Optimización lineal entera mixta
|
|
- Yolanda Ferreyra Zúñiga
- hace 7 años
- Vistas:
Transcripción
1 Optimización lineal entera mita Andrés Ramos Universidad Pontificia Comillas
2 CONTENIDO INTRODUCCIÓN MÉTODOS DE SOLUCIÓN MÉTODO DE RAMIFICACIÓN Y ACOTAMIENTO DUALITY (master) PREPROCESSING (master) BRANCH AND CUT METHOD (master) Optimización lineal entera mita - 1
3 Mied integer programming problem (MIP) Man times we need integer or binar variables. Some decisions can not be modeled with continuous variables Investment decisions Connection of a machine Location of a warehouse Selection of a product Where do ou appl radiotherap to maimize the impact on cancerous cells and minimize the damage to other cells? Optimización lineal entera mita -
4 Introducción Un problema de programación lineal entero mito (MIP) es un problema lineal (LP) con algunas variables enteras Programación lineal entera mita (MILP) R +, Z + Programación entera pura (PIP) Z + Programación binaria (0-1 MIP, 0-1 IP, BIP) {0,1}: variables de asignación, lógicas Son más difíciles de resolver que los problemas LP Primer algoritmo de resolución se formuló por Ralph Gomor en 1958 Optimización lineal entera mita - 3
5 CONTENIDO INTRODUCCIÓN MÉTODOS DE SOLUCIÓN MÉTODO DE RAMIFICACIÓN Y ACOTAMIENTO DUALITY (master) PREPROCESSING (master) BRANCH AND CUT METHOD (master) Optimización lineal entera mita - 4
6 Métodos de solución Relajación lineal discretización Enumeración ehaustiva Ramificación acotamiento (branch and bound) Método de los planos de corte Ramificación corte (branch and cut) Optimización lineal entera mita - 5
7 Relajación lineal discretización (i) Problema relajado: aquél donde a las variables enteras se les permite tomar valores reales Si la solución cumple las condiciones de integralidad entonces es el óptimo del problema entero Politopo entero: todos los puntos etremos son enteros. Coincide con la envoltura convea de las soluciones. Es entero si la matriz A es totalmente unimodular (toda submatriz cuadrada tiene determinante 1, 0 ó -1). Problema de transporte, asignación, flujo de coste mínimo. Politopo NO entero Optimización lineal entera mita - 6
8 Relajación lineal discretización (ii) La solución de un problema entero NO es necesariamente la solución del problema relajado discretizada heurísticamente (redondeada a los valores enteros más próimos). Solución aproimada si las variables enteras toman valores elevados Posible pérdida de optimalidad Posible pérdida de factibilidad Los métodos metaheurísticos son una alternativa a los de programación matemática (algoritmos genéticos, búsqueda heurística, etc.) Optimización lineal entera mita - 7
9 Discretización: pérdida de factibilidad ma , 0 i Z 1 + = 3.5 Óptimo LP 1 + = 0.5 Heurístico Óptimo IP 1 Solución LP: (1.5,) Soluciones discretizadas: (1,) o bien (,), resultan infactibles Soluciones enteras óptimas: (1,1) o bien (,1) Optimización lineal entera mita - 8
10 Discretización: pérdida de optimalidad ma , 0 i Z Óptimo IP Óptimo LP + 10 = 0 1 Heurístico 1 = 1 Solución LP: (,9/5) Solución discretizada: (,1) Solución entera óptima: (0,) Optimización lineal entera mita - 9
11 Enumeración ehaustiva No es viable, debido a que el número de soluciones crece eponencialmente En un problema BIP de n variables ha n posibles soluciones Optimización lineal entera mita - 10
12 Métodos de solución Pérdida de conveidad de la región factible. Los puntos de su interior no se pueden poner como combinación lineal convea de sus puntos etremos. Pérdida de la potencia matemática asociada a variables continuas (derivadas, condiciones de optimalidad, sensibilidades, etc.). La solución de un problema MIP es más difícil que la de un problema LP. Requiere más tiempo de cálculo más requisitos de memoria. Optimización lineal entera mita - 11
13 CONTENIDO INTRODUCCIÓN MÉTODOS DE SOLUCIÓN MÉTODO DE RAMIFICACIÓN Y ACOTAMIENTO DUALITY (master) PREPROCESSING (master) BRANCH AND CUT METHOD (master) Optimización lineal entera mita - 1
14 Método de ramificación acotamiento (branch and bound) Enumeración implícita de las soluciones enteras factibles. Utiliza el principio de divide vencerás. Divide (ramifica) el conjunto de soluciones enteras en subconjuntos disjuntos cada vez menores. Determina (acota) el valor de la mejor solución del subconjunto. En problema de maimización una cota inferior de la solución óptima de un problema MIP es la maor solución entera factible encontrada hasta el momento. En problema de maimización una cota superior de la solución óptima de un problema MIP es la solución óptima del problema lineal relajado RMIP o LP. Poda (elimina) la rama del árbol si la cota indica que no puede contener la solución óptima. Optimización lineal entera mita - 13
15 Procedimiento (i) 1. Inicialización Inicializa la cota superior de la f.o. maimización, en problemas de Resolver una relajación del problema (habitualmente la lineal, aunque pueden usarse otras). Éste es el nodo raíz. Aplicar acotamiento o poda criterio de optimalidad al problema completo. Si no se puede etiquetar el problema como no podado, comienza una iteración completa.. Iteración Ramificación * z = Seleccionar uno de los nodos entre los no eplorados (nodos restantes). Ver criterios de selección Seleccionar una variable entera que tenga valor continuo en la solución óptima del nodo relajado. Ver criterios de selección Optimización lineal entera mita - 14
16 Procedimiento (ii) j * Sea el valor óptimo en el problema relajado * Se ramifica en dos ramas incorporando las restricciones j j * j j + 1 * * siendo la parte entera de j j Para variables binarias es fijar el valor de la variable a 0 ó a 1. No se puede repetir la ramificación. Cada vez que se ramifica se añade una restricción (análisis de sensibilidad mediante el método simple dual). El problema primal resulta infactible. El problema dual resulta factible pero no óptimo. Cada rama elimina la solución óptima del problema anterior. Acotamiento Para cada nodo se obtiene su f.o.. z Optimización lineal entera mita - 15
17 Procedimiento (ii) Poda Se intentan eliminar nodos (ramas) del árbol. Aplicar los siguientes criterios de poda para un problema de maimización: * z z 1. Solución (entera o no) peor que la solución entera actual, siendo el valor de la función objetivo para la solución entera actual. Se poda la rama.. Solución entera mejor que la actual. nueva solución entera actual Se aplica el criterio 1 a todos los nodos no podados con la nueva solución entera actual. 3. Infactible. Se poda la rama. 3. Criterio de optimalidad Parar cuando no eistan nodos sin analizar. La solución entera actual es la óptima. Si no, realizar otra iteración. z > z * z * = z z * Optimización lineal entera mita - 16
