1

MTODOS DE OPTIMIZACIN




La bsqueda de un ptimo

Lo expuesto hasta aqu implica haber logrado definir, para un determinado
problema de diseo, tanto el esquema de proceso cuanto el modelo matemtico
que lo representa, as como un conjunto de variables independientes o de decisin
que resultan las ms adecuadas, teniendo en cuenta la complejidad del clculo de
la funcin objetivo.
La cuestin que se plantea ahora es como manejar el problema de optimizacin
resultante -supuestamente siempre se tendr un nmero positivo de grados de
libertad- o, en otros trminos, que valores habrn de darse a las variables de
decisin para obtener el ptimo buscado.
Las distintas estrategias que pueden concebirse constituyen el desarrollo
central de las Tcnicas de Optimizacin, a las que se las suele agrupar en dos
grandes captulos: los Mtodos de Optimizacin y las Programaciones.
Dentro de los primeros quedan englobadas vas de solucin de tipo genrico,
donde, o bien se tiene una escasa consideracin acerca de la naturaleza
matemtica del problema cuyo ptimo debe encontrarse, privilegindose ms los
aspectos "operativos" con los que el mtodo pretende arribar a la solucin, o se
fuerza una formulacin matemtica que resulta ms sencilla de abordar. Las
programaciones, en cambio, son de aplicacin restringida a un determinado tipo
de problemas, caracterizados ya sea por su formulacin matemtica o bien por la
estructura del flujo de informacin.
En la literatura se habla de una Programacin no lineal que, sintticamente, se
refiere a un problema que puede formularse como sigue
2

Hallar:
mn FO(x
1
, , x
n+m
)
con f
i
(x
1
, , x
n+m
) = 0 ; i = 1, , m
y h
j
(x
1
, , x
n+m
) 0 ; j = 1, , p
que no es otra cosa que el planteo ms general posible de un problema de
optimizacin.
En este captulo se abordar primeramente el tratamiento de los mtodos que
centran su atencin en los aspectos operativos, para luego considerar aquellas
tcnicas que hacen uso de una aproximacin matemtica para resolver el
problema.
En el primer caso, el objetivo comn a todos los mtodos es, en esencia,
obtener, con el menor nmero posible de evaluaciones de la funcin objetivo, una
representacin adecuada de la misma que permita determinar la ubicacin del
punto ptimo.
De lo dicho resulta claro que, en este caso, toda la problemtica est
directamente relacionada con aspectos propios del clculo numrico como
eficiencia y comportamiento del algoritmo frente a problemas mal condicionados,
mbito de convergencia y velocidad de la misma, etctera.
Existe la necesidad de dividir el tratamiento de los mtodos de bsqueda en dos
grandes grupos, algo que se deriva de una cuestin esencial en la determinacin
numrica de un extremo, a saber: un punto se dice ptimo - en rigor, en sentido
local - cuando la funcin objetivo evaluada all resulta ser mejor que en el entorno
inmediatamente prximo.
Puesto en trminos simblicos
x
*
ptimo si F(x
*
) mejor que F(x) ; x
*
, x E
n
y x
*
- x =
lo cual, para una funcin objetivo que dependa de una sola variable de decisin
implica la comparacin con solo dos puntos, x*+ y x*-, pero para otra que
dependa tan solo de dos debera efectuarse el cotejo con los infinitos puntos de la
circunferencia de centro x* y radio . Lo primero es numricamente posible pero lo
segundo no y, por lo tanto, habr una sustancial diferencia entre los mtodos de
bsqueda de ptimo de funciones de una y dos o ms variables de decisin.
3

Otra gran divisin que a la que se suele hacer referencia es entre mtodos
orientados hacia problemas sin restricciones y aquellos que son capaces de
abordar esquemas restringidos. Aqu no se har mayor hincapi en este punto ya
que, en realidad, en lo que a diseo ptimo se refiere, todos los casos reales
poseen restricciones.


Mtodos para problemas de una variable

En este apartado se abarca una temtica que excede el exclusivo planteo de un
problema de diseo con una nica variable de decisin.
Un concepto ms acabado del tipo de cuestiones que abordan estos mtodos
es el de bsqueda unidireccional que abarca tanto los problemas ya mencionados
como la resolucin de otros, de dos o ms variables, en base a una estrategia
basada en definir direcciones, segn un determinado criterio, y sobre ellas buscar
el ptimo de la funcin objetivo.
Uno de los enfoques clsicos en mtodos de bsqueda unidireccional es el
concepto de eliminacin de regiones, por el cual se procede a excluir del anlisis
subsiguiente espacios de bsqueda donde, se dice, no puede encontrarse el
ptimo.
Esta idea est estrechamente asociada a la nocin de unimodalidad cuyo
significado es que en el mbito de bsqueda solo debe existir un ptimo de la
naturaleza buscada.
En la figura 1 la funcin es unimodal si se
est buscando un mximo -existe uno solo, el
punto c- pero no lo sera si se buscase mnimo,
pues hay dos en la zona de soluciones
admisibles, los puntos a y b, los extremos del
intervalo. Ntese que la unimodalidad no se ve
afectada por la discontinuidad -de la funcin y
su derivada- que se presenta en el punto d.

a b c d
Figura 1. Unimodalidad
4

Simblicamente, se puede decir que una funcin es unimodal si
siendo x
1
< x
2
y x
*
el punto ptimo
f (x
1
) es peor que f(x
2
) si x
2
< x
*
y
f (x
1
) es mejor que f(x
2
) si x
1
> x
*

Si una funcin es unimodal se puede
asegurar, calculndola solo en dos
puntos, en que zona no puede
encontrarse el ptimo y, por
consiguiente, como ya se dijo, eliminarla
del anlisis. En la figura 2 los valores de
la funcin calculados en x
1
y x
2
permiten
presuponer comportamientos como los
indicados en lneas de puntos, con lo que, si se busca un mximo, la zona x
2
-b
deja de ser de inters. Ntese que los valores de la funcin podran haberse
encontrado en una situacin inversa a la presentada (f
1
< f
2
) y, en tal caso, la
zona excluida sera a-x
1.

Puede observarse que:
1. Se requieren, como mnimo, dos evaluaciones de la funcin objetivo para
poder desechar una regin
2. La ubicacin de los puntos de clculo debe ser simtrica respecto del punto
medio del intervalo para que el porcentaje de regin eliminada sea
independiente de los valores relativos de las evaluaciones
3. Siempre queda uno de los puntos dentro de la zona no eliminada, mientras
que el restante queda en uno de los lmites de la misma.
Si bien el concepto de unimodalidad es muy simple de plantear y, como se ver,
puede convertirse en una estrategia eficiente para la bsqueda de un ptimo, tiene
un inconveniente bsico y es que para asegurar su cumplimiento debera
conocerse exactamente el comportamiento de la funcin objetivo, cuestin que, en
la prctica, es imposible.
Ms an, sin este conocimiento, que es, se insiste, la situacin normal, solo se
est en condiciones de establecer cuando la funcin no es unimodal.

a b X
1
X
2
Figura 2. Eliminacin de regiones
5

En la figura 3, por ejemplo, se ha
representado una situacin posible, en la
bsqueda de un mnimo, luego de un
segundo paso en la estrategia de eliminacin
de regiones.
Otra vez se tienen dos puntos en el
interior y ha quedado, de la etapa anterior,
una evaluacin sobre el borde de la zona,
indicado como punto b.
Resulta claro que, si lo que se busca es un mximo de la funcin objetivo, sta
no es unimodal en ese sentido (habra sendos mximos a izquierda y derecha del
punto x
2
).
Ahora bien, si no se detectase una situacin de esta ndole no habra que
inferir, por ello, que la funcin es unimodal, pues solo podra ser una consecuencia
de la particular ubicacin de los puntos de anlisis. Si la situacin se repitiese una
y otra vez habra fundamentos para estimar que la funcin se comporta como
unimodal.


El mtodo del Nmero de Oro

El mtodo que se ha de analizar a continuacin es uno de los ms difundidos
por la simplicidad de su programacin y una notable eficiencia en el proceso de
determinar el punto ptimo en una bsqueda unidireccional.
La idea bsica se muestra en la figura 4. All
se han ubicado, en una primera etapa, los dos
puntos requeridos para lograr la eliminacin de
un cierto sector de la zona de bsqueda inicial,
el entorno {a, b}, normalizado en {0, 1}.
En la figura se ha supuesto, adems, que la
a X
1
=X
2
X
2
=b b
X
1
Figura 3. Bsqueda secuencial
a (=0) b (=1) X
2
X
2
X
1
a' b'
Figura 4. Nmero de Oro
6

zona eliminada es la ubicada entre x
2
y b. De esta forma, el intervalo de bsqueda
pasa a ser, ahora, {a' = a, b' = x
2
}. (Ntese que como ya qued dicho, uno de los
nuevos lmites de la zona coincide con un punto de anlisis).
En la estrategia que se plantea el mtodo del Nmero de Oro el punto que
permanece en el interior del nuevo intervalo est ubicado en la posicin relativa en
la que se encontraba el otro punto, que ahora limita la zona; esto es, el anterior x
1

ser el nuevo x
2
, y habr que calcular un nuevo x
1
, indicado como x
1
en la figura.
Para ello deber cumplirse que

