Capitulo 2

Capitulo 2.
Optimizacin de Sistemas Complejos
2.
Optimizacin Estocstica Multi-Etapa con Manejo de Riesgo
OPTIMIZACIN DE SISTEMAS COMPLEJOS
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
Capitulo 2. Optimizacin de Sistemas Complejos
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.
El siguiente diagrama presenta un posible esquema jerrquico multinivel resultado de la mltiple

aplicacin de las metodologas de gran escala.
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
Si se utiliza TB para analizar el mercado (Velsquez 2003), el conjunto de hiperplanos (cortes de

Benders), que se generan a partir de la informacin dual de los sub-problemas de los agentes, definen la
funcin de oferta de los productos que ofrece al mercado cada agente productor. El proceso algortmico se
puede interpretar como una conversacin entre el coordinador del mercado y cada uno de los agentes con
el objetivo de ir obteniendo informacin que le permita ir construyendo la funcin de oferta de cada uno
de los agentes, con la finalidad de construir la curva de oferta agregada del mercado. Si se interpreta el
proceso como una subasta de un solo producto, el esquema basado en TB implica que a partir de una
oferta inicial, el agente coordinador solicita nuevas ofertas a los agentes para que determinen el precio al
que estn dispuestos a vender la cantidad solicitada; de esta forma el coordinador va recopilando
informacin que le sirve para determinar nuevas cantidades a cotizar, en caso que considere que existen
posibilidades de mejorar su posicin, es decir de obtener un precio menor para el mercado. El coordinador
determinar el precio del mercado seleccionado las mejores ofertas. Para determinar la optimalidad de su
posicin el coordinador analizar todas las ofertas previamente recibidas para inferir si es posible o no
obtener un mejor precio; s lo considera posible estimar las cantidades que deben suministrar los agentes
para mejorar el precio, si lo considera imposible, el proceso de subasta termina. En mercados con
2-4
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
2.1.1.1. ASPECTOS GENERALES

La Teora de Benders (TB) considera el problema de optimizacin P: compuesto por dos tipos de
variables: las y, correspondientes a las variables de coordinacin, y las x, correspondientes a las
coordinadas.
F0(y) = b0
P: = { Min cTx + f(y) |

, Ax + F(y) = b , xR+ ,
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+ }
es posible formular un problema equivalente CY:

CY: = { Min f(y) + Q(y) |
F0(y) = b0 , yS
{ Q(y) = Min cTx | Ax = b - F(y) , xR+ }
}
El sub-problema SP(y): para evaluar Q(y) es
SP(y): = { Q(y) = Min cTx | Ax = b - F(y) ,
y el problema dual de SP(y):
2-5
xR+ }
DSP(y): = { W(y) = Max T[b - F(y)] | TA cT }

donde corresponde al vector de variables duales de las restricciones Ax=b-F(y). Con base en la teora de
la dualidad se sabe que la funcin objetivo del problema dual, W(y), es menor o igual a la funcin
objetivo del primal, Q(y), para cualquier valor factible de
Q(y) W(y) = T [b - F(y)]
cumplindose la igualdad solo para el valor ptimo *, que es un punto extremo de la zona de factibilidad
dual. Dado que la zona de factibilidad de es independiente de y, la anterior condicin debe cumplirse
para todo y, y CY: puede escribirse como
CY: = { Min f(y) + Q(y) |
F0(y) = b0 , yS
Q(y) T [b - F(y)]
TA c }
Si se conocen todos los puntos extremos , es posible obviar la formulacin explcita de las restricciones
TA c, y CY: puede formularse como
CY: = { Min f(y) + Q(y) |
F0 (y) = b0 , yS
Q(y) (k)T [b - F(y)] kNP }
donde NP representa el conjunto de todos los puntos extremos de la zona de factibilidad dual TAc. El
problema CY: es exactamente igual al problema original P:, la complejidad radica en que para problemas
reales el nmero de puntos extremos NP es muy grande, y por lo tanto CY: corresponde a un problema
con un nmero tal de restricciones que no se pueden definir explcitamente. El algoritmo propuesto por
Benders define un mtodo eficaz para generar valores extremos k de forma tal que, con un nmero finito
de ellos, se obtenga la solucin a CY:, y simultneamente se solucione P:.
Benders propone la solucin de P: por medio de un algoritmo que trabaja en dos niveles: en el nivel
superior, nivel de coordinacin, se resuelve el problema coordinador CY: que genera una secuencia de
valores yk. En el nivel inferior, los valores yk se utilizan como parmetros del sub-problema SP(y): para
generar una secuencia de puntos extremos factibles k, que son la base para incluir en CY: un plano
cortante que restringe la zona de optimalidad de y.
SP(yk): puede tener tres posibles soluciones: no acotada, factible y ptima, y no factible. En caso de
solucin no acotada en SP(yk): se puede concluir que P: tambin tiene solucin no acotada. En caso de
solucin factible y ptima, SP(yk): proporciona un punto extremo a la zona de factibilidad dual, TAc, y
se genera un corte en la zona de factibilidad de y por razones de optimalidad, es decir se eliminan valores
de y que no pueden ser ptimos. Este corte tiene la forma
Q(y) (k)T[b-F(y)]
En caso que no exista solucin factible a SP(yk): se debe generar un corte por razones de la relacin entre
la zona de factibilidad de y y la zona de factibilidad de x. De acuerdo con el Lema de Farkas (Lasdon
2-6
1970) para garantizar la factibilidad de x en SP(yk) se debe satisfacer

