Inteligencia Computacional (IA95 021) Algoritmos Simples de Optimización Ciega
|
|
- Andrea Aguirre Rivero
- hace 7 años
- Vistas:
Transcripción
1 Algoritmos Simples de Optimización Ciega c M. Valenzuela (17 de enero de 2006) 1. Optimización ciega 1.1. Introducción Algoritmos genéticos y recocido simulado son métodos de optimización ciega. Por optimización ciega se entiende la búsqueda de los parámetros que hacen que se optimice (maximice o minimice) la evaluación de una función dada. En optimización ciega no se asume que se tenga acceso a la función que se está optimizando, únicamente es necesario tener acceso a su evaluación. Las técnicas de optimización ciega son de gran importancia práctica debido a que con ellas muchos problemas que incialmente no serían concebidos como problemas de optimización, pueden ser atacados como problemas de optimización. A continuación se presentan dos ejemplos. Ejemplo: Diseño de motor de combustión interna Suponga que se desea diseñar un motor de combustióninternaquesealomás eficiente posible, esto es, que convierta con la máxima eficiencia posible la energía química en el combustible en energía mecánica. Suponga además que se cuenta con un simulador de diseños de motores al cual se le puede dar un diseño especificado por una serie de parámetros (número de cilindros, tamaño de los cilindros, tipo de carburador, forma de los cilindros, etc.) y que con estos datos el simulador puede calcular la eficiencia del motor especificado. Es posible realizar la búsqueda del mejor diseño mediante un método de optimización ciega que utilice el simulador como función objetivo, y que encuentre el conjunto de parámetros de diseño que tengan la máxima eficiencia. Ejemplo: Diseño de amplificadores electrónicos El diseño de amplificadores electrónicos de varias etapas con elementos discretos es muy penoso. Usualmente, se especifica el comportamiento deseado de un amplificador en términos de la impedancia de entrada, la impedancia de salida, la ganacia de voltaje, corriente o potencia, etc. Dadas estas características deseadas, el ingeniero en electrónica se decide por un número de etapas (transistores) e intenta resolver el problema. El problema que resulta es uno en el que el número de incógnitas es mayor al número de ecuaciones que resultan de representar las restricciones impuestas por las características deseadas, es decir, que hay más de un diseño posible. El procedimiento usual es definir arbitrariamente los valores de algunas componentes (resistencias) y a partir de estos valores tratar de obtener el valor de las demás. Si se encuentra que no se pueden resolver las ecuaciones resultantes, se modifican, arbitrariamente de nuevo, los valores que se fijaron inicialmente. Este proceso se repite hasta alcanzar un diseño válido. Mediante el uso de técnicas de optimización ciega, y teniendo un simulador de circuitos electrónicos que pueda verificar la calidad de un diseño en cuanto aqué tanto se acerca a las características deseadas, es posible encontrar diseño óptimos en cuanto a su comportamiento y costo. Estos ejemplos muestran cómo los problemas de optimización ciega aparecen en áreas de aplicación muy diversas. Los anteriores ejemplos intentan dar una explicación intuitiva de lo que es optimización ciega y de su importancia práctica. A continuación se definen estos conceptos formalmente y se introduce la notación que se utilizará Definiciones Suponga que existe una función f(x) (denominada función objetivo), donde x pertenece a un dominio acotado y definido, y el rango de f(x) es el conjunto de los números reales.
2 función objetivo x diseño? f(x) evaluación Figura 1: Optimización ciega. Definición 1 Se le llama espacio de búsqueda al conjunto de todos los valores que puede tomar x, es decir, al dominio de f(x). Definición 2 Por intento se entiende una evaluación de f(x) para un valor dado, digamos x 0,es decir f(x = x 0 ). Definición 3 Se denomina optimización ciega a la clase de algoritmo que mediante intentos repetidos sobre f(x) trata de encontrar un valor (o valores) x que optimice la función f(x). En la tabla 1 se relacionan las definiciones con los ejemplos de la sección anterior. amplificador electrónico función objetivo Programa computacional que simula amplificadores electrónicos yqueevalúa la diferencia entre las características deseadas y las producidas por un amplificador determinado espacio de búsqueda Conjunto de los diseños posibles de amplificadores electrónicos con algunas restricciones determinadas intento Evaluación de un amplificador electrónico determinado motor Programa computacional que simula motores de combustión interna y que evalúa la diferencia entre las características deseadas y las producidas por un amplificador determinado Conjunto de los diseños de motores de combustión interna posibles con algunas restricciones determinadas Evaluación de un motor de combustión interna determinado Cuadro 1: Ejemplos de optimización ciega. Es importante hacer notar que los algoritmos de optimización ciega se guían únicamente por la evaluación de la función objetivo, y que no emplean ninguna información adicional como por ejemplo las derivadas de la función objetivo. La optimización que hace un algoritmo de optimización ciega puede ser maximización o minimización. Recocido simulado, búsqueda tabú, y algoritmos genéticos son algunos de los algoritmos más utilizados de optimización ciega que existen. Otros algoritmos son programación evolutiva, estrategias evolutivas, búsqueda estocástica de alpinista, y programación genética. En el resto de este apunte repasaremos algunos algoritmos sencillos de optimización ciega que son base para los algoritmos genéticos. 2. Búsqueda secuencial y búsqueda aleatoria El algoritmo posiblemente más sencillo que se podría idear para resolver un problema de optimización ciega consiste en ir evaluando todos los puntos en el espacio de búsqueda de alguna manera ordenada que evite repeticiones, es decir, hacer intentos de acuerdo a una regla que asegure que, si el algoritmo se corre por suficiente número de intentos, cada punto del espacio de búsqueda c M. Valenzuela, (17 de enero de 2006) Página 2
