Metodologas de optimizacin
MODELACION MATEMATICA TALLER 4
METODOLOGAS DE OPTIMIZACIN
Mara Teresa Yate, 234632, Benjamn Mauricio Martnez, 234189, y Fernando Andrs Castro, 234158.
Universidad Nacional de Colombia sede Bogot
Resumen En este informe correspondiente al taller
nmero cuatro de la asignatura Modelacin Matemtica se
busca entender y comprender la metodologa de solucin para
abordar y analizar problemas de optimizacin haciendo uso de
algoritmos y diferentes herramientas computacionales para dar
solucin a este tipo de planteamientos, ya que estos son muy
comunes en el ejercicio propio de la ingeniera en especial de
l@s ingenier@s mecanic@s.
ndice de Trminos Mximo, Mnimo, Mtodo simplex,
Multiplicadores de Lagrange, Optimizacin, Programacin
lineal.
1. INTRODUCCIN
En muchas aplicaciones y actividades de la vida diaria se hace
necesario muchas veces buscar la manera de gastar la menor
cantidad de recursos, la manera de obtener la mayor ganancia,
o la forma de obtener el costo mnimo; en general se busca la
manera de optimizar un determinado proceso, con el fin de
obtener beneficios.
La optimizacin es un proceso que puede darse en
aplicaciones de administracin, economa, nutricin,
produccin animal, produccin pecuaria, problemas de
transporte, ingeniera de procesos & manufactura y en general
en todas las aplicaciones de ingeniera actuales.
La optimizacin consiste bsicamente en llevar a lenguaje
matemtico un proceso, es decir describir el objetivo como
una funcin en trminos de las variables que intervienen en el
proceso (funcin objetivo); de igual manera con las
restricciones, se busca que estas estn regidas por una o varias
expresiones matemtica que parametricen el proceso de la
manera ms cercana a la realidad, esto con el fin de hallar un
valor mximo o mnimo para la funcin objetivo.
Luego del prrafo anterior se puede decir que la optimizacin
es una herramienta matemtica que permite evaluar los puntos
Maria teresa Yate mtyateh@unal.edu.co
Fernando Andrs Castro facastrot@unal.edu.co
Benjamn Mauricio Martnez bmmartinezc@unal.edu.co
Universidad Nacional de Colombia.
mximos o mnimos de una funcin que modela un sistema o
un proceso.
Hoy en da se cuenta con una gran cantidad de herramientas
para solucionar problemas, situaciones y planteamientos que
ameritan un anlisis de optimizacin, la utilizacin de esas
herramientas est dada por la naturaleza del proceso o sistema
a optimizar ya que las restricciones pueden ser de distintos
tipos, de este modo se tiene que aunque se busca lo mismo en
todos los procesos de optimizacin las condiciones y la
naturaleza de estos pueden ser muy diferentes.
En este taller se van a emplear herramientas como Solver que
es un complemento de EXCEL y funciones propias de
Matlab y adicionalmente para el desarrollo del segundo
problema se empleara el uso del mtodo simplex que es
bsicamente un mtodo analtico e iterativo de un problema de
programacin lineal.
2. PROGRAMACION LINEAL Y EL METODO
SIMPLEX
La programacin lineal es un tipo de problema de
optimizacin [1] o dicho de otra manera la programacin
lineal es un procedimiento o algoritmo matemtico mediante
el cual se resuelve un problema indeterminado, formulado a
travs de ecuaciones lineales, optimizando la funcin objetivo
siendo esta tambin lineal.[2]
Un problema de programacin lineal bidimensional consiste
en una funcin objetivo <lineal> y un sistema de
desigualdades lineales denominadas restricciones. La funcin
objetivo da la cantidad que habr de maximizarse (o
minimizarse) y las restricciones determinan el conjunto de
soluciones factibles.[3]
La programacin lineal se plantea como un modelo
matemtico desarrollado durante la Segunda Guerra
Mundial para planificar los gastos y los retornos, a fin de
reducir los costos al ejrcito y aumentar las prdidas del
enemigo. Se mantuvo en secreto hasta 1947. En la posguerra,
muchas industrias lo usaron en su planificacin diaria. [3]
Metodologas de optimizacin Universidad Nacional de Colombia. 2