18 Ejemplo ma z = j j j = 1,,4 enteras j = 1,,3 Optimización lineal entera mita - 17
19 Resolución (i) 1. Inicialización Se resuelve el problema LP relajado. Iteración 1 Se ramifica con la primera variable que debiera ser entera no lo es,. Rama 1: Cualquier solución descendiente tendrá 1 1 z = 14. z = 14.5 ( 1,, 3, 4) = (1.5,1.5,1.75,0) ( 1,, 3, 4) = (1,1.,1.8,0) z Rama : 1 infactible. Se poda la rama 3. Iteración Se ramifica con la primera variable que debiera ser entera no lo es,. Rama 3: Cualquier solución descendiente tendrá Rama 4: Cualquier solución descendiente tendrá z = z = 1.16 (,,, ) = (0.83,1,1.83,0) z (,,, ) = (0.83,,1.83,0) z 1.16 Optimización lineal entera mita - 18
20 Resolución (ii) 4. Iteración 3 Se selecciona la rama 3 por tener la maor función objetivo. Se ramifica con la variable. Rama 5: Primera solución entera del problema MIP Rama 6: 1 infactible La rama 4 se puede podar porque su función objetivo es menor (en maimización) que la solución entera actual. 5. Criterio de optimalidad z = 13.5 ( 1,, 3, 4) = (0,0,,0.5) * z = 13.5 Solución óptima alcanzada por no eistir ramas sin eplorar. Optimización lineal entera mita - 19
21 Árbol z=14.5 (1.5,1.5,1.75,0) Rama 1 z=14. (1,1.,1.8,0) 1 Rama INFACTIBLE 0 1 Rama 3 z=14.16 (0.83,1,1.83,0) 1 1 Rama 4 z=1.16 (0.83,,1.83,0) * Rama 5 z=13.5 (0,0,,0.5) z = Rama 6 INFACTIBLE (,,, ) = (0,0,,0.5) Optimización lineal entera mita - 0
22 Interpretación geométrica del método de ramificación acotamiento Zlp1 ZLP Zlp3=entero Zlp Zlp4 peor que Zlp3, descartar Optimización lineal entera mita - 1
23 Linear problem (LP). Eample 1 ma3 +, , = =7 LP solution z = 7 * * (, ) = (5,6) (5,6) += Optimización lineal entera mita -
24 Pure integer problem (PIP). Eample 1 ma3 +, , 0, Z = =7 PIP solution z = 7 * * (, ) = (5,6) (5,6) += Optimización lineal entera mita - 3
25 Pure integer problem (PIP). Linear relaation. Eample ma3 +, , =3 3+=7.5 LP relaation. Problem 0 z = (4.5,7) * * (, ) = (4.5,7) += Optimización lineal entera mita - 4
26 , Pure integer problem (PIP). Branch and Bound. Eample ma , 0 3 LP Problem 1 z = 7 * * (, ) = (4,7.5) = =7.5 ma3 +, , 0 3 LP Problem z = 7 * * (, ) = (5,6) (4.5,7) += Optimización lineal entera mita - 5
27 , Pure integer problem (PIP). Branch and Bound. Eample ma , 0 LP Problem 3 z = 6.5 * * (, ) = (3.5,8) = =7.5 ma3 +, , 0 LP Problem 4 z = 6 * * (, ) = (4,7) (4.5,7) += Optimización lineal entera mita - 6
28 Pure integer problem (PIP). Eample ma3 +, , =3, Z =7 8 PIP solution 6 (5,6) z = 7 4 * * (, ) = (5,6) += Optimización lineal entera mita - 7
29 Estrategias básicas 1. Buscar factibilidad Ramificación eploración en profundidad (avariciosa greed) en el árbol fijando recursivamente las variables fraccionarias más próimas a su valor entero en el nodo seleccionado.. Demostrar optimalidad Supuesto que se disponga de una solución entera se desea probar que ésta es óptima. Se seleccionan las variables que tienen un gran impacto en la función objetivo para descartar ramas del árbol lo antes posible. Optimización lineal entera mita - 8
30 Implantación de estrategias 1. Selección de la variable entera a ramificar La encontrada en primer lugar La de maor o menor infactibilidad entera. Selección de la rama a resolver La más reciente. Bueno para la reoptimización por el método simple. Aquélla con valor de la función objetivo más cercano o alejado al óptimo (mejor o peor cota) Optimización lineal entera mita - 9
31 Relajación del criterio de poda Marca la diferencia entre acabar un problema con una solución cuasióptima dentro de una cierta tolerancia conocida NO solucionar el problema. Fundamental en la solución de problemas reales. Criterio de parada sin eplorar ehaustivamente el árbol. Se añade un criterio de poda (para maimización) con una cierta tolerancia para una solución no entera mejor (pero no significativamente) que la solución entera actual Relativa Absoluta * z z z * (1 + α) * * z z z + β α (error de tolerancia relativo, por ejemplo 10-3 ) OPTCR β (error de tolerancia absoluto), ambas constantes conocidas OPTCA Optimización lineal entera mita - 30
32 Parámetros de control del B&B (i) Prioridad en la selección de variables Habitualmente se debe ramificar antes en las que más impacto tienen en la f.o. (por ejemplo, variables de inversión frente a las de operación) GUB (generalized upper bound) o SOS (special ordered sets) k j= 1 j = 1 En la ramificación normal cuando una j = 1 el resto quedan fijadas a 0. En la rama con = 0 ha a su vez k 1 posibilidades j La ramificación GUB se hace ordenando las variables pertenecientes al conjunto GUB en dos subconjuntos más equilibrados, hasta que la suma de las variables de un conjunto sobrepasa 0.5 = 0 i = 1,, r j i = 0 i = r + 1,, k j i { t } * r = min t : 0.5 i= 1 j i Optimización lineal entera mita - 31
33 Parámetros de control del B&B (ii) Cota inicial (cutoff, incumbent) Se trata de una cota inicial válida de la f.o. estimada por el usuario Método de solución de los problemas LP Primera iteración (punto interior o simple) Iteraciones sucesivas (simple primal o dual con diferentes estrategias de selección de VBE) Optimización lineal entera mita - 3
34 CONTENIDO INTRODUCCIÓN MÉTODOS DE SOLUCIÓN MÉTODO DE RAMIFICACIÓN Y ACOTAMIENTO DUALITY (master) PREPROCESSING (master) BRANCH AND CUT METHOD (master) Optimización lineal entera mita - 33
35 Pure integer problem (PIP). Dual variables We know how to obtain dual variables of an LP problem. The are calculated at the same time than the optimal solution But we do not know how to obtain these dual variables in a MIP problem because we have solved man LP problems for reaching the optimal integer solution Optimización lineal entera mita - 34
36 Pure integer problem (PIP). Dual variables. Eample ma3 +, , 0 Obtain dual variables manuall (resolving the model) =3, Z =7 8 PIP solution z = 7 * * (, ) (5,6) ( π, π ) = (0,0) * * 1 = 6 4 (5,6) += Optimización lineal entera mita - 35
37 Pure integer problem (PIP). Dual variables. Eample ma3 +, = 5, Let s tr fiing one variable 4+=3 3+=7 LP solution z = 7 * * (, ) (5,6) ( π, π ) = (0,1) * * 1 = (5,6) += Optimización lineal entera mita - 36
38 Pure integer problem (PIP). Dual variables. Eample ma3 +, = 6, Let s tr fiing the other variable 4+=3 3+=7 LP solution z = 7 * * (, ) (5,6) ( π, π ) = (0,0.75) * * 1 = (5,6) += Optimización lineal entera mita - 37
