Programación Matemática en Ingeniería

de Sistemas de Procesos

PhD Freddy Lucay Cuevas

 Programación Matemática

Campo de gran desarrollo desde 1950’s en

Teoría y Algoritmos

La Programación Matemática a proporcionado una

base cientifica a la Ingeniería de Sistemas de Procesos

Ingeniería de Sistemas de Procesos: utilización de

modelamiento matemático y ambientes computacionales
para apoyo del proceso de toma de decisiones
 Programación Matemática

Dado un espacio de alternativas que son especificadas a través de restricciones

en un modelo matemático, seleccionar las variables de decisión para optimizar
una función objetivo

Min Z  f(x, y)
s.t .
h(x, y)  0
g(x, y)  0
x   , y {0,1}
n m
 Optimización Clásica

Min Z  f(x)
s.t . Optimiz. sin restricciones Newton (1664)

x  n

Min Z  f(x)
s.t . Optimiz. con restricciones Lagrange (1778)
h(x)  0
x  n
 Optimización Clásica

• Esta técnica es útil para funciones continuas y diferenciales.

• Estos métodos son analíticos.

• Tiene un campo limitado de aplicación.

• Sin embargo, esto es la base para los demás métodos.

 Optimización Clásica: Optimización de una variable

A2
f (x) A1
A3
B2 Ai A3 Máximos locales
A2 Máximo global
B1 Bi Mínimos locales
B2 Mínimo global

a b x

El problema es encontrar x = x* en el intervalo

[a , b] de modo que x* minimice f(x).
Optimización Clásica: Optimización de una variable

Teorema:
• Condición necesaria
Si f(x) es definida en a ≤ x ≤ b, tiene un punto crítico en
x = x*, si a < x* < b y

df
 f ' (x * )  0
dx x*

• Condición suficiente
Si f´´ (x*) ≠ 0
f (x*) es: un mínimo de f (x) si f´´ (x*) > 0
un máximo de f (x) si f´´ (x*) < 0
 Optimización Clásica: Optimización de una variable, ejemplo

Determine valores máximos y mínimos de la función

f ( x)  12x 5  45x 4  40x 3  5
Solución

f' (x)  60 x 4  3x 3  2x 2 
f' (x)  60x 2 x  1x  2

Luego f ’(x) = 0 cuando x* = 0, x* = 1, x* = 2.

La segunda derivada f ' ' ( x )  604 x 3
 9 x 2
 4x 
f ’’(x) a x*= 0 → f ’’(x*) = 0 no es máximo ni mínimo
f ’’(x) a x*= 1 → f ’’(x*) = -60 → máximo
f ’’(x) a x*= 2 → f ’’(x*) = 240 → mínimo
 Optimización Clásica: Optimización de una variable
Determine valores máximos y mínimos de la función
f ( x)  12x 5  45x 4  40x 3  5

f ’’(x) a x*= 0 → f ’’(x*) = 0 no es máximo ni mínimo

f ’’(x) a x*= 1 → f ’’(x*) = -60 → máximo
f ’’(x) a x*= 2 → f ’’(x*) = 240 → mínimo
 Optimización Clásica: Optimización multivariable

Condición necesaria
f ( x ) es un punto extremo (máximo o mínimo) a
x = x* , si
 
f x
*

f x  *
 ........ 
f x  
0
*

x 1 x 2 x n

Condición suficiente
La matriz de las segundas derivadas parciales (matriz Hessiana) de f( x ) evaluada en x* es
i) Positivamente definida entonces x* es un punto mínimo, 𝑥 𝑇 𝐻(𝑥 ∗ )𝑥 > 0, ∀𝑥 ∈ ℝ𝑛
ii) Negativamente definida entonces x* es un punto máximo, 𝑥 𝑇 𝐻(𝑥 ∗ )𝑥 < 0, ∀𝑥 ∈ ℝ𝑛
 Optimización Clásica: Optimización multivariable, ejemplo
Determine un valor máximo o mínimo de la función

𝑓 𝑥, 𝑦 = 𝑥 2 + 𝑦 2 + 𝑥 + 𝑦 + 𝑥𝑦
i)
𝜕𝑓
= 2𝑥 + 1 + 𝑦 = 0
𝜕𝑥

𝜕𝑓
= 2𝑦 + 1 + 𝑥 = 0
𝜕𝑦
1 1
La solución es 𝑥∗ = (− , − )
3 3
ii)
𝐷𝑥𝑥 (𝑓) 𝐷𝑥𝑦 (𝑓) 2 1
𝐻 𝑓 = =
𝐷𝑦𝑥 (𝑓) 𝐷𝑦𝑦 (𝑓) 1 2

𝐷𝑒𝑡(𝐻 𝑓 𝑥 ∗ = 4 − 1 = 3 > 0, entonces x ∗ es un mínimo.

