Professional Documents
Culture Documents
ndice de Contenido
1 Introduccin
1.1 La Ingeniera de Procesos
1.2 Modelacin y Grados de Libertad
1.3 Representacin Matemtica Generalizada de un Problema de Optimizacin
1.4 Tipos de Problemas de Optimizacin
1.5 Regin Factible
1.6 Convexidad
2. Tcnicas de Optimizacin
2.1 Programacin Lineal: Mtodo Simplex
2.2 Programacin No Lineal
2.2.1 Optimizacin sin restricciones
2.2.2 Optimizacin con Restricciones de Igualdad
2.2.3 Optimizacin con Restricciones de Desigualdad
2.3 La Programacin Mixta-Entera en el Diseo de Procesos
2.4 Programacin Mixta Entera Lineal: Mtodo de Branch and Bound
2.5 Programacin Mixta-Entera No Lineal: Mtodo Outer Approximation
3. El Ambiente de Modelacin GAMS y sus Resolvedores
ndice de Contenido
4. Aplicaciones en Ingeniera Qumica
5. Introduccin a la Optimizacin Bajo Incertidumbre
5.1 Tipos de Problemas de Programacin Estocstica
5.2 El Mtodo de Descomposicin Estocstica
6. Introduccin a la Optimizacin Multiobjetivo
6.1 Mtodos de Solucin
7. Control ptimo y Optimizacin Dinmica
7.1 El Principio del Mximo
7.2 Programacin Dinmica
7.3 Programacin Dinmica Estocstica
Productos
Bajo
Especificacin
Materia
Prima
(condiciones
iniciales)
Productos
Bajo
Especificacin
Optimizacin de Procesos
D, Pureza
Alimentacin
Minimizar Costo
N=?
R=?
P=?
Diseo
Optimizacin
Sistema de
Ecuaciones
No Lineales
Simulacin u Optimizacin?
Grados de Libertad
F = Nmero de Variables Nmero de Ecuaciones
F=N-M
Simulacin Anlisis
F=0
El sistema debe ser consistente
Optimizacin
F>1
Funcin Objetivo: Maximizar
utilidades, Minimizar costos, etc.
Funcin Objetivo:
Objetivo
obtencin de diseos
ptimos
Simulacin u Optimizacin?
Simulacin
Optimizacin
x1 + x2 = 2
x1 + x2 = 2
x1 , x2 0
x1 = 3 x2
x1 , x2 0
F = 2 1 = 1
F = 22 = 0
Solucin nica
x1 = 1.5
x2 = 0.5
Soluciones posibles:
x1 x2
0
2
1
1
1.5 0.5
2
0
M
Solucin ptima M
min x1 x2
Funcin
objetivo
N = 1000
Matriz de Incidencia
x1
f1 = ln( x1 ) 2 = 0
f 2 = x2 3 x4 5 = 0
3
f 3 = ( x2 ) x3 + x4 1 = 0
f1
f2
f3
x2
x3
x4
X
X
X
X
X
Trayectorias de Steward
Variable de Diseo: Cualquiera de x2, x3 y x4
x1
f1
f2
f3
x2
x3
x4
X
X
X
X
X
min f ( x, y )
s.t. h( x, y ) = 0
g ( x, y ) 0
x R n , y {0,1}
El Modelo Matemtico
min f ( x, y )
s.t. h( x, y ) = 0
g ( x, y ) 0
x R n , y {0,1}
Minimizar Costos
Maximizar Utilidades
Lmites:
0< Comp <1
Temperatura,
Presin, etc.
Decisiones discretas:
Equipo Existe ?
x 2 + ln ( y ) = 1
Equipo
No Existe
y=1
Equipo
Existe
Continuas
Enteras+Continuas
Programacin Programacin
Programacin Mixta Entera
Mixta Entera
No Lineal
Lineal
No Lineal
f(x)
x1
x2
Convexa
x1
x2
No
Convexa
Funcin Convexa?
Funcin
f ( x) = x 3 6 x 2 + 11x 6
f ( x1 ) = f (1) = 0
Intervalo (1,3)
f ( x2 ) = f (3) = 0
f (x1 + [1 ]x2 ) f ( x1 ) + (1 ) f ( x2 )
= 0.25
= 0.75
No
Convexa
No se cumple
FR = x h(x ) = 0, g (x ) 0, x R n
Convexa o No Convexa?