39 Pure integer problem (PIP). Dual variables. Eample ma3 +, = 5 = 6, Let s tr fiing both variables 4+=3 3+=7 LP solution z = 7 * * (, ) (5,6) ( π, π ) = (0,0) * * 1 = (5,6) += Optimización lineal entera mita - 38
40 Pure integer problem (PIP). Eample z= =1 3 ma z = +, : π : π, integer (, ) = (3,5) ( π, π ) = (0,0) 1 3 /3+= Optimización lineal entera mita - 39
41 Pure integer problem (PIP). Eample z= =1 3 ma z = +, : π : π, integer (, ) = (3,5) ( π, π ) = (0,0) 1 3 /3+= Optimización lineal entera mita - 40
42 Dual variables in a MIP problem In an LP problem the complementarit slackness condition states: If constraint is binding dual variable ma be different from 0 If constraint is non binding dual variable is necessaril 0 In a MIP problem It is not clear how to obtain dual variables in a MIP problem There must be those corresponding to node that has provided the optimal solution in B&B algorithm In practice: Fie all the integer variables to their optimal values and solve the corresponding LP problem to determine the dual variables Optimización lineal entera mita - 41
43 CONTENIDO INTRODUCCIÓN MÉTODOS DE SOLUCIÓN MÉTODO DE RAMIFICACIÓN Y ACOTAMIENTO DUALITY (master) PREPROCESSING (master) BRANCH AND CUT METHOD (master) Optimización lineal entera mita - 44
44 R. Bib, M. Fenelon, Z. Gu, E. Rothberg, and R. Wunderling, MIP: theor and practice closing the gap, in Sstem Modelling and Optimization: Methods, Theor and Applications, M. J. D. Powell and S. Scholtes, Eds. Boston: Kluwer Academic Publishers, 000, vol. 174, p F. Vanderbeck and L. A. Wolse, Reformulation and decomposition of integer programs, in 50 Years of Integer Programming , M. Jünger, T. M. Liebling, D. Naddef, G. L. Nemhauser, W. R. Pulleblank, G. Reinelt, G. Rinaldi, and L. A. Wolse, Eds. Berlin, Heidelberg: Springer Berlin Heidelberg, 010, pp R. Bib and E. Rothberg, Progress in computational mied integer programming A look back from the other side of the tipping point, Annals of Operations Research, vol. 149, no. 1, pp , Jan L. Wolse, Strong formulations for mied integer programs: valid inequalities and etended formulations, Mathematical programming, vol. 97, no. 1, p , 003. G. Morales-España, J.M. Latorre, and A. Ramos Tight and Compact MILP Formulation for the Thermal Unit Commitment Problem IEEE Transactions on Power Sstems (accepted) G. Morales-España, J.M. Latorre, and A. Ramos Tight and Compact MILP Formulation of Start-Up and Shut-Down Ramping in Unit Commitment IEEE Transactions on Power Sstems (accepted) /TPWRS Optimización lineal entera mita - 45
45 Preproceso Técnicas enfocadas a reducir sustancialmente las dimensiones o fortalecer la formulación del problema. Especialmente relevante para resolver problemas MIP Dos formulaciones de un problema entero se dicen 0-1 equivalentes si tienen las mismas soluciones enteras. Dadas dos formulaciones equivalentes de un problema entero, se dice que una es más fuerte que la otra, si la región factible de su relajación lineal está estrictamente contenida en la región factible de la otra. Se encuentran antes soluciones enteras factibles se pueden podar más ramas del árbol. Las formulaciones más fuertes se realizan, a veces, a costa de incrementar el tamaño del problema (menos compacta). Medida: intervalo de integralidad (integralit gap) diferencia entre f.o. de problema MIP LP. G. Morales-España, J.M. Latorre, and A. Ramos Tight and Compact MILP Formulation of Start-Up and Shut-Down Ramping in Unit Commitment IEEE Transactions on Power Sstems (accepted) Optimización lineal entera mita - 46
46 Técnicas de preproceso Preproceso general Reforzamiento de cotas Eliminación de restricciones redundantes Asignación de variables Preproceso mito 0-1 Reducción de coeficientes Optimización lineal entera mita - 47
47 Reforzamiento de cotas Aumentar cotas inferiores disminuir cotas superiores mediante inspección de restricciones Especialmente para variables enteras Puede asignar variables o detectar infactibilidades Optimización lineal entera mita - 48
48 Reforzamiento de cotas (i) ma Para la primera restricción = = = 7 7 cota superflua 1 3 Para la segunda restricción = / = cota superflua / = cota superflua Para la primera restricción = 101/ Optimización lineal entera 3 mita
49 Reforzamiento de cotas (ii) Sea la restricción 0 0 n a + a b j= 1 l u j j j j j Si a > entonces 0 0 b a l a u a j j 0 j j j j 0 j: a > 0 j: a < 0 Si a < entonces 0 0 b a l a u a j j 0 j j j j 0 j: a > 0 j: a < 0 Optimización lineal entera mita - 50
50 Reforzamiento de cotas (iii) Si una variable debe ser entera sus cotas no lo son, éstas se pueden ajustar j Z + l j j u j l j j u j Optimización lineal entera mita - 51
51 Eliminación de restricciones redundantes (i) Si una restricción se satisface incluso en la situación más difícil la restricción puede ser eliminada. Detecta redundancia por medio de cotas de variables Para restricciones se igualan a cota superior las variables con coeficientes > 0 a cota inferior las demás Var binarias 3 3 son redundantes Las restricciones suelen ser redundantes a consecuencia del proceso de asignación de variables o reforzamiento de cotas. Optimización lineal entera mita - 5
52 Eliminación de restricciones redundantes (ii) Sea la restricción n j = 1 a Es redundante si Es infactible si j j j j j b l u j j j j j: a > 0 j: a < 0 j a u + a l b j j j j j: a > 0 j: a < 0 j j j a l + a u > b Optimización lineal entera mita - 53
53 Asignación de variables (i) Identificar variables que pueden fijarse a uno de sus valores (0/1) a que el otro no puede ser solución factible óptima. Si un valor de una variable no puede satisfacer una restricción, aun cuando las demás variables tomen sus valores más favorables para intentar cumplirla, la variable debe fijarse al valor opuesto. siendo = Optimización lineal entera mita - 54
54 Asignación de variables (ii) Procedimiento para restricciones Identificar la variable con el maor coeficiente positivo. Si la suma de dicho coeficiente cualquier coeficiente negativo ecede la cota de la restricción, la variable debe fijarse a = = = 1, = = 0, = Reacción en cadena: el procedimiento se repetirá para las siguientes variables con el maor coeficiente. 3 + = = 0, = = Optimización lineal entera mita - 55
