Apuntes de Optimizaci N y Simulaci N de Procesos

INSTITUTO POLITCNICO NACIONAL
ESCUELA SUPERIOR DE INGENIERA QUMICA E INDUSTRIAS EXTRACTIVAS
Apuntes de
Optimizacin y Simulacin de Procesos
Gabriel E. Santana Rodrguez
Julio 2007
Contenido
Optimizacin _________________________________________________________ 1
Porqu optimizar? ________________________________________________________ 1
Clasificacin de modelos ________________________________________________ 1

Funcin objetivo ______________________________________________________ 1
Caractersticas esenciales de los problemas de optimizacin_______________________ 1
Pasos para la solucin de problemas de optimizacin ____________________________ 1
Ejemplo 1 ________________________________________________________________ 1
Ejemplo 2 ________________________________________________________________ 1
Mtodos analticos _____________________________________________________ 1

Derivacin Univariable _____________________________________________________ 1
Primera derivada ________________________________________________________________1
Segunda derivada________________________________________________________________1
Ejemplo 1______________________________________________________________________1
Ejemplo 2______________________________________________________________________1
Derivacin Multivariable ___________________________________________________ 1

Gradiente ______________________________________________________________________1
Hessiano_______________________________________________________________________1
Ejemplo 1______________________________________________________________________1
Ejemplo 2______________________________________________________________________1
Ejemplo 3______________________________________________________________________1
Multiplicadores de Lagrange ________________________________________________ 1

Ejemplo 1______________________________________________________________________1
Ejemplo 2______________________________________________________________________1
Mtodos numricos ____________________________________________________ 1

Fibonacci_________________________________________________________________ 1
Ejemplo _______________________________________________________________________1
Seccin dorada ____________________________________________________________ 1

Ejemplo _______________________________________________________________________1
Simplex __________________________________________________________________ 1
Ejemplo 1______________________________________________________________________1
Ejemplo 2______________________________________________________________________1
Nelder-Mead______________________________________________________________ 1
Ejemplo 1______________________________________________________________________1
Ejemplo 2______________________________________________________________________1
Mxima Pendiente _________________________________________________________ 1

Ejemplo 1______________________________________________________________________1
Ejemplo 2______________________________________________________________________1
Programacin lineal ___________________________________________________ 1

Mtodo grfico. ___________________________________________________________ 1
Ejemplo _______________________________________________________________________1
Mtodo Simplex ___________________________________________________________ 1

Ejemplo _______________________________________________________________________1
Programacin geomtrica _______________________________________________ 1

Ejemplo de polinomios con trminos positivos __________________________________ 1
Ejemplo de polinomios con trminos positivos y negativos ________________________ 1
Programacin dinmica ________________________________________________ 1

Ejemplo 1 ________________________________________________________________ 1
Ejemplo 2 ________________________________________________________________ 1
Bibliografa __________________________________________________________ 1
ii
GESR
Optimizacin [1]
La optimizacin es el uso de mtodos especficos para determinar la solucin ms
rentable y ms eficiente a un problema o a un diseo para un proceso. Esta tcnica es
una de las herramientas cuantitativas principales en la toma de decisin industrial. Una
amplia variedad de problemas en el diseo, la construccin, la operacin, y el anlisis
de plantas qumicas (as como muchos otros procesos industriales) se puede resolver por
la optimizacin.
El objetivo de la optimizacin es encontrar los valores de las variables en el proceso que
produzcan el mejor valor del criterio establecido tal como el costo mnimo.
Normalmente existe una compensacin entre los costos de capital y de operacin.
Porqu optimizar?
Por qu los ingenieros estn interesados en la optimizacin? Qu beneficios resultan
de usar este mtodo en vez de tomar decisiones intuitivamente? Los ingenieros trabajan
para mejorar el diseo inicial del equipo y se esfuerzan para mejorar la operacin de ese
equipo una vez que est instalado de tal modo que realice la mayor produccin, el
mximo beneficio, el costo mnimo, el menor uso de energa y as sucesivamente. El
valor monetario proporciona una medida conveniente de objetivos diversos, pero no
todos los problemas tienen que ser considerados en un marco monetario (costo contra
rdito).
En operaciones de planta, las ventajas surgen del funcionamiento mejorado de la planta,
tal como mejores producciones de productos valiosos (o producciones reducidas de
contaminantes), del consumo de energa reducido, de velocidades de procesamiento
mayores y de tiempos ms largos entre paros. La optimizacin puede tambin conducir
a costos de mantenimiento reducidos, a menos desgaste del equipo y a una utilizacin
mejor del personal. Adems, las ventajas intangibles surgen de las interacciones entre
operadores de planta, ingenieros y la gerencia. Es extremadamente provechoso
identificar sistemticamente el objetivo, las restricciones y los grados de libertad en un
proceso o una planta, conduciendo a beneficios tales como calidad mejorada del diseo,
una localizacin de averas ms rpidamente y ms confiables, y una toma de decisin
ms rpida.
Los beneficios pronosticados se deben hacer con cuidado. Las variables de operacin y
diseo en la mayora de las plantas se relacionan siempre de cierta manera. Si la cuenta
del combustible para una columna de la destilacin es $3000 por da, un ahorro del 5
por ciento puede justificar un proyecto sobre conservacin de energa. Sin embargo, en
una operacin unitaria tal como destilacin, es incorrecto simplemente sumar los
servicios del intercambiador de calor y hacer una reduccin en el calor total requerido.
Una reduccin en el servicio de calentamiento del rehervidor puede influenciar en la
pureza del producto, que se puede traducir en un cambio en las ganancias y en los
requerimientos de enfriamiento en el condensador. Por lo tanto, puede ser engaoso no
hacer caso de los efectos indirectos y de relacin que tienen las variables del proceso en
los costos.
GESR
Qu hay acerca de la discusin, de que el uso formal de la optimizacin realmente no

est garantizado debido a la incertidumbre que existe en la representacin matemtica
del proceso o de los datos utilizados en el modelo del proceso? Tal discusin tiene
ciertamente cierto mrito. Los ingenieros tienen que usar un juicio en la aplicacin de
tcnicas de optimizacin a los problemas que tienen una incertidumbre considerable
asociada a ellos, desde el punto de vista de la exactitud y del hecho de que los
parmetros de operacin de la planta y los alrededores no son siempre estticos. En
algunos casos puede ser posible realizar un anlisis va optimizacin determinista y
despus agregar caractersticas estocsticas al anlisis para producir predicciones
cuantitativas del grado de incertidumbre. Siempre que el modelo de un proceso se
idealice y los datos de la entrada y los parmetros se conozcan aproximadamente, los
resultados de la optimizacin se deben tratar juiciosamente. Pueden proporcionar lmites
superiores a las expectativas. Otra manera de evaluar la influencia de parmetros
inciertos en el diseo ptimo es realizar un anlisis de sensibilidad. Es posible que el
valor ptimo de una variable de proceso no es afectado por ciertos parmetros
(sensibilidad baja); por lo tanto, tener valores exactos para estos parmetros no ser
crucial para encontrar el ptimo verdadero.
Clasificacin de modelos
Basados en la teora fsica
Basados en descripciones
estrictamente empricas
Involucra balances de masa y energa,

termodinmica, cintica de la
reaccin qumica, etc.
Provienen de la experiencia como de

reglas heursticas a consecuencia de
falta de tiempo o de recursos.
Linear
No linear
f (x)
f (x)
Estado estacionario (esttico)
Estado no estacionario (dinmico)
=0
t
0
t
No hay variacin respecto al tiempo.
Si hay variacin respecto al tiempo.
GESR
Parmetro agrupado
Parmetro distribuido
=0
V
0
V
Las variaciones espaciales se ignoran

y las propiedades del sistema son
iguales en todo el volumen
Existen variaciones espaciales y las

propiedades del sistema son
diferentes en todo el volumen
Variable discreta
Variable continua
La variable tiene un nmero finito de

valores, por ejemplo, el nmero de
compresores.
La variable tiene un nmero infinito

de valores, por ejemplo, los diferentes
valores de presin y temperatura en
cada etapa de compresin.
Determinsticos
Estocsticos
Son sistemas que exhiben el mismo

comportamiento bajo las mismas
condiciones y no suceden al azar. Por
ejemplo, un lquido hervir bajo
ciertas condiciones.
Son sistemas que funcionan por azar

en funcin de probabilidades. Por
ejemplo, la forma que toma el vapor
es aleatoria.
3
GESR
Funcin objetivo [1]

Formular el problema es quizs el paso ms crucial de la optimizacin. La formulacin
del problema requiere identificar los elementos esenciales de una declaracin
conceptual o verbal de una aplicacin dada y organizarlos en una forma matemtica
prescrita, a saber,
1. La funcin objetivo (criterio econmico)
2. El modelo de proceso (restricciones)
La funcin objetivo representa los factores tales como beneficio, costo, energa, y
produccin en trminos de las variables claves del proceso que es analizado. El modelo
del proceso y las restricciones describen las correlaciones de las variables clave.
Caractersticas esenciales de los problemas de optimizacin

