Instituto tecnológico de Tuxtla Gutiérrez

Ingeniería bioquímica

Ingeniería de procesos B8a

Santiz Gómez José Alfredo
equipo #5

García Marroquín Roberto

Carrascosa Molina Mónica Guadalupe.
Rodríguez Galdámez Rodrigo del Carmen
Martínez Silvestre Karina Elizabeth

TUXTLA GUTIERREZ, CHIAPAS. MAYO 2018

4.1.3 función objetivo
 La función objetivo es la ecuación que será optimizada
dadas las limitaciones o restricciones determinadas y
con variables que necesitan ser minimizadas o
maximizadas usando técnicas de programación lineal o
no lineal.

 Una función objetivo puede ser el resultado de un

intento de expresar un objetivo de negocio en términos
matemáticos para su uso en el análisis de toma de
decisiones, operaciones, estudios de investigación o de
optimización.
Formulación de un modelo de
programación lineal
 Determinación de las variables de decisión Representan los
elementos del sistema
 decisión. sistema a modelar que son controlables por el
decisor. En los modelos lineales continuos estas variables
toman como valores números reales y se representan por
letras con subíndices como se acostumbra a hacer con las
variables matemáticas, o literales alusivos a su significado:
peso, valor, etc. En el primer caso también se utiliza la
representación como vector de un conjunto indexado de
variable:
𝑥 = (𝑥1 , 𝑥2 , … . )
 Determinación de las restricciones. Representan las
limitaciones prácticas de determinados recursos o
imposiciones físicas de la realidad. Se expresan como
ecuaciones e inecuaciones lineales de las variables de
decisión.

 Formulación de la función objetivo. Se trata de la

función que mide la calidad de la solución y que hay
que optimizar (maximizar un beneficio o minimizar un
coste) También es una función lineal de todas o parte
de las variables de decisión.

𝑀𝑎𝑧𝑖𝑚𝑖𝑧𝑎𝑟 𝑧 = 𝑓 𝑥 ; 𝑀𝑖𝑛𝑖𝑚𝑖𝑧𝑎𝑟 𝑧 = 𝑓(𝑥)

EJEMPLO
Problema 1: asignación de recursos
 En una fábrica de cerveza se producen tres tipos distintos:
rubia, negra y de baja graduación, y para ello se utilizan dos
materias primas: malta y levadura. En la siguiente tabla se
especifican: a) la cantidad de materias primas consumidas
para producir una unidad de cada tipo de cerveza; b) las
cantidades disponibles de cada materia prima; y c) el precio
unitario de venta de cada tipo de cerveza.

 Se trata de conocer la cantidad a fabricar de cada tipo

de cerveza de manera que el beneficio sea máximo.
 SOLUCIÓN
 Variables de decisión
Del enunciado del problema se desprende que las variables de decisión son
las producciones a fabricar de cada tipo de cerveza:
 𝑥1 = producción de cerveza rubia
 𝑥2 = producción de cerveza negra
 𝑥3 = producción de cerveza de baja graduación

 Restricciones
Las restricciones en este caso imponen que las materias primas utilizadas en la
fabricación de los tres tipos de cerveza no deben sobrepasar las cantidades
disponibles:
𝑥1 + 2𝑥2 + 2𝑥3 ≤ 30 𝑚𝑎𝑙𝑡𝑎 𝑢𝑡𝑖𝑙𝑖𝑧𝑎𝑑𝑎 ≤ 𝑚𝑎𝑙𝑡𝑎 𝑑𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒
2𝑥1 + 𝑥2 + 2𝑥3 ≤ 45 (𝑙𝑒𝑣𝑎𝑑𝑢𝑟𝑎𝑢𝑡𝑖𝑙𝑖𝑧𝑎𝑑𝑎 ≤ 𝑙𝑒𝑣𝑎𝑑𝑢𝑟𝑎 𝑑𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒)
𝑥1 , 𝑥2, 𝑥3 ≥ 0
 Función objetivo
En este caso el objetivo es maximizar el beneficio, que viene dado por la
suma de los precios de venta de la producción:
𝑀𝑎𝑥𝑖𝑚𝑖𝑧𝑎𝑟 𝑧 = 7𝑥1 + 4𝑥2 + 3𝑥3