Convexa si para toda x1 y x2 FR:
x = x1 + (1 ) x2 FR, (0,1)
x1
x1
x2
x2
Convexa
No
Convexa
Tcnicas de Optimizacin
Tcnicas de Optimizacin
*
Programacin Lineal
Programacin Lineal
Forma General
Maximize 300 x1 + 200 x2
sujeto a 5 x1 + 2 x2 180
3x1 + 3 x2 135
x1 25
min c x
s.t. A x b
x0
x Rn
300
c=
200
x1
x=
x2
5 2
A = 3 3
1 0
180
b = 135
25
Mtodo Simplex
Si la funcin objetivo
disminuye en esta direccin
g1=0
g2=0
Este sera el punto ptimo
Regin
de
bsqueda
Mtodo Simplex
1)
2)
3)
4)
5 x1 + 2 x2 180
3x1 + 3 x2 135
x1 25
5 x1 + 2 x2 + s1 = 180
3x1 + 3 x2 + s2 = 135
x1 + s3 = 25
Mtodo Simplex
x1
s1
s2
s3
180
s1
135
s2
25
s3
-300
Matriz de
Coeficientes
x2
-200
Punto inicial
x1 = 0
x2=0
s1 = 180
s2=135
s3 = 25
Eliminacin Gaussiana
s3
x2
s1
s2
s3
-5
55
s1
-3
60
s2
25
x1
-200
300
7500
Pivoteo en el Mtodo
Simplex
El pivote en los pasos de eliminacin Gaussiana
se escoge de modo que:
Columna: el coeficiente de la funcin
objetivo es el ms negativo
Rengln: la menor proporcin entre b y el
coeficiente de la columna seleccionada
Rengln Pivote
Qu ocurre si no se toma la menor proporcin?
s2
x2
s1
s2
s3
-3
-5/3
-45
s1
1/3
45
x1
-1
-1/3
-20
s3
300
100
1350
Mtodo Simplex
Eliminacin Gaussiana
s3
s2
s1
s2
s3
-2/3
-3
15
s1
1/3
-1
20
x2
25
x1
200/3
100
11500
es
cero
se
Mtodo Simplex
Maximize 300 x1 + 200 x2
sujeto a 5 x1 + 2 x2 180
3x1 + 3 x2 135
x1 25
x2
(0,90)
(0,45)
(25,27.5)
(25,20)
(0,0)
(25,0)
x1
Programacin No Lineal
Condiciones de Optimalidad
Optimizacin Sin Restricciones
min f ( x )
x Rn
x1
f (x ) = M = 0
f
xn
Se obtiene un sistema
de n Ecuaciones con n
Variables x
Condiciones de Optimalidad
Optimizacin Sin Restricciones
min f ( x )
x Rn
x1
f (x ) = M = 0
f
xn
2 f
2 f
x1 x2
x12
H = 2
f
2 f
2
x2 x1
x1
1 xT H x 0
2
Hessiana para el
caso de 2 variables
2 x1 6
f ( x ) =
=0
2 x2 2
2 0
H =
0 2
x1 = 3
x2 = 1
H es positiva definida
Optimo Global
Condiciones de Optimalidad
Optimizacin Con m Restricciones de Igualdad
min f ( x )
s.t. h( x) = 0
x Rn
L ( x, ) = f ( x ) + h ( x ) = f ( x ) + j h j ( x )
T
se denominan multiplicadores de
Lagrange y constituyen m variables
adicionales en el problema
L( x, )
= h( x ) = 0
Se obtiene un sistema
de n+m Ecuaciones
con n+m Variables x
y
Optimizacin con
Restricciones de Igualdad
min ( x1 ) 2 6 x1 + (x2 )2 2 x2
s.t. x1 x2 2 = 0
2 x1 6
1
f ( x ) + j h j ( x ) =
+ 1 1 = 0
j
2 x2 2
h( x ) = x1 x2 2 = 0
2 x1 6 + 1 = 0
2 x2 2 1 = 0
x1 x2 2 = 0
Condiciones de Optimalidad
Optimizacin Con m Restricciones de Igualdad y r de
Desigualdad
min f ( x)
s.t. h( x) = 0
g ( x) 0
x Rn
j =1
k =1
L ( x, , ) = f ( x ) + h ( x ) + g ( x ) = f ( x ) + j h j ( x ) + k g k ( x )
T
L(x, , )
= h( x ) = 0
k (x ) g k (x ) = 0
k (x ) 0
g k (x ) 0
Se obtiene un sistema
de n+m+r Ecuaciones
con n+m+r Variables
x, y
Condicin necesaria:
L( x, , )
= f ( x ) + j h j ( x ) + k g k ( x ) = 0
x
j
k
L(x, , )
