Академический Документы
Профессиональный Документы
Культура Документы
2.
El problema de optimizacin de sistemas dinmicos implica alta complejidad matemtica en los aspectos
relacionados con el modelaje y con la solucin computacional del problema matemtico, ya que para ser
reales involucran gran cantidad de variables y de restricciones (cientos de miles y hasta millones), y en
muchos casos por su carcter binario-mixto y/o no-lineal, requieren de tiempos cmputo, que a pesar de
las nuevas tecnologas de la microelectrnica, aun siguen siendo significativos. El problema se complica
ms cuando se trata de la optimizacin de sistemas afectados por procesos aleatorios que exigen modelos
de optimizacin estocstica.
Convencionalmente, se asocia el concepto de teoras de optimizacin de gran escala a las metodologas
orientadas a la particin y a la descomposicin de un problema (y por ende del sistema que representa) en
mltiples sub-problemas con la finalidad de facilitar su solucin. Es conveniente definir lo que en el
presente documento significan los anteriores conceptos:
Particin: accin de dividir un problema en dos sub-problemas estableciendo una relacin jerrquica
entre ellos.
Descomposicin: accin de dividir un problema en mltiples sub-problemas con el mismo nivel en
una escala jerrquica.
Teniendo en cuenta las experiencias reportadas en la literatura tcnica, se puede afirmar que existen dos
metodologas que aglutinan la gran mayora de aplicaciones: la Teora de Particin de Benders (TB,
Benders 1962) y los mtodos basados en la Relajacin Lagrangeana de las restricciones problema (RL,
Bazzara y Shetty 1979). Los dos mtodos se pueden considerar complementarios ya que matemticamente
implican puntos de vista diferentes. Existen ms enfoques para atacar el problema, pero no sern
estudiados en el presente trabajo, si es el caso, en los momentos en que considere conveniente se har
referencia a ellos
En trminos generales la solucin de un problema de optimizacin utilizando metodologas de gran escala
se fundamenta en la particin del problema en dos sub-problemas que se deben resolver coordinadamente.
En TB la particin se realiza de acuerdo con el tipo de variables, y en RL de acuerdo con el tipo de
restricciones. TB es una tcnica primal (factible primal, cumple condiciones de factibilidad), tambin
conocida como "outer linearization" o descomposicin por las cantidades/recursos. En TB unas variables
se denominan variables de acople (o de control) y las restantes dependientes (o coordinadas). La relacin
jerrquica entre sub-problemas implica que en el nivel superior acta el problema coordinador sobre a las
variables de control y en el nivel inferior se resuelve el problema primario sobre las variables coordinadas,
este problema esta parametrizado como funcin de las variables de control. Como respuesta el nivel
primario devuelve informacin al coordinador concentrada en el valor de las variables duales de las
restricciones de dicho nivel. En su forma bsica, la TB es aplicable cuando los sub-problemas son lineales.
RL es una tcnica dual (factible dual, cumple condiciones de optimalidad), tambin llamada "inner
linearization" o descomposicin por los precios. En RL las restricciones se dividen en de acople, o
complicantes, y las restantes. La estructura del problema es de tal manera que si se ignoran las
restricciones de acople, es posible concebir el proceso de optimizacin como uno ms sencillo, que en
muchos casos puede ser sujeto de un proceso de descomposicin en mltiples problemas de menor
complejidad. Se establecen dos sub-problemas relacionados jerrquicamente, en el nivel superior acta
2-1
como problema coordinador responsable de determinar las variables duales de las restricciones de acople;
en el nivel inferior se resuelve un problema "primario" sobre las variables coordinadas cuya funcin
objetivo est parametrizada con base en las variables duales bajo control del coordinador. Como respuesta
el nivel primario devuelve informacin al coordinador concentrada en el valor de la solucin de las
variables primales. Los sub-problemas en RL no estn limitados a ser lineales.
Tanto en TB como en RL el problema primario puede ser sujeto de una nueva particin o de una
descomposicin, para generar esquemas de solucin multinivel. El proceso genrico se puede definir
como:
Se determinan las variables de acople, primales en el caso de TB, o duales en el caso de RL. Estas
variables son las que permiten la integracin de los sub-problemas del nivel inferior y sern
optimizadas en el nivel superior, que se denomina nivel de coordinacin
Se determinan los bloques matriciales del nivel inferior con el fin de establecer los sub-problemas que
se han de resolver en este nivel.
Se determina en el nivel superior la estructura del problema coordinador, el cual fija valores para las
variables de acople, que son enviados al nivel inferior con el fin de que se resuelvan problemas
parametrizados con base en estos valores.
La informacin proveniente del nivel inferior (variables duales en el caso de TB, y primales en el caso
de RL) se incorpora al problema coordinador con la finalidad de generar nuevos valores de las
variables de acople.
El proceso iterativo de solucin finaliza cuando la informacin procedente del nivel inferior no
produce cambios en el valor generado por el coordinador para las variables de acople.
Van Roy (1983) desarrolla los principios para integrar TB con RL y los denomina Descomposicin
Cruzada (DC), que se aplica cuando se ha realizado la particin coordinador-sub-problema y se desea
realizar una nueva particin o una descomposicin en el coordinador utilizando una teora bsica diferente
a la utilizada previamente. DC es la coordinacin armnica de las comunicaciones entre los diferentes
sub-problemas en donde en cada uno de ellos se procesa informacin de acuerdo con la teora utilizada,
TB o RL, y se intercambia informacin de acuerdo con la conectividad del esquema jerrquico de los subproblemas.