Debido a que la solucin de los problemas de optimizacin implica varias caractersticas
de las matemticas, la formulacin de un problema de optimizacin debe utilizar
expresiones matemticas. Tales expresiones no necesitan necesariamente ser muy
complejas. No todos los problemas se pueden indicar o analizar cuantitativamente, pero
restringiremos nuestra cobertura a los mtodos cuantitativos. Desde un punto de vista
prctico, es importante relacionar correctamente la declaracin del problema con una
tcnica de solucin anticipada.
Una variedad amplia de problemas de optimizacin tiene estructuras asombrosamente
similares. De hecho, es esta semejanza la que ha permitido el progreso reciente en las
tcnicas de optimizacin. Los ingenieros qumicos, ingenieros petroleros, fsicos,
qumicos e ingenieros de trfico, entre otros, tienen un inters comn en la misma
estructura matemtica del problema, cada uno con un diverso uso en el del mundo real.
Podemos hacer uso esta semejanza estructural para desarrollar un marco o una
metodologa dentro de la cual puede ser estudiado cualquier problema.
Cada problema de optimizacin contiene tres categoras esenciales:
1. Por lo menos una funcin objetivo que se optimizar (funcin beneficio, funcin
costo, etc.)
2. Restricciones de igualdad (ecuaciones)
3. Restricciones de desigualdad (desigualdades)
Las categoras 2 y 3 constituyen el modelo del proceso o del equipo; la categora 1 a
veces se llama el modelo econmico. Por solucin factible del problema de
optimizacin se quiere decir que se trata de un conjunto de variables que satisfacen las
categoras 2 y 3 al grado deseado de precisin.
GESR
Pasos para la solucin de problemas de optimizacin

1. Analizar el proceso para definir las variables de proceso y las caractersticas
especficas del inters; es decir, hacer una lista de todas las variables. Puede incluir un
diagrama o esquema.
2. Determinar el criterio de optimizacin (minimizar o maximizar), especificar la
funcin objetivo en trminos de las variables definidas en el paso 1 junto con los
coeficientes. Este paso proporciona el modelo de optimizacin (a veces llamado modelo
econmico cuando sea apropiado).
3. Con expresiones matemticas, desarrolle un modelo vlido del proceso o del equipo
que relacione las variables de entrada-salida del proceso y los coeficientes asociados.
Incluir las restricciones de igualdad y desigualdad. Utilizar principios fsicos bien
conocidos (balances de masa, balances de energa), relaciones empricas, conceptos
implcitos y restricciones externas. Identificar las variables independientes y
dependientes para obtener el nmero de grados de libertad.
4. Si la formulacin del problema es demasiado grande en alcance:
(a) Divida el problema en partes manejables o,
(b) simplifique la funcin objetivo y el modelo.
5. Aplique una tcnica de optimizacin adecuada a la declaracin matemtica del
problema.
6. Compruebe las respuestas y examine la sensibilidad del resultado a los cambios en
los coeficientes del problema y las suposiciones.
Ejemplo 1
Se desea enfriar un gas [Cp=0.3 Btu/(lb F)] de 195 a 90 F, usando agua de
enfriamiento a 80 F. Los costos del agua son $0.20/1000 pies3 y los cargos fijos
anuales para el intercambiador son $0.50/pie2 de superficie interna, con un dimetro de
0.0875 pies. El coeficiente de transferencia de calor es U=8 Btu/(h pie2 F) para un
gasto msico de gas de 3000 lb/h. Grafique los costos anuales del agua de enfriamiento
y los cargos fijos del intercambiador como una funcin de la temperatura del agua de
salida. Cul es el costo total mnimo?
Solucin:
Paso 1.
Suposicin: Intercambiador de calor de un solo paso por tubos y un solo paso por
coraza en contracorriente y sin cambio de fase.
El perfil de temperatura es:
GESR
195F
T0
90F
80F
0.20 $
1000 pies 3
$
C fijos = 0.50
pie 2 ao
lb
m gas = 300
h
Btu
Cp gas = 0.3
lb F
Btu
U =8
h pie 2 F
C agua =
Paso 2.
Minimizar Costos totales como una funcin de la temperatura del agua de salida.
Costostotales = f (T0 ) =
$
ao
Paso 3.
Sumar todos los costos y dejarlos en $/ao. Para eso se necesita las ecuaciones que
describen el proceso:
Suposiciones: Prdidas de calor despreciables
Se laboran 365 das al ao, 24 horas al da.
lb
Btu
, agua = 62.4
Cp agua = 1
pie 3
lb F
Q = magua cpagua (T0 80)

Q = m gas cp gas (195 90)
Q = UATml
Tml =
(195 T0 ) (90 80)

(195 T0 )
ln
(90 80)
GESR
Los costos son:

0.20 $ 1 pie 3
$
lb (24)(365)h
=
magua
3
1000 pies agua lb
h
ao
ao
$
$
= 0.50
( A pies 2 ) =
2
pie ao
ao
C agua =
C fijos
Donde:
magua =
A=
m gas cp gas (195 90) (3000)(0.3)(195 90) lb

Q
=
=
=
cpagua (T0 80)
cpagua (T0 80)
h
(1)(T0 80)
Q
=
UTml
(3000)(0.3)(195 90)
= pies 2
(195 T0 ) (90 80)

(8)
ln (195 T0 )
(90 80)
Paso 4.
No hay nada que simplificar
Paso 5.
Una tcnica de solucin, es derivar la funcin objetivo en trminos de la variable T0.
Igualar a cero y encontrar la solucin.
dCtotal
=
dT0
T0 = 120.5 F
Ctotal = 249.40
$
ao
Paso 6.
Para comprobar la solucin, se puede graficar.
GESR
Ejemplo 2
Un compuesto orgnico se produce en un proceso por lotes donde no se obtiene ningn
producto hasta que se termine el procesamiento del lote. Cada ciclo consiste de un
tiempo de operacin necesario para completar la reaccin ms un tiempo adicional de
1.4 h requeridas para descarga y carga. El tiempo de operacin por ciclo es igual a
1.5P0.25, donde P son los kilogramos de producto producido por lote. Los costos de
operacin durante el periodo de operacin son $20 por hora, mientras que los costos
durante el periodo de descarga-carga son $15 por hora. Los costos fijos anuales (Cf) del
equipo, varan con el tamao del lote de la siguiente forma:
$
C f = 340 P 0.8
ao
Los cargos por almacenamiento e inventario se pueden despreciar. De ser necesario

asuma que la planta puede operar 24h/da por 300 das/ao. La produccin anual es 106
kg de producto. A esta capacidad, los costos de las materias primas y miscelneas,
diferentes a los ya mencionados, son de $260 000 por ao. Determine el tiempo del
ciclo para obtener el mnimo costo anual total.
Paso 1.
h
1.4 muerto
ciclo
hoperacin
1.5P0.25
ciclo
Kg producto
P
ciclo
tiempo para descarga y carga.

tiempo de operacin por ciclo (se asume en horas)
kilogramos de producto producido por lote (1 lote por cada
ciclo)
GESR
$
20
hoperacin
Costo durante el periodo de operacin
$
15
hmuerto
Costo durante el periodo de descarga-carga
$
C f = 340 P 0.8
ao
Costos fijos anuales
Kg producto
106
ao
Produccin anual
$
260 000
ao
Costos de las materias primas y miscelneas
De ser necesario asuma que la planta puede operar 24h/da por 300 das/ao.
Paso 2.
Minimizar los costos totales anuales en funcin de la nica variable P.
Costostotales = f ( P) =
$
ao
Paso 3.
Convertir todos los costos a $/ao y despus sumarlos.
Costo durante el periodo de operacin,
20 $ 1.5P 0.25 operacin 1 ciclo 10 6 Kg = $
ciclo P Kg
ao ao
operacin
Costo durante el periodo de descarga-carga,
$ hmuerto 1 ciclo 6 Kg $
15
1.4
10
h
ciclo P Kg
ao ao
muerto
El costo total es,
Paso 4.
No hay nada que simplificar
GESR
Paso 5.
Una tcnica de solucin, es derivar la funcin objetivo en trminos de la variable P.
Igualar a cero y encontrar la solucin.
dCtotal
=
dP
P = 1625.840
Ctotal =
Kg
ciclo
$
ao
El tiempo de cada ciclo es,
1.4 + 1.5P 0.25 = 1.4 + 1.5(1625.84) 0.25 = 10.9
h
ciclo
El tiempo total al ao es,
h 1 ciclo 6 Kg 10.9 10 6
h
10
= 6704.2
=
10.9
ciclo P Kg
ao
ao 1625.84
El tiempo total disponible es de (24)(300)=7200 h/ao, es decir, a condiciones ptimas

no se requerir todo el tiempo disponible de operacin.
Paso 6.
Para comprobar la solucin, se puede graficar.
10
GESR
Mtodos analticos [2]

Derivacin Univariable
Primera derivada. Es la pendiente de una recta y se define como:
f ' ( x) = lim
h0
f ( x + h) f ( x )
h
Para una funcin dada f (x) , la pendiente en un punto estacionario (punto mnimo,
mximo o de inflexin) es cero.
f (x)
Mximo
f ' ( x) = 0
Inflexin
f ' ( x) = 0
Mnimo
f ' ( x) = 0
(x)
Segunda derivada. Sigue siendo una pendiente, pero su significado es diferente.

La serie de Taylor, es una serie infinita que puede representar una funcin como:
f ( x) = f ( x 0 ) + f ' ( x0 )( x x0 ) + f ' ' ( x0 )

Donde:
( x x0 ) 2
( x x0 ) n
+ L + f ( n) ( x0 )
2!
n!
x0 es un punto estacionario
x es un punto alrededor de x0
Si la serie se trunca hasta el tercer trmino,

0 (en un punto estacionario)
( x x0 ) 2
f ( x) = f ( x 0 ) + f ' ( x0 )( x x0 ) + f ' ' ( x0 )
2!
( x x0 ) 2
f ( x) = f ( x 0 ) + f ' ' ( x 0 )
2!
11
GESR
Se despeja f ' ' ( x0 ) ,

f ' ' ( x0 ) =
2!( f ( x ) f ( x0 ) )
( x x0 ) 2
En est ltima ecuacin, el trmino f ( x) f ( x0 ) vara de signo, los otros trminos son
siempre positivos.
Para un mnimo
f (x)
f ( x)
Como f ( x) > f ( x0 ) :
f (x)
f ( x) f ( x0 ) siempre es positivo
f ( x0 )
f ' ' ( x0 ) > 0 es un mnimo

x
x0
(x)
Para un mximo
f ( x)
f ( x0 )
Como f ( x) < f ( x0 ) :
f ( x)
f ( x)
f ( x) f ( x0 ) siempre es negativo
f ' ' ( x0 ) < 0 es un mximo
x
x0
( x)
12
GESR
El resultado anterior se puede generalizar.

