, 0.595) haberse podado Jr*=113.81 Poda ya todas las ramas Prof. Cesar de Prada ISA-UVA

Ejemplo: Fbrica de pinturas

Una fbrica de pinturas tiene tres unidades de produccin de un cierto tipo de pintura con capacidades que se indican en la tabla adjunta. Igualmente se muestran en la misma los costos de puesta en marcha de cada unidad y los costes por Kg de pintura producido. Si una unidad se pone en funcionamiento, debe producir en un periodo toda su capacidad Unidad Costes de puesta en marcha 2800 2000 1900 Costes por Kg de pintura producida 5 3 8 Capacidad, Kg

1 2 3

1900 1700 2900

Prof. Cesar de Prada ISA-UVA

17

Fbricas de pinturas
Las unidades pueden ponerse en marcha al principio de la maana o al principio de la tarde. Lgicamente, si una unidad se puso en marcha por la maana y sigue operando por la tarde solo genera costos de puesta en marcha por la maana. Todas las unidades se apagan por la noche y las decisiones de puesta en marcha para el da se toman por la maana cada da de acuerdo a los pedidos existentes. Si un determinado da deben servirse 2500 kg de pintura por la maana y 3500 kg por la tarde, Qu unidades deben ponerse en funcionamiento y cuando para incurrir en los menores costos posibles? Cmo varia la solucin si la demanda de la tarde se incrementa en 100 Kg?
Prof. Cesar de Prada ISA-UVA

18

Fbrica de pinturas
Variables:
1

i nmero del proceso (1, 2, 3) j nmero del periodo de trabajo: 1 maana 2 tarde yij variable binaria: vale 1 si el proceso i funciona en el periodo j ci costes de puesta en marcha de la unidad i pi costes de produccin de un Kg en el proceso i wi capacidad de produccin de la unidad i por periodo Dj demanda de pintura en el periodo j zi variable binaria auxiliar , vale 1 si yi1 o yi2 es 1

19

Prof. Cesar de Prada ISA-UVA

Fbrica de pinturas
min ci + pi wi ( yi1 + yi 2 ) y ,z zi 3
ij i

wy
2
i =1 i

i =1

ij

Dj i= 1,2,3

z i yij

j= 1,2

j = 1,2

Excel

La variable zi vale 1 si se ha arrancado la unidad i por la maana o por la tarde

Si por la maana no puede haber mas de una unidad funcionando simultneamente:

y
i =1

i1

20

Prof. Cesar de Prada ISA-UVA

Formulacin en GAMS
sets i unidades / u1, u2, u3 / j periodos / m, t / parameters costea(i) coste de arrancar una unidad / u1=2800, u2=2000, u3=1900 / costeKg(i) coste por kg por periodo / u1=5 , u2=3, u3=8 / capacidad(i) capacidad /u1=1900, u2=1700, u3=2900/ demanda(j) demanda por periodo / m= 2500, t = 3500/; variables y(i,j) funciona o no la unidad I en el periodo j z(i) arranca la unidad i ese dia coste coste total de la produccion del dia binary variables y, z;

21

Prof. Cesar de Prada ISA-UVA

Formulacin en GAMS
equations produccion(j) produccion en cada periodo restriccion(i,j) limites en z costetotal calculo del coste; produccion(j).. sum(i, y(i,j)*capacidad(i)) =g= demanda(j); restriccion(i,j).. z(i) =g= y(i,j); costetotal.. coste =e= sum(i, costea(i)*z(i) +costeKg(i)*capacidad(i)*sum(j,y(i,j))); model pinturas planificacion de la produccion / all /; solve pinturas minimizing coste using mip; display coste.l

22

Prof. Cesar de Prada ISA-UVA

Mezcla con lotes discretos

Unidad 1 2 Capacidad kg/dia 8000 10000 Kg de materias A primas necesarias Para hacer p1 Para hacer p2 Disponibilidad p1 1 p2 2 0.4 0 B C Beneficio / Kg 0.16 0.2

0.6 0.3 6000

0 0.7

Cada unidad trabaja con lotes de 2000Kg

A B

23

Qu cantidad de p1 y p2 deben producirse para maximizar el beneficio?

