FUNCIONES

• Continuas, discontinuas.
• Continuamente diferenciables, no continuamente
diferenciables (de orden n)
• Unimodales, multimodales.
• Cóncavas, convexas.
• Puntos estacionarios.
• Región convexa.
• Funciones y formas cuadráticas.
• Condiciones necesarias y suficientes de
– Máximos y mínimos.
Tema IV.3 Simulación y Optimización de 1
Introducción Procesos Químicos
 FUNCIONES

• Funciones cóncavas y convexas

Función convexa f[x  (1 -  )x ]  f(x )  (1 -  )f(x ), 0    1
1 2 1 2
Función cóncava f[x  (1 -  )x ]  f(x )  (1 -  )f(x ), 0    1
1 2 1 2
Las funciones estrictame nte convexas o cóncavas son aquélas en las
que el signo  o  es sustituído por  o  .

• Puntos estacionarios (Puntos singulares).

Son aquéllos que verifican f(x)  0

• Región convexa
Una región R es convexa si
x , x en R el punto x dado por la combinación lineal de los anteriores
1 2
x  x  (1 -  )x está también en R, 0    1
1 2

Tema IV.3 Simulación y Optimización de 2

Introducción Procesos Químicos
 FUNCIONES

Tema IV.3 Simulación y Optimización de 3

Introducción Procesos Químicos
 FUNCIONES
• Formas cuadráticas
H es definida positiva si y solo si x T Hx  0 , x  0
H es definida negativa si y solo si x T Hx  0 , x  0
H es semidefini da positiva si y solo si x T Hx  0 , x  0
H es semidefini da negativa si y solo si x T Hx  0 , x  0
H es indefinida si x T Hx  0 para algún x y  0 para otros x.

Menores de H
f(x) H(x) Valores propios de H
Estrictamente Definida positiva >0 1  0, 2  0,...
convexa
Convexa Semidefinida positiva   0,   0,...
0 1 2

Cóncava Semidefinida negativa

0   0,   0,   0,...
1 2 3
Estrictamente Definida negativa <0
cóncava   0,   0,   0,...
1 2 3
Tema IV.3 Simulación y Optimización de 4
Introducción Procesos Químicos
 Extremos de f(x)

• 1 f ( x ) es doblemente diferencia ble en x *

• 2 f (x*)  0 o sae que x * sea un punto estacionario

• 3 H ( x*) sea definida positiva para un mínimo y definida negativa para un máximo

• Las condiciones 1 y 2 son necesarias y la 3 suficiente para garantizar que x*

sea un extremo.
• Un máximo o mínimo puede existir aunque no se cumplan las tres
condiciones.P. ej. Si f(x)=x4, x*=0 es un mínimo pero H(0) no está definida en
x*=0 y la condición 3 no se satisface.

Tema IV.3 Simulación y Optimización de 5

Introducción Procesos Químicos
 REGIÓN FACTIBLE

Min f  ( x1  3) 2  ( x2  4) 2
sujeto a las restriccio nes
x1  0
x2  0
5  x1  x2  0
 2.5  x1  x2  0

Tema IV.3 Simulación y Optimización de 6

Introducción Procesos Químicos
 REGIÓN FACTIBLE

Min f  ( x1  2) 2  ( x2  2) 2
sujeto a las restriccio nes
x1  0
x2  0
5  x1  x2  0
 2.5  x1  x2  0

Si la función f y las restricciones son

convexas, lo que implica que la región
factible es convexa, el problema de
programación no lineal general se
transforma en un problema de
programación convexa y se verifica
que:
El mínimo local de f(x) es también un
mínimo global.

Tema IV.3 Simulación y Optimización de 7

Introducción Procesos Químicos
 FUNCIONES CONVEXAS
CONJUNTOS CONVEXOS

Tema IV.3 Simulación y Optimización de 8

Introducción Procesos Químicos
 FUNCIONES CONVEXAS
CONJUNTOS CONVEXOS

Tema IV.3 Simulación y Optimización de 9

Introducción Procesos Químicos
 OPTIMIZACION SIN
RESTRICCIONES.BUSQUEDA
UNIDIMENSIONAL
• A. Métodos directos. No requieren el cálculo de la
derivada.
• B. Métodos indirectos. Requieren el cálculo de la
derivada.
– Selección del estimado inicial.
– Procedimientos de búsqueda y partición del intervalo.
– Convergencia.

Tema IV.3 Simulación y Optimización de 10

Introducción Procesos Químicos
 Métodos directos

• Métodos de eliminación de regiones.

– Búsqueda de dos puntos por intervalos iguales.
– Búsqueda dicotómica.
– Búsqueda de Fibonacci.
– Búsqueda por razón aúrea.

Tema IV.3 Simulación y Optimización de 11

Introducción Procesos Químicos
 Métodos directos
Búsqueda de Fibonacci.