0 vT[b - F(yk)]
donde v es un rayo extremo de la regin de factibilidad de . Al no existir factibilidad, la anterior
condicin no se cumple automticamente, por lo tanto en el modelo coordinador CY: se debe incluir
explcitamente el anterior corte, ya que en un problema lineal asociada a una solucin no factible en el
primal existe una zona factible no acotada en el dual.
Una forma para determinar v es resolver el problema
FSP(y): = { Min 1w+ + 1w- | Ax + Iw+ - Iw- = b - F(y)
xR+ , w+R+ , w-R+ }
donde v corresponde al vector de variables duales de la restriccin Ax+Iw+-Iw-=b-F(y) y 1 a un vector
con todas sus componentes igual a 1. El problema corresponde a uno cuya solucin es igual a cero, cuando
existe solucin factible a Ax=b-F(y).
En cada ciclo del modelo coordinador se debe resolver
CY: = { Min f(y) + Q(y) |
F0(y) = b0
Q(y) (k)T[b - F(y)] k=1,ITE
0 (vk)T[b - F(y)] kITN
yS }
donde ITE representa todas las iteraciones realizadas en las que se ha conseguido la factibilidad, e ITN el
conjunto de las iteraciones en que no se ha conseguido. Cuando la formulacin del problema P: garantiza
la factibilidad de SP(y) para cualquier valor de y el segundo tipo de corte se ignora. Es importante notar
que el plano cortante que limita el espacio de optimalidad de y puede aplicarse a cualquier solucin dualfactible.
La siguiente figura presenta la estructura del algoritmo de particin de Benders.
2-7
ALGORITMO DE PARTICIN DE BENDERS

CY: = { Min z = f(y) + Q(y) |
F0(y) = b0
Q(y) (k)T[b - F(y)] k=1,ITE
0 (vk)T[b - F(y)] kITN
yS }
k
vk
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
2.1.1.2. VARIABLES DUALES

A continuacin se analiza la recuperacin de las variables duales del problema P: cuando es resuelto
utilizando TB, lo que es fundamental para realizar procesos de particin y de descomposicin multinivel
que implican el uso repetitivo y anidado (nested) de TB.
Como ya se mencion, el problema coordinador CY: en su iteracin final corresponde exactamente a P: y
no a una aproximacin de dicho problema, por lo anterior se puede afirmar que los problemas duales
correspondientes son iguales y que existe correspondencia biunvoca entre sus componentes.
Asumiendo que S corresponde al espacio continuo en el que f(y), F0(y) y F(y) son funciones continuas y
diferenciables, a continuacin se presentan los problemas duales generalizados (Wolfe 1961) de P: y CY:
PROBLEMA ORIGINAL
P
R
I
M
A
L
D
U
A
L
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 }
CY: = { Min f(y) + Q(y) |

F0(y) = b0
Q(y) + (k)TF(y) (k)T b , k=1,ITE
(vk)TF(y) (vk)T b , kITN
y R }
DP: = { Max T b0 +T b |
T 2F0(y)+ T 2F(y)=f(y)T
TA c T
R , R+ }
DCY: = { Max T b0 + (k=1,ITE k k +kITN k vk )T b |

T 2F0(y)+ (k=1,ITE k k +kITN k vk )T 2F(y)=f(y)T
k=1,ITEk = 1
R , R+, R+, }
vector de variables duales de la restriccin F0(y)=b0

vector de variables duales de las restriccin Ax+F(y)=b
variable dual del k-simo corte por optimalidad Q(y)+(k)TF(y)(k)Tb
variable dual del k-simo corte por factibilidad (vk)TF(y)(vk)Tb
vector gradiente de f(y)
matriz hessiana de F(y)
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
i=1,T , xiR+ i=1,T }
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
DSPi(y): = { Wi(y) = Max iT [bi - Fi(y)] | iTAiT ciT }

Como en el caso anterior, con base en la teora de la dualidad se sabe que
Qi(y) iT [bi - Fi(y)]
cumplindose la igualdad solo para el valor ptimo i*. La zona de factibilidad de i es independiente de y
y la anterior condicin se debe cumplir para todo y. El modelo coordinador CY: se formula como
CY: = { Min f(y) + Q(y) |
F0(y) = b0 , yS
Q(y) = i=1,T Qi(y)
k T
Qi(y) (i ) [bi - Fi(y)] i=1,T k=1,ITE(i)
0 (vik)T[bi - Fi(y)] i=1,T kITN(i) }
donde ITE(i) es el nmero de las iteraciones en que se ha obtenido solucin factible para el sub-problema
i, e ITN(i) el conjunto de las iteraciones en que no se ha conseguido la factibilidad.
Las ventajas del enfoque de descomposicin multicorte son:
La formulacin original no considera la posibilidad de descomposicin asumiendo un problema
integrado para las xi. Bajo el esquema de descomposicin en el nivel inferior se resuelve un subproblema por cada elemento asociado al subndice i.
El esquema original genera un solo corte por cada iteracin que integra las variables duales
provenientes de todos los sub-problemas. En la formulacin multicorte se generan T cortes, uno por
cada SPi(y): y se acoplan por medio de la ecuacin que define a Q(y). La diferencia es que un solo
corte acta acotando el mximo de una suma, en tanto que S cortes actan acotando la suma de los
mximos, que es una condicin ms exigente;
Al desacoplarse el sistema, la informacin aportada por cada sub-problema es independiente de los
dems y no existe una razn que obligue en una iteracin a resolver todos los sub-problemas. Esta
caracterstica permite implementar esquemas de solucin que solo resuelven aquellos sub-problemas
que aportan "ms informacin".
Gassmann (1990) comprueba empricamente que el esquema multicorte es sensiblemente ms eficiente en
la medida que el problema es de mayor tamao. Sin embargo, esta no es una regla que siempre se cumple.
La figura siguiente presenta el esquema de la interaccin entre niveles.
2-12
ALGORITMO DE PARTICIN Y DESCOMPOSICIN DE BENDERS

