U NIVERSIDAD N ACIONAL DE S AN C RISTÓBAL DE H UAMANGA

FACULTAD DE I NGENIERÍA M INAS , G EOLOGÍCA Y C IVIL

E SCUELA DE F ORMACIÓN P ROFESIONAL DE I NGENIERÍA C IVIL

Optimización en sección de canales

GATSBY
January 6, 2022

1
 1 I NTRODUCCIÓN
La optimización restringida debe mucho de su avance en la resolución de los modelos a los
métodos de cálculo desarrollados en base a la reiteración de pruebas. Es decir el avance teórico
en la determinación de las condiciones necesarias y suficientes en Programación No Lineal
(Kuhn-Tucker, convexidad, ete.) han transformado, en casos empíricos un problema de opti-
mización en la resolución de un sistema de ecuaciones e inecuaciones bastante difícil de abor-
dar, especialmente cuando las funciones)’ restricciones son de grados superiores a 1 y rela-
cionadas en forma no aditiva.

2
 2 M ÉTODO DE LA L AGRANGIANA AUMENTADA
La utilización de la función Langrangeana aumentada es un método de penalización que tiene
como objetivo pasar un problema mal condicionado a subproblemas sin restricciones, a través
del vector de los multiplicadores de Lagrange. El éxito y la eficiencia de los métodos de penal-
ización basados en la función Lagrangeana aumentada, depende de la precisión con la que el
vector de los multiplicadores es estimado, teniendo como base el método de resolución de los
multiplicadores.

2.1 Funcion Lagrangeana aumentada

En este trabajo se pretende resolver problemas no lineales con restricciones a través del método
de la función Lagrangeana aumentada, que puede ser considerado como un caso particular de
una técnica de penalidad. Los problemas a considerar en este trabajo son de tipo:

Min f (x)
Sujeto a
h i (x) = 0 para i = 1, · · · , p
g j (x) ≤ 0 para i = 1, · · · , m
l b ≤ x ≤ ub
en que f (x) : R n → R es la función objetivo a optimizar, h(x) : R n → R p es el conjunto de p
restricciones de igualdad y g (x) : R n → R m ; es el conjunto de m restricciones de desigualdad.
Téngase en cuenta, que por lo menos una de estas funciones es no lineal. son las variables de
decisión de dimensión n que están limitadas entre un límite inferior (l b) y un límite superior
(ub).

Este problema va a ser transformado en un problema solamente con restricciones de limites

simples (de más fácil resolución), adicionando un término de penalidad a la función objetivo.
El término de penalidad es tanto mayor cuanto más alejado está de la región admisible y es
nulo si el punto estuviera en la región admisible. La función Lagrangeana aumentada puede
ser escrita por la siguiente función.
p p
µX 1 Xm n o
L µ (x, λ, δ) = f (x) + λi h i (x) + h i (x)2 + (max(0, δ j + µg j (x))2 − δ2j )
X
i =1 2 i =1 2µ j =1

en que µ es el parámetro de penalidad, λ es el vector de los multiplicadores de Lagrange asocia-

dos a las restricciones de igualdad y δ es el vector de los multiplicadores de Lagrange asociados
a las restricciones de desigualdad.

El método basado en la Lagrangeana aumentada envuelve la resolución de una secuencia de

sub-problemas con límites simples, para una sucesión de valores del parámetro de penalidad.
Así, el sub-problema tiene que ser resuelto por el método de penalidad, que es el siguiente:

min L µ(k) (x, λ(k) , δ(k) )

x

s.a. l b ≤ x ≤ ub
Por eso, las soluciones de la secuencia de sub-problemas con límites simples convergirán ha-
cia la solución del problema original con restricciones, ya que la función de penalidad incluye
términos que aseguran la admisibilidad en el límite.

3
Una de las formas de desarrollar el método de la función Langrangeana aumentada es tener
como base el método de los multiplicadores, el cual podemos simplificar de la siguiente forma.

En el proceso de iteraciones tenemos:

• La sucesión {λ(k) } y {δ(k) } deben de ser limitadas (k es el índice de iteración)

• La sucesión de valores del parámetro de penalidad debe satisfacer:

0 < µ(k) < µ(k+1) , para todo k y µ(k) → ∞

Además de esto mostramos una serie de sugerencias para superar algunas dificultades prácti-
cas:

• La convergencia es más rápida cuando λ(k) y δ(k) son actualizados en cada iteración, que
cuando son constantes a lo largo del proceso iterativo (si µ(k) → ∞ o no).
• Usar métodos del tipo Newton para resolver el problema.
• La minimización de L µ(k) (x, λ(k) , δ(k) ) no necesita de ser exacta en algunas variantes solo
se implementa una iteración del método de Newton para calcular una aproximación a la
solución.
• Usar buenas aproximaciones iniciales.

En referencia al parámetro de penalidad µ marcamos también las siguientes consideraciones

a tener en cuenta:

• µ(1) (inicial) no debe ser muy grande para no originar un problema difícil de resolver o
mal condicionado en la primera iteración.
• Aumentar µ(k) de forma moderada. µ(k) no debe de ser aumentado muy rápido para
no originar problemas difíciles de resolver rápidamente y no debe ser aumentado lenta-
mente para no tener una convergencia del multiplicador muy lenta.
• Probablemente µ(k) deberá quedar mayor a K (∃K > 0).
• La razón de convergencia aumenta a medida que µ(k) se vuelve mayor.

2.2 Actualización del vector de los multiplicadores

A través de los multiplicadores de Lagrange transformamos un problema con restricciones de
igualad, desigualdad o ambos en un problema sin restricciones.

