Stochastic Global Optimization

Methods and Applications to Chemical,

Biochemical, Pharmaceutical and
Environmental Processes 1st Edition
Ch. Venkateswarlu Satya Eswari
Jujjavarapu
Visit to download the full and correct content document:
https://ebookmass.com/product/stochastic-global-optimization-methods-and-applicati
ons-to-chemical-biochemical-pharmaceutical-and-environmental-processes-1st-editio
n-ch-venkateswarlu-satya-eswari-jujjavarapu/
More products digital (pdf, epub, mobi) instant
download maybe you interests ...

Towards Sustainable Chemical Processes: Applications of

Sustainability Assessment and Analysis, Design and
Optimization, and Hybridization and Modularization 1st
Edition Jingzheng Ren
https://ebookmass.com/product/towards-sustainable-chemical-
processes-applications-of-sustainability-assessment-and-analysis-
design-and-optimization-and-hybridization-and-modularization-1st-
edition-jingzheng-ren/

Optimal State Estimation for Process Monitoring, Fault

Diagnosis and Control 1st Edition Ch. Venkateswarlu
M.Tech Phd

https://ebookmass.com/product/optimal-state-estimation-for-
process-monitoring-fault-diagnosis-and-control-1st-edition-ch-
venkateswarlu-m-tech-phd/

Chemical Product Formulation Design and Optimization:

Methods, Techniques, and Case Studies Ali Elkamel

https://ebookmass.com/product/chemical-product-formulation-
design-and-optimization-methods-techniques-and-case-studies-ali-
elkamel/

Simulation and optimization in process engineering :

the benefit of mathematical methods in applications of
the chemical industry 1st Edition Michael Bortz

https://ebookmass.com/product/simulation-and-optimization-in-
process-engineering-the-benefit-of-mathematical-methods-in-
applications-of-the-chemical-industry-1st-edition-michael-bortz/
Energy Sources. Fundamentals of Chemical Conversion
Processes and Applications 1st Edition Balasubramanian
Viswanathan

https://ebookmass.com/product/energy-sources-fundamentals-of-
chemical-conversion-processes-and-applications-1st-edition-
balasubramanian-viswanathan/

Applications in Design and Simulation of Sustainable

Chemical Processes 1st Edition Dimian A.

https://ebookmass.com/product/applications-in-design-and-
simulation-of-sustainable-chemical-processes-1st-edition-
dimian-a/

Advances in Oil-Water Separation : A Complete Guide for

Physical, Chemical, and Biochemical Processes Papita
Das

https://ebookmass.com/product/advances-in-oil-water-separation-a-
complete-guide-for-physical-chemical-and-biochemical-processes-
papita-das/

System Reliability Assessment and Optimization :

Methods and Applications 1st Edition Yan-Fu Li & Enrico
Zio

https://ebookmass.com/product/system-reliability-assessment-and-
optimization-methods-and-applications-1st-edition-yan-fu-li-
enrico-zio/

Comprehensive Chemometrics: Chemical and Biochemical

Data Analysis 2nd Edition Steven Brown (Editor)

https://ebookmass.com/product/comprehensive-chemometrics-
chemical-and-biochemical-data-analysis-2nd-edition-steven-brown-
editor/
 Stochastic Global
Optimization Methods
and Applications to
Chemical,
Biochemical,
Pharmaceutical and
Environmental
Processes
Ch. Venkateswarlu
B V Raju Institute of Technology, Narsapur, Andhra Pradesh, India;
Formerly: Indian Institute of Chemical Technology (CSIR-IICT),
Hyderabad, Telangana, India

Satya Eswari Jujjavarapu

Department of Biotechnology, National Institute of Technology,
Raipur, Chhattisgarh, India
Elsevier
Radarweg 29, PO Box 211, 1000 AE Amsterdam, Netherlands
The Boulevard, Langford Lane, Kidlington, Oxford OX5 1GB, United Kingdom
50 Hampshire Street, 5th Floor, Cambridge, MA 02139, United States

Copyright © 2020 Elsevier Inc. All rights reserved.

No part of this publication may be reproduced or transmitted in any form or by any means, electronic
or mechanical, including photocopying, recording, or any information storage and retrieval system,
without permission in writing from the publisher. Details on how to seek permission, further
information about the Publisher’s permissions policies and our arrangements with organizations
such as the Copyright Clearance Center and the Copyright Licensing Agency, can be found at our
website: www.elsevier.com/permissions.

This book and the individual contributions contained in it are protected under copyright by the
Publisher (other than as may be noted herein).

Notices
Knowledge and best practice in this field are constantly changing. As new research and experience
broaden our understanding, changes in research methods, professional practices, or medical
treatment may become necessary.

Practitioners and researchers must always rely on their own experience and knowledge in
evaluating and using any information, methods, compounds, or experiments described herein.
In using such information or methods they should be mindful of their own safety and the safety
of others, including parties for whom they have a professional responsibility.

To the fullest extent of the law, neither the Publisher nor the authors, contributors, or editors,
assume any liability for any injury and/or damage to persons or property as a matter of products
liability, negligence or otherwise, or from any use or operation of any methods, products,
instructions, or ideas contained in the material herein.

Library of Congress Cataloging-in-Publication Data

A catalog record for this book is available from the Library of Congress

British Library Cataloguing-in-Publication Data

A catalogue record for this book is available from the British Library

ISBN: 978-0-12-817392-3

For information on all Elsevier publications visit our website

at https://www.elsevier.com/books-and-journals

Publisher: Susan Dennis

Acquisition Editor: Kostas Marinakis
Editorial Project Manager: Andrea Dulberger
Production Project Manager: Nirmala Arumugam
Cover Designer: Greg Harris

Typeset by TNQ Technologies

About the authors

Dr. Ch. Venkateswarlu, the Director R&D at BV Raju Institute of Technology

(BVRIT), Narsapur, Greater Hyderabad, India, has earlier worked as Scientist,
Senior Principal Scientist, and Chief Scientist at Indian Institute of Chemical Tech-
nology (IICT), Hyderabad, a premier research and development (R&D) institute of
Council of Scientific and Industrial Research (CSIR, India). Prior to Director R&D
at BVRIT, he worked as Professor, Principal, and Head of Chemical Engineering
Department of the same institute. He did his graduation from Andhra University
as well as from Indian Institute of Chemical Engineers and postgraduation and
PhD in Chemical Engineering from Osmania University, Hyderabad, India. He
holds 35 years R&D experience along with 19 years teaching experience and
2 years industry experience. His research interests lie in the areas of dynamic process
modeling and simulation, process identification and dynamic optimization, process
monitoring and fault diagnosis, state estimation and soft sensing, statistical
process control and advanced process control, applied engineering mathematics
and evolutionary computing, artificial intelligence and expert systems, and bio-
process engineering and bioinformatics. He published more than 100 research papers
in peer journals of repute along with few international and national proceeding pub-
lications. He is also credited with 150 technical paper presentations and invited
lectures and few book chapters. He has executed several R&D projects sponsored
by DST and Industry. He is a reviewer of several international research journals
and many national and international research project proposals. He has guided
several postgraduate and PhD students. He served as a long-term guest faculty for
premier institutes such as Bhabha Atomic Research Centre Scientific Officer
Training, BITS Pilani MS (off-campus), and IICT-CDAC Bioinformatics Programs.
He is a Fellow of Andhra Pradesh Academy of Sciences and Telangana State
Academy of Sciences in India. He received various awards in recognition to his
R&D and academic contributions.

