Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
DE
OPTIMIZACIN
Andrs Ramos
Pedro Snchez
Jos Mara Ferrer
Julin Barqun
Pedro Linares
Septiembre 2010
[http://www.doi.icai.upcomillas.es/intro_simio.htm]
Alberto Aguilera 23 E 28015 Madrid Tel: 34 91 542 2800 Fax: 34 91 541 1132 www.doi.icai.upcomillas.es
NDICE
I.1. OPTIMIZACIN ........................................................................................... 3
I.1.1. Investigacin operativa y optimizacin.......................................... 3
I.1.2. Referencias ............................................................................... 9
I.2. MODELOS DE OPTIMIZACIN ..................................................................... 11
I.2.1. Modelo y modelado................................................................... 11
I.2.2. Etapas en el desarrollo de un modelo .......................................... 12
I.2.3. Referencias ............................................................................. 15
I.3. CODIFICACIN DE PROBLEMAS DE OPTIMIZACIN ..................................... 17
I.3.1. Lenguajes de modelado(OAE)........................................................ 17
I.3.1.1. Lenguajes de modelado ................................................................................................... 17
I.3.1.2. Lenguajes algebraicos de modelado ................................................................................. 19
I.3.1.3. Referencias ...................................................................................................................... 22
Ejemplo
Ejemplo
Ejemplo
Ejemplo
Ejemplo
Ejemplo
de transporte ..................................................................................................... 22
de planificacin de la produccin ...................................................................... 25
de secuenciacin de rdenes de trabajo ............................................................. 26
del viajante de comercio .................................................................................... 27
de asignacin de grupos trmicos ...................................................................... 29
de flujo de cargas ptimo .................................................................................. 31
31/10/2010
I OPTIMIZACIN
I.1. Optimizacin
I.1.1. Investigacin operativa y optimizacin
In the last decade, new advances in algorithms have been as important as
the impressive advances in computer technology George L. Nemhauser
(1994).
The technology improvements in algorithms, modeling languages, software,
and hardware have made the methodology accessible, easy to use, and fast.
So the Age of Optimization has arrived George L. Nemhauser (1994).
31/10/2010
I.1 OPTIMIZACIN
31/10/2010
I OPTIMIZACIN
31/10/2010
I.1 OPTIMIZACIN
31/10/2010
I OPTIMIZACIN
min cT x
(linear programming)
Ax = b
LP
x 0
x n , c n , A mn , b m
min cT x + dT y
Ax + By = b
MIP
x, y 0
x n , y l , c n , d l
Programacin cuadrtica
(quadratic programming)
QP
A mn , B ml , b m
1
min cT x + x TQx
x
2
Ax = b
x 0
x n , c n , A mn
Programacin no lineal
Q nn , b m
min f (x )
g (x ) = 0
NLP
h(x ) 0
l x u
f : n
g, h : n m
Existen decisiones que no pueden ser representadas de forma adecuada
mediante variables continuas. Por ejemplo, las decisiones de inversin son
variables discretas (por ejemplo, planificacin de la expansin de la generacin o
31/10/2010
I.1 OPTIMIZACIN
xF (x ) = 0
x n
MCP
F : n n
31/10/2010
I OPTIMIZACIN
f (x )
Optimizacin no lineal sin restricciones min
x
f : n
Ajuste no lineal mnimo cuadrtico
Programacin multiobjetivo
(multiobjective programming)
Ax = b
x 0
x n , c n , A mn , b m
fi (x ) : n
I.1.2. Referencias
Gass, S.L. and Harris, C.M. (eds.) (2001) Encyclopedia of Operations Research
and Management Science. Centennial Edition. Kluwer Academic Publishers.
Hillier, F.S. (2010) Introduccin a la Investigacin de Operaciones. 9 edicin.
McGraw Hill.
Robinson R. (1999) Welcome to OR Territory OR/MS Today pp. 40-43
August.
Sarabia, A. (1996) La Investigacin Operativa. Universidad Pontificia Comillas.
Taha, H.A. (1998) Investigacin de operaciones. Una introduccin. Prentice
Hall.
Winston, W.L. (1994) Investigacin de Operaciones. Aplicaciones y Algoritmos.
Grupo Editorial Iberoamericana.
31/10/2010
I OPTIMIZACIN
31/10/2010
11
12
31/10/2010
I OPTIMIZACIN
MIP, NLP). Es una etapa de creacin donde se debe prestar especial atencin a
la precisin en la formulacin y a la escritura de las ecuaciones que describen el
problema.