3 será evaluado una vez, y solamente una vez. A este algoritmo se le denomina búsqueda secuencial. El siguiente pseudocódigo se implementa búsqueda secuencial. Búsqueda Secuencial x generar primer elemento en la secuencia x s generar siguiente elemento en la secuencia si x s es mejor que x entonces x x s regresar x El criterio de terminación que aparece en este pseudocódigo depende de la aplicación y del usuario. Algunas maneras usuales de terminar un algoritmo de optimización ciega son número de intentos, tiempo de ejecución, calidad de la solución alcanzada, y número de intentos sin mejora. Cuando se deja correr búsqueda secuencial hasta que se hacen intentos con todos los puntos del espacio de búsqueda, se dice que se realizó una búsqueda exhaustiva. La búsqueda exhaustiva asegura que el óptimo es encontrado, sin embargo, esta búsqueda tiene un alto costo computacional. Los algoritmos de optimización ciega intentan obtener soluciones cercanas en evaluación al óptimo examinando un porción del espacio de búsqueda. Otro algoritmo sumamente sencillo de optimización ciega es el de búsqueda aleatoria. En búsqueda aleatoria el espacio de búsqueda se visita en forma aleatoria, es decir, en cada ciclo del algoritmo el punto del espacio de búsqueda a evaluar se escoge aleatoriamente. El siguiente pseudocódigo implementa búsqueda aleatoria. Búsqueda Aleatoria x generar intento aleatorio x a generar intento aleatorio si x a es mejor que x entonces x x a fin-si regresar x Búsqueda exhaustiva y búsqueda aleatoria son comúnmente utilizados como niveles de referencia. La búsqueda exhaustiva nos sirve para determinar el número mínimo de intentos que un algoritmo necesita realizar para asegurar que obtiene el óptimo. Otros algoritmos de optimización ciega se comparan con búsqueda aleatoria en cuanto al número esperado de intentos para obtener una solución de cierta calidad. El algoritmo de búsqueda aleatoria posee una característica especial: no asume que la función objetivo tenga ninguna característica en particular, es decir, no intenta explotar ninguna característica de la función objetivo para guiar la búsqueda. Todos los demás algoritmos de optimización ciega, implícita o explícitamente, asumen que la función objetivo posee alguna cualidad, característica, o propiedad, explotable. 3. Algoritmos basados en una búsqueda local Diremos que una función objetivo es suave si la correlación entre la evaluación de dos puntos en el espacio de búsqueda está relacionada inversamente con la distancia entre ellos, es decir, si puntos cercanos en el espacio de búsqueda tienen evaluaciones parecidas. Si una función es suave (y posiblemente, si tiene pocos extremos) una estrategia que lleva al óptimo es la de búsqueda local. c M. Valenzuela, (17 de enero de 2006) Página 3
4 Búsqueda Local x generar intento aleatorio x v generar vecino de x si x v es mejor que x entonces x x v fin-si regresar x La idea de la búsqueda local puede generalizarse a una familia de algoritmos que intenta explotar la característica de la suavidad de la función objetivo. En este tipo de algoritmo, se escoge aleatoriamente uno o varios puntos iniciales 1.Después, en un ciclo principal, se hacen modificaciones pequeñas a estos puntos y se escogen con mayor probabilidad los puntos que tienen mejor evaluación. El ciclo principal se repite hasta que se cumple un criterio de terminación dado. Los algoritmos genéticos se basan parcialmente en estos algoritmos de búsqueda local. En la notación de algoritmos genéticos, la modificaciónqueselehaceaunpuntoselellamamutación: Definición 4 La mutación de un punto x en el espacio de búsqueda consiste en obtener otro punto x m haciendo una modificación al punto original. La modificación es usualmente aleatoria y pequeña. La manera en que se hace la mutación define una vecindad alrededor del punto original. Esta vecindad es el conjunto de puntos que se pueden producir por mutación a partir del punto original. 4. Algoritmos de mutación y selección Sin llegar a presentar un algortimo genético completo, en las siguiente secciones se presentan varios algoritmos de creciente complejidad basados en búsqueda local. A estos algoritmos les llamaremos algoritmos de mutación y selección Un padre, varios hijos El caso más sencillo de mutación y selección es el de tener un solo padre, hacer un número fijo m de nuevos intentos, y escoger el mejor de estos intentos. Asumiremos, sin incluirlo explícitamente en el pseudocódigo, que un individuo se evalúa en el momento en que es creado. MS(1m): Mutación y selección(1 padre, m hijos) padre individuo aleatorio para i 1 hasta n hijos i mutar(padre) padre mejor(hijos) regresar padre La función mutar(padre) regresa un individuo que resulta de la mutación de padre de acuerdo a alguna regla establecida. La función mejor(hijos) regresa el hijo con mejor evaluación. 1 En caso de saber en qué región del espacio de búsqueda se encuentra el óptimo, los puntos iniciales se definen en esta región. c M. Valenzuela, (17 de enero de 2006) Página 4
5 4.2. Varios padres, varios hijos El algoritmo de la sección anterior puede complicarse permitiendo que exista una población de individuos. En cada generación se producen m hijos a partir de los n padres; después se selecciona a los n mejores hijos. MS(nm): Mutación y selección(n padres, m hijos) padres n individuos aleatorios para i 1 hasta m hijos i mutar(padre escogido aleatoriamente) padres mejores(n, hijos) regresar mejor(padres) La función mejores(n, hijos) regresa los n hijos mejor evaluados. Una variación posible a los algoritmos de mutación y selección presentados es el permitir que los buenos intentos obtenidos no sean olvidados, esto es, que si se encuentran padres que no son superados por los hijos, se permita a los padres seguir viviendo. Se denomina traslape generacional al hecho de que los padres puedan vivir y competir con sus hijos. El siguiente algoritmo implementa una forma sencilla de traslape generacional donde los hijos y los padres se mezclan en un grupo de donde son elegidos los m mejores