Como referencia general se enumeran casos tpicos en los cuales es posible aplicar esquemas de particin
y de descomposicin para resolver problemas de optimizacin de gran tamao:
Planificacin de Inversiones: normalmente los problemas orientados a determinar planes maestros
de inversiones tienen una estructura en la cual las variables de coordinacin estn relacionadas con
las variables asociadas a inversiones. Muchas de estas variables son binarias, y la particin permite
manejar dos problemas con caractersticas matemticas diferentes. Si se utiliza TB, el modelo
coordinador ser del tipo de programacin binaria-mixta-lineal, o simplemente de programacin
binaria-lineal, en tanto que el(los) sub-problema(s) del nivel de descomposicin ser(n) del tipo de
programacin lineal, sobre variables continuas. En muchos casos las inversiones estn estructuradas
alrededor de proyectos, y si se considera conveniente es posible utilizar RL para descomponer el
coordinador (Birge 1995).
Planificacin Multisectorial: en los problemas de optimizacin que integran varios sectores, la
estructura matricial permite seleccionar como variables de coordinacin las transferencias de
productos entre sectores, y definir en el nivel de descomposicin sub-problemas asociados a cada uno
de los sectores.
Planificacin Multiperodo: cuando se realizan optimizaciones que integran mltiples perodos, la
estructura matricial permite seleccionar como variables de coordinacin las transferencias de
2-2
productos entre perodos, es decir las variaciones de inventario en un perodo, y definir en el nivel de
descomposicin sub-problemas asociados a cada uno de los perodos. En muchos de estos casos los
sub-problemas tienen la misma estructura matricial y se pueden disear algoritmos eficaces para la
solucin conjunta de todos los sub-problemas. Se puede utilizar indistintamente TB o RL, pero
parece estar ms difundido el uso de TB, lo que ha dado origen a un enfoque original de la
Programacin Dinmica que se ha llamado Programacin Dinmica Dual (Pereira y Pinto, 1991).
Programacin de Operaciones: La programacin de operaciones, tanto de produccin como de
distribucin, es un problema binario complejo que puede ser descompuesto utilizando RL de acuerdo
con las mquinas y/o vehculos que hacen parte del problema (Morton et al., 2002).
Programacin Estocstica: un enfoque para desarrollar procesos de optimizacin que consideren las
posibles realizaciones de las variables aleatorias que afectan a un sistema puede desarrollarse con
base en esquemas de particin y de descomposicin. Tanto TB como RL han sido aplicadas con
xito para resolver el problema. El estudio de dichas aplicaciones es la parte central del presente
trabajo.
COORDINADOR DE INVERSIONES
INVERSIONES
PARTICION
OPERACIONES
ALEATORIAS
SECTOR
ZONA
TIEMPO
SISTEMA
SISTEMA
MULTINIVEL
MULTINIVEL
COORDINADOR OPERACIONES
INTRASECTORIALES
CONDICION ESTOCASTICA 1
COORDINADOR OPERACIONES
INTRASECTORIALES
CONDICION ESTOCASTICA H
COORDINADOR
INTERZONA
SECTOR 1
ESTOCASTICO 1
COORDINADOR
INTERZONA
SECTOR 1
ESTOCASTICO H
COORD.
DINAMICA
ZONA 1.1
2 T-1 T
COORDINADOR
INTERZONA
SECTOR 1
ESTOCASTICO 1
COORD.
DINAMICA
ZONA 1.Z1
COORD.
DINAMICA
ZONA S.1
2 T-1 T
2 T-1 T
COORD.
DINAMICA
ZONA S.ZS
2 T-1 T
COORD.
DINAMICA
ZONA 1.1
2 T-1 T
COORDINADOR
INTERZONA
SECTOR 1
ESTOCASTICO h
COORD.
DINAMICA
ZONA 1.Z1
COORD.
DINAMICA
ZONA S.1
2 T-1 T
2 T-1 T
COORD.
DINAMICA
ZONA S.ZS
2 T-1 T
DESCOMPOSICION
En los casos multiperodo y/o de optimizacin estocstica, las teoras de gran escala resultan ser eficaces,
ya que simplifican el manejo de sistemas de gran dimensionalidad que se generan debidos al aumento en
el nmero de perodos del horizonte de planificacin y/o en las realizaciones sintticas del proceso
estocstico. Se podra decir que los enfoques de gran escala crecen aritmticamente con respecto a la
complejidad, en tanto que los esquemas agregados crecen exponencialmente. Esto se traduce en:
menor memoria en un computador, ya que se requiere una cantidad constante independiente del
nmero de perodos y o realizaciones del proceso estocstico;
tiempos esperados de respuesta menores; y
facilidad para la implementacin computacional de mtodos numricos paralelos.
2-3
Desde el punto de vista econmico, las tcnicas de gran escala permiten analizar los sistemas desde
mltiples puntos de vista, tanto a nivel micro como a nivel macro. Holmerg (1996), en su trabajo Primal
and Dual Decomposition as Organizational Design: Price and/or Resource Directive Decomposition,
analiza las relaciones existentes entre las estructuras matemticas que se encuentran en los problemas de
optimizacin y las estructuras organizacionales; y hace un paralelo entre organigramas y flujo de
informacin y algoritmos jerrquicos, los cuales dependiendo de las metodologas matemticas utilizadas
dan origen a diferentes interpretaciones. Los problemas coordinador se asemejan a las funciones de las
oficinas principales (headquarters) que interactan con las dependencias, ya sea fijando precios para
utilizar los recursos comunes (dual o price-directive decomposition) o fijando el nivel de las actividades
comunes a todas las dependencias (primal o resource-directive decomposition). Las propuestas
realizadas por los headquarters son analizadas por las dependencias quienes generan informacin,
determinando el nivel de actividad en el primer caso, y especificando los costos/beneficios marginales en
el segundo. Con base en la informacin obtenida los headquarters realizan una nueva asignacin de
precios o de cantidades.