 El modelo matemático de programación lineal para el problema de

asignación de recursos queda formulado de la siguiente manera:
 Nos vamos a ocupar de modelar problemas de programación lineal
y resolver los modelos utilizando los lenguajes de modelado
disponibles comercialmente. La expresión del problema se realiza en
dos modernos lenguajes de modelado (OPL y OML) sería la
siguiente:
 Es evidente que estos lenguajes disponen de una sintaxis muy
próxima a la pura expresión matemática El texto en verde
corresponde matemática. a comentarios, y el azul a palabras
reservadas de cada lenguaje. La solución que nos dan los
respectivos sistemas son la siguientes:
 ¿QUE ES LA OPTIMIZACIÓN?
La optimización es el proceso de hallar el máximo o mínimo relativo de una
función generalmente sin ayuda de gráficos.
Un problema de optimización consiste en minimizar o maximizar el valor de
una variable. En otras palabras se trata de calcular o determinar el valor
mínimo o el máximo de una o varias variables.
 ¿que es la optimización sin
restricciones?
 Es el problema de minimizar una función sin la existencia de restricciones,
esta función puede ser de una o de mas variables.

 La no presencia de las restricciones puede ser vista en un comienzo como

una grave limitación, sin embargo, existe una metodología que permite
tratar problemas de optimización no lineales con restricciones como
problema de optimización no lineales sin restricciones.
 Optimización sin
restricciones
En optimización sin restricciones se minimiza una función objetivo que
depende de variables reales sin restricciones sobre los valores de esas
variables. La formulación matemática es:

donde f es una función suficientemente regular.

Ejemplo

Se intenta encontrar una curva que ajuste algunos datos experimentales, por ejemplo medidas
y1,...,ym de una señal tomadas en los tiempos t1,...,tm.

Desde los datos y el conocimiento de la aplicación, se deduce que la señal tiene un

comportamiento exponencial y oscilatorio, y se elige modelarlo por la funcion:

Φ(t, x) = x1 + x2e−(x3−t)2/x4 + x5 cos(x6t)

Los números reales xi, i = 1,..., 6 son los parámetros del modelo. Se desea
seleccionarlos de manera que los valores del modelo Φ(tj , x) ajusten los datos
observados yj tanto como sea posible. Para establecer el objetivo como un
problema de optimización, se agrupan los parámetros xi en un vector de
incógnitas (x1,...,x6)t y se definen los residuos

rj (x) = yj − Φ(tj , x), j = 1,...,m

que miden la discrepancia entre el modelo y los datos observados

La estimación de x se obtendrá resolviendo el problema:

Este es un problema de mínimos cuadrados no lineales, que es un caso

especial de optimización sin restricciones. Si el numero de medidas es
grande (por ejemplo 105), la evaluación de f o sus derivadas para un
valor concreto del vector de parámetros x es bastante caro desde el
punto de vista computacional.
 Que es un mínimo y su importancia.
 Mínimos de una Función.
 En un punto en el que la derivada se anule y antes sea negativa y
después del punto positiva, se dice que la función tiene un mínimo relativo.
Es decir, que F'(xo) = 0 y en ese punto, la función, pase de decreciente a
creciente. En x = b la función tiene un mínimo relativo y se observa que su
derivada se anula en ese punto, pasando de negativa a positiva. Mín en
(b,f(b).
Para que una función tenga máximo o mínimo no es suficiente con que
su derivada se anule (debe, además, cambiar de signo).
 La importancia de conocer un mínimo es poder determinar la condición
inferior de una función o de un proceso en si.
Caracterización de un mínimo

¿Que es una solución?

Un punto x∗ es un MINIMO GLOBAL si f(x∗) ≤ f(x) para todo x ∈ Rn.

Sin embargo el mínimo global puede ser difícil de encontrar pues nuestro
conocimiento de f es usualmente local. La mayoría de los algoritmos
calculan mínimos locales que son puntos en los que sea alcanza el menor
valor de f en su entorno. Formalmente:

Un punto x∗ es un MINIMO LOCAL si existe un entorno N de x∗ tal que f(x∗) ≤

f(x) para todo x ∈ N.

Hay funciones con muchos mínimos locales. Es generalmente difícil

encontrar el mínimo global para tales funciones. Un ejemplo con millones
de mínimos locales aparece en la determinación de la conformación de
una molécula con energía potencial mínima.
¿Como reconocer un mínimo local?

Si la función f es suficientemente regular existen modos eficientes y prácticos de

identificar mínimos locales. En particular si f es dos veces diferenciable puede decirse si
x∗ es un mínimo local examinando su gradiente ∇f(x∗) y su hessiano ∇2f(x∗).