CY: =
{ Min f(y) + Q(y) |
F0(y) = b0 , yS
Q(y) = i=1,T Qi(y)
Qi(y) (ik)T[bi - Fi(y)] i=1,T k=1,ITE(i)
0 (vik)T[bi - Fi(y)] i=1,T kITN(i) }
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 }
donde x corresponde al vector de variables duales del conjunto de restricciones Ax+Gz=b-F(y), z al

vector de variables duales del conjunto de restricciones Gzz=bz-Fz(y), e ITE al nmero de cortes que se
2-13
han generado a partir del nivel inferior.

Q(y) est compuesta por la suma de dos funciones Qx(y) que estima el valor del costo cTx(y), y Qz(y) para
el costo de eTz(y).
Qx(y) = (x )T(b - F(y))
Qz(y) = (z)T(bz - Fz(y))
Consideremos el sub-problema coordinado por y para {x,z} que aporta valores factibles para x y z
SP1(y) = { Q(y) = Min cTx + eTz |
Gz z = bz - Fz(y)
Ax + G z = b - F(y)
xR+ , zR+ }
El dual de SP1(y): es
DSP1(y) = { Max xT(b - F(y)) +zT(bz - Fz(y)) |
xTA cT
T
x G + zTGz eT }
Dado que z coordina a x es posible resolver SP1(y): utilizando nuevamente TB. Consideremos el
problema coordinador sobre z condicionado en un valor de y
CZ(y): = { Min eTz + W(z|y) |
Gz z = bz - Fz(y) , zR+
{ W(z|y) = Min cTx | Ax = b - F(y) - Gz ,
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+ }
El modelo coordinador CZ(y): formulado con base en TB es

Gz z = bz - Fz(y) , zR+
W(z|y) (n)T(b - F(y) - Gz) n=1,ITEX }
donde n representa al n-simo vector de variables duales de las restricciones Ax=b-F(y)-Gz que ha sido
generado por SP2(z|y):, e ITEX representa el total de cortes.
El modelo coordinador CZ(y): y el problema coordinado SP1(y): son equivalentes. Para efectos de la
coordinacin en CY: se debe determinar x y z a partir de la solucin de CZ(y):. Para ello consideremos
el problema dual de CZ(y): que es igual al dual de SP1(y). Lo anterior se afirma considerando que, en
cualquier iteracin k, SP1(yk) soluciona a CZ(yk): para un valor dado de yk.
2-14
DCZ(y): = { Max [n=1,ITEX (n) n]T(b - F(y)) + zT(bz - Fz(y)) |

[n=1,ITEX (n) n]TG + zTGz eT
n=1,ITEX (n) = 1
(n)R+ n=1,ITEX }
donde (n) es una componente del vector y corresponde a la variable dual del n-simo corte generado
por el sub-problema SP2(z|y):
T = { (1), (2), ... ,(ITEX-1), (ITEX) }
En notacin vectorial DCZ(y): se puede expresar como
DCZ(y): = { Max T(ITEX)T (b - F(y)) + zT(bz - Fz(y)) |
T(ITEX)TG + zTGz eT
T 1 = 1
R+ }
donde k representa la matriz que agrupa todos los vectores de variables duales que han sido generados
hasta la iteracin k de CZ(y):.
k = {1, 2, ... , k-1, k }
y 1 corresponde a un vector con todas sus componentes iguales a 1.
Dado que los problemas duales DSP1(y): y DCZ(y): son equivalentes, se puede probar que xk se calcula
con base en una ponderacin de los vectores de variables duales generados por SP2(z|y):, utilizando como
factor de ponderacin la variable dual asociada en el coordinador CZ(y):
xk = n=1,ITEX(k) (n) n = T ITEX(k)
donde ITEX(k) define el nmero de cortes que ha generado SP2(z|y): en CZ(y): hasta la iteracin k de
CZ(y):. La anterior expresin se deriva de la igualdad de las funciones objetivo de los problemas duales
[n=1,ITEX (n) n]T(b - F(y)) + zT(bz - Fz(y)) = T(ITEX)T (b - F(y)) + zT(bz - Fz(y))
Los cortes generados por SP2(z|y): pueden reemplazarse por uno equivalente con base en la subrogacin
de ellos, donde los pesos de ponderacin corresponden a las variables duales asociadas a cada corte. Este
hecho ocurre cada vez que el coordinador CZ(y): encuentra un punto ptimo {x(y), z(y)} y retorna un
vector de variables duales al coordinador CY:.
El corte subrogado sintetiza toda la informacin que hasta ese momento ha sido procesada en CZ(y):. De
esta manera se evita que el nmero de cortes provenientes del nivel inferior prolifere a medida que
transcurre el proceso de optimizacin, ya que cada vez que se comienza un ciclo de optimizacin en
CZ(y): todos los cortes generados son reemplazados por el corte subrogado equivalente que preserva la
memoria del sistema.
La definicin de xk es general para el clculo en cualquier coordinador de las variables duales de las
2-15
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