Dr. Satya Eswari Jujjavarapu is currently an Assistant Professor at Biotechnology

Department of National Institute of Technology (NIT), Raipur, India. She did her
MTech in Biotechnology from Indian Institute Technology (IIT), Kharagpur, and
PhD from IIT, Hyderabad. During her research career, she worked as DST woman
scientist at the Indian Institute of Chemical Technology (IICT), Hyderabad. Her
fields of specializations include bioinformatics, biotechnology, process modeling,
evolutionary optimization, and artificial intelligence. She gained considerable exper-
tise in the application of mathematical and engineering tools to biotechnological
processes. She has published more than 18 sci/scopus research papers and 25 inter-
national conference proceedings. She completed a DST woman scientist project and
is currently handling a DST-Early Career Research project and a CCOST project.
She has more than 4 years teaching experience and 3 years research experience.

xv
Preface

This book is addressed to students, researchers, and industry professionals concern-

ing to multiple domains of engineering and technology. It covers the fundamentals,
classical and advanced optimization topics with a number of examples and case
studies that are beneficial to the personnel of different disciplines to gain knowledge
and apply to the problems encountered in their domains. General readers of initial
chapters that cover classical optimization topics are expected to have familiarity
with the fundamentals of mathematics and calculus. Readers of lateral chapters of
advanced optimization topics are expected to have familiarity with the fundamentals
of optimization along with their basic domain knowledge in engineering and
science.
Optimization is of great interest and it has widespread applications in engineer-
ing, science, and business. It has become a major technology contributor to the
growth of the industry. It is extensively used in solving a wide variety of problems
in design, operation, and analysis of engineering and technological processes. The
initial chapters of this book emphasize various classical methods of optimization
and their applications. This book mainly focuses on evolutionary, stochastic, and
artificial intelligence optimization algorithms with a special emphasis on their
design, analysis, and implementation to solve complex optimization problems
and includes a number of real applications concerning chemical, biochemical,
pharmaceutical, and environmental engineering processes. Formulation, design,
and implementation of various advanced optimization strategies to solve a wide
variety of base case and real engineering problems make this book beneficial to
researchers working in multiple domains.
Chapter 1 of this book provides motivation for optimization with the presentation
of basic features of optimization along with its scope, examples of applications, and
essential components. Further in this chapter, the basic concepts of optimization are
described in terms of functions, behavior of functions, and maxima and minima of
functions. This chapter also deals with the region of search within the constraints,
classification of problems in optimization, general solution procedure, and the
obstacles of optimization. Chapter 2 discusses classical analytical methods of
optimization. The classical optimization techniques are analytical in nature and
make use of differential calculus to solve the problems involving continuous
differentiable functions. These techniques with necessary and sufficient conditions
are employed to find the optimum of unconstrained single variable functions and
multivariable functions with equality and inequality constraints.
Chapter 3 elaborates numerical search methods for unconstrained optimization
problems. The classical analytical methods based on necessary conditions with their
analytical derivatives can yield exact solution for functions that have no complex
form of expressions. These analytical methods are usually difficult to apply for
nonlinear functions for which the analytical derivatives are hard to compute and
for functions involving more variables. Most algorithms of unconstrained and
xvii
xviii Preface

constrained optimization make use of numerical search techniques to locate the min-
imum (maximum) of single variable and multivariable functions. These numerical
search methods find the optimum by using the function f(x) and sometimes deriva-
tive values of f(x) at successive trial points of x. Chapter 3 discusses various gradient
and direct search methods that are used to solve single variable and multivariable
optimization problems. In this chapter, various one-dimensional gradient search
methods, polynomial approximation methods, multivariable direct search methods,
and multivariable gradient search methods with examples are discussed.
Chapter 4 describes various stochastic and evolutionary optimization algorithms.
Classical optimization methods fail to solve problems that pose difficulties concern-
ing to dimensionality, differentiability, multimodality, nonlinearity in objective
function and constraints, and problems that have many local optima. There has
been a rapidly growing interest in advanced optimization algorithms over the last
decade. Stochastic and evolutionary optimization methods are increasingly used
to solve challenging optimization problems. These methods are typically inspired
by some phenomena from nature and they are robust. These methods are capable
of locating global optimum of multimodal functions and they have flexibility with
ease of operation. These algorithms do not require any gradient information
and are even suitable to solve discrete optimization problems. These methods are
extensively used in the analysis, design, and operation of systems that are highly
nonlinear, high dimensional, and noisy or for solving problems that are not easily
solved by classical deterministic methods of optimization. Various stochastic and
global optimization methods are now becoming industry standard. Chapter 4 mainly
focuses on evolutionary and stochastic optimization algorithms such as genetic
algorithm, simulated annealing, differential evolution, ant colony optimization,
tabu search, particle swarm optimization, artificial bee colony algorithm, and cuckoo
search algorithm. In Chapter 4, these algorithms are described in detail with flow
schemes and implementation procedures. Implementation of stochastic global
optimization methods to base case problems involving continuous and discrete
numerical functions gives intriguing insight about the efficacy of these methods
for their further implementation to real engineering applications. Chapter 5 provides
different base case applications and performance evaluation of various stochastic
global optimization methods.
Chapter 6 discusses application of stochastic evolutionary optimization tech-
niques to chemical processes. The chemical industry is experiencing significant
changes because of global market competition, strict bounds on product specifica-
tions, pricing pressures, and environmental issues. Optimization is the most
important approach that addresses the performance issues related to several areas
of chemical process engineering including process design, process development,
process modeling, process identification, process control, and real-time process
operation. Optimization is also used in process synthesis, experimental design,
planning, scheduling, distribution, and integration of process operations. Most of
the chemical engineering problems exhibit highly nonlinear dynamics and often
present nonconvexity, discontinuity, and multimodality. The classical deterministic
 Preface xix

optimization methods are not effective in solving optimization problems of complex

chemical processes and often require high computational time. Stochastic
evolutionary optimization methods are robust numerical techniques and are widely
used to solve complex chemical engineering problems that are not easily solved by
classical deterministic methods of optimization. Chapter 6 deals with various real
applications of stochastic and evolutionary optimization strategies to different
chemical processes that are highly nonlinear and high dimensional. In this chapter,
different stochastic optimization-based multistage dynamic optimization, multiloop
controller tuning, and nonlinear model predictive control strategies are designed and
applied to complex and high-dimensional processes such as semibatch copoly-
merization reactors and reactive distillation columns.
Chapter 7 concentrates on application of stochastic evolutionary optimization
techniques to biochemical processes. Bioprocess technology plays a vital role in
delivering innovative and sustainable products and processes to fulfill the needs of
the society. In the present situation of increasing energy demand, depleting natural
sources, and ever-demanding environmental awareness, bioprocesses occupy a
unique position in converting variety of resources into useful products. Modeling
and optimization techniques are increasingly used to understand and improve the
cellular-based processes. The advantages of these techniques include the reduction
of excessive experimentation, facilitating the most informative experiments,
providing strategies to optimize and automate the processes and reducing cost and
time in devising operational strategies. The model-based bioprocess optimization
provides a quantitative and systematic framework to maximize process profitability,
safety, and reliability. Chapter 7 mainly focuses on application of stochastic evolu-
tionary optimization techniques for modeling and optimization of biotechnological
processes. In this chapter, various mathematical, empirical, and artificial neural
network modelebased stochastic and evolutionary optimization strategies are
designed and applied for optimization of different biotechnical processes such as
Chinese hamster ovary (CHO) cells production, lipopeptide, and rhamnolipid
biosurfactant processes.
Chapter 8 presents application of evolutionary and artificial intelligenceebased
optimization techniques to pharmaceutical processes. Design, modeling, and
optimization studies can lead to considerable benefits in pharmaceutical processes
in terms of improvement in productivity and product quality as well as reduction
in energy consumption and environmental pollution. In this chapter, different
strategies are derived by combining artificial neural networks, radial basis function
networks, and statistical response surface models with differential evolution,
nonsorting differential evolution, and nonsorting genetic algorithms, and these
strategies are applied for simultaneous optimization of pharmaceutical product
formulation, multiobjective Pareto optimization of a pharmaceutical product
formulation, and multiobjective optimization of cytotoxic potency of marine macro-
algae on human carcinoma cell lines. Chapter 9 focuses on application of stochastic
evolutionary optimization techniques to environmental processes. Modeling and
optimization studies can lead to considerable benefits to environmental engineering
xx Preface

systems in terms of efficiency improvement, energy reduction, and pollution control.

A variety of optimization approaches are used for the solution of environmental
problems in the areas of air pollution, solid, liquid, and industrial waste management,
and energy management. This chapter mainly focuses on application of stochastic and
evolutionary optimization techniques to environmental processes concerning to
industry wastewater treatment. Various process model and artificial intelligence
modelebased strategies involving stochastic optimization algorithms such as ant
colony optimization and tabu search are derived and applied for modeling and
optimization of different wastewater treatment processes. Chapter 10 given at the
end of the book represents the conclusions section. This chapter summarizes the
essence of the book and its benefit to the readers.
Many references with a variety of classical and advanced optimization problem
titles are included at the end of each chapter of this book. These references will be
immensely useful to the readers to advance their general knowledge and domain
knowledge in the field of optimization.
 CHAPTER

Basic features and

concepts of optimization
1
Chapter outline
1.1 Introduction ......................................................................................................... 2
1.2 Basic features...................................................................................................... 2
1.2.1 Optimization and its benefits............................................................... 2
1.2.2 Scope for optimization ........................................................................ 3
1.2.3 Illustrative examples........................................................................... 3
1.2.4 Essential requisites for optimization..................................................... 6
1.3 Basic concepts .................................................................................................... 7
1.3.1 Functions in optimization.................................................................... 7
1.3.2 Interpretation of behavior of functions................................................ 12
1.3.3 Maxima and minima of functions ....................................................... 15
1.3.4 Region of search for constrained optimization ..................................... 18
1.4 Classification and general procedure................................................................... 19
1.4.1 Classification of optimization problems .............................................. 19
1.4.2 General procedure of solving optimization problems ............................ 23
1.4.3 Bottlenecks in optimization ............................................................... 23
1.5 Summary ........................................................................................................... 24
References ............................................................................................................... 25

Optimization is the process of finding the set of conditions required to achieve the
best solution in a given situation. Optimization is of great interest and finds wide-
spread use in engineering, science, economics, and operations research. This intro-
ductory chapter presents the basic features and concepts that set the stage for the
development of optimization methods in the subsequent chapters.