individuos en cada generación. MSt(nm): Mutación y selección con traslape generacional(n,m) padres n individuos aleatorios para i 1 hasta m hijos mutar(padre escogido aleatoriamente) padres mejores(n, padres+hijos) regresar mejor(padres) 5. Algoritmos más complejos Recocido simulado es una forma de mutación y selección con un padre y un hijo con traslape generacional. En recocido simulado el método de selección es estocástico; dependiendo de una temperatura existe una probabilidad de escoger al peor individuo. La temperatura se varía durante la corrida de manera que al principio el algoritmo hace casi búsqueda aleatoria, y al final hace estrictamente mutación y selección con un padre y un hijo y con traslape generacional. Búsqueda tabú es una forma de mutación y selección con un padre y un hijo sin traslape generacional. En búsqueda tabú lamutación se hace de acuerdo a una regla especial que impide que el algoritmo regrese a un punto visitado recientemente. En los algoritmos presentados de selección y mutación la selección se hace escogiendo a los n mejores individuos de cada generación y desechando los demás. A estos n individuos escogidos se les da la misma capacidad reproductiva, es decir, ninguno de ellos tiene un número esperado mayor de hijos. Esta forma de selección ignora las diferencias de evaluación entre los individuos escogidos. En algoritmos genéticos comúnmente se utilizan métodos de selección donde el número esperado de hijos depende de la evaluación del individuo; de esta forma se aprovechan las diferencias de evaluación para guiar la búsqueda. A continuación se presenta un algoritmo de mutación y selección que implementa esta idea. Este algoritmo está diseñado exclusivamente para problemas de maximización. c M. Valenzuela, (17 de enero de 2006) Página 5
6 MSp(n,n): Mutación y selección proporcional(n,n) padres n individuos aleatorios f prom promedio-evaluación(padres) para i 1 hasta n p i evaluación/f prom para i 1 hasta n hijos i mutar(padre j escogido con probabilidad p j ) copiar(padres, hijos) regresar mejor(padres) La variable f prom mantiene un promedio de la evaluación de la poblaciónqueseobtienecon la función promedio-evaluación(padres). La variable p i es la probabilidad de que el padre i sea escogido para producir un hijo. La función copiar(padres, hijos) escribe los hijos sobre los padres borrando a los padres. c M. Valenzuela, (17 de enero de 2006) Página 6
Inteligencia Artificial
Algoritmos genéticos Bases En la naturaleza todos los seres vivos se enfrentan a problemas que deben resolver con éxito, como conseguir más luz solar o conseguir comida. La Computación Evolutiva interpreta
Más detallesIntroduccion a la Optimizacion. Inteligencia Artificial II Rafael Vazquez Perez
Introduccion a la Optimizacion Inteligencia Artificial II Rafael Vazquez Perez Introduccion a la Optimizacion 1.1.- Búsqueda de la Mejor Solución 1.1.1.- Definición de Optimización 1.1.2.- Búsqueda de
Más detallesSon una clase particular de los algoritmos evolutivos.
Algoritmos Genéticos (AGs) Los AGs son técnicas de resolución para problemas de Búsqueda Optimización Aprendizaje en máquinas Son una clase particular de los algoritmos evolutivos. Los AGs intentan resolver
Más detallesPráctica 1.- Característica del diodo Zener
A.- Objetivos Práctica 1.- Característica del diodo ener 1.-Medir los efectos de la polarización directa e inversa en la corriente por el diodo zener. 2.-Determinar experimentalmente y representar la característica
Más detallesAlgoritmos genéticos
Algoritmos genéticos Introducción 2 Esquema básico 3 El problema de la mochila 7 Asignación de recursos 0 El problema del viajante 3 Variantes del esquema básico 5 Por qué funciona? 9 Observaciones finales
Más detallesESTRUCTURAS ALGORITMICAS
ESTRUCTURAS ALGORITMICAS El proceso de resolución de problemas en un ordenador conduce a la escritura de un programa y su ejecución. Las fases en el desarrollo de un programa pueden resumirse de la siguiente
Más detallesUNIDAD VIII FUNCIONES, RELACIONES Y GRAFICAS. Módulo 13 Funciones. OBJETIVO Definir el concepto de función así como sus características.
UNIDAD VIII FUNCIONES, RELACIONES Y GRAFICAS Módulo 13 Funciones OBJETIVO Definir el concepto de función así como sus características. En la vida diaria nos encontramos (a veces sin darnos cuenta) con
Más detallesNP-Completeness: Universidad Autónoma de Nuevo León Facultad de Ingeniería Mecánica y Eléctrica División de Posgrado en Ingeniería de Sistemas
Universidad Autónoma de Nuevo León Facultad de Ingeniería Mecánica y Eléctrica División de Posgrado en Ingeniería de Sistemas Complejidad del problema de la Mochila NP-Completeness: (Knapsack problem)
Más detallesIngeniería en Sistemas Computacionales. Inteligencia Artificial. Ing. Bruno López Takeyas. Algoritmo Hill Climbing
Ingeniería en Sistemas Computacionales Inteligencia Artificial Ing. Bruno López Takeyas Algoritmo Hill Climbing Alumnos Ylliana Samantha Anderson Benavides 01100161 Pablo Saúl Hernández Ribota 01100230
Más detallesCurso de Inteligencia Artificial
Curso de Inteligencia Artificial Modelos Ocultos de Markov Gibran Fuentes Pineda IIMAS, UNAM Redes Bayesianas Representación gráfica de relaciones probabilísticas Relaciones causales entre variables aleatorias
Más detallesÁrboles balanceados (AVL) Tablas de dispersión (Hash) Colas de prioridad (Heap)
Práctico 4 Árboles balanceados (AVL) Tablas de dispersión (Hash) Colas de prioridad (Heap) Clasificación de ejercicios: (I) Imprescindibles (R) Recomendados (C) Complementarios Árboles balanceados (AVL)
Más detallesProgramación Lineal. El método simplex
Programación Lineal El método simplex El método simplex es una herramienta algebraica que permite localizar de manera eficiente el óptimo entre los puntos extremos de una solución a un problema de programación
Más detallesLa eficiencia de los programas
La eficiencia de los programas Jordi Linares Pellicer EPSA-DSIC Índice General 1 Introducción... 2 2 El coste temporal y espacial de los programas... 2 2.1 El coste temporal medido en función de tiempos
Más detallesSimulación de eventos discretos.