Otro caso particular es el la simulacin de mercados en los cuales interactan mltiples agentes. En este
caso la estructura del sistema podra conceptualizarse como lo presenta el siguiente diagrama en el que el
coordinador del mercado representa a la demanda y los agentes a la oferta.
COORDINADOR
OPERADOR DEL MERCADO
PARTICION
COORDINACION
DE LA
DEMANDA
OPERACIONES
DE LOS
AGENTES
AGENTE 1
AGENTE 2
AGENTE a
AGENTE N
DESCOMPOSICION
mltiples productos, la informacin con respecto a las curvas de oferta multi-producto ser tenida en
cuenta por el coordinador para estimar un vector de cantidades que implique el equilibrio del mercado.
Si se utiliza RL para estudiar el mercado, el objetivo es el mismo: determinar la funcin de oferta de los
productos que ofrece al mercado cada agente. En este caso el proceso se puede interpretar como una
subasta en que el agente coordinador hace ofertas de precios a los agentes para que determinen la cantidad
que estn dispuestos a vender a ese precio; de esta forma el coordinador va recopilando informacin que le
sirve para determinar un nuevo precio en el caso en que la demanda y la cantidad ofertada por los agentes
no son iguales; si existe sobreoferta, el nuevo precio propuesto por el coordinador ser menor, en caso de
dficit ser mayor. Cuando se consiga la igualdad oferta-demanda, se tendr el precio de equilibrio del
mercado.
2.1.
TEORA DE BENDERS
2.1.1.
TEORA DE PARTICIN
yS }
TB restringe el modelo sobre x a un problema lineal, en tanto que es flexible con respecto a y. El espacio
S que determina la existencia de y puede ser continuo o discreto, lo que permite que las componentes de y
sean variables continuas, enteras y/o binarias. Adicionalmente, las funciones asociadas a y pueden ser nolineales.
El problema P: puede dividirse en dos sub-problemas uno sobre y y otro sobre x. Si se define Q(y) como
el valor ptimo de la funcin objetivo correspondiente al problema sobre x para un valor dado de y:
{ Q(y) = Min cTx | Ax = b - F(y) ,
xR+ }
2-5
xR+ }
2-7
yk
SP(y): =
{ Q(y) =
Min cTx |
Ax = b - F(y)
xR+
}
La convergencia del mtodo propuesto por Benders se obtiene cuando dos valores consecutivos yk y yk+1
son iguales, debido a que el ltimo corte no proporciona informacin adicional. Existen otros mecanismos
para detener el proceso, basados en la calidad de la solucin que se tiene. La funcin Q(yk) estima el costo
asociado a x, como consecuencia de tomar la decisin yk, y acota al valor real cTx(yk), donde x(yk)
corresponde a la solucin ptima de SP(yk):
valor estimado = Q(yk) cTx(yk) = valor real
la diferencia entre el valor real y el estimado determina la precisin de la solucin que se tiene en el ciclo
k; si sta satisface la precisin definida para la convergencia, se tiene la solucin ptima.
CONVERGENCIA DEL ALGORITMO DE BENDERS
cT xk
Real
Primal
cT x*
Iteraciones
Estimado
Dual
Q(yk)
2-8
donde
k
k
f(y)
2F(y)
COORDINADOR BENDERS
P: = { Min c x + f(y) |
F0(y) = b0
Ax + F(y) = b
xR+
y R }
DP: = { Max T b0 +T b |
T 2F0(y)+ T 2F(y)=f(y)T
TA c T
R , R+ }
Para que los dos problemas duales sean equivalentes se debe cumplir
= k=1,ITE k k +kITN k vk
La demostracin de lo anterior se basa en la igualdad de las funciones objetivo en la optimalidad
T b0 + T b = T b0 + (k=1,ITE k k +kITN k vk )T b
de donde se puede concluir que la segunda igualdad solo si se cumple la primera igualdad.
Lo que implica que las variables duales ptimas de las restricciones asociadas al sub-problema SP(y): se
obtienen como una combinacin lineal ponderada de las variables duales de los cortes incluidos en el
coordinador en la ltima iteracin.
Con base en la teora de programacin subrogada (Greenberg y Pierskalla 1970, Velsquez 1986) es
2-9
posible tomar ventaja de esta relacin. En trminos generales, la programacin subrogada prueba que un
conjunto de restricciones puede reemplazarse por una restriccin subrogada equivalente, generada a partir
de una combinacin lineal de todas las restricciones, siempre y cuando los pesos de ponderacin sean colineales con los multiplicadores de Lagrange de cada una de ellas. Con base en este hecho, los cortes
generados pueden reemplazarse por uno subrogado equivalente donde los pesos de ponderacin
corresponden a las variables duales asociadas a cada corte. Por lo tanto se cumple que el corte
(k=1,ITE k ) Q(y) + (k=1,ITE k k +kITN k vk )TF(y) (k=1,ITE k k +kITN k vk )T b
es equivalente al conjunto de cortes
Q(y) + (k)TF(y) (k)T b k=1,ITE
(vk)TF(y) (vk)T b kITN
Lo anterior no solo es vlido para la ltima iteracin, sino se cumple para cualquier iteracin intermedia
del proceso de optimizacin siendo posible resumir la historia de la optimizacin sustituyendo los cortes
hasta una iteracin dada por el corte subrogado, generado a partir de las variables duales de los cortes en
dicha iteracin, lo que evita la explosin de cortes en la medida que avanza el proceso de optimizacin.