Si el orden de la derivada es un nmero par (n):
Si f(n)(xopt)>0 se trata de un mnimo
Si f(n)(xopt)<0 se trata de un mximo
Si f(n)(xopt)=0 se necesita de una derivada de orden mayor para definirlo
Si el orden de la derivada es un nmero impar (m):
Si f(m)(xopt)>0 se trata de un punto de inflexin
Si f(m)(xopt)<0 se trata de un punto de inflexin
Si f(m)(xopt)=0 se necesita de una derivada de orden mayor para definirlo
Ejemplo 1
x4 x2
. Decir de qu tipo se trata.
Encontrar el punto estacionario de la funcin f (x) =
2
2
Solucin:
La primera derivada de la funcin es,
f ' ( x) = 2 x 3 x = 0
La solucin de la ecuacin anterior es,
x=0
x=+ 12
x= 12
Hasta el momento se sabe que existen 3 puntos estacionarios, pero no se puede decir si
se trata de un punto mnimo, mximo o de inflexin.
La segunda derivada de la funcin es,
f ' ' ( x) = 6 x 2 1
Se evala cada punto estacionario y se obtiene,
f ' ' ( x = 0) = 1
f ' ' ( x0 ) < 0 Se trata de un mximo
f ''(x = + 1 2) = 2
f ' ' ( x0 ) > 0 Se trata de un mnimo
f ''(x = 1 2) = 2
f ' ' ( x0 ) > 0 Se trata de un mnimo
En la siguiente grafica se pueden ver los puntos estacionarios de la funcin.
13
GESR
Ejemplo 2
Encontrar el punto estacionario de la funcin f(x)=x5. Decir de qu tipo se trata.
Solucin:
La primera derivada es,
f(x)=5x4=0
La solucin de la ecuacin anterior es x=0.
La segunda derivada de la funcin es,
f(x)=20x3
f(x=0)=0 Se necesita de una derivada de orden mayor
La tercera derivada de la funcin es,
f(3)(x)=60x2
f(3)(x=0)=0 Se necesita de una derivada de orden mayor
La cuarta derivada de la funcin es,
f(4)(x)=120x
f(4)(x=0)=0 Se necesita de una derivada de orden mayor
La quinta derivada de la funcin es,
f(5)(x)=120
f(5)(x=0)=120 como el orden de la derivada es impar (m=5), se trata de un
punto de inflexin.
14
GESR
La grfica de la funcin es:
x=0
Punto de inflexin
15
GESR
Derivacin Multivariable
Gradiente
El gradiente es la derivada parcial de una funcin respecto a cada una de las variables
independientes:
f
x
1
f
f ( x1 , x2 ,L, xn ) = x2
M
f
xn
Para una funcin dada f ( x1 , x2 ,L, xn ) , su gradiente en un punto estacionario (mnimo,
mximo u otro) es cero.
Por ejemplo, para la funcin:
f ( x, y ) = ( x 2) 2 + ( y 1) 2
Su gradiente es:
f
f ( x , y ) =
x
f
T
= [2( x 2) 2( y 1)]
Su gradiente representa la pendiente de un plano. En el punto mnimo de la funcin, la

pendiente de este plano respecto al eje x y y es cero
f(x, y)
f ( x, y )
x
plano
Hessiano
La serie de Taylor se puede usar para desarrollar el criterio de un mnimo o un mximo
de una funcin de dos variables,
( x x0 ) 2
f ( x, y ) = f ( x0 , y0 ) + f x ( x0 , y0 )( x x0 ) + f y ( x0 , y0 )( x x0 ) + f xx ( x0 , y0 )
+
2!
( x x0 )( y y0 )
( y y0 ) 2
+ f xy ( x0 , y0 )
+ f yy ( x0 , y0 )
+L
2!
2!
16
GESR
Donde los subndices x,y indican diferenciacin parcial respecto a aquellas

variables.
Si truncamos la serie de Taylor hasta los trminos de segundo orden y puesto que las
primeras derivadas evaluadas en el punto estacionario (x0, y0) son cero:
0
0
( x x0 ) 2
f ( x, y ) = f ( x0 , y0 ) + f x ( x0 , y0 )( x x0 ) + f y ( x0 , y0 )( x x0 ) + f xx ( x0 , y0 )
+
2!
( x x0 )( y y0 )
( y y0 ) 2
+ f xy ( x0 , y0 )
+ f yy ( x0 , y0 )
2!
2!
f ( x, y ) = f ( x0 , y0 ) + f xx ( x0 , y0 )
( x x0 ) 2
( x x0 )( y y0 )
( y y0 ) 2
+ f xy ( x0 , y0 )
+ f yy ( x0 , y0 )
2!
2!
2!
En forma matricial,
f ( x, y ) = f ( x0 , y 0 ) +
f
1
[( x x0 ) ( y y0 )] xx
2
f yx
f xy ( x x0 )
f yy ( y y 0 )
Donde:
f xx f xy
es la matriz de segundas derivadas parciales evaluada en el
f yx f yy
punto estacionario (x0, y0), a esta matriz se le llama matriz Hessiana.
Para una funcin de n variables, la matriz Hessiana se puede escribir como,
2 f
2
2x1
f
x x
2
1
H = 2 f
x3x1
M
2
f
xn x1
2 f
x1x2
2 f
x22
2 f
x3 x2
M
2 f
xn x2
2 f
x1x3
2 f
x2 x3
2 f
x32
M
2 f
xn x3
2 f
x1xn
2 f
L
x2 xn
2 f
L
x3 xn
M
M
2
f
L
xn2
L
r
f ( x0 ) es un mnimo si:
H0 tiene determinantes Di > 0 donde i = 1, 2, , n
(H0 se denomina positiva definida)
r
f ( x0 ) es un mximo si:
H0 tiene determinantes Di < 0 para i = 1, 3, , impares y
H0 tiene determinantes Di > 0 para i = 2, 4, , pares
(H0 se denomina negativa definida)
Donde: i, representa el tamao de la matriz H0 (filas y columnas)
17
GESR
Si el resultado es cero para cualquier valor de Di, se dice que la matriz es semi-definida
positiva o semi-definida negativa, no se puede definir si se trata de un mnimo o un
mximo y por lo tanto se requiere de una derivada de orden mayor para definirlo.
Ejemplo 1
Para una funcin de dos variables: f ( x, y ) = ( x 2) 2 + ( y 1) 2 . Encontrar los puntos
estacionarios y decir si se trata de un mnimo, un mximo o que no se pueda definir
como tal.
Su gradiente es:
f
f x 2( x 2)
f ( x, y ) = fx = =
f y 2( y 1)
y
En el punto estacionario, el gradiente es cero:
f x = 2( x 2) = 0
f y = 2( y 1) = 0
La solucin del sistema de ecuaciones anterior es:
x0 = 2
y0 = 1
Las derivadas parciales del gradiente, se vuelven a derivar para formar la matriz
Hessiana, es decir:
f x
x
H=
f y
x
f x (2( x 2))
y
x
=
f y (2( y 1))
x
y
(2( x 2))
2 0
y
=
(2( y 1)) 0 2
Evaluada en el punto estacionario x0 = 2, y0 = 1
2 2
H0 =
2 2
La matriz Hessiana es de tamao i=2, se calcula la determinante de la matriz H0 de
tamao (1 x 1) y de (2 x 2), como:
18
GESR
D1 = 2
D2 =
2 0
0 2
=2
Como D1 >0 y D2 >0, la matriz H0 es positiva definida, por lo tanto se trata de un

mnimo.
f ( x0 = 2, y0 = 1) = 0
Ejemplo 2
Para la siguiente funcin:
. Encontrar los puntos

estacionarios y decir si se trata de un mnimo, un mximo o que no se pueda definir
como tal.
Su gradiente es:
f

f ( x, y ) = fx =

y
0
=
0
19
GESR
Hessiana:
En el punto 1:
H0 =
D1 =
D1 =
D2 =
D2 =
Como D1 =0 y D2 <0, no se trata ni de un mnimo, ni de un mximo, se necesitan de

derivadas de orden mayor para definirlo.
f ( x0 = 0, y0 = 0) = 3
En el punto 2:
H0 =
D1 =
D1 =
D2 =
D2 =
Como D1 >0 y D2 >0, se trata de un mnimo.
f ( x0 = 0.6541, y0 = 0.91618) = 2.3611

20
GESR
Ejemplo 3
Para la siguiente funcin:
. Encontrar los
puntos estacionarios y decir si se trata de un mnimo, un mximo o que no se pueda
definir como tal.
Su gradiente es:
f x
f ( x, y ) = f y =
f z