En cuanto al mtodo simplex este se explicara ms DESARROLLO

detalladamente en el desarrollo del problema 2.
Para
ara el desarrollo del problema se acudi a internet [4],
encontrando que el valor de a que se refiere al radio del rea
3. PROBLEMAS de contacto tiene la forma:
PROBLEMA 1

Hay muchas aplicaciones en las que dos cuerpos esfricos

estn en contacto entre si, como se muestra en la figura 1. Se
desea determinarr el esfuerzo cortante mximo y su ubicacin a
lo largo del eje Z para un valor de la relacin de Poisson,
=0.3, del material.

Fig. 1. Cuerpos esfricos en contacto y su distribucin de presin en la zona.

El esfuerzo cortante a lo largo del eje Z se puede calcular

mediante la expresin del esfuerzo principal como:

 1 2 1   3 

    
2 2 1    2 1   
Fig. 2.. Cuerpos esfricos en contacto bajo la accin de una fuerza F de

Donde  Za , y a es el radio de la zona de contacto entre

compresin.

Si se trabaja =0.3, y E=210E9 [Pa], como si se trabajara con

los dos cuerpos esfricos, como se muestra en la figura 1. La
presin mxima se reproduce en el centro de la zona de
contacto a, y se da como: acero, adems se establece que los dimetros de las esferas son
3 iguales, se tiene:
 
2   0.000118
000118 # $


Es bien sabido que el esfuerzo cortante mximo no se produce a) Identifique las variables de diseo.
en la superficie de contacto, sino ms bien a una pequea
distancia por debajo de la superficie. La ubicacin de esta Como se puede ver en las ecuaciones que definen el esfuerzo
superficie, donde se produce el esfuerzo cortante mximo, se en la esfera, los nicos parmetros que se pueden modificar
cree que es un factor
actor importante en el fallo por fatiga. Segn el
para cambiar el valor del esfuerzo son el dimetro de las
proceso de optimizacin:
esferas y el valor de la carga.
a) Identifique las variables de diseo.
b) Defina la funcin objetivo o de costo. Variables de diseo: d y P
c) Identifique las restricciones del problema.
d) Determine la solucin del problema, aplicando b) Defina la funcin objetivo o de costo.
multiplicadores de Lagrange.
e) Determine la solucin del problema, mediante Solver y Con el valor de =0.3,, la funcin a maximizar es:
Matlab o Mathematica.
3 1.3  3 

  0.2  
f) Determine la solucin del problema, empleando la
herramienta de Optimtool de Matlab. 4   1    2 1   

Metodologas de optimizacin Universidad Nacional de Colombia. 3

c) Identifique las restricciones del problema. feval =

9.8346e+010
Segn el planteamiento del problema, la nica restriccin >> x(1)
existente es que el valor de Z al cual se calcula el esfuerzo, ans =
debe ser menor que el valor del dimetro de la esfera, para que 0.0500
>> x(2)
el valor de esfuerzo siempre se calcule dentro del volumen de ans =
la esfera. 10000
>> x(3)
dZ>0 ans =
4.5602e-004
d) Determine la solucin del problema, aplicando
multiplicadores de Lagrange. >> 10e10-feval

ans =
e) Determine la solucin del problema, mediante Solver y
Matlab o Mathematica. 1.6542e+009

Haciendo uso de matlab: Los valores de x(1), x(2) y x(3), son los valores de dimetro,
carga y Z respectivamente.
function f= myfun(x); d= 0.05m
a=0.000118*(x(2)*x(1))^(1/3); P=10000N
pmax2=3*x(2)/(4*pi*a^2); Z=4.5602e-004m
alpha=x(3)/a; El valor del esfuerzo mximo es:
segterm=1.3*alpha/(1+alpha^2)^0.5; = 1.6542e+009 Pa
terterm=(3/2)*(alpha^3/(1+alpha^2)^(1/3);
f=10e10-(pmax2*(0.2+segterm-terterm)); Ahora usando el complemento SOLVER de Excel.