= h( x ) = 0
k (x ) g k (x ) = 0
k (x ) 0
g k (x ) 0
Optimizacin con
Restricciones de
Desigualdad
2
min f ( x ) = 1 (x12 + x2 ) 3 x1 x2
2
s.t. g1 = x1 + x2 0
g 2 = x1 1 x2 2 0
2
Note:
x1 3
1
1
f ( x ) + k hk ( x) =
+ 1 1 + 2 1 2 = 0
k
x2 1
x1 1 + 2 = 3
x2 + 1 1 2 = 1
2
1 ( x1 + x2 ) = 0
2 x1 1 x2 2 = 0
2
Programacin No Lineal
Estrategia del Conjunto Activo (Active Set Strategy)
Solucin al Conjunto de Ecuaciones KKT
f ( x ) + j h j ( x ) + k g k ( x ) = 0
j
h( x ) = 0
k (x ) g k (x ) = 0
k (x ) 0
g k (x ) 0
Desigualdades
g k (x ) = 0
Activa
g k (x ) < 0
Inactiva
Programacin No Lineal
Estrategia del Conjunto Activo
1) Definir conjunto activo. Inicialmente:
J1 = {k g k = 0}
g k > 0 k = 0
f ( x ) + j h j ( x ) + k g k ( x ) = 0
kJ1
h( x ) = 0
g k ( x ) = 0 k J1
Programacin No Lineal
Estrategia del Conjunto Activo
3) Si para toda k g k ( x) 0 y k 0
OK
Programacin No Lineal
Estrategia del Conjunto Activo: Ejemplo
2
min f ( x ) = 1 (x12 + x2 ) 3 x1 x2
2
s.t. g1 = x1 + x2 0
g 2 = x1 1 x2 2 0
2
g 3 = x2 0
J1 =
x 3
f ( x ) + k hk ( x) = 1 = 0
k
x2 1
x1 = 3
x2 = 1
1 = 0
2 = 0
3 = 0
kJ1
g k > 0 k = 0
Verificando restricciones y s:
g1 = 2 < 0
g 2 = 1 / 2 > 0 !!!
g 3 = 1 < 0
1 = 0
2 = 0
3 = 0
Activar g2
J 2 = {2}
Programacin No Lineal
Programacin Cuadrtica Sucesiva (SQP)
min f ( x )
s.t. h( x ) = 0
g ( x) 0
x Rn
Condiciones de optimalidad
(Karush-Khun-Tucker)
Sistema de Ecuaciones
No Lineales
Iteracin de Newton
Programa cudratico
Programacin Mixta-Entera
Representacin de Procesos en
Trminos de Variables Binarias
x1
z1
x0
10 kmol/hr B
x2
1 if reactor I is selected
y1 =
0 if reactor I is not selected
1 if reactor II is selected
y2 =
0 if reactor II is not selected
II
z2
Relaciones Lgicas
p j
1) NOT
1 y j
7) Teorema de Morgan
pi p j
2) OR (exclusivo) y + y = 1
i
j
3) OR (inclusivo)
pi p j
yi + y j 1
pi p j
4) AND y 1, y 1
j
i
pi p j pi p j
5) If-Then
1 yi + y j 1 yi y j
6) Iff-Then
pi p j
yi = y j
( A B ) A B
( A B ) A B
8) Distribucin de
AND
( A B ) C ( A C ) (B C )
Representando Alternativas
Convex Hull
Big - M
x11 + x12 = x1
x1 2 x2 M (1 y1 )
x1 2 x2 M (1 y1 )
x1 1 M (1 y1 )
y1 + y2 = 1
x1 5 x2 M (1 y2 )
x1 5 x2 M (1 y2 )
x1 1 M (1 y2 )
x1 , x2 0
x21 + x22 = x2
x11 My1
x12 My2
y1 y2
= 2 x2 x1 = 5 x2
x1
x1 1 x1 1
x , x 0 x , x 0
1 2
1 2
x21 My1
x22 My2
x11 2 x21 = 0
x12 5 x22 = 0
x11 y1
x12 y2
y1 + y2 = 1
x11 , x12 , x21 , x22 0
Procedimiento:
1)
y3=0
0<y2<1 y2=0
0<y3<1
y1=0
0<y1<1
0<y2<1
0<y3<1
Relajado
y3=1
y2=1
y1=1
1)
2)
3)
[1,1,0]
min z = x + y1 + 3 y2 + 2 y3
s.t. x + 3 y1 + 2 y2 + y3 0
5 y1 8 y2 3 y3 9
x 0, y1 , y2 , y3 {0,1}
[1,0.5,0]
y2=1
z =9
z = 6.5
y1=1
infactible
[0,1,1]
y2=0
y2=1
[0.2,1,0]
z =8
z = 5.8
y1=0
m=3
2 m +1 1 = 15
y3=1
[0,0.075,1]
z = 6.75 y =0
2
[0,1,0.333]
z=6
infactible
y3=0
infactible
Algoritmo
General
Nueva y
Resolver el Problema Maestro MILP
ZL
SI
ZL<ZU ?