Stochastic Global Optimization Methods and Applications to Chemical, Biochemical, Pharmaceutical and Environmental Processes. 1
https://doi.org/10.1016/B978-0-12-817392-3.00001-6
Copyright © 2020 Elsevier Inc. All rights reserved.
2 CHAPTER 1 Basic features and concepts of optimization

1.1 Introduction
A wide variety of problems in design, operation, and analysis of engineering and
technological processes can be resolved by optimization. This chapter provides
the motivation for the topic of optimization by means of presenting its basic features
along with its scope, examples of its applications, and its essential components.
Furthermore, its basic concepts are described in terms of functions, behavior of func-
tions, and maxima and minima of functions. This chapter further deals with the
region of search within the constraints, classification of problems in optimization,
general solution procedure, and the obstacles of optimization.

1.2 Basic features

Optimization with its mathematical principles and techniques is used to solve a wide
variety of quantitative problems in many disciplines. In industrial environment, opti-
mization can be used to take decisions at different levels. It is useful to begin the
subject of optimization with its basic features and concepts.

1.2.1 Optimization and its benefits

Optimization is the process of selecting the best course of action from the available
resources. Optimization problems are made up of three basic components: an objec-
tive function, a set of unknowns or decision variables, and a set of constraints.
An objective function can be maximization or minimization type. In an industrial
system, decisions are to be made either to minimize the cost or to maximize the
profit. Profit maximization or cost minimization is expressed by means of a perfor-
mance index. Decision variables are the variables that engineers or managers choose
in making technological or managerial system to achieve the desired objective. Opti-
mization has to find the values of decision variables that yield the best values of the
performance criterion. Constraints are restrictions imposed on the system by which
the decision variables are chosen to maximize the benefit or minimize the effort.
Optimization has widespread applications in engineering and science. It has
become a major technology contributor to the growth of the industry. In plant oper-
ations, optimization provides improved plant performance in terms of improved
yields of valuable products, reduced energy consumption, and higher processing
rates. Optimization can also benefit the plants by means of reduced maintenance
cost, less equipment wear, and better staff utilization. It helps in planning and sched-
uling of efficient construction of plants. With the systematic identification of objec-
tive, constraints, and degrees of freedom in processes or plants, optimization leads to
provide improved quality of design, faster and more reliable trouble shooting, and
faster decision-making. It helps in minimizing the inventory charges and increases
overall efficiency with the allocation of resources or services among various
processes or activities. It also facilitates to reduce transportation charges through
strategic planning of distribution networks for products and procurement of raw
materials from different sources.
 1.2 Basic features 3

1.2.2 Scope for optimization

Optimization can be applied to the entire company, a plant, a process, a single unit
operation, and a single piece of equipment. In typical industrial environment, opti-
mization can be used in taking decisions at management level, plant design level,
and plant operations level [1].
Management level: At management level, optimization helps in taking deci-
sions concerning to project evaluation, product selection, corporate budget, invest-
ment in sales, research and development, and new plant construction. At this
stage the information available is qualitative and uncertain as these decisions are
made well in advance the plant design level.
Plant design level: Decisions made at this level are concerned to choice of the
process whether batch or continuous, nominal operating conditions, configuration of
the plant, size of individual units, use of flow sheeting programs, and aid of process
design simulators.
Plant operations level: Decisions at this stage include allocation of raw mate-
rials on a weekly/daily basis, day-to-day optimization of a plant to minimize steam
consumption, cooling water consumption, operating controls for a given unit at
certain temperatures and pressures, and costs toward shipping, transportation, and
distribution of products.

1.2.3 Illustrative examples

The basic applications of optimization are explained in terms of different illustrative
examples concerning to industry.
(a) Optimum pipe diameter for pumping fluid
One typical example is the problem of determining the optimum pipe diameter
for pumping a given amount of fluid from one point to another. Here the amount
of fluid pumped between the two points can be accomplished by means of different
pipe diameters. However, this task can be realized by one particular pipe diameter
which minimizes the total cost representing the cost for pumping the liquid and
the cost for the installed piping system as shown in Fig. 1.1 [2]. From the figure it
can be observed that the pumping cost increases with decreased size of pipe diameter
because of frictional effects. But the fixed charges for the pipeline become lower due
to reduced capital investment because of the use of smaller pipe diameter. The op-
timum diameter is located at point E where the sum of the pumping costs and fixed
costs for the pipeline becomes a minimum.
(b) Optimizing air supply to a combustion process
Combustion occurs when fuels such as natural gas, fuel oil, or coal react with
oxygen in the air to form carbon dioxide (CO2) and generate heat which can be
used in industrial processes [3]. In a combustion process involving a typical fuel,
4 CHAPTER 1 Basic features and concepts of optimization

Total cost

Cost, $/(year)
(ft of pipe length) Capital investment
for installed pipe

Power cost
Optimum for pumping
pipe diameter

E
Pipe diameter
FIGURE 1.1
Determination of optimum pipe diameter.

when small quantity of air is supplied to the burner, there is not enough oxygen in the
air to completely react with all the carbon in the fuel to form CO2. Some oxygen in
the air can combine with the carbon in the fuel to form carbon monoxide (CO). The
CO is highly toxic gas associated with the combustion and its formation has to be
minimized. The most efficient use of CO2 can be achieved when its concentration
in the exhaust is minimized. This happens only when there is sufficient oxygen
(O2) in the air to react with all the carbon in the fuel. The theoretical air required
for the combustion reaction depends on the fuel composition and the rate of fuel sup-
ply. As the air level is increased up to 100% of the theoretical air, the concentration
of CO decreases rapidly to a minimum and the values CO2 and O2 attain their
maximum level. Further increase in air supply begins to dilute the exhaust gases
causing to decrease the CO2 concentration. These situations are depicted in
Fig. 1.2. Optimizing the air supply or air fuel ratio is desired to increase the
efficiency of the combustion process.

% CO2 % O2

%Gas
concentration
% CO

80 100 120

% Theoretical air
FIGURE 1.2
Efficiency of a combustion process as a function of air supply.
 1.2 Basic features 5

(c) Optimal dilution rate of a chemostat

Chemostat is a completely mixed continuous stirred tank reactor used for culti-
vation of cells. The steady-state mass balances on substrate and cells in a chemostat
are described by a Monod chemostat model [4]. Under sterile feed condition, the
initial cell mass concentration in the feed is zero. The dilution rate (D) is an impor-
tant parameter characterizing the processing rate of the chemostat. The steady-state
values of substrate (s) and cell mass concentration (x) in the chemostat are influ-
enced by the dilution rate (D). When dilution rate is low and reaches a situation
such as D / 0 and s /0, Then x increases to a high value. As D increases contin-
uously, s increases at a faster rate and x tends to decline. As D approaches its
maximum rate Dmax, x becomes zero and s attains high value. The condition of
loss of cells at steady state where x ¼ 0 and D ¼ Dmax is called near washout con-
dition and when D > Dmax, total washout of cells occur. At near washout condition,
the chemostat is very sensitive to variations in D. At this condition, a smaller change
in D gives a relatively large shift in x and s. These situations are shown in Fig. 1.3.
The rate of cell production per unit volume of chemostat is expressed as Dx
which is a function of D as shown in Fig. 1.4.
(d) Optimizing the design condition to deal with model uncertainty
Model uncertainty is an important issue in product or process design. Failure to
account model uncertainty may lead to degradation in process performance [5]. The
inputs or parameters of the model are to be selected such that the output responses
are robust or insensitive to variations in model parameters. In multiresponse optimi-
zation problem, the optimal operating condition chosen for the variables has to
simultaneously deal with the robustness and performance for multiple responses.
In such case, multiple response problem is converted into a single objective function
expressed as a loss function, which takes into account the correlation among the
responses and the process economics. This function represents the variability in
response, which in turn depends on the operating condition chosen for the variables.
The response variability or model uncertainty can be illustrated in Fig. 1.5, where the

x, s

Mass/ s
volume x

Washout

D Dmax

FIGURE 1.3
Variation of x and s with respect to D.
6 CHAPTER 1 Basic features and concepts of optimization

Dx

Doptimum D

FIGURE 1.4
Optimum dilution rate that maximizes cell production.