Gzz = bz - Fz(y) , zR+ ;
W(z|y) (n)T(b - F(y) - Gz) n=1,ITEX }
k
zk,n yk
SP2(z|y) =
{ Min W(z|y) = cTx |
Ax = b - F(y) - Gz , xR+ }
2.1.4.
CASO GENERAL MULTINIVEL
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
El modelo coordinador de nivel 0 es

CY: = { Min Q(y) + f(y) |
F0(y) = b0 , yS
Q(y) i=1,S (i,1k)T(bi - Fi(y)) k=1,ITE }
El modelo coordinador asociado a las variables xi , para i entre 1 y S-1, es
CXi(y,x1,x2, ... ,xi-1): = { Min ciTxi + Wi(xi|y,x1,x2, ... ,xi-1) |
Aixi = bi - q=1,i-1 Ei,qxq - Fi(y)
Wi(xi|y,x1,x2,...,xi-1) q=i+1,S (q,i+1)T(bq - Eq,ixq-1) k=1,ITEx(i+1)
, xiR+ }
donde el q,ik corresponde al vector subrogado de variables duales en el nivel i asociado a las restricciones
del nivel q, y cumple con
q,ik = n=1,ITEx(i,k) i(n) q,i+1n = (ik)Tq,ik
donde i(n) es una componente del vector i y corresponde a la variable dual del n-simo corte generado
por el sub-problema CXi+1(y,x1,x2, ... ,xi):
iT = { i(1), i(2), ... , i(ITEX(i+1)-1), i(ITEX(i+1)) }
y la matriz ik agrupa los vectores subrogados de variables duales que se han generado en el nivel i hasta
la iteracin k de CXi(y,x1,x2, ... ,xi-1):, siendo ITEX(i,k) el total de cortes.
q,ik = {q,i1, q,i2, ... , q,iITEX(i,k)-1, q,iITEX(i,k) }
Las variables duales correspondientes a las restricciones funcionales del nivel i en el coordinador i se
denominaran i,i.
El sub-problema primario SPS(y,x1,x2, ... ,xS-1):
SPS(y,x1,x2, ... ,xS-1): = { Min cSTxS | ASxS = bS - q=1,S-1 ES,qxq - FS(y) ,
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
ALGORITMOS DE PROGRAMACIN LINEAL
Definamos el problema estndar de programacin lineal (PL:) como:

PL: = { Min cTx | Ax = b , 0 x u }
Consideremos dos algoritmos bsicos para la solucin de PL:
PRIMAL-PL(c,A,b,u,x): que resuelve PL: a partir de un punto x el cual cumple con ser una solucin
bsica factible a PL:
DUAL-PL(c,A,b,u,x): que resuelve PL: a partir de un punto x el cual es una solucin bsica que cumple
con las condiciones de optimalidad de PL:, y por lo tanto =cBB-1 es una solucin bsica factible al
dual de PL:
2.1.5.2
SOLUCIN DE LOS SUB-PROBLEMAS
Se analizan dos casos:

Cuando las matrices Ai son independientes de i, es decir Ai = A.
Cuando las matrices Ai son diferentes para cada i.
2.1.5.2.1
CASO Ai = A.
Normalmente este caso esta relacionado como sub-problemas asociados a modelos multiperodo y/o de
optimizacin estocstica.
2-18
Consideremos el sub-problema SPi(yk):

SPi(yk): = { Qi(yk) = Min ciTxi | A xi = bi - Biyk , 0 xi ui }
La solucin al anterior problema puede obtenerse utilizando el algoritmo PRIMAL-PL(ci,A,b*i(yk),ui,x)
donde x es un punto factible al conjunto de restricciones
Axi = b*i(yk) = bi - Biyk.
donde b*i(yk) representa el vector de recursos ajustados del sub-problema i en la iteracin k.
Definamos x*ik como la solucin ptima a SPi(yk) y analicemos el proceso a seguir para obtener x*i+1k,
solucin ptima a SPi+1(yk), a partir de x*ik.
Dado el tipo de estructura del problema tenemos que una solucin bsica a SPi(yk) lo es tambin a
SPi+1(yk). Las caractersticas de xik se deben analizar desde dos puntos de vista: factibilidad y optimalidad:
Factibilidad: No se puede afirmar que xik sea factible a SPi+1(yk) si se tiene en cuenta que los vectores
de recursos son diferentes en ambos sub-problemas.
Optimalidad: No se puede afirmar que xik cumpla con las condiciones de optimalidad ya que la
funcin de costos es diferente en ambos sub-problemas.
Consideremos un proceso de dos pasos para obtener x*i+1k a partir de x*ik:
1)
Se recobra la factibilidad utilizando el algoritmo DUAL-PL a partir de x*ik, obteniendo un punto

xfi+1k, el cual es factible a SPi+1(yk) mas no ptimo. Esto se puede conseguir definiendo:
xfi+1k = DUAL-PL[ci,A,b*i+1(yk),ui+1,x*ik]
2)
Obtenemos x*i+1k utilizando el algoritmo PRIMAL-PL a partir de xfi+1k, esto es:

x*i+1k = PRIMAL-PL[ci+1,A,b*i+1(yk),ui+1,xfi+1k]
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
recursos es diferente en ambos sub-problemas.