En LP la eleccin de una formulacin de un problema, aunque importante,
no afecta de manera significativa la resolucin del mismo. Sin embargo, en NLP
o MIP la eleccin de la formulacin es crucial. Pueden existir diversas
alternativas de modelado que afectan de manera fundamental en la resolucin
del mismo, existiendo un desarrollo cada vez mayor en la reformulacin de
problemas. En problemas MIP la calidad de una formulacin se mide por la
cercana entre la envoltura convexa del poliedro de soluciones enteras factibles y
la del poliedro del problema MIP relajado linealmente. En el apartado I.6.5.2 se
explica en ms detalle algunas tcnicas de reformulacin de problemas MIP.
La caracterizacin de un problema LP segn su tamao resulta difcil y ha
sufrido un gran cambio desde los recientes desarrollos de algoritmos simplex
mejorados y, sobre todo, desde la aparicin de los mtodos de punto interior. En
la tabla 1.1 se propone una clasificacin de tipos de problemas LP segn su
tamao. Esta clasificacin debe ser tomada como gua o referencia relativa
actual pero tngase en cuenta que los tamaos relativos de los problemas
cambiarn conforme evolucionen los cdigos de optimizacin. Actualmente se
puede afirmar que los cdigos de optimizacin lineal implantan algoritmos muy
eficientes, son fiables y numricamente robustos y estn ampliamente
disponibles.
Caso ejemplo
Tamao medio
Gran tamao
Muy gran tamao
Restricciones
100
10000
100000
> 100000
Variables
100
10000
100000
> 100000
31/10/2010
13
14
31/10/2010
I OPTIMIZACIN
I.2.3. Referencias
Schrage, L. (1997) Optimization Modeling with LINDO. Duxbury Press.
Williams, H.P. (1999) Model Building in Mathematical Programming. 4th
Edition. John Wiley and Sons.
31/10/2010
15
I OPTIMIZACIN
31/10/2010
17
18
31/10/2010
I OPTIMIZACIN
31/10/2010
19
Una manera habitual de desarrollar es utilizar una maqueta (caso ejemplo) para la
depuracin y verificacin del modelo y una vez comprobada su validez utilizar el caso real a ser
resuelto.
5
20
31/10/2010
I OPTIMIZACIN
31/10/2010
21
I.3.1.3. Referencias
Brooke, A., Kendrick, D., Meeraus, A. and Raman, R. (1998) GAMS A Users
Guide. GAMS Development Co.
Fourer, R., Gay, D.M. and Kernighan, B.W. (2000) AMPL: A Modeling
Language for Mathematical Programming. The Scientific Press. 2nd ed.
Ragsdale, C. T. (1998) Spreadsheet modeling and decision analysis: a practical
introduction to management science. South-Western College. 2nd ed.
Gass, S.I., Hirshfeld, D.S. and Wasil, E.A. (1995) Model World: The
Spreadsheeting of OR/MS Interfaces pp. 72-81. September-October.
McCarl, B.A. and Spreen, Th.H. (1998) Applied Mathematical Programming
using Algebraic Systems. Technical Report.
Mochol, M. y Sala, R. (1996) Decisiones de optimizacin Tirant lo Blanch.
Valencia.
Sharda, R. and Rampal, G. (1995) Algebraic Modeling Languages on PCs
OR/MS Today pp. 58-63. June.
Van Hentenryck, P. (1999) The OPL Optimization Programming Language. The
MIT Press.
22
31/10/2010
I OPTIMIZACIN
ij
ij
c x
ij ij
SETS
I fbricas de envasado / VIGO, ALGECIRAS /
J mercados de consumo / MADRID, BARCELONA, VALENCIA /
PARAMETERS
A(i) capacidad de produccin de la fbrica i [cajas]
/ VIGO
350
ALGECIRAS 700 /
TABLE C(i,j) coste unitario transporte entre i y j [miles de euros por caja]
MADRID BARCELONA VALENCIA
VIGO
0.06
0.12
0.09
ALGECIRAS 0.05
0.15
0.11
VARIABLES
X(i,j) cajas transportadas entre fbrica i y mercado j [cajas]
CT
coste de transporte [miles de euros]
POSITIVE VARIABLE X
EQUATIONS
COSTE
coste total de transporte
[miles de euros]
CAPACIDAD(i) capacidad mxima de cada fbrica i
[cajas]
DEMANDA(j)
satisfaccin demanda de cada mercado j [cajas] ;
COSTE ..
DEMANDA(j) ..
31/10/2010
23
C o m p i l a t i o n
COMPILATION TIME
Equation Listing
---- COSTE
COSTE..
0.000 SECONDS
0.7 Mb
WIN-19-115
=E=
[miles de euros]
- 0.05*X(ALGECIRAS,MADRID) - 0.15*X(ALGECIRAS,BARCELONA)
---- CAPACIDAD
=L=
CAPACIDAD(VIGO)..
[cajas]
(LHS = 0)
CAPACIDAD(ALGECIRAS)..
