OPTIMIZACIÓN

DE PROCESOS
Prefacio
CAPITULO I
INTRODUCCIÓN
1.1 INTRODUCCIÓN Y RESUMEN
1.2 OPTIMIZACIÓN
1.2.1 Objetivo de la Optimización
1.3 OPTIMIZACIÓN DE PROCESOS
1.4 FORMULACIÓN DE PROBLEMAS DE OPTIMIZACIÓN
1.5 ÁREAS Y MÉTODOS DE OPTIMIZACIÓN
1.6 MÉTODO DE ATAQUE
1.7 DISEÑO OPTIMO Y ESTRATEGIAS DE DISEÑO
1.7.1 Costos incrementales
1.7.2 Consideraciones intangibles y prácticas
PROCEDIMIENTO GENERAL PARA DETERMINAR LAS CONDICIONES
1.8
OPTIMAS
1.9 SUMARIO
1.10 REFERENCIAS

CAPITULO II
TEORÍA CLÁSICA DE MÁXIMOS Y MINIMOS
2.1 INTRODUCCIÓN
2.2 MÉTODOS ANALÍTICOS SIN RESTRICCIONES
2.2.1 Condiciones necesarias y Suficientes para determinar puntos extremos
2.2.2 Evaluación de Máximo y Mínimo Local (Condiciones Suficientes)
2.2.3 Condiciones Suficientes para Una Variable Independiente
2.2.4 Condiciones Suficientes para Dos Variables Independientes
2.2.5 Señal de una Forma Cuadrática
2.2.6 Condiciones suficientes para N Variables Independientes
2.2.7 Aplicación al diseño de procesos
2.3 SOLUCIÓN NUMÉRICA
2.3.1 Uso de MATLAB
2.3.2 Uso de UNTSIM
2.4 FUNCIÓN OBJETIVO CON RESTRICCIONES
2.4.1 Sustitución Directa
2.4.2 Variación de Restricción
Solución Numérica Usando MATLAB
Usando UNTSIM
2.4.3 Multiplicadores de Lagrange
Solución Numérica Usando MATLAB
2.4.4 Interpretación Económica de los Multiplicadores de Lagrange
2.4.5 Restricciones de desigualdad
Usando el simulador UNTSIM
2.4.6 Método de Ascenso de la Pendiente
 CONDICIONES NECESARIAS Y SUFICIENTES PARA PROBLEMAS CON
2.5
RESTRICCIONES
2.6 APLICACIÓN A LA INGENIERÍA QUÍMICA
2.6.1 Determinación de valores óptimos con dos variables independientes
Solución Numérica Usando MATLAB
Usando el simulador UNTSIM
2.6.2 Optimización de un CSTR
Solución Numérica Usando MATLAB
Usando el simulador UNTSIM
2.6.3 Tres Reactores en Paralelo
Usando MATLAB
Usando el simulador UNTSIM
2.6.4 Tasa Interna de Retorno

CAPITULO III
OPTIMIZACIÓN DE PLANTAS
LA GRAFICA DEL PUNTO DE EQUILIBRIO PARA PLANIFICAR LA
3.1
PRODUCCIÓN Y SU SIGNIFICANCIA PARA ANÁLISIS OPTIMO
3.2 PRODUCCIÓN OPTIMA OPERACIÓN DE PLANTAS
3.2.1 Producción óptima para costo mínimo por unidad de producción
3.2.2 Producción óptima para máximo beneficio total por unidad de tiempo
Usando UNTSIM
3.3 CONDICIONES OPTIMAS EN OPERACIONES CÍCLICAS
Solución NuméricaUsando MATLB
Usando UNTSIM
3.3.1 Operaciones cíclicas semicontinuas
Formación de incrustaciones en evaporación
Optimización de un Filtro Prensa
a) Método de búsqueda
b) Método analítico
c) Solución Numérica Usando Matlab
d) Usando UNTSIM

CAPITULO IV
ANÁLISIS DE RESULTADOS
4.1 PRECISIÓN Y SENSIBILIDAD DE LOS RESULTADOS
4.2 DINÁMICA DE FLUIDOS (DIÁMETRO ÓPTIMO DE TUBERÍA)
4.2.1 Costos de bombeo
4.2.2 Cargas fijas para el sistema de tubería
4.2.3 Diámetro económico óptimo de tubería
4.2.4 Análisis incluyendo los efectos de impuestos y costo de capital
 4.2.5 Sensibilidad de los resultados
TRANSFERENCIA DE CALOR (FLUJO OPTIMO DE AGUA DE
4.3
ENFRIAMIENTO EN UN CONDENSADOR)
Flujo óptimo de agua de enfriamiento en un condensador
a) Método de búsqueda
b) Usando MATLB
c) Usando UNTSIM
4.4 TRANSFERENCIA DE MASA (RAZÓN OPTIMA DE REFLUJO)

CAPITULO V
LA PROGRAMACIÓN LINEAL
5.1 INTERPRETACIÓN GEOMÉTRICA Y CONCEPTOS GENERALES
FORMULACIÓN GENERAL DEL PROBLEMA DE PROGRAMACIÓN
5.2
LINEAL
5.3 SOLUCIÓN GRÁFICA
5.4 EL MÉTODO SIMPLEX
5.5 USO DE PAQUETES DE SOFTWARE
5.5.1 Programación lineal en Excel
5.5.2 Uso del paquete LINDO
5.5.3 Programación Lineal con MATLAB
Refinería de petróleo simplificada
a) Usando el paquete LINDO
b) Uso del Simulador UNTSIM
Caso de Mezcla (Preparación de alimentos)
a) Resolviendo con LINDO
b) Uso del Simulador UNTSIM
5.6 ANÁLISIS DE SENSIBILIDAD
5.6.1 Uso de LINDO
5.7 DUALIDAD EN PROGRAMACIÓN LINEAL CON LINDO
5.7.1 Partes de un problema de PL
5.7.2 Precios sombra o duales
5.7.3 Problemas Primales y Problemas Duales
5.7.4 Casos prácticos con Software

CAPITULO VI
OPTIMIZACIÓN DE SISTEMAS DE CONTROL
6.1 VALORES ÓPTIMOS DE LOS PARÁMETROS Kp, Ki y Kd

PROBLEMAS PROPUESTOS

ESTUDIO DE CASOS
 EVAPORADOR DE MÚLTIPLE EFECTO
TRATAMIENTO DE RESIDUOS CONTAMINANTES

BIBLIOGRAFÍA

Prefacio
Científicos, sobre todo matemáticos, siempre han estado ocupados con las
preguntas de optimización, es decir, encontrando los puntos extremos (los máximos y
mínimos). Euclides en 300 A.C. fue asociado con el problema de encontrar la distancia
más corta que puede deducirse de un punto a una recta, y Heron de Alejandría en 100
A.C. estudió el problema de optimización de viaje rápido entre dos puntos por el camino
más corto. Y fue Fermat en 1657 quién desarrolló el principio más general de los viajes
ligeros entre dos puntos en un tiempo mínimo. En 1857 Gibbs desarrolló la ley que
establece que un sistema está en el equilibrio químico si la energía libre es un mínimo
(2). Este resultado se usa hoy rutinariamente para computar la composición de equilibrio
de una mezcla de múltiple componentes de gases, líquidos y sólidos. El desarrollo de la
teoría matemática para optimización ha seguido estrechamente con el desarrollo de
cálculo, como fuera establecido por Hancock(3). De hecho, Hancock escribió el primer
libro moderno sobre el tema, la titulada "Teoría de Máximos y Mínimos" que se publicó
en 1917. Este trabajo sirve hoy incluso como una fuente de consulta definitivo.

A fines de los años 1930’s había un gran interés en el asunto del cálculo de
variaciones, pero el ímpetu real a la optimización vino con el Segunda Guerra Mundial y
el desarrollo de la computadora digital. En los 1940 Dantzig (4) reconoció la estructura
matemática de algunos problemas de la logística militar y desarrolló el Método Simplex
de programación lineal. La programación lineal se ha movido de un tema matemático
interesante a probablemente el procedimiento de optimización más importante y
extensamente aplicado. Su desarrollo siguió estrechamente las capacidades
continuamente crecientes de la computadora digital. La habilidad de resolver conjuntos
grandes de ecuaciones lineales con la computadora ha permitido la aplicación de la
programación lineal a los problemas industriales, como la optimización de una grande
refinería petróleo.

Finalmente en los años 50 la optimización recibido otro empujón con el

advenimiento de la edad espacial. La trayectoria óptima para un proyectil era uno de
varios problemas para los que se desarrollaron métodos de programación dinámica y el
principio máximo en EE.UU. y la U.S.S.R. Estos métodos están usándose ahora en
áreas que no están relacionadas con el espacio.

La optimización es un tema de muchas facetas que va de la matemática pura a la

fabricación automatizada. Con el tiempo, ha habido un flujo de conceptos de
optimización y algoritmos, de matemática para aplicaciones en ingeniería de diseño y
operación de plantas de manufactura. Un ejemplo clásico es el Algoritmo Simplex de
programación lineal que se usa en una amplia variedad de aplicaciones industriales y
otras.

La matemática de optimización escribe la estructura de los problemas para obtener

pruebas formales de optimalidad global y local, y desarrollar algoritmos eficaces para
localizar los mejores valores del modelo económico aun cuando deban satisfacer las
restricciones. El Algoritmo Simplex y sus extensiones también ilustran este acercamiento
de usar la forma matemática de ecuaciones lineales para encontrar el óptimo global.
Otros ejemplos son la programación geométrica en la que el modelo económico y las
restricciones son polinomios; la programación convexa, con modelo económico cóncavo
y las restricciones convexas; y programación dinámica en la que se explota la estructura
de la fase por una serie de optimizaciones parciales.

Este libro se propone ser la interfaz de matemática y las aplicaciones

industriales de optimización. Los temas se han seleccionado debido a su amplia
aplicación a la optimización de sistemas de ingeniería, especialmente continuos. Es más,
se ha presentado la matemática de optimización para proporcionar un fundamento para
aquellos métodos que han demostrado éxito en las aplicaciones industriales.

Se ha adoptado un estilo informal de escribir para adaptarse mejor a la mayoría de

los estudiantes ayudando a eliminar el aburrimiento matemático. Además, ha sido
incluido un número grande de ejemplos simples para dar énfasis a los elementos
esenciales.

El material es estructurado para construir en los estudiantes el conocimiento del

cálculo y ecuaciones diferenciales empezando con la teoría clásica de máximos y
mínimos para establecer una base para los métodos modernos. La progresión de temas
fue diseñada para agregar profundidad y anchura en los conceptos y aplicaciones. En la
realización del material el lector debe tener la base necesaria para llevar más allá la
lectura de textos, monografías, y literatura de investigación actual sobre el asunto.

El texto es producto de la experiencia del autor en la enseñanza e investigación

en optimización que incluye el desarrollo y enseñanza de un curso de optimización en
los pasados más de veinte años a estudiantes de ingeniería química. También, algo del
material, sin embargo, se ha desarrollado para cursos a nivel de post grado en ingeniería
de procesos.

El material proporcionado aquí es más adecuado para un curso de un semestre;

además, se dan las referencias a los libros y revistas en cada tema del capítulo para la
investigación extensa. La idea era incluir asuntos que han demostrado ser valiosos para
las aplicaciones industriales en lugar de hacer del texto un manual. Es más, el material se
preparó con la idea de que los usuarios de procedimientos de optimización estarían
empleando los programas de computadora a menudo dentro de paquetes como el
relativamente sofisticado programa de solución de modelos lineales y no lineales.

CAPITULO I
INTRODUCCIÓN
1.1 INTRODUCCIÓN Y RESUMEN

Los problemas de toma de decisiones se pueden clasificar en dos categorías:

modelos de decisión determinísticos y modelos de decisión probabilísticos. En los
modelos deterministicos, las buenas decisiones se basan en sus buenos resultados. Se
consigue lo deseado de manera "deterministica", es decir, libre de riesgo. Esto depende
de la influencia que puedan tener los factores no controlables, en la determinación de los
resultados de una decisión y también en la cantidad de información que el tomador de
decisión tiene para controlar dichos factores.

Aquellos que manejan y controlan sistemas de hombres y equipos se enfrentan al

problema constante de mejorar (por ejemplo, optimizar) el rendimiento del sistema. El
problema puede ser reducir el costo de operación y a la vez mantener un nivel aceptable
de servicio, utilidades de las operaciones actuales, proporcionar un mayor nivel de
servicio sin aumentar los costos, mantener un funcionamiento rentable cumpliendo a la
vez con las reglamentaciones gubernamentales establecidas, o "mejorar" un aspecto de la
calidad del producto sin reducir la calidad de otros aspectos. Para identificar la mejora
del funcionamiento del sistema, se debe construir una representación sintética o modelo
del sistema físico, que puede utilizarse para describir el efecto de una variedad de
soluciones propuestas.

Un modelo puede considerarse como una entidad que captura la esencia de la

realidad sin la presencia de la misma. Una fotografía es un modelo de la realidad
ilustrada en la imagen. La presión arterial puede utilizarse como un modelo de la salud
de una persona. Una campaña piloto de ventas puede utilizarse como un modelo de la
respuesta de las personas a un nuevo producto. Por último, una ecuación matemática
puede utilizarse como un modelo de la energía contenida en un determinado material. En
cada caso, el modelo captura algún aspecto de la realidad que intenta representar.

Ya que un modelo sólo captura determinados aspectos de la realidad, su uso puede

no ser apropiado en una aplicación en particular porque no captura los elementos
correctos de la realidad. La temperatura es un modelo de las condiciones climáticas pero
puede ser inapropiado si uno está interesado en la presión barométrica. Una foto de una
persona es un modelo de la misma pero brinda poca información acerca de sus logros
académicos. Una ecuación que predice las ventas anuales de un producto en particular es
un modelo de ese producto pero tiene poca utilidad si lo que nos interesa es el costo de
producción por unidad. Por lo tanto, la utilidad del modelo depende del aspecto de la
realidad que representa.

Un modelo puede ser inadecuado aun cuando intenta capturar los elementos
apropiados de la realidad si lo hace de una manera distorsionada o sesgada. Una
ecuación que pronostica el volumen mensual de ventas puede ser exactamente lo que el
gerente de ventas quiere pero podría generar grandes pérdidas si arroja constantemente
cálculos de ventas altos. Un termómetro que lee de más (o de menos) tendría poca
utilidad para realizar un diagnóstico médico. En consecuencia, un modelo útil es aquel
que captura los elementos adecuados de la realidad con un grado aceptable de precisión.

Un modelo matemático es una ecuación, desigualdad o sistema de ecuaciones o

desigualdades, que representa determinados aspectos del sistema físico representado en
el modelo. Los modelos de este tipo se utilizan en gran medida en las ciencias físicas, en
el campo de la ingeniería, los negocios y la economía.

Un modelo ofrece al analista una herramienta que puede manipular en su análisis

del sistema en estudio, sin afectar al sistema en sí. Por ejemplo, supóngase que se ha
desarrollado un modelo matemático para predecir las ventas anuales como una función
del precio de venta unitario. Si se conoce el costo de producción por unidad, se pueden
calcular con facilidad las utilidades anuales totales para cualquier precio de venta. Para
determinar el precio de venta que arrojará las utilidades totales máximas, se pueden
introducir en el modelo distintos valores para el precio de venta, uno a la vez,
determinando las ventas resultantes y calculando las utilidades anuales totales para cada
valor de precio de venta examinado. Mediante un proceso de prueba y error, el analista
puede determinar el precio de venta que maximizará las utilidades anuales totales.

Lo ideal sería que si el modelo matemático es una representación válida del

rendimiento del sistema, mediante la aplicación de las técnicas analíticas adecuadas, la
solución obtenida a partir del modelo debería ser también la solución para el problema
del sistema. Así, la efectividad de los resultados de la aplicación de cualquier técnica
operativa es en gran medida una función del grado en el cual el modelo representa al
sistema en estudio.

A fin de definir las condiciones que nos conducirán a la solución del problema del
sistema, el analista primero debe identificar un criterio según el cual se podrá medir el
sistema. Este criterio a menudo se denomina medida del rendimiento del sistema o
medida de efectividad. En aplicaciones empresariales, la medida de efectividad
generalmente son los costos o las utilidades, mientras que en aplicaciones
gubernamentales esta medida generalmente se define en términos de un índice
costo/beneficio.

El modelo matemático que describe el comportamiento de la medida de efectividad

se denomina función objetivo. Si la función objetivo es describir el comportamiento de
la medida de efectividad, debe capturar la relación entre esa medida y aquellas variables
que hacen que dicha medida fluctúe. Las variables del sistema pueden categorizarse en
variables de decisión y parámetros. Una variable de decisión es una variable que puede
ser directamente controlada por el decisor. También existen algunos parámetros cuyos
valores pueden ser inciertos para el decisor. Esto requiere un análisis de sensibilidad
después de descubrir la mejor estrategia. En la práctica, resulta casi imposible capturar la
relación precisa entre todas las variables del sistema y la medida de efectividad a través
de una ecuación matemática. En cambio, el analista de IO/CA debe tratar de identificar
aquellas variables que afectan en mayor grado la medida de efectividad y luego debe
intentar definir de manera lógica la relación matemática entre estas variables y la medida
de efectividad. Esta relación matemática es la función objetivo que se emplea para
evaluar el rendimiento del sistema en estudio.

La formulación de una función objetivo que tenga sentido normalmente es una

tarea tediosa y frustrante. Los intentos de desarrollo de una función objetivo pueden
terminar en un fracaso. Esto puede darse porque el analista elige el conjunto incorrecto
de variables para incluir en el modelo o bien, si el conjunto es el adecuado, porque no
identifica correctamente la relación entre estas variables y la medida de efectividad. En
un nuevo intento, el analista trata de descubrir las variables adicionales que podrían
mejorar su modelo descartando aquellas que parecen tener poca o ninguna relevancia.
No obstante, sólo se puede determinar si estos factores realmente mejoran el modelo una
vez realizadas la formulación y prueba de nuevos modelos que incluyan las variables
adicionales. Todo el proceso de selección y rechazo de variables puede requerir
reiteraciones múltiples hasta desarrollar una función objetivo satisfactoria. En cada
iteración, el analista espera lograr alguna mejora en el modelo, aunque no siempre se
tiene tanta buena suerte. Por lo general, el éxito final es precedido por una serie de
fracasos frustrantes y pequeños progresos.

En cada etapa del proceso de desarrollo, el analista debe evaluar la

correspondencia o validez del modelo. Normalmente se emplean dos criterios para
realizar esta determinación. El primero implica la experimentación del modelo: someter
el modelo a una serie de condiciones y registrar los valores asociados de la medida de
efectividad dada por el modelo en cada caso. Si la medida de efectividad varía de
manera antinatural con una sucesión de condiciones de entrada, es posible que la función
objetivo no sea válida. Por ejemplo, supóngase que se desarrolla un modelo destinado a
calcular el valor de mercado de viviendas unifamiliares. El modelo debe expresar el
valor de mercado en dólares como una función de la superficie cubierta en pies
cuadrados, cantidad de dormitorios, cantidad de baños y tamaño del lote. Después de
desarrollar el modelo, el analista lo aplica a la tasación de distintas viviendas, con
distintos valores para las características mencionadas y descubre que el valor de mercado
desciende a medida que aumenta la superficie cubierta expresada en pies cuadrados.
Dado que este resultado no concuerda con la realidad, el analista cuestionaría la validez
del modelo. Por otro lado, supóngase que el modelo es tal que el valor de las viviendas
es una función creciente de cada una de las cuatro características citadas, como
generalmente es de esperar. Si bien este resultado es alentador, no necesariamente
implica que el modelo es una representación válida de la realidad, dado que la tasa de
aumento de cada variable puede ser excesivamente alta o baja. La segunda etapa de la
validación del modelo requiere una comparación de los resultados del modelo con los
resultados obtenidos en la realidad.

1.2 OPTIMIZACIÓN

La humanidad hace tiempo que busca, o profesa buscar, mejores maneras de

realizar las tareas cotidianas de la vida. A lo largo de la historia de la humanidad, se
puede observar la larga búsqueda de fuentes más efectivas de alimentos al comienzo y
luego de materiales, energía y manejo del entorno físico. Sin embargo, relativamente
tarde en la historia de la humanidad, comenzaron a formularse ciertas clases de
preguntas generales de manera cuantitativa, primero en palabras y después en notaciones
simbólicas. Un aspecto predominante de estas preguntas generales era la búsqueda de lo
"mejor" o lo "óptimo". Generalmente, los gerentes buscan simplemente lograr alguna
mejora en el nivel de rendimiento, es decir, un problema de "búsqueda de objetivo".
Cabe destacar que estas palabras normalmente no tienen un significado preciso

Se han realizado grandes esfuerzos por describir complejas situaciones humanas y

sociales. Para tener significado, esto debería escribirse en una expresión matemática que
contenga una o más variables, cuyos valores deben determinarse. La pregunta que se
formula, en términos generales, es qué valores deberían tener estas variables para que la
expresión matemática tenga el mayor valor numérico posible (maximización) o el menor
valor numérico posible (minimización). A este proceso general de maximización o
minimización se lo denomina optimización.
 La optimización, también denominada programación matemática, sirve para
encontrar la respuesta que proporciona el mejor resultado, la que logra mayores
ganancias, mayor producción o felicidad o la que logra el menor costo, desperdicio o
malestar. Con frecuencia, estos problemas implican utilizar de la manera más eficiente
los recursos, tales como dinero, tiempo, maquinaria, personal, existencias, etc. Los
problemas de optimización generalmente se clasifican en lineales y no lineales, según
las relaciones del problema sean lineales con respecto a las variables. Existe una serie de
paquetes de software para resolver problemas de optimización. Por ejemplo, LINDO o
WinQSB resuelven modelos de programas lineales y LINGO, MATLAB y What'sBest!
resuelven problemas lineales y no lineales.

1.2.1 Objetivo de la Optimización

La Programación Matemática, en general, aborda el problema de determinar

asignaciones óptimas de recursos limitados para cumplir un objetivo dado. El objetivo
debe representar la meta del decisor. Los recursos pueden corresponder, por ejemplo, a
personas, materiales, dinero o terrenos. Entre todas las asignaciones de recursos
admisibles, queremos encontrar la/s que maximiza/n o minimiza/n alguna cantidad
numérica tal como ganancias o costos.

El objetivo de la optimización global es encontrar la mejor solución de modelos de

decisiones difíciles, frente a las múltiples soluciones locales.

Optimizar es sinónimo de buscar lo mejor, también alcanzar la ganancia máxima o

tener la pérdida mínima. El hombre a lo largo de su historia ha intentado siempre
proyectarse hacia la cumbre o alcanzar el éxito en sus actividades, sean estas
empresariales, científicas o políticas. En todas ellas las técnicas de optimización han
formalizado y cuantificado, mediante procedimientos matemáticos, la forma de alcanzar
lo mejor en una circunstancia o problema bien definido.

El objetivo de la optimización es por lo tanto, seleccionar la mejor decisión posible

para un conjunto dado de circunstancias sin tener que enumerar todas las posibilidades.
En los años recientes el asunto de optimización ha madurado y se ha usado ampliamente
en numerosas aplicaciones, por ejemplo, las operaciones de refinación de petróleo, las
rutas para la aviación comercial, mezclado de alimentos y trayectorias de proyectiles.
Los métodos de optimización aprovechan la ventaja de la estructura matemática del
problema para encontrar los mejores valores más eficazmente; y el tamaño de los
problemas a resolver han seguido el crecimiento en la capacidad de la computadora,
sobre todo en el caso de programación lineal.
1.3 OPTIMIZACIÓN DE PROCESOS

La optimización de procesos consiste en encontrar un valor óptimo (el mejor según

el criterio aplicado) para una función dada o condiciones óptimas para un proceso dado.
En tal sentido la optimización de procesos abarca el diseño óptimo incluyendo la
selección de la mejor alternativa entre varias opciones de diseño y la operación óptima
del proceso, en donde se busaca las condiciones de operación que den el mejor resultado
según el criterio de medida de la bondad del proceso.

En ambos casos, antes de que un óptimo sea determinado correctamente, debemos

seleccionar un criterio de optimización. Este puede ser una variable del proceso, tal
como, el rendimiento de un producto por unidad de volumen de reactor, el costo mínimo
de producción, etc

Sobre la base del criterio de optimización, se desarrolla luego una función objetivo
o función retorno la cual relaciona el criterio de optimización a los parámetros
dominantes. La meta de la optimización es maximizar o minimizar la función objetivo,
según el caso.

El problema de optimización ocurre en los casos donde uno tiene que seleccionar
entre dos o más características cuantitativas afectando las variables de proceso
diferentemente una en contra de la otra. Por ejemplo, la eficiencia de proceso puede ser
equilibrada en contra del rendimiento específico, calidad en contra de la cantidad,
inventario de productos en contra de su ventas, productividad en contra de gastos, etc.

Con respecto a los procesos automáticamente controlados o los sistemas, la

optimización es considerada como consistente en dos etapas, estática y dinámica.

La optimización estática tiene como su meta desarrollar y realizar un modelo

optimo para el proceso en cuestión. La optimización dinámica busca el desarrollar y
realizar sistema optimo de control para el proceso.

Dependiendo de la naturaleza de los modelos matemáticos elegidos, pueden ser

usados diferentes métodos de optimización matemática. Muchos de ellos buscan
maximizar o minimizar la función objetivo.

1.4 FORMULACIÓN DE PROBLEMAS DE OPTIMIZACIÓN

Como se ha visto anteriormente son requeridos tres componentes básicos para

optimizar un proceso industrial: Un modelo matemático del proceso, un modelo
económico del proceso y un procedimiento de optimización.

También, las restricciones en los materiales, equipo de proceso, mano de obra, etc.
debe satisfacerse según lo especificado en el modelo del proceso.

La Fig. 1-1 es un diagrama que ayuda situar la práctica industrial en perspectiva

relacionando el proceso y modelos económicos y los dos niveles de optimización. La
optimización de planta encuentra las mejores condiciones de operación para una planta
compuesta de unidades de proceso que fabrican cantidades especificadas de varios
productos para aumentar al máximo las ganancias de la compañía dentro de las
restricciones establecidas por la disponibilidad de materias primas y cómo estas materias
primas pueden transformarse en la planta. La optimización de la planta usualmente
aproxima las unidades individuales del proceso en una manera relativamente simple para
obtener una respuesta satisfactoria en un tiempo razonable.

Esto requiere que las condiciones óptimas de operación de las unidades

individuales de proceso sean conocidas, y estos resultados ser usados en la optimización
de la planta para tener la operación de la planta con el máximo beneficio. Así mismo,
debido a la complejidad de las grandes plantas industriales, los modelos individuales del
proceso normalmente son simplificados usando las ecuaciones de la simulación para
mantener los esfuerzos de programación por computadora y los costos de computación
en un nivel razonable. Sin embargo, con las unidades individuales de proceso es posible
usar modelos más detallados para determinar más precisamente las condiciones de
operación óptimas, por ejemplo, temperaturas, presiones, razones de reciclo, etc. para
tener el costo de operación mínimo conocido como una función de estas variables.

Fig. 1-1 Diagrama simplificado de la practica Industrial para la Optimización de

Plantas y procesos

Como se muestra en la Fig. 1-1, las ecuaciones de simulación son obtenidas de los
modelos del proceso (ver Modelamiento y Simulación de Procesos del mismo autor). El
procedimiento es para desarrollar modelos precisos basados en los fundamentos de
termodinámica, cinética y fenómenos de transporte. Esto normalmente conduce a
modelos de procesos los cuales representan con precisión los cambios físicos y químicos
que toman lugar sobre una gama amplia de condiciones. Sin embargo, estos modelos
usualmente son más complicados en la forma matemática y pueden requerir la solución
de ecuaciones diferenciales. Consecuentemente, estos modelos de procesos son
usualmente empleados sobre el rango de operación del proceso, y es desarrollada la
simulación (regresión) de las ecuaciones de una forma matemática simplificada, la cual
es entonces usada con el método de optimización para la optimización de la planta. Sin
embargo, puede no ser necesario pasar por la etapa de simulación de las ecuaciones si la
ecuación que describe las principales variables, es decir, las únicas que afectan la
operación económica del proceso o la planta, no es complicada.

Aún cuando la optimización abarca diferentes campos, consideremos el caso de un

proceso industrial en el cual el objetivo es maximizar las utilidades, para lo cual
partiendo de que:

Utilidades = Ventas – Costos de

operación (1.1)

Como nuestro objetivo es maximizar los costos, la ecuación, Ec. (1.1) será nuestra
función objetivo.

Considerando que en el proceso productivo solamente se puede manejar las variables

relacionadas a los costos de operación, los cuales son el principal componente de costos,
podemos formular una función que describa los costos de operación y ahora nuestra
función objetivo en forma simplificada será:

Costo total de operación = Costo de materia prima + Costo de

inversión (1.2)

CT = C 1 + C 2
(1.2b)

C1 = Costo de materia prima

C2= Costo de inversión

De la Ec. (1.1), podemos ver que minimizando los costos se maximiza las utilidades, por
lo que nuestro problema se transforma en este caso a un problema de encontrar el costo
mínimo (minimización)

Cabe indicar que generalmente existen otros componentes costos de operación

adicionales a los indicados en la Ec. (1.2).

Para ilustrar las consideraciones dadas veamos el siguiente ejemplo:

Ejemplo 1.1

Se desea producir 100 gmol de R por hora a partir de una alimentación que consiste de
una solución saturada de A (CAo= 0,1 gmol/lit.). La reacción es la siguiente:

A ------------ R

rR = 0,2 CA (k = 0,2 hr -1)

y debe tener lugar en un reactor CSTR (Reactor continuo tipo tanque agitado)

DATOS:

- El costo de reactante a la concentración dada es $0.50/gmol de A

- El costo de un reactor CSTR incluyendo instalación como auxiliares e

instrumentación es $ 0,01 /h-lit

Qué tamaño de reactor, caudal de alimentación y conversión se deben usar en una

operación óptima?

Cuál es el costo unitario de R?

SOLUCION

En este caso las variables que podemos usar para modelar el proceso son: la conversión
(x), el caudal de alimentación (FA), la concentración de entrada (CAo), la concentración
de salida (CA) y el volumen del reactor (V), el tiempo espacial ()o velocidad espacial
(sv), pero debemos considerar que unas son el producto de la relación entre variables, así
la concentración de salida puede describirse en términos de la concentración de entrada y
la conversión, el tiempo espacial y la velocidad espacial en términos del caudal de
alimentación y el volumen del reactor, etc.

a) Fijamos el factor a optimar: la conversión (x)

b) Debemos encontrar un modelo o modelos que relacionen el factor a optimar con los
componentes de costos.

- El costo de materia prima (C1) estará dado por:

C1 = gmol de A x Costo por grmol de A

Por modelamiento matemático:

grmol de A = R/x

- Costo de inversión (C2)está dado por:

 C2 = V x Costo por unidad de volumen del reactor

Por modelamiento matemático partiendo de la ecuación de balance de materiales

para un CSTR obtenemos:

A menudo, la tarea más difícil es obtener un modelo satisfactorio del proceso. Para una
mayor discusión ver el texto sobre Modelamiento y Simulacion de Procesos del mismo
autor

Reemplazando los componentes del costo total en la Ec. (1.2b) se tiene:

(1.3)

La Ec. (1.3) es la función objetivo para el problema 1.1.

El siguiente paso es seleccionarse un procedimiento de optimización qué localice el

valor de la conversión para obtener el costo mínimo. Estos procedimientos se listan en el
punto siguiente.

1.5 ÁREAS Y MÉTODOS DE OPTIMIZACIÓN

Las dos áreas de la teoría de optimización son la programación matemática y los

métodos variacionales, como se muestra en la Fig. 1-2. Así mismo, son listadas un
número de técnicas bajo cada una de éstas áreas. En la programación matemática, el
objetivo es localizar un mejor punto x (x1,x2,...xn) el cual optimice (maximice o
minimice) el modelo económico del proceso. En los métodos variacionales, el objetivo
es localizar la función óptima la cual maximice o minimice el modelo económico. Un
ejemplo de un problema de optimización para cada división es dado en la figura.
Generalmente, los métodos de programación matemática son aplicables a problemas del
estado estacionario, y los métodos variacionales son para problemas dinámicos.

Los métodos de programación matemática son de dos tipos y son referidos como
métodos directos e indirectos. Los métodos directos, como los métodos de búsqueda
multivariable y la programación lineal, van de un punto de partida a través de valores
consistentemente mejorados del modelo económico para llegar al óptimo. Los métodos
indirectos, tal como los métodos analíticos y programación lineal, resuelven un conjunto
de ecuaciones, y la solución del conjunto de ecuaciones puede ser el óptimo del modelo
económico. Por ejemplo, en los métodos analíticos el conjunto de ecuaciones algebraicas
se establece por diferenciación del modelo económico con respecto a cada variable
independiente y haciendo las ecuaciones resultantes igual a cero.

Los métodos analíticos se llaman también la teoría clásica de máximos y

mínimos que se preocupan por encontrar los puntos extremos de una función. Este tema
se discute en el Capítulo 2 para problemas de optimización con restricciones o sin
restricciones.

Como una aplicación de la teoría clásica de máximos y mínimos se estudia la

optimización de plantas en el Capítulo 3. En este punto, la optimización será de gran
ayuda para planificar la producción de unidades individuales de proceso y de la planta en
su conjunto.

Al aplicar las técnicas de optimización se obtiene una serie de resultados, los

cuales deben ser analizados para tomar la mejor decisión considerando los aspectos
prácticos e intangibles de cada caso particular. Esto se discute en el Capítulo 4.

La programación lineal requiere que el modelo económico y el juego de

ecuaciones de restricción sean lineales, y el Método Simplex es el algoritmo que localiza
el óptimo empezando en un punto de partida factible (la base inicialmente factible) como
se discute en el Capítulo 5.

La programación geométrica puede ser considerada una extensión de los métodos

analíticos dónde el modelo económico y las restricciones son los polinomios, y se
construye un problema dual que puede ser significativamente más fácil de optimizar que
el problema original o primitivo.

En la programación cuadrática, el modelo económico es una ecuación cuadrática y

las ecuaciones de restricción son lineales. Usando métodos analíticos, este problema
puede convertirse a un problema de programación lineal y puede resolverse por el
Método Simplex.

Para la programación convexa, el modelo económico es una función cóncava, y las

ecuaciones de restricción son funciones convexas, y puede considerarse como parte de
los métodos analíticos generales y muestra que debe ser localizado un óptimo global.

La programación dinámica usa una serie de optimizaciones parciales aprovechando

la fase de la estructura del problema y es eficaz para la asignación del recurso y
optimización a través del tiempo como es discutido en el Capítulo 7.

La programación no lineal o métodos de búsqueda multivariable, como son

llamados la teoría y los algoritmos, deben comenzar en un punto de inicio factible y
moverse hacia el óptimo en etapas de valores mejorados del modelo económico. El
algoritmo descrito en el Capítulo 6 ha sido efectivo para la optimización de procesos
industriales, y está basado en la teoría del Capítulo 2.
 Programación Matemática Métodos Variacionales

Objetivo: Encontrar el mejor punto Objetivo: Encontrar la mejor función que

que optimice al modelo económico.
Ejemplo: Condiciones de operación
optimas para una refinería de
petróleo.
Formulación Matemática:
optimice al modelo económico.
Ejemplo: Mejor perfil de temperatura que
maximice la conversión en un reactor tubular
químico.
Formulación Matemática:

Optimizar: y(x) Optimizar: I [y(x)] = I F[y(x),y'(x)]dx

Sujeta a: f i(x) > 0 Sujeta a: Ecuaciones de restricciones
i = 1,2,...m algebraicas, integrales o diferenciales.
donde x = (x1,x2...xn)
Métodos Métodos
Métodos Analíticos
Programación Lineal Cálculo de Variaciones
Programación Geométrica Programación Dinámica (Continua)
Programación Cuadrática Principio del Máximo (Continuo)
Programación Convexa
Programación Dinámica (Discreta)
Programación no Lineal o Métodos
de búsqueda multivariable
Programación Entera
Programación Separable
Programación de Objetivo u
Optimización Multicriterio
Programación Combinatorial
(Discreta) Programación
Heurística

Fig. 1.2 Áreas y métodos de Optimización

La programación entera es una extensión de la programación lineal donde las

variables deben tomar valores discretos, y un texto sobre este tópico es dado por
Taha(5).