Es a este nmero irracional al que el mtodo debe su nombre, ya que en la
Grecia clsica la cifra 1,6180339... era conocida como "relacin urea",
ntimamente ligada a la secta pitagrica: en su emblema, una estrella regular de
cinco puntas, en la que todas sus lneas estn divididas segn esa proporcin.
Tiene propiedades geomtricas singulares, por lo que no es de extraar que los
griegos, tan racionales, le atribuyesen cualidades inasibles como la belleza y
utilizaran la relacin urea al erigir los esplndidos edificios de la Acrpolis
ateniense, con lo cual vino a resultar cierto que tal proporcin es sinnimo de
belleza. Volviendo al mtodo, la ubicacin relativa de los puntos de una etapa de
anlisis hace posible que en la siguiente solo sea necesario el clculo de un nico
punto nuevo, manteniendo siempre constante el factor de reduccin de la zona de
bsqueda (61,8 % del intervalo existente).
Al cabo de n etapas se habrn realizado n+1 clculos de la funcin objetivo (en
la primera deben realizarse, necesariamente, dos) y el factor de reduccin global
alcanzado (relacin entre intervalo final e inicial) ser de (0,618)

n
. De esto surge
que el nmero de etapas que se requieren para lograr un determinado factor de
reduccin es
n
(0.618..) log
log
(0.618...)
n

Como queda dicho, el proceso de eliminacin de regiones va dejando puntos de
anlisis sobre las fronteras de las zonas que se van aislando. Este hecho permite
... 6180339 , 0
2
1 5
x
0 1
x x
x
x
1
x
x
1
x
2 2
2
2
2
2
2
1 2
=

= = +

= =
7

instrumentar, en forma paralela, un esquema de control de unimodalidad para la
funcin analizada.
En la figura 5 se muestran algunas posibles alternativas en la aplicacin del
mtodo, al buscar el mnimo de la funcin objetivo.
Se ha supuesto all que se conocen, por tratarse de anteriores puntos de
anlisis, los valores de la funcin objetivo en a y b, los extremos del intervalo de
bsqueda.
La aplicacin del criterio de eliminacin de regiones a la situacin expuesta
hace que deba descartarse la zona comprendida
entre x
2
y b, con lo cual x
2
pasa a ser el nuevo b
(b'), x
1
ser x
2
y se requiere calcular el nuevo x
1
.
Al hacerlo, el valor de la funcin objetivo en
ese punto puede ser ms alto o no que el del
extremo a (recurdese que se est buscando un
mnimo), siendo en la figura el valor de la funcin
objetivo en a mayor que en x
2
.
Si la situacin es la indicada como z
2
se estara en la condicin normal y el
proceso puede seguir su curso; si, en cambio, el resultado fuese el indicado como
z
1
se puede afirmar que la funcin no presenta un comportamiento unimodal y no
se podra aplicar la estrategia de eliminacin de regiones, al menos en la forma
que se ha expuesto hasta aqu.
Con todo lo anterior es posible formular un algoritmo para el mtodo que, en
trminos de un pseudocdigo, sera como el que se muestra en el Cuadro 1.

Datos: a, b: extremos del intervalo inicial
: cota de final
1. Inicializacin
1.1 Hacer c = (5
0.5
1)/2
f
a
= FuncinObjetivo(a)
f
b
= FuncinObjetivo(b)
1.2 Para i = 1 hasta 2
x
i
= NuevoPunto(i)
Calcular f
i
= FuncinObjetivo(x
i
)
a=a
X
1
=X
2
X2=b b
Z1
Z
2
X
1
Figura 5. No unimodalidad
8

2. Mientras x
2
x
1
> hacer
2.1 Si f
1
> f
2

2.1.1 entonces hacer: a = x
1
; f
a
= f
1
; x
1
= x
2
; f
1
= f
2
; i = 2
2.1.2 si no hacer: b = x
2
; f
b
= f
2
; x
2
= x
1
; f
2
= f
1
; i = 1
2.2 Calcular x
i
= NuevoPunto(i); f
i
= FuncinObjetivo(x
i
)
2.3 Si i = 1 y f
1
mx(f
2
, f
a
) i = 2 y f
2
mx(f
1
, f
b
)
2.3.1. entonces fin (La funcin no es unimodal).
2.3.2. si no volver a 2.
3. Hacer
x
opt
= 0.5(x
1
+ x
2
)
f
opt
= FuncinObjetivo(x
opt
)
4. Fin

Nuevo Punto (i)
Si i=1
NuevoPunto(i) = a + (1-c) (b-a)
si no
NuevoPunto(i) = a+c (b-a)

Nota: En el procedimiento de clculo de la funcin objetivo, si se viola alguna
restriccin se devuelve un valor positivo grande.
Cuadro 1. Algoritmo del mtodo del Nmero de Oro (mnimo)

El algoritmo del Cuadro 1 presupone el conocimiento exacto de los lmites entre
los que debe buscarse el ptimo. En la realidad puede suceder que a) estos
lmites sean tan amplios que es equivalente a no conocerlos o b) aunque
conocidos, hay restricciones sobre las variables de estado que resultan ms
limitativas que las cotas explcitas de la variable de decisin; esto es
b x a
p ,..., 1 j (2)
n ,..., 1 i (1)

0 ) y ,..., y x, ( h
0 = ) y ,..., y x, ( f

con
) y ,..., y x, ( FO min
n 1 j
n 1 i
n 1

=
=

y puede ser que x est dentro del entorno {a,b} y, sin embargo, no cumplirse
totalmente las condiciones (2).
En ambos casos el hecho coincidente es que no se conocen los valores de los
verdaderos extremos entre los que debe efectuarse la bsqueda del ptimo, por lo
9

cual el algoritmo anterior a) carecera de los datos iniciales o b) estos no seran los
que corresponden.
Para el primero de los casos la cuestin es encontrar los valores de a y b que
corresponden al problema. Sera deseable, claro est, que el esfuerzo realizado
en tal bsqueda fuese aprovechado, luego, durante la optimizacin, al aplicar el
mtodo del nmero de oro.
En la figura 6 se esboza un esquema de exploracin que permite, al encontrar
el intervalo a-b, dejar ubicado un punto segn las exigencias de la metodologa a
aplicar.
El procedimiento parte de disponer de
un punto inicial x
0
y un paso inicial de
bsqueda p
0
.
Se procede a evaluar la funcin objetivo
en x
0
y luego en x
1
= x
0
+ p
0
. Si en este
punto la funcin objetivo resultase peor
que en el anterior se procede a cambiar
de ubicacin los puntos, x
1
pasa a ser x
0
y
viceversa y la direccin de bsqueda,
p
0
= -p
0
.
Para determinar x
2
= x
1
+ p
1
, siendo p
1
= r*p
0
y, en general, x
k+1
= x
k
+ p
k
con
p
k
= r*p
k-1
. El proceso se detiene cuando, como se muestra en la figura, la
evaluacin de la funcin objetivo en un punto x
t
(t > 1) resulta igual o peor que en
el anterior. Cuando esto suceda x
k-1
ser el extremo a y x
k+1
el b.
Puede verse fcilmente que si r es igual a (5
1/2
+ 1)/2 = 1,618... (la relacin
urea) el punto x
k
ocupa la posicin correspondiente a x
1
en el mtodo. No slo
esto sino que, adems, ahora son conocidos los valores de la funcin objetivo en
los extremos del intervalo.
Queda, pues, resuelto el primero de los problemas planteados. Para el
segundo, que se establece, como se recordar, a partir de la existencia de
restricciones implcitas, existen varias vas de ataque, compartidas por la mayor
parte de los mtodos de optimizacin, las que se vern ms adelante.
X
1
X
0 X
k-1
X
k+1 X
k
Figura 6. Problema no restringido
10

En algunos casos es posible adecuar la bsqueda a las caractersticas del
problema, considerando, en forma simultnea, la existencia de lmites implcitos en
las variables de decisin.
Esta adecuacin puede verse en la optimizacin de la red de intercambio
mostrada en la figura 7. En ella se debe considerar que la unidad funciona
8400 h/ao y que son datos conocidos:
Flujos entlpicos en W/C
W
1
= 7620 W
2
= 8792 W
3
= 6087 W
4
= 10550
Coeficientes globales de transferencia en W/m
2
C
U
C
= 1136 U
E
= U
1
= U
2
= U
3
= 852
Costo de servicios auxiliares en $/kg
Agua = 6,3 10
-5
Vapor = 9,5 10
-4