X(ALGECIRAS,MADRID) + X(ALGECIRAS,BARCELONA)
---- DEMANDA
=G=
DEMANDA(MADRID)..
DEMANDA(BARCELONA)..
DEMANDA(VALENCIA)..
Column Listing
---- X
X(VIGO,MADRID)
-0.06
1
1
X(VIGO,BARCELONA)
(.LO, .L, .UP = 0, 0, +INF)
-0.12
COSTE
1
CAPACIDAD(VIGO)
1
DEMANDA(BARCELONA)
X(VIGO,VALENCIA)
(.LO, .L, .UP = 0, 0, +INF)
-0.09
COSTE
1
CAPACIDAD(VIGO)
1
DEMANDA(VALENCIA)
---- CT
CT
Model Statistics
MODEL STATISTICS
BLOCKS OF EQUATIONS
BLOCKS OF VARIABLES
NON ZERO ELEMENTS
3
2
19
SINGLE EQUATIONS
SINGLE VARIABLES
6
7
GENERATION TIME
0.140 SECONDS
1.4 Mb
WIN-19-115
EXECUTION TIME
0.140 SECONDS
1.4 Mb
WIN-19-115
S O L V E
MODEL
TYPE
SOLVER
24
TRANSPORTE
LP
CPLEX
S U M M A R Y
OBJECTIVE
DIRECTION
FROM LINE
CT
MINIMIZE
39
31/10/2010
I OPTIMIZACIN
1 NORMAL COMPLETION
1 OPTIMAL
93.5000
0.401
5
1000.000
10000
GAMS/Cplex
May 18, 2000 WIN.CP.CP 19.3 016.014.038.WAT For Cplex 6.6
Cplex 6.6.1, GAMS Link 16, Using a GAMS/Cplex demo license installed at runtime.
Objective :
93.500000
COSTE
LOWER
LEVEL
UPPER
-INF
-INF
1.000
[miles de euros]
LOWER
VIGO
ALGECIRAS
MARGINAL
LEVEL
UPPER
MARGINAL
350.000
650.000
350.000
700.000
-0.030
.
[cajas]
LOWER
LEVEL
MADRID
BARCELONA
VALENCIA
400.000
450.000
150.000
400.000
450.000
150.000
---- VAR X
VIGO
.MADRID
VIGO
.BARCELONA
VIGO
.VALENCIA
ALGECIRAS.MADRID
ALGECIRAS.BARCELONA
ALGECIRAS.VALENCIA
---- VAR CT
CT
UPPER
MARGINAL
+INF
+INF
+INF
0.050
0.150
0.110
LOWER
LEVEL
.
.
.
.
.
.
.
350.000
.
400.000
100.000
150.000
+INF
+INF
+INF
+INF
+INF
+INF
0.040
.
0.010
.
.
.
LOWER
LEVEL
UPPER
MARGINAL
-INF
UPPER
93.500
MARGINAL
+INF
EXECUTION TIME
0
NONOPT
0 INFEASIBLE
0 UNBOUNDED
0.030 SECONDS
0.7 Mb
WIN-19-115
INPUT
OUTPUT
D:\TR.GMS
D:\TR.LST
31/10/2010
25
SETS
M mquinas
/ maquina1 * maquina3 /
P tipos de papel / prensa, folio, imprenta, reciclado /
VARIABLES
PRODUCC(p,m) produccin de cada tipo papel en cada mquina (t por mes)
BENEFICIO
beneficio ( por mes)
EQUATIONS
CAPACMAQ(m) capacidad de cada mquina
(h por mes)
DEMANDAP(p) demanda de cada tipo de papel (t por mes)
BENEF
beneficio
( por mes) ;
BENEF
TR1
15
TR2
13
TR3
12
TR4
14
TR5
16
TR1
TR1
TR2
TR3
TR4
26
3
4
5
TR2
2
2
3
TR3
5
4
6
TR4
1
2
3
TR5
6
5
4
5
31/10/2010
I OPTIMIZACIN
TR5
SETS
I trabajos que se van a ejecutar / TR1 * TR5 /
ALIAS (i,j)
VARIABLES
X(i,j) paso del trabajo i al trabajo j
TT
tiempo total en completar los trabajos
BINARY VARIABLE X
EQUATIONS
TIEMPO
ANTERIOR(i)
POSTERIOR(j)
PAREJAS(i,j)
TIEMPO
ANTERIOR(i)
POSTERIOR(j)
PAREJAS(i,j)
i,j
ij
= 1 j
ij
= 1 i
(1.1)
31/10/2010
27
SETS
I Ciudades
K Etapas
ALIAS(I,J,R,S)
PARAMETER
COSTE(i,j)
VARIABLE
FOBJ
Funcin objetivo []
BINARY VARIABLES
X1(i,j)
Indica si se viaja de la ciudad i a la ciudad j
X2(i,j,k)
Indica si se viaja de la ciudad i a la ciudad j en la etapa k
POSITIVE VARIABLE
U(i)
Etapa en que se visita una cierta ciudad
EQUATIONS
E_FOBJ1
E_ORIGEN1(i)
E_DESTINO1(j)
E_SUBCICLO1(i,j)
E_SUBCICLO2(i,j)
E_SUBCICLO3(i,j,r)
E_SUBCICLO4(i,j,r,s)
E_FOBJ2
E_ORIGEN2(i)
E_DESTINO2(j)
E_ETAPA(k)
E_ORIG_DEST(j,k)
Funcin objetivo
Cada ciudad es origen una sola vez
Cada ciudad es destino una sola vez
Restricciones para eliminar subciclos
Restricciones para eliminar subciclos de orden 2
Restricciones para eliminar subciclos de orden 3