NO
Solucin
Problema Maestro
Z = min
( ) ( )(
( )( )
T
sujeto a cT y + f x k + f x k x x k
T
g x k + g x k x x k + By 0
Ay a
m
y {0,1} x R n
R
min c y + f ( x)
g ( x) + B y 0
Ay a
m
y {0,1} x R n
( )
k T
( )
f(x)
k x k es la solucin ptima de S y k
T =
( ) ( )(
( )( )
T
sujeto a cT y + f x k + f x k x x k
T
g x k + g x k x x k + By 0
Ay a
m
y {0,1} x R n
( )
k = 1K K
( )
x1 (1 y1 ) 0
x2 y 2 0
x1 + x2 3 y3
y1 + y2 + y3 1
0 x1 4
0 x2 4
3)
y1 = 1 y2 = 1 y3 = 1
y1 = 1 y2 = 0
y3 = 0 x1 = 2 x2 = 0 z L = 1
NLP
y1 = 1 y2 = 0
y3 = 0
MILP
2)
NLP
MILP
1)
y1 = 0
y2 = 1 y3 = 0 x1 = 1 x2 = 0 z L = 1.5
NLP
y1 = 0
y 2 = 1 y3 = 0
MILP
y1 = 0
y2 = 0
y1 , y2 {0,1}
x1 = 2 x2 = 2 zU = 11
x1 = 2 x2 = 0 zU = 5
x1 = 1 x2 = 1 zU = 3.5
y3 = 1 x1 = 2 x2 = 1 z L = 4.5
zOA = min OA
s.t. OA 2.7 y + 3.4366 x 2.9525
0.36787 x + y 0.36788
0.87085 x + y 0.2581
0 x
y {0,1}
z L < zU
y=0
zOA = 1.939
( zL )
Volver a paso 1
con nuevo valor
y=0
El Entorno de Modelacin
GAMS y sus Resolvedores
Compresor
Divisor de Corriente
Corriente
de
Reciclo
Intercambiador
Separador
Flash
Alimentacin
Mezclador
Reactor
Sistema
Resultante
Simuladores y Optimizadores
Comerciales
Corriente Modular Secuencial: Simuladores de
Procesos ASPEN, PRO/II, HySys
ASPEN
Modelado por configuracin
ASCEND
GAMS
NLP: CONOPT, MINOS, LACELOT, SRQP, LINGO
NLP
MINLP: DICOPT
MINLP
MILP, LP: CPLEX, OSL, LINDO, SCICONIC, XA
LP
GAMS la Interfase
Resolvedores en GAMS
Tipos de Problemas
Algoritmos
de Solucin
GAMS: Ejemplo 1
W1
y0 = 0
Q=1000 lb/hr
xF = 0.2
Etapa de
Extraccin
Q=1000 lb/hr
x1
W1
y1
Max Q(xF x1 ) W1
Qx F = Qx1 + Wy1
Hx1
y1 =
(H 1)x1 + 1
= 0.05
H =1.2
GAMS: Ejemplo 2
xDA = 0.8
zA = 0.6
zB = 0.3
zC = 0.1
AC = 2.3
BC =1.3
F = 1000 Kmol/hr
CC =1.0
q =1.0
j =1
zj
j xD
j
j =1
x
j =1
D
j
= 1 q
= 1 + Rmin
=1
Algunas Aplicaciones en
Ingeniera Qumica
Optimizacin de Columnas y
Secuencias de Destilacin
Diseo ptimo de
Columnas
D, Pureza
ABC
Alimentacin
2)
BC
AB
C
Minimizar Costo
ABC
F
l
ktop =
top
lC k
lC k
F
l
x iF
k
l Ck
kbot =
l C kbot
F
l
bot
lC k
lC k
F
l
Fijo
Variable
k
3
Carga trmica
Kk
k
3
(10 $/ao)
(10 KJ / Kgmol)
A/BCD
145
0.42
0.028
AB/CD
52
0.12
0.042
ABC/D
76
0.25
0.054
A/BC
125
0.78
0.024
AB/C
44
0.11
0.039
B/CD
38
0.14
0.040
BC/D
66
0.21
0.047
A/B
112
0.39
0.022
B/C
37
0.08
0.036
C/D
58
0.19
0.044
Costos de utilidades:
Agua de enfriamiento: CW = 1.3 (103$ hr/ 106 KJ ao)
Vapor: CH = 34 (103$ hr/ 106 KJ ao)
Superestructura
B/CD
F4
y4
F8
A/BCD
C/D
y8
F5
BC/D
y5
F1
y1
Superestructura con
4 Componentes
F2
ABCD
y9
AB/CD
y2
FTOT