Simulación de eventos discretos http://humberto-r-alvarez-a.webs.com Qué es simulación? Consiste en diseñar y desarrollar un modelo computarizado de un sistema o proceso y conducir experimentalmente con
Más detalles4. NÚMEROS PSEUDOALEATORIOS.
4. NÚMEROS PSEUDOALEATORIOS. En los experimentos de simulación es necesario generar valores para las variables aleatorias representadas estas por medio de distribuciones de probabilidad. Para poder generar
Más detalles1.2 CONJUNTOS DEFINIDOS MEDIANTE FUNCIONES
1.. Conjuntos definidos mediante funciones 1. CONJUNTOS DEFINIDOS MEDIANTE FUNCIONES A lo largo de este texto se verá la necesidad de diferenciar dos eventos: dada una función, encontrar los diferentes
Más detalles1: INTRODUCCIÓN AL USO DE LA HOJA DE CALCULO EXCEL COMO HERRAMIENTA PARA DESARROLLAR PROBLEMAS EN INGENIERÍA. SOLVER, REGRESION LINEAL MULTIPLE
Practica 1: INTRODUCCIÓN AL USO DE LA HOJA DE CALCULO EXCEL COMO HERRAMIENTA PARA DESARROLLAR PROBLEMAS EN INGENIERÍA. SOLVER, REGRESION LINEAL MULTIPLE I. INTRODUCCION Las planillas de cálculo se han
Más detallesGuía práctica de estudio 03: Algoritmos
Guía práctica de estudio 03: Algoritmos Elaborado por: M.C. Edgar E. García Cano Ing. Jorge A. Solano Gálvez Revisado por: Ing. Laura Sandoval Montaño Guía práctica de estudio 03: Algoritmos Objetivo:
Más detallesComputación Evolutiva Algoritmos Genéticos
Computación Evolutiva Algoritmos Genéticos Diego Milone Inteligencia Computacional Departamento de Informática FICH-UNL Hace 200 años... Inteligencia Computacional - FICH - UNL La idea de que las especies
Más detallesTEMA 1. Introducción
Fundamentos de los Computadores. Introducción. T1-1 TEMA 1. Introducción INDICE: SISTEMAS SISTEMAS CONTINUOS Y DISCRETOS EN EL TIEMPO SEÑALES SISTEMAS DIGITALES DESCRIPCIÓN DE LOS SISTEMAS DIGITALES Fundamentos
Más detallesEs un conjunto de palabras y símbolos que permiten al usuario generar comandos e instrucciones para que la computadora los ejecute.
Los problemas que se plantean en la vida diaria suelen ser resueltos mediante el uso de la capacidad intelectual y la habilidad manual del ser humano. La utilización de la computadora en la resolución
Más detallesAlgoritmos y solución de problemas. Fundamentos de Programación Otoño 2008 Mtro. Luis Eduardo Pérez Bernal
Algoritmos y solución de problemas Fundamentos de Programación Otoño 2008 Mtro. Luis Eduardo Pérez Bernal Introducción Departamento de Electrónica, Sistemas e Informática En las ciencias de la computación
Más detallesAlgoritmos. Medios de expresión de un algoritmo. Diagrama de flujo
Algoritmos En general, no hay una definición formal de algoritmo. Muchos autores los señalan como listas de instrucciones para resolver un problema abstracto, es decir, que un número finito de pasos convierten
Más detallesTransistor BJT como Amplificador
Transistor BJT como Amplificador Lección 05.2 Ing. Jorge Castro-Godínez Escuela de Ingeniería Electrónica Instituto Tecnológico de Costa Rica II Semestre 2013 Jorge Castro-Godínez Transistor BJT como Amplificador
Más detalles1. Introducción 2. Esquema básico 3. Codificación 4. Evaluación 5. Selección 6. Operadores 7. Ejemplo. Algoritmos genéticos
1. Introducción 2. Esquema básico 3. Codificación 4. Evaluación 5. Selección 6. Operadores 7. Ejemplo Algoritmos genéticos Introducción Propuestos por Holland, mediados 70, computación evolutiva Popularizados
Más detallesSIMULATED ANNEALING. Un algoritmo estocástico de búsqueda local
SIMULATED ANNEALING Un algoritmo estocástico de búsqueda local SIMULATED ANNEALING Hill-Climbing es un algoritmo incompleto porque puede estancarse en óptimos locales y no alcanzar el óptimo global pero
Más detallesFigura 1: Esquema de las tablas simplex de inicio y general.