La programación separable es una extensión de la programación lineal donde un

pequeño número de restricciones no lineales son aproximadas por funciones lineales por
etapas. Si embargo, las funciones no lineales deben tener la forma que estas puedan ser
separadas en sumas y diferencias de funciones no lineales de una variable, y el código
IBM MPSX (6) es capaz de resolver estos problemas.

La programación en base a objetos también es una extensión de la programación

lineal donde objetivos (o metas) múltiples, contrapuestos son optimizados usando pesos
o clasificaciones jerárquicas, y esta técnica es descrita por Ignizio(7).

La programación combinatorial ha sido descrita por Popadimitriou y Steiglitz(1)

como un campo de conocimiento de la programación matemática incluyendo
programación lineal y entera, gráficos y flujos de red, programación dinámica y temas
relacionados.

El principio máximo es comparable a la programación dinámica en el uso de las

estructuras por etapas del sistema, pero usan restricciones derivadas que requiere
fragmentos de funciones continuamente diferenciables y aproximaciones sucesivas(2).

Finalmente, el término programación heurística ha sido usado para describir

métodos cortos (“rules-of-thumb”) que pueden ser usados para aproximaciones a
optimización.

En la discusión de los diferentes tópicos sobre optimización, al modelo económico

se le ha dado varios nombres diferentes. Estos nombres surgen de la literatura a medida
que los procedimientos de optimización fueron siendo desarrollados. Indiferente al
nombre, el modelo económico es la ecuación la cual expresa el retorno económico del
proceso para los valores especificados de las variables de control (manipuladas, o
independientes). Los dos nombres más comunes son la función de beneficio o la
función de costo. Sin embrago, en programación lineal se usa el término función
objetivo, y en programación dinámica se emplea el término función de retorno. Otros
nombres sinónimos son: función beneficio, criterio, medida de la efectividad y
respuesta de superficie.

1.6 MÉTODO DE ATAQUE

En la solución de problemas de optimización, la estructura y complejidad de las

ecuaciones para el modelo económico y las restricciones para el proceso o planta son
muy importantes, ya que la mayoría de procedimientos de programación matemática se
aprovechan de la ventaja de la forma matemática de estos modelos. Ejemplos son la
programación lineal, donde el total de ecuaciones deben ser lineales, y la programación
geométrica, donde todas las ecuaciones deben ser polinomios. Consecuentemente, es
extremadamente importante, tener en mente la capacidad de las diferentes técnicas de
optimización cuando se están formulando los modelos económicos y de los procesos.
Por ejemplo, si una representación satisfactoria de la economía y la operación del
proceso pueden ser obtenidas usando solamente ecuaciones lineales, puede aplicarse la
poderosa técnica de programación lineal, y este método garantiza que se encuentra el
óptimo global. Sin embargo, si se tiene que acudir a las ecuaciones no lineales para
representar la economía y la operación del proceso, puede ser necesario usar un método
de búsqueda multivariable para localizar el optimo. Desafortunadamente, estas técnicas
de búsqueda solamente encuentran puntos que están bien cerca del punto de partida, y
ello no acarrea ninguna garantía de que se haya encontrado el máximo o mínimo global
o local.
 La Fig. 1.3, muestra una aproximación simplificada a como enfocar los problemas
de optimización, y esta incorpora algunas ideas las cuales deben recordarse cuando sean
estudiadas las técnicas particulares de optimización. También, esta da algunas razones
para el orden en el cual son presentadas las técnicas. Al inicio, es necesario determinar si
el problema requiere un punto óptimo o función. Si es un punto, es aplicable la
programación matemática; y si es una función óptima, los métodos variacionales.
Continuando con la programación matemática. Si la ecuación para el modelo económico
es relativamente simple y no hay restricciones aplicables (modelo del proceso), es
posible localizar el óptimo por diferenciación del modelo económico con respecto a las
variables independientes, haciendo estas ecuaciones iguales a cero, y resolviendo para el
óptimo. Sin embargo, si existen restricciones, y normalmente las hay, pero las
ecuaciones son relativamente simples, puede ser usado el método de los multiplicadores
de Lagrange. Esto convierte al problema con restricciones a un problema sin
restricciones, y puede usarse los procedimientos previos para problemas sin
restricciones.
Fig. 1.3 Método de Ataque Simplificado para Problemas de Optimización

Ahora, si el problema tiene un número grande de variables independientes y la

precisión necesaria para los modelos económicos y del proceso pueden ser obtenidos con
ecuaciones lineales, puede ser usada la programación lineal. Sin embargo, si se requieren
ecuaciones no lineales y los polinomios son suficientes, puede ser posible determinar el
óptimo rápida y fácilmente usando programación geométrica (1).

No habiendo tenido éxito a este punto, puede ser factible aprovecharse la de la

etapa de estructura del problema y aplicar la programación dinámica con una serie de
optimizaciones parciales. Sin embargo, si no se tiene éxito será necesario acudir a
técnicas de búsqueda multivariable y buscar los mejores valores sin tener una garantía de
encontrar el óptimo global.

1.7 DISEÑO OPTIMO Y ESTRATEGIAS DE DISEÑO

Un diseño óptimo está basado en las mejores y más favorables condiciones. En

casi la mayoría de los casos, estas condiciones optimas pueden finalmente reducirse a
consideraciones de costos o beneficios. De esta manera, un diseño óptimo podría basarse
en condiciones que den el menor costo por unidad de tiempo o el máximo beneficio por
unidad de producción. Cuando se cambia una variable de diseño, a menudo se encuentra
que unos costos aumentan mientras que otros disminuyen. Bajo estas condiciones, el
costo total puede pasar a un mínimo o a un valor particular de la variable de diseño, y
este valor podría considerarse como el óptimo.

Fig. 1-4 Ilustración del principio básico de un diseño óptimo

Un ejemplo ilustrando los principios de un diseño económico óptimo se presenta

en la Fig. 1-4. En este caso simple, el problema es determinar el espesor óptimo de
aislamiento para una instalación de tubería dada. A medida que el espesor de aislamiento
se incrementa, los costos fijos anuales incrementan, el costo por pérdidas de calor
disminuye, y los demás costos permanecen constantes. Entonces, como se muestra en la
Fig. 1-4, la suma de los costos debe ser mínima para el espesor óptimo de aislamiento.
 Aun cuando las consideraciones de costos y los balances económicos son la base
de la mayoría de los diseños óptimos, hay situaciones donde otros factores diferentes a
los costos pueden determinar las condiciones más favorables. Por ejemplo en la
operación de un reactor catalítico, una temperatura de operación óptima puede existir
para cada tamaño de reactor debido a las limitaciones de equilibrio y velocidad de
reacción. Esta temperatura particular podría estar basada en el máximo porcentaje de
conversión o en la máxima cantidad de producto por unidad de tiempo. Finalmente, sin
embargo, los costos variables deben ser considerados, y el desarrollo de un diseño
óptimo de operación es meramente una etapa en la determinación de un diseño
económico óptimo.

1.7.1 Costos incrementales

El aspecto de costos increméntales es cubierto en detalle en el texto de Ingeniería

Económica del mismo autor, Cáp. 7 (Rentabilidad, inversiones alternativas y
reemplazos). Las consideraciones sobre costos increméntales muestran que un diseño
final recomendable no necesariamente corresponde al diseño económico óptimo, debido
a que el retorno incremental sobre la inversión adicional puede ser inaceptable antes de
que se alcance el punto óptimo.[1] Sin embargo los valores óptimos pueden usarse
como una base para iniciar el análisis del costo incremental.

1.7.2 Consideraciones intangibles y prácticas

Los diferentes métodos matemáticos para determinar las condiciones óptimas, son
presentadas en este texto, presentando una base teórica de las condiciones que mejoren
los requerimientos. Sin embargo, factores que no pueden ser fácilmente cuantificados o
consideraciones prácticas pueden cambiar la recomendación final a otra diferente de la
condición óptima teóricamente correcta. Por lo tanto, la determinación de una
“condición óptima”, como se describe en este texto, sirve como un punto base para un
análisis de costo o diseño, y esto puede a menudo cuantificarse en una forma matemática
especifica. A partir de este punto, el ingeniero debe aplicar su criterio para tomar en
cuenta otros factores prácticos importantes, tales como el retorno sobre la inversión o el
hecho que equipo comercial es a menudo disponible en intervalos discretos de tamaño.

Como un ejemplo de consideraciones prácticas, considerar el caso donde un

ingeniero ha hecho una estimación del diámetro óptimo de tubería necesaria para
manipular un flujo dado basándose en minimizar los costos debido a las cargas fijas
(inversión inicial) y de bombeo (costo de operación). El resultado matemático muestra
que el diámetro interior optimo es 2,54 pulg. Basándose en los costos para tubería
estándar de acero (# de cédula 40). Los diámetros nominales de tubería disponibles
comercialmente en este rango son 2½ pulg. (de ID 2,469 pulg.) y 3 pulg. (de ID 3,069
pulg.). El ingeniero podría probablemente recomendar inmediatamente una tubería de
diámetro nominal de 2 ½ pulg. sin calcular el retorno sobre la inversión de los
diferentes tamaños disponibles. Esta aproximación podría normalmente ser aceptable
porque las estimaciones están necesariamente incluidas en los cálculos de optimización y
por el hecho que una inversión para tubería representa solamente una pequeña porción
de la inversión total.

Los factores intangibles pueden tener un efecto sobre el grado de credibilidad que
pueden tener los resultados calculados para las condiciones optimas. Quizás el optimo
esté basado en un precio de venta asumido para el producto del proceso, o puede ser que
este involucrada una evaluación preliminar en la cual no se ha definido con seguridad la
ubicación de la planta. Obviamente para casos de este tipo, un análisis de las condiciones
optimas pueden dar solamente una idea general de los resultados actuales que podrían
ser obtenidos en el trabajo final, y no es razonable ir a los limites extremos de precisión
y exactitud para hacer recomendaciones. Aún para el caso de un diseño final detallado,
los intangibles, tal como la licitación final de varios contratistas para la construcción,
pueda hacerlo no práctico gastar una cantidad grande de esfuerzo haciendo demasiados
refinamientos en la estimación de condiciones optimas

1.8 PROCEDIMIENTO GENERAL PARA DETERMINAR LAS

CONDICIONES OPTIMAS

El primer paso en el desarrollo de un diseño óptimo es determinar que factores

deben ser optimizados. Factores típicos podrían ser el costo total por unidad de
producción o por unidad de tiempo, beneficios, cantidad de producto final por unidad de
tiempo, y porcentaje de conversión. Una vez determinada la base, es necesario
desarrollar relaciones mostrando como las diferentes variables involucradas afectan al
factor escogido. Finalmente estas relaciones son combinadas gráficamente,
analíticamente o numéricamente para dar las condiciones optimas deseadas.

Los métodos analíticos usados para combinar estas relaciones, y encontrar las
soluciones son: Maximización y minimización, programación geométrica, programación
lineal, técnicas de búsqueda de variables simples, procedimientos de optimización de
multivariable, programación dinámica y cálculo de variaciones.

En los siguientes capítulos se hará una breve discusión sobre estas técnicas
analíticas, su aplicación a procesos y la aplicación a los mismos de las técnicas
numéricas usando MATLAB para encontrar la mejor solución.

1.9 SUMARIO

Este capítulo ha presentado una discusión breve del fondo histórico de

optimización. También se describió la relación de proceso y optimización de la planta
en términos de usar las ecuaciones de simulación y tamaño del problema. Los temas en
las áreas de programación matemática y métodos de variaciones fueron diagramados, y
un método simplificado de ataque fue descrito para dar un poco de perspectiva sobre los
diferentes métodos y como ellos se estudian. El próximo capítulo repasa métodos
analíticos y conjuntos de etapas para las técnicas más modernas.
 1.10 REFERENCIAS

1. Wilde, D.J., Globally Optimal Design, John Wiley and Sons, Inc., New York (1978).

2. Wilde, D.J. and C.S. Beightler, Foundations of Optimization, Prentice Hall, Inc.,
Englewood Cliffs, New Jersey (1967).

3. Hancock, Harris, Theory of Maxima and Minima, Dover Publications, Inc., New
York (1960).

4. Dantzig, G.B., Linear Programming and Extensions, Princeton University Press,

Princeton, New Jersey (1963).

5. Taha, H.H., Integer Prograsmming: Theory, Applications and Computations,

Academic Press, New York (1975).

6. IBM Mathemcatical Programming Systems Extended/370 (MPSX/370) Program

Reference Manual, Fourth Edition, SH19-1095-3, IBM Corporation, White Plains,
New York (December, 1979).

7. Ignizio, J.P., Linear Programming in Single- and Multiple-Objective Systems,

Prentice-Hall, Inc., Englewood Cliffs, New Jersey (1982).

8. Papadimitriou, C.H., and K. Steiglitz, Combinatorial Optimization: Algorithms and

Complexity, Prentice-Hall, Inc., Englewood Cliffs, New Jersey (1982).

[1] Ver “Ingeniería Económica” del mismo autor, Fig. 7-2 y las discusiones relacionadas
en el Cáp. 7. El material presentado en el presente capítulo considera el diseño óptimo
basado en un valor máximo o mínimo de la variable especificada. El mismo tipo de
aproximación podría usarse si el término óptimo (referido a una inversión) fuese
definido sobre la base de un retorno incremental estipulado.
 CAPITULO II

TEORÍA CLÁSICA DE MÁXIMOS Y

MÍNIMOS

2.1 INTRODUCCIÓN

La teoría clásica de máximos y mínimos (métodos analíticos) se preocupa por

encontrar el máximo o mínimo, es decir los puntos extremos de una función. Nosotros
buscamos para encontrar los valores de las n variables independientes x 1,x2,...xn de una
función donde esta alcance los puntos máximo o mínimo. Antes de comenzar con el
desarrollo de la matemática para localizar estos puntos extremos, de una función,
permítanos examinar la superficie de una función de dos variables independientes, f (x1,
x2), que podrían representar al modelo económico de un proceso. Esto ayudará a
visualizar la localización de los puntos extremos. Un modelo económico es ilustrado en
la Fig. 2-1(a) donde el contorno de la función esta representado por las líneas curvas
Una sección transversal de la función a lo largo de la línea S a través de los puntos A y
B se muestra en Fig. 2-1(b). La Fig. 2-1(c) se da la primera derivada de f (x1, x2) a lo
largo de la línea S a través de los puntos A y B.

a) Mapa topológico
 b) Sección transversal de f (x1 , x2) a lo largo de la línea S entre los puntos A y B

c) Primera derivada de f a lo largo de la línea S entre los puntos A y B

Fig. 2-1 (a), (b) y (c)

En este ejemplo, el punto A es un máximo global en la región y está localizado en

el tope de una cresta pronunciada. Aquí la primera derivada es discontinua. Un segundo
pero pequeño máximo esta localizado en el punto B (un máximo local). En el punto B
las primeras derivadas parciales de f (x1, x2) son cero, y B es llamado un punto
estacionario. No es necesario para puntos estacionarios ser un máximo o un mínimo
como es ilustrado por el punto estacionario C, un punto silla. En este ejemplo, el
mínimo no ocurre en el interior de la región, pero sobre los limites en los puntos D y E
(mínimos locales). Para determinar el mínimo global, es necesario comparar el valor de
la función en estos puntos.

En esencia, el problema de determinar el beneficio máximo o el costo mínimo

para un sistema usando la teoría clásica deviene en localizar todos los máximos o
mínimos locales, y luego comparando los valores individuales, para determinar el
máximo ó mínimo global. El ejemplo ha ilustrado para ver los lugares donde están:

1. los puntos estacionarios (primeras derivadas son cero)

2. los límites

3. las discontinuidades en la primera derivada

Cuando la función y sus derivadas son continuas, los puntos extremos locales
ocurrirán a los puntos estacionarios en el interior de la región. Sin embargo, no es
necesario que todos los puntos estacionarios sean puntos extremos locales, desde que
también pueden ocurrir los puntos de silla.
 2.2 MÉTODOS ANALÍTICOS SIN RESTRICCIONES

2.2.1 Condiciones necesarias y Suficientes para determinar puntos extremos

Basándonos en la intuición geométrica a partir del ejemplo previo, podemos

entender el famoso teorema de Weierstrass' (11,12) el cual garantiza la existencia de
máximos y mínimos. Este establece:

Cualquier función la cual es continua en un dominio cerrado posee un valor

máximo y un valor mínimo ya sea en el interior o en los limites del dominio.

Este teorema nos dice que no se requiere que la función tenga derivadas continuas
para que exista un máximo o un mínimo.

El siguiente teorema ubica los puntos extremos en el interior de la región

explorada.

Una función continua de n variables alcanza un máximo o un mínimo en el

interior de una región, solo en los valores de las variables para los cuales las n
derivadas parciales son iguales a cero simultáneamente (puntos estacionarios), o en
puntos en los cuales una o más de estas derivadas no existe (es decir es discontinua).

Este teorema incluye solo los puntos interiores; el único método por lo general
aplicable que toma en cuenta el contorno y discontinuidades, es el de comparar
directamente el valor de la función en cada uno de estos puntos. Analíticamente, los
puntos estacionarios se pueden encontrar resolviendo en forma simultánea las n
ecuaciones algebraicas, resultantes de hacer las n derivadas parciales igual a cero. Estas
ecuaciones también se deben examinar para determinar los puntos en donde existan
discontinuidades, realizándose esto por inspección.

2.2.2 Evaluación de Máximo y Mínimo Local (Condiciones Suficientes)

Como se ha visto, no es necesario que todos los puntos estacionarios sean

máximos o mínimos locales, ya que puede haber puntos de inflexión o puntos de
montura. Se debe desarrollar las condiciones que permitan determinar el tipo de punto
estacionario, es decir, si es máximo o mínimo. Se desarrollarán las condiciones
suficientes para los casos de una, dos y n variables independientes. Una vez localizados
los máximos y mínimos locales, es necesario comparar individualmente cada punto para
determinar los valores máximo y mínimo absolutos.

2.2.3 Condiciones Suficientes para Una Variable Independiente

Para desarrollar el criterio que establece si un punto estacionario es un máximo o

mínimo local, empezamos realizando una expansión por serie de Taylor alrededor del
punto estacionario xo.

f (x) = f (xo) + f '(xo) (x - xo) + ½ f ''(xo) (x - xo)2 + términos de alto orden ,

donde
 Se sabe que f '(xo) = 0 por definición del punto estacionario. Ahora, seleccionamos
x suficientemente cerca de xo de manera que los términos de orden superior a f ''(xo)
sean despreciables comparados a los términos de segundo orden. Como la primera
derivada es cero en el punto estacionario, la ecuación anterior se transforma en:

f (x) = f (xo) + ½ f " (xo) (x - xo) (2-1)

Nosotros podemos determinar si xo es un máximo o mínimo local examinando los

valores de f "(xo), ya que (x - xo)2 es siempre positivo. Si f "(xo) es positivo, entonces
los términos ½ f "(xo) (x - xo)2 serán siempre adicionados a f (xo) en la Ec. (2-1) para
que x tome valores que sean menores que el mayor valor de xo. Para este caso f (xo) es
un mínimo local. Esto es resumido a continuación:

___________________________________________________________

Si f ''(xo) > 0 entonces f (xo) es un mínimo

f ''(xo) < 0 f (xo) es un máximo

f ''(xo) = 0 no esta definido

______________________________________________________________

Si la segunda derivada evaluada en xo es cero, es necesario examinar las derivadas de

más alto orden. En general si f ''(xo) = ... = f n-1(xo) = 0, la serie de expansión de Taylor
deviene en

f (x) = f (xo) +(1/n!) f (n)(xo) (x - xo)n (2-2)

Si n es par, entonces (x - xo)n es siempre positivo, y el resultado es:

________________________________________________________________

Si f (n)(xo) > 0 entonces f (xo) es un mínimo

f (n)(xo) < 0 f (xo) es un máximo

________________________________________________________________

Si n es impar entonces (x - xo)n cambia de signo a medida que x se mueve de x <

xo hasta x > xo, y entonces es un punto de inflexión. Estos resultados pueden ser
resumidos en el siguiente teorema(1).

Si a un punto estacionario la primera y posiblemente algunas de las derivadas

más altas desaparecen, entonces el punto es o no es un punto extremo, mientras la
primera derivada no desaparezca las demás pueden ser de orden par o impar. Si es par,
es un máximo o un mínimo según como la derivada sea negativa o positiva.
 La prueba de este teorema sigue la discusión dada anteriormente. El ejemplo
siguiente ilustra los principios discutidos.

Ejemplo 2-1

Localizar los puntos extremos de las dos funciones siguientes:

a) f (x) = x4/4 - x2/2

f '(x) = x3 - x = x(x2 - 1) = x(x - 1)(x+1) = 0

Los puntos estacionarios son x = 0, 1, -1

f "(x) = 3x2 - 1

f "(0) = -1 maximo

f "(1) = 2 minimo

f "(-1) = 2 minimo

b) f (x) = x5

f '(x) = 5x4 = 0 El punto estacionario es x = 0

f "(x) = 20x3 f "(0) = 0

f "'(x) = 60x2 f "'(0) = 0 no puede hacerse ninguna declaración

f (4)(x) = 120x f (4)(0) = 0

f (5)(x) = 120 f (5)(0) = 120 no es impar, y el punto estacionario es

un punto de inflexión.

2.2.4 Condiciones Suficientes para Dos Variables Independientes

Para desarrollar el criterio para el máximo o mínimo local para un punto

estacionario xo(x10, x20) de una función de dos variables, puede hacerse una expansión
por serie de Taylor alrededor de este punto.

f (x1, x2) = f (x10, x20) + f 'x 1 (x1-x10) + f 'x 2 (x2-x20)

+ ½[f ''x1 x1 (x1-x10)2 + 2f ''x1 x2 (x1-x10)(x2-x20)

(2-3)
 + f ''x2 x2 (x2-x20)2] + términos de alto orden

donde los subíndice x1 y x2 indican diferenciación parcial con respecto a estas variables
y evaluación en el punto estacionario.

Nuevamente seleccionando f (x1, x2) suficientemente cerca a f (x10, x20) de tal

manera que los términos de alto orden se hacen despreciables comparados a los términos
de segundo orden. Así mismo, las primeras derivadas son cero en el punto estacionario.
Entonces la Ec.(2-3) puede ser escrita en forma matricial como:

En notación matriz-vector la ecuación anterior puede ser escrita como

f (x) = f (xo) + ½[(x - xo)T Ho (x - xo)]

(2-5)

donde Ho es la matriz de las segundas derivadas parciales evaluadas en el punto

estacionario xo y es llamada matriz Hessiana.

El término entre corchetes de la Ec. (2-5) es llamado una forma diferencial

cuadrática, y f (xo) será un mínimo o un máximo de acuerdo si este término sea siempre
positivo o siempre negativo. Basado en este concepto, puede mostrarse (1) que si se
aplican los siguientes resultados xo es un máximo o un mínimo. Si ellos no se dan, xo
puede ser un punto de silla y este no es un mínimo ni un máximo.

Una ilustración de los resultados anteriores se da en ejemplo 2-2. El término entre

corchetes de la Ec. (2-5) es un ejemplo de una forma cuadrática. Será necesario describir
una forma cuadrática brevemente antes de dar las condiciones suficientes para los
máximos y mínimos para las n variables independientes.

2.2.5 Señal de una Forma Cuadrática

Para realizar un análisis similar para una función con más de dos variables
independientes, es necesario determinar lo que se llama la señal de la forma cuadrática.
La forma cuadrática general (1) es escrita como:

donde aij son los componentes de la matriz simetrica A, es decir, aij = aji.

Resulta (1) que podemos determinar si Q siempre es positivo o negativo, para todo
los valores finitos de xi y xj, evaluando las señales de Di, el determinante de las
submatrices principales de A.

Los resultados importantes que se usarán subsecuentemente son:

Si Di > 0 para i = 1,2,...n entonces: A es positivo definido y Q(A,x) > 0

Si Di < 0 para i = 1,3... y

Di > 0 para i = 2,4,... entonces: A es negativo definido y Q(A,x) < 0

Si Di es ninguno de estos, entonces: Q(A,x) y depende de los valores de xi y xj.

2.2.6 Condiciones suficientes para N Variables Independientes

El resultado de las dos secciones previas puede ser extendido al caso de n

variables independientes considerando la expansión por la serie de Taylor para n
variables independientes alrededor del punto estacionario xo:

Nuevamente seleccionando x suficientemente cerca a xo, así los términos de alto

orden se hacen despreciables comparados a los términos de segundo orden. Así mismo,
las primeras derivadas son cero en el punto estacionario. Entonces, la Ec. (2-8) puede ser
escrita en notación matriz-vector como:

f (x) = y(xo) + ½(x - xo)T Ho (x-xo) (2-9)

donde x es el vector columna de las variables independientes, y Ho, la matriz de las

segundas derivadas parciales evaluadas en el punto estacionario xo, en la matriz
Hessiana. Esta es la misma ecuación que la ecuación (2-5), la cual fue escrita para dos
variables independientes.

El segundo término del lado derecho de la Ec. (2-9) es llamado una forma
cuadrática diferencial como se muestra enseguida.

Q[ Ho, (x-xo)] = (x-xo)T Ho (x-xo) (2-11)

La Ec. (2-11) corresponde a la Ec. (2-6) de la sección previa, y las determinantes de las
submatrices principales de Ho definidas a continuación corresponden a la Ec. (2-7).

Podemos ahora usar el mismo procedimiento en la evaluación del carácter de los

puntos estacionarios para n variables independientes. Por ejemplo, si el término
conteniendo la matriz Hessiana es siempre positivo para perturbaciones de las variables
independientes alrededor del punto estacionario, entonces el punto estacionario es un
mínimo local. Para esta forma diferencial cuadrática siempre será positivo, la |Ho| > 0
para i = 1,2,...n. El mismo razonamiento puede ser aplicado para el máximo local, y los
resultados para estos dos casos son resumidos a continuación:

y(xo) es
o
un mínimo si |H i| > 0 para i = 1,2,...,n

y(xo) es un máximo si |Hoi| < 0 para i = 1,3,5,...

| Hoi| > 0 i = 2,4,6,...

Si ocurren ceros en lugar de algunos números positivos o negativos en la prueba

anterior (forma cuadrática semi-definida), entonces la información es insuficiente para
determinar el carácter del punto estacionario (1). Como se discute en Avriel (10) los
términos de alto orden pueden ser examinados, o puede hacerse una exploración local. Si
no se reúne la prueba (forma cuadrática indefinida), el punto puede ser un máximo o un
mínimo (1). El teorema siguiente propuesto por Cooper (7) resume estos resultados. Este
establece:

Si y(x) y sus dos primeras derivadas parciales son continuas, entonces una
condición suficiente para que y(x) tenga un mínimo (máximo) relativo at x o, cuando
dy(xo)/dxj = 0, j = 1,2, ...n, es que la matriz Hessiana sea positiva definida (negativa
definida).

La prueba de este teorema emplea los argumentos similares a aquéllos dados

anteriormente.

2.2.7 Aplicación al diseño de procesos

En los procesos industriales, son muchos los casos en los cuales el factor siendo
optimizado es una función de una simple variable. El procedimiento entonces es muy
simple. Considerar el ejemplo mostrado en la Fig. 1-4, donde es necesario obtener el
espesor de aislamiento el cual de el menor costo total. La principal variable involucrada
es el espesor del aislamiento, y pueden desarrollarse relaciones mostrando como esta
variable afecta al costo total.

Se dispone de costo para la adquisición e instalación de aislamiento, y puede

estimarse el tiempo de vida del servicio. Entonces puede desarrollarse una relación
dando el efecto del espesor de aislamiento sobre las cargas fijas, de manera similar se
puede obtener una relación mostrando los costos debido a las pérdidas de calor como
función del espesor de aislamiento, a partir del costo de vapor, propiedades del
aislamiento y consideraciones de transferencia de calor. Los demás costos tales como
mantenimiento y gastos de la planta, pueden asumirse independientes del espesor de
aislamiento.

Las dos relaciones de costos obtenidas pueden ser expresadas en una forma
simplificada similar a la siguiente:

Cargas fijas = (x) = ax + b (a)

donde a, b, c, y d son constantes y x es la variable común (espesor de aislamiento)

El método gráfico para determinar el espesor óptimo de aislamiento es mostrado

en la Fig. 1-4. El espesor óptimo de aislamiento es encontrado en el punto del costo
mínimo sobre la curva obtenida graficando los costos variables totales versus el espesor
de aislamiento.

La pendiente de la curva de costos variables totales es cero en el punto de espesor

óptimo de aislamiento. Luego usando la Ec. (c), se puede encontrar analíticamente el
valor óptimo derivando el CT con respecto a x , igualando a cero y resolviendo para x.

Si el factor que se está optimizando (CT) no tiene un valor máximo o un mínimo,

la solución para la variable independiente indicará esta condición dando un resultado
imposible, tal como infinito, cero o la raíz cuadrada de u un número negativo.

Para determinar si el valor de x mostrado en la Ec. (e) corresponde a un punto

óptimo o a un punto de inflexión se aplica:

Si la segunda derivada de la Ec. (c), evaluada en el punto dado, es mayor que

cero corresponde a un mínimo, corresponde a un máximo si es menor que cero y
corresponde a un punto de inflexión si es igual a cero.

Un método alternativo para determinar el tipo de punto involucrado es calcular

valores del factor siendo optimizado a puntos ligeramente grandes y ligeramente
pequeños que el valor óptimo de la variable dependiente.

La segunda derivada de la Ec. (c) es

Si x representa una variable tal como el espesor de aislamiento, este valor debe
ser positivo; entonces, si c es positivo, la segunda derivada en el punto óptimo debe ser
mayor que cero, y (c/a)1/2 representa el valor de x en el punto donde los costos variables
totales son mínimos.
2.3 SOLUCIÓN NUMÉRICA

El punto óptimo también se puede encontrar mediante métodos de búsqueda, así para el
ejemplo 1.1, podemos realizar la búsqueda usando una hoja de cálculo, en este caso
sabemos que la conversión debe variar entre 0 y 1, con lo cual tenemos:

Por una simple inspección podemos ver que el costo total es mínimo para la conversión
de 0.5. Si deseamos podemos hacer otra búsqueda para la conversión entre 0.4 y 0.6
dando un menor valor para la variación de la conversión, y así sucesivamente podemos
continuar la búsqueda para rangos mas cortos de la variable independiente.

Este procedimiento de búsqueda se puede simplificar usando paquetes de cálculo

disponibles en la actualidad. Uno de estos paquetes es MATLAB, el cual dispone de
rutinas de optimización para funciones monovariables y multivariables, a la vez puede
efectuarse la búsqueda dando un valor inicial de busqueda, dentro de ciertos límites y/o
que el valor encontrado satisfaga ciertas condiciones (restricciones).

A su vez el autor propone un simulador de uso general UNTSIM, escrito en el entorno

MATLAB, el cual dentro de sus aplicaciones está la optimización de procesos.

2.3.1 Uso de MATLAB

Ejemplo 1.1

En este caso la función objetivo es una función monovariable de la forma:

f = 50/x + 50/(1– x)
y la restricción está en que la conversión debe estar entre 0 (no hay reaccción) y 1 (la
conversión es total)

1. Escribimos la función costo en un archivo.m denominado costotot

function f = costotot(x)
f = (50/x) + 50/(1- x);

2. En la ventana pincipal escribimos la rutina de optimización correspondiente

>> [x, fval] = fminbnd(@costotot,0,1) <----- 0 y 1 son los valores

extremos
del rango de búsqueda

Obteniendo la siguiente respuesta:

x =
0.5000 <-------- Optimo de la variable

fval =
200 <-------- Optimo de la función

2.3.2 Uso de UNTSIM

Seleccionamos de menú principal: Optimización - Funciones con una variable - Mínimo

en un intervalo fijo

Copyright 2002 UNT

MSc. Luis Moncada
All rights reserved

OPTIMIZACION DE FUNCIONES MONOVARIABLES

EN UN INTERVALO FIJO
Ingrese función: '(50/x) + 50/(1- x)' <---- Ingresamos la función
Intervalo de búsqueda
Limite inferior: 0
Limite superior: 1
---------------------------------------------
1.- El optimo de la variable es = 0.5
2.- El optimo de la función es = 200
>>
Ejemplo 2-2

El diagrama de flujo de un proceso simple es mostrado en la Fig. (2-2) donde el

hidrocarburo alimentado es mezclado con reciclo y comprimido antes de ser pasado a un
reactor catalítico. El producto y el material no reaccionado son separados por
destilación, y el material no reaccionado es reciclado. La presión, P, en psi y la razón de
reciclo, R, deben ser seleccionadas para minimizar el costo total anual para la velocidad
de producción requerida de 107 libras por año. La alimentación es realizada bajo presión
a un costo anual de $1000P, mezclada con la corriente de reciclo, y alimentada al reactor
a un costo anual de $4 x 109/PR. El producto es removido en un separador a un costo de
$105R por año, y el material no reaccionado es reciclado con un compresor de
recirculación el cual consume $1.5 x 105R anualmente. Determine la presión de
operación, la relación de reciclo, y el costo anual óptimos, y demuestre que el costo es
un mínimo.

Fig 2.2 Diagrama de flujo de un proceso simple, según Wilde(2)

Solución analítica

La ecuación que da el costo total de operación es:

C ($/yr.) = 1000P + 4 x 109/ P R + 2.5 x 105R

Derivando parcialmente la ecuación de C con respecto a P y R e igualando a cero

se tienen dos ecuaciones algebraicas para ser resueltas para P y R.

C/P = 1000 - 4 x 109 / R P2 = 0

C/R = 2.5 x 105 - 4 x 109 / P R2 = 0

Resolviendo simultáneamente se tiene

P = 1000 psi y R=4

Reemplazando para determinar el correspondiente costo total de operación se tiene

C = $ 3 x 106 por año

C (P,R) es un mínimo si

Efectuando la apropiada diferenciación parcial y evaluando en el punto estacionario ( P

= 1000, R = 4) se tiene

Por lo tanto, el punto estacionario es un mínimo ya que ambas determinantes son

positivas.

Solución numérica Usando MATLAB

Para probar, crear un archivo-M costo.m que define una función de dos variables,
x(1) y x(2)

function f = costo(x)
f = 1000*x(1)+4*(10^9)/(x(1)*x(2))+(2.5*(10^5))*x(2);

Luego en la ventana principal, dar las siguientes ordenes:

>> x0 = [500,2]; % Supuesto inicial

>> options = optimset('LargeScale','off');
>> [x,fval,exitflag,output] = fminunc(@costo,x0,options);

Cuando los valores iniciales están en la dirección correcta se obtiene la siguiente

respuesta:

Optimization terminated successfully:

Current search direction is a descent direction, and magnitude of
directional derivative in search direction less than 2*options.TolFun
>>

Los valores de las variables se obtienen ingresando x

>> x

x =
1.0e+003 *

1.0000 0.0040

Lo cual significa que:

x(1) = P = 1000

x(2) = R = 4

Y el valor de la función (costo mínimo) se obtiene con la orden fval

>> fval
fval =
3.0000e+006

El costo mínimo Cmin = 3 x 106 $/año

La orden output da más detalles sobre la optimización.

Para fminunc, incluye el número de iteraciones en iterations, el número de

evaluaciones de la función en funcCount, el tamaño de paso final en stepsize, una
medida de optimalidad de primer orden (la cual en este caso sin restricciones es la norma
infinita de la gradiente a la solución) en firstorderopt, y el tipo de algoritmo usado
en algorithm.

>> output
output =
iterations: 7
funcCount: 46
stepsize: 0.9531
firstorderopt: 0.0931
algorithm: 'medium-scale: Quasi-Newton line search'

>>

Usando UNTSIM:

Seleccionamos del Menú principal: Optimización - Funciones Multivariable - Mínimo

sin Restricciones, con lo que tenemos en la ventana principal:

Copyright 2002 UNT

MSc. Luis Moncada
All rights reserved

OPTIMIZACION NO LINEAL SIN RESTRICCIONES, ENCUENTRA

EL MINIMO DE UNA FUNCION MULTIVARIABLE, COMENZANDO CON
UN SUPUESTO INICIAL Y ENCONTRANDO UN MINIMO LOCAL
Las vaiables se denotan por: x(1), x(2),...