Amortizacin anual del equipamiento, en $/ao, igual a 190 A
0,65


A
1
V
A
C
A
2
A
3
A
E
3
A
1
2 4
280
260
249 138
116
160 93
35 45
60
160 T1
T3
T4 T2

Figura 7. Esquema tecnolgico del problema

En este sistema, las restricciones termodinmicas se expresan,
matemticamente, de forma tal que si las temperaturas de las corrientes fras
superasen a las de las calientes a la entrada o salida de un equipo, en la ecuacin
de diseo del mismo aparecera una indeterminacin insalvable al computar la
temperatura media logartmica.
Si ello ocurriese no podra continuarse con el orden de clculo prefijado y,
consecuentemente, con la evaluacin de la funcin objetivo. Cuando se da esta
situacin se ha de recurrir a asignar a la misma un valor arbitrario, suficientemente
11

alto (considerando siempre que se busca un mnimo). Esta imposicin resulta
coherente con la construccin de la funcin objetivo adoptada.
La variable de decisin elegida para la solucin del problema es T
1
siendo el
orden de clculo:
Elegir T
1
tal que 138
T
0 6
1

a) Cmputo de temperaturas intermedias
)
T
- 0 16 (
10550
7620
+ 138 =
T 1 4

)
T
- 249 (
6087
10550
+ 116 =
T 4 3

0) 6 -
T
(
8792
7620
- 0 16 =
T 1 2

debiendo ser
0 16
T
93 ; 249
T
116 ; 249
T
0 16
2 3 4

b) Cmputo de servicios auxiliares
)
T
- 0 26 ( 10 94 , 3 = q
3
3
V


) 93 -
T
( 21 , 0 = q
2
A

c) Cmputo de reas de intercambio
)
T
0,05 - 14 ( ln 36 , 5 =
A 3 C

T
- 249
116 -
T
ln 89 , 16 =
A
3
4
1

0 16 -
T
T
- 138
ln 2 , 32 =
A
4
1
2

T
- 0 16
0 6 -
T
ln 09 , 67 =
A
1
2
3

) 58 / ) 45 -
T
( ( ln 07 , 19 =
A 2 E

d) Funcin objetivo
q 1905 + q 28728 +
A
0 9 1 = FO
A v
0,65
A

La consideracin de las restricciones implcitas se puede hacer adoptando un
valor de FO, por tratarse de la bsqueda de un mnimo, grande positivo se
tomar 4 10
6
-, en los casos en que se violen una o ms de las restricciones
12

impuestas sobre las temperaturas. El valor adoptado como un "nmero grande
positivo" responde a la expresin 100 FO
#
, siendo FO
#
un valor tpico alto de la
funcin objetivo (40000 $/a para este caso).
Debe advertirse que el criterio adoptado puede transformar la funcin objetivo
en no unimodal. En efecto, las restricciones implcitas sobre T
1
, que imponen las
restantes temperaturas, podran hacer que el mbito efectivo de variacin fuese
ms estricto que el originalmente planteado, 60 - 138.
Si se alcanzara uno de los lmites efectivos, el rea de algn equipo habra de
resultar infinitamente grande y, en consecuencia, sera infinito el valor de la
funcin objetivo. Sobrepasado el lmite, en cambio, el costo anual sera, por
definicin, arbitrariamente grande pero finito, con lo que, sobre los lmites, se
estaran generando mnimos locales, que se agregaran al que, conceptualmente,
es esperable encontrar dentro de la zona.
A pesar de esta consideracin, puede trabajarse igual con el mtodo,
admitiendo que los valores desusados de la funcin objetivo se han de producir en
un entorno extremadamente prximo de los lmites (la funcin "trepa"
bruscamente), con lo cual, desde un punto de vista numrico, los mnimos que
genera la estrategia adoptada tiene muy escasa posibilidad de ser detectados.
En la figura 8 se muestra la
evolucin de los primeros pasos en la
bsqueda del ptimo del costo total
anual para el problema planteado,
tomando como intervalo inicial para T
1
,
60 - 138.
Se ha indicado la secuencia de los
sucesivos puntos de anlisis 1, 2,.. as
como las regiones que van siendo
eliminadas e1, e2,...
Puede advertirse que el proceso descarta de modo natural la zona
implcitamente no admisible (eliminaciones e2 y e4), ignorando el hecho de que
para T
1
= 112,56C la funcin objetivo toma un valor infinito, al hacerse T
3
igual a
Figura 8. Evolucin de la bsqueda
13

249C, como se puede comprobar con un poco de manejo algebraico de las
ecuaciones.
Para un intervalo de incertidumbre final no superior a 0,5C, el mtodo del
Nmero de Oro encuentra el ptimo para T
1
= 111,60 C siendo el costo total
anual de 16192,42 $/a y los valores de las reas de intercambio y servicios
auxiliares los que siguen:
A
C
= 2,55 m
2
A
1
= 65,13 m
2
A
2
= 22,91 m
2
A
3
= 8,92 m
2

A
E
= 3,59 m
2
q
A
= 4,678 kg/s q
V
= 0,048 kg/s
En la solucin encontrada, la aproximacin mnima en el intercambiador de rea
A
1
es igual a 1,2 C, un valor evidentemente muy bajo.
Esto obedece a que el costo relativo de los servicios es muy superior al de las
amortizaciones, lo que hace que se extreme el aprovechamiento trmico a costa
de equipos de gran rea. El problema debera reformularse considerando una
razonable aproximacin mnima tcnica.
Si la presuncin de "trepada brusca" no se hubiese cumplido, esto es, si la no
unimodalidad generada hubiese sido detectada, se debera aplicar otra estrategia
para poder manejar el problema que introducen las restricciones implcitas.
Para ello, antes de emprender la optimizacin en s, se deben buscar los
lmites reales de la variable de decisin mediante un proceso de prueba y error,
que va encerrando la zona donde se encuentra el lmite buscado. El inconveniente
de esta lnea de accin es que se efecta una gran cantidad de clculos que luego
no pueden ser plenamente aprovechados.
La idea de relacionar el valor de la funcin objetivo con la violacin de la zona
de soluciones posibles se volver a considerar ms adelante, generalizando el
tratamiento de la bsqueda de un ptimo en presencia de restricciones, cuando se
utiliza un algoritmo no plenamente capacitado para tener en cuenta la totalidad de
las relaciones existentes en el problema.


14

Mtodos para problemas de dos o ms variables

Como ya qued dicho los problemas con dos o ms grados de libertad imponen
una dificultad numrica insalvable, cual es la imposibilidad prctica de establecer,
con certeza, la naturaleza ptima de un punto.
Este obstculo se vuelve ms formidable cuanto mayor es la dimensionalidad
del problema, circunstancia que se agrega a la complejidad natural de una
formulacin extensa en el nmero de variables -del orden del centenar-, con una
matriz de existencia dispersa en extremo. Esto ltimo obliga a la utilizacin de
mtodos numricos especficos, que aprovechan adecuadamente la baja densidad
de ocurrencia de las variables, con lo que se logra reducir la propagacin de
errores o los requerimientos de espacio para almacenar informacin.
Bajo esta ptica puede establecerse una divisin adicional a las que se han
mencionado al comienzo de este captulo, teniendo en cuenta, bsicamente, el
comportamiento de los mtodos en relacin a la magnitud de los problemas a ser
resueltos.
Puede hablarse as de mtodos empricos de optimizacin, los ms
tradicionales y sencillos, pero con un campo de aplicacin restringido, como lo
demuestra la experiencia, a problemas pequeos, con pocos grados de libertad.
El otro grupo lo constituyen los mtodos por aproximaciones sucesivas, todos
con una importante fundamentacin matemtica y con la comn caracterstica de
estructurar los procedimientos en base a un supuesto comportamiento del
problema, para el cual son capaces de obtener la solucin. Esta va de ataque ha
demostrado ser mucho ms eficiente que la anterior, con capacidad para abordar
problemas de la magnitud que caracteriza, por ejemplo, a la simulacin completa
de una planta de proceso con simuladores en base a ecuaciones.
Lamentablemente, lo complejo de su formulacin y el cmulo, importante, en
verdad, de cuestiones numricas que se asocian a estos mtodos impide, so pena
de forzar los alcances previstos para esta obra, un tratamiento pormenorizado de
los mismos.
La exposicin se restringir, en consecuencia, a presentar, en forma detallada,
dos de los mtodos empricos ms difundidos, perteneciente al grupo de los
15

llamados algoritmos politpicos, el Simplex de Spendley, Hext y Himsworth (SHH)
y el Complex de Box, y luego, brevemente, se han de explorar los fundamentos y
principales caractersticas de otras dos metodologas para el tratamiento de
problemas de optimizacin multivariables, el Gradiente Reducido Generalizado
(GRG) de Abadie y Carpentier y la Programacin Cuadrtica Sucesiva de Han y
Powell, ambos pertenecientes al grupo de mtodos por aproximaciones sucesivas.


El mtodo Simplex de Spendley, Hext y Himsworth (SHH)

Este mtodo de bsqueda directa para dos o ms variables de decisin, se
aplica a problemas sin restricciones. Como tal no sera de utilidad en ingeniera
qumica; sin embargo, puede utilizrselo conjuntamente con la funcin Penalidad
que se ver en el prximo acpite.
El mtodo toma como base de anlisis una figura geomtrica regular (conocida
como simplex) formada por n+1 puntos, en un espacio de n dimensiones. As, por
ejemplo, para dos variables de decisin se tendr un tringulo equiltero.
Una vez ubicados los puntos, se calcula el valor de la funcin objetivo en cada
uno de ellos y se comparan sus valores. El peor de todos es reflejado sobre el
centro de gravedad o centroide de los puntos restantes, y el nuevo reemplaza al
reflejado, preservando la forma geomtrica de la figura. Hecho esto, se calcula el
valor de la funcin objetivo en ese punto. Las coordenadas del nuevo punto (N) se
determinan de acuerdo a la siguiente ecuacin, donde C corresponde al centroide
y P al punto peor.
Este procedimiento de reflexin constituye la llamada regla 1 del mtodo y su
aplicacin reiterada determina un camino en zigzag hacia la posicin del ptimo.
Varias dificultades pueden surgir por la aplicacin de esta regla. Puede suceder
que el nuevo punto tenga el peor valor de la funcin objetivo, de tal manera que, si
se lo refleja, se vuelve al simplex anterior. Para evitar esta situacin se postula la
regla 2, por la cual, en esa situacin, no se refleja el peor sino el segundo peor. En
P , i C , i N , i
P j
j , i C , i
x x 2 x ; x
n
1
x = =

