https://www.youtube.com/watch?v=LfBGGTUdbXU
La optimización o programación matemática mediante lenguajes de modelado algebraico ---comúnmente GAMS, AMPL y AIMMS--- es utilizada en la industria para la resolución de diferentes problemas que van desde la selección óptima de equipos y recursos a la gestión logística de una empresa. Pyomo es un paquete de software de código abierto ---licenciado bajo BSD por Sandia National Laboratories, USA--- desarrollado en Python, y que soporta un conjunto diverso de capacidades de optimización para la formulación y el análisis de modelos de optimización. En particular, Pyomo permite el modelado de problemas tipo LP, QP, NP, MILP, MINLP, MISP entre otros y se comunica con los principales solvers comerciales, gratuitos y/o libres, así como la plataforma ofrecida por NEOS server. La resolución mediante métodos de optimización ---comunes en un ámbito de investigación científica--- son a menudo desconocidos en la industria o bien delegados por falta de tiempo y/o recursos. Por tanto, su resolución acaba siendo mediante métodos menos eficientes que resultan en formas de trabajo con condiciones sustancialmente mejorables. Por este motivo, en esta charla, estudiantes de ingeniería química de la Universidad de Alicante realizarán una introducción visual a conceptos de optimización, presentarán Pyomo y mostrarán la resolución de casos de estudio de diferentes industrias mediante este lenguaje de modelado algebraico desarrollado en Python.
4. cacheme.org
Programación matemáticacacheme.org
n matemática
ón: ¿por qué es importante?
producto
entales
ducción
uipos y recursos
a
Interés
empresarial
(cc) Sam Derbyshire
Optimización: ¿por qué es importante?
• Mejorar la calidad de un producto
• Aumentar beneficios
• Reducir riesgos ambientales
• Reducir costes de producción
• Etc.
En la Ingeniería Química
Selección de equipos
Gestión logística
…
8. cacheme.org
Programación matemática
Programación Lineal Mixta Entera (MILP)
Función objetivo y
restricciones lineales.
Incluye la toma de
decisiones lógicas con la
incorporación de variables
binarias.
Algoritmo de
RAMIFICACIÓN Y
ACOTAMIENTO
EJEMPLO:
SELECCIÓN DE LA
MEJOR RUTA DE
PRODUCCIÓN
𝒎𝒊𝒏: 𝒄 𝑻
𝒙 + 𝒅 𝑻
𝒚
𝑠. 𝑎: 𝐴𝑥 + 𝐵𝑦 ≤ 𝑏
𝑥 ≥ 0 , 𝑥 ∈ 𝑋 ⊆ ℜ 𝑛
𝑦 ∈ 0,1
9. cacheme.org
min z = f (x)
s.a h(x) = 0
g(x) £ 0
x Î » n
Programación matemática
Programación No Lineal (NLP)
Función objetivo y/o
restricciones lineales y no
lineales.
Algoritmo:
Condiciones de optimalidad de
Karush-Kuhn-Tucker
EJEMPLO: DISEÑO DE UN REACTOR
CONTINUO DE TANQUE AGITADO
10. cacheme.org
{ }
) +
) +
) +
min (
. (
(
, 0,1
: , : , :
, ,
T
mn
n n l n p
m l m p m
z f
s a
f
´ ´
=
=
£
Î Î
® ® ®
Î Î Î
¡
¡ ¡ ¡ ¡ ¡ ¡
¡ ¡ ¡
x d y
h x By 0
g x Dy 0
x y
h g
d B D
Programación matemática
Programación No Lineal Mixta Entera (MINLP)
Función objetivo y/o
restricciones lineales y no
lineales.
Incorporación de
decisiones lógicas
mediante la inclusión de
variables binarias.
Algoritmo:
APROXIMACIONES
EXTERIORES
EJEMPLO:
SELECCIÓN DE LA
MEJOR RUTA DE
PRODUCCIÓN
12. cacheme.org
AML (Algebraic modelling languages)
Software propietario:
AMPL (www.ampl.com) Lenguaje
sencillo, pero complicado interactuar
- GLPK es una alternativa libre
para LP y MILP
GAMS (www.gams.com) Se comunica
con solvers incluso para resolver MINLP
AIMMS (www.aiims.com) Diseñado para
resolver problemas de optimización a gran
escala, y programación de actividades.