Restricciones para eliminar subciclos de orden 4
Funcin objetivo
Cada ciudad es origen una sola vez
Cada ciudad es destino una sola vez
En cada etapa se hace slo un recorrido
La ciudad destino en k es origen en k+1 ;
E_FOBJ1
E_ORIGEN1(i)
E_SUBCICLO3(i,j,r)
E_SUBCICLO4(i,j,r,s) $(NOT SAMEAS(i,j) AND NOT SAMEAS(j,r) AND NOT SAMEAS(r,i) AND
NOT SAMEAS(r,s) AND NOT SAMEAS(s,i) AND NOT SAMEAS(s,j)) ..
X1(i,j) + X1(j,r) + X1(r,s) + X1(s,i) =L= 3;
E_FOBJ2
E_ORIGEN2(i)
E_DESTINO2(j)
E_ETAPA(k)
MODEL TSP1
MODEL TSP2
********************************************************************************
* Caso ejemplo: Schrage (1997) p. 319
* Esta informacin se podra introducir mediante ficheros de texto
* utilizando la instruccin $INCLUDE nombrefichero
SETS
I
Ciudades
/ Atl, Chi, Cin, Hou, LA, Mon, NY, Phi, Pit, StL, SD, SF /
28
Etapas
31/10/2010
I OPTIMIZACIN
/ 1 * 12 /
SD
2363
2184
2228
1521
95
2948
2892
2800
2512
1890
0
500
SF
5679
2187
2463
2021
405
2951
3032
2951
2646
2125
500
0
;
U.UP(i) = CARD(i) ;
OPTION OPTCR = 0
* Orden de ejecucin
Datos
Dh demanda trmica en la hora h [MW]
R coeficiente de reserva rodante con respecto a la demanda [p.u.]
at
bt
cat
cpt
Pt
Pt
rst
31/10/2010
29
Variables
Pht potencia producida por el grupo trmico t en la hora h [MW]
Aht acoplamiento del grupo trmico t en la hora h [0,1]
ARht arranque del grupo trmico t en la hora h [0,1]
PRht parada del grupo trmico t en la hora h [0,1]
H
ht
= Dh
t =1
T
(P A
t
ht
Pht ) = RDh
t =1
2HT
(H 1)T
Pht Ph 1t rst
(H 1)T
Ph 1t Pht rbt
(H 1)T
Pht 0
SETS
T grupos trmicos /GALICIA, CATALUNA, MADRID, VALENCIA,
EXTREMAD, ANDALUCI, CASTLEON/
H hora h /h1 * h5/
SCALAR
r porcentaje de reserva rodante sobre la demanda [p.u.] /0.2/
PARAMETERS
d(h) demanda cada hora [MW]
/h1 1000 , h2 1400 , h3 2400 , h4 2000 , h5 1000/
pmax(t) pot mxima de cada trmico [MW]
/GALICIA 400, CATALUNA 500, MADRID 700, VALENCIA 400,
EXTREMAD 300, ANDALUCI 800, CASTLEON 800/
pmin(t) pot mnima de cada trmico [MW]
/GALICIA 100, CATALUNA 150, MADRID 150, VALENCIA 50,
EXTREMAD 50, ANDALUCI 400, CASTLEON 200 /
rs(t) rampa de subida [MW por hora]
/GALICIA 200, CATALUNA 300, MADRID 500, VALENCIA 300,
EXTREMAD 100, ANDALUCI 500, CASTLEON 400/
rb(t) rampa de bajada [MW por hora]
/GALICIA 300, CATALUNA 300, MADRID 200, VALENCIA 100,
EXTREMAD 100, ANDALUCI 500, CASTLEON 400/
c(t) coste lineal de produccin [ por MWh]
/GALICIA 4, CATALUNA 4, MADRID 4, VALENCIA 4,
EXTREMAD 3, ANDALUCI 2, CASTLEON 7/
b(t) coste fijo de produccin []
/GALICIA 50, CATALUNA 30, MADRID 30, VALENCIA 25,
EXTREMAD 30, ANDALUCI 80, CASTLEON 70/
ca(t) coste de arranque
/GALICIA 10, CATALUNA 20, MADRID 10, VALENCIA 15,
EXTREMAD 20, ANDALUCI 10, CASTLEON 15/
30
31/10/2010
I OPTIMIZACIN
VARIABLES
CT
coste variable total del
A(t,h) acoplamiento del grupo t
AR(t,h) arranque
del grupo t
PR(t,h) parada
del grupo t
P(t,h) generacin producida por
sistema [M]
a las h horas [0-1]
a las h horas [0-1]
a las h horas [0-1]
el grupo t a las h horas [MW]
EQUATIONS
COSTE
DEMANDA(h)
RESERVA(h)
COTASUP(t,h)
COTAINF(t,h)
RAMPASUB(t,h)
RAMPABAJ(t,h)
LOGICA(t,h)
P.UP(t,h) = pmax(t)
OPTION OPTCR = 0
ndices y parmetros
31/10/2010
31
Variables
Ecuaciones
Modelo
Inclusin y manipulacin
de datos de entrada
necesario.