No
confundir
este
mtodo
Simplex
con el
mtodo
Simplex de
Dantzig
para
Programa-
cin Lineal.
16

el caso de dos variables sera el de valor intermedio, nombre con que se lo suele
denominar en general.
Cuando se llega a un punto cercano al ptimo, el algoritmo tiende a seguir un
ciclo, girando alrededor del mejor punto. En estos casos, luego de ms de K
iteraciones en los que el punto mejor permanece siendo el mismo, se contrae el
simplex hacia l y los nuevos puntos se ubican en la mitad de los lados. El valor
de K depende del nmero de variables, segn la ecuacin: K = 1,65 n +0,05 n
2
.
Todo esto constituye la regla 3 del mtodo. Las coordenadas de los nuevos puntos
se calculan de acuerdo a la expresin: 2 / ) x x ( ' x
j , i M , i j , i
+ =
La bsqueda termina cuando, tras la aplicacin de la regla 3, el lado del
simplex es menor que una cota prefijada.
El mtodo requiere de una figura inicial para comenzar la bsqueda. Los
simplex siguientes se obtienen cambiando slo uno de los vrtices de la figura
anterior. Puede tomarse cualquier conjunto de puntos, siempre y cuando
formen la figura deseada.
Por ejemplo, el conjunto de n+1 puntos de la Tabla 1, constituye el simplex
inicial de lado a, para un problema de n variables, donde uno de los puntos es
el origen de coordenadas. Por supuesto, una transformacin lineal permite
desplazar esta figura a cualquier lugar del espacio n-dimensional.
En la Tabla 1 puede verse que, salvo la primer fila de ceros (el origen) y una
diagonal de trminos p, el resto se compone slo de trminos q.

n coordenadas de cada punto
Punto j
1, j

2, j

3, j
......
n-1, j

n, j

1 0 0 0 ...... 0 0
2 p q q ...... q q
3 q p q ...... q q
...... ...... ...... ...... ...... ...... ......
n q q q ...... p q
n+1 q q q ...... q p
Tabla 1. Coordenadas para un conjunto de vrtices
Se puede demostrar que los valores de p y q vienen dados por las expresiones:
17

1 1 n (
2 n
a
q ; 1 n 1 n (
2 n
a
p + = + + =


Tcnicas de Penalizacin

En oportunidad de tratarse los mtodos para resolver problemas de
optimizacin de una variable de decisin se utiliz el criterio de penalizar a la
funcin objetivo por el no cumplimiento de las restricciones impuestas al problema
como una de las formas de tenerlas en cuenta durante el proceso de optimizacin.
Esta misma estrategia se puede utilizar para aplicar mtodos que no contemplan
restricciones, como el Simplex SHH que se acaba de ver, a problemas que s las
tienen.
El planteo general de la tcnica de penalizacin consiste en reemplazar la
bsqueda del ptimo de la funcin objetivo del problema restringido
mn FO(x
1
, , x
n+m
)
con f
i
(x
1
, , x
n+m
) = 0 ; i = 1, , m
y h
j
(x
1
, , x
n+m
) 0 ; j = 1, , p
por otra, formalmente no restringida, cuya funcin objetivo es
) x ,..., (x
f
) x ,..., (x h P + ) x ,..., (x FO min
= ) P , x ,..., x ( FO min
m n 1
2
i
m
1 = i
m n 1
2
i i
p
1 = i
m n 1
m n 1 P

=
+ + +
+


P es una constante razonablemente grande, por ejemplo 10
2
FO#, siendo FO#
un valor tpico de la funcin objetivo dentro de la zona de soluciones admisibles.
En los problemas de mximo el trmino agregado debe restarse a la funcin
objetivo original.
La variable
i
valdr 0 si la restriccin h
i
se cumple y 1 en caso contrario, con lo
cual slo se produce un aporte a la funcin objetivo considerada cuando no se
cumple la restriccin. En el caso de las relaciones de diseo, el aporte se produce
siempre que f
i
0.
18

En consecuencia, el efecto de la sumatoria agregada a la funcin objetivo
original es la de aumentar significativamente el valor de sta en aquellos puntos
que se encuentran fuera de la zona de soluciones admisibles.
La metodologa de trabajo con la tcnica de penalizacin requiere un
tratamiento gradual para evitar la deteccin de falsos ptimos. El siguiente
ejemplo, elemental, puede clarificar la cuestin:
1 =
x
para
x
+
x min 2
2
2
2
1
x , x
2 1

El ptimo, obviamente se encuentra sobre la recta x
2
= 1 para x
1
= 0, donde,
como se muestra en la figura 9, la misma es tangente a una curva de nivel.
El problema, formulado en trminos de una estrategia de penalizacin sera
[ ]
2
2
2
2
2
1
,
) 1 -
x
( P +
x
+ x
min
x x 2 1

Al hacerlo, el problema deja de
estar acotado pero ahora las curvas de
nivel de la nueva funcin objetivo son
elipses concntricas donde la
ubicacin de los ejes y la excentricidad
dependen del valor de la constante de
penalizacin P, como se muestra en
las figuras 10 (a) y (b). (Debe aclararse
que la recta x
2
= 1 se ha dejado
exclusivamente como referencia, ya que no forma parte del problema).
Se puede apreciar que el aumento del valor de P incrementa la excentricidad de
las elipses, lo que significa que la funcin objetivo vara rpidamente sobre un eje
y en forma muy lenta sobre el otro.

Figura 9. Curvas de nivel (P = 0)
19

(a) (b)
Figura 10. Curvas de nivel (P = 10 , P= 100)

Lo anterior determinar que, en el proceso de anlisis y con valores muy altos
de P, se privilegie el cumplimiento de la restriccin por sobre la bsqueda de un
mejor valor de la funcin objetivo, con lo que, si se est lejos del ptimo, ste
podra no ser encontrado. Por tal razn, el problema debe ser resuelto en forma
sucesiva para valores crecientes de P y partiendo en cad etapa de la solucin
hallada en la etapa anterior, hasta conseguir constancia en el ptimo encontrado.


El mtodo Complex

La idea general de los mtodos empricos de optimizacin se basa en construir
una estrategia eficiente para resolver las diversas dificultades que son tpicas en
este tipo de problemas: el tratamiento de las restricciones, la determinacin de una
direccin de bsqueda, la incidencia del acarreo de errores, etc.
El punto fundamental del mtodo Complex consiste en la construccin, en el
espacio n-dimensional examinado, de una figura de k vrtices, k > n+ 1 (Box
recomienda k = 2n, salvo para valores de n superiores a 5 6, donde puede ser
un poco menor).
En lo que sigue se aceptar que el problema est planteado en una forma
levemente distinta a la expuesta como formulacin general. Lo que realmente se
ha de considerar es el sistema que surge de resolver las relaciones de diseo
f
i
(x
1
,,x
n+m
) = 0 i=1,,m < n
20

con lo que queda, siendo x
Dj
el conjunto de variables de decisin
n ,..., 1 j x x x ) r
p ,..., 1 e 0 ) x ,..., x ( h ) r
) x ,..., x ( FO min
S
Dj Dj
I
Dj 2
Dn 1 D
'
e 1
Dn 1 D
=
=
La aplicacin de las distintas operaciones del mtodo requiere disponer de k
puntos iniciales que satisfagan los conjuntos de restricciones r
1
y r
2
. En rigor, solo
es absolutamente necesario un punto inicial, ya que el resto puede ser generado a
partir de los lmites r
2
impuestos a las variables.
Para el punto x
j
= (x
D1j
,,x
Dnj
), (j = 2,,k), el valor de la variable x
Dij

(coordenada i del punto x
j
) se puede hacer:
k ,..., 2 j n ..., 1, = i ] x - [x + x = x
I
Dij
S
Dij ij
I
Dij Dij
=
(1)
donde
ij
es un nmero aleatorio en el rango 0
ij
1. Obviamente, esto no
asegura que se cumplan, en su totalidad, las condiciones r
1
. Si se violase alguna
de ellas el punto x
j
se mueve hacia el centroide de los j-1 puntos anteriores (j 2)
]
C
- x [ 0,5 +
C
= x
i Dij i Dij
(2)
siendo C
i
las coordenadas del centroide dadas por
n , ... , 1 i x
1 - j
1
=
C
Dip
1 - j
1 = p
i
=