Tema IV.3 Simulación y Optimización de 12

Introducción Procesos Químicos
 Métodos indirectos.

• Método de Newton.
• Método de Quasi-Newton.
• Método de la secante.

Tema IV.3 Simulación y Optimización de 13

Introducción Procesos Químicos
 OPTIMIZACION SIN
RESTRICCIONES. BUSQUEDA
MULTIVARIABLE.
• Métodos directos.
1. Búsqueda aleatoria
2. Búsqueda por rejilla
3. Método simplex

Tema IV.3 Simulación y Optimización de 14

Introducción Procesos Químicos
 OPTIMIZACION SIN RESTRICCIONES.
BUSQUEDA MULTIVARIABLE.

• Método simplex

Tema IV.3 Simulación y Optimización de 15

Introducción Procesos Químicos
 MÉTODOS INDIRECTOS
PRIMER ORDEN (A)
SEGUNDO ORDEN (B)

• A.-Método del gradiente

• Método del Gradiente conjugado
(Fletcher-Powell)
• B.- Método de Newton
• Método de la secante
• Método de Davidon-Fletcher-Powell

Tema IV.3 Simulación y Optimización de 16

Introducción Procesos Químicos
 MÉTODO DEL GRADIENTE

• Ecuación básica para búsqueda de un mínimo/máximo de f(x).El

gradiente es un vector que da la máxima variación de f(x)
• Steepest ascent (descent)
x k 1  x k  Hg x x
k
 constante, H  I es el más simple
λ es la long itud del paso
  k tamaño variable del paso.
H es una m atriz nxn
opt
k , optimiza el tamaño del paso.
g es el gr adiente de f(x); f(x)

• Optimizar
x k 1  x k  sk
– la longitud del paso 1
f ( x )  f (x k )  T f (x k )sk  (sk )T H (x k )( sk )
2
Derivando con respecto a  e igualendo a cero resulta :
T f (x k )sk
opt
k  
(sk )T H (x k )( sk )

Tema IV.3 Simulación y Optimización de 17

Introducción Procesos Químicos
 MÉTODO DEL GRADIENTE

Tema IV.3 Simulación y Optimización de 18

Introducción Procesos Químicos
 MÉTODO DEL GRADIENTE

Tema IV.3 Simulación y Optimización de 19

Introducción Procesos Químicos
 MÉTODO DEL GRADIENTE.EJEMPLO.

Compresor de tres estados

La dirección de búsqueda es proporcion al a los cambios de W con p y p
2 3
 k 1  k 1  k 1
kNRT  p2  k  p3  k
p  k  Así en (4,7)
W        4   3 W W
k  1  p1   p2   p3  
p
 0.079
p
 0.009
  2 3
Datos NRT  1, p1  1, p4  10. p
2  0.079  8.8
La figura da las isolíneas de W . p 0.009
3
Tomando incrementos de p iguales a 0.05,
Se busca el mínimo de W con el método del gradiente. 3
los incrementos de p serán 0.05  8.8  0.44.
Estimado inicial p2  4, p3  7. 2
Así el primer descenso viene dado en la tabla

Tema IV.3 Simulación y Optimización de 20

Introducción Procesos Químicos
 MÉTODO DEL GRADIENTE.EJEMPLO.

p2 p3 W

4.00 7.00 2.681

3.56 6.95 2.653
3.12 6.90 2.629
2.68 6.85 2.615
2.24 6.80 2.622 Punto
mínimo

Tema IV.3 Simulación y Optimización de 21

Introducción Procesos Químicos
 MÉTODO DEL
GRADIENTE.EJEMPLO.

Tema IV.3 Simulación y Optimización de 22

Introducción Procesos Químicos
 Direcciones conjugadas
Gradiente conjugado

• Es un método útil en mejorar la convergencia del método del

gradiente. s y s son direccione s conjugadas entre sí si
i j

si  Q s j   0
T

• La matriz Q es el hessiano de la función. objeto.

• La dirección de búsqueda es una combinación lineal del gradiente
actual con la dirección anterior.
• Pequeña información necesaria para realizar el algoritmo.
• Paso 1. En x calcular f (x ).
0 0

s0  f (x 0 ).

• Paso 2.Guardar f ( x 0 ).

• ..........

Tema IV.3 Simulación y Optimización de 23

Introducción Procesos Químicos
 PROGRAMACION NO LINEAL CON
RESTRICCIONES
• Método de los multiplicadores de Lagrange
• Condiciones necesarias y suficientes para un extremo local
• Método del gradiente generalizado
• Programación cuadrática

Tema IV.3 Simulación y Optimización de 24

Introducción Procesos Químicos
 PROGRAMACION NO LINEAL CON
RESTRICCIONES DE IGUALDAD
Método de los multiplicadores de Lagrange

• PROBLEMA
min f (x)
sujeto a g j (x)  0, j  1,2,..., m

• CONDICIONES NECESARIAS. A partir de la función de Lagrange,L

L( x1 , x2 , ,.., xn , 1 , 2 ,..., m )  f (x)  1 g1 (x)  2 g 2 (x)  ....  m g m (x)
L
 0 i  1,2,..., n
xi
L
 g j (x)  0 j  1,2,..., m
j
• CONDICIONES SUFICIENTES
n m
2L
Q   dxi dx j
i 1 j 1 xi x j

La forma cuadrática Q evaluada en x * debe ser definida positiva

para todos los valores de d x que satisfagan las restriccio nes
Teorema de Hancock .