0
= 0
0
Hessiana:
21
GESR
En el punto estacionario:
H0 =
D1 =
D1 =
D2 =
D2 =
D3 =
D3 =
Como D1 >0, D2 <0 y D3 <0 no se trata ni de un mnimo, ni de un mximo, se necesitan
de derivadas de orden mayor para definirlo.
22
GESR
Multiplicadores de Lagrange
Se aplica a problemas de optimizacin multivariable con restricciones de igualdad y
desigualdad
Ejemplo 1
Optimizar:
f ( x1 , x2 ) = x1 + x2
Sujeto a:
h( x1 , x2 ) = x12 + x22 1 = 0
En tercera dimensin, el problema se ve como:
El plano inclinado es la funcin

objetivo a optimizar que corta al
cilindro que es la restriccin.
Si se ve desde arriba, obtendremos una grfica que se llama de contornos
f = 1.4142
f = 0.7000
Cada recta representa un valor

constante de f ( x1 , x2 ) y el valor
ptimo debe estar sobre el crculo
(porque es una restriccin de
igualdad).
f = 0.0000
f = -0.7000
f = -1.4142
De la grfica anterior se puede ver que el problema tiene dos valores ptimos, un
mnimo
en
f ( x1 = 0.7071, x2 = 0.7071) =-1.4142
y
un
mximo
en
f ( x1 = 0.7071, x2 = 0.7071) = 1.4142.
23
GESR
Slo en un punto estacionario, los vectores h y f

vectorialmente, en este caso:
se pueden relacionar
f
f = h
f
h
El valor y signo de la variable (llamada multiplicador de Lagrange) no tiene ningn

significado cualitativo, solo relaciona el gradiente de la funcin objetivo con el
gradiente de las restricciones de igualdad.
Resolviendo el problema por multiplicadores de Lagrange.
La restriccin se iguala acero y la funcin L es:
Se calcula el gradiente de L y cada una de las ecuaciones se iguala a cero:
Resolviendo el sistema de ecuaciones anterior, la solucin es:
Solucin 1 Solucin 2
24
GESR
Cuando existen restricciones de desigualdad que llegan a formar parte de la solucin, es

decir, desigualdades que se convierten en igualdades, los multiplicadores de Lagrange
se conoce como condiciones de Kuhn-Tucker o Karush- Kuhn-Tucker.
Hasta el momento no se puede definir si se trata de un mnimo o un mximo. Para eso
se tendran que calcular las condiciones de segundo orden.
Ejemplo 2
Optimizar:
f = x + 2y2 + z2
Sujeta a:
x + y + z =1
x y = -2
Las restricciones se igualan acero y la funcin L es:
Se calcula el gradiente de L y cada una de las ecuaciones se iguala a cero:
Resolviendo el sistema de ecuaciones, la solucin es:
25
GESR
Mtodos numricos [2]

Fibonacci
El mtodo de Fibonacci es considerado como uno de los mejores mtodos para
optimizacin univariable.
A partir de un intervalo de solucin dado (a, b), el mtodo de Fibonacci reduce ste
intervalo calculando dos puntos intermedios simtricos (x1, x2), la funcin objetivo f(x)
se evala en estos dos puntos; Para minimizar se elimina el punto con el mayor valor de
f(x) y para maximizar se elimina el punto con el menor valor de f(x)); el proceso de
eliminacin se repite hasta un nmero determinado de intervalos.
f(x2)
f(x1)
a
x1
x2
Para la siguiente
iteracin este intervalo
se elimina
En la grfica de abajo se muestra un ejemplo del mtodo de Fibonacci. Se realizan 4

iteraciones con 5 intervalos calculados. Se supone que el punto b no cambia.
26
GESR
1
Iteracin 1
1 = 2 + 3
a
x1
x2
b
2
Iteracin 2
2 = 3 + 4
x1
x2
x3
3
Iteracin 3
3 = 4 + 5
x2
Iteracin 4

5 = 4 +
2 2
x3 x4
4
5
x3 x4 x5 b
En la ltima iteracin 4, si es muy pequeo 0 .
5 =
4
2
Despejando 4 y sustituyendo de la iteracin 4 hasta la iteracin 1,
4 = 2 5
3 = 4 + 5 = 2 5 + 5 = 3 5
2 = 3 + 4 = 3 5 + 2 5 = 5 5
27
GESR
1 = 2 + 3 = 5 5 + 3 5 = 8 5
Igualando el intervalo 5 de la iteracin 1 y la iteracin 2,
5 = 1 = 2
8
5
En la iteracin 1,
1 = (b a )
2 = (b x1 )
2 = ( x2 a )
(b a) (b x1 )
=
8
5
(b a) ( x2 a)
=
8
5
x2 = a +
x1 = b
5(b a)
8
5(b a)
8
Si se realizarn n iteraciones,
x1 = b
x2 = a +
Donde:
=
m
fm
0
0
1
1
2
1
3
2
4
3
5
5
6
8
fm
f m +1
7
13
(b a )
8
21
9
34
10
55
m
f m = f m1 + f m2
m: es el nmero de intervalos calculados, m=n+1

n: es el nmero de iteraciones
Ejemplo
Maximizar:
Intervalo inicial:
Iteraciones:
y = 3 + 6x 4x 2
a=0, b=1
n = 4 (m=n+1=5 intervalos)
Solucin:
Con m= 5 intervalos, f 5 = 5 y f 6 = 8
28
GESR
5
= (1 0) = 0.625
8
Iteracin 1
a=0
x1 = b = 1.0 0.625 = 0.375
x2 = a + = 0.0 + 0.625 = 0.625
f 1 = f ( x1 = 0.375) = 4.6875
f 2 = f ( x 2 = 0.625) = 5.1875
b=1
f1 < f 2
Se elimina el punto a=0
El nuevo intervalo es:

a=0.375 < x < b=1.0
= (1.0 0.625) = 0.375
Iteracin 2
a=0.375
x1 = 0.625
x 2 = a + = 0.375 + 0.375 = 0.750
b=1
f1 = 5.1875
f 2 = f ( x 2 = 0.750) = 5.2500
f1 < f 2
Se elimina el punto a=0.375

a=0.625 < x < b=1.0
= (1.0 0.750) = 0.250
Iteracin 3
a=0.625
x1 = 0.750
f1 = 5.2500
x 2 = a + = 0.625 + 0.250 = 0.875

f 2 = f ( x 2 = 0.875) = 5.1875
f1 > f 2
Se elimina el punto b=1.0
b=1.0

a=0.625 < x < b=0.875
= (0.750 0.625) = 0.125
Iteracin 4
a=0.625
x1 = b = 0.875 0.125 = 0.750

f1 = f ( x1 = 0.750) = 5.2500
f1 = f 2
x2 = 0.750
f 2 = 5.2500
b=0.875
La solucin es x= 0.750
29
GESR
Seccin dorada
El mtodo de seccin dorada es similar al mtodo de Fibonacci.
Iteracin 1
1 = 2 + 3
1 2
=
+1
3 3
x1
x2
b
2
Iteracin 2
2 = 3 + 4
2 3
=
+1
4 4
x1
x2
x3
3
Iteracin 3
3 = 4 + 5
3 4
=
+1
5 5
Iteracin 4
4 = 5 + 6
x2
x3 x4
4
6 5
4 5
=
+1
6 6
x3 x4 x5 b
De la grfica anterior, se puede obtener lo siguiente:
30
GESR
2 3 4 5
=
=
=
=
3 4 5 6
En la iteracin 2 tenemos,
( es una constante)
2 3
=
+1
4 4
Si dividimos y multiplicamos el lado izquierdo por 3 ,

2 3 3
=
+1
3 4 4
= + 1
2 1 = 0
En la iteracin 1,
2
=
3
1 = (b a )
2 = (b x1 )
2 = ( x2 a )
(b a )
=
(b x1 )
(b a )
=
( x2 a )
x2 = a +
x1 = b
(b a )
(b a)
Ejemplo
Minimizar
En el intervalo:
Iteraciones:
Tolerancia
f ( x) = 0.5 x exp( x 2 )
a=0, b=2
n=4
t=0.1
31
GESR
(b a)
(2 0)
= 1.2361
1.618
Iteracin 1
a=0
x1 = b = 2 1.2361 = 0.7639
x1 = a + = 0 + 1.2361 = 1.2361
f1 = f ( x1 = 0.7639) = 0.0738
f 2 = f ( x2 = 1.2361) = 0.2318
f1 < f 2
Se elimina el punto b=2
b=2
a=0 < x < b=1.2361

error = 1.2361 0 = 1.2361
= (0.7639 0) = 0.7639
Iteracin 2
a=0
x1 = b = 1.2361 0.7639 = 0.4721
x1 = 0.7639
b=1.2361
f1 = f ( x1 = 0.4721) = 0.1222
f 2 = 0.0738
f1 > f 2
Se elimina el punto a=0
a=0.4721 < x < b=1.2361

error = 1.2361 0.4721 = 0.7640
= (1.2361 0.7639) = 0.4722

Iteracin 3
a=0.4721
x1 = 0.7639
f1 = 0.0738
x1 = a + = 0.4721 + 0.4722 = 0.9443

f 2 = f ( x2 = 0.9443) = 0.1129
f1 < f 2
b=1.2361
a=0.4721 < x < b=0.9443

error = 0.9443 0.4721 = 0.4722
= (0.7639 0.4721) = 0.2918

Iteracin 4
a=0.4721
x1 = b = 0.9443 0.2918 = 0.6525

x1 = 0.7639
f1 = f ( x1 = 0.6525) = 0.0737
f 2 = 0.0738
f1 < f 2
b=0.9443
a=0.4721 < x < b=0.7639

error = 0.7639 0.4721 = 0.2918
32
GESR
Se cumplen las 4 iteraciones, pero no se cumple la tolerancia. El mejor punto obtenido