RELACIONES PRIMAL-DUAL Los cambios que se hacen en el modelo original de programación lineal afectan a los elementos de la tabla óptima actual el que se tenga en el momento, que a su vez puede afectar
Más detallesx se puede clasificar de acuerdo con la
CRITERIO DE LA PRIMERA DERIVADA PARA CALCULAR VALORES EXTREMOS DE UNA FUNCIÓN Conceptos clave: 7. Criterio de la primera derivada para determinar valores extremos de una función: Hipótesis. Si f(x) es
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 detallesProgramación NO Lineal (PNL) Optimización sin restricciones
Programación NO Lineal (PNL) Optimización sin restricciones Ejemplos de los problemas que se aplica la programación NO Lineal: Problema de transporte con descuentos por cantidad : El precio unitario de
Más detalles1 Control Óptimo. 1.1 Introducción Problema típico de control óptimo
1 Control Óptimo 1.1 Introducción El control óptimo es una rama del control moderno que se relaciona con el diseño de controladores para sistemas dinámicos tal que se minimice una función de medición que
Más detalles7. PROGRAMACION LINEAL
7. PROGRAMACION LINEAL 7.1. INTRODUCCION A LA PROGRMACION LINEAL 7.2. FORMULACION DE UN PROBLEMA LINEAL 7.3. SOLUCION GRAFICA DE UN PROBLEMA LINEAL 7.4. CASOS ESPECIALES DE PROBLEMAS LINEALES 7.4.1. Problemas
Más detallesMODELIZACION 01. Universidad Nacional de La Pampa Facultad de Ciencias Económicas y Jurídicas 18 - Métodos Cuantitativos para la Administración
Bibliografía Mathur y Solow; Investigación de Operaciones - El arte de la toma de decisiones. Ed. Prentice Hall Anderson, Sweeney y Williams; Introducción a los modelos cuantitativos para Administración.
Más detallesBÚSQUEDA INTELIGENTE BASADA EN METAHEURÍSTICAS
Departamento de Inteligencia Artificial Grupo de Análisis de Decisiones y Estadística BÚSQUEDA INTELIGENTE BASADA EN METAHEURÍSTICAS PRÁCTICAS 1 Existen varias características que pueden causar dificultades
Más detallesProgramación Evolutiva
Introducción a la Computación Evolutiva Quinta Clase: Programación Evolutiva Programación Evolutiva Desarrollada en USA durante los años 60 Autores principales: D. Fogel Aplicada típicamente a: PE tradicional:
Más detallesTema 01: Algoritmia y diagramas de flujo. Estructuras de datos (Prof. Edgardo A. Franco)
Tema 1 Estructuras de datos (Prof. Edgardo A. Franco) Contenido Algoritmia Qué es un algoritmo? Métodos algorítmicos Diagrama de flujo Símbolos utilizados en los diagramas de flujo Reglas para la construcción
Más detallesTema 6: Búsqueda local y algoritmos genéticos
Tema 6: Búsqueda local y algoritmos genéticos José Luis Ruiz Reina Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Inteligencia Artificial I, 2012 Índice Problemas
Más detallesPRÁCTICA FUNDAMENTOS DE ALGORITMOS I. Objetivos
Objetivos El alumno conocerá las estructuras básicas para el diseño de algoritmos 1. Conocerá las estructuras secuenciales y de decisión para construir algoritmos 2. Diseñará algoritmos utilizando las
Más detalles1.1 CASO DE ESTUDIO: JUEGO DE CRAPS
. CASO DE ESTUDIO: JUEGO DE CRAPS El juego de Craps se practica dejando que un jugador lance dos dados hasta que gana o pierde, el jugador gana en el primer lanzamiento si tiene como total 7 u, pierde
Más detallesTeoría de Telecomunicaciones
El Ruido y su Filtraje Universidad del Cauca Teoría de Telecomunicaciones 1 Introducción El Ruido Las señales eléctricas no deseadas suelen ser generadas por diversas fuentes, generalmente clasificadas
Más detallesNotación Asintótica 2
Notación Asintótica 2 mat-151 1 Éxamen Rápido (6 minutos) Cada operación fundamental usa c milisegundos, cuánto tiempo toma contar hasta 1,000,000? Cuál es el valor de N? Cuál es el órden de complejidad
Más detallesCapítulo 3. Polinomios
Capítulo 3 Polinomios 29 30 Polinomios de variable real 31 Polinomios de variable real 311 Evaluación de polinomios Para el cálculo eficiente de los valores de un polinomio se utiliza el algoritmo de Horner,
Más detallesSISTEMAS INFORMÁTICOS PROGRAMACION I - Contenidos Analíticos Ing. Alejandro Guzmán M. TEMA 2. Diseño de Algoritmos
TEMA 2 Diseño de Algoritmos 7 2. DISEÑO DE ALGORITMOS 2.1. Concepto de Algoritmo En matemáticas, ciencias de la computación y disciplinas relacionadas, un algoritmo (del griego y latín, dixit algorithmus
Más detallesGuía práctica de estudio 03: Algoritmos
Guía práctica de estudio 03: Algoritmos Elaborado por: M.C. Edgar E. García Cano Ing. Jorge A. Solano Gálvez Revisado por: Ing. Laura Sandoval Montaño Guía práctica de estudio 03: Algoritmos Objetivo:
Más detallesINTRODUCCIÓN: OBJETIVOS:
INTRODUCCIÓN: En el desarrollo de esta práctica se observará experimentalmente el comportamiento del transistor bipolar BJT como amplificador, mediante el diseño, desarrollo e implementación de dos amplificadores
Más detallesALGORITMOS GENÉTICOS
ALGORITMOS GENÉTICOS Autor: Miguel Ángel Muñoz Pérez. Primera versión: Noviembre, 1997. Última modificación: Abril, 2005. ADVERTENCIA Si ya sabes lo que es un algoritmo genético y esperas hallar algo novedoso
Más detallesb) Con sus máquinas actuales tiene una producción anual máxima de 500 unidades.