True
model Fitted
model
Performance

A B
FIGURE 1.5
Response behavior due to model uncertainty.

dashed curve represents the true response and the solid curve corresponds to the
fitted model. If the goal is to maximize the response performance, the model should
provide the optimal value of the design variable at point A. If the fitted model pro-
vides point B as the design variable, the response exhibits much lower performance
than the true optimal. Thus, even a slight deviation of the fitted model from the true
model might result unacceptable performance. It can be observed that the difference
between the predicted value of the response based on the design point at B is larger
than that of at A.

1.2.4 Essential requisites for optimization

The goal of optimization is to find the values of decision variables that yield the best
values of the performance criterion or objective function. The process of optimiza-
tion considered for a particular application depends on the nature of the process, its
mathematical description, its constraints, and the type of objective function. Thus,
the basic components that are essential for formulation of a mathematical optimiza-
tion problem are the objective function, the decision variables, and the constraints.
 1.3 Basic concepts 7

Objective function: It is the mathematical function which has to be either mini-

mized or maximized. For example, in a manufacturing process, the aim may be to
maximize the profit or minimize the cost. In comparing the data provided by the
user-defined model with the observed data, the objective is to determine the decision
variables that minimize the deviation between the model prediction data and the
observed data. The objective function is usually defined by taking into account
the type of optimization application.
Decision variables: These are the set of unknowns or variables that control the
value of the objective function. In a manufacturing problem, the variables may
include the amounts of different resources used or the time spent on each activity.
For example, in fitting the data to a model, the unknowns can be the parameters
of the model.
Constraints: A set of constraints are those that allow the unknowns or variables
to take on certain values but exclude others. For example, in a manufacturing prob-
lem, one cannot spend negative amount of time on any activity, so one constraint is
that the “time” variables are nonnegative.
The optimization problem is then to find values of the variables that minimize or
maximize the objective function while satisfying the constraints.

1.3 Basic concepts

The basic concepts of optimization are described in terms of functions, behavior of
functions, maxima and minima of functions, and the regions of search.

1.3.1 Functions in optimization

(a) Continuous, discontinuous, and discrete functions
A function is continuous at some point x, if
f ðxÞ ¼ Limh/0 f ðx þ hÞ (1.1)
A function of one variable may be represented by an unbroken continuous curve
as shown in Fig. 1.6.
A discontinuous function is the one in which discontinuity occurs at some point
x ¼ x0. The common form of discontinuity is the jump discontinuity

þ which occurs at
the limit of f(x þ h) as h / 0. The function

 approaches f x 0 when h  0, and the
function approaches a different value f x 0 if h  0. A discontinuous function is
shown in Fig. 1.7.
Discrete functions are discontinuous functions which are valid only at discrete
values. For example, the pressure drop (DP) of a fluid flowing at a fixed flow rate
through a pipe of fixed length is a function of pipe diameter (D) as shown in
Fig. 1.8. This would result a discrete function because the pipes are normally avail-
able only in standard diameter.
8 CHAPTER 1 Basic features and concepts of optimization

f(x)
Continuous
function
+ ve

x
- ve

FIGURE 1.6
Continuous function: f (x) ¼ (x þ 5) (x5), f (x) ¼ 0 for x ¼ 5.

f(x) Discontinuous
function
+ ve

x
- ve

FIGURE 1.7
Discontinuous function: f (x) ¼ 1/(x5), f (x) ¼ a for x ¼ 5.

ΔP=f(D)

D1 D2 D3 D4 D

FIGURE 1.8
Discrete function: DP ¼ f (D).

(b) Monotonic functions

Monotonic functions can be increasing, nonincreasing, decreasing, and nonde-
creasing type as shown in Fig. 1.9. A function is termed to be monotonic increasing
along a path when f (x2) > f (x1) for x2 > x1. A function is said to be monotonic
 1.3 Basic concepts 9

(A)
f(x)

x1 x2 x
(B) .
f(x)

x1 x2 x

(C)
f(x)

x1 x2 x

(D)
f(x)

x1 x2 x

FIGURE 1.9
Monotonic functions. (A) Monotonic increasing; (B) monotonic nondecreasing;
(C) monotonic decreasing; and (D) monotonic nonincreasing.
10 CHAPTER 1 Basic features and concepts of optimization

nondecreasing when f(x2)  f(x1) for x2 > x1. A function is termed to be monotonic
decreasing when f(x2) < f(x1) for x2 > x1. A function is said to be monotonic nonin-
creasing when f(x2)  f(x1) for x2 > x1.
(c) Unimodal and multimodal functions
When the values of a function are plotted against its independent variables, the
function initially starts to increase up to a maximum and then falls away. Similarly,
the function may fall to a minimum and then increase for changes in its variable
values. Such functions are termed as unimodal functions. These functions possess
a local maximum or local minimum represented by a single peak as shown in
Fig. 1.10.
Functions with two peaks representing the maximum or minimum are called
bimodal functions. Functions with more than two peaks are referred as multimodal
functions. Such functions are shown in Fig. 1.11.
Unimodality: The interpretation of unimodality is useful in the application of
numerical search techniques. For one-dimensional case, the unimodality is defined
as




f x1;1 < f x1;2 < f x1 if x1;1 < x1;2 < x1



 (1.2)
f x1 > f x1;3 > f x1;4 if x1 < x1;3 < x1;4
This definition satisfies unimodality for maximum at x1 as shown in Fig. 1.12.
Similarly, unimodality for minimum can be defined as shown in Fig. 1.13.
(d) Convex and concave functions
Convex function: This function has a single peak denoting the minimum as
shown in Fig. 1.14.
The function f(x) is said to be convex if for any two points x1 and x2 in x over the
convex set for 0  a  1 such that
f ½ax2 þ ð1  aÞx1   af ðx2 Þ þ ð1  aÞf ðx1 Þ (1.3)

f(x)

ii

x
FIGURE 1.10
Unimodal functions: (i) one minimum, (ii) one maximum.
 1.3 Basic concepts 11

f(x) i

ii

x
FIGURE 1.11
Multimodal functions: (i) bimodal function, (ii) multimodal function.

f(x)

x11 x12 x1* x13 x14

FIGURE 1.12
Unimodality for maximum.

f(x)

x11 x12 x1* x13 x14

FIGURE 1.13
Unimodality for minimum.

f(x)

x* x
FIGURE 1.14
Convex function.
12 CHAPTER 1 Basic features and concepts of optimization

A convex set is the set in which every point in the interval joining the points x1
and x2 for 0  a  1 is defined by x ¼ (1a)x1 þ ax2. A convex function passes
below the straight line joining the points x1 and x2 as shown in Fig. 1.15.
Concave function: This function has a single peak representing the maximum as
shown in Fig. 1.16.
The function f(x) is said to be concave if for any two points x1 and x2 in x over the
set 0  a  1 such that
f ½ax2 þ ð1  aÞx1   af ðx2 Þ þ ð1  aÞf ðx1 Þ (1.4)
A concave set is the set in which every point in the interval joining the points x1
and x2 for 0  a  1 is defined by x ¼ (1  a)x1 þ ax2. A concave function passes
above the straight line joining the points x1 and x2 as shown in Fig. 1.17.

1.3.2 Interpretation of behavior of functions

(a) Increasing function and its first derivative
A function y ¼ f(x) is termed to be an increasing function if y increases with the
increase in x. If x takes the values of x1 and x2 in the given interval with x2 > x1, then
for an increasing function, f(x2) > f(x1), as shown in Fig. 1.18A.
The first derivative of an increasing function can be depicted from Fig. 1.18B. If
x and Dx be the values of x with their corresponding function values as y ¼ f(x) and

FIGURE 1.15
Convex function over the convex set.

f(x)

x* x
FIGURE 1.16
Concave function.
Another random document with
no related content on Scribd:
 kyllä huoli virttä tuopi, kaiho kantavi sanoja, mure virttä
muistuttavi, miel'alaset arveloita.

(Kanteletar II, 131).

Millaisessa suhteessa ovat sitten Kalevalan lauluissa luonto ja

ihminen keskenään? Pääseikka, joka on pohjana koko tälle
suhteelle, on se, että kansamme ei ole nähnyt ympärillään olevaa
luontoa kuolleena, vaan elollisena, ihmisen elämää ymmärtävänä,
sen tunteisiin, iloon ja suruun osaaottavana. Yksinäisyydessään on,
kuten Lönnrot sanoo, kansamme etsinyt seuralaisen luonnon
esineistä linnuista, kaloista, puista, kukista, kivistä, kannoista,
järvistä y.m., joille se on kuvitellut hengen ja elämän, mielen ja
kielen. Sellainen ajatus käy selvästi Kalevalankin runoista esille. Niin
valittaa Väinämöinen jouduttuaan vieraalle Pohjolan rannikolle siellä
puittenkin olevan hänelle tylyjä:

kaikki täällä puut purevi, kaikki havut hakkoavi, joka koivu

koikkoavi, joka leppä leikkoavi.