Prof. Cesar de Prada ISA-UVA

Mezcla con lotes discretos

Variables: x1 cantidad producida por da de p1 x2 cantidad producida por da de p2

max 0.16 + 0.2 x2 0.6 x1 x1 6000 + 0.3x2 xi = 2000 yi i = 1, 2 0 y1 4 yi 0 y2 5

24

A B

p1 1 p2

entera
xi tiene que tomar valores mltiplos de 2000 Kg, el tamao del lote

Prof. Cesar de Prada ISA-UVA

Algoritmo Branch and Bound (B&B)

max 0.16 x1+ 0.2 x2 0.6 x1 + 0.3 x2 6000 xi = 2000 yi i = 1, 2 0 y1 4 0 y1 5 yi entera
y1 2 El problema relajado es LP y su resolucin proporciona una cota superior Jr* de J*: J* 2800 1 Relajacin 0 y1 4 0 y2 5 y*=(2.5, 5) Jr*=2800 2 Ramificacin y1 3

LP

A continuacin se examinan las dos alternativas posibles para y1, nica variable real de la solucin relajada

25

Prof. Cesar de Prada ISA-UVA

Algoritmo Branch and Bound (B&B)

max 0.16 x1+ 0.2 x2 0.6 x1 + 0.3 x 6000
2

Nodo n LP y1 2

xi = 2000 yi i = 1, 2 0 y1 4 0 y1 5 yi entera
3 Relajacin LP Mejor solucin factible hasta el momento (incumbente): Cota inferior de J*

0 y1 4 0 y2 5 y*=(2.5, 5) J *=2800
r

1 Relajacin

2 Ramificacin 0 y1 2 0 y2 5 y*=(2,5) Jr*=2640

y1 3

26

4 Poda

No se puede seguir ramificando en el nodo 2. El BB terminara si la diferencia de cotas superior e inferior fuera menor que la tolerancia
Prof. Cesar de Prada ISAUVA

B&B
2800 J* 2640 Candidato No hay mas ramificacin en este nodo al dar una solucin entera 2

1 Relajacin LP y1 2 0 y1 2 0 y2 5 y*=(2, 5) Jr*=2640

0 y1 4 0 y2 5 y*=(2.5, 5) Jr*=2800

2800 J* -

2 Ramificacin 3 Relajaciones

y1 3 3 y1 4 0 y2 5 y*=(3,4) Jr*=2560

Poda

Poda

Tambien da solucin entera, pero es inferior al nodo 2

Por tanto la solucin es: y*=(2, 5), x*=(4000, 10000) Y el beneficio ptimo 2640

27

Prof. Cesar de Prada ISA-UVA

Variables enteras y binarias

Hay formas sencillas de hacer que una variable z tome valores enteros entre 0 y n, usando solo variables binarias, esto es, variables que solo toman valores 0, 1 z = y1 + 2 y2 + 3 y3 + . + n yn 1 y1 + y2 + y3 + . + yn y = {0 , 1}

28

Prof. Cesar de Prada ISA-UVA

Modelado con variables binarias

Seleccionar una alternativa y solo una y1 y2 y3
N

y
i =1 N

=1 1

Seleccionar no mas de una alternativa

y
i =1

Seleccionar al menos una alternativa

y
i =1

Seleccionar la alternativa j solo si se ha seleccionado la i

29

y j yi 0

Prof. Cesar de Prada ISA-UVA

Activacin de variables continuas

Para eliminar activar la variable continua x usando la variable binaria y q L U variable continua , p.e. flujo limite inferior limite superior
Li yi q i Ui yi si y i = 0 0 q i 0 q i = 0 si y i = 1 L i q i U i

30

Prof. Cesar de Prada ISA-UVA

Modelado con variables continuas y 0-1

Activacin y desactivacin de restricciones asociadas a una corriente o unidad restricciones h(x) = 0 g(x) 0 var iables de ho lg ura s, v h(x) + s v = 0 s + v U 1 (1 y) g(x) U 2 (1 y) 0 s 0, v 0 si y = 0 h(x) y g(x) no estan limitadas si y = 1 s = 0, v = 0, h(x) = 0, g(x) 0 U, limite amplio

