Principios de optimización
Técnicas de optimización
Para optimizar un sistema se debe establecer una función objetivo, la cual
trata de maximizar algún tipo de beneficios o salidas del sistema, o de
minimizar algún tipo de costos o entradas al proceso.
La búsqueda se lleva a cabo bajo restricciones como balances de materia,
balances de energía, ecuaciones de diseño, así como estipulación de algunas
variables.
Si existe un solo grado de libertad, se tiene un caso de optimización de una
variable; si existen varios grados de libertad, entonces la optimización se
conoce como multivariable.
Optimización de una variable
Caso simple de solución de un Usar principios
problema de optimización de cálculo
diferencial
La derivada de la función con respecto a la
variable de interés igualada a cero
proporciona el máximo o el mínimo que se
busca
Este procedimiento requiere de relaciones matemáticas explícitas y continuas, cuando
no se cumple, se establece la necesidad de técnicas de búsqueda.
Las técnicas de búsqueda se basan en el concepto de eliminación de regiones.
La función objetivo se evalúa en varios
puntos contenidos en el espacio de
búsqueda
Se rechaza la región que contiene los
peores valores obtenidos
La región remanente contiene el mejor
punto, detectado hasta ese momento
El proceso se repite, la región de búsqueda
se va aislando hasta que contenga el punto
óptimo dentro de una aproximación deseada
Optimización de una variable
La función objetivo para un
problema de optimización debe ser
unimodal para que el valor óptimo
global se garantice al resolver el
problema mediante algún método
numérico.
Funciones unimodales
Funciones no unimodales conducen
a soluciones que no garantizan un
valor óptimo global, aunque la
solución que se obtiene corresponde
cuando menos a un óptimo local.
Función no unimodales
El método de la sección dorada
El método se basa en la colocación de puntos de búsqueda simétricos, de tal manera
que en cada iteración, el punto que se conserva sirve como base para la selección del
nuevo punto, el cual a su vez debe conservar la simetría original, pero acotando la
solución óptima dentro de un intervalo de búsqueda menor.
ai li ri bi
Deducción del método:
Comencemos con una estructura inicial, que consiste de los límites de búsqueda
especificados, más un punto interior, colocados de la siguiente manera:
a0 l0 b0
La relación entre la distancia del punto interno al extremo b0 (b0 - l0) y la distancia
entre los extremos (b0 - a0) es siempre una constante.
.....
La estructura final incluye dos puntos interiores colocados simétricamente de la
siguiente manera:
a0 l0 r0 b0
Ecuación 1 Ecuación 2
Despejando de las ecuaciones 1 y 2, l0 y r0 respectivamente, tenemos:
....
Supongamos que los dos puntos de búsqueda se colocan a una distancia τ de cada
lado de la región que se analiza.
Una vez evaluada la función una región puede ser eliminada:
τ Donde:
τ2 = (1 – τ)
τ2 Por lo que
τ τ2 + τ - 1 = 0
Procedimiento:
1. Colocar puntos simétricos de acuerdo a las ecuaciones (1) y (2)
2. Rechazar el peor punto de los dos con su respectiva región adyacente.
3. El punto que se conserva sirve de base para la siguiente iteración.
4. Cambiar la posición relativa del punto que se conserva para el nuevo espacio de
búsqueda, de la manera siguiente:
a) Si en la iteración se rechazó la región derecha (incluyendo el punto r ), el punto
izquierdo l será el punto derecho r1 para la siguiente iteración.
b) Posteriormente se evalúa l1 para el intervalo reducido de manera similar a la
ecuación (1).
c) Un procedimiento análogo se usa en caso de eliminar el punto l y la porción
izquierda.
Reducción de intervalo
La contracción que se logra en el espacio de búsqueda con el método de la Sección
Dorada está dada por:
Donde:
n = número de evaluaciones de función, equivalentes a n – 2* iteraciones.
*
Este número de iteraciones implica que la colocación de puntos iniciales se
ha definido como la iteración 0.
Aplicación del método de sección dorada
Encontrar el mínimo de la función f(x) = x2 – x en el intervalo (0,2). Usar cuatro
iteraciones.
Primero podemos predecir el grado de reducción del intervalo original para las
cuatro iteraciones que se desean, las cuales equivalen a n = 6 evaluaciones de
función.
ó 9% del intervalo original
Iteración 0. Colocación de puntos iniciales
a0 l0 r0 b0
0 0.764 1.236 2
Evaluando la función en estos puntos se obtiene:
f(x) = x2 – x
El peor punto es r0, por lo que se rechaza el intervalo (r0,b0) = (1.236,2) como se
muestra esquemáticamente a continuación:
Iteración 1
El intervalo remanente (a1,b1) es (0,1.236)
a1 l0 r1 b1
0 0.764 1.236
El punto l0 = 0.764 se convierte en r1, por lo que debemos evaluar el punto l1 para
esta iteración.
