Introducion2 Armg

Conceptos de optimizacion
Optmizacion de sistemas de potencia
Ing. Agustn Rafael Marulanda Guerra
Escuela Colombiana de Ingeniera Julio Garavito

Maestra en Ingeniera Electrica
11 de agosto de 2017
Contenido
1 Que es optimizacion?
2 Mnimo de una funcion
3 Maximo y mnimo global
4 Concavidad y convexidad
Ing. Agustn Marulanda Conceptos de optimizacion 11 de agosto de 2017 2 / 50

Que es optimizacion?

Es el proceso de hacer algo mejor

En matematica, metodo para determinar los valores de las variables que

intervienen en un proceso o sistema para que el resultado, sea el mejor posible

El termino mejor, inmplica que hay mas de una solucion y cada solucion tiene
valores distintos
La definicion de mejor es relativa al problema que se esta manejando, su
metodo de solucion y las tolerancias permitidas
La solucion optima depende de la modelacion del problema
Se modela por medio de una funcion objetivo y un conjunto de
restricciones

Son tecnicas matematicas con las cuales se halla el valor maximo o mnimo
de una funcion
La funcion puede estar sujeta o no a un conjunto de restricciones
La funcion modela el comportamiento de un fenomeno fsico, un sistema, un
proceso productivo, entre otras
las restricciones representan las limitaciones fsicas o valores maximos que
pueden tomar las variables
https://www.youtube.com/watch?v=oSPkod-M6Gc&t=01s

Los enfoques de optimizacion estan relacionados con los metodos de

encontrar races o ceros
Otro problema con la optimizacion es determinar si un mnimo dado es el
menor mnimo (global) o un mnimo suboptimo (local)

Minimizar la funcion objetivo
Una funcion real de N variables

f (x1 , x2 , ..., xn )
Con o sin restricciones

Optimizacion sin restricciones
mn f (x, y ) = x 2 + 2y 2

Optimizacion con restricciones
mn f (x, y ) = x 2 + 2y 2
Sujeto a:
2x 5

Suponga que queremos hallar el mnimo de la siguiente funcion

mn f (x) = x 3 12x + 3
Sujeto a:
4x 4

Suponga que queremos hallar el mnimo de la siguiente funcion

2
y 2 )
mn f (x, y ) = xe (x

Teorema de Fermat
Si una funcion f (x) alcanza un maximo o mnimo local en c, y si la derivada

f 0 (c) existe en el punto c, entonces f 0 (c) = 0
f ((x + x) f (x))
lm
x0 x

Teorema de Fermat
Maximo y mnimo global
El teorema ayuda a localizar los posibles maximos y mnimos locales de una

funcion utilizando su derivada
Da las condiciones necesarias pero no permite distinguir si el punto es un
maximo o un mnimo local.

Teorema Fermat
Maximo y mnimo global
Una funcion f (x) tiene una maximo global en c si f (c) f (x) para todo x
que pertenezca al dominio de f . De manera analoga, f (x) tiene una mnimo
global en c si f (c) f (x) para todo x que pertenezca al dominio de f .
Una funcion f (x) tiene una maximo local en c si f (c) f (x) cuando x esta
cercano a c. De manera analoga, f (x) tiene una mnimo local en c si
f (c) f (x) cuando x esta cerca de c.

Algoritmo
Listing 1: Codigo Matlab

%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% OPTIMIZACION DE SISTEMAS DE POTENCIA %
% MAESTRIA EN INGENIER IA ELECTRICA %
% AGUSTIN RAFAEL MARULANDA GUERRA %
% AGUSTIN . MARULANDA@ESCUELAING . EDU . VE %
%%%%%%%%%%%%%%%%%%%%%%%%%%%%
x=p i : 0 . 1 : p i ;
y=c o s (2 x)x ;
plot (x , y );
xlabel ( x )
ylabel ( y )
t i t l e ( c o x (2 x)x )
[ xRaiz , yRaiz ] = ginput
f u n c=@( x ) c o s (2 x)x ;
x0 = 0 . 6 ;
z e r o=f z e r o ( f u n c , x0 )
minimo=f m i n b n d ( f u n c ,p i , p i )

Funcion convexa
En matematica, una funcion real es convexa en un intervalo (a,c), si para todo

punto del intervalo de recta tangente en ese punto queda por debajo de la funcion