55 Reducción de coeficientes (i) Reduce la región factible del problema LP sin eliminar soluciones factibles del problema BIP modificando los coeficientes de las restricciones. Procedimiento para restricciones 1. Calcular S = suma de valores a j positivos. Elegir cualquier a j 0 tal que S < b + a j No eiste no se puede ajustar más la restricción 3. Ir a 1. a j > 0 a j = S b b = S a j a j = a j b = b a < 0 a = S b a = a j j j j a + a + + a b 1 1 n n Optimización lineal entera mita - 56
56 Reducción de coeficientes (ii) { }, 0,1 1 S = + 3 = 5 a < 4 + a = 5 4 = 1 b = 5 = 3 a = 1 b = S = 1+ 3 = 4 a 0 4 < 3+ 3 a = 4 3 = 1 b = 4 3 = 1 a = 1 b = Optimización lineal entera mita - 57
57 Reducción de coeficientes (iii) 3.5 Second additional constraint 1.5 Original constraint First additional constraint Optimización lineal entera mita - 58
58 CONTENIDO INTRODUCCIÓN MÉTODOS DE SOLUCIÓN MÉTODO DE RAMIFICACIÓN Y ACOTAMIENTO DUALITY (master) PREPROCESSING (master) BRANCH AND CUT METHOD (master) Optimización lineal entera mita - 59
59 Generación de planos de corte Nueva restricción que reduce la región factible del problema LP sin eliminar soluciones factibles del problema IP. Deducida válidamente de restricciones del problema Procedimiento de método de planos de corte 1. Inicializar resolviendo el problema relajado LP. Si la solución óptima es entera finalizar. Si no, continuar a paso 3 3. Obtener un plano de corte que viole la solución óptima actual 4. Añadir el plano de corte a las restricciones reoptimizar. Ir a paso. Optimización lineal entera mita - 60
60 Planos de corte de tipo cubrimiento Considera cualquier restricción de tipo con variables binarias con todos los coeficientes no negativos (restricción tipo mochila) Encontrar grupo de variables (cubrimiento minimal) tal que Se viola la restricción si las variables del cubrimiento son 1 el resto son 0 Se satisface la restricción si una de las variables del cubrimiento se hace 0 Formación del plano de corte siendo N el número de variables del cubrimiento variables del cubrimiento N i { 0,1} Optimización lineal entera mita - 61
61 Planos de corte de Gomor (i) Sea el problema Sea una variable i no entera. La fila en la tabla del simple es: = B ( b N ) = B b B N B N N El plano de corte de Gomor es: o bien siendo f i f it son las partes fraccionales de bˆi e it La variable de eceso del corte es entera si las var son enteras Este corte elimina la solución óptima no entera anterior min c T A = b Z + bˆ = i i it t t ˆ i b i it ˆ ˆ t ( it it ) t bi b i t N t N f f it t i t N N Optimización lineal entera mita - 6
62 Planos de corte de Gomor (ii) ma , 0 enteras X_1 X_ HLG_1 HLG_ HLG_3 Z X_ HLG_ X_ se introduce el corte ma h = h = 3 + h = 3 1 3,, h, h, h 0 enteras h h X_1 X_ HLG_1 HLG_ HLG_3 EXC_1 Z X_ HLG_ X_ HLG_ luego el corte 0.5h3 0.5 que a da lugar a la solución óptima entera Optimización lineal entera mita - 63
63 Planos de corte de Gomor (iii) Optimización lineal entera mita - 64
64 Planos de corte de Gomor (iv) 0.143h h ( ) + (3 ) h Optimización lineal entera mita - 65
65 Planos de corte de Gomor (v) Second Gomor cut First Gomor cut Optimización lineal entera mita - 66
66 Método de ramificación corte (branch and cut) Método de ramificación acotamiento + Método de planos de corte en los nodos Disminue mucho el tiempo de resolución Procedimiento Elección de un nodo para evaluar (inicialmente el nodo raíz es el problema original relajado) resolución Decisión sobre generar o no planos de corte. Si se obtienen se añaden al problema se resuelve éste. Podar ramificar con los criterios del método de ramificación acotamiento. Optimización lineal entera mita - 67
67 CPLEX Performance Tuning for MIP ( Names no NodeFileInd 3 NodeSel 0 VarSel 3 StartAlg 4 MemorEmphasis 1 WorkMem 1000 MIPEmphasis MIPSearch SolveFinal 0 Solution Polishing Solution pool FlowCovers FeasOptMode FeasOpt 1 RINSHeur 0 FpHeur Pure branch and bround Cuts -1 HeurFreq -1 Solution method of LP problem First iteration (interior point or simple method) Successive iterations (primal or dual simple) Priorit for variable selection Select variables that impact the most in the o.f. (e.g., investment vs. operation variables) Initial cutoff or incumbent Initial valid bound of the o.f. estimated b the user Optimización lineal entera mita - 68
68 GUROBI ( Most important parameters Threads, MIPFocus Solution Improvement ImproveStartTime, ImproveStartGap Termination TimeLimit MIPGap, MIPGapAbs NodeLimit, IterationLimit, SolutionLimit Cutoff Speeding Up The Root Relaation Method Heuristics Heuristics, SubMIPNodes, MinRelNodes, PumpPasses, ZeroObjNodes Heuristics Heuristics, SubMIPNodes, MinRelNodes, PumpPasses, ZeroObjNodes Cutting Planes Cuts, FlowCoverCuts, MIRCuts Presolve Presolve, PrePasses, AggFill, PreSparsif Optimización lineal entera mita - 69
69 Andrés Ramos Universidad Pontificia Comillas
Optimización lineal entera mixta
Optimización lineal entera mita Andrés Ramos Universidad Pontificia Comillas http://www.iit.upcomillas.es/aramos/ Andres.Ramos@upcomillas.es CONTENIDO INTRODUCCIÓN MÉTODOS DE SOLUCIÓN MÉTODO DE RAMIFICACIÓN
Más detallesRELACIÓN DE PROBLEMAS DE CLASE DE PROGRAMACIÓN LINEAL ENTERA
RELACIÓN DE PROBLEMAS DE CLASE DE PROGRAMACIÓN LINEAL ENTERA SIMPLEX Y LINEAL ENTERA a Resuelve el siguiente problema con variables continuas positivas utilizando el método simple a partir del vértice
Más detallesResolución del problema. Problema: Los puntos extremos no tienen por qué ser enteros
Resolución del problema Problema: Los puntos extremos no tienen por qué ser enteros Si fueran enteros no habría problema por qué no obtener la envoltura convexa? demasiado costoso Hay unas formulaciones
Más detallesMétodos de Optimización para la toma de decisiones
Facultad de Ingeniería Departamento de Ciencias de la Ingeniería Magíster en Logística y Gestión de Operaciones Métodos de Optimización para la toma de decisiones MLG-521 Programación Entera 1º Semestre
Más detallesSimulación y Optimización de Procesos Químicos. Titulación: Ingeniería Química. 5º Curso Optimización
Simulación Optimización de Procesos Químicos Titulación: Ingeniería Química. 5º Curso Optimización MILP, MINLP (Mixed Integer (Non) Linear Programming). Octubre de 009. Optimización Discreta Programación
Más detallesProgramación Entera. Nelson Devia C. IN Modelamiento y Optimización Departamento de Ingeniería Industrial Universidad de Chile
IN3701 - Modelamiento y Optimización Departamento de Ingeniería Industrial Universidad de Chile 2011 Basado en Bertsimas, D., Tsitsiklis, J. (1997) Introduction to Linear Optimization Capítulos 10 y 11
Más detallesIntroduction to Optimization Ángel Marín. Integer Programming 3: Cutting plane technique.