En concreto:

• CONDICION NECESARIA DE PRIMER ORDEN:

Si x∗ es un mínimo local y f es continuamente diferenciable en un entorno abierto de x∗,
entonces ∇f(x∗)=0. (x∗ punto estacionario)

• CONDICIONES NECESARIAS DE SEGUNDO ORDEN:

Si x∗ es un mínimo local y ∇2f es continua en un entorno abierto de x∗, entonces ∇f(x∗)=0
y ∇2f(x∗) es semidefinida positiva.

• CONDICIONES SUFICIENTES DE SEGUNDO ORDEN:

Si ∇2f es continua en un entorno abierto de x∗, ∇f(x∗)=0 y ∇2f(x∗) es definida positiva,
entonces x∗ es un mínimo local estricto de f.
Las condiciones suficientes no son necesarias.

Un ejemplo simple esta dado por la función f(x) = x4 para la que el punto x∗
= 0 es un mínimo local estricto y sin embargo su hessiano es nulo (y por tanto
no definido positivo).

Cuando la función objetivo es convexa, los mínimos locales y globales son

fáciles de caracterizar:

Cuando f es convexa, cualquier mínimo local x∗ es un mínimo global de f. Si

además f es diferenciable, entonces cualquier punto estacionario x∗ es un
mínimo global de f.
Problemas no regulares

Existen muchos problemas interesantes en los que las funciones involucradas

pueden ser no diferenciables e incluso discontinuas.

• Si la función está formada por unos pocos trozos regulares con discontinuidades
entre los trozos, puede ser posible encontrar el mínimo analizando cada trozo por
separado.

• Si la función es continua en todo punto pero es no diferenciable en ciertos puntos,

puede identificarse la solución analizando los subgradientes, o los gradientes
generalizados que son una generalización del concepto de gradiente al caso no
regular.
Una visión de conjunto de los algoritmos

• Se considera solo el caso regular.

• Todos los algoritmos para minimización sin restricciones necesitan que el usuario
suministre un punto inicial, que se denotara por x0.

• Comenzando en x0, los algoritmos de optimización generan una sucesión {xk}

que terminan cuando el algoritmo no puede progresar más o cuando parece
que un punto solución se ha aproximado con precisión suficiente.

• Para decidir como pasar de un iterante xk al siguiente los algoritmos utilizan

información sobre f y sus derivadas en el iterante xk o incluso de todos los iterantes
anteriores x0, x1,...,xk−1, xk.

Existen dos estrategias fundamentales para pasar de un iterante a otro. La

mayoría de los algoritmos siguen alguna de estas estrategias.
 Dos estrategias:

Búsqueda de línea y Región de confianza

• Búsqueda de línea:

– el algoritmo elige una dirección dk

– busca a lo largo de esa dirección desde el iterante actual a un nuevo iterante
con un menor valor de la función objetivo
– la distancia que debe moverse el iterante puede encontrarse resolviendo de
manera aproximada el siguiente problema de minimización unidimensional que
consiste en encontrar un paso t tal que:

(Resolviendo exactamente este problema se obtendría el mayor beneficio, pero

hacerlo es caro e innecesario pues el objetivo final es la optimización de f y no la de
f(xk + tdk).) – en cada nuevo punto se calcula una nueva dirección de búsqueda y un
nuevo paso y se repite el proceso.
 Región de confianza:

– se construye una función modelo mk(x) cuyo comportamiento cerca del iterante
actual xk es similar al de la función objetivo f.

– como el modelo mk puede no ser una buena aproximación de f cuando x está lejos
de xk, restringimos la búsqueda de un optimo de mk en alguna región en torno a xk.
Es decir encontramos el candidato dk resolviendo de manera aproximada el
siguiente subproblema:

– Si la solución candidata no produce un decrecimiento suficiente en f se

concluye que la región de confianza es demasiado grande y debe reducirse
para después resolver el nuevo subproblema asociado.
 4.2.1 Métodos numéricos para la optimización de
funciones
Una buena técnica de optimización de funciones de una única variable es
fundamental por al menos tres razones:

1.- En muchos problemas las restricciones se pueden incluir dentro de la función

objetivo, por lo que la dimensionalidad del problema se reduce a una variable.

2.- Algunos problemas sin restricciones, inherentemente incluyen una única variable.

3.- Las técnicas de optimización con y sin restricciones, generalmente incluyen pasos
de búsqueda unidireccional en sus algoritmos.