 Optimización Clásica: soluciones locales vs globales

Una solución local, f(x*), es también una solución global de f(x) bajo las
siguientes condiciones suficientes basado en convexidad:

La función f(x) es convexa en el dominio de x

𝑓(𝛼 𝑦 + (1 − 𝛼) 𝑧) ≤ 𝛼 𝑓(𝑦) + (1 − 𝛼) 𝑓(𝑧)

para todo valor de α entre 1 y 0, z e y en el dominio de x

Optimización Clásica: función convexa vs no convexa
 Optimización Clásica: conjuntos convexos vs no convexos

Un conjunto es convexo si para cada par de puntos en el conjunto, la

línea que une esos dos puntos pertenecen al conjunto.
Optimización Clásica: conjuntos convexos vs no convexos
Optimización Moderna

Programación Lineal –LP

Kantorovich (1939) – Dantzig (1947)

Programación No Lineal – NLP

Karush (1939) – Kuhn, Tucker (1951)

Programación Entera – IP
Gomory (1958)
 Aplicaciones de PM en Ing. Pro.

Diseño de procesos
Síntesis de procesos
LP
Variables continuas
Planeamiento de la NLP
producción
Scheduling operativo MILP
Variables continuas y
Administr. cadenas de discretas
suministro MINLP
Control de procesos Variables continuas y
DO
diferenciales
Estimación de parámetros
MIDO Variables continuas,
diferenc. y discretas

Principal contribución: nuevas

representaciones de los procesos y modelos
 Aplicaciones de PM en Ing. Proc.

Min f(x, y)  a T . x  b T . y
Min f(x)  cT . x
s.t .
s.t .
LP MILP A . x  B. y  b
A.x  b x0
x0 xL  x  xU
y {0,1}m

Min Φ(x, y)  cT . y  f(x)

Min f(x)
s .t .
s.t .
MINLP h(x)  0
NLP h(z, w)  0 g(x)  B . y  b
g(z, w)  0 x L  x  xU
zL  z  zU y  {0,1} m
 Ejemplos LP

max 6 ∙ 𝑋1 +4 ∙ 𝑋2
s.t.
𝑋1 + 𝑋2 ≤ 12
𝑋1 − 2 ∙ 𝑋2 ≤ 6
𝑋2 ≤ 8
𝑋1 , 𝑋2 ≥ 0
 Ejemplos LP

max 200𝑋1 + 150𝑋2 + 120𝑋3

s.t.
15𝑋1 + 7.5𝑋2 + 5𝑋3 ≤ 315
2𝑋1 + 3𝑋2 + 2𝑋3 ≤ 110
𝑋1 + 𝑋2 + 𝑋3 ≤ 50

𝑋1 , 𝑋2 , 𝑋3 ≥ 0
 Ejemplos LP

max 𝑐 𝑇 ∙ 𝑋
s.t.
𝐴∙𝑋 ≤𝑏

𝑋1 , 𝑋2 , 𝑋3 ≥ 0

200 𝑋1 315 15 7.5 5

𝐶 = 150 𝑋 = 𝑋2 𝑏 = 110 𝐴= 2 3 2
120 𝑋3 50 1 1 1
 Ejemplos LP

Una refinería produce dos tipos de gasolinas, A y B, las cuales son obtenidos mediante
la mezcla de materias primas de distinto octanaje, costo y disponibilidad. Desarrolle
un programa en GAMS para maximizar las ganancias de la refinería

Gasolina Octanaje Precio $/barril

A 93 37.5
B 85 28.5

Stock Octanaje Precio $/barril Disponibilidad

1 70 9.0 2000
2 80 12.5 4000
3 85 12.5 4000
4 90 27.5 5000
5 99 27.5 3000
 Ejemplos LP

1* US1
SA1 SB1 1

2* US2
SA2 SB2
2
3* US3

SA3 SB3 3
⋮ 4* US4

⋮ US5
SA4 SB4 4 5*

A FB
SA5 SB5 5

B FA
 Ejemplos LP

SA1 + SB1 + US1 = 2000

SA2 + SB2 + US2 = 4000
SA3 + SB3 + US3 = 4000
SA4 + SB4 + US4 = 5000
SA5 + SB5 + US5 = 3000
SA1 + SA2 + SA3 + SA4 + SA5 = FA
SB1 + SB2 + SB3 + SB4 + SB5 = FB

70∙SA1 + 80∙SA2 + 85∙SA3 + 90∙SA4 + 99∙SA5 ≥ 93∙FA

70∙SB1 + 80∙SB2 + 85∙SB3 + 90∙SB4 + 99∙SB5 ≥ 85∙FB

Max 37.5∙FA + 28.5∙FB + 9∙SA1 + 12.5∙SA2 + 12.5∙SA3 + 27.5∙SA4 + 27.5∙SA5

 Ejemplos LP
Consideremos que se quiere determinar el programa de envíos que minimice los costos y que cumpla con las exigencias de
los mercados y fábricas de materiales que se muestran en la Tabla A.1.
Distancias
Mercados
Plantas New York Chicago Topeka suministro
Seattle 2.5 1.7 1.8 350
San Diego 2.5 1.8 1.4 600
Demand 325 300 275

Los costos totales son definidos como

𝑡𝑜𝑡𝑎𝑙 𝑐𝑜𝑠𝑡 = ෍ ෍ 𝑐 𝑖, 𝑗 ∙ 𝑋(𝑖, 𝑗)

𝑖 𝑗

con
𝑐(𝑖, 𝑗) = 𝐹 ∙ 𝐷(𝑖, 𝑗)
Donde 𝑐(𝑖, 𝑗) es el costo por transporte, 𝑋(𝑖, 𝑗) cantidad enviadas, 𝐹costo por carga (90 US/Unidad) y 𝐷(𝑖, 𝑗) es la
distancia entre las plantas y los mercados..