Para tener un buen funcionamiento dentro de nuestro problema con la función Lagrangeana
necesitamos definir bien todos los parámetros que intervienen en la formulación del prob-
lema, para ello actualizamos el vector de los multiplicadores y el parámetro de penalidad.

Siendo k un índice de iteración, entonces la actualización de los multiplicadores será hecha de

la forma siguiente:

• para restricciones de igualdad (i = 1, · · · , p)

λi(k+1) = λ(k)
i
+ µ(k) h i (x (k) )

• para restricciones de desigualdad ( j = 1, · · · , m)

δ(k+1)
j
= max(0, δ(k)
j
+ µ(k) g j (x (k) ))

• no es necesario que µ(k) → ∞ (para que converja) con

Pp
– K = t =1 λ∗t para restricciones de igualdad.
– K= m t =1 δt para restricciones de desigualdad.
∗
P

4
2.3 Actualización del parámetro de penalidad
El algoritmo de la actualización del parámetro de penalidad es el siguiente:
Pp
Si i =1 |h i (x)| + mj =1 max(0, g j (x)) > ²
P

µ(k+1) = πµ(k)

Si no
µ(k+1) = µ(k)
Para ² ≈ 0 y los valores de π = 2 o 10.

2.4 Algoritmo del método de la Lagrangeana aumentada

Ahora declaramos formalmente el algoritmo genérico del método de los multiplicadores basado
en la función Lagrangeana aumentada.

Algoritmo

1. dados x (1) , λ(1) , δ(1) , µ(1) , π, k ← 1, ²(1) > 0, ² > 0(≈ 0), µm ax, k m ax
Pp
2. calcular vi ol (1) = i =1 |h i (x (1) )| + m (1)
P
j =1 max(0, g j (x ))
3. mientras ((vi ol (1) > ² y µ(k) < µm ax) y k < k m ax) hacer
x (k+1) ≈ minx L µ(k) (x, λ(k) , δ(k) ) (mediante fmincon)
calcular
p m
vi ol (1) = |h i (x (k+1) )| + max(0, g j (x (k+1) ))
X X
i =1 j =1

actualización de los multiplicadores

λi(k+1) = λ(k)
i
+ µ(k) h i (x (k) )

δ(k+1)
j
= max(0, δ(k)
j
+ µ(k) g j (x (k) ))
actualización del parámetro de penalidad
Pp Pm
si i =1
|h i (x)| + j =1 max(0, g j (x)) > ²

µ(k+1) = πµ(k)

si no
µ(k+1) = µ(k)
fin si
²(k+1) = 0.1²(k)
k = k +1
4. fin mientras

5
 3 C ANALES DE F LUJO T URBULENTO
3.1 Canal triangular
El problema de área mínima para un canal triangular se establece como:

Minimize A ∗ = m y n2

Sujeto a:
m 1.5 y n2.5 e ∗ (1 + m 2 )0.5 (1 + m 2 )0.75
· ¸
φ = 1.737 ∗
ln + 0.625v ∗ +1 = 0
(1 + m 2 )0.25 6m y n∗ (m y n∗ ).1.5
y n∗ = y n (g S o /Q 2 )0.2
e ∗ = e(g S o /Q 2 )0.2
v ∗ = v(Q 3 g S o )−0.2

3.1.1 Solución:

En nuestra interfaz gráfica elegimos "Diseño de área para flujo mínimo".

Después de presionar el boton "Optimizar", observamos los resultados.

6
 4 M INIMIZACIÓN DE C OSTOS DE PRODUCCIÓN
4.1 Canal Triangular
El costo de la sección C está escrito como:

C = cL P + ce A + cr A y

Para un canal triangular, la ecuación anterior puede escribirse como:

p c r ∗ m y n3 ∗
Minimizar C ∗ = 2c L ∗ y n∗ 1 + m 2 + m y n2 +
3
Sujeto a:
m 1.5 y n2.5 e ∗ (1 + m 2 )0.5 (1 + m 2 )0.75
· ¸
φ = 1.737 ∗
ln + 0.625v ∗ +1 = 0
(1 + m 2 )0.25 6m y n∗ (m y n∗ )1.5
C g So 0.4
µ ¶
C∗ =
ce Q 2
c L g So 0.2
µ ¶
cL∗ =
ce Q 2
c r g So 0.2
µ ¶
cr∗ =
ce Q 2

4.1.1 Solución:

En nuestra interfaz gráfica elegimos "Costo mínimo de producción".

Después de presionar el boton "Optimizar", observamos los resultados.

7
 5 S ECCIÓN MÍNIMA DEL CANAL DE PÉRDIDAD DE AGUA
5.1 Canal Triangular
Para una sección triangular, el problema de la sección de filtración mínima es:
ª0.77
Minimizar F s∗ = y n∗ [π(4 − π)]1.3 + (2m)1.3
©

Sujeto a:
m 1.5 y n2.5 e ∗ (1 + m 2 )0.5 (1 + m 2 )0.75
· ¸
φ = 1.737 ∗
ln + 0.625v ∗ +1 = 0
(1 + m 2 ) 0.25 6m y n∗ (m y n∗ ).1.5
y n∗ = y n (g S o /Q 2 )0.2
e ∗ = e(g S o /Q 2 )0.2
v ∗ = v(Q 3 g S o )−0.2

5.1.1 Solución:

En nuestra interfaz gráfica elegimos "Pérdida mínima de agua".

Después de presionar el boton "Optimizar", observamos los resultados.