Introduction to Optimization Ángel Marín Integer Programming 3: Cutting plane technique. 1 Cutting plane Each Plane Cut must verify: a) Delete the previous continuous (LR) optima solution, b) Not eliminate
Más detallesProgramación entera 1
Programación entera 1 1. El modelo de programación entera. 2. Aplicaciones de la programación entera. 3. Solución gráfica de problemas enteros. 4. El algoritmo de ramificación y acotación. 5. El algoritmo
Más detallesProblemas de programación entera: El método Ramifica y Acota. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Problemas de programación entera: El método Ramifica y Acota Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema La estrategia Divide y vencerás Árboles de enumeración
Más detallesTEMA 11: INTRODUCCIÓN A LA PROGRAMACIÓN MATEMÁTICA CON VARIABLES DISCRETAS
TEMA 11: INTRODUCCIÓN A LA PROGRAMACIÓN MATEMÁTICA CON VARIABLES DISCRETAS 1.- ECUACIONES LINEALES (MILP) 1.1.- Formulación 1.2.- Algoritmos para resolver MILPs 2.- VISIÓN GENERAL DE LOS ALGORITMOS DE
Más detallesmáx 5x 1 + 7x 2 s.a 2x 1 + x x 1 + 9x 2 41 x 1 0, x 2 0, enteras, z opt z opt 38
Programación Lineal Entera / Investigación Operativa PROBLEMAS DE INVESTIGACIÓN OPERATIVA. Hoja 4. Resuelve el siguiente problema de programación entera por el método Branch and Bound: máx 5x + 7x s.a
Más detallesIntroducción a la Optimización Ángel Marín. Clase 4 Programación Entera: Planos de corte, Preproceso, etc.
Introducción a la Optimización Ángel Marín Clase 4 Programación Entera: Planos de corte, Preproceso, etc. 1 Bound reforcing [ ] { } Sea la restricción: ( Ax) m, M, x 0,1 i i i ( Ax) b es redundante si
Más detallesAnálisis Post Optimal y Algoritmo de Ramificación y Acotamiento
Universidad de Chile Facultad de Ciencias Físicas y Matemáticas Departamento de Ingeniería Industrial IN34A: Clase Auxiliar Análisis Post Optimal y Algoritmo de Ramificación y Acotamiento Marcel Goic F.
Más detallesAlgoritmos de Planos de Corte
Algoritmos de Planos de Corte Problema: max {cx / x X} con X = {x / Ax b, x Z n + } Proposición: conv (X) es un poliedro que puede entonces escribirse como conv (X) = {x / Ax b, x 0} Lo mismo ocurre para
Más detallesClasificación de Sistemas. Clasificación de Sistemas. Clasificación de Sistemas. Clasificación de Sistemas
Clasificación de Sistemas Clasificación de Sistemas Simples, complicados o complejos Deterministas o probabilistas Centralizados o distribuidos Reactivos o proactivos Rígidos o adaptativos Simples, complicados
Más detallesTeniendo en cuenta los valores de las variables se tienen 3 tipos de modelos lineales enteros:
Tema 5 Programación entera En este tema introducimos problemas lineales en los que algunas o todas las variables están restringidas a tomar valores enteros. Para resolver este tipo de problemas se han
Más detallesCAPÍTULO 4 PROGRAMACIÓN LINEAL ENTERA
CAPÍTULO 4 PROGRAMACIÓN LINEAL ENTERA Programación Lineal Entera Es una técnica que permite modelar y resolver problemas cuya característica principal es que el conjunto de soluciones factibles es discreto.
Más detallesAlgoritmo de ramificación y acotación
Algoritmo de ramificación y acotación Investigación Operativa Ingeniería Técnica en Informática de Gestión UC3M Curso 08/09 Descripción de los objetivos En esta práctica desarrollaremos el algoritmo de
Más detallesProgramación Lineal Entera. Programación Entera
Programación Lineal Entera PE Programación Entera Modelo matemático, es el problema de programación lineal Restricción adicional de variables con valores enteros. Programación entera mita Algunas variables
Más detallesEl método Ramifica y acota (Branch and Bound) (V)
El método Ramifica y acota (Branch and Bound) (V) Así pues, la estructura general de esta técnica consiste en: Un criterio para dividir los subconjuntos candidatos a contener la solución óptima encontrados
Más detallesProgramación lineal Optimización de procesos químicos DIQUIMA-ETSII
Programación lineal PROGRAMACIÓN LINEAL PROGRAMACIÓN LINEAL se formula siguiendo el planteamiento general: Función objetivo Restricciones de igualdad Restricciones de desigualdad Límite variables PROGRAMACIÓN
Más detallesEJERCICIO DE PROGRAMACIÓN LINEAL Y PROGRAMACIÓN LINEAL ENTERA CON GAMS
EJERCICIO DE PROGRAMACIÓN LINEAL Y PROGRAMACIÓN LINEAL ENTERA CON GAMS La empresa FERCA, S.A., se dedica al envasado de fertilizantes para el suministro a sus clientes, debe determinar el plan de envasado
Más detallesSesión 6 Desarrollo de modelos de optimización con ILOG CPLEX. Andrés Ramos Santiago Cerisola Jesús María Latorre
Sesión 6 Desarrollo de modelos de optimización con ILOG CPLEX Andrés Ramos Santiago Cerisola Jesús María Latorre Índice 1. Introducción 2. Lenguaje algebraico de modelado GAMS 3. Modelado con tecnología
Más detallesProgramación lineal entera (PLE)
Programación lineal entera (PLE) Qué es un problema de programación lineal entera?: sujeto a Max c x Ax b x Z + Qué es un problema de programación lineal entera mixta (PLEM)? Algunas variables son continuas
Más detallesContenido. 1 Resolución mediante planos de corte. Resolución mediante planos de corte
Contenido 1 Resolución mediante planos de corte para LP para IP Facultad de Ingeniería. UdelaR Fundamentos de Programación Entera 1/20 para LP para IP Resolución mediante planos de corte La metodología
Más detallesProgramación Entera (PE)
Programación Entera (PE) Sorprendentemente, existen una amplia gama de problemas prácticos que pueden modelarse usando variables enteras. Este tipo de modelos suelen llamarse de Programación Discreta.
Más detallesPROGRAMACIÓN LINEAL ENTERA
PROGRAMACIÓN LINEAL ENTERA MÉTODOS DE RESOLUCIÓN Redondeo: DESACONSEJABLE: Por producir malas soluciones Por producir soluciones infactibles Ejemplo PLA Max F(X) = 4x 1 + 3x 2 s.a. 2x 1 + x 2 2 3x 1 +
Más detallesIntroducción a la Optimización Bajo Incertidumbre
Introducción a la Optimización Bajo Incertidumbre Refleión Compañía petrolera: cuál será el precio la demanda del petróleo en 6 meses? En un proceso continuo Eistirá variación en las demandas del producto
Más detallesRAMIFICAR-ACOTAR Y PLANOS DE CORTE
RAMIFICAR-ACOTAR Y PLANOS DE CORTE ELISA SCHAEFFER Programa de Posgrado en Ingeniería de Sistemas (PISIS) elisa@yalma.fime.uanl.mx INVESTIGACIÓN DE OPERACIONES EL MÉTODO RAMIFICAR-ACOTAR (RA) (ingl. Branch
Más detallesCAPÍTULO II METODOLOGÍA DE SOLUCIÓN. Este capítulo es de suma importancia ya que en él se explica la metodología de solución
CAPÍTULO II METODOLOGÍA DE SOLUCIÓN Este capítulo es de suma importancia ya que en él se explica la metodología de solución utilizada en este trabajo para resolver de manera exacta el Problema de Localización
Más detallesPráctica N o 8 Desigualdades Válidas - Algoritmos de Planos de Corte - Algoritmos Branch & Cut
Práctica N o 8 Desigualdades Válidas - Algoritmos de Planos de Corte - Algoritmos Branch & Cut 8.1 Para cada uno de los siguientes conjuntos, encontrar una desigualdad válida que agregada a la formulación
Más detallesCasos especiales de la P. L.