Ingrese funcion: '1000*x(1)+4*(10^9)/(x(1)*x(2))+(2.5*(10^5))*x(2)'

Inicio de busqueda
Valores iniciales: [500, 2]
RESULTADO DE LA OPTIMIZACION
---------------------------------------------
1.- El optimo de la variable es = 1000
1.- El optimo de la variable es = 4
2.- El optimo de la funcion es = 3e+006
>>

Nota: Las letras rojas son la información que debemos suministrar

2.4 FUNCIÓN OBJETIVO CON RESTRICCIONES

A este punto las variables independientes podrían asumir algún valor. En la

actualidad, los valores de las variables independientes están limitados ya que ellos
normalmente representan cantidades físicas tal como proporciones de flujo,
temperaturas, presiones, capacidades de unidad de proceso y recursos disponibles. Por
consiguiente, hay restricciones sobre las variables, si nada más del hecho que ellos deben
ser no-negativos. En muchos casos ellos se limitan dentro de los límites dictados por el
equipo de proceso y relacionados por las ecuaciones tales como los balances de material.
Las restricciones en las variables pueden ser en forma de ecuaciones y desigualdades.

Se desarrollarán los métodos para localizar los puntos estacionarios de funciones

(los modelos económicos) sujetas a las restricciones de igualdad (por Ej., ecuaciones de
balance de materia y energía), y se darán ejemplos que ilustran las técnicas. Las
restricciones de desigualdad pueden ser convertidas a restricciones de igualdad, y
entonces pueden aplicarse los procedimientos para restricciones de igualdad con algunas
consideraciones adicionales

Balance de materiales: F – (D + B) = 0 (restricción de igualdad)

Limite superior sobre la velocidad de alimentación: F  50 000 barriles por día

(restricción de desigualdad)

Fig. 2.3 Ilustración de restricciones de igualdad y desigualdad

 Ilustraremos la conversión de una restricción de desigualdad a una restricción
de igualdad usando un ejemplo simple para ayudar a visualizar el concepto de variables
de holgura. La Fig. 2-3 es un ejemplo de una restricción de igualdad y una restricción de
desigualdad para una columna de destilación. El balance de materiales el cual dice que la
velocidad de alimentación a la columna debe igualar la suma de los productos del tope y
los productos del fondo al estado estacionario es la restricción de igualdad. El límite
superior en la capacidad de la columna de destilación que se fijó cuando el equipo fue
diseñado, es la restricción de desigualdad. Esta restricción de desigualdad puede
convertirse a una restricción de igualdad agregando una variable de holgura S como S2
para asegurar que se ha agregado a la ecuación un número positivo.

F + S2 = 50,000 (2-13)

El término holgura es usado para representar la diferencia entre el límite óptimo y

superior en la capacidad. Representa el exceso, no usado, o la holgura en la capacidad de
la unidad del proceso. Por ejemplo, si Fopt = 30,000 barriles por día; entonces S2 = 20,000
barriles por día, una holgura de 20,000 barriles por día; y se dice que la restricción esta
libre, es decir, se mantiene la desigualdad. Si F opt = 50,000 barriles por día entonces no
hay holgura, y la restricción se dice está apretada, es decir, se mantiene la igualdad. Esto
será discutido con más detalle en el Capítulo siguiente. Así mismo, si existiese un límite
menor en F, por ejemplo, F> 10,000, se aplicaría el mismo procedimiento excepto que S 2
se substraería de F. La ecuación sería F - S2 = 10,000, y S se llama una variable sobrante.

Ahora podemos establecer un problema general de optimización con n-variables

independientes y m restricciones de igualdad donde el objetivo es optimizar (maximizar
o minimizar) el modelo económico y(x) sujeto a m ecuaciones de restricción fi (x).

optimizar: y(xi,x2,...xn) (2-14)

sujeta a: fi(x1,x2,...,xn) = 0 (2-15)

para i - 1,2,...m

Debe haber menos restricciones de igualdad que variables independientes para

poder optimizar y(x), es decir, n > m. Si m = n los valores de los x j son singularmente
determinados, y no hay ningún problema de optimización. También si m> n, se dice que
el problema esta sobredeterminado (sobre especificado), porque hay más ecuaciones que
incógnitas. No hay ningún problema de optimización para este caso.

Hay tres métodos analíticos para determinar los puntos óptimos de la función
y(x1,x2,...,xn) de n variables independientes sujeta a m ecuaciones de restricción
fi(x1,x2,...,xn) = 0. Estos son: sustitución directa, solución por variación restrictiva y
método de los multiplicadores de Lagrange. Encontraremos que la substitución directa
no siempre puede usarse, y el método de multiplicadores de Lagrange será uno de los
más frecuentemente usados.
2.4.1 Sustitución Directa

Esta simplifica los medios para resolver las ecuaciones de restricción para las
variables independientes y para sustituir las ecuaciones de restricción directamente en la
función a ser optimizada. Esto dará una ecuación (modelo económico) con (n-m)
incógnitas, y poder aplicar las técnicas previas para optimización sin restricciones.

Desafortunadamente, esto no es siempre posible para llevar a cabo la manipulación

algebraica requerida para estas sustituciones cuando las ecuaciones de restricción son
algo complicadas. Consecuentemente, es necesario acudir a los siguientes métodos:

2.4.2 Variación de Restricción

Este método (3,14) es usado con poca frecuencia, pero proporciona una base
teórica para métodos numéricos de búsqueda multivariables importantes, tales como el
generalizado de gradiente reducida. Este es ilustrado mejor para el caso de dos variables
independientes considerando el ejemplo mostrado en la Fig. 2-4. Hay un mínimo local
del sistema restringido al punto A y un máximo local al punto B. El máximo del sistema
sin restricción está en C.

Fig. 2.4 Bosquejo de una función de beneficio y(x1,x2) y una ecuación de restricción
f(x1,x2) = 0

En el punto A la curva y(x1,x2) = 1 y la curva f(x1,x2) = 0 son tangentes y tienen

la misma pendiente. Esto hace que los cambios diferenciales, dx1 y dx2, produzcan el
mismo cambio en las variable dependientes y(x1,x2) y f(x1,x2). Esto puede ser expresado
como:

Necesitaremos las derivadas totales de f e y para combinar con la Ec. (2-16) para
obtener el resultado final. Usando los primeros términos en una serie de expansión de
Taylor para f e y se tiene:

En el mínimo, punto A, y en el máximo, punto B, dy es igual a cero; y las

restricciones son satisfechas, es decir, f = 0 y df = 0.

Combinando las Ecs. (2-16) y (2-17) da el siguiente resultado.

Esta es una ecuación algebraica, y debe ser resuelta en combinación con la

ecuacion de restricción para localizar los puntos estacionarios. Debe recordarse en este
caso que y/x1 y y/x2 no son necesariamente cero. Estas sin embargo, son cero en el
caso sin restricción en el punto C.

Esta técnica se ilustra con el siguiente ejemplo. Después se dará la extensión al caso
general para n variables independientes.

Ejemplo 2-3

Encontrar los puntos estacionarios de la siguiente función usando el método de variación

de restricción

optimizar: y(x) = x1 x2

sujeta a: f(x) = x21 + x22 - 1 = 0 <----- Es una restricción no lineal

Solución analítica

Las primeras derivadas parciales son:

Reemplazando en la Ec.(2-18) se tiene

x2 2x2 - x1 2x1 = 0 o x22 - x12 = 0

La cual es resuelta simultáneamente con la ecuación de restricción

x12 + x22 - 1 = 0
El resultado es:

x1 = + (½)½ y x2 = + (½)½

Para los valores de las variables independientes en los puntos estacionarios.

Solución Numérica Usando MATLAB

Paso 1. Escribimos un archivo m para la función objetivo denominado dostres.m

function f = dostres(x)
f = x(1)*x(2);

Paso 2. Escribimos un archivo.m para la restricción denominado confun.m

function [c, ceq] = confun(x) % Restricciones no lineales

c = []; % de desigualdad
ceq = [-1 + (x(1)^2) + (x(2)^2)]; % de igualdad

Paso 3. Invocamos a la rutina de optimización con restricciones:

>> x0 = [-0.1,0.1];
>> options = optimset('LargeScale','off');
>> [x,fval]=fmincon(@dostres,x0,[],[],[],[],[],[],@confun,options)

Cuando la búsqueda términa, se tiene la siguiente respuesta:

Optimization terminated successfully:

Search direction less than 2*options.TolX and
maximum constraint violation is less than options.TolCon
Active Constraints:
1 <--------Una restricción activa (efectiva)

x =

-0.7071 0.7071

fval =

-0.5000
Restricción efectiva. Se dice que una restricción es efectiva en un punto, si este la
satisface con igualdad

Usando UNTSIM

Seleccionamos del Menú Principal: Optimización - Funciones Multivariable- Mínimo

con restricciones. Obteniendo la siguiente respuesta en la ventana principal:

Copyright 2002 UNT

MSc. Luis Moncada
All rights reserved

ESTE PROGRAMA REALIZA LA OPTIMIZACION

DE FUNCIONES CON DOS O MAS VARIABLES
CON RESTRICCIONES LINEALES DE DESIGUALDAD, IGUALDAD
LIMITES PARA LAS VARIABLES Y RESTRICCIONES NO LINEALES
Ingrese funcion: 'x(1)*x(2)'
Cuantas restricciones lineales de desigualdad tiene?: 0
Cuantas restricciones lineales de igualdad tiene?: 0
Hay limites para los valores de la variables si(1) no (0): 0
Cuantas restricciones no lineales tiene?: 1
Modifique la funcion CONFUN de acuerdo a sus restricciones

En el editor de archivos.m ingresamos la restricción

%INGRESE SUS RESTRICCIONES

function [c, ceq] = confun(x) % AQUI NO HAGA NINGUN CAMBIO

%SOLAMENTE MODIFIQUE LOS VALORES ENTRE CORCHETES DE c y ceq

% Restricciones no lineales de desigualdad
c = [];

% Restricciones no lineales de igualdad

ceq = [-1 + (x(1)^2) + (x(2)^2)];

% GUARDE LOS CAMBIOS, CIERRE EL EDITOR Y VAYA A LA VENTANA PRINCIPAL

Luego volvemos a la ventana principal

Inicio de busqueda
Valores iniciales: [-0.1,0.1]
Optimization terminated successfully:
Magnitude of directional derivative in search direction
less than 2*options.TolFun and maximum constraint violation
is less than options.TolCon
Active Constraints:
1
RESULTADO DE LA OPTIMIZACION
---------------------------------------------
1.- El optimo de la variable es = -0.707104
1.- El optimo de la variable es = 0.70711
2.- El optimo de la funcion es es = -0.5
>>

que viene a ser el mínimo ( 1 punto estacionario). El otro punto estacionario debe
corresponder al máximo el cual se encuentra cuando los dos valores de las variables son
iguales ya sea positivos o negativos. Por lo tanto los puntos estacionarios corresponden a
valores de:

x1 =  0.7071 y x2 =  0.7071

En general estamos interesados en encontrar los puntos estacionarios de una

función y(x1, x2,..., xn) sujeta a m ecuaciones de restricción fi(x1, x2, ..., xn) = 0 donde i
= 1, ...m, y n > m. El mismo razonamiento aplicado en el espacio (n +1) dimensional
como se aplicó anteriormente al espacio tridimensional, resulta las siguientes
ecuaciones:

El conjunto de ecuaciones dado en la Ec. 2.19 puede resolverse para (n-m)

ecuaciones para ir con las m ecuaciones de restricción a localizar los puntos
estacionarios. Las (n-m) ecuaciones correspondientes a la Ec. 2.18 del caso de dos
variables independientes pueden escribirse en términos de (n-m) determinantes
Jacobianos los cuales son:
 Un total de n ecuaciones son resueltas para los puntos estacionarios, es decir las
(n-m) ecuaciones generadas por la Ec. (2-20) y las m ecuaciones de restricción. Una
deducción de estos resultados es dada por Beveridge y Schechter(6). Esto involucra usar
la regla de Cramer y eliminar las dxi's. Similares resultados también son dados para este
caso general en el texto de Wilde y Beightler (4). Sin embargo, se usa una nomenclatura
diferente, y los resultados son extendidos a la inclusión de Multiplicadores de Lagrange.

Para ilustrar el uso de los determinantes Jacobianos, considerar el siguiente

ejemplo, que obtiene la Ec.(2-18).

Ejemplo 2-4

optimizar: y(x1,x2)

sujeta a : f(x1, x2) = 0

Para este problema existen dos variables independientes (n=2) y una restricción
(m=1), por lo tanto se requiere la evaluación de un determinante Jacobiano.
Expandiendo da la siguiente ecuación:

Esta es igual a la Ec.(2-18) la cual fue resuelto con la ecuación de restricción para
los valores de x1 y x2 en el punto estacionario en el Ejemplo 2-3.

2.4.3 Multiplicadores de Lagrange

El método más frecuentemente usado para restricciones es empleando los

multiplicadores de Lagrange. La técnica será presentada usando dos variables
independientes y una ecuación de restricción para ilustrar los conceptos. Luego el
procedimiento será extendido al caso general de n variables independientes y m
ecuaciones de restricción. Para el caso de dos variables independientes, tenemos:

Optimizar: y(x1, x2) (2-22)

Sujeta a : f(x1, x2) = 0

Mostraremos como surgen los multiplicadores de Lagrange y como un problema

con restricciones puede ser convertido a un problema sin restricciones. La función
beneficio y la ecuación de restricción son expandidas en una serie de Taylor. Luego,
usando los términos de primer orden se tiene:

Esta forma de la ecuación de restricción será usada para eliminar dx2 en la función
beneficio. Resolviendo para dx2 se tiene:
Este ecuación se reemplaza en la ecuación para dy y se obtiene:

y rearreglando se tiene:

Ahora podemos definir  como el valor de [–y/x2 / f/x2] en el punto

estacionario de la función restringida. Esta razón de derivadas parciales  es una
constante en el punto estacionario, y la ecuación anterior puede escribirse como

En el punto estacionario dy = 0, y esto da:

Ahora si L es definido como L = y + f, se tiene:

Esta es una de las condiciones necesarias para localizar los puntos estacionarios de
una función sin restricción L la cual es construida a partir de la función beneficio
y(x1,x2) y la ecuación de restricción f(x1,x2) = 0. Ahora las mismas manipulaciones
pueden ser repetidas para obtener las demás condiciones necesarias:

por lo tanto, el problema con restricciones puede ser convertido a un problema sin
restricciones mediante la formación de la función Lagrangiana, o aumentada, y
resolviendo este problema por los métodos previamente desarrollados de establecer las
primeras derivadas parciales iguales a cero. Esto dará dos ecuaciones para resolver para
las tres incógnitas x1, x2 y  en el punto estacionario. La tercera ecuación a ser usada es
la ecuación de restricción. El hecho de que el multiplicador de Lagrange es tratado
algunas veces como otra variable ya que L /  da la ecuación de restricción. El
ejemplo usado para variación de restricción será usado para ilustrar estas ideas.

Ejemplo 2-5:

Encontrar los puntos estacionarios para el siguiente problema con restricción usando el
método de los multiplicadores de Lagrange.

Optimizar: y(x) = x1x2

Sujeta a : f(x) = x12 + x22 - 1 = 0

La función Lagrangiana o aumentada es formada como se muestra a continuación.

L(x1, x2, ) = x1x2 +  (x12 + x22 - 1)

Las ecuaciones siguientes son obtenidas al hacer las primeras derivadas parciales igual a
cero.

L/x1 = x2 + 2x1 = 0

L/x2 = x1 + 2x2 = 0

L/= x12 + x22 - 1 = 0

Resolviendo simultáneamente las ecuaciones anteriores se tienen los siguientes puntos

estacionarios:

maximo : x1 = (½)½ , x2 = (½)½ ,  = -½

x1 = -(½)½ , x2 = -(½)½ , =-½

minimo : x1 = (½)½ , x2 = -(½)½ ,  = ½

x1 = -(½)½, x2 = (½)½ , =½

El tipo de punto estacionario, es decir, máximo, mínimo o montura fue

determinado por inspección para este problema. Condiciones suficientes para problemas
con restricciones se discutiran subsecuentemente en este capítulo.

El desarrollo de la función Lagrangiana para el caso de n variables independientes

y m ecuaciones de restricción es una extención directa del caso de dos variables
independientes y una ecuación de restricción, y Avriel (10) da una concisa derivación de
este resultado. (Ver problema 2-14) La función Lagrangiana o aumentada, es formada
igual que el caso anterior, y para cada ecuación de restricción existe un multiplicador de
Lagrange. Esto se muestra a continuación:

optimizar: y(x) x = (x1, x2 ,..., xn)T (2-23)

sujeta a : fi(x) = 0 para i = 1,2,...,m

donde n > m

La función Lagrangiana, o aumentada es formada del problema con restricción

com sigue:

Para localizar los puntos estacionarios de un problema con restricción, las primeras
derivadas parciales de la función Lagrangiana con respecto a los x j's y  i 's son igualadas
a cero (condiciones necesarias). Existen (n + m) ecuaciones para ser resueltas para las (n
+ m) incógnitas: n - xj's y m - i's.

Se dice algunas veces que el método de los multiplicadores de Lagrange requiere

más trabajo que el método de variación de restricción, ya que un adicional de m
ecuaciones tienen que resolverse para los valores de los multiplicadores de Lagrange.
Sin embargo, se obtiene valiosa información adicional a partir del conocimiento de los
valores de los multiplicadores de Lagrange, como se ha visto. El siguiente ejemplo
simple da una comparación entre las tres técnicas.

Ejemplo 2-6

Para el proceso dado en el Ejemplo 2-2 (2), es necesario mantener el producto de

la presión y la razón de reciclo igual a 9000 psi. Determinar los valores óptimos de la
presión y razón de reciclo y el costo mínimo dentro de esta restricción por sustitución
directa, variación de la restricción, multiplicadores de Lagrange y un método de
búsqueda numérica usando MATLAB

Nuevamente, el problema es minimizar C

C = 1000P + 4 x 109/PR + 2.5 x 105R

Sin embargo, C está sujeta a la siguiente ecuación de restricción.

 PR = 9000

Sustitución Directa: Despejando la restricción anterior para P y reemplazando en la

función objetivo se tiene:

C = 9 x 106/R + (4/9) x 106 + 2.5 x 105R

Haciendo dC/dR = 0 y resolviendo se tiene:

R = 6 y P = 1500 psi.

El correspondiente costo es:

C = 3.44 x 106

El cual es mayor que el sistema sin restricción, como se esperaba.

Variación de la restricción: Las ecuaciones a ser resueltas para este caso son:

La primera ecuación se simplifica a:

P = 250R

La cual, cuando se resuelve simultáneamente con la segunda ecuación da los mismos

resultados como en sustitución directa.

Multipliocadores de Lagrange: La función Lagrangiana o aumentada es:

L = 1000P + 4 x 109/PR + 2.5 x 105R + (PR - 9000)

Encontrando las derivadas parciales de L con respecto a P, R, y e igualando a cero se

tiene:

1000 - 4 x 109/P2R + R = 0

2.5 x 105 - 4 x 109/PR2 + P = 0

PR - 9000 = 0
 Resolviendo las ecuaciones anteriores simultáneamente, se tienen los mismos
resultados que los dos métodos anteriores, y el valor para el multiplicador de Lagrange.

P = 1500, R = 6,  = -117.3

Solución Numérica Usando MATLAB:

La función Lagrangiana o aumentada es:

Usamos el mismo archivo.m para el Ejemplo 2-2

function f = costo(x)
f = 1000*x(1)+4*(10^9)/(x(1)*x(2))+(2.5*(10^5))*x(2);

El nuevo archivo.m para la nueva restricción lo denotamos doseisr.m

function [c, ceq] = doseisr(x) % Restricciones no lineales

c = []; % Restriccion no lineal de desigualdad
ceq = [-9000 + x(1)*x(2)]; % Restriccion no lineal de igualdad

Invocamos a la rutina de optimización con restricciones:

>> x0=[1000 2]; % supuesto inicial

>> options = optimset('LargeScale','off');
>> [x,fval]=fmincon(@costo,x0,[],[],[],[],[14 0],[],@doseisr,options)

Obteniendo la siguiente respuesta:

Warning: Divide by zero. <--- Hay un mensaje de que se esta dividiendo
por cero, pero esto no es problema en MATLAB [14 0] son los limites
inferiores de las variables
Optimization terminated successfully:
Magnitude of directional derivative in search direction
less than 2*options.TolFun and maximum constraint violation
is less than options.TolCon
Active Constraints:
1

x =

1.0e+003 *

1.5000 0.0060

fval =

3.4444e+006

>>

Usando el simulador UNTSIM

Para este caso tenemos 1 restricción de igualdad ( PR 9000 ), la cual para usarla en el
programa UNTSIM lo escribimos de la siguiente forma:

0  9000 + x(1) * x(2)

Seleccionamos del Menú Principal: Optimización - Funciones Multivariable - Mínimo

con restricciones. Apareciendo en la Ventana principal lo siguiente:

Copyright 2002 UNT

MSc. Luis Moncada
All rights reserved

ESTE PROGRAMA REALIZA LA OPTIMIZACION

DE FUNCIONES CON DOS O MAS VARIABLES
CON RESTRICCIONES LINEALES DE DESIGUALDAD, IGUALDAD
LIMITES PARA LAS VARIABLES Y RESTRICCIONES NO LINEALES
******************************************************
Ingrese función: '1000*x(1)+4*(10^9)/(x(1)*x(2))+(2.5*(10^5))*x(2)'
Cuantas restricciones lineales de desigualdad tiene?: 0
Cuantas restricciones lineales de igualdad tiene?: 0
Hay limites para los valores de la variables si(1) no (0): 1
Si hay solamente un limite en el otro colocar [ ]
Dar limites inferiores [ ]: [14 0] <---- Límites inferiores de las
variables
Dar limites superiores [ ]: []
Cuantas restricciones no lineales tiene?: 1
Modifique la función CONFUN de acuerdo a sus restricciones

%INGRESE SUS RESTRICCIONES

function [c, ceq] = confun(x) % AQUI NO HAGA NINGUN CAMBIO

%SOLAMENTE MODIFIQUE LOS VALORES ENTRE CORCHETES DE c y ceq

% Restricciones no lineales de desigualdad
c = [];

% Restricciones no lineales de igualdad

ceq =[-9000 + x(1)*x(2)];

% GUARDE LOS CAMBIOS, CIERRE EL EDITOR Y VAYA A LA VENTANA PRINCIPAL

Valores iniciales: [1000 2]

Warning: Divide by zero. <--- Indicación de que se ha dividido por
cero
Optimization terminated successfully:
Magnitude of directional derivative in search direction
less than 2*options.TolFun and maximum constraint violation
is less than options.TolCon
Active Constraints:
1
RESULTADO DE LA OPTIMIZACION
---------------------------------------------
1.- El optimo de la variable es = 1500 <----Presión óptima psi
1.- El optimo de la variable es = 6 <---- Reciclo óptimo
2.- El optimo de la función es = 3.44444e+006 <-----Costo mínimo
>>
En este caso se han dado valores limites inferiores, en caso de no darsele estos valores
puede salir un valor de la presión y/o el reciclo negativos, lo cual es incongruente.

2.4.4 Interpretación Económica de los Multiplicadores de Lagrange

Los valores de los Multiplicadores de Lagrange en el óptimo proporciona

información adicional e importante. Si las ecuaciones de restricción son escritas con
parámetros bi en el lado derecho, los multiplicadores de Lagrange dan el cambio en la
función beneficio con respecto a estos parámetros, es decir, y/bi. Muchas veces, los
lados derechos de las ecuaciones de restricción representan la disponibilidad de materias
primas, demanda para productos, o capacidades de unidades de proceso.
Consecuentemente, es importante conocer como la solución óptima es afectada por
cambios en disponibilidad, demanda, y capacidades. Como veremos, en programación
lineal dónde estos cambios se analizan por el análisis de sensibilidad, los
Multiplicadores de Lagrange se dan con los nombres "imagen de precios " y "actividad
dual".

La siguiente derivación breve obtiene el resultado que y/b = -  para el caso de

una restricción y dos variables independientes, y la extensión a m ecuaciones de
restricciones con n variables independientes es comparable.

optimizar: y(x1, x2) (2-33)

sujeta a : f(x1, x2) = b

Primero, podemos obtener la ecuación siguiente a partir de la función beneficio

por la regla de cambio.

También, podemos obtener la siguiente ecuación a partir de la ecuación de

restricción escrita como f - b = 0 mediante la regla de cambio.
 Luego la ecuación de la restricción es multiplicada por el Multiplicador de
Lagrange y adicionada a la ecuación de la función beneficio para dar:

Los valores de L/x1 y L/x2 son cero en el punto estacionario (condición

necesaria), y consecuentemente y/b = -l. De esta manera, el cambio en la función
beneficio y con respecto al lado derecho de la restricción b es igual al negativo del
multiplicador de Lagrange. De otro lado, resultados similares pueden obtenerse para el
caso de n variables independientes y m ecuaciones de restricción para obtener el
siguiente resultado usando un procedimiento y argumentos similares(7).

En la sección siguiente, veremos que los Multiplicadores de Lagrange son también un

factor clave en el análisis de problemas con restricciones de desigualdad.

2.4.5 Restricciones de desigualdad

Una complicación adicional se tiene cuando al buscar el valor óptimo de una

función beneficio o costo son incluidas restricciones de desigualdad. Aunque se usa el
mismo procedimiento, será necesario considerar dos casos para cada ecuación de
restricción de desigualdad. Un caso es cuando el Multiplicador de Lagrange es cero, y
el otro es cuando el Multiplicador de Lagrange no es cero. Esto será ilustrado mejor por
el siguiente ejemplo con una ecuación de restricción de desigualdad como se muestra a
continuación.

Optimizar: y(x) (2-38)

Sujeta a : f(x) 0

Como se ha descrito previamente, el procedimiento consiste en adicionar una

variable de holgura xs como xs2 y a partir de la función Lagrangiana:

L(x, ) = y(x) +  [ f(x) + xs2 ] (2-39)

Luego las primeras derivadas parciales con respecto a los xi's, xs, y  son igualadas
a cero para tener un conjunto de ecuaciones y ser resueltas para los puntos estacionarios.
Para ilustrar esta complicación, la ecuación obtenida de la variable de holgura es:
 El resultado da dos casos, es decir, ya sea  = 0 y xs 0, o  0 y xs = 0. Si  = 0
y xs 0 aparece la desigualdad, y la restricción se dice es "floja", "pasiva" o "inactiva".
Si   0 y xs = 0 aparece la igualdad, y la restricción se dice es "ajustada" o "activa". El
siguiente ejemplo ilustra esta situación usando una modificación del proceso simple
dado anteriormente.

Ejemplo 2-8

Para el proceso la función de costo es:

C = 1000P + 4 x 109/PR + 2.5 x 105 R

Sin embargo, consideremos ahora que C esta sujeta a la restricción dada por la ecuación
de desigualdad:

PR 9000

Adicionando la variable de holgura S, como S2, y formando la función Lagrangiana:

L = 1000P + 4 x 109/PR + 2.5 x 105 R + (PR + S2 - 9000)

Haciendo las primeras derivadas parciales de L con respecto a P, R, S, y  iguales

a cero dan las siguientes cuatro ecuaciones:

Los dos casos son  0, S = 0 y  = 0, S  0. para el caso de  0, S = 0 se

mantiene la igualdad PR = 9000 es decir, la restricción es activa. Esta fue la solución
obtenida en el Ejemplo 2-6, y el resultado es:

C = $3.44 x 106 por año P = 1500 psi R=6  = -117.3

 Para el caso de  = 0, S  0, la restricción es una desigualdad, es decir, inactiva.
Esta fue la solución obteneida para el Ejemplo 2-2 y el resultado es:

C = $3.0 x 106 por año P = 1000 psi R=4 S = (5000)½

El ejemplo anterior tenia solamente una restricción de desigualdad y dos casos a

considerar. Sin embargo, con varias restricciones de desigualdad la localización de los
puntos estacionarios puede consumir mayor tiempo, para las posibilidades debe
investigarse exhaustivamente. Un procedimiento para esta evaluación ha sido dado por
Cooper (7) y Walsh (8) como sigue:

Resolver el problema de optimización: y(x), ignorando las restricciones de

desigualdad, es decir teniendo todas las variables de holgura positivas. Designa esta
solución xo. Si xo satisface las restricciones como desigualdades, se ha encontrado un
óptimo.

Si una o más restricciones no son satisfechas, seleccionar una de las restricciones

a ser una igualdad, es decir, activa (la variable de holgura para esta restricción es igual a
cero), y resolver el problema. Llamar a esta solución x1. Si x1 Satisface el total de las
restricciones se ha encontrado un óptimo.

Si una o más restricciones no son satisfechas, repetir el paso 2 hasta que todas las
desigualdades hayan sido tratadas en su turno como una restricción de igualdad
(variable de holgura igual a cero).

Si el paso 3 no produce un óptimo, seleccionar combinaciones de dos restricciones

de desigualdad a la vez a ser igualdades y resolver el problema. Si una de estas
soluciones satisface todas las restricciones, se ha encontrado un óptimo.

Si el paso 4 no da un óptimo, seleccionar combinaciones de tres restricciones de

desigualdad a la vez a ser igualdades, y resolver el problema. Si una de estas soluciones
satisface todas las restricciones, se ha encontrado un óptimo. Si no probar
combinaciones de cuatro restricciones de desigualdad a la vez a ser igualdades, etc.

Aplicar el procedimiento anterior, asumiendo que el punto estacionario localizado

es un máximo o un mínimo del problema con restricciones. Sin embargo, existe una
posibilidad que varios puntos estacionarios sean localizados; algunos podrían ser
puntos máximos, otros mínimos y otros montura. En el Problema 2-6 fueron
encontrados cuatro puntos estacionarios; dos puntos fueron máximo, uno un mínimo y
uno montura. También, a partir de la Ec. (2-40) para cada restricción de desigualdad
donde se mantiene la estricta desigualdad, las variables de holgura son positivas, y el
Multiplicador de Lagrange es cero. Para cada restricción de desigualdad donde aparece
la igualdad, la variable de holgura es cero, y el Multiplicador de Lagrange es diferente
de cero.

En la sección siguiente son descritas condiciones necesarias y suficientes para

problemas con restricción para determinar el carácter de los puntos estacionarios. Esto
será similar y una extensión de la discusión previa para problemas sin restricción.

Usando el simulador UNTSIM

Para este caso tenemos 1 restricción de desigualdad ( PR 9000 ), la cual para usarla
en el programa UNTSIM lo escribimos de la siguiente forma:

0  9000 - x(1) * x(2)

Seleccionamos del Menú Principal: Optimización - Funciones Multivariable - Mínimo

con restricciones. Apareciendo en la Ventana principal lo siguiente:

Copyright 2002 UNT

MSc. Luis Moncada
All rights reserved

ESTE PROGRAMA REALIZA LA OPTIMIZACION

DE FUNCIONES CON DOS O MAS VARIABLES
CON RESTRICCIONES LINEALES DE DESIGUALDAD, IGUALDAD
LIMITES PARA LAS VARIABLES Y RESTRICCIONES NO LINEALES
Ingrese función: '1000*x(1)+4*(10^9)/(x(1)*x(2))+(2.5*(10^5))*x(2)'
Cuantas restricciones lineales de desigualdad tiene?: 0
Cuantas restricciones lineales de igualdad tiene?: 0
Hay limites para los valores de la variables si(1) no (0): 0
Cuantas restricciones no lineales tiene?: 1
Modifique la función CONFUN de acuerdo a sus restricciones

%INGRESE SUS RESTRICCIONES

function [c, ceq] = confun(x) % AQUI NO HAGA NINGUN CAMBIO

%SOLAMENTE MODIFIQUE LOS VALORES ENTRE CORCHETES DE c y ceq

% Restricciones no lineales de desigualdad
c = [9000 - x(1)*x(2)];

% Restricciones no lineales de igualdad

ceq = [];

% GUARDE LOS CAMBIOS, CIERRE EL EDITOR Y VAYA A LA VENTANA PRINCIPAL

Inicio de busqueda
Valores iniciales: [1000 2] <----------Dar según criterio
Optimization terminated successfully:
Magnitude of directional derivative in search direction
less than 2*options.TolFun and maximum constraint violation
 is less than options.TolCon
Active Constraints:
1 <------- Hay una restricción activa
RESULTADO DE LA OPTIMIZACION
---------------------------------------------
1.- El optimo de la variable es = 1500
1.- El optimo de la variable es = 6
2.- El optimo de la funcion es = 3.44444e+006
>>
Aún cuando en este caso no hemos colocado límites para las variables, para
otros casos, sobre todo cuando no hay restricciones es necesario colocar los límites entre
los cuales se debe hacer la búsqueda.
2.4.6 Método de Ascenso de la Pendiente

Una posterior aplicación del método de los multiplicadores de Lagrange es el

desarrollo del método de ascenso o (descenso) de pendiente para una función a ser
optimizada. Este resultado será evaluado cuando se discutan los métodos de búsqueda.

Para ilustrar la dirección de ascenso de pendiente, se muestra una representación

geométrica en la Fig. 2-5. Para obtener la dirección de ascenso de pendiente, debemos
encontrar el valor máximo de dy, con y(x1,x2,...xn) siendo una función de n variables.
Así mismo. Existe una ecuación de restricción relacionando dx1, dx2, ... dxn y ds como se
muestra en la Fig. 2-5 para dos variables independientes.
 Fig. 2-5 Representación geométrica de la dirección de ascenso de la pendiente

El problema es:

El problema es:

Para obtener el valor máximo de dy, se forma la función Lagrangiana como sigue:

Diferenciando L con respecto a las variables independientes dx j e igualando a cero se

tiene:
Estas n ecuaciones son resueltas simultáneamente con la ecuación de restricción para los
valores de dxj. Resolviendo se tiene:

Y resolviendo para dxj:

El término entre corchetes no es función de j, y consecuentemente dx j es

proporcional a y/xj. El signo positivo indica la dirección del ascenso de pendiente y el
signo negativo indica la dirección de descenso de pendiente.

Si se usa una constante k para representar el término entre corchetes en la Ec.

(2.29), esta ecuación puede ser escrita como:

Si se usa una aproximación por diferencias finitas para dxj = (xj - xjo) y y/xj es
evaluada a xo, entonces la siguiente ecuación da la línea gradiente.

Esta ecuación puede ser escrita en notación vectorial en términos de la gradiente de

y evaluada a xo,y (xo), como:

x = xo + ky ( xo ) (2-32)

Si se usa el signo positivo, el movimiento es a lo largo de la línea en la dirección

de ascenso de pendiente, y si se usa el signo negativo entonces el movimiento es a lo
largo de la línea en dirección de descenso de pendiente. El siguiente ejemplo ilustra el
método de ascenso de pendiente para una función simple.

Ejemplo 2-7:

Encontrar el mínimo a lo largo de la dirección de pendiente descendente de la

función dada a continuación iniciando en el punto xo = (1,1).
 y = x12 + x22

Línea gradiente (pendiente descendente):

x = xo - ky(xo)

o para dos variables independientes

Evaluando las derivadas parciales en el punto de inicio (1,1)

La línea gradiente es

x1 = 1 - 2k

x2 = 1 - 2k

Sustituyendo la línea gradiente en la función a ser minimizada da:

y = (1 - 2k)2 + (1 - 2k)2 = 2(1 - 2k)2

Evaluando dy/dk localizaremos el mínimo a lo largo de la línea gradiente, es decir:

y
k = ½ es el punto estacionario

Los valores correspondientes de x1 y x2 son

x1 = 1 - 2(½) = 0 x2 = 1 - 2(½) = 0

Resulta que el mínimo a lo largo de la línea de pendiente también es el mínimo

para la función en este problema, porque es la suma de cuadrados.

El método de la pendiente ascendente es la base de varias técnicas de búsqueda.

 Debe notarse que cuando se trata con sistemas físicos, la dirección de pendiente
ascendente (descendente) puede ser solamente una dirección de paso ascendente
(descendente) dependiendo de las escalas usadas para representar las variables
independientes. Esto es discutido e ilustrado por Wilde (5), y Wilde & Beightler (4).

2.5 CONDICIONES NECESARIAS Y SUFICIENTES PARA

PROBLEMAS CON RESTRICCIONES

Las condiciones necesarias han sido desarrolladas por Kuhn y Tucker (14) para
un problema general de optimización no lineal con restricciones de igualdad y
desigualdad. Este problema escrito en términos de minimizar y(x) es:

Minimizar: y(x) (2-41)

Sujeto a: fi(x) 0 para i = 1, 2, ..., h (2-42)

fi(x) = 0 para i = h+1, ..., m (2-43)

donde y(x) y fi(x) son los valores reales de las funciones dos veces continuamente
diferenciables.