13. cacheme.org
Optimización en Python: ¿Por qué Pyomo?
Free Open source:
CVXOPT – M. Andersen, J. Dahl, L. Vandenberghe
Notación matricial. Optimización Convexa
PuLP – Trabaja con lenguaje Python. Muy buenos
resultados para LP y MILP. No resuelve NLP
OpenOpt – Más de 30 solvers para solucionar el
modelado, incluyendo programación no lineal.
Pyomo – Coopr. (Sandia National Laboratories, USA)
Permite la formulación de modelos algebraicos en
Python.
14. cacheme.org
• Se comunica directamente con los principales solvers de AMPL,
GLPK, Gurobi, CPLEZ, CBC y PICO.
• Programación en Python tipo AMPL/GAMS.
• Compatible con Python 2 y 3.
• Pyomo (Coopr) es un paquete gratuito con licencia BSD, maduro y
bien documentado.
• Fácil instalación “pip install pyomo”, instalación de solver aparte.
• Adaptabilidad a modelado de la mayoría de problemas.cacheme.org
¿Por qué Pyomo?
Se comunica directamente los principales solvers de AMPL,
GLPK, Gurobi, CPLEX, CBC y PICO.
Programación en Python tipo AMPL/GAMS
Open source (COIN-OR)
coin-or.org
Optimización en Python: ¿Por qué Pyomo?
16. cacheme.org
Ejemplos
EL PROBLEMA DEL TRANSPORTE
Linear Programing
• Problema clásico de optimización LP
• Se puede resolver con GLPK
• Hay que minimizar el coste en el transporte del producto
19. cacheme.org
Ejemplos
EL PROBLEMA DEL TRANSPORTE
PROGRAMACIÓN ORIENTADA A
OBJETOS: se crea la clase.
Se importan las librerias
Mercados
Plantas
Demanda mínima
Producción máxima
Coste/distancia
Distancia plata-mercado
20. cacheme.org
Ejemplos
EL PROBLEMA DEL TRANSPORTE
Se nombran las variables, que corresponderán con la cantidad de
producto desde una planta a un mercado.
No puede ser negativaDepende de las plantas y
los mercados.
Declaramos que es una variable
21. cacheme.org
Ejemplos
EL PROBLEMA DEL TRANSPORTE
Por defecto minimiza. (Para
maximizar teclear maximize)
Declaramos que es la función a optimizar
22. cacheme.org
Ejemplos
EL PROBLEMA DEL TRANSPORTE
Declaramos que es una restricción
Declaramos que es una restricción
Hace referencia a la demanda mínima de los mercados
Hace referencia a la máxima producción por planta
23. cacheme.org
Ejemplos
EL PROBLEMA DEL TRANSPORTE
Archivo con los datos del problema:
Exigencias de los mercados, costes
por transporte…
Mercados
Plantas
Demanda
mínima
Producción
máxima
Coste/distancia
Distancia plata-mercado
26. cacheme.org
Ejemplos
PROCESS SYNTHESIS PROBLEM
Mixed Integred Linear Programing
• Problema de optimización MILP
• Se puede resolver con Pyomo, GAMS…
• Se puede emplear el solver GLPK
• Hay que decidir la ruta optima de producción
The goal is to maximize profits. Consider the following two cases:
1- The maximum demand for C is 10 tons / h, with a selling price of 1800 Euros / ton.
2- The maximum demand for C is 15 ton / h, the sale price is 1800 Euros / ton for the first 10 ton and 1500 Euros /
ton for excess.
Capital and operational costs
Fixed cost (Euros / h.) Variable (Euros / ton of raw
material entering the process)
Process I 1000 250
Process II 1500 400
Process III 2000 550
Prices A 500 Euros / ton.
B 950 Euros / ton.
Conversion Process I 90 % from A to B
Process II 82 % from B to C
Process III 95 % from B to C
Maximum availability for A: 16 ton / h.