B/C
F9
F3
y3
A/BC
F6
y6
ABC/D
F7
y10
y7
F10
AB/C
A/B
Modelo
Balance Global
FTOT = 1000 = F1 + F2 + F3
Factores de separacin
1A
=0.15
1BCD =0.85
2
AB
CD
=0.45
6 =0.188
Mezclas Intermedias
6BC =0.812
7
AB
=0.5625
=0.55
7 =0.437
3ABC =0.8
8C =0.636
3D =0.2
8D =0.364
4B =0.353
9B =0.462
4CD =0.647
9C =0.538
5BC =0.765
10A =0.333
5D =0.235
10B =0.667
BCD
F4 + F5 0.85F1 = 0
ABC
F6 + F7 0.8F3 = 0
AB
BC
F9 0.765F5 0.812 F6 = 0
CD
F8 0.55 F2 0.647 F4 = 0
Flujos (Big-M)
Fk 1000 y k 0 Fk 0
Cargas Trmicas
Qk = K k Fk k = 1,...,10
y k = 0,1 k = 1,...,10
Funcin Objetivo
10
10
k =1
k =1
Sntesis de Redes de
Intercambio de Calor
h1
500 K
h2
418 K
c1
375 K
305 K
c2
310 K
298 K
Modelo MINLP
(SYNHEAT)
Estrategia de Optimizacin Simultnea
Stage 1
H1-C1
H1
Stage 2
H1-C1
H1-C2
H1-C2
H2-C1
H2-C1
H2-C2
H2-C2
C1
H2
C2
MODELO
Balance de calor total para cada corriente:
(TIN i
TOUT
(TOUT
TIN
)F i
j
)F
k ST j CP
ijk
k ST i HP
ijk
+ qcu i , i HP
+ qhu j , j CP
(t
ik
t i , k + 1 )F i =
jk
t j , k + 1 )F j =
j CP
ijk
i HP
= TIN
+1
j CP
Factibilidad de temperaturas:
t ik t i , k +1 , k ST , i HP
t jk t j , k +1 , k ST , j CP
TOUT i t i , NOK +1 , i HP
TOUT
t j ,1 , j CP
j ,1
, k ST , j CP
t i ,1 = TIN i , i HP
i , NOK +1
Restricciones lgicas:
, k ST , i HP
ijk
(t
TOUT )F = qcu , i HP
(TOUT t )F = qhu , j CP
j
(t
qcui zcui 0, i HP
qhuj zhuj 0, j CP
zijk , zcui , zhuj = 0,1
Planeacin de la
Produccin
Demand
d1
d3
T3
d2
T1
T2
H
d4
T4
Thousands of barrels/day
3200
3100
3000
2900
2800
2700
2600
2500
Jan
Mar
Jul
May
Month
Sep
Nov
Jan
well head
well bore storage
Geological Properties:
permeability
thickness
porosity
etc.
oil
flow
well bore
reservoir
oil flow
pw
pup
pflow
pshut
plow
ts
ts
Modelos de
Programacin MixtaEntera
El tiempo de operacin H es dividido en NP periodos
de tiempo. Dadas las demandas de produccin del
petrleo en cada periodo de tiempo y las constantes de
caracterizacin de los pozos, determinar:
Los perfiles de produccin y
Los tiempos operacin de cada pozo
Modelo MILP
Minimize
q T d
ij
q T + ij yijT + ij 1 yij T
ij ij
j P
Yij
Wij1
Wij 2
Yij
i W , j P
p f = pin D p f = pin + I p f = pup
ij
i
ij
ij
ij
ij
ij
ij
in
up
in
up
i W , j P
Dij = qij {c1 [ln(T ) + c2 ]}
i W , j P
I ij = qis {c1 [ln(T ) + c2 ]}(1 yij )
max
in
i W , j P
qij {c1 [ln(T ) + c2 ]} = pij pilow
max
i W , j P
qij qij
i W , j P
qij qiup yij + qlow 1 yij
i W , j P
qij qlow
in
pij = pijf1
i W , j P
Calendarizacin de
Procesos por Lotes
Grficas de Gant
Producto A
Mezclador
Reactor 1
Reactor 2
Centrfuga
20
20
20
20
4