Cualquier valor de x que satisfaga las ecuaciones de restricciones (2-42) y (2-

43) es denominado una posible solución al problema en la teoría de Kuhn-Tucker.
Entonces para localizar los puntos que pueden ser potencialmente mínimos locales de la
ecuación (2-41) y satisfacer las ecuaciones de restricción (2-42) y (2-43), son usadas las
condiciones necesarias de Kuhn-Tucker. Estas condiciones son escritas en términos de la
función Lagrangiana para el problema la cual es:

donde los xn+i's son las variables remanentes (variables de holgura) usadas para
convertir las restricciones de desigualdad a igualdades

Las condiciones necesarias para un mínimo bajo restricciones son dadas por el
teorema siguiente: (7,8,10,14).

En razón a minimizar y(x) sujeta a fi(x)0, i = 1,2, ..., h y fi(x) = 0, i = h+1, ...,
m, las condiciones necesarias para la existencia de un mínimo relativo a x* son:
 Examinando estas condiciones, el primer paso es establecer las primeras derivadas
de la función Lagrangiana con respecto a las variables independientes x 1, x2, ..., xn e
igualar a cero para localizar el punto, x* de Kuhn-Tucker. La segunda y tercera
condiciones son repetir las ecuaciones de restricción de igualdad y desigualdad, las
cuales deben satisfacer a las ecuaciones de igualdad y desigualdad las cuales deben ser
satisfechas al mínimo del problema con restricción. La cuarta condición es otro camino
para expresar  ixn+i = 0, i = 1, 2, ..., h a partir del establecimiento de las derivadas
parciales de la función Lagrangiana con respecto a las variables de holgura e igualar a
cero. Ya sea i 0 y xn+i = 0 (la restricción es activa) o i = 0 y xn+i  0 (restricción es
inactiva). Luego, el producto de Multiplicador de Lagrange y la ecuación de restricción
establecido igual a cero es equivalente a la declaración, y esta es llamada la condición de
holgura complementaria (15). La quinta condición proviene de examinar la ecuación (2-
37), es decir, y(x*)/bi = -  i. El argumento es que a medida que bi es incrementada la
región de restricción es agrandada; y esta no puede resultar en un alto valor para y(x*),
el mínimo en la región. Sin embargo esto podría resultar en un valor bajo de y(x*); y
correspondientemente y(x*)/bi podría ser negativo, es decir, a medida que b i aumenta,
y(x*) podría disminuir. Entonces, si y(x*)/bi es negativo, el Multiplicador de Lagrange
 i debe ser positivo para satisfacer la ecuación (2-37). Esta condición es denominada
una calificación de restricción, como se discutirá más adelante. Para la sexta condición,
ha sido mostrada por Bazaraa y Shetty (15) que el Multiplicador de Lagrange asociado
con las restricciones de igualdad son irestringidas en el signo; y por lo tanto no hay un
argumento comparable a uno dado anteriormente sobre los Multiplicadores de Lagrange
asociados con las restricciones de desigualdad.

Para el problema de maximizar y(x) sujeta a restricciones de igualdad y

desigualdad, el problema es como sigue:

Maximizar: y(x) (2-46)

Sujeta a fi(x) < 0 for i = 1, 2, ..., h (2-47)

fi(x) = 0 for i = h+1, ..., m (2-48)

Para este problema, las condiciones de Kuhn-Tucker son:

Estas condiciones son las mismas que las dadas para minimización dadas por la
ecuación (2-45), excepto que la desigualdad es reservada para los Multiplicadores de
Lagrange en la quinta condición. Así mismo, las restricciones de desigualdad son
escritas como menor o igual a cero por conveniencia en la discusión subsiguiente sobre
condiciones suficientes.

El siguiente ejemplo ilustra las condiciones necesarias de Kuhn-Tucker para un

problema simple.

Ejemplo 2-9:

Localizar los cinco puntos de Kuhn-Tucker del siguiente problema, y determinar este
carácter , es decir, máximo, mínimo o punto silla.

optimizar: y = x1x2

sujeta a: x1 + x2 < 1

-x1 + x2 < 1

-x1 - x2 < 1

x1 - x2 < 1

Un diagrama de las ecuaciones anteriores es dado en la Figura 2-6. La función siendo

optimizada es la clásica función de punto silla la cual es restringida por planos.
 Figura 2-6 Diagrama de Optimización para problema 2-9

El primer paso en el procedimiento es localizar los puntos estacionarios

ignorando las restricciones de desigualdad , es decir, 1 =2 =3 =4 = 0. Si este punto
satisface las restricciones como desigualdades, puede haber sido encontrado un óptimo.
Para este problema:

El punto de Kuhn-Tucker es xo (0,0), y evaluando este carácter mediante las

condiciones de suficiencia sin restricciones da el siguiente resultado.

El punto xo(0,0) es un punto silla, y las restricciones son satisfechas.

Procediendo al paso dos, una ecuación de restricción a la vez es seleccionada, y el

carácter del punto de the Kuhn-Tucker es determinado. Comenzando con la primera
ecuación de restricción como una desigualdad, es decir,  10 y considerando las otras
tres como desigualdades, es decir, 2 = 3 = 4 = 0, dan la siguiente función ecuación
para la función Lagrangina

Resolviendo da:

x1 = ½, x2 = ½,  = -½ y(½, ½) = ¼

El signo del Multiplicador de Lagrange es negativo, y por las condiciones

necesarias de the Kuhn-Tucker, el punto puede ser un máximo, ya que las demás
restricciones son satisfechas como desigualdades.

El procedimiento es repetido para las otras tres ecuaciones de restricción, cada una
considerada individualmente como una igualdad. Los resultados para los puntos de
Kuhn-Tucker son resumidos en la siguiente tabla:

y: ¼ -¼ ¼ -¼ 0

x1: ½ -½ -½ ½ 0

x2: ½ ½ -½ -½ 0

: -½ ½ -½ ½ 0

Carácter: max min max min silla

El carácter de cada uno de los puntos estacionarios se basa en las condiciones

necesarias de Kuhn-Tucker. Examinando la Figura 2-5, podemos confirmar este
carácter. Sin embargo, calificaciones de restricción y condiciones suficientes son
necesarias para dar un método general, y esto es discutido a continuación.

En los teoremas desarrollados por Kuhn y Tucker (14), las ecuaciones de

restricción deben satisfacer ciertas condiciones en los puntos de the Kuhn-Tucker, y
estas condiciones son denominadas calificaciones de restricción. Como es dado por
Bazaraa y Shetty (15), existen varias formas de calificaciones de restricción; y también,
según Gill et. al. (16), es importante para restricciones no lineales. Esta es la condición
que las gradientes que las ecuaciones de restricción en el punto de Kuhn-Tucker sea
linealmente independiente. Esta calificación de restricción es requerida por las
condiciones necesarias dadas por las ecuaciones (2-45) y (2-49). Como un ejemplo,
Kuhn y Tucker(14) construyeron las ecuaciones de restricción:
 f1 = (1 - x1)3 - x2 > 0,

f2 = x1 > 0,

f3 = x2 > 0

Estas no satisfacen las condiciones al punto x2* = 1 y x2* = 0. A este punto f1 =
[-3(1 - x1)2, -1] = (0,-1), f2 = (1,0) y f3 = (0,1) no es linealmente independiente. La
condición necesaria no puede sostenerse a un punto como este, y Kuhn y Tucker (14)
dan argumentos que esta calificación de restricción es requerida para asegurar la
existencia de los Multiplicadores de Lagrange en el punto óptimo. La comprobación de
las calificaciones de restricción para un problema general de programación no lineal es
casi una tarea imposible según Avriel (10). Él establece que afortunadamente en la
práctica de calificación de restricción normalmente se mantiene, y es justificable usar la
existencia de los multiplicadores de Lagrange como una base para tener las condiciones
necesarias, dando argumentos de que la calificación de restricción es requerida para
asegurar la existencia de los Multiplicadores de Lagrange.

2.6 APLICACIÓN A LA INGENIERÍA QUÍMICA

En esta sección discutiremos algunos problemas relacionados a la ingeniería

química y su solución usando el concepto de máximos y mínimos tanto mediante
técnicas analíticas como numéricas.

2.6.1 Determinación de valores óptimos con dos variables independientes.

La siguiente ecuación muestra el efecto de las variables x e y sobre el costo total para
una operación particular:

Determine los valores de x e y que den el costo total mínimo

Solución analítica

En el punto óptimo,
Resolviendo simultáneamente para los valores óptimos de x e y

x = 16

y = 20

Valor mínimo de CT:

CT = 2,33(16) +11900/(16)(20) +1,86(20) + 10

CT = 121,6

Se puede verificar para tener la certeza de que los valores encontrados representan las
condiciones del costo mínimo.

Si:

Efectuando la apropiada diferenciación parcial y evaluando en el punto estacionario ( x

= 16, y = 20) se tiene

Sustituyendo en M
 Por lo tanto, el punto estacionario es un mínimo ya que ambas determinantes son
positivas. Las condiciones optimas deben ocurrir en un punto de costo mínimo.

Solución Numérica Usando MATLAB:

Para probar, crear un archivo-M costo.m que define una función de dos
variables, x e y

function c = costo(v)
x = v(1);
y = v(2);
c = 2.33*x + 11900/(x*y) + 1.86*y + 10;

Ahora, encontrar un mínimo para esta función usando x = 0,1 y = 0,1 como los valores
iniciales:

>> v = [0.1 0.1];

>> a = fminsearch('costo', v)

a =

15.9753 20.0121

Esto quiere decir que el mínimo ocurre cuando x = 15,9753

y = 20,0121

CT = 121,667

Usando el simulador UNTSIM

Seleccionamosdel Menú principal: Optimización- Funciones multivariables - Mínimo

sin restricciones y obtenemos la siguiente respuesta:

Copyright 2002 UNT

MSc. Luis Moncada
All rights reserved

OPTIMIZACION DE FUNCIONES MULTIVARIABLES

SIN RESTRICCIONES, INICIA LA BUSQUEDA EN LOS
VALORES INICIALES Y ENCUENTRA UN MINIMO LOCAL
Las vaiables se denotan por: x(1), x(2),...

Ingrese funcion: '2.33*x(1) + 11900/(x(1)*x(2)) + 1.86*x(2) + 10'

Inicio de busqueda
Valores iniciales: [.1 .1]

RESULTADO DE LA OPTIMIZACION
---------------------------------------------
1.- El optimo de la variable es = 15.9753
1.- El optimo de la variable es = 20.0121
2.- El optimo de la funcion es es = 121.667

Aún cuando en este caso se llega numéricamente a una solución consistente, en otros
casos es necesario colocar restricciones para los valores de las variables o límites
inferiores y/o superiores

2.6.2 Optimización de un CSTR

El costo de operación de un CSTR es dado por la siguiente ecuación::

CT = Cf CAo q + CmV

El costo total de oprtación CT ($/hr) es la suma del costo de la alimentación, Cf

CAoq, y el costo de mezclado, CmV. Los valores para el reactor son los siguientes:

Cf = $5.00/lb-mol de A, costo de alimentación

CAo = 0.04 lb-mol/ft3, concentración inicia; de A.

q = caudal volumétrico de alimentación al reactor en ft3/hr.

Cm = $0.30/hr-ft3, costo de mezclado

V = volumen del reactor en ft3

Nosotros estamos interesados en obtener el costo de operación mínimo y los

valores óptimos de caudal de alimentación, q; volumen de reactor, V; y concentración en
el reactor, CA. En el reactor toma lugar la siguiente reacción de primer orden.

A B

Donde la velocidad de formación de B, rB está dada por

r = kCA

donde k = 0.1hr-1.

a. Si se están produciendo 10 lb-mol de B por hora, dar las las dos

ecuaciones de restricción de balance de materiales, las cuales restringen
los valores de las variables independientes. (No hay B en la corriente de
 alimentación).

b. A partir de la función Lagrangiana y efectuando la apropiada

diferenciación para obtener el conjunto de ecuaciones que pueden ser
resueltas para los valores óptimos de las variables independientes.
Cuantas ecuaciones y variables se obtienen?

c. Resolver para el valor óptimo de volumen del reactor, V; caudal de

alimentación, q; y concentración de A en el producto, CA.

Solución analítica

a. Balance de materiales para A Balance de materiales para B

acum. = entrada – salida acum. = entrada – salida

0 = CAoq – (rAV + qCA) 0 = CAoq + rBV – qCB

0 = CAoq – kCAV – qCA 0 = 0 + kCAV – 10

(CAo – CA)q = kCAV 0 = kCAV – 10

Las ecuaciones de restricción son:

(CAo – CA)q – kCAV = 0

10 – kCAV =0

b. Formando la función Lagrangiana

CT = CfCAoq + CmV + 1 [(CAo – CA)q - kCAV] + 2(10 – kCAV)

Diferenciando se tiene:
Existen cinco variables: q, V, CA, 1, 2; y cinco ecuaciones. Resolviendo
simultáneamente usando las ecuaciones 2 y 3, se tiene:

2. CmV – 1kCAV – 2kCAV = 0

3. –1qCA – 1kCAV – 2kCAV = 0

------------------------------------

CmV – 1qCA = 0

1 = – CmV/qCA

Reemplazando en ecuación 1 para 1, se tiene:

CfCAo – (CmV/qCA)( CAo – CA) = 0

De la ecuación 4, se obtiene V/q como:

Reemplazando
 Resolviendo para CA:

CAo – CA = MCA

CAo = MCA + CA = CA(M+1)

Luego conociendo CA de la ecuación 5 da:

Conociendo CA y V de la ecuación 4 se tiene:

Reemplazando
Solución Numérica Usando MATLAB

El costo total es: CT = Cf CAoq + CmV

de las ecuaciones de balance de materiales, se tiene:

Reemplazando q y V en la ecuación de costo total ( y haciendo CA = x), así como

remplazando los valores numéricos, tenemos la función de costo total:

CT = f = (2/(0.04 – x)) + 0.3/x (función de una sola variable)

Para el caso de optimización de funciones de una variable, el procedimiento es el

siguiente:

1. Creamos una función objetivo en línea

>> f = inline('(2/(0.04-x))+30/x');

2. Luego invocamos la rutina fminbnd y en este caso damos un intervalo para la

variable que es la concentración de A la cual debe estar entre 0 (conversión total) y 0.04
(no hay conversión)

>> x = fminbnd(f, 0, 0.04)

Obteniendo la siguiente respuesta:
x =

0.0318 Valor de CA para tener un costo total mínimo

El costo total mínimo se evalua con la orden:
>> y = f(x)

y =

1.1873e+003

Los demas valores se obtienen con los reemplazos respectivos.

Usando el simulador UNTSIM

Seleccionamos del Menú principal: Optimización - Funciones de una variable - Mínimo

en un intervalo fijo; obteniendo la siguiente respuesta:

Copyright 2002 UNT

MSc. Luis Moncada
All rights reserved

OPTIMIZACION DE FUNCIONES MONOVARIABLES

EN UN INTERVALO FIJO
***************************************
Ingrese funcion: '(2/(0.04-x))+30/x'
Intervalo de busqueda
Limite inferior: 0
Limite superior: 0.04
---------------------------------------------
1.- El optimo de la variable es = 0.0317799
2.- El optimo de la funcion es = 1187.3

2.6.3 Tres Reactores en Paralelo

La alimentación total a tres reactores químicos en paralelo es 1100 libras por hora.
Cada reactor está operando con diferente catalizador y diferentes condiciones de
temperatura y presión. La función beneficio de cada reactor tiene la velocidad de
alimentación como la variable independiente, y los parámetros en la ecuación son
determinados por el catalizador y condiciones de operación. Las funciones beneficio
para cada reactor son dadas a continuación.

P1 = 0.2F1 - 2(F1/100)2

P2 = 0.2F2 - 4(F2/100)2

P3 = 0.2F3 - 6(F3/100)2

Determine el beneficio máximo y la alimentación óptima a cada reactor.

Solución analítica
max: P = 0.2F1 - 2(F1/100)2 + 0.2F2 - 4(F2/100)2 + 0.2F3 - 6(F3/100)2

sujeta a : F1 + F2 + F3 = 1100

La función Lagrangian es:

L(F1, F2, F3 , ) = 0.2F1 - 2(F1/100)2 + 0.2F2 - 4(F2/100)2 + 0.2F3 - 6(F3/100)2

+(F1 + F2 + F3 - 1100)

F1 = 2F2

2F2 = 3F3

F1 + ½ F1 + 1/3 F1 = 1100

Reemplazando y resolviendo se tiene:

F1 = 600

F2 = 300

F3 = 200

F1 + F2 + F3 = 1100

P = 0.2(1100) - 2(6)2 - 4(3)2 - 6(2)2

 P = 88

Solución numérica con MATLAB

Para usa la rutina fmincon, debemos multiplicar la función por -1 y luego la funcion
resultante minimizarla, con lo que se tiene:

minimizar: f = -0.2F1 + 2(F1/100)2 - 0.2F2 + 4(F2/100)2 - 0.2F3 + 6(F3/100)2

Escribimos la función costoi

function f = costoi(x)
f =-0.2*x(1)+ 2*(x(1)/100)^2 -... 0.2*x(2)+4*(x(2)/100)^2-
0.2*x(3)+6*(x(3)/100)^2;

Luego damos los coeficientes de la restricción de igualdad:

>>Aeq = [1 1 1]

Del lado derecho de la restricción:

>>beq = [1100]

Los valores iniciales:

>>x0 = [1 1 1];

Invocamos la rutina de cálculo

>> [x,fval] = fmincon(@costoi,x0,[],[],Aeq,beq)

Y el resultado es

x =

    600.0000        299.9998       200.0001

fval =

     ­88.0000

Luego este resultado lo dividimos entre ( - 1), con lo que se tiene una respuesta que
coincide con la encontrada analítcamente

Usando el simulador UNTSIM

Seleccionando del Menu Principal: Optimización - Funciones Multivariables - Mínimo

con Restricciones:

Copyright 2002 UNT

MSc. Luis Moncada
All rights reserved

ESTE PROGRAMA REALIZA LA OPTIMIZACION

DE FUNCIONES CON DOS O MAS VARIABLES
CON RESTRICCIONES LINEALES DE DESIGUALDAD, IGUALDAD
LIMITES PARA LAS VARIABLES Y RESTRICCIONES NO LINEALES
*********************************************************
Ingrese funcion: '-0.2*x(1)+ 2*(x(1)/100)^2 -0.2*x(2)+
4*(x(2)/100)^2-
0.2*x(3)+6*(x(3)/100)^2'
Cuantas restricciones lineales de desigualdad tiene?: 0
Cuantas restricciones lineales de igualdad tiene?: 1
Ingrese matriz de coeficientes de las restricciones de
igualdad [ ]: [1 1 1]
Ingrese vector de valores del lado derecho de restricciones de
igualdad [ ]: [1100]
Hay limites para los valores de la variables si(1) no (0): 0
Cuantas restricciones no lineales tiene?: 0
Inicio de busqueda
Valores iniciales: [1 1 1]
Optimization terminated successfully:
Magnitude of directional derivative in search direction
less than 2*options.TolFun and maximum constraint violation
is less than options.TolCon
Active Constraints:
1

RESULTADO DE LA OPTIMIZACIÓN
---------------------------------------------
1.- El optimo de la variable es = 600
1.- El optimo de la variable es = 300
1.- El optimo de la variable es = 200
2.- El optimo de la función es = -88
>>

Igual que en el caso anterior al óptomo de la función debemos dividirlo entre (-1), ya que
al inicio lo multiplicamos por (-1)

2.6.4 Tasa Interna de Retorno

La tasa interna de retorno (TIR) se define como la tasa de interés cuando el valor
presente neto (VPN) es cero para un número de años especificado y un flujo inicial de
dinero (“cash flow’) CFo. Este puede ser formulado como un problema de optimización
como sigue.

minimizar: (VPN)2

Para el caso de flujos de dinero constantes CF j = A, desarrollar la ecuación para

determinar la tasa de retorno. El valor presente neto es dado par la siguiente ecuación.

Solución:

-i-2 - [i -2(1 + i)-n - ni-1 (1 + i)-n-1] = 0

Y simplificando se tiene:

1 + (1 + n)i = (1 + i)n+1 = 0

i = [(1 + i)n+1 - 1] / (n + 1)

Es necesaria una solución iterativa, ya que no es posible obtener una ecuación para i
explicitamenta.

Ejemplo: para ilustrar la aplicación usaremos el ejemplo 7.2 del texto de Economía de
Procesos, el cual se reduce a la siguiente ecuación representando el valor presente del
flujo de dinero (VPFD), la cual es la función objetivo y el factor a optimizar es el interés
(i)

Esta función lo escribimos de la forma:

y = 110000-30000*(1./((x + 1.0))) - 31000*(1./((x + 1.0).^2 )) -

36000*(1./((x + 1.0).^3)) - 40000*(1./((x + 1.0).^4)) - 43000*(1./((x +
1.0).^5))-10000*(1./((x + 1.0).^5)) -10000*(1./((x + 1.0).^5));

Usando UNTSIM

Seleccionamos del menú principal: Optimización - Funciones de una variable - Cero de

la función

Copyright 2002 UNT

MSc. Luis Moncada
All rights reserved

EVALUA EL VALOR DE LA VARIABLE CERCANO A UN VALOR

INICIAL DE LA VARIABLE PARA QUE LA FUNCION SEA CERO
**********************************************************
Ingrese funcion: '110000-30000*(1./((x + 1.0))) - 31000*(1./((x +
1.0).^2 ))
- 36000*(1./((x + 1.0).^3)) - 40000*(1./((x +
1.0).^4))
-43000*(1./((x+1.0).^5))-10000*(1./((x + 1.0).^5))
-10000*(1./((x + 1.0).^5))'
Valor Inicial de la variable: 0

RESULTADO DE LA OPTIMIZACIÓN
---------------------------------------------
1.- El valor de la variable es = 0.207169
2.- El valor de la función es = -2.45564e-011
>>

Luego la tasa interna de retorno es 20.71 %

 CAPITULO III
OPTIMIZACIÓN DE PLANTAS

3.1 LA GRAFICA DEL PUNTO DE EQUILIBRIO PARA PLANIFICAR LA

PRODUCCIÓN Y SU SIGNIFICANCIA PARA ANÁLISIS OPTIMO

Al considerar los costos totales o beneficios en la operación de una planta, uno de

los factores que tiene un efecto importante sobre los resultados económicos durante la
vida económica es la fracción de capacidad a la cual opera la planta. Si la planta está
sobredimensionada u opera a baja capacidad, algunos costos, tales como materias primas
y mano de obra, serán disminuidos, pero los costos por depreciación y mantenimiento
continúan esencialmente en el mismo valor aun cuando la planta no este operando a su
capacidad total.

Fig. 3-1 Gráfica del punto de equilibrio

Hay una relación entre la vida económica, capacidad de producción, y precio de

venta. Es deseable operar a una capacidad que permita una utilización máxima de los
costos fijos mientras se pueda vender el producto y utilizar la capacidad de producción
para dar el mejor resultado económico.

La Fig. 3-1 muestra gráficamente como la cantidad de producción afecta los costos
y beneficios. Los costos fijos permanecen constantes mientras que el costo total, sí como
las utilidades incrementan con el incremento de la capacidad de producción. El punto
donde el costo total de producción es igual a los ingresos representa el punto de
equilibrio, y la capacidad de producción debe ser mayor que la capacidad
correspondiente al punto de equilibrio

3.2 PRODUCCIÓN OPTIMA OPERACIÓN DE PLANTAS

Los mismos principios usados para desarrollar un diseño óptimo pueden aplicarse
para determinar las condiciones más favorables en la operación de una planta de
manufactura. Una de las variables mas importantes en plantas de manufactura es la
cantidad de producto producido por unidad de tiempo. La velocidad de producción
depende de muchos factores, tales como el número de horas de operación por día, por
semana, o por mes; la carga puesta sobre el equipo; y las ventas posibles. A partir de un
análisis de los costos involucrados bajo situaciones diferentes y considerando otros
factores afectando a la planta particular, es posible determinar una velocidad de
producción optima o llamada tamaño económico de lote.

Cuando un ingeniero de diseño realiza un diseño total de la planta, ordinariamente

el estudio se basa en una capacidad de producción dada para la planta. Antes de que la
planta sea puesta en operación, sin embargo, algunos de los factores originales de diseño
serán cambiados, y la capacidad de producción óptima puede variar considerablemente
de la “capacidad de diseño”. Por ejemplo, suponer que una planta ha sido diseñada
originalmente para la producción por lotes de un producto orgánico sobre la base de un
“batch”cada 8 horas. Antes de que la planta sea puesta en operación, se obtienen los
costos de los procesos actuales, y se hacen pruebas operando con varios procesos. Se
encuentra que la mayor producción por mes puede obtenerse si se reduce el tiempo por
“batch”. Sin embargo, cuando se usa un tiempo mas corto por “batch”, se requiere mas
mano de obra, el porcentaje de conversión de materiales disminuye, y los costos de
potencia y vapor aumentan. Aquí esta un caso en el cual puede usarse un balance
económico para encontrar la velocidad de producción optima. Aun cuando el ingeniero
de diseño puede haber basado sus recomendaciones originales en un tipo similar de
balance económico, las condiciones de precio y mercado no permanecen constantes, por
lo tanto el estudio económico debe hacerse periódicamente. El siguiente análisis indica
el método general para determinar la velocidad de producción optima o tamaño de lote.

El costo total de producto por unidad de tiempo puede dividirse en dos

clasificaciones de costos de operación y costos de organización. Los costos de operación
dependen de la velocidad de producción e incluyen gastos para mano de obra directa,
materias primas, potencia, calor, suministros, e ítem similares los cuales son una función
de la cantidad de material producido. Los costos de organización se deben a gastos para
personal directivo, equipo físico, y otros servicios o facilidades las cuales no dependen
de la cantidad producida. Los costos de organización son independientes de la capacidad
de producción.

Es conveniente considerar los costos de operación sobre la base de una unidad de

producción. Cundo se hace esto, los costos de operación pueden dividirse en dos tipos de
gastos como sigue:

1. Mínimo gasto para materias primas, mano de obre, potencia, etc., que
permanece constante y debe ser pagado por cada unidad de producción
tanto como la cantidad producida de material.
2. Gastos extras debido al incremento de la cantidad de producción. Estos
gastos extras son conocidos como costos de sobreproducción. Ejemplos
de costos de superproducción son costos extras causados por consumo
extra de potencia, requerimientos adicionales de mano de obre, o
disminución en la eficiencia de conversión. Los costos de
superproducción pueden a menudo representarse como sigue:

Costos de superproducción por unidad de producción = mPn (3.1)

donde P = velocidad de producción tal como unidades totales de producción por unidad

de tiempo.

m = constante

n = constante

Designando h como los costos de operación los cuales permanecen constantes por
unidad de producción y OC como los costos de organización por unidad de tiempo, el
costo total por unidad de producción es:

Las siguientes ecuaciones para varios tipos de costos o beneficios se basan en la

Ec. (3.2):

donde CT = costo total de producto por unidad de tiempo

 r = beneficio por unidad de producción

R’= beneficio por unidad de tiempo

s = precio de venta por unidad de producción

3.2.1 Producción óptima para costo mínimo por unidad de producción

A menudo es necesario conocer la velocidad de producción a la cual se tiene el

costo de producción mínimo sobre la base de una unidad de material producido. La
producción óptima debe ocurrir cuando dcT /dP = 0. Una solución analítica para este
caso puede obtenerse de la Ec. (3.2), y la producción óptima Po dando el costo mínimo
por unidad de producción se encuentra como sigue:

La producción óptima mostrada en la Ec. (3.7) podría, desde luego, dar el

beneficio máximo por unidad de producción si el precio de venta permanece constante.

3.2.2 Producción óptima para máximo beneficio total por unidad de tiempo.

En la mayoría de negocios, la cantidad de dinero ganada en un período de tiempo

dado es mucho mas importante que la cantidad de dinero ganada por cada unidad de
producto vendido. Entonces, se debe reconocer que la producción para beneficio
máximo por unidad de tiempo puede diferir considerablemente de la producción para el
costo mínimo por unidad de producción.

La Ec. (3.5) presenta la relación básica entre costos y beneficios. Una gráfica de
beneficio por unidad de tiempo versus producción pasa por un máximo. Luego esta
ecuación puede usarse para encontrar analíticamente un valor de la producción óptima.
Cuando el precio de venta permanece constante, la producción que de el beneficio
máximo por unidad de tiempo es:

Ejemplo 3.1 Determinación de beneficios a producción óptima

Una planta produce refrigeradores a razón de P unidades por día. Los costos
variables por refrigerador se han encontrado a ser $47,73 + 0,1P1,2. Las cargas fijas
totales diarias son $1750, y todos los demás costos son constantes e iguales a $7325 por
día. Si el precio de venta por refrigerador es 4173, determine:
(a) El beneficio diario para una producción que de el mínimo costo por refrigerador.

(b) El beneficio diario a una producción que de el beneficio diario máximo

(c) La producción en el punto de equilibrio

Solución

(a) Costo total por refrigerador = cT = 47,73 + 0,1P 1,2 + (1750 + 7325)/P

Producción para costo mínimo por refrigerador,

Po = 165 unidades por día para el mínimo costo por unidad

Beneficio diario para la producción que de el mínimo costo por refrigerador

(b) Beneficio diario es:

Producción para beneficio máximo por día,

Po = 198 unidades por día para beneficio diario máximo

Beneficio diario con una producción que da beneficio diario máximo

(c) Beneficio total por día en el punto de equilibrio

Resolviendo la ecuación anterior para P,

Pen el punto de equilibrio = 88 unidades /día

Usando UNTSIM

a) Costo mínimo

Seleccionando: Funciones con una variable - Mínimo con un valor inicial

Copyright 2002 UNT

MSc. Luis Moncada
All rights reserved

ENCUENTRA EL OPTIMO DE UNA FUNCION DE UNA VARIABLE

CERCANO A UN UN VALOR DADO DE LA VARIABLE
***************************************************
Ingrese funcion: '47.73 + 0.1*x^1.2 + (1750 + 7325)/x'
Valor Inicial de la variable: 1
RESULTADO DE LA OPTIMIZACION
---------------------------------------------
1.- El optimo de la variable es = 165.035
2.- El optimo de la funcion es = 148.542

b) Punto de equilibrio: Optimización - Funciones con una variable - Cero de la función

Copyright 2002 UNT

MSc. Luis Moncada
All rights reserved

EVALUA EL VALOR DE LA VARIABLE CERCANO A UN VALOR

INICIAL DE LA VARIABLE PARA QUE LA FUNCION SEA CERO
**************************************************
Ingrese funcion: '173*x-(47.73*x + 0.1*x^2.2 + (1750 + 7325))'
Valor Inicial de la variable: 50
RESULTADO DE LA OPTIMIZACION
---------------------------------------------
1.- El Valor de la variable es = 87.3256
2.- El valor de la funcion es = -1.81899e-012

3.3 CONDICIONES OPTIMAS EN OPERACIONES CÍCLICAS

Muchos procesos son llevados a cabo en operaciones cíclicas las cuales involucran
periodos cortos para descargar, limpiar y recarga. Este tipo de operaciones ocurre cuando
el producto es obtenido por un proceso “batch” o cuando la velocidad de producción
disminuye con el tiempo, tal como la filtración en una unidad de discos. En una
verdadera operación “batch” no se obtiene producto durante el periodo de parada. En
operaciones cíclicas semicontinuas, se obtiene producto continuamente mientras que la
unidad esta en operación, pero la cantidad disminuye con el tiempo. Por lo tanto en
operaciones “batch” o semicontinuas, la variable de tiempo total requerido por ciclo
debe ser considerado cuando se determina las condiciones optimas.

El análisis de operaciones cíclicas puede llevarse a cabo convenientemente usando

como base el tiempo por ciclo. Cuando se hace esto, pueden desarrollarse relaciones
similares a las siguientes para expresar todos los factores, tales como costo total anual o
producción anual:

El ejemplo siguiente ilustra el método general para determinar las condiciones

optimas en una operación “batch”.

Ejemplo 3.2 Determinación de las condiciones para el costo total mínimo en una

operación “batch”

Un compuesto orgánico se esta produciendo mediante una operación “batch”en la

cual no se obtiene nada de producto hasta que se termina el “batch”. Cada ciclo consiste
del tiempo de operación necesario para la reacción completa además de un tiempo total
de 1,4 h para descargar y cargar. El tiempo de operación por ciclo es igual a h,
donde Pb son los Kg. de producto obtenidos por “batch”. Los costos de operación
durante el periodo de operación son $20 por hora, y los costos durante el periodo de
descarga y carga son $15 por hora. Los costos fijos anuales para el equipo varían con el
tamaño del “batch” de acuerdo a:

Las cargas de inventario y almacenamiento pueden despreciarse. Si es necesario, la

planta puede ser operada 24 h por día durante 300 días por año. La producción anual es
1 millón de Kg. de producto. A esta capacidad, los costos de materia prima y
misceláneos, otros que los ya mencionados, ascienden a $260 000 por año.

Determinar el tiempo por ciclo para condiciones de costo total mínimo por año.

Solución
El costo total anual es un mínimo cuando d(costo total anual)/dPb = 0.

Efectuando la diferenciación, igualando el resultado a cero, y resolviendo para Pb se

tiene:

Pb, para costo óptimo = 1630 Kg. por “batch”

Este mismo resultado podría haberse obtenido graficando el costo total anual versus Pb y
determinando el valor de Pb al punto de costo total anual mínimo.

Para condiciones de costo total anual mínimo y una producción de 1 millón de kg/año:

Tiempo por ciclo = (1,5)(1630)0,25 + 1,4 = 11 h

Luego para condiciones de costo anual mínimo y una producción de 1 millón de

kg/año, podría no usarse todo el tiempo disponible para operación y no operación.

Solución NuméricaUsando MATLB

Crear el archivo-M cost.m

function c = cost(v)
x = v(1);
c = (30*x^0.25 + 21)*(1000000/x) + 340*x^0.8 + 260000;

Ahora, encontrar un mínimo para esta función usando x = 1,0 como el valor inicial:

>> v = [1];
>> a = fminsearch('cost', v)

Obteniéndose como respuesta

a =

1.6258e+003

Lo cual indica que Pb, para costo óptimo = 1625,8 kg por “batch”

Usando UNTSIM

Seleccionando: Funciones de una variable - Mínimo con un valor inicial

Copyright 2002 UNT

MSc. Luis Moncada
All rights reserved
ENCUENTRA EL OPTIMO DE UNA FUNCION DE UNA VARIABLE
CERCANO A UN VALOR DADO DE LA VARIABLE
***************************************************
Ingrese función: '(30*x^0.25 + 21)*(1000000/x) + 340*x^0.8 + 260000'
Valor Inicial de la variable: 1

RESULTADO DE LA OPTIMIZACION
---------------------------------------------
1.- El optimo de la variable es = 1625.84
2.- El optimo de la función es = 516077
3.3.1 Operaciones cíclicas semicontinuas

Las operaciones cíclicas semicontinuas son con frecuencia encontradas en la

industria química, y el ingeniero de diseño debe entender los métodos para determinar el
tiempo óptimo por ciclo en este tipo de operaciones. Aun cuando se obtiene producto
continuamente, la velocidad de producción disminuye con el tiempo debido a las
incrustaciones, recolección de subproductos, reducción de la conversión y eficiencia, o
causas similares. Esto deviene en la necesidad de cortar periódicamente la operación en
razón de restaurar las condiciones iniciales para tener altas velocidades de producción.
El tiempo óptimo por ciclo puede ser determinado para condiciones tales como la
producción máxima por unidad de tiempo o el costo mínimo por unidad de producción.

Formación de incrustaciones en evaporación

Durante el tiempo que un evaporador está en operación, a menudo se depositan

sólidos sobre el área de transferencia, formando incrustaciones. La formación continua
de incrustaciones causa un incremento gradual de la resistencia al flujo de calor y,
consecuentemente, una reducción en la velocidad de transferencia de calor y la velocidad
de evaporación si se mantiene la misma diferencia de temperatura como fuerza
impulsora. Bajo estas condiciones, la unidad de evaporación debe ser parada y limpiada
después de un tiempo óptimo de operación, y los ciclos son entonces repetidos.

La formación de incrustaciones ocurre en la misma extensión en los diferentes

tipos de evaporadores, pero es de particular importancia cuando la mezcla alimentada
contiene un material disuelto que tiene una solubilidad inversa. El término solubilidad
inversa indica que la solubilidad disminuye a medida que la temperatura de la solución
aumenta. Para un material de este tipo, la solubilidad es menor cerca de la superficie de
transferencia de calor donde la temperatura donde la temperatura es mas alta. Por lo
tanto, cualquier sólido cristalizando cerca de la superficie de transferencia de calor
formará incrustaciones sobre esta superficie. Las sustancias más comunes para formar
incrustaciones son sulfuro de calcio, hidróxido de calcio, carbonato de sodio, sulfato de
sodio y sales de calcio de ciertos ácidos orgánicos.