Definicin de las variables segn sean positivas,
libres, binarias, etc.
Declaracin y definicin de las restricciones. Se
controlar con cuidado las condiciones de validez
u ocurrencia de las mismas.
Declaracin de las ecuaciones que componen el
modelo.
Los datos de entrada se introducen desde ficheros
independientes, despus se realizan los clculos de
parmetros auxiliares dependientes de los datos
de entrada.
Acotamiento de las variables a sus cotas fsicas e
inicializacin cuando tenga sentido.
Acotamiento e
inicializacin de variables
Resolucin del problema de
optimizacin
Presentacin de resultados Presentacin de los resultados elaborados a partir
de la solucin del problema de optimizacin.
Tabla 1.2 Estructura de un modelo de optimizacin en GAMS.
t =1
h =1
n =1
32
31/10/2010
I OPTIMIZACIN
i =1
h n
j =1
Xi j
SB
Fi j = i j
0 GHPh GHPh
Fi j Fi j Fi j
Adems de la formulacin anterior, se presenta otra donde se eliminan las
variables de flujo y se sustituyen por la expresin de la segunda ley de Kirchhoff
en funcin de los ngulos. La ecuacin de balance entre generacin y demanda
tiene ahora esta formulacin
31/10/2010
33
GTR
t n
j =1
i j Fi j
i j Fi j
Xi j
SB
Xi j
SB
Li j = 2S B
ri j
1 cos(i j )
ri j + X i2 j
2
i =1
h n
j =1
Ln = Li n + Ln j / 2
i =1
j =1
SETS
ND
GR
TR(gr)
HD(gr)
NDGR(nd,gr)
LN(nd,nd)
nudos
generadores
generadores trmicos
generadores hidrulicos
localizacin de generadores en nudos
lneas
CN caractersticas nudos
/ dem, cpns /
Las cotas en las variables no cuentan como restricciones desde el punto de vista del tiempo
de clculo, ya que los algoritmos de optimizacin las tratan de forma especfica.
6
34
31/10/2010
I OPTIMIZACIN
SCALARS
SBASE potencia base [GW]
/ 0.1 /
OPCPRD opcin de modelado de las prdidas (no 0 si 1) / 0 /
PARAMETERS
DATNUD(nd,cn)
datos de los nudos
DATGEN(gr,cg)
datos de los generadores
DATLIN(nd,nd,cl) datos de las lneas
VARIABLES
COSTE
funcin objetivo
TT(nd)
ngulo de tensin en el nudo
FL(ni,nf) flujo de potencia
[M]
[rad]
[GW]
POSITIVE VARIABLES
GTR(gr)
generacin trmica
GHP(gr)
generacin hidrulica programada
GHE(gr)
generacin hidrulica de emergencia
PNS(nd)
potencia no suministrada
PRDAS(nd) prdidas de las lneas conectadas al nudo
[GW]
[GW]
[GW]
[GW]
[GW]
EQUATIONS
FO
KR1F(nd)
KR1A(nd)
FLJ(ni,nf)
FLJP(ni,nf)
FLJN(ni,nf)
EPRDAS(nd)
FO
KR1F(nd) ..
SUM[NDGR(nd,tr), GTR(tr)] + SUM[NDGR(nd,hd), GHP(hd) + GHE(hd)]
+ SUM[LN(ni,nd), FL(ni,nd)] - SUM[LN(nd,nf), FL(nd,nf)]
+ PNS(nd) =E= DATNUD(nd,'dem') + PRDAS(nd) $OPCPRD ;
KR1A(nd) ..
