430 likes | 628 Views
¿Optimización por Simualción u Optimización para la Simulación?. Dr. Ebert Brea Profesor Asociado. E-mail: ebrea@elecrisc.ing.ucv.ve. Universidad Central de Venezuela Escuela de Ingeniería Eléctrica. Contenido. La optimización y la Simulación.
E N D
¿Optimización por Simualción u Optimización para la Simulación? Dr. Ebert Brea Profesor Asociado E-mail: ebrea@elecrisc.ing.ucv.ve Universidad Central de Venezuela Escuela de Ingeniería Eléctrica
Contenido La optimización y la Simulación El algoritmo de Nelder-Mead bajo Restricciones Lineales Método de Particiones Jerarquizadas Optimizando la Simulación Conclusiones
La optimización y la Simulación Hoy en día la simulación de Sistemas de Eventos Discretos ha constituido ser una poderosa herramienta de análisis de sistemas, como soporte para la toma de decisiones Sin embargo, actualmente está siendo empleada en la optimización de las operaciones de sistemas.
La optimización y la Simulación • Enfoque Newtoniano: • Análisis Infinitesimal de Perturbación • Función de Registro • Enfoque de Búsqueda Directa • Método de Nelder-Mead • Patrón de Búsqueda
1. El método de N-M bajo Restricciones Sujeto a donde
1.1 Definiciones Básicas Símplex completo Diremos que un símplex en el espacio Euclidiano de dimensión d es completo, si la matriz de aristas es de rango completo. Es decir, Snv[q] =[x1:x2::xnv-1:xnv] Ej[q] =[x1-xj:x2-xj::xnv-1-xj:xnv-xj]
1.2 Definiciones Básicas Restrición activa Una restricción se dicer se activa, si todos los vértices del símplex pertenencen a la frontera de al restrición. Grado de Colapso Decimos que un símplex de d+1 vértices en el espacio Euclidiano de dimensión d ha colapsado en grado r, si los d+1 vértices pertenencen simultaneamente a r fronteras dadas por las restriciones lineales.
1.3Basic definitions Menor Símplex Decimos que un símplex de grado de colapso r está suficientemente definido sobre r fronteras lineales, si su número de vértices v es igual a d+1-r.
x2 x1 1.4Operaciones del NMLR Reflexión Restringida xref
x2 x1 1.5Operaciones del NMLR Expansión Restringida xref xexp
x2 x1 1.6Operaciones del NMLR Contracción Interna xcon
x2 x1 1.7Operaciones del NMLR Reducción
3.1Ejemplo numérico Sujeto a a) Función de Rosenbrock
3.1Ejemplo numérico SM: Metodo de Subrahmanyam
3.2Ejemplo numérico Sujeto a b) Función cuadrática
3.2Ejemplo numérico xinicial=[400, -400, 400, 400]t xmin=[50, -15, 22.5, 22.5]t
3.3Ejemplo numérico Sujeto a c) Función de Rosenbrock donde
3.3Ejemplo numérico xinicial=[20, 20, 20, 20]t xmin=[6, 36, 6, 36]t
4. El problema de Optimización Sujeto a donde
4.1 Optimización ordinal Sujeto a donde
4.2 Optimización via Particiones Jerarquizadas Partición Muestreo Ordenamiento y selección del mejor Más particiones, retroceso o parada
El Método de PJ:Partición 1(0) 3(1) 1(1) 2(0) 2(0) 2(1) 4(1) 3(0) 4(0) \(1) 5(0) (0) := (1) := 2(0)
El Método de PJ:Muestreo 1(0) D1(0) 2(0) D2(0) 3(0) D3(0) 4(0) D4(0) 5(0) D5(0) (0) = (0) =
7 9 6 5 4 3 1 2 8 13 14 11 18 17 16 15 12 10 El método de PJ:Ejemplo, k=0 1(0) 2(0) 3(0) 4(0) 5(0) (0) :=
9 6 7 4 3 5 1 8 2 16 14 13 12 10 17 15 18 11 El método de PJ:Ejemplo, k=1 2(1) 1(1) \(1) (1) := 2(0)
9 6 7 4 3 5 1 8 2 16 14 13 12 10 17 15 18 11 El método de PJ:Ejemplo, k=2 2(2) 1(2) \(2) (2) := 1(1)
5. El problema de Optimización Sujeto a donde
5.1 Optimización ordinal Sujeto a donde
5.2 Optimizando la Simulación Sujeto a donde
5.2 Optimizando la Simulación Sujeto a
5.2 Optimizando la Simulación Teorema 1 (Chen-Lin-Yücesan-Chick) Dado un número total de replicas a muestras de simulaciones T a ser adjudicados a k puntos de diseños Ei y cuyo índice de desempeño es medido por con respectivamente. Entonces cuando se tiene
5.2 Optimizando la Simulación Inicio Paso 0: Paso 1: Paso 2: Paso 3: Fin
6 Conclusiones • La optimización y la simulación hoy en día representan campos complementarios para la búsqueda de soluciones en sistemas complejos.