Se puede ver que se ha cambiado la funcin objetivo, por una

resta con el fin de que al minimizarla, que es lo que hace el
programa se pueda obtener el valor de esfuerzo mximo.

function [c,ceq]=nonlcon(x)
c=[x(3)-x(1);];
ceq=[];

[x,feval]=fmincon('myfun',x0,[],[],[],[],
lb,ub,'nonlcon')
Warning: Trust-region-reflective method
does not currently solve this type of
problem,
using active-set (line search) instead. Fig. 3. Ventana en Excel del complemento SOLVER.
> In fmincon at 437
Optimization terminated: magnitude of
search direction less than 2*options.TolX FUNCION OBJETIVO 1,54E+09
and maximum constraint violation is less
VARIABLES

than options.TolCon. d 0,05

Active inequalities (to within
options.TolCon = 1e-006): P 8000,000001
lower upper ineqlin Z 4,22E-04
ineqnonlin
1 2 0,485465594
a 0,000869431
x =
RESTRICCIONES
1.0e+004 * d-Z 0,049577921
0.0000 Fig. 4. Datos introducidos en SOLVER (valores semilla 1).
1.0000
0.0000
Metodologas de optimizacin Universidad Nacional de Colombia. 4

Celda objetivo f) Determine la solucin del problema, empleando la

herramienta de Optimtool de Matlab.
(Mximo)
Celda Nombre Valor original Valor final
FUNCION
$C$1 OBJETIVO 9,64E+08 1,54E+09

Celdas cambiantes
Celda Nombre Valor original Valor final
$C$2 d 0,1 0,05
$C$3 P 8000,000001 8000,000001
$C$4 Z 5,00E-04 4,22E-04
Fig. 5. Reporte generado por SOLVER con determinados valores iniciales
(valores semilla 1).

Ahora ingresando en Solver otros valores semilla (valores

semilla 2) observaremos que el valor obtenido como valor
final es diferente del anterior.

FUNCION OBJETIVO 1,65E+09

VARIABLES

d 0,05
P 10000
Z 4,55E-04
0,485436404
Fig. 8. Ventana de Optimtool de matlab
a 0,000936567
RESTRICCIONES
d-Z 0,049545356
Fig. 6. Datos introducidos en SOLVER (valores semilla 2).

Celda objetivo (Mximo)

Fig. 9. Ventana de Optimtool de matlab
Valor Valor
Celda Nombre original final Para el resultado final y teniendo en cuenta que para el trabajo
FUNCION en Matlab, se estableci una diferencia de 10E10-valor del
$C$1 OBJETIVO 9,81E+08 1,65E+09 esfuerzo, podemos ver que el esfuerzo mximo es:

10%10 9.83458%10 = 1.6542%9

Celdas cambiantes
Valor Valor Este dato concuerda con los obtenidos por los otros mtodos,
Celda Nombre original final solo que el Optimtool es de mayor sencillez y facilidad.
$C$2 d 0,1 0,05
$C$3 P 10000 10000 PROBLEMA 2
$C$4 Z 4,22E-04 4,55E-04
Fig. 7. Reporte generado por SOLVER con determinados valores iniciales La programacin lineal es una tcnica de modelado
(valores semilla 2). matemtico, diseada para optimizar el empleo de recursos
limitados. El algoritmo simplex est diseado para localizar la
ptima solucin. Este algoritmo, se basa en las operaciones
rengln de Gauss-Jordan.
Metodologas de optimizacin
a) Explique la filosofa del mtodo Simplex.
b) Elabore un ejemplo que ilustre la teora y la aplicabilidad
del mtodo.
DESARROLLO
a) El mtodo simplex surge como una forma dar solucin a
un sistema lineal de inecuaciones para ser implementado
en un proceso de optimizacin. El problema de la
resolucin de un sistema lineal de inecuaciones se
remonta, al menos, a Fourier. La programacin lineal se
plantea como un modelo matemtico desarrollado
durante la Segunda Guerra Mundial para planificar los
gastos y los retornos, a fin de reducir los costos al
ejrcito y aumentar las prdidas del enemigo. Se
mantuvo en secreto hasta 1947. En la posguerra, muchas
industrias lo usaron en su planificacin diaria.[3]
En programacin lineal para hallar la solucin de un
proceso de optimizacin esta se busca de una manera
casi que grafica (si el problema es de tipo
bidimensional), mientras que en el mtodo simplex la
solucin se encuentra analticamente de manera anloga
al mtodo grafico.
George Dantzig, fue quien planteo, enuncio y public
el algoritmo simplex, en 1947, y junto a John von
Neumann, que desarroll la teora de la dualidad en el
mismo ao, y Leonid Kantorvich, un matemtico ruso,
que utiliza tcnicas similares en economa antes de
Dantzig y gan el premio Nobel en economa en 1975
fueron quienes fundaron e iniciaron la tcnica de la
programacin lineal. [3]
El mtodo simplex es preferible cuando se tiene un
problema de programacin que no es bidimensional, es
decir cuando se tienen ms de dos variables ya que esto
imposibilita la solucin del problema de forma grafica, o
cuando el problema tiene un gran nmero de
restricciones, el mtodo simplex tiene la ventaja de ser
un mtodo adaptable a un software de programacin [5],
de esta manera surge la expresin algoritmo simplex.
Para un problema bidimensional se tiene que las
restricciones formaran un polgono en el dominio, y que
dentro de este polgono se encuentra la solucin que
maximiza o minimiza la funcin objetivo, ms
exactamente sobre un de los vrtices del polgono,
veamos lo que dice Larson en su libro de algebra lineal.
Universidad Nacional de Colombia. 5
Teorema 10.1 Solucin optima de un problema de
programacin lineal.
Si un problema de programacin lineal tiene solucin,
esta debe ocurrir en un vrtice del conjunto de soluciones
factibles. Si el problema tiene ms de una solucin
entonces por lo menos una de ellas debe ocurrir en un
vrtice del conjunto de soluciones factibles. En cualquier
caso, el valor de la funcin objetivo es nico. [6]
Fig. 2. Ejemplo de un problema de optimizacin bidimensional con un rea
factible encerrada por las restricciones propias del sistema.
En la figura anterior tenemos la representacin grafica de
un problema bidimensional de optimizacin.
en la figura son apreciables las lneas que definen las
restricciones y por ende el rea factible, porque la
funcin objetivo puede ser cualquier funcin de la forma:
)  *+, -/01%/
Las restricciones son de la forma:
3  45 78%.
El mtodo simplex busca proporcionar una manera
sistemtica de analizar los vrtices de la regin factible
para determinar el valor ptimo de la funcin objetivo.
Dado que las restricciones en la mayora de sistemas
estn dadas como desigualdades y el lado izquierdo de
cada desigualdad es menor o igual que el lado derecho,
entonces deben existir nmeros no negativos S1, S2
Sn, tantos como restricciones existan, para que sea
posibles sumar al lado izquierdo de cada ecuacin para
obtener un sistema de ecuaciones nxn donde se
involucren cada Si, esto tiene el fin de volver las
desigualdades en igualdades. [5]
Posteriormente se elabora una tabla simplex propia del
algoritmo, una vez que se ha establecido una tabla
simplex de un problema de programacin lineal, el
Metodologas de optimizacin Universidad Nacional de Colombia. 6