SUM[NDGR(nd,tr), GTR(tr)]
+ SUM[NDGR(nd,hd), GHP(hd) + GHE(hd)]
+ SUM[LN(ni,nd), (TT(ni) - TT(nd)) / DATLIN(ni,nd,'x')] * SBASE
- SUM[LN(nd,nf), (TT(nd) - TT(nf)) / DATLIN(nd,nf,'x')] * SBASE
+ PNS(nd) =E= DATNUD(nd,'dem') + PRDAS(nd) $OPCPRD ;
FLJP(LN(ni,nf)) ..
TT(ni) - TT(nf) =L=
FLJN(LN(ni,nf)) ..
TT(ni) - TT(nf) =G= - DATLIN(ni,nf,'flmax') * DATLIN(ni,nf,'x') / SBASE ;
* caso de estudio
*** esta parte ira en ficheros independientes y se introducira con $include
SETS
ND
nudos
/ nudo-1 * nudo-9 /
GR
generadores
/ genr-1 * genr-9, genh-1 * genh-4 /
NDGR(nd,gr) localizacin de generadores en nudos
/
nudo-1 . genr-1
nudo-1 . genr-2
nudo-1 . genr-3
nudo-2 . genr-4
nudo-2 . genr-5
31/10/2010
35
nudo-2
nudo-3
nudo-3
nudo-3
nudo-1
nudo-3
nudo-6
nudo-8
/ ;
.
.
.
.
.
.
.
.
genr-6
genr-7
genr-8
genr-9
genh-1
genh-2
genh-3
genh-4
TR(gr)
$DATGEN(gr,'pmax')
= YES ;
HD(gr)
$DATGEN(gr,'hdrpro') = YES ;
LN(ni,nf) $DATLIN(ni,nf,'x')
= YES ;
DATNUD(nd,'dem')
DATGEN(tr,'pmin')
DATGEN(tr,'pmax')
DATGEN(hd,'hdrpro')
DATGEN(hd,'hdrmax')
DATLIN(ln,'flmax')
=
=
=
=
=
=
DATNUD(nd,'dem')
DATGEN(tr,'pmin')
DATGEN(tr,'pmax')
DATGEN(hd,'hdrpro')
DATGEN(hd,'hdrmax')
DATLIN(ln,'flmax')
/
/
/
/
/
/
1e3
1e3
1e3
1e3
1e3
1e3
;
;
;
;
;
;
GTR.LO(tr) = DATGEN(tr,'pmin') ;
GTR.UP(tr) = DATGEN(tr,'pmax') ;
GHP.UP(hd) = DATGEN(hd,'hdrpro') ;
GHE.UP(hd) = DATGEN(hd,'hdrmax') - DATGEN(hd,'hdrpro') ;
PNS.UP(nd) = DATNUD(nd,'dem') ;
FL.LO(ln)
FL.UP(ln)
36
= - DATLIN(ln,'flmax') ;
=
DATLIN(ln,'flmax') ;
31/10/2010
I OPTIMIZACIN
TT.LO(nd) = - 1.5 ;
TT.UP(nd) =
1.5 ;
* nudo de referencia
TT.FX(nd) $(ORD(nd) EQ 1) = 0 ;
OPCPRD = 0 ;
SOLVE FC
USING
LP MINIMIZING COSTE ;
OPTION BRATIO = 1 ;
LP MINIMIZING COSTE ;
OPCPRD = 1 ;
I.3.3.1. Generales
La programacin no es un castigo divino para los humanos, es ciencia y arte.
Es ciencia en la medida que se pueden implantar modelos matemticos
complejos y que el pensamiento, la disciplina, la rigurosidad y la
experimentacin acompaan este desarrollo. El resultado es arte por la belleza,
elegancia, sensacin que puede transmitir un modelo y la profesionalidad de su
creador.
Una forma de aprender a escribir con estilo y estructura ordenada es
mediante la lectura de ejemplos ilustrativos o de cdigo ajeno. Una manera de
programar es por refinamiento gradual de los detalles. Es importante recordar
que en el desarrollo de una aplicacin el diablo se esconde en los detalles.
La potencia y concisin de los modelos escritos en un lenguaje de modelado
hacen que el propio cdigo forme parte de la documentacin. De hecho la
reutilizacin de modelos fue una de las causas que dieron origen a los lenguajes
de modelado. La etapa de diseo del modelo cobra gran importancia para
permitir posteriores ampliaciones. Por esta razn es importante el estilo en la
programacin, que incide en la calidad y mantenibilidad7 del cdigo desarrollado.