es x1=0.6525
Simplex [3]
El mtodo de mxima pendiente se aplica a problemas multivariables sin restricciones.
En geometra, un simplex o n-simplex es el anlogo en n dimensiones de un tringulo.
Por ejemplo, un 0-simplex es un punto; un 1-simplex un segmento de una lnea; un 2simplex un tringulo; un 3-simplex es un tetraedro; y un 4-simplex es un pentcoron.
En la optimizacin problemas multivariables, para resolver un problema de 2 variables
independientes necesitaremos un tringulo, para 3 variables un tetraedro, para 4
variables un pentcoron y as sucesivamente.
Por ejemplo, un simplex regular para 2 variables independientes es,
x2
centroide
3
x1
La funcin f ( x1 , x2 ) se evala en los puntos 1, 2 y 3, para minimizar se elimina el
punto que produzca el menor valor de f ( x1 , x2 ) (para maximizar se elimina el punto que
produzca el mayor valor de f ( x1 , x2 ) ). Si se elimina el punto 1, este punto se proyecta
al lado contrario para encontrar un nuevo punto 4. El proceso se repite hasta que ya no
sea posible minimizar ms la funcin.
De los textos de geometra analtica se puede demostrar que las coordenadas de los
vrtices de un simplex regular se pueden obtener de la siguiente tabla:
33
GESR
m puntos
n variables
2
3
x2
x3
d2 + x2 d2 + x3
d1 + x2 d2 + x3
d2 + x2 d1 + x3
M
M
d2 + x2 d2 + x3
1
2
3
4
M
m=n+1
1
x1
d1 + x1
d2 + x1
d2 + x1
M
d2 + x1
n + 1 + n 1
n + 1 1
Donde:
t
d1 =
n 2
t
d2 =
n 2
...
n
xn
d2 + xn
d2 + xn
d2 + xn
M
d1 + xn
t , es la distancia entre dos puntos del simplex (o bien, es la tolerancia)
Ejemplo 1
f ( x1 , x2 ) = ( x1 3) 2 + ( x2 4) 2
Minimizar:
Punto inicial: x1=0.5, x2=1.0
Tolerancia: t=0.1
Solucin:
El problema es de 2 variables independientes x1 y x2, se necesitan m=2+1=3 puntos.
d1 =
d2 =
t
n
(
2
t
n 2
0.1
2 + 1 + 2 1 = 0.0966
2 2
0.1
n + 1 1 =
2 + 1 1 = 0.02589
2 2
n + 1 + n 1 =
Punto
1
2
3
x1
0 .5
0.0966 + 0.5
0.0259 + 0.5
x2
1 .0
0.0259 + 1.0
0.0966 + 1.0
f(x1, x2)
15.2500
14.6218
14.5510
Tringulo
1, 2, 3
Para minimizar, se elimina el punto con el mayor valor de f ( x1 , x2 ) , en este caso es el

punto 1.
Punto
1
2
x1
0.5
0.5966
x2
1.0
1.0259
f(x1, x2)
15.2500
14.6218
Tringulo
34
GESR
0.5259
x1C =
1
n
1.0966
14.5510
1, 2, 3
Centroide:
[( x ) x ]
1
e
1
x2C =
1
n
[( x ) x ]
2
e
2
Donde el superndice c es para centroide y e es para eliminado
x1C =
1
[(0.5 + 0.5966 + 0.5259) 0.5] = 0.56125
2
x 2C =
1
[(1.0 + 1.0259 + 1.0966) 1.0] = 1.06125
2
Punto reflejado:
x1 = 2 x1C x1e
x2 = 2 x2C x2e
x1 = 2(0.56125) 0.5 = 0.6225
x2 = 2(1.06125) 1.0 = 1.1225
Como el valor de la funcin en el punto 4, es menor que el punto eliminado 1, el

proceso se repite de lo contrario se detiene.
Para minimizar, se elimina el punto con el mayor valor de f ( x1 , x2 ) , en este caso es el
punto 2.
Punto
1
2
3
4
x1
0.5
0.5966
0.5259
0.6225
x2
1.0
1.0259
1.0966
1.1225
f(x1, x2)
15.2500
14.6218
14.5510
13.9328
Tringulo
1, 2, 3
2, 3, 4
Centroide:
x1C =
1
[(0.5966 + 0.5259 + 0.6225) 0.5966] = 0.5742
2
x2C =
1
[(1.0259 + 1.0966 + 1.1225) 1.0259] = 1.10955
2
Punto reflejado:
x1 = 2(0.5742) 0.5966 = 0.5518
x2 = 2(1.10955) 1.0259 = 1.1932
35
GESR
Como el valor de la funcin en el punto 5, es menor que el punto eliminado 2, el

proceso se repite de lo contrario se detiene.
Se elimina el punto con el mayor valor de f ( x1 , x2 ) , en este caso es el punto 3.
Punto
1
2
3
4
5
x1
0.5
0.5966
0.5259
0.6225
0.5518
x2
1.0
1.0259
1.0966
1.1225
1.1932
f(x1, x2)
15.2500
14.6218
14.5510
13.9328
13.8721
Tringulo
1, 2, 3
2, 3, 4
3, 4, 5
La tabla completa de resultados es,

Punto
1
2
3
4
5
6
7
8
9
10
M
81
82
83
84
85
86
87
88
89
90
x1
0.5000
0.5966
0.5259
0.6225
0.5518
0.6484
0.5776
0.6742
0.6035
0.7001
M
2.7374
2.7632
2.6925
2.7891
2.8598
2.8857
2.8150
2.9116
2.9823
3.0082
x2
1.0000
1.0259
1.0966
1.1225
1.1932
1.2191
1.2898
1.3157
1.3864
1.4123
M
3.6616
3.7582
3.8289
3.8548
3.7841
3.8807
3.9514
3.9773
3.9066
4.0032
f(x1,x2)
15.2500
14.6218
14.5510
13.9328
13.8721
13.2638
13.2131
12.6149
12.5741
11.9859
M
0.1835
0.1145
0.1238
0.0655
0.0663
0.0273
0.0366
0.0083
0.0090
0.0001
Tringulo
1
4
4
4
7
7
7
10
M
81
81
83
83
85
85
87
87
89
89
2
2
5
5
5
8
8
8
M
80
80
80
84
84
84
84
88
88
88
3
3
3
6
6
6
9
9
M
78
82
82
82
82
86
86
86
86
90
En el punto 90, se obtiene el resultado final de:

x1 = 3.0082
x2 = 4.0032
f ( x1 = 3.0082, x2 = 4.0032) = 0.0001
36
GESR
Ejemplo 2
Minimizar:
f ( x1 , x 2 ) = ( x1 3) 2 + ( x2 4) 2 + ( x3 5) 2
Punto inicial: x1=0.0, x2=0.0, x3=0.0
Tolerancia: t=0.1
Solucin:
Punto
1
2
3
4
5
6
7
8
9
10
M
230
231
232
233
234
235
236
237
238
239
x1
0.0000
0.0943
0.0236
0.0236
0.0943
0.0000
0.0550
0.0759
0.1502
0.0931
M
2.9066
2.9671
2.9335
3.0006
3.0275
3.0073
2.9782
2.9185
3.0026
3.0736
x2
0.0000
0.0236
0.0943
0.0236
0.0943
0.1179
0.0629
0.1598
0.0934
0.1164
M
3.8418
3.8929
3.9353
3.8614
3.9513
3.9390
4.0224
3.9799
4.0256
4.0115
x3
0.0000
0.0236
0.0236
0.0943
0.0943
0.1179
0.1807
0.1676
0.1772
0.2561
M
4.8971
4.8361
4.9202
4.9249
4.8903
4.9875
4.9405
5.0085
5.0374
4.9685
f(x1,x2,x3)
50.0000
49.0201
48.8786
48.7372
47.7639
47.9065
47.3998
46.6496
46.6424
46.0372
M
0.0443
0.0394
0.0150
0.0249
0.0152
0.0039
0.0045
0.0071
0.0021
0.0065
1
1
1
1
5
5
5
5
5
10
M
229
229
229
233
233
233
236
236
236
236
Tetraedro
2
3
2
3
2
3
2
3
2
3
6
3
6
7
6
7
9
7
9
7
M
M
230 228
230 231
230 231
230 231
234 231
234 235
234 235
237 235
237 235
239 235
4
4
4
4
4
4
4
8
8
8
M
227
227
232
232
232
232
232
232
238
238
x1 = 3.0736
x2 = 4.0115
x2 = 4.9685
f ( x1 = 3.0736, x2 = 4.0115, x3 = 4.9685) = 0.0065
37
GESR
Nelder-Mead [4]
El mtodo de Nelder-Mead es una versin ms eficiente del mtodo simplex que
permite que las figuras geomtricas se reflejen agregando un coeficiente , se
contraigan con un coeficiente o se expandan con un coeficiente . El mtodo es muy
robusto para hacerlo manualmente, pero se implementa fcilmente en un cdigo de
computadora.
Los valores de los coeficientes , y recomendados por los autores del mtodo son:
=1
= 0.5
=2
Ejemplo 1
f ( x1 , x2 ) = ( x1 3) 2 + ( x2 4) 2
Minimizar:
Punto inicial: x1=0.5, x2=1.0
Tolerancia: t=0.1
Solucin:
Punto
1
2
3
4
5
6
7
8
9
x1
0.5259
0.7449
0.7519
1.4160
2.1010
2.1010
2.1010
2.1790
2.1790
x2
1.0970
1.2450
1.6050
2.4110
4.2980
4.2980
4.2980
4.1280
4.1280
f(x)
14.5500
12.6800
10.7900
5.0340
0.8971
0.8971
0.8971
0.6909
0.6909
error
0.3142
0.9012
1.5360
3.2500
4.0560
1.8680
0.1990
0.2410
0.0889