(3)
Ntese que, si la regin de soluciones posibles es convexa, el centroide ser
siempre, por construccin, un punto perteneciente a ella. Por consiguiente, el
procedimiento propuesto debe concluir con el vrtice j dentro de la zona.
Recurdese que la regin R se dice convexa si para todo x
1
R, x
2
R siendo
{0,1} y x = x
1
+ (1-)x
2
resulta ser x R.
Este proceso de contraccin hacia el centroide se verificar en todo momento
en que, al proponerse el anlisis de un punto en el espacio de las variables de
decisin, se verifique que el mismo se encuentra fuera de la zona permitida.
La operacin bsica del mtodo es la reflexin del vrtice donde la funcin
objetivo presenta el peor valor, considerando la totalidad de los puntos que
constituyen la figura. Esta reflexin se efecta a travs del centroide de los
vrtices restantes a una distancia > 1 del mismo (1,3 segn Box).
En trminos matemticos
21

n , 1,... = i )
x C
(
C
=
x DiP i i DiR
+ (4)
siendo x
DiP
las coordenadas del punto "peor".
Este punto reflejado x
DR
(o, si fuera no factible, el que resulte luego del proceso
de contraccin hacia el centroide) ha de reemplazar a x
DP
para dar lugar a una
nueva figura y reiterar la totalidad del procedimiento.
En la figura 11 se muestra un hipottico problema en 2 variables. Se han
representado dos curvas de nivel de la funcin objetivo (la ms externa con el peor
valor) y la frontera de una restriccin (r = 0), admitindose que la zona permitida
es hacia abajo y a la izquierda.
Inicialmente constituyen la figura
los puntos 1 a 4. El peor es,
evidentemente, el 3, por lo que se
procede a proyectarlo sobre el
centroide de 1, 2 y 4 (punto C1). As
se obtiene el punto 5, que no es
admisible, por lo que debe
procederse a contraer sobre C1,
determinndose el punto 6.
La nueva figura, ahora, la
constituyen 1, 2, 4 y 6. El punto "peor"
es el 4, por lo que se lo refleja sobre
C2, centroide de 1, 2 y 6.
Resulta interesante observar el comportamiento del mtodo en las
proximidades de la frontera de la restriccin, en particular los puntos 1, 4 y 6. No
resulta difcil imaginar que si los dos primeros hubiesen estado ms cerca del
borde de la zona y en una posicin prxima a la paralela, el punto 6 hubiese sido
colineal con los otros dos.
En esta circunstancia, donde el nuevo vrtice se puede expresar como una
combinacin lineal de otros que ya forman parte de la figura, se dice que la figura
ha colapsado (en el caso de dos variables, el cuadriltero se transformara en un
tringulo). Este colapso de la figura es la causa de instrumentar el mtodo con
Figura 11. Mtodo Complex
22

k > n + 1 puntos, siendo este ltimo el estrictamente necesario para tener una
figura en el espacio n-dimensional.
El mtodo prev que en los casos en los que el punto reflejado resulte ser el
peor en la nueva figura, en sta no debe efectuarse el proceso de reflexin sino
que tal punto ha de contraerse sobre el centroide de los restantes, con lo que se
produce una reduccin de las dimensiones de la figura, facilitando la bsqueda de
nuevas direcciones.
Por ltimo, el final del procedimiento se verifica al producirse una reduccin de
las dimensiones de la figura al lmite establecido para el esquema de bsqueda.
Todo lo dicho anteriormente puede ser resumido en el algoritmo del Cuadro 2.

Datos: x
1
: punto inicial (x
1
x
D11
, x
D21
, ..., x
Dn1
)
k : nmero de puntos del esquema de anlisis (k 2n)
: cota de final
1. Inicializacin
Para j = 2..k hacer
1.1 Calcular el centroide de los puntos x
1
, ..., x
j-1
(ec. 3)
1.2 Determinar el punto x
j
x
D1j
, ..., x
Dnj
(ec. 1)
1.3 Si x
j
viola alguna restriccin, contraer hacia el centroide (ec. 2) hasta que
las satisfaga a todas.
2. Mientras {distancia promedio al centroide} > hacer
2.1 Ordenar los puntos de anlisis segn valores crecientes de la funcin
objetivo.
Sea x
P
donde se verifica el valor ms alto.
2.2 Calcular el centroide de todos los puntos excludo x
P

2.3 Si es la 1 vez o x
P
no es el punto reflejado
2.3.1. Obtener x
R
por reflexin de x
P
(ec. 4, 1,3)
2.3.2. Si x
R
viola alguna restriccin, contraerlo hacia el centroide hasta
que cumpla todas.
2.4 Reemplazar x
P
por x
R
.
2.5 Si x
R
es el peor punto de la nueva figura, contraer x
R
hacia el centroide.
3. Final
3.1 Considerar x
opt
el mejor punto disponible f
opt
= FuncinObjetivo(x
opt
)
3.2 Fin
Cuadro 2. Algoritmo del mtodo Complex (mnimo)
23

Como siempre, para poder fijar mejor las ideas, se tomar como punto de
referencia un ejemplo sencillo, la red de intercambio trmico que se muestra en la
figura 12, que corresponde, con otra estructura, al mismo problema de la figura 7.

A
2
A
E
A
138
93
35 45
160 T1
T4 T
21
A
3
60
T
22
2
160

4
249
116
T3
V
A
C
280
260
A
1
1
3

Figura 12. Esquema tecnolgico del problema

All la corriente 2 ha sido subdividida en sus intercambios con el servicio auxiliar
fro y la porcin ms fra de la corriente 1.
En este caso el modelo matemtico permanece inalterado para el calentador y
los intercambiadores 1 y 2. Las ecuaciones modificadas para el enfriador y el
intercambiador 3, as como las del mezclador, se muestran a continuacin:
Intercambiador 3
) 0 6 -
T
( 7620 = )
T
- 160 ( 8792
1 21
0 6
T1


7620
1
-
8792
1

A
852 =
0 6 -
T
T
- 0 16
ln
3
21
1

0 6
T21

Enfriador
)
T
- 0 16 ( ) - 1 ( 21 , 0 = q
22
A
0 16
T22

q 8 , 4186
1
-
) - 1 ( 8792
1

A
852 =
35 -
T
115
ln
A
E
22

Mezclador
93 =
T
) - 1 ( +
T 22 21
1 0
24

Un ordenamiento de clculo conveniente fija como variables de decisin a T
1
y
, la primera restringida, en principio, al entorno (60,138) y la segunda a (0,1).
Debe notarse, sin embargo, que, al igual que antes, existen restricciones sobre las
variables de estado que pueden
imponer a las de decisin lmites
ms severos que los fijados en
forma explcita.
Un anlisis numrico detallado
del problema conduce a la
situacin mostrada en la figura 13
donde la zona de soluciones
admisibles queda delimitada por
cuatro fronteras rectas todas
definidas en forma implcita, salvo la inferior, T
1
= 60C.
Se han indicado, asimismo, curvas de valor constante de la funcin objetivo,
desde 30000 $/a en la parte inferior hasta 17000 $/a en el sector alto de la figura.
Se debe hacer notar que todas ellas son, en realidad, curvas cerradas que
presentan, sobre las fronteras, un efecto de agolpamiento que impide un dibujo
claro.
A este efecto de "trepada brusca" debe agregarse la escasa sensibilidad de la
funcin objetivo al factor de divisin , salvo, lgicamente, en las proximidades de
las fronteras. De hecho, se podra haber trabajado con un valor adecuado de ,
por ejemplo, 0,5 y considerar slo T
1
como variable de decisin. En este sentido,
el factor de divisin sera una variable de decisin no significativa en este
problema.
En la misma figura se muestra, esquemticamente, la evolucin seguida por el
punto "mejor" a lo largo de una bsqueda que se inicia, aproximadamente, en
T
1
= 80C y = 0,3 hasta las proximidades del punto ptimo, donde la distancia
promedio al centroide de los puntos de la figura de bsqueda es menor a 0,1.
Puede advertirse el comportamiento del algoritmo en las proximidades de las
fronteras, donde se verifica un desplazamiento casi paralelo a las mismas,
avanzando siempre en el sentido de los menores costos operativos totales.
Figura 13. Trayectoria al ptimo
25


La aplicacin del mtodo al problema planteado arroja los siguientes resultados
= 0,717 T
1
= 111,68C FO = 16254 $/ao
A
E
= 3 m
2
A
1
= 66,53 m
2
A
2
= 22,96 m
2
A
3
= 10,83 m
2

A
C
= 2,54 m
2
q
A
= 4,66 kg/s q
v
= 4,77 10
-2
kg/s


Optimizacin por aproximaciones sucesivas

En un problema de Programacin No Lineal (PNL), cuya formulacin general se
puede poner como
m n ,..., 1 i x x x
p ..., , 1 j 0 ) x ..., , x ( h
) m n m ( m ..., , 1 i 0 ) x ..., , x ( f con
) x ..., , x ( FO min
U
i i
L
i
m n 1 j
0 0 m n 1 i
m n 1
+ =
=
+ < = =
+
+
+

la resolucin utilizando de mtodos de optimizacin como Complex requiere que,
previo a la verificacin del cumplimiento de las h
j
(x) y la posterior determinacin de
la funcin objetivo, se proceda al clculo del valor las m variables de estado,
cumplimentando, si fuera necesario, todas la iteraciones que demanda ese
clculo.
Hay un grupo de mtodos donde pueden llevarse a cabo, simultneamente, la
bsqueda del ptimo y los procesos iterativos que demanda el orden de clculo
elegido.
Pero no es slo eso: su potencialidad es superior a los enfoques politpicos y
resultan muy adecuados para trabajar con programas de gran complejidad, como
planillas de clculo o simuladores de proceso.
Este grupo, por los manejos matemticos que utilizan, se lo suele denominar
mtodos por aproximaciones sucesivas y, de ellos, en este captulo, se han de
exponer los esquemas metodolgicos bsicos de los dos principales: Gradiente
Reducido Generalizado (GRG) y Programacin Cuadrtica Sucesiva (PCS).
En ambos, se parte de un punto de la bsqueda x
k
, alrededor del cual se realiza
una aproximacin del problema, bajo la forma de un desarrollo en serie hasta el
26

trmino de primer o segundo orden. Esta aproximacin permite encontrar una
direccin sobre la cual se tratar de mejorar la solucin disponible.
Un primer aspecto a considerar en el tratamiento del tema es la formulacin que
se adoptar para el problema. En lo que sigue se han de incluir en el planteo slo
las ecuaciones originales y aquellas restricciones donde el punto x
k
se encuentra
en la frontera (restricciones activas). La actualizacin del conjunto activo a lo
largo de la bsqueda del ptimo ser considerado en el tratamiento de cada
mtodo. Se tendr, entonces, que deber resolverse
m ..., , 1 i 0 ) x ..., , x ( f con
) x ..., , x ( FO min
m n 1 i
m n 1
= =
+
+