Ainoastaan tuuli ja päivä, jotka ovat samoja kuin kotiseuduillakin,

ovat hänelle tuttuja:

yks' on tuuli tuttuani,

näillä mailla vierahilla,
päivä ennen nähtyäni.
äkki-ouoilla ovilla.

(7, 259—266).

Samoin suree morsian, että hänen kotoa lähdettyään niin että

hänen kaikki muuttuu vieraaksi, niin että hänen joskus palatessaan
 muut ei tuntene minua kuin ne kaksi kappaletta alimmainen
aian vitsa, perimmäinen pellon seiväs, nuo on piennä
pistämäni, neitona vitsastamani.

(24, 407—412).

Tai miten kauniisti kuvaakaan runo sitä osanottoa, millä luonto

suree onnettoman Kullervon sisarensa turmelusta. Kun Kullervo
uudelleen tuli tuolle onnettomuuspaikalle, niin hän näki, miten

siin itki ihana nurmi, aho armahin valitti, nuoret heinät

hellitteli, kukutti kukat kanervan: eikä noussut nuori heinä,
kasvanut kanervan kukka ylennyt sialla sillä, tuolla paikalla
pahalla.

(36, 307—316).

Tällaisesta luonnon elonnoimisesta ei ollut pitkä askel ajatella

luontoa puhuvaksi olennoksi. Siksipä ihminen usein saattoikin
keskustella ja vaihtaa tunteita ja ajatuksia luonnon esineitten kanssa.
Miten monta kertaa esiintykään esim. lintu neuvonantajana ihmisen
toimissa. On esim. Väinämöinen kylvämässä löytämiänsä ohran
siemeniä, mutta ei vielä tunne, miten ne kasvaisivat. Silloin tirskuu
tiainen neuvon:

eipä nouse Osmon ohra, ei kasva Kalevalan kaura ilman

maan alistamatta, tuon tulella polttamatta, ilman kasken
kaatamatta,

(2, 252—256).

Tai kun Väinämöinen pyytää Pohjan impeä puolisokseen, kertoo

tämä kyntörastaan itselleen selittäneen minkälaista on olo impenä
isän kotona ja minkälaista miniänä miehelässä:

tiainenpa tieon antoi, kyntörastas raksahutti: valkea

kesäinen päivä, neitivalta valkeampi, vilu on
rautapakkasessa, vilumpi miniävalta; niin on neiti taattolassa
kuin marja hyvällä maalla, niin miniä miehelässä kuin on koira
kahlehissa, harvoin saapi orja lemmen, ei miniä milloinkana.

(8, 71—80).

Kullervolle taasen paimenessa ollen pikku lintu ilmoittaa:

jo oisi aika orjan syöä, isottoman illastella.

(33, 61—62).

Ja kun Kullervo sitten on katkaissut veitsensä emännän leipään

leipomaan kiveen ja hänessä kostonhenki herää, niin ehättää siihen
varis tuomaan kamalan neuvonsa:

ota vitsa vii'akosta, koivu korven notkelmosta, aja suolle

sontareijet, lehmät liejuhan levitä; kaikoa suet kokohon,
karhut kaikki katrahasen. suet pistä Pienikiksi, karhut kyytäksi
kyhäse, aja karjana kotihin — sillä maksat naisen naurun,
pahan vaimon parjaukset.

(33, 109—122).

Kokolta, ilman linnulta, Lemminkäinen kysyy äitiään, kun hän

saarelta palattuaan näkee kotinsa hävitetyksi ja omaisensa
kadonneiksi:
 oi sie kokko lintuseni, etkö saattaisi sanoa, miss' on entinen
emoni, missä kaunis kantajani, ihana imettäjäni.

(29, 486—490).

Mutta »ei kokko mitänä muista, eikä tunne tuhma lintu».

Molemminpuolista hyväntahtoisuutta osoittaa Väinämöisen ja

kokon välinen keskustelu. Väinämöinen oli tiaisen neuvosta kaatanut
kasken ja jättänyt yhden koivun kasvamaan. Tulee kokko ja kysyy:

miksipä on tuo jätetty koivahainen kaatamatta, puu sorea

sortamatta?

Väinämöinen selittää sen jätetyksi:

lintujen lepeämäksi kokon ilman istumiksi.

Kiitollinen kokko lausuu:

hyvinpä sinäki laait, heitit koivun kasvamahan, puun sorean

seisomahan, linnuille lepeämäksi, itselleni istumiksi

(2, 268—280).

ja palkaksi sytyttää Väinämöisen kasken tuleen.

Eivätkä ainoastaan linnut, vaan muutkin eläimet haastelevat ja

tuntevat. Aino neidon kuolemasta tuo jänis ensimäisenä
surusanoman kotiväelle:

jop' on kaunis kaatununna, tinarinta riutununna, sortunna

hopeasolki, vyövaski valahtanunna, mennyt lietohon
 merehen, alle aavojen syvien, sisareksi Siikasille, veikoksi
veen kaloille.

(4, 427—434).

Marjatta neito taasen kuulee aholla kävellessään, miten puolukka

pyytää häntä poimijakseen:

tule neiti noppimahan, punaposki poimimahan, tinarinta

riipomahan, vyövaski valitsemahan, ennenkuin etana syöpi,
mato musta muikkoavi.

(50, 83—88).

Ja kun Marjatta-neidon poika sitten on kadonnut ja hän sitä etsii,

niin tähdeltä, kuulta ja päivältä hän tiedustelee lastansa. Päivä sen
taitaakin ilmaista:

tuoll' on pieni poikuesi, kultainen omenuesi, onp' on suossa

suonivyöstä, kankahassa kainaloista.

(50, 417—420).

Samoin Lemminkäisen äiti etsiessään poikaansa, joka

Pohjolanmatkalla oli joutunut turmion omaksi, kyseli häntä puilta.
Mutta

puu puheli, honka huokui, tammi taiten vastaeli: on huolta

itsestänikin huolimatta poiastasi.

Eivät myöskään tie eikä kuu tienneet, mihin Lemminkäinen oli

joutunut ja vasta päivän valpas silmä oli nähnyt, että hän oli
 kaotettu, kuoletettu Tuonen mustahan jokehen, Manalan
ikivetehen.

(15, 131—190.)

Niinikään kun Kullervon äiti etsi marjatielle eksynyttä tytärtään ja

huhuten juoksi metsät ja mäet, niin vuoret ja kankaat hänelle
antoivat lohduttoman vastauksen:

elä huua tyttöäsi, elä huua hoilaele! Ei se saa sinä ikänä, ei

paloa polvenansa emon entisen tiloille, taaton vanhan
valkamoille.

(34, 241—246).

Itse tiesivät haapa ja honkakin ilmoittaa, että ne ovat onteloita ja

madonsyömiä, kun Sampsa Pellervoinen aikoi ne venepuiksi kaataa.
Tammesta tuli sitävastoin ehyt ja kunnollinen vene:

on vainen minussa puuta emäksi yhen venosen, enk' ole

hoikka huolainniekka, enkä ontelo sisältä.

(16, 79—82).

Onpa esimerkkejä, että ihmiskädenkin tekemillä »kuolleilla»

esineillä on tunnetta ja puhekykyä. Kun Kullervo tahtoi päättää
onnettoman elämänsä, niin hän kysyi miekaltansa, söisikö se
syyllistä lihaa, joisiko viallista verta, niin ymmärsi miekka miehen
mielen ja vastasi

miksi en söisi mielelläni, söisi syyllistä lihoa, viallista verta

joisi, syön lihoa syyttömänki, juon verta viattomanki.
 (36, 330—334).

Kenen mieleen ei tässä vihdoin johtuisi ihanat veneen ja koivun

valitukset. Väinämöinen ja Ilmarinen ovat matkalla Pohjolaan, kun
kuulevat rannalta vienoa valitusta. Väinämöinen arvelee, että siellä
on impi itkemässä, kana kaikerrehtamassa ja menee sitä lähempää
katsomaan. Mutta ei siellä impeä olekaan, vaan on pursi itkemässä,
venonen valittamassa. »Mitä itket puinen pursi, vene hankava
valitat?» kysyy Väinämöinen. — »Vesille venosen mieli tervaisiltakin
teloilta, mieli neidon miehelähän korkeastakin kodista», sanoo vene
ja jatkaa:

sitä itken pursi raukka, itken viejäistä vesille, vene

vaivainen valitan, laskiaista lainehille.