Optimalidad: Se puede afirmar que xik cumple con las condiciones de optimalidad ya que la funcin
de costos es igual en ambos sub-problemas.
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.
SOLUCIN AL PROBLEMA COORDINADOR.
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.
MODELO COORDINADOR DE PROGRAMACIN LINEAL.
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 ITN(i)
Iteracin factible 1
Iteracin factible k
Iteracin factible ITE(T)
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
El problema coordinador puede resolverse directamente en su forma primal, o alternativamente en su

forma dual. Si se considera la solucin al primal tendramos que en cada iteracin del algoritmo se
incorporaran restricciones, lo que implica que la dimensin de la solucin bsica cambia de tamao en
cada iteracin. Si alternativamente se soluciona el dual este crecera en variables, y no en restricciones,
mantenindose la dimensin de la solucin bsica constante. Bajo la anterior consideracin puede ser ms
apropiado trabajar el modelo coordinador en su versin dual. Consideremos el problema dual DCY: de
CY:
b0T 2 + kITE(i) [(ik)T bi ]T 3k + kITN(i) [(vik)T bi ]T 4k |
1 1 = 1
-1 1 + kITE(i) 1 3k = 0
B0T 2 + kITE(i) [(ik)T Bi ]T 3k + kITN(i) [(vik)T Bi ]T 4k d
1 0 , 3k 0 , 4k 0 }
DCY: = { Max
Las caractersticas bsicas de este problema son:

2-21
La dimensin de 1 es 1, por lo que dicha variable es igual a 1

La dimensin de 2 es la misma de b0, y la de 3k y 4k es T.
Las variables 3k y 4k estn asociadas a las iteraciones del algoritmo de Benders y se generan a
medida que transcurren iteraciones. Las variables 3 existirn para todas las iteraciones factibles y las
variables 4 existirn para aquellos casos en que no se encontr solucin factible al sub-problema
correspondiente.
El problema simplificado queda:
b0T 2 + kITE(i) [(ik)T bi ]T 3k + kITN(i) [(vik)T bi ]T 4k |

kITE(i) 1 3k = 1
T
k T
B0 2 + kITE(i) [(i ) Bi ]T 3k + kITN(i) [(vik)T Bi ]T 4k d
3k 0 , 4k 0 }
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
COORDINADOR DE PROGRAMACIN LINEAL BINARIA MIXTA.
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
que no se trata en este documento.

Matricialmente el problema CY: tiene la estructura presentada en el caso del modelo coordinador de
programacin lineal.
2.1.5.4. REGULARIZACIN
Cuando se tiene en mente que TB resuelve iterativamente un problema de optimizacin convexa nodiferenciable, debido a que la funcin Q(y) es una funcin lineal a trozos, se pueden considerar
condiciones matemticas relacionadas con los subgradientes supergrandientes de Q(y), Q(y). Desde
este punto de vista, se deben imponer condiciones de regularizacin del tamao de paso del algoritmo con
la finalidad de evitar oscilaciones y obtener propiedades de convergencia ms fuertes. Con esta visin en
mente se han propuesto variaciones al enfoque bsico de TB.
La primera variacin a considerar es la propuesta por Linderoth J. y Wright (2002), denominada como
zona de confianza (trust region), que implica modificaciones menores a TB. Esta variacin acota por
medio de un hipercubo la mxima diferencia entre la solucin del coordinador en la etapa k y la solucin
en la etapa k+1, introduciendo en el coordinador restricciones en forma de cota
1 y - yk-1 1
donde 1 es un vector de componentes unitarias y un multiplicador apropiado, lo que en conjunto
determina el tamao de la trust region. El modelo coordinador se formula como
CY(yk-1)DR: = { Min f(y) + Q(y) |
F0(y) = b0
Q(y) (k)T[b - F(y)] , k=1,ITE
0 (vk)T[b - F(y)] , kITN
1 y - yk-1 1 }
La determinacin de es analizada detenidamente por Linderoth J. y Wright, quienes proponen un doble
ciclo: uno en TB y otro en la determinacin de . Sobre este aspecto se debe tener en claro que existen
muchas posibilidades para determinar el tamao de la trust region incluyendo sustituir el vector 1 por
uno escalado en cada dimensin dependiendo del comportamiento del algoritmo. Lo que es claro es que
manejar las restricciones de cota en los problemas de programacin lineal es relativamente fcil y se puede
hacer eficazmente.
Otro enfoque es la denominada descomposicin regularizada (Ruszczynski 1986) que propone introducir
en la funcin objetivo un trmino cuadrtico para penalizar la diferencia entre y y yk-1. Para el caso bsico
de TB, en cada ciclo la funcin objetivo propuesta para el modelo coordinador es
k (y - yk-1)T(y - yk-1) + f(y) + Q(y)
donde k es un factor positivo de penalizacin, cuya determinacin es parte del algoritmo. En este caso el
coordinador corresponde a un problema cuadrtico de la forma
CY(yk-1)DR: = { Min k (y - yk-1)T(y - yk-1) + f(y) + Q(y) |
F0(y) = b0
2-23
Q(y) (k)T[b - F(y)] , k=1,ITE