31

Prof. Cesar de Prada ISA-UVA

Modelado con variables continuas y 0-1

m corrientes dirigidas al mismo nodo i

q
j= 1

Uy i 0

qj

q j 0 j = 1,2, . . . , m si y = 0, q j = 0

U lmite superior al flujo total

32

Prof. Cesar de Prada ISA-UVA

Modelado de expresiones lgicas

P1 P2 P3 P1 P2 P3 P1 P2 P1 si y solo si P2 y1+y +y3 1
2

y1 1, y1 =y2

y2 1 y3 1

1 y 1 + y 2 1 o y 1 y 2 0

uno entre P1 , , P3 y 1 + y + y 3 = 1 P2 2 P1 P2 P3 y1y3 0 y2 y3 0

Usando estas equivalencias, puede convertirse cualquier expresin lgica a expresiones en y, si la expresin lgica se escribe en su forma conjuntiva normal

33

Prof. Cesar de Prada ISA-UVA

Forma normal conjuntiva

Q 1 Q 2 Q n

Donde las Q son expresiones de P escritas como disyunciones Procedimiento de obtencin: 1 Reemplazar la implicacin por su expresin equivalente
P1 P2 P1 P2

2 Aplicar las leyes de Morgan para desplazar dentro las negaciones

(P1 P2 ) P1 P2 (P1 P2 ) P1 P2

34

3 Utilizar la propiedad distributiva para dar la forma normal (P1 P2 ) P3 (P1 P3 ) (P2 P3 )
Prof. Cesar de Prada ISA-UVA

Ejemplo (1)
(P1 P2 ) P3 (P4 P5 )

Paso 1

[ (P1 P2 ) P3 ] (P4 P5 )
Paso 2 (P1 P2 ) P3

Paso 3

[ (P [P
1

(P4 P5 )

P2 ) (P4 P5 )

35 P P 2 4

[P

(P4 P5 )

]
3

P5

[P

 P4

P5

Prof. Cesar de Prada ISAUVA

Ejemplo (2)

[P

P2 P4 P5

[P

P4 P5

Q1Q2 Q 1 = P1 P2 P4 P5 1 y 1 + 1 y + y 4 + y 5 1
2

Q 2 = P3 P4 P5 1 y 3 + y 4 + y 5 1 luego Q 1 Q 2 resulta ser

y1 + y2 y4 y5 1 y 3 y 4 y5 0 (P1 P2 ) P3 (P4 P5 )

36

Prof. Cesar de Prada ISA-UVA

Ejemplo de la produccin de acetona

(Raman y Grossmann, CACHE)
Se necesita producir acetona. La materia prima disponible es el alcohol etlico (CH3CH2OH) y el metano (CH4). A continuacin se muestran las posibles reacciones. Suponemos que el catalizador que se requiere para todas las reacciones y los compuestos inorgnicos estn disponibles excepto para CrO3 y O3. Determinar la factibilidad para la produccin de acetona a partir de estos productos. Si es factible, especificar un camino de reaccin.