mtodo consiste en probar la optimabilidad y luego si la b) Como ejemplo de aplicacin del mtodo desarrollaremos
solucin actual no es optima, mejorar la solucin actual. el siguiente ejemplo:
(Una solucin mejorada es aquella que tiene un mayor
de Z que la solucin actual). Para mejorar la solucin Se desea encontrar el valor mximo de la siguiente funcin
actual, se introduce una nueva variable en la solucin; objetivo:
esta variable se denomina variable de entrada.
Lo anterior implica que una de las variables bsicas )  43; + 63
actuales debe salir, ya que en caso contrario se tendran Donde:
demasiadas variables para una solucin bsica; esta
variable se denomina variable de salida. Las variables de 3; 0 & 3 0
entrada y de salida se eligen como se muestra a
continuacin. Sujeta a las restricciones siguientes:
La variable de entrada corresponde al menor elemento
(el ms negativo) del rengln inferior de la tabla. 3; + 3 11
La variable de salida corresponde a la menor razn no
4
negativa de 99: , en la columna determinada por la 3; + 3 27

variable de entrada.
El elemento de la tabla simplex en la columna de la
variable de entrada y en el rengln de la variable de
salida se denomina pivote.
23; + 65 90
Se convierta cada desigualdad del conjunto en una ecuacin al
sumar las variables de holgura:

Por ltimo, para formar la solucin mejorada, se aplica la

eliminacin de Gauss - Jordan a la columna que contiene el 3; + 3 + ?; = 11
pivote.
3; + 3 + ? = 27
EL METODO SIMPLEX FORMA ESTANDAR [7]
Para resolver un problema de programacin lineal en forma 23; + 65 + ? = 90
estndar, use los pasos siguientes.
Convierta cada desigualdad del conjunto en una ecuacin
Se elabora la tabla simplex inicial.
al sumar las variables de holgura.
Elabora la tabla simplex inicial.
X1 X2 S1 S2 S3 b variables bsicas
Localice el elemento ms negativo en el rengln inferior.
-1 1 1 0 0 11 S1
La columna de este elemento se denomina columna de
entrada. 1 1 0 1 0 27 S2
Forme las razones de los elementos en la columna b con 2 5 0 0 1 90 S3
sus elementos positivos correspondientes en la columna -4 -6 0 0 0 0
de entrada. El rengln de salida corresponde a la menor
4
Z act.
razn no negativa 99: . El elemento en el rengln de
salida y en la columna de entrada se denomina pivote.
Se forma las razones de los elementos en la columna b con sus
Use las operaciones elementales en los renglones para
elementos positivos correspondientes en la columna de
que el pivote sea 1 y los dems elementos en la columna
entrada. El rengln de salida corresponde a la menor razn no
de entrada sean 0. este proceso se denomina pivoteo.
Si todos los elementos en el rengln inferior son cero o negativa 49: .
positivos, se ha llegado a la tabla final.
11 27 90
En caso de obtener una tabla final, entonces el problema = 11 ; = 27 ; = 18
de programacin lineal tiene una solucin mxima, que 1 1 5
est dada por el elemento en el ngulo inferior derecho
de la tabla. De este modo se tiene que el elemento del el primer rengln y
la segunda columna es el pivote:
Metodologas de optimizacin Universidad Nacional de Colombia. 7

X1 X2 S1 S2 S3 b variables bsicas X1 X2 S1 S2 S3 b variables bsicas

-1 1 1 0 0 11 S1 0 1 2/7 0 1/7 16 S1
1 1 0 1 0 27 S2 0 0 3/7 1 - 2/7 6 S2
2 5 0 0 1 90 S3 1 0 - 5/7 0 1/7 5 S3
-4 -6 0 0 0 0 0 0 -1 1/7 0 1 3/7 116
Z act. Z act.

Luego de aplicar el pivoteo se llega a esta tabla simplex: Como podemos observar aun se puede seguir efectuando el
pivoteo con el fin de mejorar la solucin, y se tiene que:
X1 X2 S1 S2 S3 b variables bsicas
-1 1 1 0 0 11 S1
16 7 67 5 7
2 0 -1 1 0 16 S2 = 56 ; = 14 ; = 7
2 3 5
7 0 -5 0 1 35 S3 Recordemos que se escoge la menor relacin no negativa.
De ese modo tenemos que el nuevo pivote es el elemento de el
-10 0 6 0 0 66
segundo rengln y de la tercera columna:
Z act.