Con respecto a la bsqueda para mejorar la solucin x
k
, admitiendo que se
dispone de una direccin d
k
, encontrada por alguno de los mtodos que se vern
ms adelante, el nuevo punto vendra dado por la relacin x
k+1
= x
k
+ d
k
siendo
un escalar positivo. Para encontrar su valor, entre otros enfoques metodolgicos,
se define una funcin llamada de mrito, (x), vinculada al problema planteado
pero donde se incrementa la significacin de algunos aspectos del mismo, como la
violacin de las restricciones.
Por otra parte, debe considerarse que, en general, en toda bsqueda de un
ptimo sobre una direccin adecuada en un punto, la funcin bajo anlisis
comenzar por mejorar pero, a partir de un cierto punto, dejar de hacerlo y se
alcanzarn valores peores. Esto es, no se precisa que se viole restriccin alguna
para un desmejoramiento de la funcin de evaluacin.
Al disponer de la solucin x
k
, se ha de poder calcular (x
k
) y, tambin, el
gradiente de (x
k
). Este ltimo ha de ser negativo, ya que d
k
es una direccin que
mejora la funcin objetivo planteada. Obviamente, esto ltimo slo puede
asegurarse en las proximidades de x
k
, por lo que conviene explorar la nueva
solucin a travs de un apartamiento adecuado de la anterior, siempre haciendo
uso de la direccin d
k
. Para ello, se suele plantear una bsqueda denominada tipo
Armijo donde, formalmente, se requiere que el valor de elegido cumpla con
27

( ) ( ) [ ] ( )
0
k k k k k
d x x d x
=

+

+

donde es un valor entre 0 y 1, normalmente muy pequeo.
En la figura 14 se ha representado, con lnea llena,
la funcin de mrito (). Puede verse que la
desigualdad planteada expresa que la pendiente de la
secante entre = 0 y el valor en consideracin para
ese parmetro debe ser menor a una fraccin de la
derivada de en = 0. En la figura se ha indicado,
limitado con una lnea de trazo y punto, el mbito en el cual se encuentran los
valores de que cumplen con la relacin.
Resta, ahora, considerar los dos mtodos elegidos para determinar la direccin
de bsqueda, Gradiente Reducido Generalizado y Programacin Cuadrtica
Sucesiva. En ambos casos se comenzar por plantear el problema en dos
variables con una nica relacin que las vincula, para luego extender ese planteo
al caso multivariable.
En el caso de GRG, la idea bsica del mtodo es lograr una formulacin que
dependa exclusivamente de las variables de decisin, para lo cual habr que
poner las variables de estado en funcin de stas.
La no linealidad de las relaciones involucradas obliga a realizar una
aproximacin lineal de las mismas, donde sea posible la explicitacin deseada.
As, si se dispone de un punto x
k
en la bsqueda del ptimo, x
k
= (x
1
k
, x
2
k
), punto
factible y, por lo tanto, f(x
k
) = 0, para el caso sencillo que se est analizando, se
puede poner
( )
( )
( )
( )
( ) 0 x x
x
x , x f
x x
x
x , x f
x , x f
k
2 2
2
k
2
k
1 k
1 1
1
k
2
k
1
2 1
=

=
ya que se busca que se siga cumpliendo f(x) = 0.
En una notacin ms compacta
k
2 1
k
1 2 2
k
2 1
k
1
f / x f x 0 x f x f = = +
(5)
con lo que se tiene la variacin de x
2
en funcin de x
1
, la que ser
estrictamente vlida en las proximidades de x
k
.
Figura 14. Funcin de mrito
28

A su vez, es posible desarrollar en serie la funcin objetivo, alrededor de x
k
.
Si se toman solo los trminos de primer y segundo orden quedara
( ) ( ) [ ]
2
2
k
22 2 1
k
12
2
1
k
11 2
k
2 1
k
1
k
x FO x x FO 2 x FO
2
1
x FO x FO FO FO FO + + + + =
siendo FO
k
= FO(x
1
k
, x
2
k
), FO
j
k
= FO(x
1
k
, x
2
k
)/x
j
, FO
ij
k
=
2
FO(x
1
k
, x
2
k
)/ x
i
x
j

Pero, teniendo en cuenta que la variacin de x
2
depende de la de x
1
, de modo
de respetar f(x) = 0, segn la relacin 5, lo anterior se puede poner
( ) [ ] ( )
( ) ( ) ( ) [ ]( ) ) b ( x f f FO f f FO 2 FO
2
1
x O
) a (
x O x f f FO FO FO
2
1
2
k
2
k
1
k
22
k
2
k
1
k
12
k
11 1
2
1
2
1
k
2
k
1
k
2
k
1
+ =
+ +
(6)
Ahora, la funcin objetivo ha quedado expresada exclusivamente en trminos
de la variable independiente y puede ser analizada considerando solamente el
comportamiento de sta. La expresin entre corchetes en 6(a) es el gradiente de
FO, pero reducido a la variacin de la variable de decisin.
Obviamente, el reemplazo realizado requiere que el desplazamiento de la
solucin mantenga inalterado el conjunto activo, en este caso, f(x
1
, x
2
) = 0. De no
ser as, debera adecuarse el anlisis, considerando, ahora, la nueva situacin.
Volviendo a la expresin 6, debe admitirse que la direccin en la que se busca
la nueva solucin debe permitir mejorar la existente, para lo cual FO < 0. En las
proximidades de x
k
el trmino preponderante ser el de primer orden y una posible
solucin que logra disminuir el valor de la funcin objetivo es la direccin del
gradiente reducido.
( ) [ ]
k
2
k
1
k
2
k
1 1 1
f f FO FO d x + = =
con , como antes un escalar positivo.
Se ha recalcado el carcter de posible, ya que no es la nica alternativa. La
eleccin del gradiente puede llegar a presentar problemas en la velocidad de
convergencia al ptimo, por lo que algunos autores han propuesto otras
alternativas, como gradientes conjugados, pero que requieren un manejo
matemtico de mayor complejidad, donde, por ejemplo, se tienen en cuenta
aspectos tales como la consideracin del trmino de segundo orden o la
estimacin del valor de las derivadas segundas.
29

En razn del carcter introductorio que tiene este captulo no se han de
considerar estas alternativas, restringiendo el anlisis a lo dicho hasta aqu.
Para una mejor exposicin del caso general, se ha de dividir el conjunto de
variables x
1
,,x
n+m
en dos grupos, el de variables de estado, x
Ei
, i = 1,,m y el de
de decisin, x
Dj
, j = 1,,n.
La aproximacin de primer orden del conjunto de funciones
f
i
(x
E1
,, x
Em
, x
D1
,,x
Dn
) = 0; i = 1,,m, alrededor del punto x
k
= {x
E
k
x
D
k
}
conduce a tener que resolver el sistema lineal
m ,..., 1 i x
x
f
x
x
f
0 x
x
f
x
x
f
D j
Dj
k
Dj
i
E j
Ej
k
Ej
i
D j
Dj
k
Dj
i
E j
Ej
k
Ej
i
=

lo que permite, al hacerlo, poner las componentes de x
E
en funcin de x
D
. Aqu
ser necesario contar con la matriz inversa de los coeficientes (f
i
/x
Ej
)
k
asociados
a las variaciones x
E
y, de este modo, lograr expresar las mismas como una
funcin lineal de las x
D
,

= =
D j
Dj
k
ij Ei
m ,..., 1 i x a x
(7)
A su vez, la funcin objetivo tambin se puede desarrollar en serie para
tener
Dj
k
D j Dj
Ej
k
E j Ej
k
x
x
FO
x
x
FO
) x ( FO ) x ( FO

+ =



donde, al reemplazar x
E
por las funcionalidades que surgen de la ecuacin 7,
quedar una expresin del tipo ( )

=
D j
Dj j D
x c x FO
Una vez ms, una direccin que logra disminuir el valor de la funcin objetivo
es d
k
= - c.
Restara ahora, utilizando la direccin encontrada, realizar la bsqueda del
nuevo punto. Para ello, como ya se dijo, es preciso definir una funcin de mrito.
En este caso, ser, directamente, FO(x), ya que, como se ver, el cumplimiento de
las restricciones no activas se ha de controlar a lo largo de toda la bsqueda.
30