Cuando no existen cortes por factibilidad, lo que implica que no existen los vectores de variables duales
k, la combinacin lineal es una combinacin lineal convexa ya que se cumple que
= k=1,ITE k k
k=1,ITEk = 1
y el corte subrogado igual a
Q(y) + (k=1,ITE k k)T F(y) (k=1,ITE k k)T b
2.1.2.
TEORA DE DESCOMPOSICIN
Cuando un problema tiene una estructura matricial dual-angular (Lasdon 1970) es posible utilizar TB para
su solucin., en este caso el problema P: se puede expresar como:
P: = { Min i=1,T ciTxi + f(w) |
F0(w) = b0
Aixi + Fi(w) = bi i=1,T
xiR+ i=1,T , wS }
Se dice que P: tiene una estructura dual-angular cuando tiene variables de coordinacin y se puede
visualizar de la siguiente forma:
2-10
x2
x1
. . .
xT
A1
y
F1
A2
F2
.
.
. . .
.
.
.
AT
FT
F0
El subndice i puede estar asociado a un espacio relacionado con sectores industriales, zonas geogrficas,
perodos, y/o realizaciones de un proceso estocstico. El vector y est asociado al consumo/produccin de
recursos comunes, y/o a la transferencia de recursos entre reas, y/o a la agregacin de informacin sobre
las mltiples reas y/o a las restricciones sobre el riesgo en un modelo estocstico. El vector xi a la
operacin (produccin/distribucin) dentro del rea de accin del subndice i.
P: puede resolverse utilizando TB directamente, y corresponde a las variables de coordinacin y xi a las
variables coordinadas. Definamos Q(y) como el valor ptimo de la funcin objetivo correspondiente al
problema sobre las variables xi para un valor dado de y
{ Q(y) = Min i=1,T ciTxi | Aixi = bi - Biy
el problema coordinador es
CY: = { Min f(y) + Q(y) |
F0(y) = b0 , yS
Q(y) i=1,T (ik)T[bi - Fi(y)] k=1,ITE
0 i=1,T (vik)T[b - F(y)] k=1,ITN }
donde i representa las variables duales del i-simo conjunto de restricciones y vi a los rayos extremos de
las soluciones no factibles. El sub-problema asociado integra todas las xi.
Sin embargo, se puede tomar ventaja de la estructura de P: con la finalidad de disear un algoritmo ms
eficaz que el resultante de aplicar directamente TB ya que es posible desacoplar el sub-problema primario
al formular la funcin Q(y) como la suma de T funciones Qi(y) cada una de ellas correspondiente a un
sub-problema sobre xi
{ Qi(y) = Min ciTxi | Aixi = bi - Fi(y) , xiR+ }
cumplindose
Q(y) = i=1,T Qi(y)
El problema SPi(y) para evaluar Qi(y) se formula como
SPi(y): = { Qi(y) = Min ciTxi | Aixi = bi - Fi(y) , xiR+ }
y su problema dual
2-11
2-12
1 k
v 1k
SPi(y): =
{ Qi(y) =
Min ciTxi |
Aixi = bi - Fi(y)
xiR+
}
yk
ik
vik
i=1
SPi(y): =
{ Qi(y) =
Min ciTxi |
Aixi = bi - Fi(y)
xiR+
}
Tk
vTk
i=T
SPi(y): =
{ Qi(y) =
Min ciTxi |
Aixi = bi - Fi(y)
xiR+
}
Esta aplicacin de TB corresponde a la aplicacin al dual del problema P: del mtodo de descomposicin
de Datnzig-Wolfe (1960), tambin llamada inner linearization.
2.1.3.
TEORA MULTINIVEL
Existen problemas en los cuales se puede definir jerrquicamente ms de un nivel de coordinacin. Vale
decir, que al interior de un conjunto de variables subordinadas existe una relacin tal que, unas funcionan
como coordinadoras de las dems. Para facilidad de la presentacin de la teora se analizar un caso de tres
niveles y solo se presentan los cortes que se generan para limitar la zona de factibilidad de y por razones
de optimalidad, ignorando los cortes por factibilidad
Consideremos el problema P: el cual puede ser estructurado en tres niveles jerrquicos (Velsquez 1995)
P: = { Min cTx + eTz + f(y) |
F0(y) = b0
Gzz + Fz(y) = bz
Ax + Gz +F(y) = b
xR+ , zR+ , yS }
donde y corresponde a las variables de coordinacin general, y z y x a las variables coordinadas por y; a
su vez, z acta como coordinadora de x, una vez se ha definido el valor de y. Si se aplica directamente TB,
el modelo coordinador sobre y es
CY: = { Min Q(y) + f(y) |
F0(y) = b0 , yS
k T
Q(y) (x ) (b - F(y)) + (zk)T(bz - Fz(y))
k=1,ITE }
xR+} }
La funcin W(z|y) corresponde al costo cTx(z|y) como funcin de z cuando se ha definido previamente y.