Funcion convexa
Definicion
Una funcion real f definida en un intervalo se llama funcion convexa o concava
hacia arriba, si esta definida sobre un conjunto convexo C y para cualquiera dos
puntos x, y miembros de C , para cada t en [0, 1], se cumple que:
f (tx + (1 t)y ) tf (x) + (1 t)f (y ) (1)

Funcion convexa
Propiedades
La cuerda esta sobre la curva
Una aproximacion lneas de f (x) en un
punto cualquiera es siempre un
sub-estimador del valor de la funcion
Para una funcion convexa un mnimo
local es siempre un mnimo global
La primera derivada de f (x) no cambia
de signo o cambia una sola vez en la
region
La segunda derivada de f (x) es siempre
no negativa

Funcion convexa
Corolario
Si examinamos una funcion de una variable:
Si el signo de la 2da derivada en el intervalo
[a,b] es siempre negativo o cero, entonces
la funcion es concava
Si el signo de la 2da derivada es el intervalo
[a,b] es positivo o cero, entonces la funcion
es convexa
Si el signo de la 2da derivada es el intervalo
[a,b] es negativo o positivo, entonces la
funcion sera estrictamente concava o
estrictamente convexa, respectivamente

Concavidad y convexidad
Convexidad Concavidad
2
f (x) = x + x + 15 f (x) = x 2 + x + 15

El concepto de concavidad y convexidad tambien es aplicable a funciones

multivariables, donde es necesario evaluar la matriz Hessiana H(x) para determinar
la naturaleza de la funcion
f (x, y ) = x 2 + 2x + 3y 2 + 6y + 4

Matriz Hessiana
2f 2f 2f

x 2
1 x1 x2 x1 xn
2f 2f 2f

H(f ) = x2 x1
x22 x2 xn
(2)
.. .. .. ..

. . . .

2f 2f 2f

x x
n 1 xn x2 xn2
Ludwing Otto Hess

El hesianno, conocido tambien como discriminante o matriz hessiana, fue
introducido en el ano 1844 por Hess, matematico alemanan quien nacio en 1811 y
murio en 1874.

H es definida positiva si y solo si x T Hx es > 0 para todo x 6= 0, si el signo

de la desigualdad es 0 la matriz es semidefinida positiva
H es definida negativa si y solo si x T Hx es < 0 para todo x 6= 0, si el signo
de la desigualdad es 0 la matriz es semidefinida negativa
H es indefinida si x T Hx es < 0 para algunos x, y > 0 para otros valores de x
Tabla: Relacion Hessiano y funcion
H(x) f (x) Valores propios

Positiva definida Estrictamente convexa >0
Positiva semidefinida Convexa 0
Negativa semidefinida Concava 0
Negativa definida Estrictamente concava <0

Ejemplo 1
Determine si la funcion f (x, y ) = x 2 + 2x + 3y 2 + 6y + 4 es convexa.

Ejemplo 1
Calculamos el Hessiano de la funcion

f (x, y )
= 2x + 2 f (x, y )
x =6
y 2
f (x, y )
= 6y + 6 f (x, y )
y =0
xy
f (x, y )
=2 f (x, y )
x 2 =0
y x
2 0
H(x, y ) =
0 6

Ejemplo 1
Listing 2: Codigo Matlab

clear all
[ x , y ]= m e s h g r i d ( 3 : 0 . 2 : 3 ) ;
z=x .2+2 x+3y .2+6 y +4;
f i g u r e (1)
surf (x , y , z)
xlabel ( x )
ylabel ( y )
zlabel ( z )
t i t l e ( x2+2x+3y2+6y +4 )
f i g u r e (2)
contour (x , y , z , 2 0 ) ;
syms x y
f=x .2+2 x+3y .2+6 y +4;
Hessianof = hessian ( f , [ x , y ])
Autovalores = eig ( Hessianof )
Listing 3: Salida Hessiano

Hessianof =
[ 2 , 0]
[ 0 , 6]
Autovalores =
2
6

Region convexa
Una region o conjunto es convexo si para cada par de puntos de la region, el

segmento que los une esta totalmente incluido en la region; es decir, un conjunto
es convexo si se puede ir de cualquier punto a cualquier otro en lnea recta, sin
salir del mismo.
Las regiones convexas juegan un papel importante en optimizacion con

restricciones, debido a que esta propiedad garantiza que todos mnimo local es un
mnimo global.