Antes de la aparición de los ordenadores de alta velocidad, los métodos de

optimización estaban prácticamente limitados a los métodos indirectos en los cuales
el cálculo estaba restringido al uso de derivadas y la condiciones necesaria de
optimalidad. Los modernos ordenadores han hecho posible los métodos directos,
esto es la búsqueda de un óptimo por comparación sucesiva de los valores de la
función f(x) en una secuencia de puntos x1, x2, x3... sin la necesidad de hacer
intervenir derivadas analíticas.
Han sido desarrollados, básicamente tres métodos para llevar a cabo la búsqueda directa
unidireccional, basados en las condiciones de optimalidad. Estos son:

1.- Método de Newton

2.- Aproximaciones finitas al método de Newton (Métodos cuasi-Newton)
3.- Métodos de secante.
Método de Newton.

El objetivo de este método para estimar la solución de

una ecuación f(x)=0, es producir una sucesión de
aproximaciones que se acerquen a la solución.
Escogemos el primer número X0 de la secuencia y luego
en circunstancias favorables el método hace el resto
moviéndose paso a paso a la raíz.

Al tener un comportamiento grafico de la función y =

f(x), hay que proponer una primera solución.
Use la primer aproximación para obtener la segunda y
asi sucesivamente hasta encontrar la raíz. Mediante la
formula.
𝑓 𝑥𝑛
𝑥𝑛 + 1 = 𝑥𝑛 − ′ , 𝑠𝑖 𝑓 ′ 𝑥𝑛 𝑒𝑠 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑡𝑒 𝑑𝑒 0
𝑓 𝑥𝑛
 Proponer un punto de evaluación.
 Calcular el gradiente (ecuación objetivo)
 Calcular el hessiano y la inversa.
 Multiplicar el gradiente por la hessiana
inversa.
 Restar el punto propuesto al punto obtenido.
Método de newton en diferencias finitas.

Los métodos en diferencias finitas tipo Newton, se utilizan si la derivada de la función

objetivo es difícil de calcular, o ésta viene dada de forma numérica. Se basan en
sustituir las derivadas por aproximaciones en diferencias finitas.

En este método es necesario tener las f’’(x) o el hessiano como aproximación.

Métodos de secante
Los métodos de secante toman dos puntos, xp y xq y resuelve
una ecuación similar a la dada en el método de Newton:

𝑓´ 𝑥 𝑘 + 𝑚 𝑥 − 𝑥 𝑘 = 0

donde m es la pendiente de la línea que conecta xp y xq .

dada por:

𝑓´ 𝑥𝑞 − 𝑓´(𝑥𝑝 )
𝑚=
𝑥𝑞 − 𝑥𝑝

El método de la secante aproxima la segunda derivada por

una línea recta. Cuando xq→x p el valor de m se aproximará
al valor de la segunda derivada. En este sentido el método
de la secante se podría considerar también un método cuasi
Newton.
El método de la secante parece bastante “crudo” pero
funciona bastante bien en la práctica.
4.3 OPTIMIZACION DE FUNCIONES MULTIVARIABLES

Optimización

Disponibilidad Desarrollo y mejoría Desarrollo del

de de los modelos software
ordenadores económicos
MÉTODOS DE
OPTIMIZACION

Los métodos pueden ser clasificados en tres categorías,

basándonos en la información que debe ser suministrada por el
usuario:
• Métodos de búsqueda directa: los cuales utilizan solo valores
de la función objetivo.

• Métodos de gradiente: aquellos que requieren valores exactos

de la primera derivada de la función objetivo.

• Métodos de segundo orden: utilizan la segunda derivada de la

función objetivo.
MÉTODOS DE BÚSQUEDA DIRECTA
Para la aplicación de estos métodos solamente es
necesario conocer el valor de la función objetivo en
cualquier punto del espacio y no necesitamos ninguna
hipótesis adicional acerca de la diferenciabilidad de la
función. Podemos emplear estos métodos, bien cuando el
gradiente de la función, ∇f (x), no exista, no sea conocido
o simplemente porque su expresión es demasiado
compleja para poder manejarlo con eficacia.
MÉTODOS INDIRECTOS

Los métodos indirectos hacen uso de derivadas en la

determinación de las direcciones de búsqueda. Una buena
dirección de búsqueda debería reducir la función objetivo,
entonces si x0 es el punto inicial y x1 es el nuevo punto:
f(x1)<f(x0).