Cuando ocurre la formación de incrustaciones, el coeficiente total de transferencia

de calor puede ser relacionado al tiempo que el evaporador ha estado en operación por la
ecuación de la línea recta

donde a y b son constantes para una operación dada y U es el coeficiente total de

transferencia de calor en cualquier tiempo de operación b desde el inicio de la operación

Si esto no se puede determinar los coeficientes de transferencia y las constantes

mostradas en la Ec. (3.12), puede usarse cualquier cantidad que sea proporcional al
coeficiente de transferencia de calor. Por lo tanto, si todas las condiciones excepto la
formación de incrustaciones son constantes, la velocidad de alimentación, velocidad de
producción, y velocidad de evaporación pueden cada una representarse de manera
similar a la Ec. (3.12). Cualquiera de estas ecuaciones puede ser usada como una base
para encontrar las condiciones optimas. El método general es ilustrado a continuación,
donde se emplea la Ec. (3.12) como base.

Si Q representa la cantidad total de calor transferido en el tiempo de operación b,

y A y t representan el área de transferencia de calor y la diferencia de temperatura
respectivamente, la velocidad de transferencia de calor en cualquier instante es:

La velocidad instantánea de transferencia de calor varia durante el tiempo de

operación, pero el área de transferencia de calor y la diferencia de temperatura
permanecen esencialmente constantes. Entonces, la cantidad total de calor transferido
durante un tiempo de operación b, puede determinarse integrando la Ec. (3.13) como
sigue:

Tiempo por ciclo para cantidad máxima de calor transferido . La ecuación (3.15)
puede usarse como una base para encontrar el tiempo por ciclo el cual permita la
máxima cantidad de calor transferido durante un periodo dado. Cada ciclo consiste de un
tiempo de operación (o ebullición) de b h. Si el tiempo por ciclo para descargar, limpiar,
y recargar es c, el tiempo total en horas por ciclo es t = b +c .Luego, designando al
tiempo total usado para la operación actual de descarga, limpieza y recarga como H, el
número de ciclos durante H h = H/(b +c).
Fig. 3-2 Determinación del tiempo óptimo de operación para máxima cantidad de calor
transferido en un evaporador con formación de incrustaciones.

La cantidad total de calor transferido durante

H h = QH = (Q/ciclo) x (ciclos/H h)

Entonces,

Bajo condiciones ordinarias, la única variable en la Ec. (3.16) es el tiempo de

operación b. un gráfica de la cantidad total de calor transferida versus b muestra un
máximo en el valor óptimo de b. La Fig. 3-2 presenta una gráfica de este tipo. El
tiempo óptimo del ciclo también puede obtenerse derivando la Ec. (3.16) con respecto a
b igualando a cero y resolviendo para b. El resultado es

El tiempo óptimo de ebullición está dado por la Ec. (3.17) mostrando el plan
necesario para permitir la cantidad máxima de calor transferido. Debe usarse todo el
tiempo disponible para operación, descarga, limpieza y recarga. Para condiciones
constantes de operación, este mismo plan dará también la máxima cantidad de
alimentación consumida, producto obtenido y liquido evaporado.

Un tercer método para determinar el tiempo óptimo por ciclo es conocido como el
método tangencial para encontrar las condiciones óptimas, y es aplicable a muchos
tipos de operaciones cíclicas. Este método es ilustrado para condiciones de tiempo de
limpieza (c) constante en la Fig. 3-3, donde se grafica la cantidad de calor transferido
versus el tiempo de limpieza. La curva OB está basada en la Ec. (3.15). La cantidad
promedio de calor transferido durante un ciclo completo es Q/(b +c).

Fig. 3-3 Método tangencial para encontrar el tiempo óptimo de operación para máxima
cantidad de calor transferido en evaporador con formación de incrustaciones.

Cuando la cantidad total de calor transferido durante un número de ciclos repetidos

es un máximo, la cantidad promedio de calor transferido por unidad de tiempo debe
también ser un máximo. El tiempo óptimo por ciclo, entonces, ocurre cuando Q/(b
+c) es un máximo.

La línea recta CD’ en la Fig. 3-3 comienza a la distancia equivalente a c sobre el

lado izquierdo del origen de la grafica. La pendiente de esta línea recta es Q/(b +c),
con los valores de Q y b determinados por el punto de intersección entre la línea CD’ y
la curva OB. El valor máximo de Q/(b +c) ocurre cuando la línea CD es tangente a la
curva OB, y el punto de tangencia indica el valor óptimo del tiempo de ebullición por
ciclo para condiciones de cantidad máxima de calor transferido.

Tiempo por ciclo para costo mínimo por unidad de calor transferido. Existen
muchas circunstancias diferentes las cuales pueden afectar al costo mínimo por unidad
de calor transferido en una operación de evaporación. Un caso simple y comúnmente
dado será considerado. Se puede asumir que se dispone de una unidad de evaporación de
capacidad fija, y que cada día debe manejarse una cantidad definida de alimentación y
evaporación. El costo total para limpieza y cargas de inventario se asume constante sin
importar cuanto tiempo usado para ebullición. El problema es determinar el tiempo por
ciclo, el cual permita la operación a menor costo total.

El costo total incluye (1) cargas fijas sobre el equipo y perdidas de calor, (2) vapor,
materiales, y costos de almacenamiento los cuales son proporcionales a la cantidad de
alimentación y evaporación, (3) desembolsos para mano de obra directa durante la
operación de evaporación actual, y (4) costos de limpieza. Como el tamaño del equipo y
las cantidades de alimentación y evaporación son fijos, los costos considerados en (1) y
(2) son independientes del tiempo por ciclo. Entonces, el tiempo óptimo por ciclo puede
encontrarse minimizando la suma de los costos para limpieza y mano de obra directa
durante la operación.

Si Cc representa los costos para una limpieza y Sb son los costos de mano de obra
directa por hora durante la operación, los costos variables totales durante H h de tiempo
de operación y limpieza debe ser

Las Ecs. (3.16) y (3.18) se pueden combinar para dar

El valor óptimo de b para costo total mínimo puede obtenerse graficando CT
versus b o derivando la Ec. (3.19) con respecto a b igualando a cero y resolviendo
para b. El resultado es

La Ec. (3.20), muestra que el tiempo óptimo por ciclo es independiente de la

cantidad requerida de calor transferido QH. Por lo tanto se debe hacer una revisión para
tener el tiempo óptimo por ciclo exacto para mínimo costo permitiendo la cantidad
requerida de calor transferido. Esto puede hacerse fácilmente usando la siguiente
ecuación, la cual se basa en la Ec. (3.16):

donde H’es el tiempo total disponible para la operación, descarga, limpieza y

recarga. Si t es igual o mayor que b,opt + c , puede usarse el tiempo óptimo de
ebullición indicado por la Ec. (3.20), y la producción requerida puede obtenerse a
condiciones de costo mínimo.

El tiempo óptimo por ciclo determinado por los métodos precedentes puede no
ajustarse al programa da operación adecuado. Afortunadamente, como se muestra en las
Figs. 3-2 y 3-3, los puntos óptimos usualmente ocurren donde una variación
considerable en el tiempo por ciclo tiene pequeño efecto sobre el factor que esta siendo
optimizado. Entonces es posible, ajustar el tiempo por ciclo para elaborar un programa
de operación adecuado sin causar muchas variaciones en los resultados finales.

Las aproximaciones descritas en las secciones precedentes pueden ser aplicadas

para diferentes tipos de operaciones cíclicas semicontinuas. Una ilustración mostrando
como el mismo razonamiento es usado para determinar los tiempos óptimos por ciclo
para operaciones en filtros prensa se presenta en el Ejemplo 3.3.

Optimización de un Filtro Prensa

Ejemplo 3-3 Tiempo por ciclo para máxima cantidad de producción de un filtro prensa
de placas y armazón. Exámenes con un filtro prensa de placas y armazón, operando a
presión constante, muestran que la relación entre el volumen de producto filtrado y el
tiempo de operación puede representarse por:

donde Pf = pies cúbicos de producto filtrado en un tiempo de filtrado de f h.

La torta formada en cada ciclo debe ser lavada con una cantidad de agua igual a la
dieciséis ava parte del volumen de filtrado por ciclo. La velocidad de lavado permanece
constante e igual a un cuarto de la velocidad de filtrado al final de la filtración. El tiempo
requerido por ciclo para desmontar, descargar, y volver a montar es 6 h. Bajo estas
condiciones donde se aplica la información precedente, determinar el tiempo total por
ciclo necesario para permitir la máxima salida de filtrado durante cada 24 h.

Solución

Haciendo f = horas de tiempo de filtrado por ciclo

Filtrado obtenido por ciclo = Pf, ciclo = 150(f + 0,11)1/2 pies3. Caudal de filtrado
obtenido al final del ciclo es

Tiempo para lavado = (volumen de agua de lavado)/ (velocidad de lavado)

Filtrado en pies3 obtenidos/24 h es

La Ec. (1) describe el tiempo total por ciclo en función del tiempo de filtrado

La Ec. (2) describe la cantidad de filtrado en función del tiempo de filtrado

La solución se encuentra de la manera siguiente:

- Determinar el tiempo de filtrado para obtener la máxima cantidad de filtrado

usando la Ec. (2)

- Reemplazar en la Ec. (1), el valor encontrado del tiempo de filtrado para obtener
el tiempo total por ciclo.

La solución puede hacerse usando diferentes métodos de los cuales presentaremos dos.

a) Método de búsqueda.-
Usamos una hoja de cálculo (Exel) para determinar el valor de tiempo de filtrado
que nos de la cantidad máxima de filtrado.
- Un primer cálculo se hace variando f de 1 en 1
f Filtrado
1 501.697
2 577.185
3 601.199
4 605.168
 5 600.140
6 590.878
7 579.664
8 567.669
9 555.511
El máximo se encuentra entre 3 y 5. Se hace una nueva búsqueda entre estos
valores variando en 0.1
f Filtrado
3.0 601.199
3.1 602.234
3.2 603.096
3.3 603.798
3.4 604.354
3.5 604.774
3.6 605.068
3.7 605.247
3.8 605.317
3.9 605.289
4.0 605.168
- El máximo ocurre para f = 3,8 (si se desea mayor exactitud se puede hacer una
nueva búsqueda entre3,7 y 3,9)
b) Método analítico

Derivando la Ec.(2) e igualando a cero

Efectuando la diferenciación y resolviendo para f ,

f, opt = 3,8 h

Tiempo total por ciclo necesario para obtener la salida máxima de filtrado

= (1,5)(3,8) + 6,06 = 11,8 h

C) Solución Numérica Usando Matlab

Si deseamos maximizar la Ecuación (2) es igual que minimizar el inverso de esta

función.

Por lo tanto la función inversa de la Ec. (2) y haciendo f = x y Pf = y, se tiene:

y = (1.5*x + 6.06)/(150*24*(x + 0.11)^0.5)

Escribimos la función para calculo inmediato (inline)

>> g = inline('(1.5*x + 6.06)/(150*24*(x + 0.11)^0.5)');

Luego invocamos la rutina de optimización: fminbnd (Usamos esta rutina para
funciones de 1 variable

>> [x,fval] = fminbnd(g, 1,24) <----- Buscamos en el intervalo

<1 a <24
x =

3.8200 <----- El óptimo de la variable

fval = <------ El óptimo de la función

0.0017

Luego calculamos tiempo total por ciclo necesario para obtener la salida máxima de
filtrado

>> (1.5)*(3.82) + 6.06

ans =

11.7900 horas

d) Usando UNTSIM

Optimización - Funciones de una variable - Mínimo en un intervalo fijo

Copyright 2002 UNT

MSc. Luis Moncada
All rights reserved

OPTIMIZACION DE FUNCIONES MONOVARIABLES

EN UN INTERVALO FIJO
*****************************************
Ingrese función: '(1.5*x + 6.06)/(150*24*(x + 0.11)^0.5)'
Intervalo de búsqueda
Limite inferior: 1
Limite superior: 24

RESULTADO DE LA OPTIMIZACION
---------------------------------------------
1.- El optimo de la variable es = 3.82
2.- El optimo de la función es = 0.00165202
 CAPITULO IV
ANÁLISIS DE RESULTADOS
4.1 PRECISIÓN Y SENSIBILIDAD DE LOS RESULTADOS

El propósito de la discusión y los ejemplos presentados en las secciones

precedentes a este capítulo ha sido dar una basa para el entendimiento de la significación
de las condiciones optimas además de simplificar los ejemplos para ilustrar los
conceptos generales. Costos debido a los impuestos, valor del dinero en el tiempo,
capital, eficiencia o ineficiencia de la operación, y mantenimiento especial son ejemplos
de los factores que no se han enfatizado anteriormente. Tales factores pueden tener una
suficiente e importante influencia sobre las condiciones optimas por lo que deben
tomarse en cuenta para un análisis final. El ingeniero debe tener el entendimiento
práctico para reconocer cuando tales factores son importantes y cuando la exactitud
adicional obtenida al incluirlos no compensa la dificultad del análisis.

Un ejemplo clásico mostrando como pueden hacerse refinamientos adicionales en

un análisis para condiciones óptimas es dado en el desarrollo de métodos para
determinar el diámetro económico óptimo de tubería para el transporte de fluidos. El
análisis siguiente, tratando con diámetros económicos de tubería, da un ejemplo
detallado para ilustrar como se pueden desarrollar expresiones simplificadas para
condiciones optimas. Futuras discusiones mostrando los efectos de otras variables sobre
la sensibilidad también serán presentadas.

4.2 DINÁMICA DE FLUIDOS (DIÁMETRO ÓPTIMO DE TUBERÍA)

La inversión para tubería y accesorios puede constituir una parte importante de la

inversión total para una planta química. Es necesario, entonces, seleccionar un tamaño
de tubería el cual se acerque al costo total mínimo para bombeo y cargas fijas. Para
cualquier conjunto de condiciones de flujo, el uso de un diámetro mayor de tubería
causara un aumento en las cargas fijas para el sistema y una disminución en las cargas de
bombeo. Por lo tanto debe existir un diámetro económico optimo de tubería. El valor de
este diámetro óptimo puede determinarse combinando los principios de la dinámica de
fluidos con las consideraciones de costos. El diámetro económico óptimo de tubería se
encuentra en el punto al cual la suma de los costos de bombeo y las cargas fijas para el
sistema es un mínimo.

4.2.1 Costos de bombeo

Para cualquier condición de operación dada involucrando el flujo de un fluido no

compresible a través de una tubería de diámetro constante, el balance total de energía
mecánica puede reducirse a la forma siguiente:
donde Trabajo = trabajo mecánico adicionado al sistema desde una fuente mecánica

externa, pie. Lbf/lbm

f = factor de fricción de Fanning, adimensional †

V = velocidad lineal promedio del fluido, pies/s

L = longitud de tubería, pies

J = pérdida por fricción debido a los accesorios y cambios de dirección,

expresado como fracción de perdida en la tubería recta

gc = factor de conversión de la ley de movimiento de Newton

32,17 pies.lbm/(s)(s)(lbf)

D = diámetro interior de tubería, pies. El subíndice i indica pulg.

B = constante que toma en consideración el resto de los demás factores del

balance de energía mecánica

En la región de flujo turbulento (número de Reynolds mayor que 2100), f puede

ser aproximado para tuberías nuevas de acero por la siguiente ecuación:

donde NRe es el número de Reynolds o DV/

Si el flujo es viscoso (número de Reynolds menor que 2100),

Combinando las Ecs. (4.1) y (4.2) y aplicando los factores de conversión

necesarios, puede obtenerse la siguiente ecuación representando el costo anual de
bombeo cuando el flujo es turbulento:

donde Cbombeo = costo de bombeo en dólares por año por pie de longitud de tubería
 cuando el flujo es turbulento

qf = caudal del fluido, pies3/s

 = densidad del fluido, lb/pie3

c = viscosidad del fluido, centipoises

K = costo de energía eléctrica, $/kWh

Hy = horas de operación por año

E = eficiencia del motor y la bomba expresado como fracción

B’= una constante independiente de Di

De manera similar, las Ecs. (4.1) y (4.3) y los factores de conversión necesarios
pueden combinarse para dar el costo anual de bombeo cuando el flujo es viscoso:

donde Cbombeo = costo de bombeo en dólares por año por pie de longitud de tubería

cuando el flujo es viscoso

Las Ecs. (4.4) y (4.5) se aplican a fluidos no compresibles. En cálculos de

ingeniería, generalmente también son aceptadas para gases si la caída total de presión es
menos que el 10 por ciento de la presión inicial

† Basado en ecuación de Fanning escrita como (fricción) = 2fV2L/gcD

4.2.2 Cargas fijas para el sistema de tubería

Para la mayoría de tipos de tubería, una gráfica del logaritmo del diámetro de
tubería versus el logaritmo de los costos de compra por pie de tubería es esencialmente
una línea recta. Entonces, el costo de compra para la tubería puede representarse por la
siguiente ecuación:

donde ctuberia = costo de tubería nueva por pie de longitud, $/pie

 X = costo de tubería nueva por pie de longitud si el diámetro es 1 pulg., $/pie

n = constante dependiendo del tipo de tubería

El costo anual para el sistema de tubería instalado puede ser expresado como:

donde Ctuberia = costo para el sistema de tubería instalado en dólares por año por pie de

longitud de tubería†

F = relación de costo total para accesorios e instalación a costo de compra

para tubería nueva

KF = cargas fijas anuales incluyendo mantenimiento, expresado como fracción

de costo inicial para tubería completamente instalada

4.2.3 Diámetro económico óptimo de tubería

El costo total anual para el sistema de tubería y bombeo puede obtenerse sumando
las Ecs. (4.4) y (4.7) o Ecs. (4.5) y (4.7). La única variable en la expresión resultante del
costo total es el diámetro de tubería. El diámetro económico óptimo de tubería puede
encontrarse tomando la derivada del costo total anual con respecto al diámetro de
tubería, igualando el resultado a cero, y resolviendo para Di. Este procedimiento da los
siguientes resultados:

Para flujo turbulento,

El valor de n para tubería de acero es aproximadamente 1,5 si el diámetro de la

tubería es 1 pulg. Sustituyendo este valor en las Ecs. (4.8) y (4.9) da:

Para flujo turbulento en tubería de acero,

 Los exponentes involucrados en las Ecs. (4.10) a (4.12) indican que el diámetro
optimo es relativamente insensible a la mayoría de términos involucrados. Como el
exponente del término de la viscosidad en las Ecs. (4.10) y (4.11) es muy pequeño, el
valor de y puede tomarse como la unidad para un rango de viscosidad de
0,02 a 20 centipoises. Esto posibilita simplificar las ecuaciones para luego sustituir
valores numéricos promedio para algunos de los términos menos críticos. Los siguientes
valores son aplicables bajo condiciones industriales ordinarias:

K = $0,055/Kwh.

J = 0,35 o 35 por ciento

Hy = 8760 h/año

E = 0,50 o 50 por ciento

F = 1,4

KF = 0,20 o 20 por ciento

X = $0,45 por pie para tubería de acero de 1 pulg. de diámetro.

Sustituyendo estos valores en las Ecs. (4.10) a (4.12) da los siguientes resultados
simplificados:

Para flujo turbulento en tubería de acero,

Dependiendo de la exactitud deseada y del tipo de flujo, las Ecs. (4.8) a (4.16)
pueden usarse para estimar el diámetro económico óptimo de tubería. Las Ecs.
Simplificadas (4.13) a (4.16) son suficientemente precisas para estimados de diseño bajo
condiciones ordinarias de planta.

† Si se desea puede incluirse el costo de la bomba; sin embargo, en el análisis, el costo

de la bomba es considerado invariante con el diámetro de tubería.

4.2.4 Análisis incluyendo los efectos de impuestos y costo de capital

El análisis precedente, claramente no considera un número de factores que

pueden tener una influencia sobre el diámetro económico optimo de tubería, tal como
costo de capital o retorno sobre la inversión, costo de equipo de bombeo, impuestos y
valor del dinero en el tiempo. Si el desarrollo de la Ec. (4.17) para flujo turbulento es
refinado par incluir los efectos de impuestos y costo de capital (o retorno sobre la
inversión) además de una expresión más exacta para la pérdida por fricción en
accesorios, el resultado es:

Para flujo turbulento

donde Dopt = diámetro económico óptimo, pies

X’= costo de compra de tubería nueva por pie de longitud si el diámetro de

tubería es 1 pie basado en ctuberia = X’ , $/pie

= perdida por fricción en accesorios, dada como longitud equivalente en

diámetros de tubería por unidad de longitud de tubería, = J/Dopt

ws = flujo de masa del fluido, lbs/s

M = razón de costo total de la instalación de bombeo al costo anual de potencia

requerida para el bombeo

Y = días de operación por año

a = fracción del costo inicial del sistema para depreciación anual

a’ = fracción del costo de instalación para depreciación anual

b = fracción del costo inicial del sistema para mantenimiento anual

b’ = fracción del costo de instalación para mantenimiento anual

 = factor fraccional para impuestos

Z = velocidad fraccional de retorno (o costo de capital antes de los impuestos)

sobre la inversión incremental.

Tabla 4-1 Valores de las variables usadas para obtener la Ec. (4.18). Flujo turbulento –
tubería de acero – diámetro de una pulg. o mayor

Variable Valor usado Variable Valor usado

n 1,5  0,39
2,35 Z 0,2
Y 328 X’ 19,0
K 0,055 a+b 0,2
 c 1,0 a’ + b’ 0,4
M 0,8 E 0,4

La variable F es una función del diámetro y se puede aproximar por F  0,75/Dopt + 3

Usando los valores dados en la Tabla 4-1, para flujo turbulento en tubería de acero, la
Ec. (4.17) se simplifica a:

4.2.5 Sensibilidad de los resultados

Las simplificaciones hechas para obtener las Ecs. (4.13) a (4.16) y la Ec. (4.18)
ilustra una aproximación que puede usarse para aproximar los resultados cuando ciertas
variables aparecen en forma tal que grandes cambios en ellas traen pequeños efectos en
los resultados finales. Las variables mostradas en la Tabla 4-1, y en la Ec. (4.12) son
relativamente independientes del diámetro de la tubería, y son elevadas a una pequeña
potencia para la determinación final del diámetro. Luego los resultados finales no son
particularmente sensibles a las variables listadas en la Tabla 4-1, y el ingeniero práctico
puede decidir si merece la pena la pérdida ligera en una exactitud absoluta por el uso de
las ecuaciones simplificadas.

La Tabla 4-2 muestra la extensión de los cambios obtenidos en el diámetro

económico óptimo mediante el uso de la Ec. (4.18) versus la Ec. (4.13) e ilustra los
efectos refinamientos adicionales así como los cambios en valores de algunas de las
variables.

Tabla 4- 2 Comparación del diámetro económico óptimo de tubería estimado por las
Ecs. (4.18) y (4.13). Flujo turbulento, tubería de acero # de cedula 40, espaciado
aproximado entre accesorios de 15 pies

Di,opt, pulg. ws, ,

Por Ec. (4.18) Por Ec. (4.13) lb/s lb/pie3
10,0 11,2 450 200
5,0 6,1 4,5 2
3,0 3,9 12,5 35
1,5 2,2 0,45 2

4.3 TRANSFERENCIA DE CALOR (FLUJO OPTIMO DE AGUA DE

ENFRIAMIENTO EN UN CONDENSADOR)

Si un condensador, con agua como medio de enfriamiento, es diseñado para llevar

a cabo una operación dada, el agua de enfriamiento puede hacerse circular en gran
cantidad con un cambio pequeño en su temperatura o en pequeña cantidad con un
cambio grande en su temperatura. La temperatura del agua afecta la diferencia de
temperaturas como fuerza impulsora para la transferencia de calor. El uso de una
cantidad grande de agua, entonces, causara una disminución en la cantidad de área
necesaria para la transferencia de calor y como resultado una disminución en la inversión
inicial y cargas fijas. De otro lado, el costo para el agua aumentará a medida que se use
mayor cantidad de agua. Un balance económico entre las condiciones alto flujo de agua
– menor área de transferencia y bajo flujo de agua – mayor área de transferencia, indica
que el flujo óptimo de agua de enfriamiento ocurre en el punto de costo total mínimo
para agua de enfriamiento y cargas fijas para equipo.

Considerando el caso general en el cual se debe remover calor de un vapor

condensando a una razón dada designada por q Btu/h. El vapor condensa a una
temperatura constante de t oF, y el agua de enfriamiento es suministrada a una
temperatura de t1 oF. Se aplica la siguiente notación adicional:

w = flujo de masa de agua de enfriamiento, lb/h

Cp = capacidad calorífica del agua de enfriamiento, Btu/(lb)(oF)

t2 = temperatura del agua saliendo del condensador, oF

U = coeficiente total de transferencia de calor, considerado constante y

determinado para las condiciones optimas. Btu/(h)(pie2)(oF)

A = área de transferencia de calor, pies2

tlm = diferencia de temperaturas media logarítmica (fuerza impulsora ) en el

condensador, oF

Hy = horas de operación del condensador por año, h/año

Cw = costo del agua de enfriamiento, asumido directamente proporcional a la

cantidad de agua usada,† $/lb

CA = costo por pie2 de área de transferencia del intercambiador instalado, $/pie2

KF = cargas fijas anuales incluyendo mantenimiento, expresado como una fracción

del equipo completamente instalado.

La cantidad de calor transferido en Btu por hora puede expresarse como:

 Las condiciones de diseño establecen los valores de q , t1, y la capacidad calorífica
del agua ordinariamente puede ser asumida igual a 1 Btu/(lb)( oF). Entonces la Ec. (4.20)
muestra que el caudal de agua de enfriamiento es fijo si la temperatura del agua saliendo
del condensador (t2), se mantiene constante. Bajo estas condiciones, el flujo óptimo de
agua de enfriamiento puede encontrarse directamente a partir del valor óptimo de t2.

El costo anual para agua de enfriamiento es wHyCw. De la Ec. (4.20),

las cargas fijas anuales para el condensador son AKFCA, y el costo total anual para agua
de enfriamiento más las cargas fijas es

Sustituyendo A dado en la Ec. (4.19),

La única variable en la Ec. (4.23) es la temperatura del agua de enfriamiento

saliendo del condensador. El caudal óptimo de agua de enfriamiento ocurre cuando el
costo total anual es mínimo. Por lo tanto, la temperatura de salida correspondiente puede
encontrarse diferenciando la Ec. (4.23) con respecto a t2 (o de manera más simple con
respecto a t’ – t2) e igualando el resultado a cero. Cuando se hace esto, se obtiene el
siguiente resultado:
 Fig. 4-1 Solución de la Ec. (4.24)

El valor óptimo de t2 puede encontrarse a partir de la Ec.(4.24) por una solución de

prueba y error, y luego puede usarse la Ec. (4.20) para determinar el flujo óptimo de
agua de enfriamiento. La solución por prueba y error se puede eliminar usando la Fig. 4-
1, la cual es una gráfica de la Ec. (4.24).

Ejemplo 4-1 Flujo óptimo de agua de enfriamiento en un condensador

Un condensador para una unidad de destilación debe diseñarse para condensar

5000 lbs (2268 kg) de vapor por hora. La temperatura efectiva de condensación para el
vapor es 170 oF (350 K). El calor de condensación para el vapor es 200 Btu/lb (4,65 x
105 J/kg). El agua de enfriamiento está disponible a 70 oF (294 K). El costo del agua de
enfriamiento es $0,06 por 1000 gal ($5,30 por 1000 m3). El coeficiente total de
transferencia de calor a las condiciones óptimas puede tomarse como 50 Btu/(h)(pie 2)
(oF) (284 J/m2 . s. K). El costo para el intercambiador instalado es $21 por pie cuadrado
de área de transferencia de calor (4226 por metro cuadrado de área de transferencia de
calor) y las cargas fijas anuales incluyendo mantenimiento son 20 por ciento de la
inversión inicial. La capacidad calorífica del agua puede asumirse constante e igual a 1
Btu/(lb)(oF) (4,2 kJ/kg . K). Si el condensador debe operar 6000 h/año, determinar el
flujo de agua de enfriamiento en libras por hora y en kilogramos por hora para las
condiciones económicas optimas.

Solución

U = 50 Btu/(h)(pie2)(oF)
 Hy = 6000 h/año

KF = 0,20

CP = 1,0 Btu/(lb)(oF)

CA = $21 /pie2

La temperatura óptima de salida puede obtenerse mediante una solución de prueba

y error de la Ec. (4.24) o usando la Fig 4-1.

De la Fig. 4-1, cuando la abcisa es 0,514

donde t’ = 170 oF

t1 = 70 oF

t2,opt = 128 oF

De la Ec. (4.20), a las condiciones económicas optimas,

Método de búsqueda.- Haciendo uso de una hoja de cálculo, hacemos uso de la Ec.
(4.23) y dando valores para t2 calculamos los costos variables anuales totales. La
búsqueda se hace con los valores de t2 entre 70 oF (temperatura de entrada del agua de
enfriamiento) y 170 oF (temperatura de condensación)

Tabla 4-3 Método de búsqueda para el ejemplo 4.1

T2: oF Ct: $/año t2 : o F Ct: $/año t2: oF Ct: $/año t2: oF Ct: $/año
70 ----- 90 3097.20 110 2152.73 130 2002.80
71 44044.22 91 3000.03 111 2134.66 131 2004.83
72 22448.51 92 2912.30 112 2118.02 132 2007.69
73 15252.85 93 2832.81 113 2102.74 133 2011.38
74 11657.26 94 2760.52 114 2088.74 134 2015.91
 75 9501.72 95 2694.61 115 2075.96 135 2021.30
76 8066.25 96 2634.33 116 2064.33 136 2027.57
77 7042.27 97 2579.10 117 2053.82 137 2034.74
78 6275.50 98 2528.36 118 2044.37 138 2042.83
79 5680.23 99 2481.69 119 2035.93 139 2051.87
80 5205.02 100 2438.68 120 2028.48 140 2061.91
81 4817.16 101 2399.01 121 2021.98 141 2072.97
82 4494.83 102 2362.36 122 2016.41 142 2085.12
83 4222.92 103 2328.48 123 2011.73 143 2098.41
84 3990.65 104 2297.15 124 2007.93 144 2112.89
85 3790.10 105 2268.16 125 2004.99 145 2128.64
86 3615.35 106 2241.33 126 2002.89 146 2145.76
87 3461.86 107 2216.51 127 2001.64 147 2164.32
88 3326.10 108 2193.55 128 2001.20 148 2184.44
89 3205.29 109 2172.33 129 2001.59 149 2206.25
90 3097.20 110 2152.73 130 2002.80 150 2229.90

De la tabla podemos ver que el costo total mínimo es de 2001,20 $/año cuando la
temperatura de salida del agua de enfriamiento es 128 0F

Usando MATLB

Crear el archivo-M costa.m

function c = costa(v)

x = v(1);

c = (43200/(x-70))+(84000/(x-70))*log(100/(170-x));

que representa los costos variables totales anuales, al reemplazar los valores
correspondientes.

Ahora, encontrar un mínimo para esta función usando buscando en el intervalo 70 a 170
F:

>> x = fminbnd('costa', 70, 170)

x =

128.0253 <-------- Es el valor óptimo de la temperatura

Lo cual indica que el costo mínimo ocurre cuando la temperatura de salida (a la

cual se ha denominado x) t2 = 128,0253 oF

Pero todo este cálculo lo puede hacer MATLAB. Por ejemplo escribiendo la función
costo en linea:

>> f = inline('(43200/(x-70))+(84000/(x-70))*log(100/(170-x))');

Luego damos la orden:

>> [x,fval] = fminbnd(f, 70, 170)

x =

128.0253 <------- Valor óptimo de la variable

fval =

2.0012e+003 <------- Valor óptimo de la función

>>

Usando UNTSIM

Seleccionando: Funciones de una variable - En un intervalo fijo:

Copyright 2002 UNT

MSc. Luis Moncada
All rights reserved

OPTIMIZACION DE FUNCIONES MONOVARIABLES

EN UN INTERVALO FIJO
Ingrese funcion: '(43200/(x-70))+(84000/(x-70))*log(100/(170-x))'
Intervalo de busqueda
Limite inferior: 70
Limite superior: 170
---------------------------------------------
1.- El optimo de la variable es = 128.025
2.- El optimo de la funcion es = 2001.21

† Se asume que se dispone de agua de enfriamiento a una presión suficiente para

manipular cualquier caída de presión en el condensador; por lo tanto cualquier costo
debido al bombeo del agua de enfriamiento es incluido en Cw.

4.4 TRANSFERENCIA DE MASA (RAZÓN OPTIMA DE REFLUJO)

El diseño de una unidad de destilación ordinariamente se basa en especificaciones

dadas para el grado de separación requerida para una alimentación dada conociendo su
composición, temperatura y caudal. El ingeniero de diseño debe determinar el tamaño de
la columna y la relación de reflujo necesaria para encontrar las especificaciones. Así, si
se incrementa la relación de reflujo, el número de etapas teóricas requerido para la
separación disminuye. Un incremento en la relación de reflujo, puede entonces dar como
resultado una disminución en las cargas fijas para la columna de destilación y aumentar
los costos para el calor suministrado al rehervidor y del refrigerante al condensador.

Como se muestra en la Fig. (4-2), la razón óptima de reflujo ocurre en el punto

donde la suma de las cargas fijas y los costos de operación es un mínimo. Como una
aproximación, la razón optima de reflujo usualmente se considera en el rango de 1,1 a
1,3 veces el reflujo mínimo (algunos autores consideran entre 1,25 a 1,5)
Fig. 4-2 Relación óptima de reflujo en la operación de una columna de destilación

El ejemplo siguiente ilustra el método general para determinar el reflujo óptimo en una
operación de destilación.

Ejemplo 4-2 Determinación del reflujo óptimo

Una columna de destilación de platos perforados se esta diseñando para manipular

700 lb mol (318 kg mol) de alimentación por hora. La unidad debe operar continuamente
a una presión total de 1 atm. la alimentación contiene 45 % mol de benceno y 55 % mol
de tolueno, y la alimentación se hace a la temperatura del punto de burbuja. El producto
del tope debe contener 92 % mol de benceno, y los fondos deben contener 95 % mol de
tolueno. Determinar:

a) El reflujo óptimo como moles de liquido retornado a la torre por mol de

destilado

b) La relación de reflujo óptimo a reflujo mínimo

c) El porcentaje de los costos variables debido al consumo de vapor a las

condiciones óptimas.

Se aplican los siguientes datos:

Los datos de equilibrio para mezclas de benceno – tolueno a presión atmosférica

son presentados en la Fig. 4-3.

La capacidad calorífica molar para mezclas liquidas de benceno tolueno en todas

proporciones puede asumirse a ser 40 Btu/(lb mol)(oF) (1,67 x 10-5 J/kg mol . K).

El calor molar de vaporización de benceno y tolueno puede tomarse como 13 700

Btu/lb mol (3,19 x 107 J/kg mol).

Los efectos del cambio de temperatura sobre la capacidad calorífica y calores de

vaporización son despreciables. Las pérdidas de calor desde la columna son
despreciables. Los efectos de la caída de presión sobre la columna pueden despreciarse.

El coeficiente total de transferencia de calor es 80 Btu/(h)(pie 2)(oF) (454 J/m2 . s.

K) en el rehervidor y 100 Btu/(h)(pie2)(oF) (568 J/m2 . s. K) en el condensador.

Fig 4-3 Diagrama de equilibrio para mezcla de benceno – tolueno a presión total de 760
mm Hg (método de McCabe – Thiele para determinar el número de etapas teóricas)

La temperatura de ebullición es 201 oF (367 K) para la alimentación, 197 oF (356

K) para el destilado, y 227 oF (381 K) para los fondos. La diferencia de temperaturas
(como fuerza impulsora) en el condensador puede basarse en una temperatura promedio
del agua de enfriamiento de 90 oF (305 K), y la variación en la temperatura del agua de
enfriamiento es 50 oF (27,8 K) para todos los casos. En el rehervidor se usa vapor
saturado a 60 psia (413,6 kPa). A esta presión, la temperatura del vapor condensando es
292,7 oF (418 K) y el calor de condensación es 915,5 Btu/lb (2,13 x 106 J/kg). Ningún
dispositivo de ahorro de calor se usa.

El diámetro de la columna está basado en una velocidad de vapor máxima

permisible de 2,5 pies/s (0,76 m/s) en el tope de la columna. La eficiencia total del plato
puede asumirse como 70 por ciento. La unidad es operada 8500 h/año.