x1 = 2.1790
x2 = 4.1280
f ( x1 = 2.1790, x2 = 4.1280) = 0.6909
38
GESR
Ejemplo 2
Minimizar:
f ( x1 , x 2 ) = ( x1 3) 2 + ( x2 4) 2 + ( x3 5) 2
Punto inicial: x1=0.0, x2=0.0, x3=0.0
Tolerancia: t=0.1
Solucin:
iteracin
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
x1
0.0236
0.1886
0.1886
0.2959
0.6591
0.6591
1.6400
1.6400
3.2390
3.2390
3.2390
3.2390
3.2390
3.2390
3.2390
3.2390
3.2370
3.2370
3.2370
x2
0.0236
0.1886
0.1886
0.2409
0.7429
0.7429
1.5470
1.5470
3.5000
3.5000
3.5000
3.5000
3.5000
3.5000
3.5000
3.5000
3.6360
3.6360
3.6360
x3
0.0943
0.1886
0.1886
0.5474
0.9393
0.9393
2.6650
2.6650
5.3030
5.3030
5.3030
5.3030
5.3030
5.3030
5.3030
5.3030
5.4530
5.4530
5.4530
f(x)
48.7400
45.5800
45.5800
41.2700
32.5800
32.5800
13.3200
13.3200
0.3992
0.3992
0.3992
0.3992
0.3992
0.3992
0.3992
0.3992
0.3938
0.3938
0.3938
error
0.4958
1.4310
1.4320
2.7050
5.4930
5.4530
10.2900
9.8120
11.4800
6.1800
5.0450
1.4960
0.6770
0.5322
0.4255
0.1239
0.1386
0.1132
0.0095
x1 = 3.2370
x2 = 3.6360
x2 = 5.4530
f ( x1 = 3.2370, x2 = 3.6360, x3 = 5.4530) = 0.3938
39
GESR
Mxima Pendiente [1]

El mtodo de mxima pendiente se aplica a problemas multivariables sin restricciones.
r
r
Para una funcin objetivo de la forma: f = f (x ) donde x es un vector. El
procedimiento de clculo es el siguiente:
r1
Paso 1. Estimar un punto inicial [x ]
r
Paso 2. Calcular el gradiente de la funcin f ( x ) = [f x1 f x2 L f xn ]
r1
Paso 3. Sustituir el punto inicial [x ] en:
[xr ]n +1 = [xr ]n [f ( xr )]n
Donde n = 1, 2 , , nmero mximo de iteraciones
r n +1
rn
r n
Paso 4. Sustituir [x ] en la funcin objetivo: f = f ([x ] [f ( x )] ) = f ( )
Paso 5. Minimizar la funcin f ( ) y sustituir
Paso 6. Repetir pasos 3 a 5 hasta cumplir la tolerancia o un nmero mximo de
iteraciones.
Ejemplo 1
Minimizar:
Punto inicial
Nmero mximo de iteraciones:
Tolerancia:
f = f (x, y ) = ( x 2) 2 + ( y 6) 2
x=0.5, y=0.8
5
0.01
Solucin:
Se calcula el gradiente de la funcin objetivo:
f
= 2( x 2)
x
f
= 2( y 6)
x
Calcular un nuevo punto (x, y):

f
= x (2( x 2))
x
f
y = y
= y (2( y 6))
y
x = x
Iteracin 1
Se hace la sustitucin del punto inicial en el sistema de ecuaciones,
40
GESR
Se sustituye en la funcin objetivo, se deriva respecto a y se obtiene el valor de ,
Se sustituye y se obtiene un nuevo punto inicial,
El error es,
Iteracin 2
Se hace la sustitucin del punto inicial,
Como ya no aparece la variable , se termina y el valor final es,
El error es,
Los resultados se resumen en la siguiente tabla,
Iteracin
0
1
2
x
0.5
2.0
2.0
y
0.8
6.0
6.0
f(x, y)
29.29
0
0
error=mxxn+1-xn
5.2
0
41
GESR
Ejemplo 2
Minimizar:
Punto inicial
Nmero mximo de iteraciones:
Tolerancia:
f = f ( x, y , z ) = 2 x 2 + y 2 + 3 z 2
x=2, y= -2, z= 1
5
0.5
Se calcula el gradiente de la funcin objetivo:
f
= 4x
x
f
= 2y
x
f
= 6z
z
Calcular un nuevo punto (x, y, z):
f
= x (4 x)
x
f
y = y
= y (2 y )
y
f
z = z
= z (6 z )
z
x = x
Iteracin 1
42
GESR
El error es,
Iteracin 2
El error es,
43
GESR
Iteracin 3
El error es,
Los resultados se resumen en la siguiente tabla,

Iteracin
0
1
2
3
x
2
0.15873
0.00424
-0.00011
y
-2
-1.07937
-0.55409
-0.26956
z
1
-0.38095
0.17522
-0.09471
f(x, y) error=mxxn+1-xn
15
1.65079
1.8412
0.39916
0.55617
0.09957
0.28453
44
GESR
Programacin lineal [1,2]

En este mtodo, la palabra programacin significa optimizacin y no a la generacin de
un cdigo de computadora. Un problema de programacin lineal involucra la
optimizacin de una funcin objetivo lineal sujeta a restricciones de igualdad y
desigualdad, que tambin son lineales.
Los mtodos utilizados para resolver un problema de programacin lineal son:
Grfico, solo aplicable a problemas de 2 variables independientes.
Simplex, aplicable a problemas de 2 o ms variables independientes.
Punto interior, aplicable a problemas de 2 o ms variables independientes.
Mtodo grfico.
Ejemplo
Maximizar:
f = x1 + 3x2
Sujeto a:
x1 + x2 1
x1 + x2 2
x1 + x2 1
x1 0, x2 0
(1)
(2)
(3)
Solucin:
Graficar
Se grafican las restricciones que son rectas (para graficar una recta se necesitan dos
puntos):
Para la restriccin 1: x1 + x2 1 , se toma como igualdad, x1 + x2 = 1
Si x1=0, entonces x2=-1, punto 1 (x1,x2)=(0,1)
Si x2=0, entonces x1=1, punto 2 (x1,x2)=(-1,0)
Si x1=0, entonces x2=2, punto 1 (x1,x2)=(0,2)
45
GESR
x2
x1 + x2 2
x1 + x2 1
x1 + x2 1
1
-1
x1
Regin factible
Se toma un punto de referencia, por ejemplo el origen que tiene coordenadas
(x1,x2)=(0,0). Se sustituye en cada una de las restricciones:
x1 + x2 1 : 0 + 0 1 , 0 1 Verdadero
x1 + x2 2 : 0 + 0 2 , 0 2 Verdadero
x1 + x2 1 : 0 + 0 1 , 0 1 Falso
x1 0 , x2 0 indican el primer cuadrante
La regin factible de cada recta apunta hacia el punto de referencia, en este caso, si el
resultado es verdadero hacia el origen, si es falso hacia el lado opuesto del origen.
x2
x1 + x2 2
x1 + x2 1
x1 + x2 1
1
-1
x1
46
GESR
Se seala la regin factible que satisface a todas las restricciones. Es la regin, cuyos
lados sealan todos hacia adentro.
x2
x1 + x2 2
x1 + x2 1
x1 + x2 1
1
-1
x1
Punto ptimo
Se evalan las coordenadas de c/u de las esquinas de la regin factible
x2
x1 + x2 2
x1 + x2 1
x1 + x2 1
1
-1
Punto
A
B
C
D
x1
0.5000
0.000
2.000
1.000
x2
1.500
1.000
0.000
0.000
x1
f(x1,x2)
5.000
3.000
2.000
1.000
El punto con el mayor valor de f(x1, x2) es el punto A.
47
GESR
Mtodo Simplex
Ejemplo
Maximizar:
Sujeto a:
f = x1 + 3x2
x1 + x2 1
x1 + x2 2
x1 + x2 1
x1 0, x2 0
(1)
(2)
(3)
Las variables de la funcin objetivo y las restricciones se pasan al lado izquierdo,

dejando las constantes del lado derecho.
f x1 3 x 2 = 0
x1 + x 2 1
x1 + x2 2
x1 + x2 1
x1 0, x2 0
Las desigualdades se convierten a igualdades, agregando una variable de holgura

positiva por cada restriccin.
Por ejemplo, si tuviramos la desigualdad 3 5 , tenemos dos opciones para convertirla
a igualdad agregando el nmero positivo 2.
Opcin 1:
Opcin 2:
3+ 2 = 5
3= 52
sumar del lado menor