Aplicaciones de máimos y mínimos. Criterio de la segunda Derivada: Sea f una función tal que f eiste en un intervalo ]a, b[, que contiene al número crítico c. a) Si f (c) > 0, entonces la función tiene
Más detallesDiseños Factoriales. Diseño de experimentos p. 1/25
Diseños Factoriales Diseño de experimentos p. 1/25 Introducción El término experimento factorial o arreglo factorial se refiere a la constitución de los tratamientos que se quieren comparar. Diseño de
Más detallesEjercicios para el Examen departamental
Departamento de Física Y Matemáticas Ejercicios para el Examen departamental 1ª Parte M. en I.C. J. Cristóbal Cárdenas O. 15/08/2011 Ejercicios para el examen departamental de Cálculo 1 primera parte A
Más detalles1 LIMITES Y DERIVADAS
1 LIMITES Y DERIVADAS 2.1 LA TANGENTE Y PROBLEMAS DE LA VELOCIDAD Problema de la tangente Se dice que la pendiente de la recta tangente a una curva en el punto P es el ite de las rectas secantes PQ a medida
Más detallesÁlgebra Lineal Ma1010
Álgebra Lineal Ma1010 Métodos Iterativos para Resolver Sistemas Lineales Departamento de Matemáticas ITESM Métodos Iterativos para Resolver Sistemas Lineales Álgebra Lineal - p. 1/30 En esta lectura veremos
Más detallesOptimización. Condiciones de Karush-Kuhn-Tucker ITESM. Condiciones de Karush-Kuhn-Tucker Profr. E. Uresti - p. 1/30. Dr. E Uresti
Optimización Condiciones de Karush-Kuhn-Tucker Dr. E Uresti ITESM Condiciones de Karush-Kuhn-Tucker Profr. E. Uresti - p. 1/30 Las condiciones necesarias que deben satisfacer los óptimos de problemas de
Más detallesTEMA 3: APLICACIONES DE LAS DERIVADAS
TEMA 3: APLICACIONES DE LAS DERIVADAS Monotonía: Crecimiento y decrecemento Sea f:d R R una función Definiciones: Diremos que f es creciente en x = a si existe un entorno de a para el que se cumple: f(a)
Más detallesClasificación de sistemas
Capítulo 2 Clasificación de sistemas 2.1 Clasificación de sistemas La comprensión de la definición de sistema y la clasificación de los diversos sistemas, nos dan indicaciones sobre cual es la herramienta
Más detallesALGORITMOS GENÉTICOS: ALGUNOS RESULTADOS DE CONVERGENCIA
Mosaicos Matemáticos No. 11 Diciembre, 23. Nivel Superior ALGORITMOS GENÉTICOS: ALGUNOS RESULTADOS DE CONVERGENCIA Mario Alberto Villalobos Arias Departamento de Matemáticas Centro de Investigación y de
Más detallesGUIA PARA EXAMEN DE INGRESO A INGENIERÍA EN MANTENIMIENTO INDUSTRAL.
GUIA PARA EXAMEN DE INGRESO A INGENIERÍA EN MANTENIMIENTO INDUSTRAL. PRESENTACION: La guía que a continuación se muestra, ofrece información útil para los aspirantes que desean seguir su formación profesional.
Más detallesBreve sobre Kuhn-Tucker
Breve sobre Kuhn-Tucker Alejandro Lugon 20 de agosto de 2010 Resumen Se presentan a manera de manual de referencia los resultados relevantes para la solución de problemas de maximización usando los resultados
Más detallesGENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS
GENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS La simulación de eventos se basa en la ocurrencia aleatoria de los mismos, por ello los números aleatorios y las variables aleatorias son de especial
Más detallesIntroducción a las RdP. Optimización basada en redes de Petri. Redes de Petri. Son objeto de estudio: RdP. Ejemplos:
Seminario sobre toma de decisiones en logística y cadenas de suministro Introducción a las RdP Optimización basada en redes de Petri https://belenus.unirioja.es/~emjimene/optimizacion/transparencias.pdf
Más detallesExamen de Matemáticas Aplicadas a las CC. Sociales II (Simulacro 2010) Selectividad-Opción A Tiempo: 90 minutos
Examen de Matemáticas Aplicadas a las CC. Sociales II (Simulacro 2010) Selectividad-Opción A Tiempo: 90 minutos Problema 1 (3 puntos) Se considera el siguiente sistema lineal de ecuaciones, dependiente
Más detallesLABORATORIO No. 3 MODELAMIENTO Y ANALISIS DINAMICO DE SISTEMAS ELECTRICOS
UNIVERSIDAD FRANCISCO DE PAULA SANTANDER FACULTAD DE INGENIERIA INGENIERÍA ELECTRÓNICA 1 SISTEMAS DINAMICOS 1160601 LABORATORIO No. 3 MODELAMIENTO Y ANALISIS DINAMICO DE SISTEMAS ELECTRICOS INSTRUCCIONES
Más detallesDerivadas Parciales (parte 2)
40 Derivadas Parciales (parte 2) Ejercicio: Si donde y. Determinar Solución: Consideraremos ahora la situación en la que, pero cada una de las variables e es función de dos variables y. En este caso tiene
Más detallesDr. Juan R. Mejías Ortiz 1
Dr. Juan R. Mejías Ortiz 1 Un tema central en el estudio del Cálculo es el concepto de límite. A medida que avance el curso se notará que éste concepto aparece en la definición de los conceptos más importantes
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 detallesAlgoritmos Genéticos. Introducción a la Robótica Inteligente. Álvaro Gutiérrez 20 de abril de
Algoritmos Genéticos Introducción a la Robótica Inteligente Álvaro Gutiérrez 20 de abril de 2016 aguti@etsit.upm.es www.robolabo.etsit.upm.es Índice 1 Introducción 2 Algoritmos Genéticos 3 Algunos Fundamentos
Más detallesAnálisis de Algoritmos
Análisis de Algoritmos Amalia Duch Barcelona, marzo de 2007 Índice 1. Costes en tiempo y en espacio 1 2. Coste en los casos mejor, promedio y peor 3 3. Notación asintótica 4 4. Coste de los algoritmos
Más detallesZ Optima X 1 + X 2 5 Z 1 -X 1 + 2X Región factible. Figura 1
Método Gráfico El procedimiento geométrico, es únicamente adecuado para resolver problemas muy pequeños (con no más de dos variables debido al problema de dimensionalidad). Este método provee una gran
Más detallesEl método simplex 1. 1 Forma estándar y cambios en el modelo. 2 Definiciones. 3 Puntos extremos y soluciones factibles básicas. 4 El método simplex.
