Temas : 1.9. Casos de Estudio de sistemas a gran escala 2.1.2.Naturaleza de los procedimientos de optimizacin 2.1.

3 Condiciones de conf licto en la obtencin del optimo

 Para resolver problemas complejos de gran escala, es

la alta dimensionalidad de los modelos requeridos; es decir, que el numero de subsistemas, variables, parmetros, etc., es muy grande. Esto significa que para poder resolver estos problemas, es necesario identificar por lo menos un procedimiento que pueda implementarse en alguna computadora disponible y que sea capaz de buscar y encontrar la solucin ptima a un costo razonable.

 La principal desventaja de simulacin, es el hecho de

que frecuentemente no se obtiene la solucin ptima al problema: pero no se debe olvidar que en la mayora de los casos los modelos de simulacin pueden ser mas complejos y consecuentemente mas realista que los de optimizacin. La principal limitacin de las tcnicas de optimizacin es su incapacidad para resolver modelos de alta dimensionalidad. Esto significa que a menos que nos conformemos con una solucin factible, aunque subptima, o con la solucin ptima de un modelo simplificado del sistema real, los algoritmos clsicos de optimizacin nos sern poco tiles en aplicaciones a PROBLEMAS A GRAN ESCALA.

 El

ingeniero de sistemas, tiene que determinar (cualitativa y/o cuantitativamente) la forma como simplificar el problema, para utilizar las tcnicas cuantitativas que se aplican actualmente a problemas de menos dimensionalidad. Hay situaciones en que por no tener suficiente informacin o conocimientos sobre el comportamiento del sistema, un modelo muy detallado es menos confiable y realista que un modelo mas agregado. Se podra adoptar un punto de vista diferente y descomponer el sistema complejo en subproblemas, los cuales se optimizaran individualmente de acuerdo con algn procedimiento iterativo que obtuviera eventualmente la solucin ptima de todo sistema.

 Es conveniente recordad que el ptimo de un sistema

no coincide necesariamente con la suma de los ptimos de los subsistemas o componentes, porque estos siempre estn interconectados y sus subjetivos no siempre son compatibles. Esta metodologa tambin tiende a facilitar el anlisis del problema, pues las optimizaciones de los subsistemas(o suboptimizaciones) son mas simples y la obtencin de sus respectivos ptimos( o subptimos con respecto al sistema total) puede ser menos costosa.

 Frecuentemente sucede que un sistema tiene una serie

de variables cuyo comportamiento es muy similar.

Ejemplo:
Un sistema complejo de recursos hidrulicos, las presas

interconectadas se podran agregar para formar un subsistema de agua superficial que en alguna forma definida estuviera conectado a subsistemas de agua subterrnea y de tratamiento de agua.

 El mtodo de descomponer un problema en subproblemas a un nivel y

coordinar la solucin de estos subproblemas a un nivel superior de jerarqua hasta llegar al ptimo del problema total, ha tenido xito en varias disciplinas. Al descomponer el problema se obtiene una simplificacin conceptual de todo el sistema. Esta metodologa no requiere que las funciones del modelo sean lineales necesariamente; por esta razn pueden utilizarse modelos ms prcticos y flexibles.

 En el caso de la optimizacin esttica de un proceso

complejo, la complejidad de los procesos sera tal, que fuera casi imposible disear un procedimiento de optimizacin integrado para todo el proceso; la razn es que sera excesivo el numero de especialistas requeridos . Es sabido que un problema de optimizacin complejo compuesto de muchos subsistemas y variables, no siempre admite una descomposicin o subdivisin en subproblemas independientes y que mas tarde pudieran optimizarse individualmente. el objetivo es presentar modelos que faciliten la descomposicin de modelos estticos (modelos cuya solucin no vara con respecto al tiempo) en submodelos independientes que se puedan optimizar individualmente para obtener despus el ptimo del sistema total.

 La descomposicin de un modelo esttico de

optimizacin se hace en 2 etapas:

Primer etapa: Problema total (funcin objetivo y restricciones) se convierte a una estructura con dos niveles que tienen diferentes funciones. Segunda etapa: Se separan aquellos elementos del problema en el primer nivel que no tiene interconexiones

El xito de este procedimiento depende del mtodo

que se utiliza para convertir el problema original en un problema de dos niveles jerrquicos.

 En un problema de optimizacin con restricciones se

puede utilizar una infinidad de procedimientos para transformarlos en un problema de multiniveles, todos estos procedimientos son esencialmente combinaciones de dos tipos de tcnicas: el mtodo de coordinacin de modelos e mtodo factible, y el mtodo de coordinacin de objetivos o mtodo dual factible.

 Se puede plantear muchos problemas fsicos como

modelos de optimizacin. Si la funcin que se desea optimizar(maximizar o minimizar) y sus restricciones son estticas, esto es, independientes del parmetro tiempo, el problema pertenece a la Programacin Matemtica.

 Las caractersticas de las soluciones de estos problemas

varan considerablemente en relacin:

1)

2)

3)

El tipo de funcin que se optimiza(puede ser lineal o no lineal, convexa o cncava, diferenciable o no diferenciable, etc.) Las caractersticas de las restricciones que limitan la solucin, las cuales puedes ser igualadas o desigualadas continuas, discretas convexas, etc. El tipo de variables incluidas en el modelo.

Cuando se utiliza la metodologa de descomposicin por

niveles(multinivel) en el anlisis de problemas de gran escala, pues con frecuencia sucede que la eficiencia numrica de este mtodo se mejora considerablemente cuando se utiliza un buen algoritmo que obtenga el valor optimo de las variables de coordinacin.