Los siguientes costos son para el equipo instalado incluyendo costos de entrega e
instalación.

Columnas de destilación de platos perforados

Los valores pueden ser interpolados

 Diámetro Costo

pulg. M $/plato

60 1,52 1200

70 1,78 1500

80 2,03 1850

90 2,29 2250

100 2,54 2700

Condensador: Intercambiador de calor de casco y tubos

Los valores pueden ser interpolados

Área de Costo
transferencia

Pies2 m2 $

800 74,3 9750

1000 92,9 11250

1200 111,5 12600

1400 130,1 13800

1600 148,6 14850

Rehervidor: Intercambiador de calor de casco y tubos

Los valores pueden ser interpolados

Área de Costo
transferencia

Pies2 m2 $

1000 92,9 17250

1400 130,1 21150

 1800 167,2 24600

2200 204,4 27750

2600 241,5 30300

Solución

Los costos variables involucrados son el costo de la columna, costo del rehervidor,
costo del condensador, costo de vapor y costo de agua de enfriamiento. Cada uno de
estos costos es función de la relación de reflujo, y la relación óptima de reflujo ocurre
donde la suma de los costos variables es un mínimo. El costo variable total será
determinado a varias relaciones de reflujo, y la relación óptima de reflujo se encontrara
por método gráfico

Ejemplo de cálculo para relación de reflujo = 1,5

Costo anual para la columna de destilación

Se aplican las asunciones de McCabe – Thiele para este caso, y el número de

etapas teóricas son determinadas por el método gráfico estándar mostrado en la Fig. 4-3.
la pendiente de la línea de balance de materiales (línea de operación) de la sección de
enriquecimiento (rectificación) es 1,5/(1,5 + 1) = 0. De la Fig. 4-3, el número total de
etapas teóricas requeridas para la separación dada es 12,1

El número actual de platos = (12,1 – 1)/0,70 = 16.

Los moles de destilado por hora (MD) y los moles de fondos por hora (MB) pueden
determinarse por un balance de materiales como sigue:

(700)(0,45) = (MD)(0,92) + (700 – MD)(0,05)

MD = 322 moles de destilado/h

MB = 700 – 322 = 378 moles de fondos/h

Moles de vapor por hora en el tope de la columna = 322(1 + 1,5) = 805

Aplicando la ley del as perfecto,

Velocidad del vapor en el tope de la torre = 2,5 pies/s

Diámetro = 7,3 pies

 Costo por plato para casco y platos = $2145

Costo anual para la columna de destilación = (2145)(16)(1 + 0,60)(0,15)

= $8235

Costo anual para el condensador

Velocidad de calor transferido por hora en el condensador = (moles de vapor

condensado por hora)calor latente de condensación molar) = (805)(13700) = 11000 000
Btu/h

De la ecuación básica para transferencia de calor q = U A t,

Costo anual para el rehervidor

La velocidad de calor transferido en el rehervidor (qr) puede determinarse por un

balance total de energía alrededor de la unidad de destilación.

Nivel de energía base en el liquido a 179 oF.

Entrada de calor = salida de calor

qr + (700)(201 – 179)(40) = 11 000 000 + (378)(227 – 179)(40)

qr = 11 110 000 Btu/h = U A t

Costo anual para agua de enfriamiento

La velocidad de transferencia de calor en el condensador = 11 000 000 Btu/h.

La capacidad calorífica del agua puede tomarse como 1,0 Btu/(lb)(oF),

Costo anual para vapor

Velocidad de transferencia de calor en el rehervidor = 11 110 000 Btu/h,

Costo total variable anual para relación de reflujo de 1,5

$8235 + $3075 + $6510 + $10110 + $77550 = $105 480

Repitiendo el procedimiento anterior para diferentes relaciones de reflujo, se puede

preparar la siguiente tabla:

Relació Número Diámetro Costo anual, dólares, para Costo

n de actual de de la total
reflujo etapas columna, Column Condensador Rehervidor Agua de Vapor anual,
requerido pies a Enfriamiento dólares

1,14  6,7  2805 5940 8670 66450 

1,2 29 6,8 13395 2865 6060 8910 68250 99480

1,3 21 7,0 9930 2925 6195 9300 71250 99600

1,4 18 7,1 8880 3000 6360 9705 74400 102345

1,5 16 7,3 8235 3075 6510 10110 77550 105480

1,7 14 7,7 7935 3225 6810 10935 83550 112455

2,0 13 8,0 7815 3420 7200 12150 92700 123285

a) Los datos presentados en la tabla precedente, son graficados en la Fig. 4-2. el

costo total mínimo por año ocurre a una relación de reflujo de 1,25.
Relación óptima de reflujo = 1,25

b) Para condiciones de reflujo mínimo, la pendiente de la línea de enriquecimiento

en la Fig. 4-3 es 0,532

c) A las condiciones optimas,

Costo anual de vapor = $69750

Costo variable total anual = $99000

CAPITULO V
LA PROGRAMACIÓN LINEAL

El término programación en Programación Lineal (PL), no se refiere a

programación para la computadora, sino a algún procedimiento a seguir en un plan. La
programación lineal fue desarrollada en el año 1947, antes de la aparición de la
computadora, cuando George B. Dantzig estableció una generación en las matemáticas
de los problemas de planificación y programación de la producción, el avance de la
programación lineal se ha desarrollado paralelo al de la computadora y hoy día
problemas con varios miles de variables independientes y ecuaciones de restricción
pueden ser resueltos fácilmente. Esta técnica se ha aplicado a la optimización de
refinerías y plantas químicas, mezclas de alimentos para ganado, planeamiento de las
rutas de aviación y utilización de la tripulación, problemas de transporte y distribución,
en general, en la optimización de problemas de estrategia integral.

La aplicación de la programación lineal ha sido fructífera cuando existe un gran

número de alternativas interrelacionadas y la mejor política es en absoluto obvia. A
menudo, una pequeña mejora en la solución, da como resultado una gran variación en la
utilidad real. Un caso típico es el de una refinería de petróleo, donde los flujos son muy
grandes, cualquier cambio en estas variables, en el plazo de un año, puede significar
grandes variaciones en las utilidades de la planta.

5.1 INTERPRETACIÓN GEOMÉTRICA Y CONCEPTOS GENERALES

Como el nombre lo indica, todas las ecuaciones de un modelo que hagan uso de
programación lineal deben ser lineales. Aunque esta restricción es severa, son muchos
los problemas que pueden ser llevados a este contexto. En la formulación de
programación lineal, la ecuación que determina la ganancia o el costo de la operación se
denomina función objetivo. Debe tener la forma de una suma de términos lineales. Las
ecuaciones que describen las limitaciones bajo las cuales el sistema debe operar son las
restricciones. Todas las variables deben ser no negativas, es decir, cero o positivas.

La mejor forma de mostrar lo anterior, es a través de un ejemplo que ilustre el

método y aporte algo acerca de la geometría del problema.

Ejemplo 5.1

Una compañía fabrica dos tipos de motores pequeños con combustible sólido. Con
el motor A, gana $3 por motor y con el motor B gana $4 por motor. Dispone de 80 h por
semana para producirlos y en los procesos se requieren: 4h para A y solo 2 h para B. Sin
embargo, debido a lo peligroso del material usado, son necesarias 5 h de preparación y
limpieza para el motor B y 2 h para A. el tiempo de preparación total disponible es 120 h
por semana. Determinar el número de cada clase de motores a producir que dé como
resultado máxima ganancia.

Solución
La función objetivo es:

Maximizar: 3A + 4B ganancia

Las ecuaciones de restricción son:

4A + 2B  80 tiempo de procesamiento

2A + 5B  120 tiempo de preparación.

Si se fabrican solamente motores tipo A, existe una limitación en el tiempo de

procesamiento 80/4 = 20 lo que da como ganancia $60
Fig. 5.1 Función objetivo y restricciones del Ejemplo 5.1

Si se fabrican solo motores tipo B, la restricción es el tiempo de preparación 120/5

= 24 con una ganancia de $96. sin embargo existe una solución que es la óptima y es
posible apreciarla en la Fig. 9.9. En esta figura se muestran las ecuaciones de restricción
y la región factible para las variables. Cualquier solución fuera de esta región viola
alguna de las restricciones. De modo que la solución debe existir en o dentro del
contorno formado por las líneas: tiempo de preparación y tiempo de procesamiento y los
ejes A, B; ya que A y B deben ser no negativos. Esta zona cerrada se denomina región
posible. La función objetivo se muestra para P = 96, que es una de las rectas en la
familia de líneas.

P = 3A + 4B

En este lugar geométrico P puede variar siempre que el valor de las variables se
mantenga en la región posible.

Al aumentar P se aprecia que el valor máximo se alcanza en el vértice donde A = 10

y B = 20 lo que da como resultado P = $110.

5.2 FORMULACIÓN GENERAL DEL PROBLEMA DE PROGRAMACIÓN

LINEAL

Existen varias formas de presentar las relaciones matemáticas generales aplicables

al problema de programación lineal. Una de ellas es la forma algebraica

Función objetivo (a)

Optimizar (maximizar o minimizar) Z = c1x1 + c2x2 + . . . + cnxn (5.1)

 xi = variables del problema

xi  0 (condición inherente)

i = 1, 2, . . ., n

Ecuaciones de restricción

La F O está sujeta a restricciones:

a11x1 + a12x2 + . . . + a1nxn  b1

a11x1 + a12x2 + . . . + a1nxn  b1 (5.2)

. .

. .

. .

a11x1 + a12x2 + . . . + a1nxn  b1

Esto es, las fuentes son limitadas. Se buscan los valores de xi que optimicen la
función objetivo. Los coeficientes ci reciben el nombre de coeficientes de costo. Los
valores de las variables xi deben satisfacer las ecuaciones de restricción. Generalmente,
hay más incógnitas que ecuaciones, es decir, n > m y algunos de los valores de las xi se
pueden especificar arbitrariamente (por lo general cero). Por ejemplo en un proceso
químico, las variables independientes pueden ser flujos y las ecuaciones de restricción
pueden ser balances de materia y energía en los procesos de la planta.

El segundo tipo general de restricción especifica que todas las actividades deben
tener un valor positivo.

x1  0

El problema puede plantearse en forma más compacta como:

La notación vectorial es otro método para expresar el problema anterior:

optimizar c . x

sujeta a x  0

Ax  b

donde x = (x1, x2, . . ., xn)

b = (b1, b2, . . ., bn)

c = (c1, c2, . . ., cn)

Para obtener la solución óptima de este problema, el conjunto de desigualdades se

transforma en igualdades, introduciendo variables de holgura. Esto da como resultado
un conjunto de ecuaciones con más variables independientes que ecuaciones, para poder
resolverlas, algunas tendrán que ser especificadas arbitrariamente. Para cumplir con el
marco matemático de la programación lineal, estas variables además deben hacerse igual
a cero. La solución de las ecuaciones de restricción, ahora igualdades, con igual número
de variables diferentes de cero como ecuaciones que tiene el problema, da como
resultado la solución básica. El resto de las variables son iguales a cero. Una solución
básica posible es una solución de las ecuaciones de restricción en la cual todas las
variables distintas de cero son positivas. La base es el conjunto de variables distintas de
cero. Se verá más adelante que el óptimo de la función objetivo es una solución básica
posible. Esto se determina usando el método simplex de programación lineal.

Ejemplo 5.2

Suponga que una planta procesadora de gasolina recibe cada semana una cantidad
fija de materia prima para gasolina. Esta última se procesa en dos tipos de gasolina de
calidad regular y Premium. Estas clases de gasolina son de alta demanda; es decir, se
tiene garantizada su venta y se obtiene diferentes utilidades para la compañía. Sin
embargo su producción involucra ambas restricciones, tiempo y almacenaje en sitio. Por
ejemplo, sólo una de las clases se puede producir a la vez, y las instalaciones están
abiertas solamente 8 horas por semana. Además, existe un límite de almacenamiento
para cada uno de los productos. Todos estos factores se enlistan abajo (observar que una
tonelada métrica, o ton, es igual a 1 000 kg):

Producto
Recurso Regular Prémium Disponibilidad del recurso
Materia prima para
la gasolina 7 m3 /tonelada 11 m3 /tonelada 77 m3 /semana
Tiempo de 10 hr/tonelada 8 hr/tonelada 80 hr/semana
producción
Almacenamiento 9 toneladas 6 toneladas
Aprovechamiento 150/tonelada 175/tonelada
Desarrollar una formulación de programación lineal para maximizar las utilidades de

esta operación

Solución

El ingeniero que opera esta planta debe decidir la cantidad a producir de cada
gasolina para maximizar las utilidades. Si las cantidades producidas cada semana de
gasolina regular son designadas x1 y x2, respectivamente, la ganancia total se puede
calcular como:

Ganancia total = 150 x1 + 175 x2

o escribirla como una función objetivo en programación lineal,

Maximizar Z = 150 x1 + 175 x2

Las restricciones se pueden desarrollar en una forma similar. Por ejemplo, el total
de gasolina cruda utilizada se puede calcular como

Total de gasolina utilizada = 7 x1 + 11 x2

Este total no puede exceder el abastecimiento disponible de 77 m 3/semana, así que

la restricción se puede representar como

7 x1 + 11 x2 ≤ 77

las restricciones restantes se pueden desarrollar en una forma similar, la

formulación total resultante para la PL está dada por

Maximizar Z = 150 x1 + 175 x2 (maximizar la ganancia)

Sujeta a

7 x1 + 11 x2 ≤ 77 (restricciones de materiales)

10 x1 + 8 x2 ≤ 80 (restricciones de tiempo)

x1 ≤ 9 (restricciones de almacenaje “regular”)

x2 ≤ 6 (restricciones de almacenaje “prémium”)

x1 , x2 ≥ 0 (restricciones positivas)

Observar que el conjunto de Ecuaciones anterior constituye la formulación

completa de PL. Las explicaciones en los paréntesis de la derecha se han incluido para
clarificar el significado de cada ecuación

5.3 SOLUCIÓN GRÁFICA

Debido a que las soluciones gráficas están limitadas a dos o tres dimensiones,
tienen utilidad practica limitada. Sin embargo son muy útiles para demostrar algunos
conceptos básicos que resaltan las técnicas algebraicas generales usadas para resolver
problemas con grandes dimensiones en la computadora.

Para un problema en dos dimensiones, como el del ejemplo 5.2, la solución

espacial se define como un plano con x1 medida a lo largo de la abcisa y x2, a lo largo de
la ordenada. Como las restricciones son lineales, se pueden trazar sobre este plano como
líneas rectas. Si el problema de PL se formula adecuadamente (es decir, si tiene una
solución), estas líneas restrictivas delinearán una región, llamada el espacio de solución
factible, englobando todas las posibles combinaciones de x1 y x2 que obedecen las
restricciones y, por lo tanto, representan soluciones factibles. La función objetivo para un
valor particular de Z se puede trazar como otra línea recta y sobrepuesta en este espacio.
El valor de Z puede entonces ser ajustado hasta que esté en el máximo valor, mientras
todavía toca el espacio factible. Este valor de Z representa la solución óptima. Los
valores correspondientes de x1 y x2, donde Z toca el espacio de solución factible,
representan los valores óptimos para las actividades. El ejemplo siguiente deberá ayudar
a clarificar el procedimiento

Ejemplo 5.3 Desarrolle una solución gráfica para el problema de procesamiento de

gasolina que se derivó en el ejemplo 5.2:

Maximizar Z = 150 x1 + 175 x2

Sujeta a

7 x1 + 11 x2 ≤ 77 (1)

10 x1 + 8 x2 ≤ 80 (2)

x1 ≤ 9 (3)

x2 ≤ 6 (4)

x1 ≥ 0 (5)

x2 ≥ 0 (6)

Se ha numerado las restricciones para identificarlas en la siguiente solución

gráfica.

Solución

Primero, se pueden trazar las restricciones sobre el espacio de solución. Por

ejemplo, se puede formular la primera restricción como una línea al reemplazar la
desigualdad por un signo de igual y resolver para x2:

(a)
 (b)
Fig. 5-2 Solución gráfica del problema de programación lineal, a) Las restricciones
definen un espacio de solución factible. b) La función objetivo se puede incrementar
hasta que se alcance el valor más alto que cumpla con todas las restricciones.
Gráficamente, se mueve hacia arriba y a la derecha hasta que toca el espacio factible en
un solo punto óptimo.

Así, como en la Fig. 5-2a, los valores posibles de x1 y x2 que obedecen dicha
restricción se hallan por debajo de esta línea (la dirección es designada por la gráfica y
por la pequeña flecha). Las otras restricciones se pueden evaluar en forma similar, como
sobrepuestas sobre la Fig. 5-2a. Observe como estas encierran una región donde todas se
encuentran. Este es el espacio de solución factible (el área ABCDE en la gráfica).

Además de definir el espacio factible, la Fig. 5-2a, también proporciona un

conocimiento adicional. En particular se puede ver que la restricción 3 (almacenamiento
de gasolina regular) es “redundante”. Esto es, el espacio de solución factible no resulta
afectado si fuese suprimida.

Después, se puede agregar la función objetivo a la gráfica. Para hacer esto se debe
escoger un valor de Z. Por ejemplo, para Z = 0 la función objetivo es ahora

0 = 150 x1 + 175 x2

o resolviendo para x2

Como se muestra en la Fig. 5-2b, ésta presenta una línea punteada interceptando el
origen. Ahora, puesto que estamos interesados en maximizar Z, se puede aumentar esta a
digamos 600, y la función objetivo es

Así, incrementando el valor de la función objetivo, la línea se mueve lejos del

origen. Como la línea todavía está dentro del espacio de solución, nuestro resultado es
aún factible. sin embargo, por la misma razón, todavía hay espacio para mejorarlo. Por
tanto, Z se puede seguir aumentando hasta que un incremento adicional lleve la función
objetivo más allá de la región factible. como se muestra en la Fig. 5-2b, el valor máximo
de Z corresponde a 1400 aproximadamente. En este punto, x1 y x2 son casi igual a 4,9 y
3,9, en forma respectiva. Así, la solución gráfica indica que si se producen estas
cantidades de gasolinas, se alcanzara una máxima utilidad de casi 1 400.

Además de determinar los valores óptimos, el procedimiento gráfico

proporciona conocimientos adicionales en el problema. Esto se puede apreciar al

 sustituir de nuevo las soluciones en las ecuaciones restrictivas.

7(4,9) + 11(3,9)  77

10(4,9) + 8(3,9)  80

4,9  9

3,9  6

En consecuencia, como queda también claro en la gráfica, producir la cantidad

óptima de cada producto nos lleva directamente al punto donde se encuentran las
restricciones de las fuentes(1) y del tiempo (2). Tales restricciones se dice que están
enlazadas. Además, la gráfica también hace evidente que ninguna de las restricciones de
almacenamiento (3) y (4) actúan como una limitante. Tales restricciones se conocen
como no enlazadas. Esto nos lleva a la conclusión práctica de que, para este caso, se
puede aumentar las utilidades ya sea con un incremento en el abastecimiento de fuentes
(la gasolina cruda) o en el tiempo de producción. Además, esto indica que el aumento del
almacenamiento podría no tener impacto sobre las utilidades.

El resultado obtenido en el ejemplo anterior es uno de los cuatro posibles

resultados que por lo general se pueden obtener en un problema de programación lineal.
Estos son:

1. Solución única. Como en el ejemplo, la función objetivo máxima interpreta un solo

punto.

2. Solución alterna. Suponga que la función objetivo del ejemplo tuviera coeficientes,
de tal forma que fueran paralelos precisamente a una de las restricciones. En nuestro
problema ejemplo, una forma en la cual esto podría ocurrir, sería que las utilidades
fueran cambiadas a $140/ton y $220/ton. Entonces más que un solo punto, el
problema podría tener un número infinito de óptimos correspondientes a un
segmento de línea (ver Fig. 5-3a)

3. Solución no factible. Como en la Fig. 5-3b, es posible que el problema esté

formulado de tal manera que no exista solución factible. esto puede deberse a que se
trata con un problema sin solución o a errores en la formulación del problema. Lo
último puede resultar si el problema está tan sobre restringido que ninguna solución
puede satisfacer todas las restricciones.

4. Problema sin límite. Como en la Fig. 5-3c, esto usualmente significa que el
problema está bajo restringido y, por tanto, con finales abierto como para el caso de
la solución no factible, puede a menudo surgir de errores cometidos durante la
especificación del problema.
Fig. 5-3 Además de una sola ecuación óptima (por ejemplo Fig. 4-2b), existen otros
tres resultados posibles de un problema de programación lineal: a) alternativa óptima,
b) solución no factible y c) de resultado sin limites.

Ahora supongamos que nuestro problema involucra una solución única. El

procedimiento gráfico podría seguir una estrategia numerativa para dar con el máximo.
De la Fig. 5-2, debería quedar claro que siempre ocurre el óptimo en uno de los puntos
esquina donde se encuentran dos restricciones. Tal punto se conoce de manera formal
como un punto extremo. Así, fuera del número infinito de posibilidades en el espacio de
decisión y enfocándonos sobre los puntos extremo, claramente se reducen las opciones
posibles.

Además, se puede reconocer que no todo punto extremo es factible; esto es,
satisfacer todas las restricciones. Por ejemplo, observar que el punto F en la Fig. 5-2a es
un punto extremo, pero no es factible. Si nos limitamos a puntos extremos factibles, se
reduce el campo factible todavía más.

Por último, una vez que se ha identificado todos los puntos extremo factibles, el
que ofrezca el mejor valor de la función objetivo representará la solución óptima. Se
podría encontrar esta solución óptima mediante la exhaustiva (e ineficiente) evaluación
del valor de la función objetivo en cada punto extremo factible. en la siguiente sección
se analiza el método simples, que ofrece una estrategia preferible que representa en
forma gráfica un rumbo acelerativo a través de la secuencia de puntos extremos factibles
para arribar al óptimo de una manera extremadamente eficiente.

5.4 EL MÉTODO SIMPLEX

El método simplex se basa en la suposición de que la solución óptima estará en un

punto extremo. Así, el procedimiento debe ser capaz de discernir si durante la solución a
un problema ocurre un punto extremo. Para realizar esto, las ecuaciones con
restricciones se reformulan como igualdades por medio de la introducción de las
llamadas variables de holgura.

Variables de holgura. Como lo indica su nombre, una variable de holgura mide cuanto
de una fuente restringida esta disponible; es decir, cuanta “holgura”de la fuente está
disponible. Por ejemplo, recordar la fuente restringida que se uso en los ejemplos 4.1 y
4.2:

7 x1 + 11 x2 ≤ 77

Se puede definir una variable de holgura S1 como la cantidad de gasolina cruda que
no se usa para un nivel de producción particular (x1 , x2). Si esta cantidad se agrega al
lado izquierdo de la restricción, forma la relación exacta

7 x1 + 11 x2 + S1 = 77

Ahora se reconoce lo que la variable de holgura nos indicaba. Si esta es positiva,

significa que se tiene algo de “holgura”para esta restricción. Esto es, se cuenta con algo
más de recursos que no han sido utilizados por completo. Si es negativa, nos indica que
nos hemos excedido en la restricción. Finalmente, si es cero, denota que se cumplió
exactamente con la restricción. Es decir se dispuso de todo el recurso. Puesto que esta es
exactamente la condición donde las líneas de restricción se intersectan, la variable de
holgura proporciona un medio para detectar puntos extremos.

Una variable de holgura diferente se desarrolla para cada ecuación restringida,

resultando en lo que se llama versión completamente aumentada,

Maximizar Z = 150 x1 + 175 x2

Sujeta a

7 x1 + 11 x2 + S1 = 77

10 x1 + 8 x2 + S2 = 80

x1 + S3 =9

x2 + S4 = 6

x1 , x2 , S1 , S2 , S3 , S4  0

Advertir cómo se han formado de igual modo cuatro ecuaciones, de tal manera que
las incógnitas están alineadas en las columnas. Se hizo así para resaltar que ahora se trata
de un sistema de ecuaciones algebraicas lineales

Solución algebraica. Analizando el sistema de ecuaciones formado anteriormente

podemos ver que es un sistema subespecificado; esto es, tiene más incógnitas que
ecuaciones. En términos generales, hay n variables estructuradas (es decir, las
incógnitas originales), m excedentes o variables de holgura (una por restricción), y n+m
variables totales (estructuradas más excedentes). Para el problema de la producción de
gasolina se tienen 2 variables estructuradas, 4 variables de holgura y 6 variables totales.
Así, el problema involucra resolver 4 ecuaciones con 6 incógnitas.

La diferencia entre el número de incógnitas y el de ecuaciones (igual a 2 en nuestro

problema) está directamente relacionada con la forma en que se puede distinguir un
punto extremo factible. En forma específica, cada punto factible tiene 2 variables de las
6 que se igualaron a cero. Por ejemplo, los cinco puntos esquina del área ABCDE tienen
los siguientes valores cero:

Punto Variables cero

extremo
A x1 , x2
B x2 , S2
C S1 , S2
D S1 , S4
E x1 , S4

Esta observación nos lleva a concluir que los puntos extremo se pueden
determinar en la forma estándar al igualar las dos variables a cero. En nuestro ejemplo,
esto reduce el problema a una forma resoluble de 4 ecuaciones con 4 incógnitas. Por
ejemplo, para el punto E haciendo x1 = S4 = 0 se reduce la forma estándar a

11 x2 + S1 = 77

8 x2 + S2 = 80

+ S3 =9

x2 =6

la cual puede resolver para x2 = 6 , S1 = 1, S2 = 32 y S3 = 9. Junto con x1 = S4 = 0 ,

estos valores definen el punto E.

Para generalizar una solución básica para m ecuaciones lineales con n incógnitas se
desarrolla al igualar n – m variables a cero, y resolviendo las m ecuaciones para las m
incógnitas restantes. Las variables cero son formalmente referidas como variables no
básicas, mientras las m variables restantes son llamadas variables básicas. Si todas las
variables básicas son no negativas, el resultado es llamado solución factible básica. El
óptimo será una de éstas.

Ahora un procedimiento directo para determinar la solución óptima podría ser

calcular todas las soluciones básicas, para determinar cuáles son factibles, y entre ellas,
cual tiene el valor de Z más grande. Pero este no es un buen procedimiento por dos
razones.

Primero, para problemas de tamaños moderados, el procedimiento puede

involucrar resolver una gran cantidad de ecuaciones. Para m ecuaciones con n
incógnitas, se deben resolver

ecuaciones simultáneas. Por ejemplo, si hay 10 ecuaciones (m = 10) con 16 incógnitas (n

= 16), se podría tener 8 008 [= 16!/(10! 6!)] sistemas 10 x 10 ecuaciones a resolver.

Segundo, una porción significativa de éstas puede ser no factible. Por ejemplo, en
el problema actual de los = 15 puntos extremos, solo 5 son factibles. Claramente, si
se pudiese evitar resolver todos estos sistemas innecesarios, se podría desarrollar un
algoritmo más eficiente. Un procedimiento como tal se describe a continuación.

Implementación del método simplex. El método simplex evita las ineficiencias

descritas en la sección anterior. Esto lo realiza al comenzar con una solución factible
básica. Luego se mueve a través de una secuencia con las otras soluciones factibles
básicas que sucesivamente mejoran el valor de la función objetivo. En forma eventual, se
alcanza el valor óptimo y termina el método.

Se ilustrará el procedimiento mediante el problema de procesamiento de la gasolina

de los Ejemplos 5.2 y 5.3. El primer paso es empezar en una solución factible básica (es
decir, en una esquina del punto extremo del espacio factible). Para casos como los
nuestros, un punto de inicio obvio podría ser el A; esto es, x1 = x2 = 0. Las 6 ecuaciones
originales con 4 incógnitas serían

S1 = 77

S2 = 80

S3 =9

S4 =6

Así, los valores iniciales de las variables básicas son dados automáticamente como
iguales a los lados derecho de las restricciones.

Antes de proceder al siguiente paso, la información inicial se puede ahora resumir

en un formato tabular conveniente llamado representación. Como se muestra en la tabla
siguiente, la representación proporciona un resumen conciso de la información clave que
constituye el problema de programación lineal.

Básica Z x1 x2 S1 S2 S3 S4 Solución Intersección

Z 1 -150 -175 0 0 0 0 0
S1 0 7 11 1 0 0 0 77 11
S2 0 10 8 0 1 0 0 80 8
S3 0 1 0 0 0 1 0 9 9
 S4 0 0 1 0 0 0 1 6 

Observe que para propósitos de la representación, la función objetivo se expresa

como

Z – 150x1 – 175x2 – 0S1 – 0S2 – 0S3 – 0S4 = 0 (5.6)

El siguiente paso implica moverse a una nueva solución factible básica que nos
lleva a una mejora de la función objetivo. Esto se lleva a cabo al aumentar una variable
actual no básica (en este punto, x1 o x2) por arriba de cero para que Z aumente. Recuerde
que, para el ejemplo actual, los puntos extremos deben tener 2 valores cero. Por tanto,
una de las variables básicas actuales (S1 , S2 , S3 , S4) deben también igualarse a cero.

Para resumir este paso importante una de las variables no básicas actuales debe
hacerse básica (no cero). Esta variable se llama variable de entrada. En el proceso, una
de las variables básicas actuales se hace no básica (cero). Esta variable se llama variable
de salida.

Ahora, desarrollaremos un procedimiento matemático para seleccionar las

variables de entrada y salida. Debido a la convención es cómo se escribe la función
objetivo [véase ecuación (5.6)], la variable de entrada puede ser cualquier variable en la
función objetivo que tenga un coeficiente negativo (ya que esto hará a Z más grande). La
variable con el valor negativo más grande se escoge de manera convencional porque nos
lleva usualmente al incremento más grande en Z. Para nuestro caso, x2 podría ser la
variable de entrada puesto que su coeficiente, - 175, es más negativo que el coeficiente
de x1, - 150.

En este punto se puede consultar la solución gráfica por visualización. Se

comienza en el punto A, como se muestra en la Fig 5-4. Con base en su coeficiente, se
debería escoger x2 para introducirlo. Sin embargo, para continuar con este ejemplo,
seleccionamos x1 puesto que se observa en la gráfica que nos llevará más rápido al
máximo.

Después se debe escoger la variable de salida de entre las variables básicas

actuales (S1 , S2 , S3, o S4). Se puede ver gráficamente que hay dos posibilidades.
Moviéndonos al punto B se tendrá S2 igual a cero, mientras que al movernos al punto F
tendremos S1 igual acero. Sin embargo, por la gráfica también queda claro que F no es
posible, ya que queda fuera del espacio de solución factible. Así, se decide mover de A a
B.
 Fig. 5.4 Ilustración gráfica de cómo se mueve en forma sucesiva el método simplex a
través de soluciones básicas factibles para llegar al óptimo de manera eficiente

¿Cómo se detecta el mismo resultado en forma matemática? Una forma es calcular

los valores para los cuales las líneas de restricción interceptan el eje o línea que
corresponde a la variable de salida (en nuestro caso el eje x1). Se puede calcular este
valor como la razón del lado derecho de la restricción (la columna “Solución”de la
representación) al coeficiente correspondiente de x1. Por ejemplo, para la primera
variable de holgura restrictiva S1, el resultado es

Las intersecciones restantes se pueden calcular y enlistar como la última columna de

la tabla. Como 8 es el entero positivo más pequeño, esto significa que la segunda línea
restringida se alcanzará primero en tanto x1 aumente. Por tanto, S2 debería ser la variable
de entrada.

En este punto, se ha movido al punto B (x2 = S2 = 0), y la nueva solución básica es

ahora

7 x1 + S1 = 77

10 x1 = 80

x1 + S3 =9

S4 =6

La solución de este sistema de ecuaciones define en forma efectiva los valores de las
variables básicas en el punto B: x1 = 8, S1 = 21, S3 = 1, S4 = 6.

La tabla se puede usar para realizar los mismos cálculos al emplear el método de
Gauss-Jordan.
 Para este ejemplo, el renglón pivote es S2 (ya que tiene el mayor valor en la igualdad
al lado de la solución 80) que corresponde a la variable de entrada y el elemento pivote
es 10 (el elemento de mayor valor en este renglón) que corresponde al coeficiente de la
variable de salida x1. Al dividir el renglón entre 10 y reemplazar S2 por x1 se tiene:

Básica Z x1 x2 S1 S2 S3 S4 Solución Intersección

Z 1 -150 -175 0 0 0 0 0
S1 0 7 11 1 0 0 0 77
x1 0 1 0.8 0 0.1 0 0 8
S3 0 1 0 0 0 1 0 9
S4 0 0 1 0 0 0 1 6

Después los coeficientes x1 en los otros renglones se pueden eliminar. Por

ejemplo, para el renglón de la función objetivo, el renglón pivote se multiplica por – 150
y se resta el resultado del primer renglón para dar

Z x1 x2 S1 S2 S3 S4 Solución
1 -150 -175 0 0 0 0 0
-0 -(-150) -(-120) -0 -(-5) 0 0 -(-200)
1 0 -55 0 15 0 0 1200

Operaciones similares se pueden ejecutar en los renglones restantes para obtener la

nueva tabla

Básica Z x1 x2 S1 S2 S3 S4 Solución Intersección

Z 1 0 -55 0 15 0 0 1200
S1 0 0 5.4 1 -0.7 0 0 21 3.889
x1 0 1 0.8 0 0.1 0 0 8 10
S3 0 0 -0.8 0 -0.1 1 0 1 -1.25
S4 0 0 1 0 0 0 1 6 6

Así la nueva tabla resume toda la información para el punto B. Esto incluye el hecho
de que el movimiento ha aumentado la función objetivo a Z = 1200

Esta tabla se puede usar entonces para representar el próximo, y en este caso, el paso
final. Sólo una más de las variables, x2, tiene un valor negativo en la función objetivo, y
se escoge, por tanto, como la variable de salida. De acuerdo con los valores de la
intercepción (ahora calculados como la columna de solución sobre los coeficientes de la
columna x2), la primera restricción tiene el valor positivo más pequeño y, por tanto, se
selecciona a S1 como la variable de entrada. Así, el método simplex mueve los puntos de
B a C en la Fig. 5-4. Por último, la eliminación de gauss-Jordan se puede implementar
para resolver las ecuaciones simultáneas. El resultado es la tabla final,

Básica Z x1 x2 S1 S2 S3 S4 Solución
Z 1 0 0 10.1852 7.8704 0 0 1413.889
x2 0 0 1 0.1852 -0.1296 0 0 3.889
x1 0 1 0 -0.1481 0.2037 0 0 4.889
S3 0 0 0 0.1481 -0.2037 1 0 4.111
 S4 0 0 0 -0.1852 0.1296 0 1 2.111

Se sabe que este es el resultado final porque no quedan coeficientes negativos en el

renglón de la función objetivo. La solución final se tabula como x1 = 3,889 y x2 = 4,889,
los cuales dan una función objetivo máxima de Z = 1413,889. Además S3 y S4 están
todavía en la base, sabemos que la solución está limitada por la primera y segunda
restricciones.

Uso de UNTSIM

El simulador UNTSIM posee una rutina de cálculo aplicando el método simples,

por lo que seleccionando esta opción del Menú Principal: Cálculos de Ingeniería
Química – Optimización:

>> untsim
Copyright 2002 UNT
MSc. Luis Moncada
All rights reserved
ESTE PROGRAMA EJECUTA CALCULOS DE PROGRAMACIÓN LINEAL
*****************************************************
Adecue el problema para ejecutarlo con MATLAB
ver Optimización Capítulo 5, Ejemplo 5.6
Ingresar Coeficientes de la función [a; b;.. ]: [-150; -175]<--
Invertimos signos para
Si existen restricciones ingresar lo que pide el programa
minimizar
Si no existen escribir simplemente []
RESTRICCIONES DE DESIGUALDAD
Ingresar Matriz de Coeficientes de las restricciones [ ]
: >> [7 11; 10 8]
Ingresar vector del lado derecho de las restricciones [ ]
: [77; 80]
RESTRICCIONES DE IGUALDAD
Ingresar Matriz de Coeficientes de las restricciones [ ]
: []
Ingresar vector del lado derecho de las restricciones [ ]
: []
Limites inferiores de las variables (vector): [0; 0]
Limites superiores de las variables (vector): [9; 6]
Optimization terminated.