CH 3CO2 C 2 H NaOC H / C 3COCH 2 CO2 C 2 H 5 H O H 5 CH

2 5 2 5

CH 3COCH 2 CO2 C 2 H5 CH 3CN + CH 3 MgI

H O CH 3COCH 3
3 2

+ C2 H 5 OH
2

+ CO2

Et CH 3C ( NMgI

)CH 3

H O/ CH 3COCH 3

37

Prof. Cesar de Prada ISA-UVA

Ejemplo de la produccin de acetona

(Raman y Grossmann, CACHE)
CH 3CHO + CH
3

MgI

Et 2

/H3

CH
2

CHOHCH 3

CH 3CHOHCH 3 CrO / H S O CH )
4 3 2 2 2

COCH 3

CH 2 = C (CH 3 O / H O/ H 3COCH 3 + HCO2 H O CH

2 Mg / Er
2

CH 3 I 3 MgI CO C H O CH ) (CH (CH 3 )3 COH CH 2 = C (CH 3 2

3 2

3 3
3

COH

CH 4 + I 2 CH 3 I

+ HI CH 4 + Cl 2 CH 3Cl + HCl CH 3CH

C r O + O OH 2 2 / Cu CH
2 3 2

CHO

CH 3Cl + NaCN H O NaCl 3CN + CH CH + C2 H CH 3CO2 C 2 H 5 3COOH OH

5

38

CH 3CHO + O2 CH 3 COOH

Prof. Cesar de Prada ISA-UVA

Ejemplo de la produccin de acetona

(Raman y Grossmann, CACHE)
Formulacin De todas las reacciones qumicas posibles, se tiene que verificar dnde se puede sintetizar la acetona a partir de la materia prima y catalizadores dados. Para llegar a la conclusin final utilizando programacin matemtica, lo primero que debemos hacer es expresar todas las reacciones en la forma de lgica proposicional, utilizando los principales operadores:

(OR), (and), (implicacin), y (negacin) A + B C + D A B

M

I.

ABCD
se puede expresar como

AM B

39

Prof. Cesar de Prada ISA-UVA

Ejemplo de la produccin de acetona

(Raman y Grossmann, CACHE)
II. Expresar estas proposiciones lgicas en su forma conjuntiva normal, utilizando los pasos sgtes: 1. Eliminar la implicacin Ejemplo

A B esto es equivalente A B
2. Mover la negacin al interior

ABCD ( A B ) (C D ) A B (C D )

( A B ) ( A B )

( A ) ( B ) ( A ) ( B )
C

( A B C ) ( A B D)
( ) clusula

3. Distribuir el OR sobre el AND de forma recursiva

( A B)

 ( A C ) (B C

)
Prof. Cesar de Prada ISA-UVA

40

Ejemplo de la produccin de acetona

(Raman y Grossmann, CACHE)
III. Convertir cada clusula por separado en desigualdades lineales. Para ello, se asigna a cada variable una variable entera (binaria) y. Cada negacin se sustituye por 1-y, donde y es la variable correspondiente.

( A B C ) ( A B D )
1yA +1 1 y A yB +1 yB + yC 1 + yD 1

y A + y B yC 1 y A + yB yD 1

41

Prof. Cesar de Prada ISA-UVA

Ejemplo de la produccin de acetona

(Raman y Grossmann, CACHE)
CH 3CHO + O2 CH 3 COOH CH 3CHO CH O2 3 COOH (CH 3CHO O2 ) CH 3 COOH (CH 3CHO O2 ) CH 3 COOH (CH 3CHO CH 3COOH ) ( O2

y1 = CH 3CHO y 2 = O2

CH 3COOH )

y3 = CH 3COOH

1 y1 + y3

y1 y3 0 1 y 2 + y3 1

y 2 y3 0

42

Prof. Cesar de Prada ISA-UVA

Ejemplo de la produccin de acetona

(Raman y Grossmann, CACHE)

min yu s.a. Ay a yr {0,1} , = 1,..., R r

n

yu: variables binarias asignadas a los productos que se desean obtener Yr : variables binarias asignadas a la materia prima y los catalizadores disponibles Si yu =1, significa que el producto se puede sintetizar y que se

43

dispone de materia prima

Prof. Cesar de Prada ISA-UVA

Ejemplo 1: Planteamiento
(Grossmann)
Representacin de alternativas para producir producto C a partir de los productos A y B, a travs de los Procesos I, II, III. El producto C puede ser producido slo a travs del proceso I; los procesos I y III, y los procesos I y II. Los procesos II y III no pueden realizarse simultneamente. B
c

A2 A1

Proceso II

B2
Proceso I

B1 A3

44

Proceso III

B3

Prof. Cesar de Prada ISA-UVA

Ejemplo 1: Datos
Conversiones: Proceso I: C = 0.9B Proceso II: B = ln(1 + A) Proceso III: B = 1.2ln(1 + A) Capacidad mxima Proceso I: Proceso II: Proceso III: 2 ton/h de C 5 ton/h de B 4 ton/h de B

Precios A: 1.800 $/ton B: 7.000 $/ton C: 13.000 $/ton

Coste de Inversin Fijo (103 $/h) Proceso I: Proceso II: Proceso III: 3.5 1 1.5 Variable (103 $/ton) 2 1 1.2
Prof. Cesar de Prada ISA-UVA