Volvemos a aplicar pivoteo y se tiene que:

X1 X2 S1 S2 S3 b variables bsicas
0 1 2/7 0 1/7 16 S1
11 16 35 0 0 3/7 1 - 2/7 6 S2
= 11 ; =8 ; =5
1 2 7
1 0 - 5/7 0 1/7 5 S3
Por ende el nuevo pivote es el elemento del tercer rengln y de 0 0 -1 1/7 0 1 3/7 116
la primera columna:
Z act.

X1 X2 S1 S2 S3 b variables bsicas Luego de normalizar el rengln donde est el pivote y

-1 1 1 0 0 11 S1 efectuar el pivoteo se tiene la siguiente tabla simplex:
2 0 -1 1 0 16 S2
7 0 -5 0 1 35 S3 X1 X2 S1 S2 S3 b variables bsicas

-10 0 6 0 0 66 0 1 0 - 2/3 1/7 12 S1

0 0 1 2 1/3 - 2/7 14 S2
Z act.
1 0 0 1 2/3 1/7 15 S3
Luego se normaliza el rengln donde se encuentra el pivote: 0 0 0 2 2/3 2/3 132
Z act.
X1 X2 S1 S2 S3 b variables bsicas
-1 1 1 0 0 11 S1 En esta tabla, en el rengln inferior ya no hay elementos
2 0 -1 1 0 16 S2 negativos. Por consiguiente, se ha determinado que la solucin
1 0 - 5/7 0 1/7 5 S3 ptima es:

-10 0 6 0 0 66 3; , 3 , 3 , 3A , 3B  = 15, 12, 14, 0, 0

Z act. Con
) = 43; + 63 = 415 + 612 = 132

Luego se efecta el pivoteo y se tiene la siguiente tabla

simplex:
Metodologas de optimizacin Universidad Nacional de Colombia. 8

4. CONCLUSIONES

En el ejercicio de la ingeniera se tiene que aplicar en

muchas ocasiones procesos de optimizacin, ya que
estos nos permiten obtener beneficios que se traducen
finalmente en beneficios econmicos.

Es de suma importancia saber ante qu tipo de problema

de optimizacin estamos presentes, ya que as tendremos
la capacidad de escoger la herramienta adecuada para
poder abordar y optimizar dicha situacin.

Es importante resaltar que con Excel, para distintos

valores inciales de carga, el complemento Solver
encuentra un mximo diferente, por lo tanto se debe tener
cuidado al usar esta herramienta, ya que puede entregar
resultados errneos.

De los mtodos utilizados Optimtool es de mayor

sencillez y facilidad.

REFERENCIAS
[1] R. E. LARSON, B. H. EDWARDS Introduccin al
algebra lineal Ed. Limusa Mxico 2006.
[2] Programacin lineal. (2010, Noviembre) [Online].
http://es.wikipedia.org/wiki/Programaci%C3%B3n_lineal
[3] R. E. LARSON, B. H. EDWARDS Introduccin al
algebra lineal Ed. Limusa Mxico 2006. pp. 597.
[4] L.VANEGAS. (2009, Octubre) esfuerzos de contacto.
Diseo I facultad de ingeniera mecnica universidad
tecnolgica de Pereira. [Online]. pp. 34
http://www.utp.edu.co/~lvanegas/disI/Pres%20Cap%206
%20%20Esf%20Cont.pdf
[5] R. E. LARSON, B. H. EDWARDS Introduccin al
algebra lineal Ed. Limusa Mxico 2006. pp. 608
[6] R. E. LARSON, B. H. EDWARDS Introduccin al
algebra lineal Ed. Limusa Mxico 2006. pp. 598
teorema 10.1
[7] R. E. LARSON, B. H. EDWARDS Introduccin al
algebra lineal Ed. Limusa Mxico 2006. pp. 615