RSPUESTA DEL PROGRAMA

*********************************************
Los valores óptimos de las variables son:
x =
4.8889
3.8889
El valor óptimo de la función es:
fval =
-1.4139e+003
El numero de iteraciones fue:
output =
iterations: 6
algorithm: 'large-scale: interior point'
cgiterations: 0
message: 'Optimization terminated.'
**********************************************
Hacer analisis de sensibilidad si(1) no(0): 0
Los valores óptimos de las variables básicas del problema son x(1) = 4.8889 y x(2) =
3.8889

El valor óptimo de la función es: f = 1413.9 (volviendo a invertir el signo)

5.5 USO DE PAQUETES DE SOFTWARE

El procedimiento descrito anteriormente es tedioso y trae dificultades al resolverlo

manualmente, más aún si el número de variables y restricciones es grande.

Para salvar este inconveniente se puede usar los paquetes de software tal como
Excel, Lindo, Matlab, MathCad, IMSL, etc., algunos de los cuales se darán a
continuación.

5.5.1 Programación lineal en Excel

Existe una variedad de paquetes de software especialmente diseñados para

implementar programación lineal. Sin embargo, como su disponibilidad es amplia, este
análisis se concentrará en la hoja de cálculo Excel. Esta involucra usar la opción Solver

La manera en la cual se usa Solver para programación lineal es similar a nuestras

aplicaciones previas en el sentido de que los datos se introducen en las celdas de la hoja
de cálculo. La estrategia básica es llegar a una celda que esté optimizada como una
función de las variaciones de las otras celdas sobre la hoja de cálculo. El siguiente
ejemplo ilustra como se puede realizar esto para el problema de procesamiento de la
gasolina.

Ejemplo 5.4

Utilice una hoja de cálculo en Excel para calcular los valores adecuados en el problema
de procesamiento de la gasolina dado anteriormente.

Solución

Una hoja de cálculo de Excel para calcular los valores pertinentes en el problema
de procesamiento de gasolina es mostrado en la Fig. 5-5. Las celdas no sombreadas son
las que contienen los datos numéricos y leyendas. Las celdas sombreadas involucran las
cantidades que se calculan con base en las otras celdas. Reconozca que la celda a ser
maximizada es la D12, la cual contiene la utilidad total. Las celdas que cambian son
B4:C4, en las cuales se tiene las unidades de la gasolina producida regular y Premium.
Fig. 5.5 Acondicionamiento de una hoja de cálculo Excel para usar Solver para la
programación lineal

Una vez que se crea la hoja de cálculo, se selecciona Solver del menú de
Herramientas (Tools). En esta etapa se mostrará un recuadro de dialogo, requiriendo de
usted la información pertinente. Estas celdas pertinentes del resultado del dialogo de
Solver se llenarán como

Se debe incluir las restricciones una por una al seleccionar el botón Agregar. Esto
abrirá un recuadro de diálogo como el siguiente

Como se muestra, la restricción donde el total de materia prima para la gasolina

(celda D6) debe ser menor o igual que el abastecimiento disponible (E6) se puede
agregar como se ejemplificó. Después de agregar cada una de las restricciones, el botón
Agregar puede ser seleccionado. Cuando se haya introducido las cuatro restricciones,
seleccionamos el botón Aceptar para regresar al recuadro del dialogo del Solver.

Ahora, antes de la ejecución, se debería seleccionar el botón Opciones del Solver

y revisar el recuadro como Adoptar modelo lineal, esto hará que Excel emplee una
versión del algoritmo simples (en lugar de Solver no lineal más general que
normalmente usa)que acelera su aplicación.

Fig. 5.6 Hoja de cálculo de Excel con la solución al problema de programación lineal

Después de seleccionar esta opción, regrese al menú Solver. Cuando seleccione el

botón Aceptar, se abrirá un recuadro de dialogo con un reporte sobre el éxito de la
operación. Para el caso actual, el Solver obtiene la solución correcta (ver Fig 5-6)

5.5.2 Uso del paquete LINDO

Ejemplo 4.5

Una planta química puede producir 2 tipos de productos A y B a partir de 3

materias primas diferentes m1, m2 y m3. las proporciones de materias primas para la
fabricación de A es 4:5:3 y las correspondientes para B son 5:2:8. los ingresos netos para
los productos A y B son uA = $5/lb y uB = $3/lb.

Los “stocks” de materia prima son: S1 = 1000 lbs, S2 = 1000 lbs y S3 = 1200 lbs
para cada uno de los tipos disponibles.

Determinar la capacidad de producción de A y B que brinden el ingreso neto

máximo.

Solución

Planteo

m1 m2 m3 U : $/lb
 Producto A 4 5 3 5
Producto B 5 2 8 3
1000 1000 1200

1.- Variables:

x1 = lbs de A (x1 > 0)

x2 = lbs de B (x2 > 0)

2.- Función objetivo: INGRESOS Z

Maximizar: Z = 5 x1 + 3x2

3.- Las restricciones son:

4x1 + 5x2  1000

5x1 + 2x2  1000

3x1 + 8x2  1200

4.- Enunciado:

Maximizar Z = 5 x1 + 3x2

Sujeta a las restricciones

4x1 + 5x2  1000

5x1 + 2x2  1000

3x1 + 8x2  1200

5.- Introduciendo las variables de holgura para transformar las inecuaciones de las
restricciones a ecuaciones

4x1 + 5x2 + x3 = 1000

5x1 + 2x2 + x4 = 1000

3x1 + 8x2 + x5 = 1200

Variables de holgura: x3 , x4 y x5

La solución se encuentra de la siguiente manera:

1. Escribir el problema denotando MAX (para maximizar) o MIN (para minimizar)

 MAX 5x1 + 3x2

2. Dar las restricciones

SUBJECT TO

4x1 + 5x2 <= 1000

5x1 + 2x2 <= 1000

3x1 + 8x2 <= 1200

3. Encontrar la solución dando la orden: Solve

NO LIKELY SOURCES OF ERROR WERE FOUND

LP OPTIMUM FOUND AT STEP 2

OBJECTIVE FUNCTION VALUE

1) 1058.823

VARIABLE VALUE REDUCED COST

X1 176.470581 0.000000

X2 58.823528 0.000000

ROW SLACK OR SURPLUS DUAL PRICES

2) 0.000000 0.294118

3) 0.000000 0.764706

4) 200.000000 0.000000

NO. ITERATIONS = 2

RANGES IN WHICH THE BASIS IS UNCHANGED:

OBJ COEFFICIENT RANGES

VARIABLE CURRENT ALLOWABLE

 COEF INCREASE DECREASE

X1 5.000000 2.500000 2.600000

X2 3.000000 3.250000 1.000000

RIGHTHAND SIDE RANGES

ROW CURRENT ALLOWABLE

RHS INCREASE DECREASE

2 1000.000000 100.000000 199.999985

3 1000.000000 250.000000 200.000000

4 1200.000000 INFINITY 200.000000

La aplicación del método da el siguiente resultado:

Valor máximo de la función objetivo = 1058.823

Valores óptimos de las variables: X1 = 176.470581

X2 = 58.823528

5.5.3 Programación Lineal con MATLAB

El paquete de cálculo Matlab, dispone de una amplia gama de herramientas para

optimización y una de ellas es la programación lineal.

A continuación veremos el uso de algunas de sus herramientas sobre

programación lineal.

Tomando el ejemplo anterior, el enunciado es:

Maximizar Z = 5 x1 + 3x2

Sujeta a las restricciones

4x1 + 5x2  1000

5x1 + 2x2  1000

 3x1 + 8x2  1200

Para usar MATLAB debemos de enunciar de la siguiente manera:

Minimizar Z = – 5 x1 – 3x2

Sujeta a las restricciones

4x1 + 5x2  1000

5x1 + 2x2  1000

3x1 + 8x2  1200

Ahora hacemos el cálculo de la siguiente manera:

1. Introducimos los coeficientes de las variables en la función objetivo:

>> f = [-5; -3];

2. Introducimos la matriz de coeficientes de las restricciones

>> A=[4 5; 5 2; 3 8];

3. El vector del lado derecho de las restricciones

>> b=[1000; 1000; 1200]

4. El rango de variables

>> lb = zeros(2,1);

5. La rutina de cálculo:

>> [x,fval,exitflag,output,lambda] = linprog(f,A,b,[],[],lb);

Optimization terminated successfully.

Como hemos colocado (;) al final de la orden no se visualiza inmediatamente el

resultado por lo que debemos invocar la respuesta:

>> x <------- Valores óptimos de las variables

x =

176.4706
58.8235
>> fval <------- Optimo de la función

fval =

-1.0588e+003
Si no ponemos (; al final de la orden se visualizan todos los resultados del cáculo

>> [x,fval,exitflag,output,lambda] = linprog(f,A,b,[],[],lb)

Optimization terminated successfully.

x =

176.4706
58.8235

fval =

-1.0588e+003

exitflag =

output =

iterations: 5
cgiterations: 0
algorithm: 'lipsol'

lambda =

ineqlin: [3x1 double]

eqlin: [0x1 double]
upper: [2x1 double]
lower: [2x1 double]

La orden de cálculo tambien puede ser (sin lb)

>> [x,fval,exitflag,output,lambda] = linprog(f,A,b,[],[])

Los corchetes de la orden son:

El primero: [ ]=Aeq (Matriz de coeficientes de restricciones de igualdad)

El segundo: [ ]=beq (Vector del lado derecho de restricciones de igualdad)

Para el problema 5.1

Maximizar: 3A + 4B (ganancia )

Las ecuaciones de restricción son:

4A + 2B  80 tiempo de procesamiento
 2A + 5B  120 tiempo de preparación.

Para usar MATLAB, haciendo A= x1 y B = x2, el enunciado debe ser:

Minimizar: - 3x1 - 4x2

Las ecuaciones de restricción son:

4x1 + 2x2  80

2x1 + 5x2  120

Las ordenes y respuesta son:

>> f=[-3; -4];

>> A=[4 2; 2 5];
>> b=[80; 120];
>> [x,fval,exitflag,output,lambda] = linprog(f,A,b,[],[]);
Optimization terminated successfully.
>> x

x =

10.0000
20.0000

>> fval

fval =

-110.0000

>>

Luego invirtiendo los signos de la función objetivo se tiene:110.00

Problema 5.2 sobre procesamiento de gasolina

El enunciado del problema se reduce a:

Maximizar Z = 150 x1 + 175 x2

Sujeta a

7 x1 + 11 x2 ≤ 77 (1)

10 x1 + 8 x2 ≤ 80 (2)

x1 ≤ 9 (3)

x2 ≤ 6 (4)
 x1 ≥ 0 (5)

x2 ≥ 0 (6)

Para la solución con MATLAB debemos cambiar el enunciado a:

Minimizar f = -150 x1 - 175 x2

Sujeta a

7 x1 + 11 x2 ≤ 77 (1)

10 x1 + 8 x2 ≤ 80 (2)

x1 ≤ 9 (3)

x2 ≤ 6 (4)

-x1 ≤ 0 (5)

-x2 ≤ 0 (6)

Y la ejecución en Matlab es:

>> f=[-150; -175];

>> A=[7 11; 10 8;1 0;0 1;-1 0;0 -1];
>> b=[77; 80; 9; 6; 0; 0];
>> [x,fval,exitflag,output,lambda] = linprog(f,A,b,[],[]);
Optimization terminated successfully.
>> x

x =

4.8889
3.8889

>> fval

fval =

-1.4139e+003

Luego invirtiendo los signos de la función objetivo se tiene:1413.9

Uso de UNTSIM

Seleccionando del Menú principal: Calculos de Ingeniería Química - Optimización

- Funciones multivariable - Mínimo con restricciones

Copyright 2002 UNT

MSc. Luis Moncada
All rights reserved

ESTE PROGRAMA REALIZA LA OPTIMIZACION

DE FUNCIONES CON DOS O MAS VARIABLES
CON RESTRICCIONES LINEALES DE DESIGUALDAD, IGUALDAD
LIMITES PARA LAS VARIABLES Y RESTRICCIONES NO LINEALES
*******************************************************
Ingrese función: '-150*x(1) -175*x(2)'
Cuantas restricciones lineales de desigualdad tiene?: 6
Ingrese matriz de coeficientes de las restricciones de
desigualdad [ ]: [7 11; 10 8;1 0;0 1;-1 0;0 -1]
Ingrese vector de valores del lado derecho de restricciones de
desigualdad [ ]: [77 80 9 6 0 0]
Cuantas restricciones lineales de igualdad tiene?: 0
Hay limites para los valores de la variables si(1) no (0): 0
Cuantas restricciones no lineales tiene?: 0
Inicio de busqueda
Valores iniciales: [0 0]
Optimization terminated successfully:
First-order optimality measure less than options.TolFun and
maximum constraint violation is less than options.TolCon
Active Constraints:
1
2

RESULTADO DE LA OPTIMIZACION
---------------------------------------------
1.- El optimo de la variable es = 4.88889
1.- El optimo de la variable es = 3.88889
2.- El optimo de la función es = -1413.89
>>

Ejemplo 5.6 Refinería de petróleo simplificada

El diagrama de una refinería de petróleo muy simplificada se muestra en la Fig. 5-7.

 Fig. 5.7 Diagrama de flujo de una refinería simplificada

La refinería produce gasolina especial que se vende a $50 el barril con un octanaje
mayor o igual que 95, gasolina corriente que se vende a $45 el barril con un octanaje
mayor o igual que 89, petróleo diesel que se vende a $25 el barril con un número de
contaminación no superior a 55. Para satisfacer la demanda del mercado, la refinería
debe producir por lo menos 25 000 barriles diarios de gasolina especial, 10 000 de
gasolina corriente y 30 000 de petróleo diesel. El petróleo crudo cuesta 4 27,5 por barril.

Los costos de operación de la columna de destilación del petróleo crudo son $2,5
el barril de cada uno de los productos obtenidos; nafta ligera virgen, nafta pesada virgen
y destilado virgen. El destilado virgen y parte de la nafta pesada virgen, se envían a la
unidad de separación catalítica. El costo de la operación depende de la alimentación a la
unidad y cuesta $1,0 el barril de nafta pesada virgen y $1,5 el barril de destilado virgen.

La manera más conveniente de presentar la información anterior es en forma

matricial, ver tabla 9-4, donde se ven los coeficientes de costo y las ecuaciones de
restricción. La primera fila es la función objetivo donde los costos son coeficientes
negativos y las utilidades coeficientes positivos. La segunda fila indica la restricción en
volumen de la mezcla de gasolina especial mostrando que por lo menos deben
producirse 25 000 barriles al día de gasolina especial. La tercera fila es le restricción en
el octanaje de la gasolina especial. El octanaje de la nafta liviana virgen es 92 y el de la
nafta catalítica es 97.
Por lo que:

92LVNPG + 97CNPG  95(LVNPG + CNPG)

Reagrupando los términos se obtiene:

– 3LVNPG + 2CNPG  0

Que es la ecuación que aparece en la tercera fila. Relaciones similares se muestran

para las mezclas de gasolina corriente y petróleo diesel.

La tabla siguiente da las especificaciones de cada componente de la mezcla

Componente Octanaje Número de contaminación

Petróleo pesado catalítico ... 59

Petróleo liviano catalítico 88 50

Nafta catalítica 97 ...

Nafta pesada virgen 84 ...

Nafta liviana virgen 92 ...

La capacidad de la unidad de separación catalítica (CCC) no debe exceder de 50

000 barriles por día. La columna de destilación de petróleo crudo tiene su capacidad
limitada a 100 000 barriles por día.

A continuación siguen las restricciones de balance de materiales. Por ejemplo, la

línea LVNAP establece que la suma de nafta liviana debe ser igual al total de destilado
crudo. Las alimentaciones son positivas y las salidas negativas. Como se muestra, el
crudo se separa en 3 fracciones de volumen 0,2 de nafta liviana virgen, 0,5 de nafta
pesada virgen y 0,3 de destilado virgen.

En las unidades de separación catalítica el costo de operación por barril de nafta

pesada virgen es $1,0 y la distribución del producto es de 0,7 barriles de nafta catalítica,
0,4 barriles de petróleo catalítico liviano y 0,2 barriles de petróleo pesado catalítico.

Ver Tabla 5.4

El aumento de volumen se debe a la separación de las moléculas grandes en

pequeñas. Estos balances de materiales se muestran en las líneas CNAP, LTCCO y
HVCCO. De igual forma, la distribución del destilado virgen en la unidad de separación
catalítica es 0,1 barriles de nafta catalítica, 0,3 barriles de petróleo catalítico liviano y 0,7
barriles de petróleo catalítico pesado por barril de destilado virgen.

Para este modelo de refinería simplificada fueron necesarias 14 ecuaciones de

restricción; en una planta real las ecuaciones de restricción serán varios centenares, pero
todas desarrolladas en una forma similar a la mostrada.

Usando el paquete LINDO

1. Establecimiento de la función objetivo (para lo cual se han establecido las variables,

ver Tabla 5.4)

MAX - 27.5X1 - 2.5X2 - 2.5X3 - 2.5X4 - X5 - 1.5X6 + 50.0X7 + 50.0X8 + 45.0X9 +

45.0X10 + 45.0X11 + 45.0X12 + 25.0X13 + 25.0X14

2. Establecimiento de las restricciones

SUBJECT TO

X7 + X8 >=25000

-3.0X7 + 2.0X8>=0

X9 + X10 + X11 + X12 >=10000

3.0X9 - 5.0X10 + 8.0X11 - X12 >=0

X13 + X14 >=30000

-5.0X13 + 4X14 <=0

X5 + X6 <=50000

X1<=100000

-0.2X1 + X7 + X9 =0

-0.5X1 + X5 + X10 =0

-0.7X5 - 0.1X6 + X8 + X11 =0

-0.4X5 - 0.3X6 + X12 + X13 =0

-0.2X5 - 0.7X6 + X13 =0

X2>=0

X3>=0

X4>=0

X5>=0
 X6>=0

X7>=0

X8>=0

X9>=0

X10>=0

X11>=0

X12>=0

X13>=0

X14>=0

3. Compilación del modelo

NO LIKELY SOURCES OF ERROR WERE FOUND

4. Búsqueda de la solución (comando Solve)

LP OPTIMUM FOUND AT STEP 12

OBJECTIVE FUNCTION VALUE

1) 1145139.

VARIABLE VALUE

X1 100000.000000

X2 0.000000

X3 0.000000

X4 0.000000

X5 33333.332031

X6 16666.666016

X7 11777.777344

X8 17666.666016

X9 8222.222656
 X10 16666.666016

X11 7333.333496

X12 0.000000

X13 18333.333984

X14 22916.666016

La solución del problema muestra lo siguiente:

Crudo tratado (X1) = 100 000 barriles por día (bb/d)

Gasolina especial: X7 +X8 = 11777.777344 + 17666.666016  25 0000 bb/d

Gasolina corriente: X9 + X10 + X11 + X12 =

8222.222656 + 16666.666016 + 7333.333496 + 0.00  10 000 bb/d

Petróleo diesel: X13 + X14 = 18333.333984 + 22916.666016  30 000 bb/d

Utilidades máximas = $ 1145139./ día

Uso del Simulador UNTSIM

El Simulador UNTSIM posee una rutina para efectuar cálculos de programación

lineal, ilustraremos su uso resolviendo el problema anterior, para lo cual debemos hacer
lo siguiente:

1. Debemos escribir la función para minimizarla ( esto lo hacemos

multiplicando la función objetivo inicial por -1), con lo cual se tiene:

Min: + 27.5X1 + 2.5X2 + 2.5X3 + 2.5X4 + X5 + 1.5X6 - 50.0X7 - 50.0X8 - 45.0X9 - 45.0X10
- 45.0X11 - 45.0X12 - 25.0X13 - 25.0X14

2. Establecimiento de las restricciones

Sujeta a

2.1. Restricciones de desigualdad Coeficientes

Lado derecho

-X7 - X8  -25000 0 0 0 0 0 0 -1 -1 0 0 0 0 0 0 25000

+3.0X7 - 2.0X8 0 0 0 0 0 0 0 3 -2 0 0 0 0 0 0 0

-X9 - X10 - X11 - X12  -10000 0 0 0 0 0 0 0 0 -1 -1 -1 -1 0 0

10000

-3.0X9 + 5.0X10 - 8.0X11 + X12  0 0 0 0 0 0 0 0 0 -3 5 -8 1 0 0 0

-X13 - X14  -30000 0 0 0 0 0 0 0 0 0 0 0 0 -1 -1 30000

-5.0X13 + 4X14  0 0 0 0 0 0 0 0 0 0 0 0 0 -5 4 0

X5 + X6  50000 00001100000000 50000

X1  100000 10000000000000 100000

-X20 0 -1 0 0 0 0 0 0 0 0 0 0 0 0 0

-X30 0 0 -1 0 0 0 0 0 0 0 0 0 0 0 0

-X40 0 0 0 -1 0 0 0 0 0 0 0 0 0 0 0

-X50 0 0 0 0 -1 0 0 0 0 0 0 0 0 0 0

-X60 0 0 0 0 0 -1 0 0 0 0 0 0 0 0 0

-X70 0 0 0 0 0 0 -1 0 0 0 0 0 0 0 0

-X80 0 0 0 0 0 0 0 -1 0 0 0 0 0 0 0

-X90 0 0 0 0 0 0 0 0 -1 0 0 0 0 0 0

-X100 0 0 0 0 0 0 0 0 0 -1 0 0 0 0 0

-X110 0 0 0 0 0 0 0 0 0 0 -1 0 0 0 0

-X120 0 0 0 0 0 0 0 0 0 0 0 -1 0 0 0

-X130 0 0 0 0 0 0 0 0 0 0 0 0 -1 0 0

-X140 0 0 0 0 0 0 0 0 0 0 0 0 0 -1 0

2.2. Restricciones de igualdad

-0.2X1 + X7 + X9 =0 -0.2 0 0 0 0 0 1 0 1 0 0 0 0 0 0

-0.5X1 + X5 + X10 =0 -0.5 0 0 0 1 0 0 0 0 1 0 0 0 0 0

-0.7X5 - 0.1X6 + X8 + X11 =0 0 0 0 0 -0.7 -0.1 0 1 0 0 1 0 0 0 0

-0.4X5 - 0.3X6 + X12 + X13 =0 0 0 0 0 -0.4 -0.3 0 0 0 0 0 1 1 0 0

 -0.2X5 - 0.7X6 + X13 =0 0 0 0 0 -0.2 -0.7 0 0 0 0 0 0 1 0 0

3. Ejecución del cálculo:

Vamos al menú principal - Calculos de Ingeniería Química- Optimización -
Programación Linel: y el programa nos solicita lo siguiente:
Copyright 2002 UNT
MSc. Luis Moncada
All rights reserved

PROGRAMACION LINEAL
Este programa ejecuta calculos de PROGRAMACION LINEAL
Adecue el problema para ejecutarlo con MATLAB
ver Optimizacion Capitulo 5, Ejemplo 5.6
Ingresar Coeficientes de la funcion [ ]: [27.5 2.5 2.5 2.5 1 1.5
-50.0...
-50.0 -45.0 -45.0 -45.0 -45.0 -25.0 -25.0]
Si existen restricciones ingresar lo que pide el programa
Si no existen escribir simplemente []
RESTRICCIONES DE DESIGUALDAD
Ingresar Matriz de Coeficientes de las restricciones [ ]
: [0 0 0 0 0 0 -1 -1 0 0 0 0 0 0;0 0 0 0 0 0 3 -2 0 0 0 0 0 0;...
0 0 0 0 0 0 0 0 -1 -1 -1 -1 0 0;0 0 0 0 0 0 0 0 -3 5 -8 1 0 0;...
0 0 0 0 0 0 0 0 0 0 0 0 -1 -1;0 0 0 0 0 0 0 0 0 0 0 0 -5 4;...
0 0 0 0 1 1 0 0 0 0 0 0 0 0;1 0 0 0 0 0 0 0 0 0 0 0 0 0;...
0 -1 0 0 0 0 0 0 0 0 0 0 0 0;0 0 -1 0 0 0 0 0 0 0 0 0 0 0;...
0 0 0 -1 0 0 0 0 0 0 0 0 0 0;0 0 0 0 -1 0 0 0 0 0 0 0 0 0;...
0 0 0 0 0 -1 0 0 0 0 0 0 0 0;0 0 0 0 0 0 -1 0 0 0 0 0 0 0;...
0 0 0 0 0 0 0 -1 0 0 0 0 0 0;0 0 0 0 0 0 0 0 -1 0 0 0 0 0;...
0 0 0 0 0 0 0 0 0 -1 0 0 0 0;0 0 0 0 0 0 0 0 0 0 -1 0 0 0;...
0 0 0 0 0 0 0 0 0 0 0 -1 0 0;0 0 0 0 0 0 0 0 0 0 0 0 -1 0;...
0 0 0 0 0 0 0 0 0 0 0 0 0 -1]
Ingresar vector del lado derecho de las restricciones [ ]
: [-25000;0;-10000;0;-30000;0;50000;100000;0;0;0;0;0;0;0;0;0;0;0;0;0]
RESTRICCIONES DE IGUALDAD
Ingresar Matriz de Coeficientes de las restricciones [ ]
: [-0.2 0 0 0 0 0 1 0 1 0 0 0 0 0;-0.5 0 0 0 1 0 0 0 0 1 0 0 0 0;...
0 0 0 0 -0.7 -0.1 0 1 0 0 1 0 0 0;0 0 0 0 -0.4 -0.3 0 0 0 0 0 1 1 0;...
0 0 0 0 -0.2 -0.7 0 0 0 0 0 0 1 0];
Ingresar vector del lado derecho de las restricciones [ ]
: [0;0;0;0;0]

La respuesta del programa es:

Optimization terminated successfully.

x =

1.0e+004 *

10.0000
0.0000
0.0000
0.0000
3.3333
1.6667 <------- Valores optimos de las variables
1.1778
1.7667
 0.8222
1.6667
0.7333
0.0000
1.8333
2.2917

fval =

-1.1451e+006 <------------ óptimo de la función (multiplicar por

-1
para tener el valor correcto)

exitflag = <-------Información adicional del cálculo

output =

iterations: 7
cgiterations: 0
algorithm: 'lipsol'

lambda =

ineqlin: [21x1 double]

eqlin: [5x1 double]
upper: [14x1 double]
lower: [14x1 double]

>>

Ejemplo 4.7 Caso de Mezcla (Preparación de alimentos)

Una empresa se dedica a la fabricación de dos productos alimenticios que deben

reunir tres requisitos vitamínicos con las vitaminas A, B y C. Los requerimientos de
vitaminas para la población son:

Vitamina A: más de 200 UU/día-persona

Vitamina B: más de 100 UU/día-persona

Vitamina C: más de 150 UU/día-persona

En un análisis de comprobación se obtiene que los productos alimenticios

mencionados poseen por porción:

Vitamina A Vitamina B Vitamina C

 Alimento 1 50 10 25 unidades

Alimento 2 30 50 30 unidades
Para no incurrir en la repetición de las comidas, se permite consumir hasta 6
porciones/persona-día de cada uno de los alimentos.

Los precios de los alimentos son S/ 1,0/porción y S/1,5/porción para los alimentos
1 y 2 respectivamente.

Que cantidad de productos alimenticios se debe producir satisfaciendo los

requerimientos vitamínicos a un precio mínimo?

Solución
1. Las variables son:
X1: porciones de alimento 1
X2: porciones de alimento 2
2. La función objetivo es Z:
MIN Z = 1,0X1 + 1,5X2
3. Las restricciones son:
50X1 + 30X2  200 (vitamina A)
10X1 + 50X2  100 (vitamina B)
25X1 + 30X2  150 (vitamina C)
X1  6
X2  6

4. Resolviendo con LINDO

MIN X1 + 1.5X2

SUBJECT TO

50X1 + 30X2 >= 200

10X1 + 50X2 >= 100

25X1 + 30X2 >= 150

X1 <= 6

X2 <= 6
 LP OPTIMUM FOUND AT STEP 0

OBJECTIVE FUNCTION VALUE

1) 6.315790 Costo mínimo

VARIABLE VALUE

X1 4.736842 Porciones de alimento 1

X2 1.052632 Porciones de alimento 2

Uso del Simulador UNTSIM

El problema sera acondicionado de la siguiente manera

Minimizar f = X1 + 1.5X2

Sujeta a:

-50X1 - 30X2  -200

-10X1 - 50X2  -100

-25X1 - 30X2  -150

X1  6

X2  6

Al ejecutar Untsim, (ver problema anterior para la secuencia) se tiene:

Copyright 2002 UNT

MSc. Luis Moncada
All rights reserved
PROGRAMACION LINEAL
Este programa ejecuta calculos de PROGRAMACION LINEAL
Adecue el problema para ejecutarlo con MATLAB
ver Optimizacion Capitulo 5, Ejemplo 5.6
Ingresar Coeficientes de la funcion [ ]: [1 1.5]
Si existen restricciones ingresar lo que pide el programa
Si no existen escribir simplemente []

RESTRICCIONES DE DESIGUALDAD
Ingresar Matriz de Coeficientes de las restricciones [ ]
: [-50 -30; -10 -50; -25 -30;1 0;0 1]
Ingresar vector del lado derecho de las restricciones [ ]
: [-200; -100; -150; 6; 6]

RESTRICCIONES DE IGUALDAD
Ingresar Matriz de Coeficientes de las restricciones [ ]
: [] <------- No hay restricciones de igualdad
Ingresar vector del lado derecho de las restricciones [ ]
: [] <------- No hay restricciones de igualdad

La respuesta del programa es:

Optimization terminated successfully.

Los valores optimos de las variables son:

x =

4.7368
1.0526

El valor optimo de la funcion es:

fval =

6.3158

El numero de iteraciones fue:

output =

iterations: 7
cgiterations: 0
algorithm: 'lipsol'

5.6 ANÁLISIS DE SENSIBILIDAD

Problema de planeamiento de la producción

Una compañía manufactura cuatro variantes del mismo producto y en la parte final del
proceso manufacturero están el ensamblaje, pulido y empaque. Pues cada variante el
tiempo requerido para estas operaciones es mostrado debajo (en minutos) cual es la
ganancia por unidad vendida.

Ensamblaje Pulido Empaque Beneficio ($)

Variante 1 2 3 2 1.50
2 4 2 3 2.50
3 3 3 2 3.00
4 7 4 5 4.50

 Dado el estado corriente de la fuerza laboral, la compañía estima, cada año, han
tenido 100000 minutos de tiempo de ensamblaje, 50000 minutos de tiempo
pulido y 60000 minutos de tiempo empacado. ¿Cuántos de cada variante del
producto debe manufacturar la compañía por año y cuál debería ser la ganancia
asociada?
 Suponga que ahora la compañía es libre para decidir cuanto tiempo le dedica a
cada una de las tres operaciones (ensamble, pulido y empaque) dentro del tiempo
 admisible total de 210000 (= 100000 + 50000 + 60000) minutos. Cuanto de cada
variante deberá hacer la compañía por año y cual es el beneficio asociado?

Solución de Planeamiento de la producción

Variables

Haciendo:

xi = número de unidades de la variante i (i=1,2,3,4) hechas por año

Tass = número de minutos por año usados en ensamblaje

Tpol = número de minutos por año usados en pulido
Tpac = número de minutos por año usados en empaque

donde: xi >= 0 i = 1,2,3,4 y Tass, Tpol, Tpac >= 0

Restricciones

(a) Tiempo de operación

Tass = 2x1 + 4x2 + 3x3 + 7x4 (ensamblaje)

Tpol = 3x1 + 2x2 + 3x3 + 4x4 (pulido)
Tpac = 2x1 + 3x2 + 2x3 + 5x4 (empaque)

(b) Límites de tiempos de operación

Los límites de los tiempos de operación dependen de la situación bajo consideración. En

la primera situación, donde el tiempo máximo que puede ser gastado en cada gastado en
cada operación es especificado, nosotros simplemente tenemos:

Tass <= 100000 (ensamblaje)

Tpol <= 50000 (pulido)
Tpac <= 60000 (empaque)

En la segunda situación, donde la única limitación es el tiempo total gastado en todas las
operaciones, nosotros simplemente tenemos:

Tass + Tpol + Tpac <= 210000 (tiempo total)

Objetivo

Probablemente para aumentar al máximo las ganancias - por lo tanto tenemos

maximizar 1.5x1 + 2.5x2 + 3.0x3 + 4.5x4

lo cual nos da la formulación completa del problema.

5.6.1 Uso de LINDO

El planteamiento del problema en Lindo es:

Y la solución se obtiene con el comando solve

durante la solución se presenta la opción para un análisis de sensibilidad:

y luego información sobre el proceso de optimización

Cerrando la ventana anterior tenemos la ventana de reportes:
Podemos ver que la solución óptima al problema tiene los valores de: máximo de la
función objeivo = 58000 ($), X1 = 0, X2 = 16000, X3 = 6000 y X4 = 0; y reemplazando
valores Tass = 82000, Tpol = 50000, Tpac = 60000, .

Esta es la solución al problema de PL - pero resulta que el algoritmo Simplex como

(como un sub-producto de solución de PL) da alguna información interesante. Esta
información tiene relación con:

 cambiando el coeficiente de una variable en la función objetivo

 forzando una variable la cual es actualmente cero para que no sea cero
  cambiando el lado derecho de una restricción.

Trataremos con cada caso a su vez, y notando que el análisis presentado a continuación
SOLO se aplica para un cambio simple, si dos o más aspectos cambian entonces
necesitamos resolver efectivamente el problema de PL.

 supongamos que variamos el coeficiente de X2 en la función objetivo. Como

cambiará la solución óptima de PL?

Actualmente X1 = 0, X2 = 16000, X3 = 6000 y X4 = 0. Las columnas CURRENT COEF

ALLOWABLE INCREASE y ALLOWABLE DECREASE nos proporcionan esa
información, El coeficiente actual de X2 en la Función Objetivo es 2.5 el incremento
máximo es 2 y el decremento máximo es 0.142857, esto quiere decir con un valor del
coeficiente de X2 en la Función Objetivo variando entre 2.3571 y 4.50, los valores de las
variables en la solución del problema de PL permanecen sin cambiar. Notar sin embargo
que el valor de la solución óptima actual cambiará.

En términos del problema original podemos decir efectivamente que la decisión para
producir 16000 de la variante 2 y 6000 de la variante 3 permanece optima aún cuando el
beneficio por unidad de variante 2 no sea actualmente 2.5 (pero siempre que
permanezca en el rango entre 2.3571 a 4.50).

Conclusiones similares pueden obtenerse para X1, X3 y X4.

En términos del fundamento del algoritmo simplex esto se mantiene porque la base de la
solución actual del simplex (vertice de la región factible) permanece óptima
proporcionando el coeficiente de X2 en la función objetivo variando ente 2.3571 y 4.50.

 Para las variables, la columna REDUCED COST nos da, para cada variable la
cual es actualmente cero (X1 y X4), un estimado de cuanto cambiará la función
objetivo si hacemos que la variable no sea cero.

Aquí tenemos la tabla

Variable X1 X4
Costo de Oportunidad 1.5 0.2
Nuevo valor (= o >=) X1=A X4=B
o X1>=A X4>=B
Cambio estimado de la función objetivo 1.5A 0.2B

La función objetivo siempre se empeorará (disminuirá si tenemos un problema de

maximización, aumentará si tenemos un problema de minimización) por al menos este
estimado. Mientras mayor A o B es más inexacta esta estimación del cambio exacto que
podría ocurrir si fuésemos a resolver la PL con las restricciones correspondientes para el
nuevo valor de X1 o X4 adicionado.

Por lo tanto si exactamente 100 de la variante 1 fuese a ser producido cual debería ser su
estimado del nuevo valor de la función objetivo?

Notar aquí que el valor en la columna de Reduced Cost para una variable es a menudo
denominado "costo de oportunidad" para la variable.

Notar aquí que una interpretación alternativa (e igualmente válida) de los costos
reducidos es la cantidad por la cual el coeficiente para una variable en la función
objetivo necesita ser cambiado antes de que esa variable se convierta en no cero.

Aquí para la variable X1 la función objetivo necesita a ser cambiada por 1.5
(incrementar ya que estamos maximizando) antes que la variable devenga en no cero. En
otras palabras, refiriéndonos a nuestra situación original, el beneficio por unidad de
variante 1 necesitaría ser incrementado por 1.5 antes de que sea lucrativo para cualquier
producción de variante 1. Similarmente el beneficio por unidad de variante 4 necesitaría
incrementarse por 0.2 antes de que sea lucrativo cualquier producción de variante 4.

 para cada restricción la tabla RIGHTHAND DIDE RANGES nos muestra como
puede cambiar la función objetivo si hacemos cambios en el lado derecho de las
restricciones dentro de los limites permitidos

De la tabla tenemos

Restricción Ensamblaje Pulido Empaque

Costo dual (ignore signo) 0 0.80 0.30
Cambio en el lado derecho a b c
Cambio en la función objetivo 0 0.80b 0.30c
Valor actual para el lado derecho 100000 50000 60000
Incremento permisible Infinito 40000 14999.99
Decremento permisible 18000 10000 26666.66
Con lo cual se tiene:
Limite superior del lado derecho Infinito 90000 75000
Limite inferior del lado derecho 82000 40000 33333.34

Por ejemplo para la restricción de pulido, considerendo que el lado derecho de la

restricción permanece entre 40000 y 90000 la función objetivo cambiará exactamente
por 0.80[cambio en el lado derecho de 50000].