Veistettäissä oli minusta kehuttu tehtävän sotivene, joka täytensä

tuo aarteita. Mutta minuapa ei ole sotahan saatu, elotielle ensinkänä.
Muut purret, huonotkin, käyvät sotia, tuovat aarteita; minä tässä
lahoan lastuillani. Ilkeimmät ilman linnut pesivät mastossani, maan
matoset kaarien alla asuvat ja sammakot hyppivät kokassani.
Siksipä minulle todellakin

oisi kahta kaunihimpi, kahta kolmea parempi olla mäntynä

mäellä, petäjänä kankahalla, oksilla oravan juosta, penun alla
pyörähellä.

— Elä itke puinen pursi, kohta saat sotia käydä, lohduttaa

Väinämöinen purtta ja lupaa ottaa sen sotiveneekseen nyt aijotulle
Pohjolanretkelle. Mutta kun hän pyytää, että se itsestään menisi
veteen ja juoksisi laineilla ilman airojen apua, sanoo pursi, etteivät
muutkaan veneet itsestään veteen mene ilman käden työntämättä,
eivätkä juokse airoilla auttamatta. Mutta soutaen se lupaa kulkea
kuten sen sukulaisetkin, muut veneet

juoksi sormin soutamalla, airoilla avittamalla, huuparilla

huopimalla, puhumalla purjehesen.

(39, 151—256).

Äskeisellä Pohjolanmatkalla oli Väinämöiseltä hukkunut

hauvinluinen kanteleensa. Turhaan sitä etsittyään hän alla päin,
pahoilla mielin kotiinpäin kulkiessaan kuulee koivun itkevän, puun
visan vetistävän.

Mit itket ihana koivu,

puu vihanta vierettelet,
vyöhyt valkea valitat?

Sitä koivu selittää itkevänsä, koska kaikki muut toivovat kesän

kaunihin tulevan, suven suuren lämpiävän, vaan hänen täytyy pelätä
silloin menettävän kuorensa ja lehtivarpunsa:

useinpa minun utuisen, usein utuisen raukan, lapset

kerkeän keväimen luokseni lähenteleiksi, veitsin viisin
viiltelevät halki mahlaisen mahani; paimenet pahat kesällä
vievät vyöni valkeaisen, ken lipiksi, ken tupeksi, kenpä
marjatuohiseksi.

Toisinaan taasen tytöt tulevat leikkelemään lehväni kylpyvihdoiksi,

tai miehet hakkaamaan kaskipuuksi runkoni tai pinoon halkomaan.
Se on minulla ilo kesästä; eikä talvi ole sen parempi, lumen aika
armahampi: jo aikaisin syksyllä tulevaa talvea peläten käyn
kalpeaksi ja vihdoin
 tuuli vie vihannan turkin, halla kaunihin hamehen, niin minä
vähävarainen, minä koito koivuraukka jään aivan alastomaksi,
varsin vaattehettomaksi vilussa värisemähän, pakkasessa
parkumahan.

Uusi ajatus syntyy Väinämöiselle mieleen:

elä itke puu vihanta, vyöhyt valkea valita, vesa lehti

vierettele, saat sinä olevan onnen, elon uuen armahamman,
kohta itkenet ilosta, riemusta remahutellet.

(44, 84—166).

Ja hän tekee koivusta uuden kanteleen, johon käen kukkumasta

kullasta saadaan naulat ja immen nuoren hiuksista kielet. Sillä
Väinämöinen soittaa ja lumoaa koko luonnon, joka on keräytynyt
hänen ympärilleen.

Ihminen seurustelee Kalevalassa luonnon kanssa. Luonnossa hän

näki vertaisensa, joka häntä ymmärsi. Se ei ollut kuollutta, se kuului
hänen jokapäiväiseen elämäänsä niinkuin siihen kuului hänen
kotinsa, omaisensa, kanssaihmisensä. Eikö ole silloin luonnollista,
että ihminen ajatellessaan elämänsä kulkua myös ajatteli sitä
luontoa, mikä oli hänen ympärillään; että hän kuvitellessaan kotiaan
siihen aina liitti kotimäet ja metsät, järvet ja kankaat, linnut ja
päivänpaisteen. Ne olivat kaikki hänen mielessään läheisesti
toisiinsa kuuluvia. Niinpä Väinämöinen pyrkiessään Pohjolasta
takaisin kotiinsa tahtoi päästä:

oman peltonsa perille, oman käen kukkumille, oman linnun

laulamille.
 (7, 298—300).

Lujan kiintymyksen kotinsa luontoon ilmaisee Pohjan neitokin kun

hän esteleikse menemästä Ilmariselle puolisoksi:

kukapa tässä toissa vuonna, kenpä kolmanna kesänä käkiä

kukutteleisi, lintusia laulattaisi, jos minä menisin muunne,
saisin marja muille maille; kaikki käet katoisi, ilolinnut
liikahtaisi tämän kunnahan kukuilta, tämän harjun hartehilta.

Eikä hän muka muutenkaan jouda, on paljon kesäisiä kiireitä:

marjat on maalla poimimatta, lahen rannat laulamatta,

astumattani ahoset, lehot leikin lyömättäni.

(10, 441—462).

Kun Aino-neito ei vielä tahtoisi poistua kotoaan tullakseen

Väinämöisen puolisoksi, hän sanoo kaiken ikänsä itkevänsä:

tuota päivän armautta, suloutta kuun komean, ihanuutta

ilman kaiken, jos oisi nuorna jättäminen, lapsena
unohtaminen veikon veistotanterille, ison ikkunan aloille.

Äiti kuitenkin lohduttaa häntä, että muuallakin maailmassa on

samat olot saavutettavissa, samat tutut tavattavissa:

paistavi Jumalan päivä muuallaki maailmassa ei isosi

ikkunoilla, veikkosi veräjän suulla, myös on marjoja mäellä,
ahomailla mansikoita poimia sinun poloisen ilmassa
etempänäki, ei aina ison ahoilla, veikon viertokankahilla.

(3, 557—580).
 Morsian, joka lähtee miehelään, muistaa vanhan kotinsa mukana
täytyvänsä jättää myös kotinsa tutun ympäristön:

lähen nyt tästä kuin lähenki, tästä kullasta koista — heitän

suoni, heitän maani, heitän heinikkopihani, heitän valkeat
veteni, heitän hiekkarantaseni.

(24, 363—370).

Siksipä hän hyvästellessään omaisiansa ja tuttaviansa ei unohda

sanoa hyvästiä pihalle ja puille, järvelle ja metsälle:

jääpä piha terveheksi, piha pihlajaisinesi — jätän kaikki

terveheksi, maat ja metsät marjoinensa, kujavieret
kukkinensa, kankahat kanervinensa, järvet saoin saarinensa,
syvät salmet siikoinensa, hyvät kummut kuusinensa,
korpinotkot koivuinensa.

(24, 451—462).

Eipä jätäkään siis morsianta itkettääkseen akka askarvaimo

mainitsematta, miten hänen täytyy nyt vaihtaa kotinsa ihana luonto
uuteen, joka muka entiseen verraten on kokonaan vastenmielinen:

jo nyt vaihoit, minkä vaihoit — vaihoit valkeat vetesi

likasihin lietehisin, vaihoit hiekkarantasesi mustihin
muraperihin, vaihoit armahat ahosi kanervikko kankahisin,
vaihoit marjaiset mäkesi kaskikantoihin kovihin.

(22, 285—292).

Lemminkäiselle, joka saarelta palattuaan näkee kotinsa

hävitetyksi, on kuitenkin tuttua jälellä:
 tunsi maat on, tunsi rannat, sekä saaret, jotta salmet, tunsi
vanhat valkamansa, entiset elosiansa; mäet tunsi
mäntyinensä, kunnaat kaikki kuusinensa.

Ja hänen mielensä heltyy muistellessaan että

tuos on lehto, jossa liikuin, kivet tuossa, joilla kiikuin, tuossa

nurmet nukkeroimat, pientarehet piehtaroimat.

(29, 455—472).

Kauniin ja rikkaan luonnon ympäröimäksi siis suomalainen toivoo

kotinsa:

ohoh kullaista kyläistä, maan paraista paikaistani! nurmet

alla, pellot päällä, keskellä kylä välillä, kylän alla armas ranta,
rannassa rakas vetonen, se sopivi sorsan uia, vesilinnun
vieretellä.

(25, 375—382).

