Modelacion y Simulacion de Sujetos

Modelacion y Simulacion de Procesos OPTIMIZACION DE PROCESOS Francisco Cubillos
MODELACION Y SIMULACION DE
PROCESOS
OPTIMIZACION DE PROCESOS
ProI. FRANCISCO CUBILLOS
F
R
F
V
x
B
x
D
-2
-1.5
-1
-0.5
0
0.5
-2
-1
0
1
2
-3
-2
-1
0
1
2
3
4
5
F(X1,X2) X1
2
X2
2
X2
F
(
X
1
,

X
2
)
OPTIMIZACION
Problema presente en todas las areas de la ingenieria
"Encontrar la mejor solucin a un problema dado"
Cuando :
Existen muchas soluciones (inIinitas)
Las soluciones pueden ser continuas o discretas
El conjunto solucion puede estar restringido Iisicamente
Cul es la caracterstica principal de los problemas de
optimizacin?
Caracterstica principal
Hay un tradeoff entre las
variables y el objetivo.
Hay que identificar estos
compromisos antes de
desarrollar los modelos
matemticos.
Hay que entender el problema
cualitativamente antes de
resolverlo cuantitativamente.
C
o
s
t
e
s
e
n
e
r
g
a
(alta) Pureza producto (baja)
C
o
s
t
e
s
p
r
o
d
u
c
t
o
(
-
v
a
l
o
r
)
Costo total
Optimo
Y muchos ms!
Matemtica
aplicada
Gestin de
negocio
Ingeniera de
software
Ingeniera
qumica
Programacin matemtica
Investigacin operativa
Incluye estadstica, modelado, etc.
Optimizacin aplicada
Todas las reas de ingeniera
Planificacin y logstica
Gestin de la cadena de suministro,
gestin de recursos.
Quin hace optimizacin?
INTRODUCCIN
ORIENTACIONES DE LA OPTIMIZACION
MATEMATICA : Orientado hacia la Iormulacion de
problemas y sus propiedades, los algoritmos, convergencia,
robustez, existencia de soluciones
NUMERICA: proposicion y propiedades de los algoritmos
desde un punto de vista practico, orientado a la rapidez,
exactitud y estabilidad de los codigos computacionales.
INGENIERIA: Aplicacion los metodos de optimizacion
para la solucion de problemas reales, Iactibilidad de las
soluciones, implementaciones a nivel de usuario.
En ingenieria de procesos la optimizacion es parte de los
denominados PSE ( Sistemas de Ingenieria de Procesos) junto
a modelacion, simulacion y control de procesos.
La optimizacion en Ingenieria de procesos ha evolucionado
desde la Iormulacion de problemas como ejercicio academico
y la solucion analitica de problemas simples, hace unas
decadas atras, hasta hoy en dia, donde un gran conjunto de
problemas practicos pueden ser solucionados eIectivamente
gracias al desarrollo de tecnicas numericas de solucion y a la
potencia de calculo de los computadores.
PROBLEMAS TIPICOS RESUELTOS POR TECNICAS DE OPTIMIZACION
Diseo de equipos
Diseo optimo de procesos
Formulacion de compuestos
Optimizacion operacional
Schedulling y planiIicacion
Plantas multiproposito
Cadena de suministro y stocks
Integracion energetica
Algoritmos de control
Sintonia de controladores
Reconciliacion y deteccion de
errores
Estimacion de Parametros
Seleccion y posicionamiento de sensores
Mezclas de productos
Inputs
X
f
F
T
f
, T
cw
Outputs
P
X
D
X
B
Operation
T
tray
F
reflux
F
reboil
Exchange
Q
cond
Q
reboil
Equipment
NT, NF, ..
Equipment
A
Fcw
N
tubes
Ejemplo : Diseo de equipos
Inputs
X
f
, F, T
f
T
cw
, F
cw
F
reflux
F
reboil
Equip.
NT, NF
A, N
tubes
, ..
Operation
Outputs
P
XD
XB
Ejemplo : Operacin de equipos
Diseo experimental
Max informacion
Sintresis de modelos
Estructura de modelos
Evaluacin
Est. de
parmetros
F
T
Max (informacion)
Min (incerteza)
Min errores[
sum cuadrados
1
2
/
01
/
02
1
E RT
A
A
E RT
B
k e C
r
k e C
-
-
-
A B
k
01
1.2e7 .
k
02
...
Ejemplo : Estimacin de modelos y
parmetros
Logistica /Cadena de suministros
Almacen
Plantas
Mat primas
Inventarios
Rutas
Centros de consumo
gas fosil Eolica
nuclear
Ejemplo : Matriz generacin elctrica
Optimizacin basada en modelos
Decisiones
a tomar
modelo
Mtodo de
resolucin
y software
Solucin
La formulacin y el mtodo de resolucin permiten la solucin
Es importante ver los
efectos de un error
del modelo en la solucin
De sencillo a
muy complejo
Utilitarios / propios
EL PROBLEMA Y SU SOLUCIN
FORMULACION
ELEMENTOS DE UN PROBLEMA DE OPTIMIZACION
En un problema de optimizacion distinguimos los siguientes
elementos:
Funcin Objetivo : F.O: Es la Iormulacion de la medida de lo
'bueno (optimo) de la solucion. Ej:
Inversion, Costo total, Retorno economico, Costo unitario
Produccion, Rendimiento Tiempo de procesamiento
, Volumen equipo
La Iuncion objetivo se puede maximizar, minimizar, ser nula o
simplemente no existir.
Variables de Decisin X,Y : Corresponden a las variables
independientes del problema, es decir el objetivo de un
problema de optimizacion es encontrar el conjunto de
variables de decision (X*,Y*) que optimizan la Iuncion
objetivo. Luego
Por convencion X son variables continuas ( reales) e Y son
variables discretas (0,1; V,F)
Restricciones o lmites (Bounds) : Corresponden a las
restricciones Iisicas o practicas del problemas puestas como
ecuaciones de igualdad, desigualdad, exclusion o inclusion.
Ejemplo, Modelos y ecuaciones del proceso, balances,
restricciones y limites operacionales, estados logicos.
Espacio Factible:
Es la region encerrada entre las restricciones y la Iuncion
objetivo.
Si la solucion de un problema esta en esta region se dice
que la solucion es Factible. Si la solucion esta Iuera de
esta region se dice que es una solucion Infactible
FORMA ESTANDAR DE UN PROBLEMA DE OPTIMIZACION
Donde f: Funcion Objetivo, h: restricciones de igualdad,
g: Restricciones de desigualdad,
x; Variables reales, y: Variables enteras
Notar que max f min (-f)
Opt Var1 Opt Var1
O
p
t