El sub-problema coordinado para x es
SP2(z|y) = { W(z|y) = Min cTx | Ax = b - F(y) - Gz ,
xR+ }
2-14
restricciones que no estn consideradas explcitamente en l y que son manejadas en niveles jerrquicos
inferiores. Las variables duales de estas restricciones corresponden al vector subrogado de variables duales
del problema primario. Para el coordinador de mayor nivel correspondern a las variables duales de la
solucin del problema.
La generalizacin de los anteriores conceptos para el caso de mltiples niveles es el soporte fundamental
de lo que se ha denominado aplicaciones anidadas de Benders (Nested Benders, Birge 1996, Velsquez
1995). La siguiente figura presenta el algoritmo propuesto.
ALGORITMO DE BENDERS MULTINIVEL
CY: = { Min z = Q(y) + f(y) |
F0(y) = b0 , yS ;
Q(y) (xk)T(b - F(y)) + (zk)T(bz - Fz(y)) k=1,ITE }
yk
xk=kk
zk,n yk
SP2(z|y) =
{ Min W(z|y) = cTx |
Ax = b - F(y) - Gz , xR+ }
2.1.4.
Velsquez (1995) estudia la extensin de la teora multinivel para casos en los que se tienen ms de dos
niveles de coordinacin. Para el caso de S niveles consideremos el problema P:
P: = { Min i=1,S ciTxi + f(y) |
F0(y) = b0
Aixi + q=1,i-1 Ei,qxq + Fi(y) = bi i=1,S
xiR+ i=1,S , yS }
donde y corresponde a las variables de coordinacin de primer nivel, nivel 0, y xi a las variables de
coordinacin del nivel i. xS corresponde al nivel inferior, o nivel primario.
Matricialmente P: tiene una estructura triangular en bloques que se visualiza como se presenta a
continuacin.
x1
x2
. . .
A1
E2,1
xS
y
F1
A2
F2
2-16
E3,1
E3,2
A3
ES-1,1
ES-1,2
ES-1,3
. . .
AS-1
ES,1
ES,2
ES,3
. . .
ES,S-1
. . .
.
AT
FT
F0
xSR+ }
equivale a un coordinador de nivel i, evaluado para i igual a S, sin incluir los cortes y la funcin W().
Dada la anterior equivalencia la formulacin del algoritmo se realiza en trminos de solo problemas
coordinadores.
En resumen cuando cada coordinador de un nivel inferior genera un corte en el coordinador de nivel
superior, sintetiza la informacin con base en la generacin del vector subrogado de variables duales, que
ser utilizado por el coordinador de nivel superior para generar un corte, que reemplaza en el nivel inferior
2-17
a todos los cortes que hasta ese momento se han utilizado para generar la solucin ptima parcial.
En primera instancia la forma de implementar la teora multinivel implica que cada nivel jerrquico
retorna al nivel superior solo cuando se ha obtenido la solucin ptima al problema parametrizado por las
decisiones prefijadas en los niveles superiores, esto implica que en los niveles inferiores se realizan ciclos
enlazados para resolver los diferentes niveles superiores. La sntesis por medio de los vectores duales
subrogados evita la explosin de cortes a medida que transcurre el proceso. Se pueden disear formas
alternativas de implementacin con la finalidad de acelerar el proceso de solucin.
Cuando el ndice i est relacionado con el tiempo, el enfoque multinivel permite relacionar variables de un
perodo i con variables de cualquier periodo posterior i+q, no necesariamente el siguiente (i+1) como es el
caso de la estructura clsica para problemas de programacin dinmica, que es la que se presenta
frecuentemente en la literatura tcnica (Velsquez 1995). A manera de referencia se nota que, por ejemplo,
los problemas de expansin de capacidad tienen este tipo de estructura.
2.1.5. ASPECTOS COMPUTACIONALES.
La solucin al problema P: con base en los esquemas de particin y descomposicin propuestos puede ser
optimizada desde el punto de vista computacional si se establece un mecanismo coordinado de solucin de
los sub-problemas en los diferentes niveles de particin y de descomposicin y si estudia la dinmica del
problema coordinador.
2.1.5.1
CASO Ai = A.
Normalmente este caso esta relacionado como sub-problemas asociados a modelos multiperodo y/o de
optimizacin estocstica.
2-18
2)
Para la solucin secuencial de los problemas SPi(yk) se utiliza siempre el mismo tablero solucin ya que la
matriz A es comn a todos. Los vectores xi pertenecen a la misma dimensin y contienen estructuralmente
la misma informacin para cada uno de los sub-sistemas.
2.1.5.2.2.
CASO Ai Aj
Normalmente este caso esta relacionado con sub-problemas asociados a los diferentes sectores
(dimensiones) de un sistema.
En este caso dentro de una misma iteracin en el nivel de descomposicin no se puede tomar ventaja de la
solucin obtenida SPi(yk) al solucionar SPj(yk), para ij. Sin embargo, es posible utilizar la ltima
solucin de una etapa k como punto de partida para la reoptimizacin en la etapa k+1. La solucin x*ik
tiene las siguientes caractersticas:
Factibilidad: No se puede afirmar que xik sea factible a SPi(yk+1) si se tiene en cuenta que el vector de
2-19
En este caso es posible conseguir la factibilidad utilizando el algoritmo DUAL-PL, pudindose determinar
x*ik+1 a partir de x*ik:
x*ik+1 = DUAL-PL[ci,A,b*i(yk+1),ui,x*ik]
2.1.5.3.