0 (vk)T[b - F(y)] , kITN }
Tanto Linderoth y Wright como Ruszczynski reportan experimentos en los que la inclusin de los
trminos de regularizacin aumenta el rendimiento de los algoritmos de optimizacin. Finalmente se debe
notar que en este tema tambin es importante y conocido el enfoque bundle-trust-region de Kiwiel
(1990) y de Hiriart-Urruty y Lemarechal (1993).
2.1.6.
DESCOMPOSICIN GENERALIZADA DE BENDERS
La Teora de Descomposicin Generalizada de Benders (Generalized Benders Decomposition, GBD)

formulada por A. M. Geoffrion (1972) extiende los conceptos de TB para casos generales de problemas
no-lineales continuos. GDB considera el problema de optimizacin GBD: compuesto por dos tipos de
variables: las y, correspondientes a las variables de coordinacin (variables complicadas), y las x,
correspondientes a las coordinadas.
GDB: = { Max f(x,y) | G(x,y) 0
, 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 }
es posible formular un problema equivalente CGDB:

CGDB: = { Max v(y) |
yY , y
v(y) = { Maxx f(x,y) | G(x,y) 0 ,
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 }
El subproblema SGDB(y): para evaluar v(y) es

SGDB(y): = { Maxx f(x,y) | G(x,y) 0
, 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 }
donde IF representa el conjunto de puntos factibles-ptimos que se conocen como consecuencia de

resolver SGDB(y):.
SGDB(yk): puede tener tres posibles soluciones: no acotada, factible y ptima, y no factible. En caso de
solucin no acotada en SGDB(yk): se puede concluir que GDB: tambin tiene solucin no acotada. En
caso de solucin factible y ptima, SGDB(yk): proporciona informacin para generan un corte en la zona
de factibilidad de y por razones de optimalidad, es decir se eliminan valores de y que no pueden ser
ptimos. Este corte tiene la forma
v(y) f(xk,y) - k G(xk,y)
En caso de que no exista solucin factible a SGDB(yk): se debe incluir un corte por razones de la relacin
entre la zona de factibilidad de y y la zona de factibilidad de x. La no factibilidad implica que no es
posible satisfacer
G(x,yk) 0
para todas las funciones vectoriales que definen la restriccin. Lo anterior quiere decir que para al menos
una restriccin
gi(x,yk) > 0
La condicin de factibilidad que se debe imponer sobre y se expresa como:
*(x,k|y) = { supremoxX ()T G(x,y) 0
2-25
, }
donde el espacio esta definido como

= { 0 ; i = 1 }
2.2.
RELAJACIN LAGRANGEANA
A continuacin se presenta la descripcin de la Relajacin Lagrangeana (RL, Bazaraa and Shetty 1979).
2.2.1
TEORA BSICA
RL considera el problema de optimizacin P:

P: = { Min f(x) |
F(x) = b , G(x) = g , xS }
compuesto por dos tipos de restricciones: i) F(x)=b que se consideran restricciones complicadas,
complicantes o de acople, y otras G(x)=g cuyo manejo se considera sencillo una vez se excluyen las
restricciones anteriores. F(x) y G(x) representan funciones vectoriales y S un espacio multidimensional
para x el cual puede ser continuo o no.
La funcin Lagrangeana de P: es
(x,,) = f(x) + T( b F(x) ) + T( g G(x) )
donde corresponde al vector de variables duales de las restricciones complicadas, F(x)=b, y a las
variables duales de las restricciones no-complicadas, G(x)=g. Con base en la Teora de Lagrange se sabe
que la solucin a P: corresponde a un punto de ensilladura de (x,,) es decir un mnimo sobre x y un
mximo sobre {,}.
Para conseguir la simplificacin del problema se considera una funcin Lagrangeana parcial con base en
la relajacin de las restricciones complicadas, y se formula un problema maximin dual, que integra sus
variables duales (multiplicadores de Lagrange), que tiene la siguiente estructura
MMD: = { Maximizar h() | KKT }
donde KKT corresponde a las condiciones de signo de Karush-Khun-Tucker, que para el caso de
igualdad se resumen en que las componentes de deben pertenecer a los nmeros reales.
La funcin dual h() se define con base en el valor de la solucin del problema RL(): que tiene la
siguiente forma:
RL(): = { h() = Min f(x) + T( b F(x) ) |
G(x) = g , xS }
RL(): corresponde a una relajacin parcial de las restricciones complicadas del problema P:
2-26
Reordenando trminos, la funcin objetivo de RL() puede escribirse como:

f(x) - T F(x) + T b
donde solo los dos primeros trminos son importantes en la optimizacin dado que son funcin de x una
vez se ha definido el valor de , quedando el problema RL(): limitado a
RL(): = { Min f(x) - TF(x) | G(x) = g ,
xS }
que se espera sea ms sencillo de resolver que el problema original P:

El enfoque RL implica resolver MMD: lo que a su vez implica resolver mltiples veces RL(): por medio
de un algoritmo que trabaja en dos niveles: en el nivel superior, nivel de coordinacin, se resuelve el
problema coordinador MMD: que genera una secuencia de valores k. En el nivel inferior, los valores k
se utilizan como parmetros del sub-problema RL(): para generar una secuencia de puntos extremos
factibles xk, que son la base para incluir en MMD: informacin tendiente a obtener un nuevo valor de ,
ms cercano a su valor ptimo, de manera tal que se obtenga un punto factible a las restricciones relajadas,
F(x)=b.
RL(): puede tener tres posibles soluciones: no acotada, factible y ptima, y no factible. En caso de
solucin no factible implica solucin no factible para P: ya que la zona de factibilidad de RL(): es
independiente de . En caso de solucin no acotada no se puede concluir nada con respecto a P:,
debindose probar un nuevo valor de obtenido por un mtodo preestablecido.
Existen al menos dos alternativas para resolver MMD:: i) utilizando gradientes, y ii) incluyendo planos
cortantes en el problema coordinador.
2.2.1.1.
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
Consideremos la solucin al problema