V
a
r
2
I.o : I(x,y)
Rest: g(x,y)
h(x,y)
-2
-1.5
-1
-0.5
0
0.5
-2
-1
0
1
2
-3
-2
-1
0
1
2
3
4
5
F(X1,X2) X1
2
X2
2
X2
F
(
X
1
,

X
2
)
Ejemplo simple: Encontrar la relacion entre L y D en un
estanque cilindrico de volumen V que haga minimo el
costo en materiales
Dos variables continuas (L,D), restriccion V
Se puede reemplazar la restriccion en la FO para
eliminar L quedando solo con la variable D.
(problema sin restricciones)
CLASIFICACION DE LOS MTODOS DE OPTIMIZACION
DETERMINISTICOS
En base a tecnicas de
calculo numerico
Requieren modelos
matematicos robustos
Se conoce la tolerancia
de la solucion
Siempre dan el mismo
resultado
Garantizan Optimo Local
ESTOCASTICOS
Tcnicas aleatorias de
bsqueda simple o
Heurstica
Modelos mas generales
Problemas con el manejo
de restricciones
No garantizan tolerancia en
solucin y resultados
variables en un mismo caso
Optimo Global
Optimo global, ptimos locales :
Un problema de optimacion puede tener varias sub-
soluciones optimas Optimos locales, La mejor de ellas es
el Optimo Global
-4
-2
0
2
4
-4
-2
0
2
4
-100
-50
0
50
100
150
X1
F(X1, X2) = 1.5*X1
2
- X2
2
X2
F
(
X
1
,