Se consideran dos casos para el modelo coordinador: el primero cuando este es del tipo de programacin
lineal; y el segundo cuando es del tipo de programacin mixta o binaria.
2.1.5.3.1.
En este caso todas las variables yR+. Consideremos la solucin a un problema coordinador lineal CY:
con base en la generacin de planos cortantes por cada iteracin del proceso algortmico general. CY:
puede escribirse como
CY: = { Min dTy + Q |
B0 y b0 , yR+
Q - i=1,T Qi 0
Qi + [(ik)T Bi] y (ik)T bi
i=1,T k=1,ITE(i)
k T
k T
[(vi ) Bi] y (vi ) bi
i=1,T kITN(i) }
donde d corresponde al vector de costos de las variables y.
Matricialmente el problema CY: tiene la siguiente estructura:
2-20
Unin de Mximos
Funcionales de y
Iteracin factible 1
Iteracin factible k
Iteracin factible ITE(1)
Iteracin no-factible 1
Iteracin no-factible k
Iteracin no-factible ITN (1)
Iteracin factible 1
Iteracin factible k
Iteracin factible ITE(i)
Iteracin no-factible 1
Iteracin no-factible k
Iteracin no-factible ITN(i)
Iteracin factible 1
Iteracin factible k
Iteracin factible ITE(T)
Iteracin no-factible 1
Iteracin no-factible k
Iteracin no-factible ITN(T)
Funcin
Objetivo
Q1
Qi
QT
1
0
0
.
.
.
0
0
.
.
.
0
-1
0
1
.
.
.
1
0
.
.
.
0
-1
0
0
.
.
.
0
0
.
.
.
0
-1
0
0
.
.
.
0
0
.
.
.
0
0
B0
(11)T B1
.
.
.
(1ITE(1))T B1
(v11)T B1
.
.
.
(v1ITN(1))T B1
0
.
.
.
0
0
.
.
.
0
0
.
.
.
0
0
.
.
.
0
1
.
.
.
1
0
.
.
.
0
0
.
.
.
0
0
.
.
.
0
(i1)T Bi
.
.
.
(i1)T Bi
(vi1)T Bi
.
.
.
(vi1)T Bi
0
.
.
.
0
0
.
.
.
0
0
.
.
.
0
0
.
.
.
0
0
.
.
.
0
0
.
.
.
0
1
.
.
.
1
0
.
.
.
0
(T1)T BT
.
.
.
(TITE(T))T BT
(vT1)T BT
.
.
.
(vTITN(T))T BT
0
b0
(11)T b1
.
.
.
(1k)T b1
(v1k)T b1
.
.
.
(v1ITN(1))T b1
(i1)T bi
.
.
.
(iITE(i))T bi
(vi1)T bi
.
.
.
(viITN(i))T bi
(T1)T bT
.
.
.
(TITE(T))T bT
(vT1)T bT
.
.
.
(vT ITN(T))T bT
DCY: = { Max
DCY: = { Max
En la solucin del problema DCY: se deben tener en cuenta las siguientes caractersticas:
El hecho de generar variables (columnas), envs de restricciones (planos cortantes), hace que el
esquema de trabajes decir del tipo de generacin de columnas, lo que permite una nueva interpretacin
al proceso de solucin.
En una iteracin dada para cada subsistema i se genera una variable del tipo 3, y si la solucin fue no
factible, adicionalmente, se genera una variable del tipo 4.
En una iteracin dada si la solucin actual no es la ptima entrar a la base una de las nuevas
variables. Esta variable puede sustituir en el tablero a la variable que sale de la base que con alta
probabilidad esta no podra volver a entrar a la base en ninguna iteracin posterior. Teniendo en
cuenta este aspecto se tiene que el nmero de variables consideradas permanece constante, ya que las
nuevas variables reemplazan a las viejas que posiblemente no estarn en la solucin ptima.
En cada reoptimizacin se debe utilizar el algoritmo PRIMAL-LP dado que la anterior solucin k es
factible, pero puede no ser ptima, en caso que al considerar las nuevas variables se contine en la
optimalidad se habr encontrado la solucin al problema P.
2.1.5.2.2
En este caso algunas de las variables pertenecen a R+ y las restantes toman valores binarios: 0 o 1.
Consideremos la solucin al problema coordinador CY: con base en la generacin de planos cortantes por
cada iteracin del algoritmo. En este caso las ventajas del caso anterior para trabajar en la zona dual se
pierden por la estructura no-continua del problema, y por lo tanto debe resolverse en su forma primal.
Consideremos la solucin utilizando algoritmos genricos de programacin entera del tipo de Branch and
Bound. Una implementacin efectiva de la teora de particin y descomposicin implica modificar la
lgica del algoritmo para incluir (embeber) los sub-problemas del nivel de descomposicin dentro del
modelo coordinador. La modificacin fundamental esta relacionada con el hecho de que despus de
enumerar una posible solucin inmediatamente se va al nivel de descomposicin, sin esperar la
convergencia del modelo coordinador (Parkin and Rardin 1988).