Evaluando la función en estos puntos se tiene:
f(x) = x2 – x
Como f(r1) > f(l1) y estamos minimizando la función, debe rechazarse la región a
la derecha de r1, es decir (0.764, 1.236), como se muestra a continuación:
Iteración 2
El intervalo remanente (a2,b2) es (0,0.764)
a2 l1 r2 b2
0 0.472 0.764
El punto l1 = 0.472 se convierte en r2, por lo que debemos evaluar el punto l2 para
esta iteración.
l2 = b2 – τ(b2 – a2) = 0.764 -0.618(0.764 – 0) = 0.292
Evaluando la función en estos puntos se tiene:
f(r2) = -0.249
f(x) = x2 – x
f(l2) = -0.207
f(l2) > f(r2) por lo que debe eliminarse la región comprendida a la izquierda de l2:
Iteración 3
El intervalo remanente (a3,b3) es (0.292, 0.764)
a3 l3 r2 b3
0.292 0.472 0.764
El punto r2 = 0.472 se convierte en l3, por lo que debemos evaluar el punto r3 para
esta iteración.
r3 = a3 + τ(b3 – a3) = 0.292 + 0.618(0.764 – 0.292) = 0.584
Evaluando la función en estos puntos se tiene:
f(r3) = -0.243
f(x) = x2 – x
f(l3) = -0.249
Como f(r3) > f(l3) por lo que debe eliminarse la región comprendida a la derecha de
r3:
0.292 0.472 0.584 0.764
Iteración 4
(a4, b4) = (0.292, 0.584)
l3 r4 = 0.472; f(r4) = -0.249
l4 = 0.403
F(l4) = -0.240
Eliminar (0.292, 0.403)
0.292 0.403 0.472 0.584
Hasta este nivel, el óptimo se ha acotado en el intervalo (0.403,
0.584), el cual corresponde al 9% del intervalo original. El mejor
punto obtenido en cuatro iteraciones es
x* = 0.472
Optimización de un sistema de extracción
Se va a diseñar un proceso de extracción líquido-líquido para recuperar un soluto valioso. Las
variables relevantes de esta operación se indican en el siguiente diagrama.
El flujo de alimentación Q es de 1,000 lb de solvente/h, con una concentración de soluto de
0.20 lb de soluto/lb de solvente. Esta corriente se va a poner en contacto con un solvente de
lavado W. Se desea detectar la cantidad de solvente de lavado que debe usarse para
maximizar la siguiente función objetivo: máx [Q(xF – x1) – λW], donde Q(xF – x1) representa
la cantidad de soluto extraído y λ es la relación del costo unitario de solvente de lavado al
valor unitario del soluto. Usando un valor de λ = 0.05, determine la cantidad óptima de
solvente de lavado.
Primero desarrollemos la modelación del sistema.
Debido a la forma de la función objetivo las ecuaciones requeridas son de balance
de materia y relación termodinámica.
Balance de materia:
Balance de soluto:
Relación termodinámica:
La relación de equilibrio entre x1 y y1 está dada por la figura que se muestra a
continuación, la cual puede expresarse como:
Un análisis de grados de libertad nos indica que tenemos un sistema de dos ecuaciones
con tres incógnitas. El grado de libertad existente nos proporciona un problema de
optimización de una variable.
En principio, podemos usar cualquiera de ellas como variable de búsqueda.
Por conveniencia es mejor usar x1 ya que su valor está acotado entre 0 y xF, lo cual
facilita la búsqueda del punto óptimo.
Usando el método de Sección Dorada para optimizar el sistema, los puntos iniciales de
búsqueda son:
a0 l0 r0 b0
0 0.0764 0.1236 0.2
Para el punto de búsqueda x1 = l0 :
De la relación de equilibrio entre x1 y y1, para un valor de x1= 0.0764 se obtiene
un valor de y1= 0.147
Sustituyendo x1 y y1 en la ecuación de balance de soluto, obtenemos el valor de
W:
W = 840.8 lb/h
Evaluando la función en este punto se tiene:
función objetivo: máx [Q(xF – x1) – λW]
f = 81.56
Para el punto de búsqueda x1 = r0 :
El punto r0 contiene un peor valor de la función objetivo, por lo tanto se
elimina la región [r0, b0].
Iteración 1
a1 l0 r1 b1
0 0.0764 0.1236
r1 = 0.0764
l1 = b1 – τ(b1 – a1) = 0.1236 -0.618(0.1236 – 0) = 0.0472
Para el punto de búsqueda x1 = l1 : y1 = 0.103
W = 1,483.5 Se elimina la región
f = 78.6 [a1, l1].
Para el punto de búsqueda x1 = r1 : y1 = 0.147
W = 840.8
f = 81.56
La siguiente tabla resume el proceso de búsqueda para encontrar la solución óptima:
Después de 5 iteraciones, la solución óptima que se ha encontrado implica
x1 = 0.0695
con lo cual
y1 = 0.15
W = 870 lb/h
y el valor de la función objetivo es
f = 87.0