Tema IV.3 Simulación y Optimización de 25

Introducción Procesos Químicos
 PROGRAMACION NO LINEAL CON
RESTRICCIONES DE IGUALDAD
• Matriz de Hancock. Condiciones suficientes con restricciones.
• La forma cuadrática Q es definida positiva o negativa si las
raíces  de la ecuación siguiente son positivas o negativas.
L11   L12 ........ L1n g11 g 21 g m1
L21 L22   ..... L2 n g12 g 22 gm2
.
.

Ln1 Ln 2 Lnn   g1n g 2 n g mn 0

g11 g12 g1n 0 0 0
.
.
g m1 gm2 g mn 0 0 0

• Ejemplo. Encontrar las dimensiones de un depósito cilíndrico

cerrado hecho de acero que maximice su volumen si el área
del mismo es de 24p.

Tema IV.3 Simulación y Optimización de 26

Introducción Procesos Químicos
 CONTROL ÓPTIMO ESTACIONARIO

• Dinámica Min x ,u J(x, u)

sujeto a x  f(x, u, v)

Min x ,u J(x, u)
• Estacionario sujeto a f(x, u, v)  0

• Método de los multiplicadores de Lagrange

Min x, u J(x, u)  Min x, u J(x, u)  Tf(x, u, v)

• Sistema lineal o linealizado en torno a un punto

estacionario 1 1
J ( x, u )  x Qx  u Pu
T T

2 2
sujeto a Ax  Bu  Cv  0

• Solución u*  Mv
 1
M   I  P 1BT AT QA1B P 1BT AT QA1C

Tema IV.3 Simulación y Optimización de 27

Introducción Procesos Químicos
 CONTROL ÓPTIMO ESTACIONARIO

• Condiciones necesarias J 
0
x
J 
0
u
J 
0


• Condiciones suficientes  2 J Q O

xu O P 
– Definida positiva lo cual implica que
– Q (nxn) sea simétrica y def. positiva
– P (rxr) sea simétrica y def. positiva
v
v M

u x u x
Tema IV.3 Simulación y Optimización de 28
Introducción Procesos Químicos
 PROGRAMACION NO LINEAL CON
RESTRICCIONES DE DESIGUALDAD

• PROBLEMA
min f (x) min f (x)
sujeto a g j (x)  0, j  1,2,..., m sujeto a g j (x)  y j  0, j  1,2,..., m
2

• SOLUCIÓN. Método de los multiplicadores de Lagrange

m
min L( x, y, λ )  f ( x )    j G j ( x, y )
j 1

G j ( x, y )  g j ( x )  y j  0, j  1,2,..., m
2

y  ( y1 , y 2 ,.. y m )´ vector de variables slack

λ  ( 1 , 2 ,..., m )´ vector de multiplica dores de Lagrange

• CONDICIONES NECESARIAS
• Las derivadas parciales de L con respecto a x,y,,igualadas a cero.
• Dan n+2m ecuaciones para calcular n+2m incógnitas

Tema IV.3 Simulación y Optimización de 29

Introducción Procesos Químicos
 PROGRAMACION NO LINEAL CON
RESTRICCIONES DE DESIGUALDAD

• En programación convexa las condiciones anteriores se convierten en

condiciones necesarias y suficientes para un mínimo local. Se llaman
condiciones de Kuhn-Tucker y se establecen como:

f m g j
 j  0 i  1,2,..., n
xi i 1 xi
jg j  0 j  1,2,...., m
gj  0 j  1,2, ......, m
j  0 j  1,2,......., m

• Si el problema es de maximizar o si las restricciones son del tipo  los j

• tienen que ser no positivos.Si el problema es de maximizar y las

restricciones de la forma  los  tienen que ser no negativos.
j

Tema IV.3 Simulación y Optimización de 30

Introducción Procesos Químicos
 PROGRAMACION ENTERA-MIXTA (MIP)

• La función objetivo depende de dos conjuntos de variables

– x vector de variables continuas
– y vector de variables enteras
• Ejemplos:
– Problema del viajante.
– Problema de la localización de plantas
En general son problemas de PL o PNL conocidos como MILP o
MINLP
Soluciones.- Algoritmo Branch and Bound.
Son variantes de Programación lineal y no lineal.
Utilizado en EXCEL SOLVER

Tema IV.3 Simulación y Optimización de 31

Introducción Procesos Químicos