Region convexa
Theorem (optimo global y local)

Considerese la funcion convexa f : S R, donde S es un conjunto convexo no
vaco de R n . Todo optimo local de f en S tambien es un optimo global de f en S.
Ademas, si f es estrictamente convexa y posee un mnimo en S, este es unico.

Funcion estrictamente convexa
Estrictamente convexa
Cuando el segmento queda siempre estrictamente por encima de la grafica
Convexa
Cuando el segmento puede coincidir con la grafica
Curvas de nivel
La curva de nivel k de la funcion f esta formada por todos los puntos del dominio
D cuya imagen es k. Es decir;
Ck = {x <n |f (x) = k} (3)

Curvas de nivel
Ejemplo1
F (x, y ) = x + y x + y = k
C (0) x +y =0
C (3) x +y =3
C (5) x +y =5
C (2) x + y = 2

Curvas de nivel
Ejemplo2
F (x, y ) = x 2 + y 2 x 2 + y 2 = k
C (0) x2 + y2 =0
C (1) x2 + y2 =1
C (4) x2 + y2 =4
C (9) x2 + y2 =9

Region factible
La region factible es la interseccion de las regiones delimitadas tanto por el

conjunto de restricciones, as como por las condiciones de no negatividad de las
variables. Es dentro de esta region donde deberan buscarse los optimos.

Region factible
Si no hay ningun punto x que satisfaga todas las restricciones, es decir si el

conjunto factible F es vaco, el problema es no-factible y no existe solucion

Ejercicio
Para el siguiente problema de optimizacion
opt (x 3)2 + (y 2)2
s.a. x + y 7
x 0
y 0
Determine:
La region factible
El mnimo global
El maximo global

Ejercicio

Ejercicio
contour(x,y,z,20);

Restriccion activa
Una restriccion gi (x) 0 es activa en un punto x0 si se verifica que gi (x0 ) = 0. A

menudo se refiere a la solucion.
mn(x1 + 3x22 )
x1 + 2x2 4
x1 0
x2 0

Continuidad
Una funcion f es continua en un punto x0 cuando existe el lmite de la funcion en

x0 y coincide con el valor que toma la funcion en x0 . Es decir, f es continua en x0 si
lm f (x) = f (x0 )
X x0

Continuidad
Metodos de optimizacion basados en el calculo de derivadas pueden producir

oscilaciones y falta de convergencia en la solucion si hay discontinuidad en la
funcion objetivo
La presencia de derivada discontinua debido a la conversion en funcion
continua mediante interpolacion lineal de una funcion original definida solo en
puntos discretos de x

Optimizacion en un conjunto convexo
Si J es convexa y el conjunto de F es tambien convexo, un mnimo local es

tambien un mnio global
mn J(x)
x
Hi (x) = 0
Gi (x) 0
Si todas las restricciones de desigualdad con convexas contribuiran a generar

conjunto convexo. Las restricciones de igualdad, si no son lineales, no seran en
general convexas con lo que el problema puede tener varios mnimo locales

Tipos de problemas de optimizacion




Clasificacion con base en su naturaleza
Optimizacion continua: Cuando todas las variables de decision pueden tomar

cualquier valor de los reales
Optimizacion convexa: Minmizar un funcion objetivo convexa
Optimizacion convexa lineal o programacion lineal: Cuando tanto la funcion
objetivo como las restricciones son lineales
Optimizacion discreta: Cuando las variables pueden tomar valores basados en
logica combinatoria, optimizacion combinatoria
Optimizacion mixta: Cuando las variables pueden tomar valores continuos y
otras discretas

Clasificacion metodos de resolucion

Clasificacion de optimizacion

Introducion2 Armg

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

Introducion2 Armg

Transféré par

Droits d'auteur :