45

Demanda de C:

1 ton/h mximo

Ejemplo 1: Formulacin
B1 A2 A1 A3 B1
Proceso III Proceso II

B2 y 2
Proceso I

C y1

B3 y 3

max PR = 13C-1.8A2 - 1.8 A3 -7B1 - 3.5y1 - 2C - 1.0y2 - 1B2 - 1.5y3 - 1.2B3 s .a.
PI: C-0.9(B1+B2+B3) = 0

B2 5 y 2

C, A2, A3, B1, B2, B3 >= 0 y1, y2, y3 = 0,1 y2 + y3 1

Prof. Cesar de Prada ISA-UVA

Balances PII: B -ln(1+A ) = 0 2 2

PIII: B3-1.2ln(1+A3) = 0 B1 = B2 + B3 +Bc

B3 4 y 3
c 2 y1 Lmites

46

GAMS
Positive Variables a2 materia prima para el proceso 2 a3 materia prima para el proceso 3 b2 produccion de producto B en el proceso 2 b3 produccion de producto B en el proceso 3 bc cantidad de producto B que se puede adquirir en el mercado b1 cantidad de producto B que se consume en el proceso 1 c1 capacidad de produccion del producto c en el proceso 1 ; Binary Variables y1 existencia del proceso 1 y2 existencia del proceso 2 y3 existencia del proceso 3 ; Variable pr beneficio total en millones de $ por ano ;

47

Prof. Cesar de Prada ISA-UVA

GAMS
las restricciones inout2 e inout3 se han convexificado inout1.. c1 =e= 0.9*b1 ; inout2.. exp(b2) - 1 =e= a2 ; inout3.. exp(b3/1.2) - 1 =e= a3 ; mbalb.. b1 =e= b2 + b3 + bp ; log1.. c1 =l= 2*y1 ; log2.. b2 =l= 4*y2 ; log3.. b3 =l= 5*y3 ;

48

Prof. Cesar de Prada ISA-UVA

GAMS
y1.L = 1.000 existencia del proceso 1 y2.L = 0.000 existencia del proceso 2 y3.L = 1.000 existencia del proceso 3 c1.L = 1.000 capacidad de produccion del producto c en el proceso 1 b1.L = 1.111 cantidad de producto B que se consume en el proceso 1 b2.L = 0.000 produccion de producto B en el proceso 2 b3.L = 1.111 produccion de producto B en el proceso 3 bc.L = 0.000 cantidad de producto B que se puede adquirir en el mercado a2.L = 0.000 materia prima para el proceso 2 a3.L = 1.524 materia prima para el proceso 3

A3

Proceso I Proceso III

C y1

49

B3 y3

Prof. Cesar de Prada ISA-UVA

Representacin de Alternativas: Superestructuras, Floudas 1995

En una superestructura, se engloban todas las posibles estructuras alternativas, que adems, son candidatas a la solucin factible u ptima del proceso
Unidad 2 Entrada 1 Salida 1

Unidad 1 Unidad 3 Salida 2

Prof. Cesar de Prada ISA-UVA

50

Ejemplo de produccin de amonaco, Biegler et all, 1997.

Recuperacin de Hidrgeno

Purga

N2 H2

Compresor

Reactor

Separacin

NH 3

51

Prof. Cesar de Prada ISA-UVA

Ejemplo de produccin de amonaco (rbol de alternativas)

reactor tubular condensacin por flash separacin por membrana no se recupera H2 destilacin absorcin separacin por membrana no se recupera H2 separacin por membrana no se recupera H2 separacin por membrana

condensacin por flash reactor multilecho

destilacin absorcin no se recupera H2

52

Prof. Cesar de Prada ISA-UVA

Ejemplo de produccin de amonaco (superestructura)

purga agua absorbedor NH3 reactor tubular N2 H2 reactor multilecho flash condensacin por flash
3A Prof. Cesar de Prada ISA-UV

agua

53

NH

Alternativa del reactor multilecho

Alternativa 1: reactor multilecho / condensacin por flash / separacin por membrana purga

N2 H2 reactor multilecho

flash condensacin por flash NH3

54

Prof. Cesar de Prada ISA-UVA

Alternativa para el reactor tubular

purga absorbedor NH3 agua agua

N2 H2 reactor tubular

flash

condensacin por flash

Alternativa 2: reactor tubular / condensacin por flash y membrana 5d5estilacin por absorcin / separacin por

NH3
Prof. Cesar de Prada ISA-UVA

Superestructuras
L5 L9 B (98% C1)

L6 L2 A L1 L3 C (97% C2) L4 U-1 L8 L7 U-3 L11

las alternativas posibles.