Solve again the problem for the case where the input-ouput relationships for process II and III are given by the
following equations:
Proceso II: C = 6.5 Ln(1+B)
I
II
III
A
Bext
CB
https://github.com/Planelles20/pyomo/blob/master/MixedIntegerLinearProgramming/process_synthesis/EnunciadoProcess_Synthesis.pdf
Simulation, design and optimization of chemical processes – compute lab GAMS
Grado en Ingeniería Química – Universidad de Alicante
27. cacheme.org
Ejemplos
PROGRAMACIÓN ORIENTADA A
OBJETOS: se genera el modelo.
Se cargan los operadores
y la biblioteca numpy
Variables binarias del sistema para toma de decisiones lógicas ( 0 , 1 )
0: No proceso I , 1: Si proceso I
0: No proceso II , 1: Si proceso II
0: No proceso III , 1: Si proceso III
PROCESS SYNTHESIS PROBLEM
28. cacheme.org
Ejemplos
Declaración del resto de variables.
Unidades de producción que circulan por las corrientes
Físicamente no
pueden ser
negativas
PROCESS SYNTHESIS PROBLEM
32. cacheme.org
Ejemplos
Declaración de las restricciones
PROCESS SYNTHESIS PROBLEM
El proceso II y III son
excluyentes, por lo se
introduce esta restricción
para que en el resultado final
solo se escoja uno de los dos
El problema también
establece unos valores
máximos para ciertas
variables, por lo que se ha de
tener en cuenta con estas
restricciones de límite
superior.
36. cacheme.org
rices A 500 Euros / ton.
B 950 Euros / ton.
onversion Process I 90 % from A to B
Process II 82 % from B to C
Process III 95 % from B to C
Maximum availability for A: 16 ton / h.
again the problem for the case where the input-ouput relationships for process II and III are given by the
wing equations:
Proceso II: C = 6.5 Ln(1+B)
Proceso III: C= 7.2 Ln(1+B)
e B y C are the mass flow rate (ton/h) for B y C, respectively.
I
II
III
A
Bext
CB
Ejemplos
PROCESS SYNTHESIS PROBLEM
or excess.
Capital and operational costs
Fixed cost (Euros / h.) Variable (Euros / ton of raw
material entering the process)
rocess I 1000 250
rocess II 1500 400
rocess III 2000 550
rices A 500 Euros / ton.
B 950 Euros / ton.
onversion Process I 90 % from A to B
Process II 82 % from B to C
Process III 95 % from B to C
Maximum availability for A: 16 ton / h.
I
II
III
A
Bext
CB
Caso de estudio
Caso para cuando
aumenta la producción y el
exceso de C es menos
rentable
or excess.
Capital and operational costs
Fixed cost (Euros / h.) Variable (Euros / ton of raw
material entering the process)
rocess I 1000 250
rocess II 1500 400
rocess III 2000 550
rices A 500 Euros / ton.
B 950 Euros / ton.
onversion Process I 90 % from A to B
Process II 82 % from B to C
Process III 95 % from B to C
Maximum availability for A: 16 ton / h.
I
II
III
A
Bext
CB
37. cacheme.org
Ejemplos
REACTOR DESIGN
Non Linear Programming
• Problema NLP
• Problema típico en la industria química
• Se puede resolver con ipopt
• Hay que maximizar la producción de B, atendiendo a la
velocidad espacial
https://en.wikipedia.org/wiki/Continuous_stirred-tank_reactor
Carl D. Laid
Chemical Engineer
38. cacheme.org
Ejemplos
REACTOR DESIGN
Se cargan los datos del problema
Coeficientes de reacción y
concentración inicial de reactivo
PROGRAMACIÓN ORIENTADA A
OBJETOS: se crea la clase
39. cacheme.org
REACTOR DESIGN
Ejemplos
Se crean las variables
Se aporta un valor inicial
de las variables para
facilitar el cálculo
Físicamente no
pueden ser
negativas
Concentraciones
de las especies
43. cacheme.org
Bibliografía
• Apuntes de la asignatura Simulación y Optimización de procesos
Industriales del Grado en Ingeniería Química de la Universidad de
Alicante.