En el diseo del algoritmo integral es de fundamental importancia la coordinacin de las reoptimizaciones,
ya que cada vez que se regresa del nivel de descomposicin y se incluye los cortes generados la solucin
actualmente enumerada es no factible. Si no se tiene control directo del proceso de enumeracin es posible
que se deba recomenzar la optimizacin del coordinador en cada iteracin lo que se traduce en la prdida
de efectividad del algoritmo integrado. La implementacin del algoritmo es un punto de especial inters
2-22
, xX ,
yY }
Para convergencia la GBD restringe el modelo sobre x a un problema convexo para cualquier valor de
yY. El espacio Y de existencia de y puede ser continuo o discreto, lo que permite que las componentes
de y sean variables continuas, enteras y/o binarias. Se entiende un problema como convexo cuando la
funcin objetivo es cncava para maximizacin, convexa para minimizacin, y las restricciones en forma
de desigualdad definen un conjunto convexo (Mathematical Programming Glossary publicado en la web
por Harvey J. Greenberg).
El problema GDB: puede partirse en dos sub-problemas uno sobre y y otro sobre x. Si se define v(y)
como el valor ptimo de la funcin objetivo correspondiente al problema sobre x para un valor dado de y:
v(y) = { Maxx f(x,y) | G(x,y) 0
, xX }
xX } }
donde corresponde al conjunto de y que para los cuales existe solucin factible a GDB:, esto es
= { y | G(x,y) 0
para algn xX }
, xX }
Consideremos la funcin Lagrangeana de SGDB (y): (definida de tal forma que los multiplicadores de
Lagrange correspondan a la derivada de la funcin objetivo con respecto al vector de recursos)
*(x,|y) = f(x,y) - G(x,y)
2-24
donde corresponde al vector de multiplicadores de Lagrange (variables duales), que de acuerdo a las
condiciones de Karush-Khun-Tucker (KKT, Tucker 1956) debe ser positivo e igual a
= v(y)
Para un valor ptimo de SGDB(y): se cumple que en dicho punto se maximiza el Lagrangeano con
respecto a x. Adicionalmente se cumple que
v(y) = *(x,|y) = f(x,y) - G(x,y)
Si se conoce un punto ptimo-factible (xk,k), obtenido para un valor como solucin a SGDB(yk):, se
debe cumplir para todo y que
v(y) *(xk, k|y) = f(xk,y) - k G(xk,y)
Por lo anterior el problema CGDB: puede escribirse como
CGDB: = { Max v(y) |
yY , y
* k k
v(y) (x , |y) = f(xk,y) - k G(xk,y)
kIF }
, }
RELAJACIN LAGRANGEANA
A continuacin se presenta la descripcin de la Relajacin Lagrangeana (RL, Bazaraa and Shetty 1979).
2.2.1
TEORA BSICA
2-26
xS }
SOLUCIN VA GRADIENTES
Una alternativa para solucionar el problema MMD: es utilizar informacin acerca del subdiferencial de la
funcin h(), que se puede demostrar es igual a
h() = ( b F(x() )
donde x() corresponde a la solucin ptima al problema RL():.
Para problemas convexos la funcin h() es cncava y continua, cuando S corresponde a un espacio
discreto, nmeros enteros o binarios, h() es el resultado de la interseccin de mltiples hiperplanos y por
lo tanto su derivada no es continua debindose implementar algoritmos especializados que tengan en
cuenta esta caracterstica (mtodos de subgradiente o supergradiente). Bajo este enfoque el proceso de
solucin se basa en establecer una secuencia de valores de las variables duales de acuerdo con
direcciones de ascenso indicadas por el supergradiente h(), se debe tener en cuenta que la direccin del
gradiente es vlida hasta que se cambie de hiperplano.
Para establecer la secuencia de valores de se puede debe utilizar un algoritmo basado en direcciones de
ascenso, el cual en trminos generales tiene la siguiente estructura:
2-27
k+1 = k + k Nk h(k) = k + dk
donde k representa la iteracin k, k es un escalar que define el tamao de paso en dicha iteracin, Nk una
matriz de proyeccin y dk la direccin efectiva de movimiento. Existen mltiples formas de determinar k
y Nk . Para garantizar la convergencia del algoritmo es suficiente que la serie k cumpla con
{k} 0
k k =
2.2.1.2. SOLUCIN VA PLANOS CORTANTES
Otra va alternativa se puede formular con base en un conjunto de planos cortantes definidos a partir de
valores factibles xk a las restricciones G(x)=g conocidos para las variables x (Van Roy 1983). Utilizando
la definicin de h() el coordinador MMD: es equivalente a:
MMD: = { Max Q |
Q f(xk) + T( b - F(xk) ) kITE
KKT }
donde ITE representa el conjunto de soluciones factibles xk que se conocen. El anterior problema
corresponde a un modelo de programacin lineal con un nmero variable cortes generados a partir de la
solucin iterativa del sub-problema RL(): para diferentes valores de .
La siguiente figura presente la jerarqua de RL utilizando planos cortantes
ALGORITMO DE RELAJACION LAGRANGEANA
UTILIZANDO PLANOS CORTANTES
MMD: =
{ Max Q |
Q f(xk) + T( b - F(xk) ) kITE
KKT
}
xk
RL(): =
{
Min f(x) TF(x) |
G(x) = g ;
xS
}
2-28
2.2.2
TEORA DE DESCOMPOSICIN
donde el subndice i esta asociado a un espacio relacionado con sectores industriales, zonas geogrficas,
equipos, proyectos, perodos o realizaciones de un proceso estocstico.