La dirección del cambio en la función objetivo (aumento o disminución) depende de la

dirección del cambio en el lado derecho de la restricción y de la naturaleza del objetivo
(maximizar o minimizar).

Para decidir si la función objetivo aumenta o disminuye usar:

 la restricción más (menos) restrictiva después del cambio en el lado derecho

implica que la función objetivo empeora (mejora)
 si el objetivo es maximizar (minimizar) entonces empeora con la disminución
(aumento), mejora con el aumento (disminución)

Por lo tanto

 si usted tiene un extra de 100 horas a cuál operación deberá signarlas?

 si usted debe disminuir 50 horas del pulido o del empaque cual deberá elegir?
 cual será el nuevo valor de la función objetivo es esos dos casos?
El valor de la columna nombrada como DUAL PRICES, también se denomina "valor
marginal" or "valor dual" para esa restricción.

Notar que, como parecería lógico, si la restricción es imprecisa el precio sombra es cero
(así como si la restricción es imprecisa un pequeño cambio en el lado derecho no puede
alterar la solución óptima).

Comentarios

 Paquetes diferentes de PL tienen formatos diferentes de entrada/salida pero se

obtiene la misma información discutida anteriormente.
 Usted puede haber encontrado confusión en lo antedicho. Esencialmente la
interpretación de la salida de PL es algo que se aprende con la práctica.

 Mucha de la información obtenible (como la discutida anteriormente) como un

sub-producto de la solución del problema de PL puede ser de importancia para la
gestión en estimados del efecto de cambios (por ejemplo, cambios en costos,
capacidades de producción, etc) sin tener que resolver un nuevo problema de PL

 Esta información de sensibilidad nos da una medida de cuan robusta es la

solución es decir cuan sensible es a los datos de entrada.

Notar aquí que, como se ha mencionado anteriormente, el análisis dado anteriormente

relacionado a:

 cambiando los coeficientes de la función objetivo para una variable; y

 forzando una variable la cual corrientemente es cero a ser no-cero; y

 cambiando el lado derecho de una restricción

es válido solamente para un cambio simple. Si se hacen dos (o más) cambios la

situación se vuelve más compleja y es aconsejable resolver el problema de PL.
5.7 DUALIDAD EN PROGRAMACIÓN LINEAL CON LINDO

ESQUEMA DE CONTENIDOS
________________________________________________

C:\Plant C:\Plant
Design\Optimizacion\lindo1.ht Design\Optimizacion\lindo1.ht
m - 5.7.1 m - 5.7.2

C: C:
\Plant \Plant
Design\Optimizacion\lindo2.ht Design\Optimizacion\lindo1.ht
m - casos m - 5.7.3

INTRODUCCIÓN_______________________________________________
____________________
En el punto anterior vimos cómo usar el programa LINDO para resolver problemas de
programación lineal. En este maht-block presentaremos el concepto de la dualidad, el
cual cobra gran importancia dentro de la teoría general de la PL. Asimismo, usaremos
nuevamente LINDO para obtener los precios sombra o duales de un problema, y
veremos cual es la interpretación económica de los mismos.

En muchas ocasiones, puede resultar más eficiente (y, a efectos de solución,

equivalente) resolver el llamado problema dual que el problema original al que nos
enfrentamos. Por su parte, el análisis de los precios sombra o precios duales nos puede
ayudar a valorar adecuadamente las limitaciones impuestas por cada una de las
restricciones.

OBJETIVOS___________________________________________________
_____________________

- Aprender a distinguir las partes que constituyen un problema de PL.

- Comprender el concepto de precios duales (o precios sombra), y saber aplicarlo para

tomar decisiones sobre los recursos disponibles.

- Saber hallar el problema dual de un problema dado.

- Familiarizarse con el uso de LINDO para hallar e interpretar los precios duales.

CONCEPTOS
FUNDAMENTALES_____________________________________________
________

5.7.1 Partes de un problema de PL

Dado un problema de PL, podemos distinguir en él las siguientes partes de interés:

1. Los coeficientes de la función objetivo o coeficientes objetivo.

2. Los coeficientes tecnológicos: aquellos coeficientes que afectan a las variables de

las restricciones, situados a la izquierda de la desigualdad. Se llaman así porque
habitualmente escriben capacidades tecnológicas en problemas de optimización
lineal de costes de producción

3. Los recursos disponibles o Right-Hand-Side: los términos independientes de cada

restricción, situados a la derecha de la desigualdad.
5.7.2 Precios sombra o duales

Cuando usemos Lindo –o cualquier software de similares característica- para

resolver un problema de PL, no sólo obtendremos la solución del mismo –caso de que
exista-, sino también los llamados precios sombra o precios duales.

Cada precio sombra estará asociado a una restricción del problema, y nos indicará
en cuánto “mejoraría” la función objetivo –evaluada en el punto solución- si dicha
restricción se “relajase” en una unidad. En el contexto anterior, “mejorar” significa:
“aumentar” en el caso de un problema de maximización, y “disminuir” en el caso de un
problema de minimización. Por su parte, “relajar” una restricción en una unidad
significa: “incrementar” el RHS en una unidad en caso de que la restricción sea con <=,
y “disminuir” el RHS en una unidad en caso de que la restricción sea con >=.

Ejemplo: Resolveremos con LINDO el problema anterior (recordar que, por defecto,
LINDO ya presupone que todas las variables de la función objetivo han de ser no
negativas, i.e.: X >= 0, Y >= 0):

LINDO nos ofrece la siguiente ventana de resultados:

 A partir de la salida anterior, sabemos que la función objetivo alcanza un valor
máximo de 180 para X = 0 e Y = 9 –en otras palabras, el punto (0,9) es solución del
problema.

La columna SLACK OR SURPLUS nos dice que para X = 0 e Y = 9 la primera de

las restricciones se verifica en igualdad (en efecto, 3·0 + 9 = 9). Ello significa que, en el
punto solución, estamos agotando todos los recursos asociados a dicha restricción
(SURPLUS = 0), por lo que cabe pensar que si relajásemos dicha restricción en una
unidad, podríamos hallar una nueva solución que mejorase aún más la función objetivo.
La columna DUAL PRICES nos aclara que, en efecto, si en lugar de tener un valor de 9
en el RHS de la primera restricción tuviésemos un valor de 10 (incrementamos en una
unidad, ya que es un <=), la función objetivo en el óptimo llegaría a 200 (mejoraría en
20 unidades). Por lo que a la segunda restricción se refiere, observamos que en el
óptimo “sobran” recursos (en efecto, 0 - 3·9 = - 27 < 5). Puesto que no estamos
agotando los recursos asociados a esta restricción, cabe pensar que no lograremos
mejorar la función objetivo al relajar en una unidad la restricción. En efecto, el ventana
de resultados muestra un precio dual asociado de 0.

5.7.3 Problemas Primales y Problemas Duales

Dado un problema de PL, al cual llamaremos problema primal (P), existirá

siempre otro problema de PL unívocamente asociado al primal, y al cual llamaremos
problema dual (D).

La dualidad es importante por el hecho de que es equivalente resolver un

problema a resolver su dual. Ello es debido a que los precios sombra (o precios duales)
de D son las soluciones (salvo signo) de P y viceversa. Así, en ocasiones, puede resultar
conveniente obtener las soluciones de P a partir de los precios sombra de D en vez de
resolver P directamente.

Supongamos que tenemos un problema lineal P, el cual tiene n variables (X1,

X2, ..., Xn) y m siguiente:
Ejemplo 1: Supongamos que el problema primal tiene 100 variables y 20.000
restricciones.

¿Cuántas variables y restricciones tendrá el problema dual?.

En este caso, el problema dual estará constituido por 20.000 variables y 100
restricciones.

Ejemplo 2: Hallar el dual del siguiente problema de PL:

Minimizar 4 X1 + 13 X2

Sujeto a:
 18 X1 + 12 X2 <= 3

6 X1 + 2 X2 = 17

X1 >= 0, X2 >= 0

El problema anterior se puede rescribir como:

Maximizar - 4 X1 - 13 X2

Sujeto a:

18 X1 + 12 X2 <= 3

6 X1 + 2 X2 <= 17

- 6 X1 - 2 X2 <= - 17

X1 >= 0, X2 >= 0

Ahora, podemos hallar el dual:

Minimizar 3 Y1 + 17 Y2 – 17 Y3

Sujeto a:

18 Y1 + 6 Y2 – 6 Y3 <= - 4

12 Y1 + 2 Y2 – 2 Y3 <= - 13

Y1 >= 0, Y2 >= 0, Y3 >= 0

Otra propiedad interesante, consecuencia de la propia definición de problema

dual, es que si consideramos D como un problema de PL y calculamos su dual,
obtendremos nuevamente el primal original P, i.e.: “el dual del dual es el primal”. Por
eso se dice que la dualidad es involutiva. Veremos a continuación un ejemplo que nos
clarificará estas ideas:

Consideremos el problema primal P situado en la esquina superior izquierda.

Según lo dicho anteriormente, su dual asociado (D) será el problema planteado a su
derecha, el cual podemos rescribir (usando los procedimientos ya explicados) de la
forma que se muestra en la parte inferior derecha. Calculando el dual de esta última
formulación de D obtenemos DD (el dual del dual), el cual resulta ser equivalente al
problema primal original P:
Estudiemos ahora la ventana de resultados (generada por LINDO) del primal P y su
dual D:

Examinando estos resultados, queda claro lo que comentábamos al inicio del

apartado: los precios sombra del problema dual coinciden con las soluciones del primal,
y viceversa.

Observar además que el valor de la función objetivo en ambos casos es el mismo

(1.250), cosa que siempre ocurrirá.

Una última observación: en ocasiones puede ocurrir que, examinando dos

ventanas de resultados como las anteriores, no coincidan la columna de precios sombra
del dual y las soluciones del primal. Ello se debe a que el problema en cuestión tiene
múltiples soluciones óptimas, y a que LINDO nos ha dado dos distintas.
A Titulo de Curiosidad

El concepto de precio sombra tiene un origen económico latente en

Microeconomía. Se define como el precio o valor imputados a una mercancía o
servicio en donde tal precio o valor no puede ser determinado precisamente, debido
bien a la ausencia de un mercado ordinario determinante de precios, bien a la existencia
de grandes distorsiones en los mercados en los que la mercancía o servicio estén
presentes. (Tomado de Pass, C., Lowes, B. y Davies, L. (1993): Dictionary of
Economics. Harper Collins Publishers)

CASOS DE ESTUDIO
Caso 1

Número de efectos de un sistema de evaporación

Un evaporador de múltiple efecto se debe usar para evaporar 400 000 lb/día de
agua de una solución salina .

El costo total inicial para el primer efecto es 18 000 dólares y de cada efecto
adicional 15 000 dólares, el periodo de vida útil se estima en 10 años y el valor de
rescate de esas unidades al final de la ida útil se puede considerar igual a 0.

Se debe usar el método de depreciación por la línea recta. Las cargas fijas menos
la depreciación ascienden a 15 % anual basadas en el costo inicial del equipo.

El costo de vapor de agua es 0.50 dólares/1000 libras.

Las cargas de mantenimiento anual suman 5 % del costo total del equipo, todos
los otros costos son independientes del No. de efectos. La unidad debe operar 300 días
al año.

Si las libras de agua evaporada por libra de vapor = 0.85N

N = No. de efectos.
Determine el número óptimo de efectos para esta unidad.
Solución
1. Factor: N (número de efectos)
2. Función objetivo: CT (costo total anual)
CT = f(N)
CT = C 1 + C 2 + C 3
C1 = 0.15 ( costo inicial ) + Depreciación
Costo inicial = 18 000 + 15 000(N – 1)
Depreciación = [18 000 + 15 0000 (N – 1)]/10
 Luego:
C1 = 18 000 + 15 000(N – 1) + [18 000 + 15 0000 (N – 1)]/10
C1 = 4 500 + 3 750 (N – 1) $/año

C2 = cargas anuales de mantenimiento

C2 = 0.05[18 000 + 15 000(N – 1)]
C2 = 900 + 750 (N – 1) $/año

C3 = Costo de vapor
V = libras de agua evaporada
W = libras de vapor usado
lb de agua evaporada/lb de vapor = 0.85N = V/W
C3 = W x costo del vapor

N = 3.96  4 efectos

 Usando UNTSIM

Optimización – Funciones de una variable – con un valor inicial

>> untsim
ENCUENTRA EL OPTIMO DE UNA FUNCION DE UNA VARIABLE
CERCANO A UN VALOR DADO DE LA VARIABLE
Ingrese función: '900 + 4500*x + 70588.2/x'
Valor Inicial de la variable: 1
---------------------------------------------
1.- El optimo de la variable es = 3.96055

2.- El optimo de la función es = 36545.3

 Tratamiento de residuos contaminantes

Problema. Las descargas de aguas de desecho de las grandes ciudades son con
frecuencia, la causa principal de la contaminación en un rió. La Fig. 1 ilustra el tipo de
sistema que un ingeniero ambiental podría enfrentar. Varias ciudades están localizadas
sobre un río y sus afluentes.

El problema es determinar e nivel de tratamiento que satisfaga los estándares de

calidad del agua a un costo mínimo.

Fig. 1 Cuatro plantas de tratamiento de aguas de desecho que descargan contaminantes

a un sistema de ríos. Los segmentos del río entre las ciudades están indicados con
números dentro de un círculo

1. Modelamiento del sistema

Cada ciudad genera contaminación a una razón de carga P que tiene unidades de
miligramos por día (mg/d). La carga contaminante está sujeta al tratamiento de desechos
que resulten de una remoción fraccional x. Así, la cantidad descargada al río es el
exceso no removido por el tratamiento,

Wi = (1 – xi)Pi
(1)

donde Wi = descarga de desechos desde la ciudad i-ésima.

Cuando las descargas de desechos entran en la corriente, se mezclan con la

contaminación de las fuentes corriente arriba. Si se supone un mezclado completo en el
punto de descarga, la concentración resultante en el punto de descarga se puede calcular
con un simple balance de masa,
(2)

donde Qu = flujo (L/d), cu = concentración (mg/L) en el río inmediatamente corriente

arriba de la descarga, y Qi = flujo corriente abajo del punto de descarga (L/d).

Después que se establece la concentración en el punto de mezclado, los procesos

de descomposición químicos y biológicos pueden removerse algo de la contaminación
cuando fluye corriente abajo. Para el presente caso, se supone que esta remoción se
puede representar por una simple reducción fraccional R.

Suponiendo que los cabezales de agua (por ejemplo las ciudades 1 y 2 en el río
mostrado antes) están libres de contaminantes, las concentraciones en los cuatro nodos
se pueden calcular como:

(3)

Después se observa que el tratamiento de aguas tiene un costo diferente, di

($1 000/mg removido) en cada una de las localidades. Así, el costo total de tratamiento
(sobre una base diaria) se puede calcular como

Z = d1P1x1 + d2P2x2 + d3P3x3 + d4P4x4 (4)

donde Z es el costo diario de tratamiento ($ 1 000/d).

La pieza final en la “decisión rompecabezas” involucra regulaciones ambientales.

Para proteger los usos benéficos del río (por ejemplo, paseos en bote, pesca, tomar un
baño), las regulaciones indican que la concentración del río no debe exceder un estándar
de calidad cs.

En la tabla 1. se resumen los parámetros para el sistema del río de la Fig. 1.

Advierta que hay una diferencia en los costos de tratamiento entre las ciudades
 corriente arriba (1 y 2) y corriente abajo (3 y 4) por la naturaleza impredecible de las

plantas corriente abajo.

La concentración se puede calcular con la ecuación (3) y el resultado se enlista en

la columna sombreada para el caso donde no se implementó tratamiento de aguas (es
decir, donde todas las x = 0). Observe que el estándar de 20 mg/L se viola en todos los
puntos de mezclado.

Tabla 1. Parámetros para las cuatro plantas de tratamiento de aguas de desecho que
descargan contaminantes a un sistema de ríos, junto con los resultados de
concentración (ci) para tratamiento cero. También se enlista el flujo, el factor
de remoción y los estándares para los segmentos del río

Ciudad Pi(mg/d) di($10-6/mg) ci(mg/L) Segmento Q(L/d) R cs(mg/L)

1 1.0x109 2 100 1–3 1.00x107 0.50 20
2 2.0x109 2 40 2–3 5.00x107 0.35 20
3 4.0x109 4 47.3 3–4 1.10x108 0.60 20
4 2.5x109 4 22.5 4–5 2.50x108 20

2. Simulación (resolución del modelo)

Hemos optado por usar la programación lineal para determinar los niveles de
tratamiento que satisfacen los estándares de calidad del agua un mínimo costo.
También, se evaluará el impacto al hacer el estándar más restringido debajo de la ciudad
3. esto es, el mismo caso pero ahora con los estándares para los segmentos 3 – 4 y 4 –
5 disminuidos a 10 mg/L.
Todos los factores antes mencionados se pueden combinar en el siguiente

problema de programación lineal:

Minimizar: Z = d1P1x1 + d2P2x2 + d3P3x3 + d4P4x4 (5)

Sujeto a las siguientes restricciones:

(6)
 0  x1, x2, x3, x4  1 (7)

De esta forma, la función objetivo es minimizar el costo de tratamiento [véase

ecuación (5)] sujeto a la restricción de los estándares de calidad del agua que se deben
satisfacer para todas las partes del sistema [véase ecuaciones(6)]. Además el
tratamiento no debe ser negativo o mayor que el 100 % de remoción [véase ecuación
(7)].

El problema se puede resolver por una variedad de paquetes tales como LINDO,
MATLAB, EXCEL, etc.

Para esta aplicación se usa la hoja de cálculo EXCEL. Como en la figura 2, los
datos junto con los cálculos de la concentración se pueden introducir de manera fácil en
las celdas de la hoja de cálculo.

Fig. 2. Hoja de cálculo EXCEL lista para evaluar el costo de tratamiento de

aguas sobre un sistema de ríos regulado. La columna F contiene el cálculo de la
concentración de acuerdo con la ecuación (3), las celdas F4 y H4 están sombreadas para
mostrar en donde se colocan las fórmulas usadas para calcular C1 y el costo de
tratamiento para la ciudad 1. además, está sombreada la celda H9 que muestra donde se
usa la fórmula para el costo total que es el que hay que minimizar [véase ecuación (5)].

Una vez que se crea la hoja de cálculo, se elige la función Solver. En este

punto, un recuadro de diálogo se desplegará, requiriéndole la información pertinente.

Las celdas pertinentes del recuadro de diálogo se podrían llenar como:

 Observe que no todas las restricciones son mostradas, ya que el recuadro de
diálogo despliega solo seis restricciones a la vez.

Cuando se selecciona el botón OK, se abre un recuadro de diálogo con un reporte

sobre el ‘sxito de la operación. Para el presente caso, el Solver obtiene la solución
correcta, la cual se muestra en la Figura 3. Antes de aceptar la solución (al seleccionar el
botón OK en el recuadro reporte de Solver), observe que se ha generado 3 reportes
Respuesta, Sensibilidad y Límites. Seleccione el reporte Sensibilidad y después presione
el botón OK para aceptar la solución. El Solver generará automáticamente un reporte de
sensibilidad, como en la figura 4.

Fig.3 Resultados de la minimización. Los estándares de calidad del agua se cumplen a

un costo de $12 600/diarios. Observe que aún con el hecho de que no se requiere
tratamiento para la ciudad 4, la concentración en su punto de mezclado actualmente
excede el estándar.

Microsoft Excel XP Sensitivity Report

Worksheet:
 Report Created:

Cambiando celdas
Celda Nombre Valor final Costo Coeficiente Aumento Disminución
reducido objetivo permisible permisible
$C$4 X 0.8 0 2000 1E + 30 0
$C$5 X 0.5 0 4000 1E + 30 1200
$C$6 X 0.5625 0 16000 0 16000
$C$7 X 0 1000 10000 1E + 30 10000

Restricciones
Celda Nombre Valor final Costo Coeficiente Aumento Disminución
reducido objetivo permisible permisible
$E$4 conc 20 0 20 80 20
$F$5 conc 20.00 -30.00 20 20 20
$F$6 conc 20.00 -440.00 20 17.878787 15.909091
$F$7 conc 15.28 0.00 20 1E + 30 4.72

Fig. 4. Reporte de sensibilidad en una hoja de cálculo lista para evaluar el costo de
tratamiento de agua sobre un sistema de ríos regulado.

Ahora examinemos la solución (véase figura 3). Observe que el estándar ajustará
en todos los puntos de mezclado. De hecho la concentración en la ciudad 4 será en
realidad menor que el estándar (16.28 mg/L0, aunque no se requiere tratamiento para la
ciudad 4.

Como un caso de simulación, se puede disminuir los estándares 3-4 y 4-5 para
ahora tener 10 mg/L. Antes de hacer esto se puede examinar el reporte de sensibilidad.
Para el caso actual, la columna clave de la figura 4 es el precio anticipado. El precio
anticipado es un valor que expresa la sensibilidad de la función objetivo (en nuestro
caso, el costo) con una unidad que cambia una de las restricciones (estándares calidad-
agua). Por tanto, representa el costo adicional en que se incurrirá al hacer los estándares
más restrictivos. Para nuestro ejemplo, revela que el precio anticipado más grande, -
$440/cS3, ocurre para uno de los cambios de estándar (es decir corriente debajo de la
ciudad 3) que se están contemplando. Esto indica que nuestra modificación será costosa.

Esto se confirma cuando se vuelve a ejecutar el Solver con los nuevos estándares
(es decir, se disminuye el valor de las celdas G6 y G7 a G10). Como se muestra en la
tabla 2, el resultado es que el costo del tratamiento aumentó de $12600/diarios a $19
640/diarios. Además, al reducir el estándar de concentraciones para las llegadas
inferiores significará que la ciudad 4 debe comenzar a tratar sus desechos, y que la
ciudad 3 debe actualizar su tratamiento. Observar también que no se efectúa el
tratamiento en las ciudades corriente arriba.

Tabla 2. Comparación de dos escenarios involucrando el impacto de diferentes

regulaciones sobre los costos de tratamiento

Escenario 1 todas las cs = 20 Escenario 2: corriente abajo cs = 10

Ciudad x c Ciudad x c
1 0.8 20 1 0.8 20
2 0.5 20 2 0.5 20
3 0.5625 20 3 0.8375 10
 4 0 15.28 4 0.264 10
Costo = $ 12 600 Costo = $ 19 640

USO DE LINDO

Reemplazando valores se tiene:

Minimizar: Z = 2.0x109x1 + 4.0x109x2 + 1.6x1010x3 + 1.0x1010x4

(5)

Sujeto a las siguientes restricciones:

100 - 100 x1  20 - 100 x1  -80

40 - 40 x2  20 - 40 x2  -20

47.2727- 36.3636x3  20 - 36.3636x3  -27.2727

22.4872 -10x4  20 -10x4  -2.4872

0  x1, x2, x3, x4  1

Luego podemos introducir en la ventana del programa:

MIN 2000X1 + 4000X2 + 16000X3 + 10000X4

SUBJECT TO

-100X1<=-80

-40X2<=-20

-4.5454X1 - 6.3636X2 - 36.3636X3<=-27.2727

-3X1 - 42X2 - 24X3 - 25X4<=-11.2

X1>=0

X2>=0

X3>=0

X4>=0

X1<=1

X2<=1
 X3<=1

X4<=1

Al resolver el problema se tiene:

LP OPTIMUM FOUND AT STEP 5

OBJECTIVE FUNCTION VALUE

1) 12600.02

VARIABLE VALUE REDUCED COST

X1 0.800000 0.000000

X2 0.500000 0.000000

X3 0.562501 0.000000

X4 0.000000 10000.000000

PROBLEMAS PROPUESTOS
1. Determínese la presión de operación y relación de reciclamiento óptimas, para un
proceso en donde el hidrocarburo de alimentación se mezcla con el reciclado y es
comprimido antes de pasar por un reactor catalítico. El producto y el material no
reaccionado se separan por destilación, reciclando el material no reaccionado. Se
deben escoger la presión P y la relación de reciclamiento R, de manera que se
minimice el costo total anual requerido para producir 10 7 lb al año. La alimentación
se lleva a la presión adecuada con un costo anual de $ 1000, P se mezcla con el
reciclado y se alimenta en el reactor a un costo anual de $4 x 109/PR. El producto es
retirado por un separador a un costo de $105/R al año, y el material no reaccionado se
recicla mediante un compresor de recirculación a un costo anual de $1,5 x 105 R.

2. 100 grmol de R debe producirse por hora de una alimentación que consiste de una
solución saturada de A (CAo = 0,1 grmol/lit)

La reacción es la siguiente

A-----------> R

rR = 0,2 CA (k = 0,2 hr-1)

y debe tener lugar en un reactor CSTR

 DATOS

- El costo de reactante a la concentración dada es $0,50/grmol de A

- El costo de un reactor CSTR incluyendo instalación como auxiliares e

instrumentación es $0,01/h-lit.

Que tamaño de reactor, caudal de alimentación y conversión se deben usar en una

operación óptima?

Cuál es el costo unitario de R?.

3. Un evaporador de múltiple efecto se debe usar para evaporar 400 000 lb. de agua/día
de una solución salina. El costo total inicial para el primer efecto es 18 000 dólares y
para cada efecto adicional 15 000 dólares. El periodo de vida útil se estima en 10
años, y el valor de rescate de estas unidades al final de ese periodo se puede
considerar cero. Se debe usar el método de depreciación de la línea recta. Las cargas
fijas menos la depreciación ascienden a 15 % anual basado en el costo inicial del
equipo. El costo del vapor de agua es $0,50/1000 lb. Las cargas de mantenimiento
anual suman 5 % del costo total del equipo, todos los otros costos son
independientes del número de efectos. La unidad debe operar 300 días al año. Si las
libras de agua evaporada por libra de vapor es igual a 0,85N en donde (N es número
de efectos). Determine:

El número óptimo de efectos para esta unidad.

4. Una planta de extracción con solvente funciona con una columna de platos continua
con flujo por gravedad. La unidad debe operar 24 horas diarias. El flujo de
alimentación es 1 500 pies3/día y debe operar 300 días /año. La velocidad promedio
es 40 pies3 de solvente y alimentación combinados por hora y por pie 2 de sección
transversal. Los costos fijos anuales para la instalación pueden estimarse de la
siguiente ecuación:

CF = 8 800 – 51 000 FSF + 110 000 $/año

FSF = Pies3 de solvente/ pie3 de alimentación

Los costos de operación y costos variables dependen de la cantidad de solvente que

debe recuperarse, y estos costos son $0,04/pie3 de solvente que pasa por la torre.

Qué diámetro de torre debe usarse para condiciones óptimas?

5. Un producto orgánico se produce en un reactor “batch”. En este proceso los

reactantes X y Y reaccionan para formar Z. Puesto que la velocidad de reacción es
 muy alta, el tiempo requerido por “batch”se ha encontrado que es independiente de
las cantidades de los materiales y cada “batch”requiere 2 horas incluyendo el tiempo
para cargar, calentar y descargar. La siguiente ecuación muestra la relación entre las
libras de Z producidas y las Libras de X y Y suministradas

Z = 1,5[1,1 XZ + 1,3 YZ – XY ]0,5

El reactante X cuesta $0,09/lb

El reactante Y cuesta $0,04/lb

y el producto Z se vende a $0,80/lb. Si la mitad del precio de venta de Z corresponde

a los costos diferentes de la materia prima.

Cuál es máximo beneficio que se obtiene por lb. de Z?

6. Un producto orgánico se produce en una operación intermitente. Cada ciclo consiste

del tiempo de operación necesario para la reacción más un tiempo total de 1,4 horas
para descargar y cargar. El tiempo de operación por ciclo D = 1,5 P0,25 horas en
donde P es lb de producto/ “batch”. Los costos de operación durante el periodo de
trabajo son $20/hr. (operación neta) y los costos durante el periodo de carga y
descarga $15/hr. (no operación). Los costos fijos anuales para el equipo varían con el
tamaño del “batch”: CF = 340 P0,8 $/“batch”. Las cargas de inventario y
almacenamiento se despreciaran. La planta debe operar 24 hr./día durante 300
días/año. La producción anual debe llegar a 1 000 000 de lbs./año. A esta capacidad,
los costos de materia prima y misceláneos (diferentes a los ya mencionados),
ascienden a 260 000 $/año.

Determinar el tiempo por ciclo para condiciones de costo total mínimo / año.

7. Una compañía produce dos tipos de productos, A y B. Esos productos se producen

en una semana de trabajo de 40 horas y al final de la semana son embarcados. Los
productos requieren 20 y 5 Kg. de materia prima por kg de producto,
respectivamente, y la compañía tiene acceso a 10 000 kg de materia prima por
semana. Sólo un producto se puede fabricar a la vez, con tiempos de producción de
0,05 y 0,15 horas, respectivamente. La planta puede almacenar sólo 550 kg del
producto total por semana. Por último, la compañía obtiene utilidades de $45 y $30
por cada unidad, respectivamente.

a) Establezca el problema de programación lineal para maximizar la utilidad

b) Resuelva el problema de programación lineal en forma gráfica

c) Solucione el problema de programación lineal con el método simplex.

 d) Resuelva el problema con un paquete de software.

e) Evalúe con cuál de las siguientes opciones se obtendrá la máxima utilidad:

aumentar la materia prima, el almacenamiento o el tiempo de producción.

8. Suponga que para el ejemplo 9.8, la planta procesadora de gasolina decide producir
una tercera clase de producto con las siguientes características:

Suprema
Materia prima para gasolina 15 m3/tonelada
Tiempo de producción 12 hr/tonelada
Almacenamiento 5 toneladas
Aprovechamiento $250/tonelada

Además suponga que una nueva fuente de materia prima para la gasolina se ha
descubierto, de tal forma que el total disponible se duplica a 154 m3/semana.

a) Establezca el problema de programación lineal para maximizar la utilidad.

b) Resuelva el problema de programación lineal con el método simplex.

c) Solucione el problema con un paquete de software

d) Evalúe con cual de las siguientes opciones se obtendrá la máxima utilidad:

aumentar la materia prima, el almacenamiento o el tiempo de producción.

9. Diseñe el contenedor cilíndrico óptimo (ver Fig. P9) de tal forma que abra por un
extremo y tenga paredes de espesor insignificante. El contenedor va a almacenar 0,2
m3. Realice el diseño de tal forma que sean mínimos el área del fondo y sus lados.

10. Diseñe el contenedor cónico óptimo (ver Fig. P10) de tal forma que tenga una tapa
y paredes de espesor insignificante. El contenedor va a almacenar 0,2 m 3. Realice el
diseño de modo que tanto su tapa como sus lados sean minimizados.

11. Diseñe el tanque cilíndrico óptimo con tapas semiesféricas (ver Fig. P11). El
contenedor va a almacenar 0,2 m3 y tiene paredes de espesor insignificante. Observe
que el volumen de cada una de las tapas semiesféricas se puede calcular con:

a) Diseñe el tanque de tal forma que el área sea sea minimizada. Interprete el
resultado.

Repita el inciso a), pero ahora agregue la restricción L  2h.

12. La razón de crecimiento específico de una fermentación que produce un antibiótico
es una función de la concentración de comida c,

Como se ilustra en la Fig. P12, el crecimiento parte de cero a muy bajas

concentraciones debido a la limitación de la comida. También parte de cero en altas
concentraciones debido a los efectos de toxicidad. Encuentre el valor de c para el
cual el crecimiento es un máximo.
13. Una planta química produce tres productos principales en una semana. Cada uno de
estos productos requiere una cierta cantidad de materia prima de diferentes tipos de
producción, y se obtienen diferentes ganancias. La información pertinente se resume
en la tabla siguiente

Producto1 Producto 2 Producto 3 Disponibilidad

Materia prima 5 kg /kg 4 kg /kg 10 kg /kg 3 000 kg
Tiempo de 0,05 hr /kg 0,1 hr /kg 0,2 hr /kg 55 hr /semana
producción
Nueva utilidad $30 /kg $30 /kg $35 /kg

Observar que hay suficiente espacio en los almacenes e la planta para almacenar
un total de 450 kg / a la semana

a) Establezca un problema de programación lineal para maximizar las utilidades

b) Resuelva el problema de programación lineal con el método simplex.

c) Resuelva el problema con un paquete de software.

d) Evalúe cual de las siguientes opciones aumentará más las utilidades: incrementar
la materia prima, el tiempo de producción o el almacenamiento

14. Recientemente los ingenieros químicos se han involucrado en el área conocida

como minimización de desechos. Esto comprende la operación de una planta química
de un modo tal que el impacto sobre el ambiente sean minimizados. Suponga que
una refinería desarrolla un producto, Z1, hecho de dos materias primas X y Y. La
producción de una tonelada métrica del producto involucra 1 tonelada de X y 2,5
toneladas de Y y produce 1 tonelada de un liquido de desecho, W. Los ingenieros
tienen que enfrentar esto con tres formas alternas para el manejo de los desechos:

 Producir una tonelada de un producto secundario, Z2, al agregar una tonelada

adicional de X por cada tonelada de W.

 Producir una tonelada de otro producto secundario, Z3, al agregar 1 tonelada de

Y por cada tonelada de W.

 Tratar los desechos de tal forma que su descaraga sea permisible.

Los productos dan utilidades de $2 500, – $50 3 y $200 por tonelada para Z1, Z2 y
Z3 respectivamente. Observe que al producir Z2 se obtiene de hecho una pérdida. El
costo del proceso de tratamiento es de $300 por tonelada. Además, la compañía tiene
acceso a un límite de 7 500 y 10 000 toneladas de X y Y durante el periodo de
 producción. Determine qué cantidad de productos y desechos se deben crear para
maximizar las utilidades.

15. Se puede usar el método de Streeter-Phelps para calcular la concentación de

oxigeno disuelto en un rio por debajo de un punto de descarga de desechos (ver Fig.
P. 15)

Fig. P. 15

(p. 15)

donde O = concentración de oxigeno disuelto [mg/L], t = tiempo de travesía [d], Lo

= concentración BOD en el punto de mezclado [mg/L], kd = razón de la
descomposición de la demanda de oxigeno bioquímico (BOD, por sus iniciales en
inglés) [d-1], ks = razón de asentamiento de (BOD) [d -1], ka = razón de reariación [d-
1
], y Sb = demanda de oxigeno sedimentado [mg/L/d].

Como se indica en la Fig. P. 15, la Ec. P. 15 produce un oxigeno “disuelto” que

alcanza un nivel mínimo crítico, OC, en algún tiempo de travesía, tc, debajo del punto
de descarga. Este punto es llamado “crítico”, ya que representa la ubicación para
flora y fauna que dependen del oxígeno, como el pez, que sería la más esforzada.
Determine el tiempo de travesía crítico y la concentración dados los siguientes
 valores:

Os = 10 mg/L kd = 0,1 d-1 ka = 0,1 d-1

ks = 0,1 d-1 Lo = 50 mg/L Sb = 1 mg/L/d

16. La distribución bidimensional de la concentración de contaminantes en un canal se

puede describir con

c(x, y) = 7,9 + 0,13x + 0,21 y – 0,05 x2 – 0,016 y2 – 0,007 xy

Determine la localización exacta de La concentración pico dada la función y con el

conocimiento de que el pico cae dentro de las fronteras –10  x  10 y 0  y  20.

BIBLIOGRAFÍA
1. Contemporary Engineering Economics

Chan S. ParkEd. Addison Wesley

2. Advanced Engineering Economics

Chan S. Park & Gunter P. Sharp-Bette

Ed. John Wiley & Sons

3. Ingeniería económica

Blank & Tankin Ed. McGraw Hill

4. Preparación y evaluación de proyectos

Nassig Sapag Chain & Reinaldo

Sapag Chain Ed. McGraw Hill

5. Evaluación financiera de proyectos de inversión

Infante Villareal Ed. Norma

6. Evaluación de proyectos
Baca Urbina Gabriel Ed. McGraw Hill,1995

7. Matemáticas financieras

Díaz Mata y Aguilera Ed. McGraw Hill