El método simplex Forma estándar y cambios en el modelo. Definiciones. Puntos extremos y soluciones factibles básicas. 4 El método simplex. Definiciones y notación. Teoremas. Solución factible básica inicial.
Más detallesFUNCIÓN EXPONENCIAL. Ing. Caribay Godoy Rangel
FUNCIÓN EXPONENCIAL Definir e identificar una función exponencial, establecer su dominio y rango. Conocer las características de la gráfica de una función exponencial. Explorar el cambio gráfico que se
Más detallesProgramación (PRG) PRÁCTICA 10. Algoritmos de búsqueda
Programación (PRG) Facultad de Informática Departamento de Sistemas Informáticos y Computación Universidad Politécnica de Valencia 1. Introducción El objetivo de esta práctica es estudiar el comportamiento
Más detallesMétodos Numéricos (SC 854) Solución de ecuaciones no lineales. 1. Definición del problema: raíces de ecuaciones no lineales
Solución de ecuaciones no lineales c M. Valenzuela 007 008 (5 de mayo de 008) 1. Definición del problema: raíces de ecuaciones no lineales Dada una ecuación de una variable independiente x, f(x) =0, (1)
Más detallesPRACTICA Nº 7 AMPLIFICADORES CON TRANSISTORES BIPOLARES
UNIVERSIDAD SIMON BOLIVAR DPTO. ELECTRONICA Y CIRCUITOS LAB. CIRCUITOS ELECTRONICOS I EC1181 PRACTICA Nº 7 AMPLIFICADORES CON TRANSISTORES BIPOLARES OBJETIVO Familiarizar al estudiante con el diseño y
Más detallesAPRENDIZAJE Y ENTRENAMIENTO. (Neural Nets Capt. 8; Hilera Capt. 3)
Tema 2: Aprendizaje y Entrenamiento Sistemas Conexionistas 1 2.- Aprendizaje o Entrenamiento. 2.1.- Aprendizaje Automático. 2.2.- Tipos de aprendizaje. APRENDIZAJE Y ENTRENAMIENTO. (Neural Nets Capt. 8;
Más detallesDEPARTAMENTO DE MATEMÁTICAS. IES GALLICUM
UNIDAD I: NÚMEROS (6 Horas) 1.- Repasar el cálculo con números racionales y potencias de exponente entero. 2.- Resolver problemas de la vida cotidiana en los que intervengan los números racionales. 1.-
Más detallesPrincipio de Superposición
1 Sistemas en tiempo continuo discreto Un sistema en tiempo continuo discreto e puede ver como una transformación que se aplica a una señal de entrada en tiempo continuo discreto y produce una señal de
Más detallesSe inicia con las especificaciones del módulo fotovoltaico.
Con base en las especificaciones técnicas del inversor SB 3000U y de un módulo fotovoltaico de 175 watts, indicar los valores los parámetros característicos requeridos para el dimensionamiento del sistema.
Más detallesOptimización de Procesos
Optimización de Procesos Tier II: Casos de Estudio Sección 1: Software de Optimización Lingo Software de Optimización Muchos de los métodos de optimización previamente vistos pueden ser tediosos y requieren
Más detallesFLOW-SHOP SIN PULMONES:
Documento Interno de Trabajo. Laboratorio de Organización Industrial. Departamento de Organización de Empresas Presentado: I Workshop de Ingeniería de Organización. Bilbao, 21-22 de Septiembre de 2000.
Más detallesMOLARIDAD: UN MODELO DISEÑADO CON UNA HOJA DE CÁLCULO
Informática Educativa Vol. 9, No. 2, 1996 UNIANDES - LIDIE, Colombia pp. 139-144 MOLARIDAD: UN MODELO DISEÑADO CON UNA HOJA DE CÁLCULO Rodolfo José PINEDA SANTIS RESUMEN Este artículo describe un modelo
Más detallesTécnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO
Técnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO 2 Objetivo El objetivo principal de las técnicas de clasificación supervisada es obtener un modelo clasificatorio válido para permitir tratar
Más detalles6. ECUACIONES ALGEBRAICAS 1
ECUACIONES ALGEBRAICAS 1-39 - 6. ECUACIONES ALGEBRAICAS 1 En este tema comienza propiamente el estudio de los métodos numéricos que son parte del contenido de la materia. Se inicia dicho estudio con algunos
Más detallesAlgoritmos basados en hormigas
Algoritmos basados en hormigas Inteligencia Artificial Avanzada 1er. Semestre 2008 1 Aspectos Generales La metáfora de los insectos sociales para resolver problemas ha sido un tema importante a partir
Más detalles7.- Teorema integral de Fourier. Transformada de Fourier
7.- Teorema integral de Fourier. Transformada de Fourier a) Introducción. b) Transformada de Fourier. c) Teorema integral de Fourier. d) Propiedades de la Transformada de Fourier. e) Teorema de Convolución.