La aplicacin de RL a P: tiene como finalidad descomponer el problema en mltiples sub-problemas
desacoplando los espacios (sectores) por medio de una funcin Lagrangeana parcial con base en las
restricciones de acople. Se formula un problema maximin dual que integra las variables duales de las
restricciones de acople que tiene la siguiente estructura
MMD: = { Maximizar h() | KKT }
donde corresponde al vector de variables duales de las restricciones de acople, i=1,T Fi(xi)=b. La
funcin dual h() esta definida con base en el valor de la solucin del problema RL():
RL(): = { h() = Min i=1,T fi(xi) + T(b i=1,T Fi(xi) ) |
Gi(xi) = gi i=1,T
xiSi i=1,T }
Reordenando trminos, la funcin objetivo de RL() puede escribirse como:
i=1,T [ fi(xi) - TFi(xi)] + Tb
RL() se puede descomponer en T problemas que se formulan a continuacin.
SRLi(): = { Min fi(xi) - TFi(xi) | Gi(xi) = gi
xiSi }
Para tomar ventaja de RL, cada sub-problema SRLi(): puede tener una estructura especial dependiendo
de la forma de las funciones fi(x), Fi(x) y Gi(x) y del espacio de factibilidad Si , de manera tal que es
posible implementar algoritmos especializados para su solucin.
Si el coordinador MMD: se resuelve utilizando un algoritmo de ascenso con base en gradientes, se puede
demostrar que h() es igual a
h() = [ b i=1,T Fi( xi() ) ]
y utilizar esta informacin para determinar la direccin de movimiento del algoritmo.
Si se utiliza el enfoque de planos cortantes el corte a introducir en cada iteracin es
2-29
kITE
lo que es igual a
Q - Tb i=1,T [ f(xik) + TFi(xik)]
kITE
El conjunto de puntos {xik} corresponde a un punto factible del espacio integrado por todos los sectores,
que se obtiene como una unin de puntos factibles independientes para cada espacio individual. Si se tiene
en cuenta que cualquier punto obtenido como una combinacin de puntos factibles de cada espacio i debe
cumplir con la anterior condicin se puede desacoplar el anterior corte de la siguiente forma:
Qi fi(xik) + TFi(xik)
i=1,T kITE(i)
Q Tb + i=1,T Qi
donde ITE(i) corresponde al nmero de puntos factibles que se conocen para el espacio i.
El anterior conjunto de cortes corresponde a una restriccin ms fuerte que el corte acoplado. Las
soluciones factibles xik se generan en la medida que se obtienen soluciones a SRLi(). Adicionalmente, el
desacople del corte permite desacoplar la solucin de los sub-problemas, esto implica que no es necesario
resolver todos los problemas en cada iteracin del algoritmo.
Con base en lo anterior se puede formular un coordinador multicorte igual a
MMD: = { Max Q |
Qi fi(xik) + TFi(xik) i=1,T kITE(i)
Q Tb + i=1,T Qi
KKT }
que tambin se puede escribir como
MMD: = { Max Tb + i=1,T Qi |
Qi fi(xik) + TFi(xik) i=1,T ; kITE(i)
KKT }
Para establecer la secuencia de valores de se debe resolver problemas del tipo MMD: que incluyan al
menos un nuevo corte activo con respecto a la iteracin anterior.
2.2.3
El modelo coordinador corresponde a un problema lineal en el que se incluyen planos cortantes por cada
iteracin resuelta en cualquiera de los sub-problemas.
MMD: = { Max Tb + i=1,T Qi |
Qi ciT xik + TFi xik i=1,T kITE(i)
0}
donde xik corresponde a puntos factibles a las restricciones Aixi=bi y xiSi.
Matricialmente el problema MMD: tiene la siguiente estructura:
2-31
Sector
.
.
.
i
.
.
.
Iteracin
1
2
.
.
.
ITE(1)
1
2
.
.
.
ITE(2)
.
.
.
k
.
.
.
1
2
.
.
.
ITE(T)
Funcin
Objetivo
Q1
1
1
Q2
Qi
QT
(F1x11)T
(F1x12 )T
c1T x1,1
c1T x1,2
1
1
(F1x1ITE(1) )T
(F2x21 )T
(F2x22 )T
c1T x1,ITE(1)
c2T x2,1
c2T x2,2
(F2x2ITE(2) )T
c2T x2,ITE(2)
(Fixik )T
ciT xw,j
1
1
(FTxT1 )T
(FTxT2 )T
cTTxT1
cTT xT2
(FTxTITE(T) )T
cTTxTITE(T)
bT
...
2-32
es un punto factible a cada espacio individual i, pero el conjunto integrado de puntos {x1 , x2 , ... , xT } no
es factible a las restricciones de acople hasta que se obtiene la solucin ptima.
En una iteracin dada para uno, o para varios sectores i, se genera una columna con base en una solucin
factible, con su correspondiente variable ik, si la solucin actual no es la ptima entrar a la base una de
las nuevas variables.
En cada "reoptimizacin" se puede utilizar un algoritmo primal dado que la anterior solucin es factible,
pero puede no ser ptima; en caso que al considerar las nuevas variables se contine en la optimalidad se
habr encontrado la solucin al problema P:.
2.2.4
que se actualiza i cada vez que se resuelve un sub-problema relacionado con xi ; la aplicacin paralela,
resolviendo todos los sub-problemas simultneamente se denomina Nonlinear Jacobi Algorithm. Detalles
de la implementacin y pruebas de convergencia se encuentran en Ruszczynski (1992).
2-35