Pero para poder conocer FO(x), y, en general, para cualquier funcin de mrito
adecuada que se formule, es preciso conocer el verdadero valor de las variables
de estado, para un dado conjunto de variables de decisin. Esto es, conocido x
D
,
debe resolverse f(x
D
, x
E
) = 0 para saber cunto vale x
E
, y, recin entonces, poder
calcular FO(x
D
, x
E
).
Es decir que el mtodo de GRG ha de estar acompaado de un mtodo de
resolucin de sistemas de ecuaciones no lineales, normalmente, uno de tipo
Newton.
Cuando se resuelve el sistema de ecuaciones determinado por las restricciones
activas en x
k
puede suceder que
a) se encuentra una solucin para el sistema de ecuaciones que cumple con
todas las restricciones no activas y donde, adems, se cumple el criterio
impuesto sobre los valores de
b) la solucin que se encuentra para el sistema de ecuaciones no respeta las
restricciones no activas o no se cumple el criterio para , lo que obliga a
proponer un nuevo , menor que el anterior o
c) la situacin anterior se ha reiterado un nmero predeterminado de veces, lo
que indica la necesidad de modificar el grupo de restricciones activas y,
consecuentemente, replantear la bsqueda con nuevos conjuntos x
D
y x
E
.
En resumen, los pasos bsicos en cada etapa del mtodo del Gradiente
Reducido Generalizado pueden plantearse como se indica en el cuadro 3.

a) Determinar, para el conjunto activo de restricciones, las componentes del
gradiente reducido en el punto x
k
bajo anlisis
b) Verificar si el punto x
k
puede considerarse un ptimo local. Si es as, terminar;
si no
c) Determinar una direccin de bsqueda d
k
para generar un nuevo punto x
k+1
.
d) Proponer un valor de para generar
k k
D
1 k
D
d x x + =
+

e) Resolver el sistema de ecuaciones del conjunto activo para encontrar
1 k
E
x
+

f) Si el punto
1 k
E
1 k
D
1 k
x x x
+ + +
= verifica el conjunto de restricciones no activas, ir a
g). Si no, si no se ha excedido el nmero permitido de reducciones por paso
del valor de , reducir su valor y volver a d). Si se ha excedido, cambiar el
conjunto activo y volver a a)
31

g) Calcular ( ) ) ( x ); ( x FO
1 k
E
1 k
D

+ +

h)
Si se ha producido una reduccin significativa de la funcin objetivo, tomar
1 k
x
+

como nuevo punto de anlisis y volver a a). Si no, reducir el valor de y volver
a d).
Cuadro 3. Algoritmo bsico del mtodo GRG

Un ejemplo elemental puede servir para terminar de fijar ideas. En la figura 15
se muestran las curvas de nivel y las fronteras de las restricciones para el
problema.
0 x : r4
0 x : r3
0 4 x x : r2
0 x 0,5 x : r1
1,5) (x 4 2) (x min ) x ( FO min
2
1
2
2
2
1
2
2 1
2
2
2
1

+
+
+ =

Si se considera el punto a de la figura, (0,5; 1),
puede verse que se encuentra sobre la frontera de
la restriccin 1, mientras que se halla en el interior de las restantes. Esto es, en las
proximidades de (0,5; 1) el problema puede considerarse planteado como
0 x 0,5 x : r1
1,5) (x 4 2) (x min
2
2 1
2
2
2
1
= +
+

Tomando el punto [0,5; 1] como base del desarrollo, resulta:
( )
0 x x : r1
x , x O x 4 x 3 3,25 min
2 1
2 1
2
2 1
= +
+

Asignando a x
2
el rol de variable de estado, ser x
2
= x
1
. Al producir el
reemplazo en la funcin objetivo se tendr
) x ( O x 7 25 , 3 min
1
2
1
+
y una direccin de bsqueda es d
1
= 7, es decir, x
1
n
= 0,5 + 7
Si se considera = 0,05 se obtendr x
1
= 0,5 + 7*0,05 = 0,85. La bsqueda del x
2

que cumpla con la restriccin r
1
debe conducir a x
2
= 1,7 = 1,304, que cumple r
2

a r
4
, con lo que r
1
permanece como conjunto activo. Para estos valores
FO(0,85; 1,304) = 1,4764 y resulta ser
Figura 15. Grfica del ejemplo
X
1
X
2
1 2
1
2
a
b c
32

9 , 4 7 ) 7 ( 1 , 0
d
x d
x
FO
472 , 35
05 , 0
25 , 3 4764 , 1 ) x ( FO ) x ( FO
k
x
k 1 k
= =

< =

+

donde se ha considerado igual a una dcima parte del valor de la derivada
para = 0.
Al analizar el gradiente reducido en (0,85; 1,304) y siempre con r
1
como
conjunto activo, se encuentra que su valor es -3,5036 0 y el proceso debe
continuar a partir del punto encontrado.
Este proceso seguira as hasta que se encuentre la frontera de r
2
. En este
momento el conjunto activo pasar a ser esta ltima restriccin y sobre ella se
encontrar, finalmente, el punto ptimo x* = (1,455; 1,372). Esas situaciones se
han indicado como puntos b y c en la figura presentada al formular el problema.
El mtodo del GRG se encuentra implementado en la mayor parte de las
planillas de clculo, como un complemento para el tratamiento de problemas de
optimizacin y la resolucin de sistemas de ecuaciones no lineales. Las razones
de esta eleccin se vern ms adelante.
La aplicacin del Solver, nombre bajo el cual se dispone del GRG en la planilla
Excel, al problema ya resuelto aplicando el mtodo Complex, conduce a la traza
que se muestra en la figura 16.
El resultado que se encuentra es
T
1
= 111,55 C y un valor de 0,716
para el factor de divisin, con un
CTA de 16250 $/ao.
El otro mtodo de optimizacin
por aproximaciones sucesivas que
se ver en este captulo es
Programacin Cuadrtica Sucesiva
(PCS), donde la direccin de
bsqueda se determina
aproximando el problema original por uno cuya funcin objetivo es de segundo
orden y cuyas restricciones son lineales.
Figura 16. Trayectoria al ptimo
33

Para este ltimo tipo de formulacin (Programacin Cuadrtica) existen
algoritmos de resolucin muy eficientes, lo que permite una rpida solucin de la
aproximacin efectuada.
Adems, PCS tiene, en principio, una velocidad de convergencia al ptimo
mayor que en el caso del GRG, basado, en su versin ms simple, en una
aproximacin de primer orden. Sin embargo, hay algunos aspectos que hacen
que, bajo determinadas circunstancias, GRG sea ms conveniente que PCS.
Al igual que en el caso anterior, se comenzar por analizar el problema en dos
variables con una sola restriccin activa:
( )
( ) 0 x , x f con
x , x FO mn
2 1
2 1
=

La justificacin de PCS surge de considerar la solucin, por el mtodo de
Newton, del sistema de ecuaciones no lineales que resulta de abordar el problema
anterior haciendo uso de la funcin aumentada de Lagrange, con lo cual
tendremos un problema de optimizacin no restringido
( ) ( ) ( )
2 1 2 1 2 1
x , x f x , x FO , x , x L min + =
donde se deben cumplir las condiciones de Karush-Kuhn-Tucker (KKT)
0 f L
0 x f x FO x L
0 x f x FO x L
2 2 2
1 1 1
= =
= + =
= + =

O, en una notacin ms compacta
0 f L
0 f FO L
0 f FO L
2 2 2
1 1 1
= =
= + =
= + =

Si, para resolver el sistema de ecuaciones no lineales que plantean las
condiciones KKT se utiliza el mtodo de Newton, efectuando el desarrollo
alrededor del punto (x
1
k
, x
2
k
), se tendr
( ) ( )
( ) ( )
0 x f x f
0 f x f FO x f FO FO
0 f x f FO x f FO FO
1
k
1 1
k
1
k
2 2
k
22 22 1
k
21 21
k
2
k
1 2
k
12 12 1
k
11 11
k
1
= +
= + + + + +
= + + + + +

(8)
34

donde
i
k
= /x
i
|
x
k
y
ij
k
=
2
/x
i
x
j
|
x
k

El sistema de ecuaciones 8 no es otra cosa que las condiciones KKT para el
problema
( )
0 x f x f con
x L x x L 2 x L
2
1
x FO x FO mn
2
k
2 1
k
1
2
2
k
22 2 1
k
12
2
1
k
11 2
k
2 1
k
1
= +
+ + + +

(9)
Obviamente, L
12
k
= L
21
k

El problema 9 es la aproximacin a la que se haca referencia al presentar el
mtodo. Al resolverlo se tendr, adems del valor de , las direcciones d
1
k
y d
2
k
en
las que, a partir de x
1
k
, x
2
k
debe explorarse la posibilidad de mejorar el valor de la
funcin objetivo
x
1
k+1
= x
1
k
+ d
1
k

x
2
k+1
= x
2
k
+ d
2
k

Debe notarse que la aproximacin efectuada requiere disponer, o poder
estimar, valores de las derivadas segundas, tanto de la funcin objetivo como de
la restriccin activa, para poder construir los trminos L
ij
k
. Obviamente, se podra
llegar a calcular esos valores por diferenciacin numrica, pero sera
computacionalmente muy costoso. Lo habitual es utilizar una tcnica de
estimacin de los valores de L
ij
k
, actualizada permanentemente, por ejemplo,
utilizando algn enfoque como el propuesto por Broyden, ya visto en oportunidad
de tratar los mtodos de iteracin.
La determinacin de un valor adecuado de requiere adoptar una funcin de
mrito, que suele ser la aumentada de Lagrange. En este caso sera
(x
1
, x
2
) = FO(x
1
, x
2
) + f(x
1
, x
2
)
Si hubiesen restricciones no activas, por ejemplo, h(x
1
, x
2
) 0, se podra utilizar
una funcin penalidad para la evaluacin
(x
1
, x
2
) = FO(x
1
, x
2
) + [ f(x
1
, x
2
)+mx(h(x
1
, x
2
), 0)]
La extensin al caso general es inmediata. Siempre considerando la
formulacin del problema teniendo en cuenta el conjunto de restricciones activas,
la solucin de
35