Casos especiales de la P. L. Programación Lineal Entera Un modelo de programación lineal que no acepta soluciones fraccionales. En este caso, la formulación es similar a la de un problema general de programación
Más detallesFiabilidad. Fiabilidad. María Isabel Hartillo Hermoso Granada, 25 de Mayo FQM-5849
Fiabilidad María Isabel Hartillo Hermoso hartillo@us.es Granada, 25 de Mayo FQM-5849 Sistemas Partimos de un sistema en serie: r 1 r 2 r 3 r 4 Sistemas Partimos de un sistema en serie: r 1 r 2 r 3 r 4
Más detallesEjemplo: ubicación de estación de bomberos
15.053 Jueves, 11 de abril Más aplicaciones de la programación entera. Técnicas de plano de corte para obtener mejores cotas. Ejemplo: ubicación de estación de bomberos Considere la ubicación de estaciones
Más detallesFundamentos de Programación Entera. 6. Planos de corte. Carlos Testuri Germán Ferrari
Fundamentos de Programación Entera 6. Planos de corte Carlos Testuri Germán Ferrari Departamento de Investigación Operativa Instituto de Computación Facultad de Ingeniería Universidad de la República 2012-2018
Más detallesHeurísticas en el recorrido de árboles de soluciones
Heurísticas en el recorrido de árboles de soluciones. Árboles de soluciones. Repaso de backtracking y branch and bound. Uso de heurísicas en backtracking 4. Uso de heurísticas en branch and bound . Árboles
Más detallesParte de Algoritmos de la asignatura de Programación Master de Bioinformática. Búsqueda exhaustiva
Parte de Algoritmos de la asignatura de Programación Master de Bioinformática Búsqueda exhaustiva Web asignatura: http://dis.um.es/~domingo/algbio.html E-mail profesor: domingo@um.es Transparencias preparadas
Más detallesProblemas de Optimización: una Introducción
Problemas de Optimización: una Introducción Computación Evolutiva Ing. Fabio A. González, PhD Departamento de Ing de Sistemas e Industrial Universidad Nacional de Colombia Resolución de Problemas G. Polya,
Más detalles9. Programación lineal entera.
9. rogramación lineal entera. Introducción Método de ramificación y poda rogramación lineal entera Un problema de programación entera es aquel en el que alguna o todas sus variables deben tomar valores
Más detallesFundamentos de Programación Entera. A. Revisión. Carlos Testuri Germán Ferrari
Fundamentos de Programación Entera A. Revisión Carlos Testuri Germán Ferrari Departamento de Investigación Operativa Instituto de Computación Facultad de Ingeniería Universidad de la República 2012-2018
Más detallesProgramación lineal Optimización de procesos químicos DIQUIMA-ETSII
Programación lineal PROGRAMACIÓN LINEAL PROGRAMACIÓN LINEAL se formula siguiendo el planteamiento general: Función objetivo Restricciones de igualdad Restricciones de desigualdad Límite variables PROGRAMACIÓN
Más detallesAuxiliar 6 28 de Mayo, 2008
Auxiliar 6 28 de Mayo, 2008 Problema1: Un estudiante de ingeniería de una prestigiosa universidad ha descubierto su nueva pasión: Los juegos de rol en línea. Hace unas semanas ha comenzado a jugar WoB
Más detallesProgramación lineal entera
Capítulo 2 Programación lineal entera 2.1. Definición En las últimas décadas, el uso de modelos de programación lineal entera mixta para resolver problemas de Optimización Combinatoria se ha incrementado
Más detallesProgramación lineal. Optimización de procesos químicos
Programación lineal PROGRAMACIÓN LINEAL PROGRAMACIÓN LINEAL se formula siguiendo el planteamiento general: Función objetivo Restricciones de igualdad Restricciones de desigualdad Límite variables PROGRAMACIÓN
Más detallesIntroducción a la programación lineal y entera Una simple presentación
Introducción a la programación lineal y entera Una simple presentación Miguel Mata Pérez miguel.matapr@uanl.edu.mx Versión 0.1, 30 de septiembre de 2014 Resumen: Este trabajo es una presentación de la
Más detallesProblemas resueltos C3 IN
Problemas resueltos C3 IN77 28 Profesores: Cristián Cortés, Daniel Espinoza Auxiliares: Gustavo Angulo, Diego Morán y José Mu~noz P Sea S = {s,..., s n } subconjunto de R n y considere y R n \ conv(s).
Más detallesDualidad y postoptimización
Dualidad y postoptimización José María Ferrer Caja Universidad Pontificia Comillas Definición A cada problema de optimización lineal le corresponde otro que se denomina problema dual En forma canónica
Más detallesRESOLUCIÓN DE MODELOS DE PROGRAMACIÓN ENTERA
11 de Junio de 2012 RESOLUCIÓN DE MODELOS DE PROGRAMACIÓN ENTERA MÉTODOS DE ENUMERACIÓN, RAMIFICACIÓN Y ACOTACIÓN Postgrado de Investigación de Operaciones Facultad de Ingeniería Universidad Central de
Más detallesMétodo de árbol de cubos para resolver problemas de optimización discreta en la toma de decisiones. CONTENIDO
Método de árbol de cubos para resolver problemas de optimización discreta en la toma de decisiones. 1 CONTENIDO Introducción Marco teórico Métodos de optimización Método de árbol de cubos Problema de optimización
Más detallesTema 6: Programación entera: Bifurcación y planos de corte.
Tema 6: Programación entera: Bifurcación y planos de corte. Obetivos del tema. Índice Problemas de programación lineal entera. Método de bifurcación y acotación para un PPLE Mixta. Técnicas de preprocesamiento
Más detalles1. Defina el problema de particionamiento. Escriba un ejemplo de este tipo de problema, junto con su formulación general en AMPL.
DEPARTAMENTO DE ESTADÍSTICA E INVESTIGACIÓN OPERATIVA o. DIPLOMATURA DE ESTADÍSTICA Ampliación de la Investigación Operativa. Curso 00/0 a Prueba de Evaluación Continua. Fecha: 6-6-0. Defina el problema
Más detallesProgramación Entera. Investigación Operativa. Universidad. Nacional Facultad. Tecnológica. Regional. Mendoza
Investigación Operativa Universidad Tecnológica Nacional Facultad Regional Mendoza Aplicaciones de programación lineal grandes limitaciones suposición de divisibilidad Exigir valores enteros Problema De
Más detallesEjercicios de Programación Entera
Ejercicios de Programación Entera Investigación Operativa Ingeniería Informática, UC3M Curso 08/09. En una ciudad se intenta disminuir la contaminación reduciendo la circulación interurbana. Un primer
Más detallesJosé Manuel Arroyo Sánchez
Programación lineal entera-mixta José Manuel Arroyo Sánchez Área de Ingeniería Eléctrica Universidad de Castilla La Mancha 1 PROGRAMACIÓN LINEAL ENTERA-MIXTA BIBLIOGRAFÍA G. L. NEMHAUSER, L. A. WOLSEY.