X
2
)
Metodos Estocasticos (probabilisticos):
No pueden garantizar, en un numero Iinito de pasos, haber
encontrado el optimo global.
Su Iortaleza es la eIiciencia.
Utiles para problemas de gran escala.
Ejemplos:
Random Search
Simulated Annealing
Algoritmos Geneticos
Metodos Deterministicos: No incluye ningun tipo de
aleatoriedad
CLASIFICACION SEGUN EL TIPO DE PROBLEMA
Segun el tipo de Funcion Objetivo y las restricciones, los
problemas se clasiIican en :
SIN RESTRICCIONES CON RESTRICCIONES
De acuerdo a la Iorma matematica del problema:
LP (Linear Programming): FO y restricciones lineales
NLP (Non linear Programming) FO y/o restricciones no-
lineales
MILP (Mixer Integer LP) LP entera mixta
MINLP( Mixer Integer NLP) LP entera mixto
Principales categoras de optimizacin
Ajustar el mtodo al problema
Problemas tpicos en IP asociados al tipo de optimizacin
MAPA DE PROBLEMAS DE OPTIMIZACIN:
Programacion Matematica aplica metodos deterministicos
En la teoria del analisis numerico, el optimo esta relacionado con
la derivada de la Iuncion:
Optimo f`(x)0
Necesaria pero
no suficiente
Aca I(x) no es continua, I`(x) no existe sin embargo
existe un optimo.
' si no existe I` entonces podria ser un punto optimo
Tambien es necesario saber si estamos en presencia de
un minimo o un maximo.
La segunda derivada nos da un criterio para saber si es maximo o
minimo
Optimizacin Multivariable
Con mas de una variable (X1,X2..) deIinimos el gradiente y
la hessiana segun :
Autovalores
CONDICION NECESARIA Y SUFICIENTE
PARA OPTIMO LOCAL
Autovalores son positivos o negativos : El minimo o
maximo puede estar en cualquier region del espacio
Iactible. H DeIinida
-2
-1.5
-1
-0.5
0
0.5
-2
-1
0
1
2
-3
-2
-1
0
1
2
3
4
5
F(X1,X2) X1
2
X2
2
X2
F
(
X
1
,

X
2
)
Un autovalor es cero y el otro /- :El minimo
o maximo esta en una interseccion del espacio
Iactible. H Semi-deIinida - Curvatura cero
Caso especial del problema LP
-2
-1.5
-1
-0.5
0
0.5
-2
-1
0
1
2
-10
-5
0
5
10
15
20
F(X1, X2) 5*X1
2
X2
F
(
X
1
,

X
2
)
Un autovalor es y el otro - : H es indeIinida
Punto de silla
-3
-2
-1
0
1
2
3
-5
0
5
-30
-25
-20
-15
-10
-5
0
5
X1
F(X1, X2) = 1.5*X1
2
- X2
2
X2
F
(
X
1
,