7
31/10/2010
37
38
31/10/2010
I OPTIMIZACIN
Las lneas de cdigo deben tener una longitud aproximada de 100 columnas,
no sobrepasando nunca las 110. Romper la instruccin en cuantas lneas sea
necesario para cumplir esta recomendacin.
Los comentarios deben ser suficientemente ilustrativos del contenido y estar
bien localizados. Deben ayudar a documentar la naturaleza y origen de los datos
Se deben utilizar nombres largos y descriptivos para las entidades del
modelo.
Los nombres y los ndices de los parmetros, variables y ecuaciones han de
ser acrnimos que representen su significado. Se recomienda una longitud de
hasta 10 caracteres para los primeros y de hasta 2 para los segundos. Los
comentarios explicativos pueden hacerse de hasta 80 caracteres.
Las definiciones de las entidades del modelo deben llevar las dimensiones
fsicas del problema.
Hacer un uso sistemtico de maysculas y minsculas con algn criterio
predefinido, que debe ser coherente y mantenerse a lo largo de todo el
programa. Por ejemplo, los nombres de los parmetros, variables y ecuaciones
van en maysculas. Los nombres de sus ndices van en minsculas.
REFORMULACIN MANUAL DEL PROBLEMA
Un primer estadio en la formulacin de un problema est en la eleccin de la
propia formulacin. A veces se pueden utilizar formulaciones semejantes con
coste computacional muy diferente. Por ejemplo, para la representacin de las
prdidas en un circuito elctrico se puede utilizar una funcin no lineal o una
poligonal aproximada. Habitualmente la formulacin poligonal convexa requiere
mucho menos tiempo.
Diferentes formulaciones matemticamente equivalentes de un mismo
problema de optimizacin pueden requerir tiempos de optimizacin muy
distintos. Esta afirmacin es especialmente relevante en problemas de
programacin lineal entera mixta y programacin no lineal. Por esta razn,
siempre es conveniente un ejercicio continuo de experimentacin y reformulacin
de los problemas.
Veamos estas tres formulaciones de un problema NLP
n
min
q xx
ij i
i =1 j =i +1
=1
j =1
n
r x
j
= r0
j =1
31/10/2010
39
min x i
q x
ij
i =1
j =i +1
=1
j =1
n
r x
j
= r0
j =1
min x i wi
i =1
n
wi =
q x
ij
j =i +1
n
=1
j =1
n
r x
j
= r0
j =1
Caso 1
Caso 2
Restricc. Variables Elementos Restricc. Variables Elementos
Sin preproceso 19047
Con preproceso 15744
Decremento
17%
27262
21982
19%
81215
51079
37%
48971
40794
17%
63935
56133
12%
187059
135361
28%
40
31/10/2010
I OPTIMIZACIN
31/10/2010
41
42
31/10/2010
I OPTIMIZACIN
cotas superfluas que nunca deben ser activas en la solucin ptima pero que
reducen el tiempo de optimizacin).
El preproceso generalmente incluye procedimientos para el fortalecimiento de
las cotas de las variables (reduccin de las cotas superiores y aumento de las
inferiores).
TRATAMIENTO EXPLCITO DE CONJUNTOS ORDENADOS SOSN
Los conjuntos ordenados (Special Ordered Sets SOS) son conjuntos de
variables que cumplen las siguientes condiciones:
Como mucho n elementos del conjunto toman valores diferentes de 0. El
resto de elementos ha de ser 0
Si hay n elementos que son diferentes de 0 deben ser contiguos
Los conjuntos ordenados tienen un tratamiento especial en la optimizacin,
por lo que su definicin puede mejorar mucho el tiempo requerido para la
resolucin.
SELECCIN DEL OPTIMIZADOR Y TIPO ALGORITMO DE OPTIMIZACIN
Un lenguaje de modelado permite utilizar diferentes optimizadores para la
resolucin de un mismo problema de optimizacin. Esta caracterstica
representa una gran ventaja por la flexibilidad que aporta en la seleccin del
optimizador ms adecuado a las caractersticas del problema.
En Internet (www-c.mcs.anl.gov/otc/guide/faq/linear-programming.html) y
en la revista OR/MS Today, Fourer (2003), se pueden encontrar opiniones y
revisiones del software disponible para la resolucin de problemas de
optimizacin de todo tipo. Entre los optimizadores a los que se ha tenido acceso
destacan CPLEX y OSL para LP, MINOS y CONOPT para NLP y MILES y
PATH para MCP.
El mejor mtodo para un problema concreto depende de las caractersticas
del problema, de los detalles de implantacin del mtodo simplex o del punto
interior y del ordenador utilizado. Por esta razn los paquetes comerciales de LP
importantes incluyen mtodos de punto interior (habitualmente primal-dual
predictivo-correctivo), mtodos simplex (en su versin primal y dual) y de
resolucin de flujos de redes (simplex de red). Se debe utilizar el mtodo de
optimizacin (punto interior o barrera, simplex primal o simplex dual) ms
adecuado al tipo o tamao del problema.