(C1, C2, C3)

Variables 0-1 indican si una corriente o una unidad existen o no

D (99% C3)
Prof. Cesar de Prada ISA-UVA

56

Asignacin de tareas
En un taller trabajan n personas capaces de realizar diversas tareas. Debido a sus diferentes habilidades y experiencia cada una tarda un tiempo diferente en hacer cada una de las tareas, el cual es conocido. Se deben realizar n de esas tareas para completar un determinado trabajo. Cmo debe asignarse el personal para realizar el tiempo total empleado? Variables i personas j tareas tij tiempo que la persona i tarda en hacer la tarea j

57

yij variable binaria, vale 1 si a la persona i se le asigna la tarea j

Prof. Cesar de Prada ISA-UVA

Asignacin de tareas
min t ij y ij
x i =1 j =1 n n

Tiempo total empleado

sujeto a

y
1
i =1

ij

j = 1,..., ni=

Cada persona tiene que tener asignada una tarea y una sola Cada tarea debe haber sido asignada a una persona y a una sola

y
1
j =1

ij

= 1,..., n

yij binaria

58

Prof. Cesar de Prada ISA-UVA

Oleoducto
P1 P2 P2 P1 P3 P1 P3

Centro C1

Centro C2

En que orden debo enviar los productos para minimizar costos, satisfacer restricciones (dos tipos determinados de productos no deben ir juntos) y satisfacer las demandas en tiempo?

59

Prof. Cesar de Prada ISA-UVA

Reactor batch
A

Un reactor opera en forma batch en periodos de trabajo de una hora. Se alimenta de un producto A que da lugar a dos reacciones paralelas A B y A C pero solo el producto B tiene valor comercial. Las velocidades de reaccin son: 6 k B = 10 exp(10000 / RT ) k C = 5 *10 exp(20000 / RT )
11

Encontrar el perfil de temperatura que maximiza la produccin final de B, sabiendo que esta debe ser inferior en todo momento a 139 C

60

Prof. Cesar de Prada ISA-UVA

Optimizacin dinmica
A xB

C T

tiempo

max
T (t )

x B (1)
tiempo

dx A = (k + k C ) x x A (0) = dt A0 B A dx B = k Bx x B (0) = 0 dt
A

k = 10 exp(10000 / RT )
11

1h

k = 5 *10 exp(20000 / RT )

61

T (t )

139

Prof. Cesar de Prada ISA-UVA

Parametrizacin de las variables de decisin

A xB

C T T1, T2, T3,.TN

tiempo

max
Ti

x B (1) = ( k + k C ) x
A

dx
A

dt B dx B = k Bx dt
A

x A (0) = A0 x B (0) = 0

tiempo

k = 10 exp(10000 / RT )
11

1h

k = 5 *10 exp(20000 / RT )

62

Ti 139

Prof. Cesar de Prada ISA-UVA

Resolucin con simulacin

max
Ti

x B (1)

dx A = (k B + k C ) x x A (0) = A0 dt A dx B = k Bx A x B (0) = 0 dt Ti 139

u(t) Proceso

y(t)

Optimizador Ti xB(1), Ti -139

Simulacin desde 0 a 1 para calcular J(u,x(t))

63

Prof. Cesar de Prada ISA-UVA

Optimizacin dinmica secuencial

minJ( x, u) u x(t ) = f ( x(t ), u(t )) y y (t ) y y(t) = g(x(t),u(t)

u u(t ) u

u(t) Optimizador u J Proceso

y(t)

Simulacin desde 0 a 1 para calcular J(u,x(t))

Prof. Cesar de Prada ISA-UVA

64