Eikö sitten näin elävästä luonnon kanssa seurustelemisesta ole

täytynyt jäädä jotakin pysyvää vaikutusta tai näkyvää jälkeä kansalle.
On toki. Suuren luonnontuntemuksensa kansa on ilmaissut
runojensa kuvakielessä, se on useimmat vertauskuvansa ottanut
eläimistä, kasveista, vedestä, vuoden ja vuorokauden ajoista j.n.e.
Lemminkäisen äiti kiittää poikansa nuorta vaimoa Kyllikkiä
vertaamalla häntä lintuihin, meren vaahtoon ja taivaan tähteen:

puhdas on pulmonen lumella, puhtahampi puolellasi, sorea

merellä sorsa, soreampi suojassasi, valkea merellä vaahti,
kirkas tähti taivahalla, valkeampi vallassasi, kirkkahampi
kihloissasi.
 (11, 385—392).

Ilmarisen äiti taasen kuvaa poikansa puolisoa, joka »on kuin puola
puolikypsä, kuin on mansikka mäellä»:

toit käkösen tullessasi, sinisotkan suojassasi, vihannimman

virven latvan vihannasta virviköstä, tuorehimman tuomen
lehvän tuorehesta tuomikosta.

(25, 237—242).

Ja tämän morsiamen toimellisuuskin oli tunnettu, sillä

niin sen piukki pirran ääni kuin käki mäellä kukkui, niin sen
käämi käännähteli kuin on portimo pinossa, niin sen suihki
sukkulainen kuin käpy oravan suussa.

(24, 35—40).

Ihmisen mielialatkin löytävät vertauskuvansa luonnosta.

Onnellisen ihmisen mieli on

kuin on vellova vetonen eli aalto altahassa; kuin keväinen

päivännousu, kevätaamun aurinkoinen.

Mikä on surullisen mieli?

kuin on hanki harjan alla, vesi kaivossa syvässä; on kuin

laaka lammin ranta, kuin pimeä pilven ranta, kuin syksyinen
yö pimeä, talvinen on päivä musta.

Turvaton ihminen taasen tuntee elämänsä sellaiseksi kuin lintu

suuressa myrskyssä tai kuin se, joka kulkee heikkoa keväistä jäätä
j.n.e.
 Emme myöskään saa unohtaa niitä monia teräviä havaintoja, joita
Kalevalan kansa on luontoa tarkkaamalla tehnyt ja joista se on
kerännyt itselleen runsaan tietomäärän. Luonto onkin ollut sen
ensimäinen ja suuri opettaja. Luonnosta ensiksi etsii Väinämöinen
apua, kun häneltä venettä veistäissään puuttuu kolmea sanaa.
Luonnosta saatuja tietojaan laulaa Joukahainen ollessaan
Väinämöisen kanssa kilpasilla. Hän on oppinut tuntemaan, että

siiall' on sileät pellot, lohella laki tasainen, hauki hallalla

kutevi, kuolasuu kovalla säällä, ahven arka kyrmyniska
sykysyt syvillä uipi, kesät kuivilla kutevi rantasilla rapsehtivi.

Hän tietää veden lähtevän vuoresta ja tulen taivaasta, hän tuntee

myös metallin alun:

vuoresta vetosen synty, tulen synty taivosesta, alku rauan

ruostehesta, vasken kanta kalliosta.

Ensimäiseksi lääkkeeksi on hän oppinut käyttämään vettä:

vesi vanhin voitehista, kosken kuohu katselusta.

Otavan asemasta taivaalla ja kukon laulannasta neuvotaan nuorta

vaimoa katsomaan aamuisin heräämisaikansa (kts. Kalevalaisten
kotielämästä). Auringosta Kullervo paimenessa katsoo pitkän
päivänsä kulumista.

Mutta vaikka ei Kalevalassa olekaan runsaasti tällaisia tietoja, on

niitä sitä enemmän kätketty sananlaskuihin. Toisinaan niissä
pitkäaikaisten merkillepanojen tuloksena ilmaistaan eri
vuodenaikoihin kuuluvia ilmojen vaihteluita ja muita kokemuksia.
Niinpä on huomattu, että elokuun loppupuolesta eteenpäin hallat
ovat yleensä säännöllisiä ja kaste peittää maan. »Päivän Perttelin
perästä (24. VII) ei lopu halla haon takaa, eikä kaste metsän
kainalosta». Heinäkuun lopussa vesi alkaa järvissä ja joissa kylmetä:
Jaakko (25. VII) heittää kylmän kiven järveen.» Kevään tuloa
koetetaan arvailla lintujen saapumisesta: Kuu kiurusta kesään, puoli
kuuta peipposesta, västäräkistä viikon verran, pääskysestä ei
päivääkään». — Toisissa sananlaskuissa taasen yhdistetään erilaisia
ihmistoimia samanaikaisiin luonnonmerkkeihin. Niinpä aletaan valoa
tarvita pirtissä silloin, kun ruiskykkä ilmestyy pellolle: »Kykkä pellolle,
päre orrelle». Käen tiedetään kukkuvan vielä heinänteon, vaan ei
enää rukiinleikkuun ajalla: »Laulan, laulan lapoholle, vaan en kuku
kuhilaalle». Viljan leikkuu taasen sattuu yleensä samaan aikaan kun
puolukat alkavat kypsyä: »Kun on puola puolikypsä, niin on pelto
kokokypsä.» Sensijaan nauris vasta kasvaa, kun jo ensimäisiä riihiä
elokuussa puidaan: »Nauris kasvaa, kun lupun äänen kuulee.» —
Monenmoisia havaintoja on ilmojen vaihteluun: »Ei kaakko kauvan
tuule, ennenkuin se sataa»; »ehtoorusko entistä ilmaa»; »suojiksihan
koiran käpäliä palelee»; »kukko laulaa iltasittain pahaa säätä
huomiseksi» j.n.e. Mutta ei ole tyydytty vain lähinnä seuraavien
ilmojen määräilemiseen, vaan on koetettu arvata niitten laatua pitkin
vuoden vartta eteenpäin. On oltu huomaavinaan esim., että jos
aikaisin kevättalvella on lämpimiä ilmoja, niin kevät on kylmä: Kun
kintaitta halkoja tekee, niin kintaissa toukoa tekee» y.m. Riittäkööt jo
nämä näytteiksi, jokainen voi omasta varastostaan niitä lisätä.
KANSANRUNOUDEN KERÄYS JA
YHDISTÄMINEN KALEVALAKSI

Esittänyt Väinö Salminen

Suomalaisen kansanrunouden keräyksillä on oma historiansa,

joka alkoi jo kauan ennen kuin Kalevalasta oli aavistustakaan. Se
kertoo, miten vähitellen tehtiin uusia löytöjä ja miten uusien aarteiden
mukana aukeni uusia näköaloja, kunnes vihdoin saatiin
kokoonpunotuksi Kalevala.

Kansanrunous oli suomalaiselle hengelle jotakin niin olennaista,

että jo ne miehet, jotka ensimäisinä ryhtyivät suomen kielellä
kirjoittamaan, siihen huomiotansa kiinnittivät. Jo Mikael Agricola
puhuu suomalaisesta kansanrunoudesta; ja ensimäisen
suomenkielisen virsikirjan julkaisija Jaakko Suomalainen (Finno),
selvitteli 1580-luvulla, että itse piru se on, joka kansan seassa
»ylösherätti mös hänen runoians ja lauluians, — nijn että he kyllä
äkist ja selwäst wirsiä cocon saidh ja teidh, iotca sittä muilda
nopiamin mös opettin ia muiston pantin, quin nyt Jumaliset ja
Christiliset wirdhet opetan ia muistetan». Mutta näytteitä runoudesta
eivät nuo uskonnolliset kirjailijat anna.
 Kun tahdomme tutustua vanhimpiin kirjallisiin muistomerkkeihin
kansanrunoudestamme, saamme lähteä tutkiskelemaan
käräjäpöytäkirjoja. Kristillinen kirkko, jonka lukuja ja lauluja kansa
käsitti väärin ja muovaili loitsurunoiksi, sai esivallan etsimään
loihtijoita, rikollisina heitä rangaistaksensa. 1600-luvun alkupuolelta
käräjäpöytäkirjoissa säilyneet loitsut ovat joskus kalliilla hinnalla
säilytettyjä jälkimaailmalle, ne ovat »tietäjien» kidutuksella, jopa
hengellä ostettuja.

Varsinaisesta kansanrunouden keräämisestä voi puhua vasta

silloin kun tiedemiesten huomio oli runoihin kiintynyt, kun he alkoivat
niistä etsiä tietoja kansamme muinaisista vaiheista. Daniel Juslenius
oli se mies, joka ensimäisenä käänsi yleisempää huomiota
suomalaiseen kansanrunouteen.