( )
( ) m ,..., 1 e 0 x ..., , x f con
x ..., , x FO mn
m n 1 e
m n 1
= =
+
+

se puede encontrar aplicando reiteradamente un esquema de bsqueda, donde
las sucesivas direcciones se obtienen al resolver
m ,..., 1 e 0 x f con
x x L x L
2
1
x FO mn
N
1 i
i
k
ei
1 N
1 i
N
1 i j
j i
k
ij
N
1 i
2
i
k
ii
N
1 i
i
k
i
= =
+ +

= + = = =

donde N = n + m y ( ) ( ) ( )

=
+ =
m
1 e
N 1 e e N 1 m 1 N 1
x ,..., x f x ,..., x FO ,.., , x ,.., x L .
Una vez ms, en el proceso de bsqueda los valores de L
ij
k
sern estimados y
actualizados en cada paso de la bsqueda.
El criterio de finalizacin de la bsqueda puede implementarse evaluando la
funcin



| f | + | x FO | = ) , x (
e e
e
i i
i
KT

siendo una cota prefijada.
Los pasos bsicos del mtodo PCS se resumen en el cuadro 4.

a) Determinar, en el punto x
k
bajo anlisis, las derivadas de la funcin objetivo y
de las restricciones activas. Actualizar la estimacin de L
ij
.
b) Verificar si el punto x
k
puede considerarse un ptimo local. Si es as, terminar;
si no
c) Determinar una direccin de bsqueda d
k
para generar un nuevo punto x
k+1
.
d)
Proponer un valor de para generar
k k 1 k
d x x + =
+

e) Si el punto x
k+1
verifica el conjunto de restricciones no activas, ir a f). Si no, si
no se ha excedido el nmero permitido de reducciones por paso del valor de ,
reducir su valor y volver a d). Si se ha excedido, cambiar el conjunto activo y
volver a a).
f) Calcular FO(x
k+1
). Si se ha producido una reduccin significativa de la funcin
objetivo, tomar
1 k
x
+
como nuevo punto de anlisis y volver a a). Si no, reducir
el valor de y volver a d).
Cuadro 4. Algoritmo bsico del mtodo PCS

36

Una ltima cuestin a considerar es la conveniencia de utilizar GRG o PCS,
frente a un determinado problema de optimizacin.
Si bien PCS tiene una velocidad de convergencia al ptimo mayor que GRG, el
manejo operacional que requiere es mucho ms complejo.
El mtodo GRG, a diferencia de PCS, aprovecha las restricciones activas para
reducir la dimensionalidad del problema.
En base a estas dos simples consideraciones, resulta sencillo entender que
PCS sea preferible como mtodo de optimizacin en simuladores modulares,
donde la simulacin puede verse como una gran caja negra, en la que el usuario
maneja unas pocas variables de diseo.
En simuladores en base a ecuaciones o las planillas de clculo, en cambio, las
relaciones estn explcitas y, al usar PCS, hay que considerar tanto las variables
de decisin como las de estado. En esta situacin, la reduccin de la
dimensionalidad que ofrece GRG es determinante para que sea este mtodo ms
conveniente.


El complemento Solver

La planilla Excel dispone de un complemento, Solver, que permite la
optimizacin de problemas de Programacin No Lineal Entera Mixta (PNLEM).
Tambin es posible resolver problemas de Programacin Lineal (PL) y sistemas
de ecuaciones no lineales.
El mtodo utilizado en el primero de los casos, PNLEM, es el Gradiente
Reducido Generalizado (GRG), de
acuerdo a un algoritmo debido a Lasdon
y Waren.
En la figura 17 se muestra la ventana
principal que se abre al invocar el
complemento Solver. Esta ventana y las
siguientes corresponden a versiones de
Excel 2007 o anteriores. Para algunas
Figura 17. Solver: ventana principal
37

posteriores pueden registrarse cambios pero, en lo esencial, son equivalentes.
Se pueden ver tres cajas para ingresar informacin, con los rtulos Celda
objetivo, Cambiando las celdas y Sujetas a las siguientes restricciones.
En las dos primeras, con el botn que se encuentra a la derecha, es posible
direccionar celdas de una hoja de la planilla, seleccionando, as, para la celda
objetivo, la ubicacin de la funcin de la que se desea encontrar el mximo o el
mnimo, segn se haya elegido.
En el cuadro de las celdas cambiantes se debern indicar las ubicaciones de
los valores que deben ser modificados por el Solver, esto es, las variables de
decisin y las supuestas en el orden de clculo.
Las restricciones se ingresan mediante el
botn Agregar y al oprimirlo, se abre una
ventana como la de la figura 18, donde hay tres
sectores en los que se debe ingresar
informacin de: en el cuadro rotulado Referencia de la celda, la celda o celdas que
contienen las relaciones funcionales entre las variables, que deben guardar una
determinada relacin ( , =, , etc.) con un valor que se ingresa o que est
contenido en una celda, lo que se indica en el cuadro Restriccin.
Tambin en esta ventana aparece el botn , lo que permite el
direccionamiento directo en la hoja de clculo.
Como se dijo, en los valores a ser modificados por el Solver se deben incluir las
variables supuestas y por cada una de ellas deber existir, en el orden de clculo,
una ecuacin, esto es, una restriccin que debe cumplirse respetando el signo
igual.
Con respecto al modelo matemtico que se vuelca en la planilla, hay que
extremar los recaudos en la formulacin, de modo de evitar que algn valor
propuesto por el mtodo pueda hacer que, en algn clculo, se produzca un error
insalvable, antes de que el mtodo verifique la inviabilidad de esa propuesta.
Un ejemplo de ello sera la determinacin de una fuerza impulsora media
logartmica, en un modelo que incluya un intercambio trmico. All, las
temperaturas de la corriente caliente debern ser siempre mayores que las de la
corriente fra, pero la propuesta del Solver puede, en algn momento, no respetar
Figura 18. Restricciones
38

esta condicin. Luego el algoritmo GRG ha de verificar la violacin y proceder a
modificar la propuesta.
Un planteo del clculo que no tenga en cuenta esta dinmica puede hacer
abortar el proceso de bsqueda. Para evitarlo habra que analizar todas las
eventuales condiciones de error y elaborar una formulacin del modelo
matemticamente robusta.
En el caso planteado se podra, por ejemplo, considerar el valor absoluto de las
diferencias de temperatura, en lugar de los valores con su signo. Restara, an,
tener en cuenta la posibilidad de una diferencia nula entre las temperaturas, lo que
obligara a utilizar una operacin lgica, que considere, si ocurriese ese caso, un
valor extremadamente pequeo en lugar del real.
Otro aspecto que se debe considerar en el uso del complemento Solver es el
manejo de las opciones, al que se accede oprimiendo el correspondiente botn en
la ventana principal.
Al hacerlo, se abre una ventana como la de la
figura 19, donde se pueden ver los valores y
selecciones por defecto del complemento.
El Tiempo y el nmero de Iteraciones
determinan la mxima duracin del proceso de
optimizacin.
La Precisin es el error permitido para
considerar el cumplimiento de las restricciones.
La Tolerancia es un parmetro que se utiliza en la bsqueda de soluciones
enteras, la que se lleva a cabo mediante un procedimiento de bsqueda y
acotamiento (Branch & Bound). All, se ha de considerar, para seguir explorando,
toda solucin que difiera ms del valor de la tolerancia respecto de la mejor
encontrada.
La opcin Adoptar modelo lineal cambia el algoritmo de optimizacin al mtodo
Simplex para Programacin Lineal y habilita un anlisis del modelo propuesto,
para determinar si se puede o no aplicar esa metodologa.
Figura 19. Solver: Opciones
39

La opcin Adoptar no negativos est referida a las celdas cambiantes definidas
en la ventana principal, en tanto que al elegir Usar escala automtica obliga a un
escalado interno antes de proceder a la solucin.
Si se selecciona Mostrar resultados de iteraciones, obligar a que se detenga el
proceso de optimizacin luego de cada iteracin principal, mostrando el resultado
parcial obtenido.
Por ltimo, las restantes opciones, Convergencia, Estimacin, Derivadas y
Buscar, son parmetros que utiliza el mtodo GRG. En el caso de las tres ltimas,
en la segunda lnea se encuentra la alternativa ms compleja.


Bibliografa

Abadie J., Carpentier J., Generalization of the Wolfe Reducer Gradient
Method to the Case of Nonlinear Constraint en Optimization, R.Fletcher, Ed.,
Academic Press, 1969.
- Biegler L.T., Grossmann I.E., Westerberg A.W., Systematic Methods of
Chemical Process Design, Prentice Hall, 1997.
- Edgar T.F., Himmelblau D.M., Optimization of Chemical Processes, McGraw
Hill, 1988.
- Iglesias O.A., Paniagua C.N., Use of Spreadsheets in Optimization Problems
Involving Iterations, Computer Applications in Engineering Education, Vol 7,
N4, pp.227 - 234, 1999.
- Reklaitis G.V., Ravindran A., Ragsdell K.M., Engineering Optimization, Wiley-
Interscience, 1983.
- Rao S.S., "Engineering Optimization. Theory and Practice", John Wiley &
Sons, 1996.
- Schittkowski K., Nonlinear Programming Codes: Information, Test,
Performance, Lecture Notes in Economics and Mathematical Systems,
Spriger-Verlag, vol.183, 1980.