Como recomendacin general, para problemas de tamao medio (hasta
aproximadamente de 10000 x 10000) el mtodo ms adecuado es el simplex y
para problemas de gran tamao (desde 10000 x 10000 hasta 100000 x 100000) el
mejor mtodo es el de punto interior (especialmente en problemas degenerados).
31/10/2010
43
Punto interior
CPLEX 6.0 Simplex dual
Simplex primal
MINOS 5.3 Simplex primal
Punto interior
OSL 2.1
Simplex primal
Caso 1
Tiempo ndice
41.8
1.0
99.8
1.4
156.2
3.7
1863.6
44.6
163.9
3.9
530.9
12.7
Iter.
32
12692
21622
23927
10798
12685
Caso 2
Tiempo ndice
237.3
1.0
1812.6
6.6
1217.5
5.1
774.4
3.3
7426.6
31.3
Iter.
35
48695
50280
19524
62019
Sin prep
Prep CPLEX
Prep OSL
Caso 1
Caso 2
Restricc. Variables Elementos Restricc. Variables Elementos
19047
27847
82295
49715
64679
189477
14,8%
19,3%
36,2%
17,9%
13,2%
28,6%
4,9%
0,0%
2,4%
15,6%
0,0%
9,1%
Tabla 1.5 Comparacin entre diferentes preprocesos.
44
31/10/2010
I OPTIMIZACIN
31/10/2010
45
A pesar de ello esta ventaja puede no ser suficiente para ciertos tamaos
como para superar al mtodo de punto interior. Por ejemplo, aproximadamente
a partir de 20000 restricciones por 20000 variables el mtodo de punto interior
resulta ms competitivo que el simplex aun comenzando ste con una base
previa de un problema anterior.
DETECCIN DE INFACTIBILIDADES
Un mtodo muy sencillo aunque laborioso y que puede producir problemas
de consistencia y de dimensiones, es introducir variables de holgura en cada
restriccin y penalizarlas en la funcin objetivo. Este procedimiento hace las
restricciones elsticas.
Alternativamente algunos optimizadores tienen un parmetro que detecta el
ncleo menor de restricciones infactibles de un problema (parmetro Irreducible
Infeasible Subsets iis) y, por consiguiente, ayudan a localizar su posible causa.
Una vez conocidas el desarrollador debe modificar o eliminar alguna del
conjunto para que el problema se haga factible. Un artculo reciente de John W.
Chinneck sobre algoritmos para encontrar este conjunto mnimo es [Guieu, 1999]
ANLISIS DE SENSIBILIDAD
Proporciona informacin adicional sobre la solucin de un problema de
optimizacin lineal.
Algunos optimizadores permiten realizar directamente un anlisis de
sensibilidad a cambios en los coeficientes de la funcin objetivo que no producen
una alteracin de la base ptima o a cotas de las restricciones que no producen
prdida de factibilidad (parmetros objrng, rhsrng).
46
31/10/2010
I OPTIMIZACIN
31/10/2010
47
48
31/10/2010
I OPTIMIZACIN
31/10/2010
49
50
31/10/2010
I OPTIMIZACIN
31/10/2010
51
Escribe datos en una hoja de clculo. Los intervalos de escritura son fijos.
Interfaz de presentacin de resultados
Algunas de estas utilidades se pueden usar para realizar interfaces ms
sencillas con bases de datos.
gams2tbl.gms
52
31/10/2010
I OPTIMIZACIN
I.3.3.3. Referencias
Bixby, R.E., Fenelon, M., Gu, Z., Rothberg, E. and Wunderling, R. (2000)
MIP: Theory and Practice - Closing the Gap. Technical Report.
Guieu, O. and Chinneck, J.W. (1999) Analyzing Infeasible Mixed-Integer and
Integer Linear Programs, INFORMS Journal on Computing, vol. 11, no. 1,
pp. 63-77.
Fourer, R. (2003) Linear Programming OR/MS Today. December.
McCarl, B. A. (1998) So Your GAMS Model Didnt Work Right. A Guide to
Model Repair. Technical Report.
Jacobs, J., Freeman, G., Grygier, J., Morton, D., Schultz, G., Staschus, K. and
Stedinger, J. (1995) SOCRATES: A system for scheduling hydroelectric
generation under uncertainty Annals of Operations Research 59. pp. 99133.
Ramos, A., Muoz, L., Ruprez, I., Martnez-Crcoles, F. and MartnCorrochano, V. (1996) Computational Experience with Optimization for a
Bulk Production Cost Model 12th PSCC. Dresden, Germany.
31/10/2010
53