restar del lado mayor
Para nuestro problema,

f x1 3 x 2 = 0
x1 + x2 + x3 = 1
x1 + x 2 + x 4 = 2
x1 + x2 x5 = 1
x1 0, x2 0, x3 0, x4 0, x5 0
Se hace una tabla con los coeficientes de la funcin objetivo y las restricciones,
Tabla 1
E1
E2
E3
E4
x1
x2
x3
x4
x5
1
0
0
0
-1
-1
1
1
-3
1
1
1
0
1
0
0
0
0
1
0
0
0
0
-1
0
1
2
1
48
GESR
Solucin parcial
Variables bsicas. Una variable es bsica si tiene solamente un coeficiente diferente de
cero y su valor es la divisin de la constante b entre el coeficiente.
Variables no bsicas. Una variable es no bsica si tiene ms de un coeficiente diferente
de cero y su valor es cero.
1
2
1
= 1
Bsicas: x3 = = 1 , x4 = = 2 , x5 =
1
1
1
No bsicas: x1 = 0 , x 2 = 0
El valor de la funcin objetivo es f ( x1 = 0, x 2 = 0) = 0 (valor en la esquina superior
derecha de la tabla)
Pivote
Columna pivote. En el primer rengln (funcin objetivo), se elige el menor nmero
negativo. Si no hay negativos, se detiene el proceso iterativo.
Rengln pivote. Se divide la constante b entre su respectivo coeficiente de la columna
pivote. Se elige el menor nmero positivo diferente de cero.
El pivote es la interseccin de la columna pivote y el rengln pivote.
x1
x2
x3
x4
x5
1
0
0
0
-1
-1
1
1
-3
1
1
1
0
1
0
0
0
0
1
0
0
0
0
-1
0
1
2
1
1/1= 1
2/1= 2
1/1= 1
Eliminacin
Se hacen ceros los coeficientes arriba y abajo del pivote. El modo de eliminacin es:
Ecuacin = Ecuacin (nmero a eliminar/ pivote) Ecuacin pivote
x1
x2
x3
x4
x5
E1=E1-(1/-3)E2
1-(-3/1)0
-1-(-3/1)-1
-3-(-3/1)1
0-(-3/1)1
0-(-3/1)0
0-(-3/1)0
0-(-3/1)1
E2=E2
E3=E3-(1/1)E2
E4=E4-(1/1)E2
-1
0-(1/1)0
1-(1/1)-1
1-(1/1)1
0-(1/1)1
1-(1/1)0
0-(1/1)0
2-(1/1)1
0-(1/1)0
1-(1/1)1
1-(1/1)1
0-(1/1)0
0-(1/1)1
-1-(1/1)0
1-(1/1)2
49
GESR
Tabla 2
E1
E2
E3
E4
x1
x2
x3
x4
x5
1
0
0
0
-4
-1
2
2
0
1
0
0
3
1
-1
-1
0
0
1
0
0
0
0
-1
3
1
1
0
Solucin parcial
1
1
0
x 2 = = 1 , x 4 = = 1 , x5 =
=0
1
1
1
x1 = 0 , x3 = 0
f ( x1 = 0, x 2 = 1) = 3
Bsicas:
No bsicas:
El valor de la funcin objetivo es:
Pivote
x1
x2
x3
x4
x5
1
0
0
0
-4
0
1
0
0
3
1
-1
-1
0
0
1
0
0
0
0
-1
3
1
1
0
-1
2
2
1/-1= -1
1/2= 0.5
0/2= 0
Eliminacin
E1=E1-(-4/2)E3
E2=E2-(-1/2)E3
E3
E4=E4-(2/2)E3
x1
x2
x3
x4
x5
1-(4/2)0
-4-(4/2)2
0-(4/2)0
3-(4/2)-1
0-(4/2)1
0-(4/2)0
3-(4/2)1
0-(-1/2)0
-1-(-1/2)2
1-(-1/2)0
1-(-1/2)-1
0-(-1/2)1
0-(-1/2)0
1-(-1/2)1
-1
0-(2/2)0
2-(2/2)2
0-(2/2)0
-1-(2/2)-1
0-(2/2)1
-1-(2/2)0
0-(2/2)1
Tabla 3
x1
x2
x3
x4
x5
1
0
0
0
0
0
2
0
0
1
0
0
1
0.5
-1
0
2
0.5
1
-1
0
0
0
-1
5
1.5
1
-1
Solucin final (porque ya no hay nmeros negativos en el primer rengln)

1
1.5
1
x1 = = 0.5 , x2 =
= 1.5 , x5 =
=1
Bsicas:
2
1
1
x3 = 0 , x 4 = 0
No bsicas:
f ( x1 = 0.5, x2 = 1.5) = 5
El valor de la funcin objetivo es:
50
GESR
Programacin geomtrica [2]

La programacin geomtrica se aplica a polinomios.
Ejemplo de polinomios con trminos positivos

Minimizar:
P
W = 2
100
0.286
P
+ 3
P2
0.286
1000
+
P3
0.286
Es recomendable que las variables y constantes que estn dividiendo, pasen del
denominador al numerador.
W = 100 0.286 P2
+ P2
0.286
0.286
P3
0.286
+ 1000 0.286 P3
0.286
A cada sumando se le divide por una variable wi y esta divisin se eleva a la misma wi,
con i =1,2, , # total de sumandos. Para formar una multiplicatoria:
100 0.286 P2 0.286
W =
w
1
w1
P2 0.286 P30.286
w
2
w2
1000 0.286 P3 0.286
w
3
w3
Se separan las constantes de las variables:

w1
100 0.286 1

W =
w1 w2
w2
w3
10000.286
P2 0.286 w10.286 w 2 P30.286 w 20.286 w3

w3
El exponente de cada variable se iguala a cero:

0.286 w1 0.286 w2 = 0
0.286 w2 0.286 w3 = 0
Y se agrega una ecuacin que es la sumatoria de todas las wi igual a 1.
w1 + w2 + w3 = 1
Se resuelve el sistema de ecuaciones:
0.286 w1 0.286 w2 = 0
0.286 w2 0.286 w3 = 0
w1 + w2 + w3 = 1
La solucin del sistema de ecuaciones es:
w1=1/3
w2=1/3
w3=1/3
51
GESR
Se sustituyen los valores de wi:

W mnimo
100 0.286
=
1/ 3
1/ 3
1
1 / 3
1/ 3
1000 0.286
1 / 3
1 1
1/ 3
P2 P3 = 3.73
0
Cada sumando se divide entre su wi y se iguala al valor ptimo de la funcin objetivo,

W
100 0.286 P2
=
w1
mnimo
mnimo
mnimo
P2
0.286
P3
w2
0.286
100 0.286 P2
3.73 =
1/ 3
0.286
3.73 =
1000 0.286 P3
=
w3
0.286
P2
0.286
P3
1/ 3
0.286
0.286
1000 0.286 P3
3.73 =
1/ 3
0.286
De las ecuaciones anteriores, se obtiene el valor de las variables independientes:

P2=215.44
P3=464.16
Ejemplo de polinomios con trminos positivos y negativos

y = 3 x10.25 3 x11.1 x 20.6
Minimizar:
115
2 x3
x 2 x3
Es recomendable que las variables y constantes que estn dividiendo, pasen del
denominador al numerador.
y = 3 x10.25 3 x11.1 x 20.6 115 x 21 x31 2 x3
A cada trmino se le divide por un peso wi y esta divisin se eleva a la misma wi. con
i=1,2, , # total de trminos.
Se hace la divisin de la multiplicatoria de los trminos positivos entre la multiplicatoria
de los trminos negativos.
y=
3 x10.25
w
1
3 x11.1 x 20.6
w2
w2
w1
Trminos positivos
w2
115 x 21 x31 2 x3
w3 w4
w3
Trminos negativos
52
GESR
Se separan las constantes de las variables:

w1
3

w1
y=
x10.25w11.1w2 x20.6 w2+ w3 x3w3 w4
w4
w2
w3
3 115 2 x3

w2 w3 w4
El exponente de cada variable se iguala a cero:

0.25w1 1.1w2 = 0
0.6w2 + w3 = 0
w3 w4 = 0
Y se agrega una ecuacin que es la sumatoria de todas las wi de los trminos positivos
menos la suma de todas las wi de los trminos negativos igual a 1.
w1 w2 w3 w4 = 1
Se resuelve el sistema de ecuaciones:

0.25w1 1.1w2 = 0
0.6 w2 + w3 = 0
w3 w4 = 0
w1 w2 w3 w4 = 1
La solucin del sistema de ecuaciones es:
w1=2
w2=5/11
w3=3/11
w4=3/11
Se sustituyen los valores de wi:
2
mnimo
3

2
=
3 / 11
5 / 11
3 / 11
3 115 2 x3

5 / 11 3 / 11 3 / 11
1 1 1
x x20 x30 = 0.1067
0
1
Cada trmino se divide entre su wi y se iguala al valor ptimo de la funcin objetivo,

y mnimo =
3x10.25
w1
0.1067 =
3x10.25
2
53
GESR
y mnimo =
y mnimo =
3 x11.1 x20.6
w2
115 x21 x31

w3
y mnimo =
2 x3
w4
0.1067 =
0.1067 =
3x11.1 x20.6
5 / 11
115 x 21 x31
3 / 11
0.1067 =
2 x3
3 / 11
De las ecuaciones anteriores, se obtiene el valor de las variables independientes:

x1 = 2.560 10-5,
x2 = 2.716 105,
x3 = 1.455 10-2
54
GESR
Programacin dinmica [2]

La programacin dinmica resuelve un problema de optimizacin por etapas y obtiene
el ptimo con un nmero de combinaciones menor a todas las combinaciones posibles.
Cada etapa tiene 4 variables:
Ri (Resultado)
Si (Estado)
S~i (Transicin)
Etapa i
Di
(Decisin)
Para mltiples etapas:
F3=F2+R3
F2=F1+R2
F1=R1
R3
R2
R1
Etapa 3
S3
d3
S~3 S2
Etapa 2
d2
~
S 2 S1
Etapa 1
~
S1
d1
El problema se comienza a resolver, a partir de la etapa final (etapa 1), debido a que
cualquier decisin que se tome en esta etapa (d1) no tendr efecto en etapas
subsecuentes, el flujo de informacin es de izquierda a derecha. El diagrama de etapas
puede tener ramificaciones que no se contemplan aqu.
55
GESR
Ejemplo 1
Un carro tanque transporta un producto fabricado en San Francisco que debe ser
entregado a cualquier puerto importante en la costa este para su envo a Europa. El costo
de envo a travs del Atlntico es esencialmente igual en todos los puertos principales
de la costa del este. Se desea para seleccionar la ruta ptima (el kilometraje de camino
ms bajo) de San Francisco a la costa este. Las distancias relativas entre las ciudades a
lo largo de las rutas posibles se muestran en el siguiente diagrama:
N0
C4
C0
S0
Diagrama por etapas.