Formats disponibles

Conceptos de optimizacion

Optmizacion de sistemas de potencia

Ing. Agustn Rafael Marulanda Guerra

Escuela Colombiana de Ingeniera Julio Garavito

2 Mnimo de una funcion

3 Maximo y mnimo global

Ing. Agustn Marulanda Conceptos de optimizacion 11 de agosto de 2017 2 / 50

Ing. Agustn Marulanda Conceptos de optimizacion 11 de agosto de 2017 3 / 50

Es el proceso de hacer algo mejor

Ing. Agustn Marulanda Conceptos de optimizacion 11 de agosto de 2017 4 / 50

En matematica, metodo para determinar los valores de las variables que

Ing. Agustn Marulanda Conceptos de optimizacion 11 de agosto de 2017 5 / 50

Ing. Agustn Marulanda Conceptos de optimizacion 11 de agosto de 2017 6 / 50

Ing. Agustn Marulanda Conceptos de optimizacion 11 de agosto de 2017 7 / 50

Los enfoques de optimizacion estan relacionados con los metodos de

Ing. Agustn Marulanda Conceptos de optimizacion 11 de agosto de 2017 8 / 50

Una funcion real de N variables

Con o sin restricciones

Ing. Agustn Marulanda Conceptos de optimizacion 11 de agosto de 2017 9 / 50

Optimizacion sin restricciones

Ing. Agustn Marulanda Conceptos de optimizacion 11 de agosto de 2017 10 / 50

Ing. Agustn Marulanda Conceptos de optimizacion 11 de agosto de 2017 11 / 50

Suponga que queremos hallar el mnimo de la siguiente funcion

Ing. Agustn Marulanda Conceptos de optimizacion 11 de agosto de 2017 12 / 50

Suponga que queremos hallar el mnimo de la siguiente funcion

Ing. Agustn Marulanda Conceptos de optimizacion 11 de agosto de 2017 13 / 50

Si una funcion f (x) alcanza un maximo o mnimo local en c, y si la derivada

Ing. Agustn Marulanda Conceptos de optimizacion 11 de agosto de 2017 14 / 50

El teorema ayuda a localizar los posibles maximos y mnimos locales de una

Ing. Agustn Marulanda Conceptos de optimizacion 11 de agosto de 2017 15 / 50

Ing. Agustn Marulanda Conceptos de optimizacion 11 de agosto de 2017 16 / 50

Listing 1: Codigo Matlab

Ing. Agustn Marulanda Conceptos de optimizacion 11 de agosto de 2017 17 / 50

En matematica, una funcion real es convexa en un intervalo (a,c), si para todo

Ing. Agustn Marulanda Conceptos de optimizacion 11 de agosto de 2017 18 / 50

f (tx + (1 t)y ) tf (x) + (1 t)f (y ) (1)

Ing. Agustn Marulanda Conceptos de optimizacion 11 de agosto de 2017 19 / 50

Ing. Agustn Marulanda Conceptos de optimizacion 11 de agosto de 2017 20 / 50

Ing. Agustn Marulanda Conceptos de optimizacion 11 de agosto de 2017 21 / 50

Ing. Agustn Marulanda Conceptos de optimizacion 11 de agosto de 2017 22 / 50

El concepto de concavidad y convexidad tambien es aplicable a funciones

Ing. Agustn Marulanda Conceptos de optimizacion 11 de agosto de 2017 23 / 50

Ludwing Otto Hess

Ing. Agustn Marulanda Conceptos de optimizacion 11 de agosto de 2017 24 / 50

H es definida positiva si y solo si x T Hx es > 0 para todo x 6= 0, si el signo

Tabla: Relacion Hessiano y funcion

H(x) f (x) Valores propios

Ing. Agustn Marulanda Conceptos de optimizacion 11 de agosto de 2017 25 / 50

Ing. Agustn Marulanda Conceptos de optimizacion 11 de agosto de 2017 26 / 50

Calculamos el Hessiano de la funcion

Ing. Agustn Marulanda Conceptos de optimizacion 11 de agosto de 2017 27 / 50

Listing 2: Codigo Matlab

Listing 3: Salida Hessiano

Ing. Agustn Marulanda Conceptos de optimizacion 11 de agosto de 2017 28 / 50

Una region o conjunto es convexo si para cada par de puntos de la region, el

Las regiones convexas juegan un papel importante en optimizacion con

Ing. Agustn Marulanda Conceptos de optimizacion 11 de agosto de 2017 29 / 50

Theorem (optimo global y local)

Ing. Agustn Marulanda Conceptos de optimizacion 11 de agosto de 2017 30 / 50

Ck = {x <n |f (x) = k} (3)

Ing. Agustn Marulanda Conceptos de optimizacion 11 de agosto de 2017 32 / 50

Ing. Agustn Marulanda Conceptos de optimizacion 11 de agosto de 2017 33 / 50

Ing. Agustn Marulanda Conceptos de optimizacion 11 de agosto de 2017 34 / 50