Optimización

La mejora de los procesos es a menudo la principal razón para el desarrollo de

modelos de simulación. Debido a los problemas para calcular derivadas
utilizando modelos modulares (los valores de las derivadas había que
calcularlos por perturbación de las variables) y a que los programas basados
en ecuaciones de carácter general sólo han comenzado a ser de verdadera
utilidad en los últimos años, los primeros estudios de optimización se aplicaron
a "modelos construidos al efecto" utilizando métodos de gradiente simple o de
búsqueda directa. Sin embargo, para sistemas de tamaño moderado (alrededor
de 10 grados de libertad) estos métodos necesitaban cientos de evaluaciones
del diagrama de flujo. La etapa que más tiempo consume es la convergencia
del diagrama de flujo en cada una de las iteraciones. Estas estrategias,
conocidas como aproximación de caja negra o camino factible, son sin
embargo efectivas para problemas de optimización pequeños.

A principios de los años 80 la experiencia obtenida con la convergencia de

problemas de simulación simultánea así como el desarrollo de estrategias de
simulación más poderosas llevaron al desarrollo de estrategias simultáneas o
de "camino no-factible" .En este caso, el ajuste de las variables de
optimización, variables de recirculación y la satisfacción de las restricciones se
lleva a cabo de forma simultánea. Para la simulación secuencial modular, estos
métodos se pueden aplicar de forma directa como una extensión de la
convergencia simultánea.

Considere el siguiente ejemplo:

Aquí, las variables de decisión x ahora representan grados de libertad en el
proceso. F representa alguna función objetivo del problema (tal como coste,
consumo de energía, etc.) y g y c representan restricciones del proceso o
impuestas por el diseñador. Para aplicar un método de solución simultánea a x
e y, se puede, por ejemplo, aplicar programación cuadrática sucesiva (SQP) en
donde las restricciones se linealizan alrededor del punto (xi, yi) y se construye
una función objetivo cuadrática. Así:

donde representa el operador gradiente, y la matriz Bi es una aproximación

de los términos de segundo orden. Este modelo simplificado de optimización
(programa cuadrático) se resuelve en cada iteración para determinar d, y los
vectores x e y se actualizan en cada iteración. De hecho se sabe que estos
métodos no son más que la aplicación de los métodos de Newton a las
condiciones de optimalidad.

Dado que los métodos de programación cuadrática sucesiva necesitan muy

pocas iteraciones para converger, comienzan a ser muy utilizados en
optimización de diagramas de flujo.

Dentro de la aproximación basada en ecuaciones, los problemas de

optimización tienen características diferentes. A pesar de que los problemas de
optimización generalmente tienen pocos grados de libertad, una aproximación
simultánea con una aproximación basada en ecuaciones, necesita la solución
de grandes sistemas de ecuaciones con muchas restricciones de igualdad.
Para estos casos los SQP resultan ineficientes y son necesarios algoritmos
especiales.
Algunos algoritmos han sido especialmente diseñados para problemas a gran
escala basados en ecuaciones, por ejemplo, MINOS, CONOPT, SNOPT,
KNITRO, IPOT.

Una extensión de las estrategias de optimización descritas aquí, permite la

adición de variables binarias (sí, no) de decisión. Combinadas con los
problemas no lineales vistos anteriormente llevan a lo que se conoce como
problemas no lineales mixtos (MINLP) que permite modelar cambios discretos
en el diagrama de flujo e incorporar una amplia selección de opciones en un
proceso simultáneo de síntesis y optimización.