Para este problema, las etapas son el traslado de un nodo a otro:
F4=F3+R4
F3=F2+R3
F2=F1+R2
F1=R1
R4
R3
R2
R1
Etapa 4
S4
d4
~
S 4 S3
Etapa 3
S~3 S2
Etapa 2
d3
d2
~
S 2 S1
~
S1
Etapa 1
d1
~
Identificar las variables de cada etapa (Si, di, Ri, S i )
Variable de estado (Si): El nodo de salida
Variable de decisin (di): Seleccionar una ruta
Variable de resultado (Ri): El kilometraje acumulado
~
Variable de transicin ( S i ): El nodo de llegada
56
GESR
Definir todos los estados posibles para todas las etapas

Los estados de cada etapa son todos los nodos de salida.
S4
C4
d4
F4
S~4
S3
N3
C3
S3
d3
F3
S~3
S2
N2
C2
S2
d2
F2
S~2
S1
N1
C1
S1
d1
1
3
7
F1
1
3
7
S~1
N0
N0
C0
Combinaciones
Combinaciones de la etapa 2
S2 R2
N2 8
N2 7
F2
8
7
S~2 F2=F1+R2
N1
9
menor
C1
10
C2
C2
C2
6
5
4
6
5
4
N1
C1
S1
7
8
11
menor
S2
S2
3
2
3
2
C1
S1
6
9
menor
S3 R3
N3 1
N3 3
F3
1
3
S~3 F3=F2+R3
N2
10
menor
C2
10
menor
C3
C3
C3
5
6
7
5
6
7
N2
C2
S2
14
13
13
menor
menor
S3
S3
8
9
8
9
C2
S2
15
15
menor
menor
S4 R4
C4 6
C4 5
C4 4
F4
6
5
4
S~4 F4=F3+R4
N3
16
menor
C3
18
S3
19
Se eligen las mejores combinaciones (los que tiene el menor kilometraje) y se obtiene la
siguiente tabla:
57
GESR
S4
C4
d4
6
~
S~3
F4 S 4 S3 d3 F3
S2
16 N3 N3 1,3 10 N2,C2 N2
C3 6,7 13 C2,S2 C2
S3 8,9 15 C2,S2 S2
d2
8
6
3
F2
9
7
6
S~2 S1
N1 N1
N1 C1
C1 S1
d1
1
3
7
S~1
N0
N0
C0
F1
1
3
7
Ejemplo 2
Un flujo msico de 700 lb/h se debe de distribuir entre tres reactores qumicos que
operan en paralelo:
R3 = 0.08F3 - 3(N3/100)2 R2 = 0.08F2 - 2(N2/100)2 R1 = 0.08F1 - (N1/100)2

Reactor
3
Reactor
2
Reactor
1
N3
N2
N1
700
Cada reactor tiene un catalizador diferente y condiciones de operacin diferentes. El

beneficio que se obtiene en cada reactor se determina por el flujo msico que se
alimenta a cada reactor y es B1, B2 y B3 para N1, N2 y N3 respectivamente. Maximizar el
beneficio.
Diagrama por etapas
Para este problema las etapas son cada reactor:
F3=F2+R3
F2=F1+R2
F1=R1
R3
R2
R1
Etapa 3
Etapa 2
Etapa 1
d3
S3
d2
S~3
S2
d1
~
S 2 S1
~
S1
~
Identificar las variables de cada etapa (Si, di, Ri, S i )
58
GESR
Definir todos los estados posibles para todas las etapas

Es el flujo disponible antes de pasar por un reactor y lo dividiremos en incrementos de
100 (entre menor el incremento, ms exacta la solucin pero ms combinaciones y
viceversa)
S3
700
d3
F3
S~3
S2
0
100
200
300
400
500
600
700
d2
F2
S~2
S1
0
100
200
300
400
500
600
700
d1
0
100
200
300
400
500
600
700
F1
0
7
12
15
16
15
12
7
Combinaciones
S2
700
700
700
700
700
700
700
700
d2
700
600
500
400
300
200
100
0
R2
-42
-24
-10
0
6
8
6
0
S~2
0
100
200
300
400
500
600
700
600
600
600
600
600
600
600
600
500
400
300
200
100
0
-24
-10
0
6
8
6
0
0
100
200
300
400
500
600
-24
-3
12
21
24
21
12
500
500
500
500
500
500
500
400
300
200
100
0
-10
0
6
8
6
0
0
100
200
300
400
500
-10
7
18
23
22
15
400
400
400
400
300
200
0
6
8
0
100
200
0
13
20
F2=F1+R2
-42
-17
2
15
22
23
mayor
18
7
mayor
mayor
59
S~1
-
GESR
mayor
400
400
100
0
6
0
300
400
21
16
300
300
300
300
300
200
100
0
6
8
6
0
0
100
200
300
6
15
18
15
mayor
200
200
200
200
100
0
8
6
0
0
100
200
8
13
12
mayor
100
100
100
0
6
0
0
100
6
7
mayor
mayor
S3
700
700
700
700
700
700
700
700
d3
700
600
500
400
300
200
100
0
R3
-91
-60
-35
-16
-3
4
5
0
S~3
0
100
200
300
400
500
600
700
F3=F2+R3
-91
-53
-22
2
18
27
29
mayor
23
Se eligen las mejores combinaciones (los que tiene el mayor beneficio, F) y se obtiene
la siguiente tabla:
S3
700
d3
100
F3
29
S~3
600
S2
0
100
200
300
400
500
600
700
d2
0
0
100
100
100
200
200
200
F2
0
7
13
18
21
23
24
23
S~2
0
100
100
200
300
300
400
500
S1
0
100
200
300
400
500
600
700
d1
0
100
200
300
400
500
600
700
F1
0
7
12
15
16
15
12
7
S~1
-
60
GESR
Bibliografa
[1] T.F. Edgar, D.M. Himmelblau and L.S. Lasdon, Optimization of Chemical
Processes. McGraw-Hill, 2nd ed. 2001
[2] R.W. Pike, Optimization for Engineering Systems,
http://www.mpri.lsu.edu/bookindex.html, 2001
[3] D.M. Himmelblau, Applied nonlinear programming, McGraw-Hill, 1972
[4] J.A. Nelder and R. Mead, A simplex method for function minimization, Computer
Journal, vol 7, p 308-313, 1965
61

Apuntes de Optimizaci N y Simulaci N de Procesos

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

Apuntes de Optimizaci N y Simulaci N de Procesos

Transféré par

Droits d'auteur :

Formats disponibles

INSTITUTO POLITCNICO NACIONAL

ESCUELA SUPERIOR DE INGENIERA QUMICA E INDUSTRIAS EXTRACTIVAS

Gabriel E. Santana Rodrguez

Clasificacin de modelos ________________________________________________ 1

Mtodos analticos _____________________________________________________ 1

Derivacin Multivariable ___________________________________________________ 1

Multiplicadores de Lagrange ________________________________________________ 1

Mtodos numricos ____________________________________________________ 1

Seccin dorada ____________________________________________________________ 1

Mxima Pendiente _________________________________________________________ 1

Programacin lineal ___________________________________________________ 1

Mtodo Simplex ___________________________________________________________ 1

Programacin geomtrica _______________________________________________ 1

Programacin dinmica ________________________________________________ 1

Qu hay acerca de la discusin, de que el uso formal de la optimizacin realmente no

Involucra balances de masa y energa,

Provienen de la experiencia como de

Estado estacionario (esttico)

Estado no estacionario (dinmico)

No hay variacin respecto al tiempo.

Si hay variacin respecto al tiempo.

Las variaciones espaciales se ignoran

Existen variaciones espaciales y las

La variable tiene un nmero finito de

La variable tiene un nmero infinito

Son sistemas que exhiben el mismo

Son sistemas que funcionan por azar

Funcin objetivo [1]

Caractersticas esenciales de los problemas de optimizacin

Pasos para la solucin de problemas de optimizacin

El perfil de temperatura es:

Q = magua cpagua (T0 80)

(195 T0 ) (90 80)

Los costos son:

m gas cp gas (195 90) (3000)(0.3)(195 90) lb

(195 T0 ) (90 80)

Los cargos por almacenamiento e inventario se pueden despreciar. De ser necesario

tiempo para descarga y carga.

Costo durante el periodo de operacin

Costo durante el periodo de descarga-carga

Costos fijos anuales

Costos de las materias primas y miscelneas

20 $ 1.5P 0.25 operacin 1 ciclo 10 6 Kg = $

Costo durante el periodo de descarga-carga,

El costo total es,

El tiempo de cada ciclo es,

1.4 + 1.5P 0.25 = 1.4 + 1.5(1625.84) 0.25 = 10.9

El tiempo total al ao es,

El tiempo total disponible es de (24)(300)=7200 h/ao, es decir, a condiciones ptimas

Mtodos analticos [2]

Segunda derivada. Sigue siendo una pendiente, pero su significado es diferente.

f ( x) = f ( x 0 ) + f ' ( x0 )( x x0 ) + f ' ' ( x0 )

Si la serie se trunca hasta el tercer trmino,

Se despeja f ' ' ( x0 ) ,

f ' ' ( x0 ) > 0 es un mnimo

El resultado anterior se puede generalizar.

f ' ' ( x0 ) < 0 Se trata de un mximo

f ' ' ( x0 ) > 0 Se trata de un mnimo

f ' ' ( x0 ) > 0 Se trata de un mnimo

En la siguiente grafica se pueden ver los puntos estacionarios de la funcin.

La grfica de la funcin es:

Su gradiente representa la pendiente de un plano. En el punto mnimo de la funcin, la

Donde los subndices x,y indican diferenciacin parcial respecto a aquellas