• Pyomo – Optimization modeling in Python
• Springer Optimization and its aplications Vol. 67. Willian E. Hart
• Sandia National Laboratories
Agradecimientos
• Dr. Rubén Ruiz-Femenia
• Dr. Ignacio Aracil
• Francisco J. Navarro-Brull
La forma más común para representar un problema de optimización matemática es el dado por una función objetivo y un conjunto de funciones de restricción.
f x,y
s.a: g x,y≤0
h x,y= 0
x ∈X ⊆ Rn
y ∈ 0,1m
La forma más común para representar un problema de optimización matemática es el dado por una función objetivo y un conjunto de funciones de restricción.
f x,y
s.a: g x,y≤0
h x,y= 0
x ∈X ⊆ Rn
y ∈ 0,1m
La forma más común para representar un problema de optimización matemática es el dado por una función objetivo y un conjunto de funciones de restricción.
f x,y
s.a: g x,y≤0
h x,y= 0
x ∈X ⊆ Rn
y ∈ 0,1m
La forma más común para representar un problema de optimización matemática es el dado por una función objetivo y un conjunto de funciones de restricción.
f x,y
s.a: g x,y≤0
h x,y= 0
x ∈X ⊆ Rn
y ∈ 0,1m
La forma más común para representar un problema de optimización matemática es el dado por una función objetivo y un conjunto de funciones de restricción.
f x,y
s.a: g x,y≤0
h x,y= 0
x ∈X ⊆ Rn
y ∈ 0,1m
La forma más común para representar un problema de optimización matemática es el dado por una función objetivo y un conjunto de funciones de restricción.
f x,y
s.a: g x,y≤0
h x,y= 0
x ∈X ⊆ Rn
y ∈ 0,1m
La forma más común para representar un problema de optimización matemática es el dado por una función objetivo y un conjunto de funciones de restricción.
f x,y
s.a: g x,y≤0
h x,y= 0
x ∈X ⊆ Rn
y ∈ 0,1m
La forma más común para representar un problema de optimización matemática es el dado por una función objetivo y un conjunto de funciones de restricción.
f x,y
s.a: g x,y≤0
h x,y= 0
x ∈X ⊆ Rn
y ∈ 0,1m
La forma más común para representar un problema de optimización matemática es el dado por una función objetivo y un conjunto de funciones de restricción.
f x,y
s.a: g x,y≤0
h x,y= 0
x ∈X ⊆ Rn
y ∈ 0,1m
La forma más común para representar un problema de optimización matemática es el dado por una función objetivo y un conjunto de funciones de restricción.
f x,y
s.a: g x,y≤0
h x,y= 0
x ∈X ⊆ Rn
y ∈ 0,1m
La forma más común para representar un problema de optimización matemática es el dado por una función objetivo y un conjunto de funciones de restricción.
f x,y
s.a: g x,y≤0
h x,y= 0
x ∈X ⊆ Rn
y ∈ 0,1m
La forma más común para representar un problema de optimización matemática es el dado por una función objetivo y un conjunto de funciones de restricción.
f x,y
s.a: g x,y≤0
h x,y= 0
x ∈X ⊆ Rn
y ∈ 0,1m
La forma más común para representar un problema de optimización matemática es el dado por una función objetivo y un conjunto de funciones de restricción.
f x,y
s.a: g x,y≤0
h x,y= 0
x ∈X ⊆ Rn
y ∈ 0,1m
La forma más común para representar un problema de optimización matemática es el dado por una función objetivo y un conjunto de funciones de restricción.
f x,y
s.a: g x,y≤0
h x,y= 0
x ∈X ⊆ Rn
y ∈ 0,1m
La forma más común para representar un problema de optimización matemática es el dado por una función objetivo y un conjunto de funciones de restricción.
f x,y
s.a: g x,y≤0
h x,y= 0
x ∈X ⊆ Rn
y ∈ 0,1m
La forma más común para representar un problema de optimización matemática es el dado por una función objetivo y un conjunto de funciones de restricción.
f x,y
s.a: g x,y≤0
h x,y= 0
x ∈X ⊆ Rn
y ∈ 0,1m
La forma más común para representar un problema de optimización matemática es el dado por una función objetivo y un conjunto de funciones de restricción.
f x,y
s.a: g x,y≤0
h x,y= 0
x ∈X ⊆ Rn
y ∈ 0,1m
La forma más común para representar un problema de optimización matemática es el dado por una función objetivo y un conjunto de funciones de restricción.