Más detallesSegundo parcial. Martes, 23 de abril de 2003
5.053 Segundo parcial Martes, 3 de abril de 003 Se permite traer una hoja de papel con anotaciones por una cara. Responda a todas las preguntas en los cuadernillos de examen.. Controle el tiempo. Si un
Más detallesDualidad 1. 1 Formas simétricas. 2 Relación primal-dual. 3 Dualidad: el caso general. 4 Teoremas de dualidad. 5 Condiciones de holgura complementaria.
Dualidad 1 1 Formas simétricas. 2 Relación primal-dual. 3 Dualidad: el caso general. 4 Teoremas de dualidad. Condiciones de holgura complementaria. 6 Solución dual óptima en la tabla. 7 Interpretación
Más detallesWinQSB. Módulo de Programación Lineal y Entera. Al ejecutar el módulo Linear and Integer Programming, la ventana de inicio es la siguiente
WinQSB Módulo de Programación Lineal y Entera Al ejecutar el módulo Linear and Integer Programming, la ventana de inicio es la siguiente desde la cual, a partir del menú File New Problem puedes introducir
Más detallesPROGRAMA DE CURSO. Código Nombre MODELAMIENTO Y OPTIMIZACIÓN Nombre en Inglés MODELING AND OPTIMIZATION SCT
PROGRAMA DE CURSO Código Nombre IN 3701 MODELAMIENTO Y OPTIMIZACIÓN Nombre en Inglés MODELING AND OPTIMIZATION Unidades Horas de Horas Docencia Horas de Trabajo SCT Docentes Cátedra Auxiliar Personal 6
Más detalles4. Procedimiento de solución
4. Procedimiento de solución Para probar la validez del modelo desarrollado, se va a implementar su programación en la herramienta de optimización del programa Matlab R2008a. 4.1. Sub-rutina en Matlab
Más detallesEscuela de algoritmos de aproximación
Escuela de algoritmos de aproximación Módulo 2: Introducción a los algoritmos de aproximación Francisco Javier Zaragoza Martínez Universidad Autónoma Metropolitana Unidad Azcapotzalco ITAM, 14 de septiembre
Más detallesCAPITULO 1: PERSPECTIVE GENERAL DE LA
CONTENIDO CAPITULO 1: PERSPECTIVE GENERAL DE LA INVESTIGACION DE OPERACIONES 1 1.1 Modelos matemáticos de investigación de operaciones. 1 1.2 Técnicas de investigación de operaciones 3 1.3 Modelado de
Más detallesDirección de Operaciones
Dirección de Operaciones 1 Sesión No. 12 Nombre: Programación integral. Segunda parte. Objetivo Al finalizar el alumno, será capaz de identificar cuatro técnicas de solución dentro de la programación integral
Más detallesTeoría de Algoritmos. Capitulo 5: Algoritmos para la Exploración de Grafos.
Teoría de Algoritmos Capitulo 5: Algoritmos para la Exploración de Grafos. Tema 14: Backtracking y Branch and Bound Branch and Bound Problema de la Mochila Problema del Viajante de Comercio Los 15 numeros
Más detallesModelado en optimización lineal entera mixta
Modelado en optimización lineal entera mita Andrés Ramos Universidad Pontificia Comillas http://www.iit.upcomillas.es/aramos/ Andres.Ramos@upcomillas.es CONTENIDO CLASIFICACIÓN DE PROBLEMAS ALGUNOS PROBLEMAS
Más detallesTeoría de grafos y optimización en redes
Teoría de grafos y optimización en redes José María Ferrer Caja Universidad Pontificia Comillas Definiciones básicas Grafo: Conjunto de nodos (o vértices) unidos por aristas G = (V,E) Ejemplo V = {,,,,
Más detallesCasos especiales de la P. L.
Casos especiales de la P. L. Las redes: Las redes están presentes en diferentes lugares en la vida real: redes de transporte, flujo eléctrico y comunicaciones, por ejemplo. Las redes: También son ampliamente
Más detallesProgramación entera para el cálculo automatizado de horarios de clase
1 / 32 Programación entera para el cálculo automatizado de horarios de clase Daniel Ayala María Belén Heredia Luis Miguel Torres Centro de Modelización Matemática Escuela Politécnica Nacional Segundo Congreso
Más detallesExamen de Investigación Operativa 2006/07
Examen de Investigación Operativa 2006/07 ITIG-UC3M, 10 de septiembre de 2007, 10:00-12:00 Nombre, apellidos, grupo y NIA: Problema 1 Problema 2 Problema 3 Problema 4 Total Nota: indica en cada caso el
Más detallesx x 2 s s= (x 1, x 2 ) ... ? (sin explorar) M= (x 1, x 2, x 3, x 4,..., x n ) valor(m) =?
Exploración de grafos Grafos Recorridos sobre grafos Búsqueda primero en profundidad Búsqueda primero en anchura Backtracking ( vuelta atrás ) Descripción general Espacio de soluciones Implementación Ejemplos
Más detallesOptimización combinatoria Flujo en redes. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Optimización combinatoria Flujo en redes Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Optimización combinatoria: definición y formulación de PE El problema
Más detallesIntersección de Segmentos de Recta. Geometría Computacional, MAT-125
Intersección de Segmentos de Recta Geometría Computacional, MAT-125 Dados dos conjuntos de segmentos de recta, calcular todas las intersecciones entre los segmentos de un conjunto y los segmentos del otro
Más detalles1. Método general. 2. Análisis de tiempos de ejecución. 3. Ejemplos de aplicación Problema de las 8 reinas Problema de la mochila 0/1.
Backtracking. Método general. 2. Análisis de tiempos de ejecución. 3. Ejemplos de aplicación. 3.. Problema de las 8 reinas. 3.2. Problema de la mochila 0/. Método general El backtracking (método de retroceso
Más detallesModelización Avanzada en Logística y Transporte
Modelización Avanzada en Logística y Transporte Unidad 2: Bases de programación matemática y teoría de grafos Luis M. Torres Escuela Politécnica del Litoral Guayaquil, Octubre 2006 Maestría en Control
Más detallesPARTE II: ALGORÍTMICA
PARTE II: ALGORÍTMICA 5.. Método general 5.2. Análisis de tiempos de ejecución 5.3. Ejemplos de aplicación 5.3.. Problema de la mochila 0/ 5.3.2. Problema de la asignación 5.3.3. Resolución de juegos A.E.D.
Más detallesEl problema del agente viajero
CO- (F0) //00 El problema del agente viajero Un vendedor tiene que visitar n + ciudades, cada una exactamente una vez. La distancia entre cada par de ciudades viene dada por d ij (en general d ij d ji
Más detallesConjuntos test en optimización entera no lineal. J. Gago M. I. Hartillo J. Puerto J.M. Ucha. Priego de Córdoba, de Septiembre 2013
Conjuntos test en optimización entera no lineal J. Gago M. I. Hartillo J. Puerto J.M. Ucha Priego de Córdoba, 27-29 de Septiembre 2013 Método Walk-Back Programación entera con ayuda del álgebra Recordaremos
Más detalles240ST Técnicas de Optimización en la Cadena de Suministro
Unidad responsable: 240 - ETSEIB - Escuela Técnica Superior de Ingeniería Industrial de Barcelona Unidad que imparte: 732 - OE - Departamento de Organización de Empresas Curso: 2017 Titulación: Créditos
Más detallesUNIDAD 6 PROGRAMACIÓN LINEAL ENTERA. de programación lineal entera. lineal entera.