X
2
)
OPTIMO LOCAL O GLOBAL ????
La propiedad de convexidad del problema nos da la
respuesta .
- 4 - 3 - 2 - 1 0 1 2 3 4
- 4
- 3
- 2
- 1
0
1
2
3
4
Cualquier mnimo local de una funcion convexa (sobre una regin
irrestricta) es un minimo global !
Una funcin es convexa si su matriz hesiana es positiva definida
0 0
negativa
semi deIinida
Concava
0 0
negativa
deIinida
estricta
concava
~0 ~0
positiva semi
deIinida
Convexa
~0 ~0
positiva
deIinida
estricta
convexa
Autovalores x
T
H(x)x H(x) es I(x) es
f(x)=2x
1
2
-3x
1
x
2
+2x
2
2
f(x)=x
1
2
+x
1
x
2
+2x
2
+4
f(x)=2x
1
-3x
2
+6
EJEMPLO 1 FUNCIONES
0 0
0 0
0 1
1 2
4 -3
-3 4
l
1
=1, l
2
=7
l
1
=1+ 2,l
2
=1- 2
l
1
=0,l
2
=0
convexa
convexa y
cncava
??
EJEMPLO 2 una regin
R1: -x
1
2
+x
2
>=1
R2 : x
1
-x
2
>=-2
g
1
(x)=-x
1
2
+x
2
-1>=0
g
2
(x)=x
1
-x
2
+2>=0
0 0
0 -2
0 0
0 0
convexa
convexa y
cncava
CONVEXA
Mtodos para NLP
Los metodos de solucion para un problema NLP
multivariable se basan en buscar sucesivamente el punto
optimo a partir de un valor inicial Xo. Las condiciones de
optimalidad pueden ser aproximadas en un intervalo
mediante serie de Taylor para dar:
SOLUCION MEDIANTE TECNICAS NUMERICAS
La mayoria de los problemas practicos de optimizacion
resultan ser de tipo no lineal (NLP)
A la solucion recursiva de esta ecuacion se le llama 'Metodo de
Newton que requiere el calculo del gradiente y la hessiana.
Ejemplo
Metodos Cuasi-Newton:
Evitan el calculo riguroso de H
-1
Imponen propiedades D-P a H
-1
Aproximacion de H
-1
en cada iteracion
Problema NLP con restricciones
Condicion suIiciente para un unico optimo:
I(x) debe ser convexa Y la region Iactible convexa
Es decir : g(x) Convexa y h(x) lineal
(Condicion 2 de Kuhn-Tucker)
Condicion necesaria ( 1 Kuhn-Tucker)
Balance de Iuerzas (problema extendido irrestricto
Desigualdades en una direccion
Factibilidad
Complemento
u,v son conocidos como los 'multiplicadores de
Lagrange`, Precios sombras, o variables duales.
'Jariacin del optimo con respecto a las restricciones
Ejemplo: Encontrar las minimas dimensiones de la caja que
encierre a los 3 cuerpos circulares
Variables
F.O. min( 2A2B)
Restricciones en la caja
Restricciones de los cuerpos
Caso Especial : Programacin lineal LP
Todas las Iunciones son convexas,
es decir existe optimo global
El optimo se posiciona en
los vertices del espacio
Iactible.
Metodo SIMPLEX busca
en los vertices
Caso Especial 2: Programacin cuadrtica QP
Problema asociado a minimos cuadrados, estimacion de
parametros, aproximacion del problema NLP ( Sequencial QP)
Este problema tiene algoritmos equivalentes a simplex en
rapidez y estabilidad. En algunos casos especiales tiene
solucion exacta.
ALGORITMOS Y CODIGOS PARA NLP
Existen numerosos algoritmos y codigos para el problema
NLP. Los mas conocidos (usados) son:
SQP (sequential Quadratic Programing): Problemas
pequeos
GRG2 - CONOPT (Gradiente reducido con restitucion)
Solver de excel, GINO. Lento pero robusto.
MINOS (Gradiente reducido sin restitucion), Problemas
grandes n~100 muchas restricciones lineales.
SOFTWARES PARA OPTIMIZACION
Solver de Ms-Excel : Problemas diversos, usa GRG2
Optimization 1oolbox de Matlab: Conjunto de programas
para optimizacion, SQP, LP, QP para ser usado en conjunto
con Matlab-Simulink.
CAMS: Compilador algebraico con rutinas para diversos
problemas de optimizacion.
AAC : Codigos en Fortran y otros programas para una
gran variedad de algoritmos.
Muchos simuladores traen asociado un optimizador en base a
alguno de estos algoritmos. (HYSYS, ASPEN y otros)
Recomendaciones para formular un problema de optimizacin.
Prevenir overIlows en las Iunciones (1/x, log, sqrt)
PreIerir los sistemas lineales
ReIorzar los limites Iisicos de las variables
E1EMPLO OPTIMIZACION REACTOR BATCH
T
A
Reac
Solucionar este problemas usando:
Solver de Excel
Matlab
GAMS
Algoritmos Geneticos
Analitico

Modelacion y Simulacion de Sujetos

Transféré par

Informations du document

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

Modelacion y Simulacion de Sujetos

Transféré par

Droits d'auteur :

Formats disponibles

Modelacion y Simulacion de Procesos OPTIMIZACION DE PROCESOS Francisco Cubillos

Vous aimerez peut-être aussi