f x,y
s.a: g x,y≤0
h x,y= 0
x ∈X ⊆ Rn
y ∈ 0,1m
La forma más común para representar un problema de optimización matemática es el dado por una función objetivo y un conjunto de funciones de restricción.
f x,y
s.a: g x,y≤0
h x,y= 0
x ∈X ⊆ Rn
y ∈ 0,1m
La forma más común para representar un problema de optimización matemática es el dado por una función objetivo y un conjunto de funciones de restricción.
f x,y
s.a: g x,y≤0
h x,y= 0
x ∈X ⊆ Rn
y ∈ 0,1m
La forma más común para representar un problema de optimización matemática es el dado por una función objetivo y un conjunto de funciones de restricción.
f x,y
s.a: g x,y≤0
h x,y= 0
x ∈X ⊆ Rn
y ∈ 0,1m
La forma más común para representar un problema de optimización matemática es el dado por una función objetivo y un conjunto de funciones de restricción.
f x,y
s.a: g x,y≤0
h x,y= 0
x ∈X ⊆ Rn
y ∈ 0,1m
La forma más común para representar un problema de optimización matemática es el dado por una función objetivo y un conjunto de funciones de restricción.
f x,y
s.a: g x,y≤0
h x,y= 0
x ∈X ⊆ Rn
y ∈ 0,1m
La forma más común para representar un problema de optimización matemática es el dado por una función objetivo y un conjunto de funciones de restricción.
f x,y
s.a: g x,y≤0
h x,y= 0
x ∈X ⊆ Rn
y ∈ 0,1m
La forma más común para representar un problema de optimización matemática es el dado por una función objetivo y un conjunto de funciones de restricción.
f x,y
s.a: g x,y≤0
h x,y= 0
x ∈X ⊆ Rn
y ∈ 0,1m
La forma más común para representar un problema de optimización matemática es el dado por una función objetivo y un conjunto de funciones de restricción.
f x,y
s.a: g x,y≤0
h x,y= 0
x ∈X ⊆ Rn
y ∈ 0,1m
La forma más común para representar un problema de optimización matemática es el dado por una función objetivo y un conjunto de funciones de restricción.
f x,y
s.a: g x,y≤0
h x,y= 0
x ∈X ⊆ Rn
y ∈ 0,1m
La forma más común para representar un problema de optimización matemática es el dado por una función objetivo y un conjunto de funciones de restricción.
f x,y
s.a: g x,y≤0
h x,y= 0
x ∈X ⊆ Rn
y ∈ 0,1m
La forma más común para representar un problema de optimización matemática es el dado por una función objetivo y un conjunto de funciones de restricción.
f x,y
s.a: g x,y≤0
h x,y= 0
x ∈X ⊆ Rn
y ∈ 0,1m
La forma más común para representar un problema de optimización matemática es el dado por una función objetivo y un conjunto de funciones de restricción.
f x,y
s.a: g x,y≤0
h x,y= 0
x ∈X ⊆ Rn
y ∈ 0,1m
La forma más común para representar un problema de optimización matemática es el dado por una función objetivo y un conjunto de funciones de restricción.
f x,y
s.a: g x,y≤0
h x,y= 0
x ∈X ⊆ Rn
y ∈ 0,1m
La forma más común para representar un problema de optimización matemática es el dado por una función objetivo y un conjunto de funciones de restricción.
f x,y
s.a: g x,y≤0
h x,y= 0
x ∈X ⊆ Rn
y ∈ 0,1m
La forma más común para representar un problema de optimización matemática es el dado por una función objetivo y un conjunto de funciones de restricción.
f x,y
s.a: g x,y≤0
h x,y= 0
x ∈X ⊆ Rn
y ∈ 0,1m
La forma más común para representar un problema de optimización matemática es el dado por una función objetivo y un conjunto de funciones de restricción.
f x,y
s.a: g x,y≤0
h x,y= 0
x ∈X ⊆ Rn
y ∈ 0,1m
La forma más común para representar un problema de optimización matemática es el dado por una función objetivo y un conjunto de funciones de restricción.
f x,y
s.a: g x,y≤0
h x,y= 0
x ∈X ⊆ Rn
y ∈ 0,1m