Väitöskirjassaan »Ahoa vetus et nova» (Vanha ja uusi Turku,

ilmestyi v. 1700) hän huomauttaa, että talonpojat harjoittivat
runoilemista yhtä hyvin kuin oppineet, vaikka heitä ei runoilijoiksi
kasvateta, he ovat siksi syntyneet, ja esittää hän tässä sekä muissa
kirjoitelmissaan muutamia kansanrunoja. Jusleniuksen keräämät
runot hävisivät tulipalossa, mutta hänen kirjoituksensa innostuttivat
monia keräämään ja tutkimaan kaikkea mikä koski Suomen kansan
menneisyyttä. Jusleniuksen vaikutuksesta ehkä heräsi harrastus
suomalaiseen runouteen miehessä, jonka nimi aina on mainittava
ensimäisenä, kansanrunouden tutkimuksesta ja keräyksestä meillä
puhuttaessa, nimittäin Henrik Gabriel Porthanissa.
Syntymäseudullaan Viitasaarella hän oli kaiketi jo lapsena monesti
saanut nukahtaa hiljaisen runovirren hyräilyyn. Matkoillaan hän usein
kuuli talonpoikaisjoukkueiden lauluilla aikaansa viettävän
levähdyspaikoilla. Kun hän sitte miehistyttyään luki Jusleniuksen
(Porthan oli Jusleniuksen veljentyttären poika) suomen kieltä ja
kansanrunoutta ylistäviä kirjoituksia, muistuivat mieleen nuo lapsena
kuullut laulut, niissä pulppuileva raikas kieli ja omituinen sävy, ja niin
heräsi innostuneessa halu näyttää kansallisuudestaan
välinpitämättömälle vallassäädylle, mitä kauneuksia oli kätkettynä
suomenkieleen ja kansanrunouteen. Hän muovaili suomalaisesta
runoudesta väitöskirjan »Dissertatio de poesi Fennica» (tutkielma
suomalaisesta runoudesta), jota 1766-68 ilmestyi kaikkiaan viisi
osaa. Se on runousoppi, jossa tekijä hyvällä suomalaisella
kieliaistillaan ja kansanrunoudesta ammentamillaan virkeillä
aineksilla koettaa johdatella sivistyneitä sointuvampia taiderunoja
sepittämään ja samalla kansanrunoja ymmärtämään. »Sillä en katso
häpeäksi vain sitä», sanoi Porthan »että synnynnäinen suomalainen
ei tunne runouttamme, vaan sitäkin, ettei hän ymmärrä sitä ihailla».
Aineksia keräsi Porthan itse matkoillaan, etenkin Savossa, mutta
ymmärsi myös ystävillään keräyttää. Hän viittoili varsinaisiksi runojen
saantipaikoiksi Pohjanmaan, Kajaanin kihlakunnan, Savon ja
Karjalan. Kun itse siirtyi muita aloja tutkimaan, kasvatti hän itselleen
oppilaita, jotka olivat valmiit tutkimuksia jatkamaan. Eräs oppilaista,
Kristian Lencqvist ehkä kokosi itse aineksia, mutta sai joukon runoja
isältään ja Porthanilta, jonka ohjauksella kirjoitti väitöskirjan
muinaisten suomalaisten mytologiasta. Ahkerin tämän aikakauden
kerääjistä oli Kristjrid Ganander. Vaatimattomana kappalaisena
Pohjanmaalla kiintyi Porthanin tutkimuksista hänenkin huomionsa
siihen, että runoja on: »ylönpaljon ylimaassa, sakialta Savonmaassa,
pitkin koko Pohjolata». Parin vuosikymmenen kuluessa
keräämistään aineksista hän laati suomalaisen mytologian, jolla tosin
ei ole suurta tieteellistä arvoa, mutta siinä on säilynyt monta
runonäytettä.

Porthanin kuoltua lakkasi joksikin aikaa kansantietojen keräily- ja

tutkimisinto. Suomi oli astunut uusille valtiollisille urille. Kaikki tieteet
ja koko henkinen elämä olivat jonkun aikaa lamassa,
virkamieskoneisto vain toimi. Kansallisuudestaan vieraantuneesta
vallassäädystä ei voinut odottaa suomalaisen (suomenkielisen)
sivistyksen luojia. Oli astuva esille uusi, tarmokas, kansan riveistä
noussut polvi.

Porvoon lukiolainen, Iitistä kotoisin oleva suutarin poika, Antti

Juhana Sjögren, lainasi kirjastosta Herderin kirjoituksia. Niistä
huomasi hän ensi kerran, että muualla maailmassa koottiin
kansanlauluja ikäänkuin suuria aarteita talteen ja julkaistiin. Hän
näki, että esim. Saksassa oli julkaistu pari kokoelmaa, jotka
sisälsivät kansanlauluja eri kielillä ja että niissä oli näytteitä vieraiden
kansojenkin runoudesta, josta kaikui ikäänkuin »kansakuntien,
vieläpä itse ihmiskunnan elävä ääni — iloisena ja surullisena,
leikillisenä sekä totisena». Lukiotoverinsa ja ystävänsä Abraham
Poppiuksen kanssa hän päätti »kädellä ja suulla», että he
molemmat, jollei kukaan muu, seuraisivat Herderin aatteita ja
kokoisivat kaikkea, mikä valaisisi Suomen kansan henkistä elämää.
Itse ei Sjögren noita unelmia päässyt toteuttamaan ennenkuin
runsaan vuosikymmenen viertyä siitä ajasta, jolloin hän tuon aatteen
oli keksinyt. Vasta vuosina 1824—25 hän joutui matkoille Suomen
Karjalaan ja Vienan lääniin, josta keräsi rikkaan kokoelman
kansanrunoutta, n. 200 runoa, jotka Lönnrot käytti vasta uuteen
Kalevalaan. Mutta hän ei ollut turhaan haaveillut, sillä Poppius
kirjoitti jo 1814 ollessaan kesälomalla Juvalla muistiin runoja ja
Sjögrenin aate innostutti vielä samana vuonna toisenkin
nuorukaisen, ylioppilas Kaarle Akseli Gottlundin, itsepäisen miehen,
joka ryhtyi keräyksiin sellaisella innolla, ettei kukaan ennen
Lönnrotia. Kesällä 1815 ja seuraavan syksyn ja talven kuluessa sai
hän kirjoitetuksi n. 150 loitsua, 100 runoa sekä saman verran lauluja.
Seuraavana vuonna joutui Gottlund Upsalaan opintojaan jatkamaan.
Siellä avautuivat hänen silmänsä, samoinkuin Poppiuksen ja
Arvidsoninkin, näkemään, että ruotsalainen kulttuuri oli suomalaiselle
vierasta, että suomalaisten oli luotava oma sivistys, jos mielivät
pysyä omana kansakuntana.

Seikkailuhaluisena, kunnianhimoisena ylioppilaana, joka oli

päättänyt kohottaa heimonsa ja sen keralla omankin nimensä
maineeseen, teki Gottlund vv. 1817 ja 1821—22 monivaiheiset
matkansa Helsinglannin, Taalain ja Värmlannin suomalaismetsiin.
Hän kokosi metsäsuomalaisilta m.m. toista sataa numeroa
kansanrunoutta. Heitä varten julkaisi hän ensimäiset suomalaiset
yksinomaan kansanrunoutta sisältävät kirjaset »Pieniä runoja
Suomen pojille ratoxi». Gottlund myös ensimäisenä ennusti, että jos
vanhat runot »kerättäisiin järjesteelliseksi kokonaisuudeksi — niin
siitä syntyisi uusi Homeron, Ossianin laulujen tai Niebelungenlieden
vertainen teos, jolla Suomen kansa omituisen luomisvoimansa
loistossa saavuttaisi sekä oman että vastaisen ajan ihmettelemisen».
Eeposta ei Gottlund luonut, mutta suuret runoaarteet hän keräsi —
kaikkiaan yhdeksättä sataa toisintoa — vieläpä oli saksalaiselle tri
Schröterille avullinen saattamaan runojamme ulkomaalaistenkin
tietoon.

Suomalaisuuden esitaistelija Aadolf Iivar Arvidsson piti yhtenä

kansallisena velvollisuutenaan kerätä suomalaista kansanrunoutta,
sillä hän oli vakuutettu, että kirjakieli siitä rikastuisi. Ystävänsä Eerik
Antti Crohnsin kanssa, joka oli jo aikaisemminkin kerännyt runoja,
lähti hän v. 1819 Pohjois-Savoon runonkeruumatkalle. Tietäjiä he
enimmäkseen tavottelivat ja toivatkin saaliinaan n. 125 runoa.

Samana vuonna liikkui äärimäisillä pohjan perukoilla kieltä ja

kansanrunoutta tutkimassa Reinhold v. Becker. Seuraavana vuonna