 Su significado ha variado mucho en los ltimos aos y

la palabra se ha aplicado a una gran variedad de situaciones. Existen en uso corriente trminos como:
Optimizacin de recursos Optimizacin de inversiones Optimizacin de tiempo

Un sistema optimo
Un producto optimo

para definir adecuadamente optimizacin dentro del

contexto de la ingeniera de proyectos, debemos usar otro termino : CRITERIO

 Optimizar implica encontrar la solucin mas adecuada de

acuerdo con cierto criterio, para el mejor funcionamiento posible de un sistema. No podemos hablar de un proyecto ptimo de una presa sin pensar en el costo y en el tiempo necesarios para construirla. Por lo general siempre encontramos en la ingeniera de proyectos situaciones en las que tendremos que sopesar 2 o mas factores y seleccionar aquel que se considere mas importante. Ejemplo:
o La estructura mas resistente con el peso ms reducido o El sistema electrnico mas confiable con el numero mas

reducido de partes. o La mayor superficie de construccin con el costo mas barato posible o La va de comunicacin mas rpida con el menos tiempo de construccin o El motor mas poderoso con el menor volumen posible.

 Puede suceder que los criterios pueden definirse como

en el caso de una estructura construida siguiendo estrictamente el cdigo de construccin existente. En otras situaciones los criterios deben ser, por fuerza, cualitativos como en el caso de un sistema o una red de carreteras, que van a satisfacer las necesidades de transporte d una poblacin. Para efectuar un anlisis de optimizacin se requiere una cierta cantidad de preparacin de la informacin. Estos requisitos se pueden dividir en 4 reas principales:

1. 2. 3. 4.

Requisitos funcionales: son criterios de rendimiento como, por ejemplo, las condiciones de los limites o fronteras. Los requisitos geomtricos: incluyen las dimensiones, las reas y los volmenes de los componentes del sistema. Los requisitos de materiales: incluyen las propiedades y los atributos fsicos, qumicos y biolgicos. El proceso del proyecto : consiste en resolver problemas con una serie de interacciones sucesivas y de juicios sobre los valoras.

En la discusin de modelos en ciertos problemas el objetivo

solamente es la simulacin del comportamiento del sistema real mediante el uso de una representacin fsica o matemtica. La idea de buscar un mximo o un mnimo del objetivo en un sistema es bsico para el concepto de optimizacin. Una solucin factible no es suficiente, porque en una optimizacin se necesita buscar la mejor solucin con respecto a un objetivo determinado.

 en general el modelo orientado a optimizacin tiende

a ser mas simple(con menos variables) y consecuentemente mas irreal que el orientado a simulacin, la mayora de los algoritmos de optimizacin actuales requieren para su aplicacin cierta estructura en el modelo. Las tcnicas de optimizacin para los problemas estticos, frecuentemente llamadas Programacin matemtica, pueden dividirse en 2 clases:
1. 2.

Tcnicas exactas: incluyen desde el tradicional clculo diferencial hasta las tcnicas de Lagrange y Kuhn-Tuker. Tcnicas de bsqueda: se cuentan las bsqueda parcial y las bsquedas completa.

Las bsqueda parcial se dividen a su ves en tcnicas que optimizan sucesivamente la funcin objetivo y tcnicas que reducen sucesivamente el espacio factible.

Tcnicas de Optimizacin

Tcnicas exactas

Tcnicas de bsqueda

La estrategia consiste en resolver una serie de ecuaciones simultaneas

Bsqueda parcial
Modelos sin restricciones

Bsqueda total

Restricciones de igualdad

Restricciones de desigualdad
Tcnicas de suboptimizacin sucesiva Tcnicas de reduccin de espacio factible

Enumeracin exhaustiva

Calculo diferencial

Programacin geomtrica Mtodo de Lagrange

Mtodo de Kuhn Tucker Mtodo de Lagrange generalizado

Mtodos de gradiente

Mtodos sin gradiente

Mtodos cuasisistemticos

Mtodo Fibonacci Mtodo Golden Section Mtodo Pattern

Gradiente ptimo Mtodo Marquardt Mtodo Fletcher-Powell Mtodo de Newton

Prog. Lineal Prog. Dinmica Mtodo de Rosenbrock Mtodo de substitucin de Polinomios.

Holcomb (1968)

Clasificacin de Tcnicas de optimizacin esttica( o programacin matemtica)

Informacin

Optimizacin
Solucin Optima

Cambios Parmetros

Tomador de Decisiones Informacin Simulacin

Soluciones Fsicas

Soluciones satisfactorias (ptima y real)

 El avance tecnolgico en computacin as como la

necesidad de resolver problemas en optimizacin, considerados intratables hace algunos ao, motivan el replanteamiento de tcnicas y el desarrollo de innovaciones hoy conocidas como Optimizacin global (OG). La optimizacin de problemas multiextremos, es decir, donde se busca un mnimo global de la funcin objetivo de variable real y sus restricciones son un conjunto de puntos factibles en R.

 Las

tcnicas de optimizacin global son muy diferentes de las programacin no lineal , pero son mas costosas en trminos computacionales. Para superar esta dificultad, se disean algoritmos que aprovechen la escritura intrnseca del problema en cuestin. Se puede ver que muchos problemas de optimizacin tiene al menos una de las siguientes propiedades:
Convexidad, aunque en forma limitada Un optimo global en un subconjunto acotado de soluciones

factibles.