Más detallesInvestigación Operativa I. Programación Lineal. Informática de Gestión
Investigación Operativa I Programación Lineal http://invop.alumnos.exa.unicen.edu.ar/ - 2013 Exposición Introducción: Programación Lineal Sistema de inecuaciones lineales Problemas de optimización de una
Más detallesEl amplificador operacional
Tema 8 El amplificador operacional Índice 1. Introducción... 1 2. El amplificador diferencial... 2 3. El amplificador operacional... 4 3.1. Configuración inversora... 5 3.2. Configuración no inversora...
Más detallesCircuitos de RF y las Comunicaciones Analógicas. Capítulo II: Circuitos resonantes y Redes de acople
Capítulo II: Circuitos resonantes y Redes de acople 21 22 2. Circuitos Resonantes y Redes de Acople En este capítulo se estudiaran los circuitos resonantes desde el punto de vista del factor de calidad
Más detallesDiseño de Transformadores Monofásicos
Jorge Romo L. El diseño de cualquier equipo es un proceso de cálculo mediante el cual se trata de determinar sus dimensiones geométricas, de modo de obtener un comportamiento preespecificado. Así, en el
Más detallesPROBLEMA 1. Considere el siguiente problema de programación lineal:
PROBLEMA 1 Considere el siguiente problema de programación lineal: Sean h1 y h2 las variables de holgura correspondientes a la primera y segunda restricción, respectivamente, de manera que al aplicar el
Más detallesAlgoritmo Cuántico de Búsqueda Paralelo
Marcos Barreto Add your company slogan Agenda 1 Complejidad y el Problema 3 SAT 2 Computación Cuántica 3 Algoritmo de Shenvi 4 Algoritmo de Shenvi con vecindad 5 Algoritmo de Shenvi paralelo híbrido 6
Más detallesTema 1.0 Amplificador diferencial basado en transistores BJT
Tema 1.0 Amplificador diferencial basado en transistores BJT Particularmente este arreglo, establece un antecedente importante en el estudio de amplificadores operacionales; ya que representa una etapa
Más detallesIntroducción a la programación: Algoritmos
Introducción a la programación: Algoritmos Algoritmo La palabra algoritmo proviene del nombre del matemático persa del siglo IX Muhammad ibn Musa al-jwarizmi Un algoritmo es una secuencia ordenada de pasos,
Más detalles1.- CORRIENTE CONTINUA CONSTANTE Y CORRIENTE CONTINUA PULSANTE
UNIDAD 5: CIRCUITOS PARA APLICACIONES ESPECIALES 1.- CORRIENTE CONTINUA CONSTANTE Y CORRIENTE CONTINUA PULSANTE La corriente que nos entrega una pila o una batería es continua y constante: el polo positivo
Más detalles2 PLANTEAMIENTO DEL PROBLEMA
2 PLANTEAMIENTO DEL PROBLEMA 2.1 Descripción General El cálculo y análisis del flujo de potencias en la red de un Sistema Eléctrico de Potencia (SEP) es uno de los aspectos más importantes de su comportamiento
Más detallesAplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México
SECCIÓN DE ESTUDIOS DE POSGRADO E INVESTIGACIÓN Aplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México Presentan: Dr. Miguel
Más detallesCabrera Hernández Elizabeth Ramírez Bustos Fabián GENERACION DE NUMEROS ALEATORIOS
Cabrera Hernández Elizabeth Ramírez Bustos Fabián GENERACION DE NUMEROS ALEATORIOS NUMEROS ALEATORIOS Los números random son un elemento básico en la simulación de la mayoría de los sistemas discretos.
Más detalles259. El número de combinaciones de m objetos entre un conjunto de n, denotado por n, para n 1 y 0 m n, se puede definir recursivamente por: m
258. Aplicar el algoritmo de programación dinámica para el problema del cambio de monedas sobre el siguiente ejemplo: n = 3, P = 9, c = (1, 3, 4). Qué ocurre si multiplicamos P y c por un valor constante,
Más detallesCapítulo 3 WINDELSOL 1.0 COMO HERRAMIENTA DE TRABAJO
Capítulo 3 WINDELSOL 1.0 COMO HERRAMIENTA DE TRABAJO Debido al gran número de variables interrelacionadas que intervienen en el proceso de optimización de un SRC, el uso de herramientas informáticas resulta
Más detallesSESIÓN 11 DERIVACIÓN DE FUNCIONES TRIGONOMETRICAS INVERSAS
SESIÓN 11 DERIVACIÓN DE FUNCIONES TRIGONOMETRICAS INVERSAS I. CONTENIDOS: 1. Función inversa, conceptos y definiciones 2. Derivación de funciones trigonométricas inversas 3. Ejercicios resueltos 4. Estrategias
Más detallesUNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA FACULTAD DE INGENIERÍA CAMPUS MEXICALI TABLA DE ESPECIFICACIONES DEL EXAMEN COLEGIADO DE CÁLCULO DIFERENCIAL Eje curricular Contenidos Relevancia Cantidad de especificaciones
Más detallesDistribuciones de Probabilidad
Distribuciones de Probabilidad Variables Aleatorias Ahora se introducirá el concepto de variable aleatoria y luego se introducirán las distribuciones de probabilidad discretas más comunes en la práctica
Más detalles