P: = { Min i=1,T fi(xi)
i=1,T Fi(xi) = b
Gi(xi) = gi i=1,T
xiSi i=1,T }
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
Q i=1,T fi(xik) + T(b - i=1,T Fi(xik) )
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
DESCOMPOSICIN DE PROBLEMAS LINEALES VA PLANOS CORTANTES
Consideremos el siguiente problema lineal o mixto lineal

PL: = { Min i=1,T ciT xi |
i=1,T Fixi b
Aixi = bi i=1,T
xiSi i=1,T }
2-30
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
...
El problema coordinador puede ser resuelto directamente en su forma primal, o alternativamente en su

forma dual. Si se considera la solucin al primal tendramos que en cada iteracin del algoritmo se
incorporaran restricciones, lo que implica que la dimensin de la solucin bsica cambia de tamao en
cada iteracin. Si alternativamente se soluciona el dual este crecera en variables, y no en restricciones,
mantenindose la dimensin de la solucin bsica constante.
Bajo la consideracin anterior puede ser ms apropiado trabajar el coordinador en su versin dual. Sea
DMMD: el dual de MMD:
DMMD: = { Min i=1,T kITE(i) [ciT xik ]T ik |
kITE(i) ik = 1
i=1,T
k T k
i=1,T kITE(i) (Fixi ) i b
0 ik i=1,T kITE(i) }
Las variables ik corresponden a las variables duales de los cortes para cada solucin k de los problemas
para cada sector i y se generan a medida que transcurren iteraciones. El sistema es equivalente a la
solucin del problema con base en generacin de columnas, en donde las columnas son combinaciones
convexas de puntos extremos de la zona de factibilidad individual de cada espacio i, lo que para el caso de
variables continuas corresponde exactamente al mtodo de descomposicin propuesto por Dantzig y
Wolfe (1960). Se debe notar que para el caso de un espacio Si continuo, el punto
xi = kITE(i) xik ik
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
RELAJACIN LAGRANGEANA AUMENTADA
La Relajacin Lagrangeana Aumentada (RLA) corresponde a una variacin de RL clsica

(Stephanopoulos y Westerberg 1975, Rockafellar 1976). Para presentar RLA consideremos el siguiente
problema convexo
P: = { Min f(x) = i=1,T fi(xi) |
i=1,T Fixi = b
xiSi i=1,T }
Como se anot previamente la aplicacin de RL a P: tiene como finalidad descomponer el problema en
mltiples sub-problemas desacoplando los espacios para cada vector xi. Existen desventajas en la
aplicacin de RL: (Ruszczynski 1992) al anterior problema que estn relacionadas con la no existencia de
una solucin nica para los sub-problemas SRLi():, que para este caso tienen la siguiente forma
SRLi(): = { Min fi(xi) - T Fixi | xiSi }
Para resolver la anterior dificultad se trata de regularizar los movimientos del algoritmo, para ello existen
dos alternativas: la primal y la dual.
La regularizacin primal, tambin llamada proximal point method, se realiza adicionando a la funcin
objetivo de SRLi(): un trmino de penalizacin de acuerdo con la magnitud del movimiento de xi en una
iteracin. Lo que implica la siguiente reformulacin
SRLi(): = { Min fi(xi) - T Fixi + (/2)xi i2 | xiSi }
donde corresponde a un factor de penalizacin positivo y a un punto de referencia para el movimiento
de xi, que en un proceso iterativo normalmente corresponde al ltimo valor fijado para xi, esto es
i= xik-1
siendo k el indicador de la iteracin. La inclusin del trmino de penalizacin garantiza la unicidad de la
solucin de SRLi():.
La regularizacin dual, implica la regularizacin en el espacio de los multiplicadores , y para ello se
define la funcin Lagrangeana aumentada para P: que corresponde a la funcin Lagrangeana clsica
aumentada con un trmino cuadrtico de penalizacin y se define como
2-33
A(x, |) = i=1,T fi(xi ) + T(b i=1,T Fixi ) + (/2)b i=1,T Fixi 2