UNIDAD 6 PROGRAMACIÓN LINEAL ENTERA de programación lineal entera. lineal entera. Investigación de operaciones Introducción En la unidad aprendimos a resolver modelos de P. L. por el método símple y el
Más detallesLinear Programming: Base Change profesor Ángel Marín. Second lecture: Simplex method introduction Applications
Linear Programming: Base Change profesor Ángel Marín Seond leture: Simple method introdution Appliations Linear Programming: Normal form Forma normal: Formulaión etendida: j 0, 0, j,.., n n j j j n ; :
Más detallesWinQSB. Módulo de Programación Lineal y Entera. Al ejecutar el módulo Linear and Integer Programming, la ventana de inicio es la siguiente:
WinQSB Módulo de Programación Lineal y Entera Al ejecutar el módulo Linear and Integer Programming, la ventana de inicio es la siguiente: Desde la cual, a partir del menú: File New Problem Puedes introducir
Más detallesBúsqueda en espacio de estados
Búsqueda en espacio de estados Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Abstracción Problema Representación como espacio de estados Implementación del
Más detallesPrograma de Fundamentos de Programación Entera
Programa de Fundamentos de Programación Entera 1. NOMBRE DE LA UNIDAD CURRICULAR Fundamentos de Programación Entera 2. CRÉDITOS 8 créditos 3. OBJETIVOS DE LA UNIDAD CURRICULAR La programación entera trata
Más detallesEl Problema del Vendedor Viajero
IN47B, Ingeniería de Operaciones Contenidos 1 Introducción 2 Resolviendo TSP 3 Programación Entera y el TSP Descripción del Problema Definición: Dado un conjunto finito de ciudades, y costos de viaje entre
Más detallesPlanificación de la expansión de capacidad de un sistema de potencia térmo-eléctrico bajo condiciones de incertidumbre
Planificación de la expansión de capacidad de un sistema de potencia térmo-eléctrico bajo condiciones de incertidumbre Víctor M. Albornoz S. Manuel E. Rojas A. Departamento de Industrias Universidad Técnica
Más detallesMin 2x x 2 2 2x 1 x 2 6x 2 4x 1 s.a. x x 2 2 = 1 x 1, x 2 0
DEPARTAMENTO DE ESTADÍSTICA E INVESTIGACIÓN OPERATIVA Ampliación de la Investigación Operativa. Curso 2001/2002 Segundo de la Diplomatura de Estadística Examen de Septiembre. Fecha: 10-9-2002 1. Dado el
Más detallesCasos especiales de la P. L.
Casos especiales de la P. L. Las redes: Las redes están presentes en diferentes lugares en la vida real: redes de transporte, flujo eléctrico y comunicaciones, por ejemplo. Las redes: También son ampliamente
Más detallesCasos especiales de la P. L.
Casos especiales de la P. L. Problemas de flujo mínimo Planteamiento del problema Son problemas de programación lineal con ciertas estructuras especiales Permiten ser trabajados con algoritmos especiales
Más detallesAlgoritmos de Aproximación para el problema de Corte de Multicaminos (Multiway Cut)
Algoritmos de Aproximación para el problema de Corte de Multicaminos (Multiway Cut) Julián Viera Curso de Algoritmos de Aproximación 2016 Facultad de Ingeniería - IMERL 24 de octubre de 2016 Definición
Más detallesFormulación del problema de la ruta más corta en programación lineal
Formulación del problema de la ruta más corta en programación lineal En esta sección se describen dos formulaciones de programación lineal para el problema de la ruta más corta. Las formulaciones son generales,
Más detallesPROGRAMA DE CURSO SCT
PROGRAMA DE CURSO Código Nombre MA4702 Programación Lineal Mixta : Teoría y Laboratorio Nombre en Inglés Mixed Integer Programming : Theory and Laboratory SCT Horas Horas de es Horas de Docencia Trabajo
Más detallesBCP Una biblioteca para el desarrollo de algoritmos tipo Branch-and-Cut-and-Price
BCP Una biblioteca para el desarrollo de algoritmos tipo Branch-and-Cut-and-Price BCP: A library for Branch-and-Cut-and-Price algorithm development Kenny Angelo Martín Rodríguez Departamento de Ingeniería
Más detallesIntersección de Segmentos de Recta (2) Geometría Computacional, MAT-125
Intersección de Segmentos de Recta (2) Geometría Computacional, MAT-125 Qué estructuras de datos necesitamos para implementar este algoritmo? cola de eventos Q. Operaciones: Eliminar el próximo evento
Más detallesIN34A Optimización CTP Nº3 29 de Octubre, 2008
Profesores: Leonardo López, Ximena Schultz, Richard Weber Auxiliares: Fernanda Bravo. André Carboni, Nelson Devia, Ignacio Escobar, Rodrigo Wolf IN34A Optimización CTP Nº3 29 de Octubre, 2008 Don Zippy,
Más detallesOPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA. Tema 3 Programación Entera
OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA Tema 3 Programación Entera ORGANIZACIÓN DEL TEMA Sesiones: Introducción y formulación Variables binarias Métodos de solución OPTIMIZACIÓN DE MODELOS DISCRETOS
Más detallesMétodo de las gran M. Éste método añade variables artificiales, que no deben de aparecer en la solución óptima final
Método de las gran M Éste método añade variables artificiales, que no deben de aparecer en la solución óptima final P o = c 1 x 1 +. + c n x n P a = c 1 x 1 +. + c n x n + Mx a1 +.+Mx am Objetivo original
Más detallesUNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 16 de febrero de 2007
UNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa de febrero de 7 Problema. ( puntos Dado el problema de programación lineal: Maximizar x x + x s.a x + x x x x +
Más detallesPREFACIO... xvi. CAPÍTULO 1 Introduction... 1
ÍNDICE PREFACIO... xvi CAPÍTULO 1 Introduction... 1 1.1 Orígenes de la investigación de operaciones... 1 1.2 Naturaleza de la investigación de operaciones... 2 1.3 Efecto de la investigación de operaciones...
Más detallesModelos de optimización y lenguajes algebraicos de modelado. Andrés Ramos
Modelos de optimización y lenguajes algebraicos de modelado Andrés Ramos Modelo Esquema teórico, generalmente en forma matemática, de un sistema o de una realidad compleja (por ejemplo, la evolución económica
Más detallesUNIT 2 DIVISIBILITY 1.- MULTIPLES AND FACTORS Concept of multiple Concept of factor
UNIT 2 DIVISIBILITY 1.- MULTIPLES AND FACTORS 1.1.- Concept of multiple We say that a number a is a multiple of another number b if the division a : b is an exact division, that is, if b contains a a whole
Más detallesOptimización bajo Incertidumbre. 0. Revisión. Depto. Investigación Operativa. Instituto de Computación. Facultad de Ingeniería, UdelaR
Optimización bajo Incertidumbre 0. Revisión Carlos Testuri Germán Ferrari Depto. Investigación Operativa. Instituto de Computación. Facultad de Ingeniería, UdelaR 2003-17 Contenido 1 Revisión Probabilidad
Más detalles