donde corresponde a un factor de penalizacin positivo. Como en el caso clsico, se define el funcional
dual h() y el problema mnimax dual
{ MaxR h() = infxS A(x, |) }
el cual bajo ciertas condiciones soluciona el problema P:. Es claro que en el ptimo se cumple
f(x*) = h(*)
donde {x*,*} corresponde a la solucin ptima a P:.
Existen muchas ventajas, tericas y computacionales que hacen deseable RLA en vez de RL, la ms
importante es la posibilidad de resolver el problema de mnimax dual por medio del siguiente proceso
iterativo (Ruszczynski 1992)
xk = MinxS A(x,k |)
k+1 = k + (b i=1,T Fixik )
donde k representa la iteracin. Sin embargo, debido a la existencia del trmino de penalizacin
cuadrtico la evaluacin de xk presenta la desventaja de no permitir la separabilidad de los espacios de xi
lo que no permite descomponer el problema en T sub-problemas independientes.
Para resolver la anterior limitante, Ruszczynski (1992) propone la metodologa denominada
Aproximacin Cuadrtica Diagonal (Diagonal Quadratic Approximation, DQA) que utiliza
aproximaciones separables sucesivas para A(x, |). Para ello define la funcin i(xi ,i , | ) para cada
espacio al que pertenece xi
i(xi ,i , | ) = fi(xi ) - TFixi ) + (/2)b Fixi - ji Fjj 2
donde ={1 , 2 , T } es un parmetro dinmico adicional. La idea fundamental es sustituir la
solucin de
MinxS A(x,k | )
por T problemas del tipo
MinxiS i(xi ,i , | )
e iterativamente ir actualizando el valor de i de acuerdo con los valores conocidos de xi con base en la
siguiente definicin
i = xik-1
La aplicacin secuencial del anterior procedimiento equivale a un proceso de solucin Gauss-Seidel en el
2-34
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

Capitulo 2

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Capitulo 2

Загружено:

Авторское право:

Доступные форматы

Capitulo 2.

Optimizacin de Sistemas Complejos

Optimizacin Estocstica Multi-Etapa con Manejo de Riesgo

OPTIMIZACIN DE SISTEMAS COMPLEJOS

Capitulo 2. Optimizacin de Sistemas Complejos

Optimizacin Estocstica Multi-Etapa con Manejo de Riesgo

Capitulo 2. Optimizacin de Sistemas Complejos

Optimizacin Estocstica Multi-Etapa con Manejo de Riesgo

El siguiente diagrama presenta un posible esquema jerrquico multinivel resultado de la mltiple

Capitulo 2. Optimizacin de Sistemas Complejos

Optimizacin Estocstica Multi-Etapa con Manejo de Riesgo

Si se utiliza TB para analizar el mercado (Velsquez 2003), el conjunto de hiperplanos (cortes de

Capitulo 2. Optimizacin de Sistemas Complejos

Optimizacin Estocstica Multi-Etapa con Manejo de Riesgo

2.1.1.1. ASPECTOS GENERALES

P: = { Min cTx + f(y) |

es posible formular un problema equivalente CY:

Capitulo 2. Optimizacin de Sistemas Complejos

Optimizacin Estocstica Multi-Etapa con Manejo de Riesgo

DSP(y): = { W(y) = Max T[b - F(y)] | TA cT }

Capitulo 2. Optimizacin de Sistemas Complejos

Optimizacin Estocstica Multi-Etapa con Manejo de Riesgo

1970) para garantizar la factibilidad de x en SP(yk) se debe satisfacer

Capitulo 2. Optimizacin de Sistemas Complejos

Optimizacin Estocstica Multi-Etapa con Manejo de Riesgo

ALGORITMO DE PARTICIN DE BENDERS

Capitulo 2. Optimizacin de Sistemas Complejos

Optimizacin Estocstica Multi-Etapa con Manejo de Riesgo

2.1.1.2. VARIABLES DUALES

CY: = { Min f(y) + Q(y) |

DCY: = { Max T b0 + (k=1,ITE k k +kITN k vk )T b |

vector de variables duales de la restriccin F0(y)=b0

Capitulo 2. Optimizacin de Sistemas Complejos

Optimizacin Estocstica Multi-Etapa con Manejo de Riesgo

Capitulo 2. Optimizacin de Sistemas Complejos

Optimizacin Estocstica Multi-Etapa con Manejo de Riesgo

i=1,T , xiR+ i=1,T }

Capitulo 2. Optimizacin de Sistemas Complejos

Optimizacin Estocstica Multi-Etapa con Manejo de Riesgo

DSPi(y): = { Wi(y) = Max iT [bi - Fi(y)] | iTAiT ciT }

Capitulo 2. Optimizacin de Sistemas Complejos

Optimizacin Estocstica Multi-Etapa con Manejo de Riesgo

ALGORITMO DE PARTICIN Y DESCOMPOSICIN DE BENDERS

donde x corresponde al vector de variables duales del conjunto de restricciones Ax+Gz=b-F(y), z al

Capitulo 2. Optimizacin de Sistemas Complejos

Optimizacin Estocstica Multi-Etapa con Manejo de Riesgo

han generado a partir del nivel inferior.

El modelo coordinador CZ(y): formulado con base en TB es

Capitulo 2. Optimizacin de Sistemas Complejos

Optimizacin Estocstica Multi-Etapa con Manejo de Riesgo

DCZ(y): = { Max [n=1,ITEX (n) n]T(b - F(y)) + zT(bz - Fz(y)) |

Capitulo 2. Optimizacin de Sistemas Complejos

Optimizacin Estocstica Multi-Etapa con Manejo de Riesgo

CZ(y): = { Min eTz + W(z|y) |

CASO GENERAL MULTINIVEL

Capitulo 2. Optimizacin de Sistemas Complejos

Optimizacin Estocstica Multi-Etapa con Manejo de Riesgo

El modelo coordinador de nivel 0 es

Capitulo 2. Optimizacin de Sistemas Complejos

Optimizacin Estocstica Multi-Etapa con Manejo de Riesgo

ALGORITMOS DE PROGRAMACIN LINEAL

Definamos el problema estndar de programacin lineal (PL:) como:

SOLUCIN DE LOS SUB-PROBLEMAS

Se analizan dos casos: