Investigación operativa y optimización
|
|
- Bernardo Fernández Plaza
- hace 7 años
- Vistas:
Transcripción
1 Investigación operativa y optimización Andrés Ramos Universidad Pontificia Comillas Andres.Ramos@upcomillas.es
2 CONTENIDO INTRODUCCIÓN OPTIMIZACIÓN SOLUTION METHODS (master)
3 Definición de la Investigación Operativa (IO) Aplicación de métodos científicos analíticos avanzados en la mejora de la efectividad en las operaciones, decisiones y gestión de una empresa: Diseño y mejora de las operaciones y decisiones Resolución de problemas y ayuda en las funciones de gestión, planificación o predicción Aportan conocimiento y ayuda en la toma de decisiones Tareas: recoger y analizar datos desarrollar y probar modelos matemáticos proponer soluciones o recomendaciones interpretar la información ayudar a implantar acciones de mejora Resultados: aplicaciones informáticas, sistemas, servicios o productos.
4 En resumen La ciencia para mejorar Modelos de apoyo a la toma de decisiones Métodos analíticos avanzados
5 Problema de camino mínimo
6 Cola para sacar entradas
7 Qué sistema de colas es más efectivo? 8 colas 8 servidores 1 cola 8 servidores
8 Línea de ensamblaje de coches Cómo soldar los cordones de soldadura en un tiempo mínimo?
9 Tratamiento de cáncer de cerebro Dónde aplicar radioterapia para maximizar el impacto en células cancerígenas y minimizar el daño a otras células?
10 imetro: Subway best route calculator (
11 Casos de estudio de optimización Ayuda humanitaria Logística empresarial Sector del transporte Transporte aéreo Transporte espacial Transporte por metro Servicio de correos Suministro de agua Centro de llamadas Comercio electrónico Producción Sector bancario Sector de Administración pública Sector energético Sector eléctrico Sector sanitario Sector ganadero Gestión de proyectos Medios audiovisuales Ocio y deporte Docencia
12 Casos de optimización propuestos por estudiantes Paso del ecuador: optimizar las acciones para obtener dinero para el viaje. Método del camino crítico: minimizar el tiempo de duración de un proyecto. Optimizar el tiempo libre: minimizar el esfuerzo necesitado para pasar los exámenes de las asignaturas. Vehículo de asistencia mecánica: optimizar las alternativas de distribución de la tracción en el rally Dakar. Secuenciación de tareas: programación de tareas para minimizar el tiempo de realización. Programación de la producción de una central de bombeo y un molino de viento: operación combinada del bombeo de agua y de la producción eólica para maximizar la producción
13 Qué optimizamos hoy?
14 Historia de la IO ( Orígenes en el comienzo de la Segunda Guerra Mundial (debido a urgente asignación de recursos escasos en las operaciones militares, en problemas tácticos y estratégicos). Estas mismas técnicas se aplicaron después a las empresas. Progreso algorítmico inicial muy rápido (muchas técnicas LP, DP son anteriores a 1960). Teoría de juegos: von Neumann y Morgenstern 1944 Método Simplex: Dantzig 1947 Principio de optimalidad: Bellman 1957 Relación constante con el avance de los ordenadores. Hoy en día es posible resolver un problema LP de ecuaciones con variables en un PC.
15 Penúltima década en la optimización (década de 1990) In the last decade, new advances in algorithms have been as important as the impressive advances in computer technology George L. Nemhauser (1994) The technology improvements in algorithms, modeling languages, software, and hardware have made the methodology accessible, easy to use, and fast. So the Age of Optimization has arrived George L. Nemhauser (1994)
16 Avances algorítmicos en LP (2002) Desde CPLEX 3.0 en 1994 a CPLEX 7.0 en 2000 la mejora en el método simplex dual para un problema concreto ha sido de 28 veces Entre la versión de CPLEX 1.0 de 1988 y la 7.0 del 2000 se observa una mejora global, de software y algorítmica, de veces Como referencia, la mejora en rendimiento del hardware ha sido del mismo orden de magnitud Hoy se pueden resolver en segundos lo que hace una docena de años se habría resuelto en años.
17 CONTENIDO INTRODUCCIÓN OPTIMIZACIÓN SOLUTION METHODS (master)
18 Qué es la optimización? Encontrar el valor que deben tomar las variables para hacer óptima la función objetivo satisfaciendo el conjunto de restricciones.
19 Componentes de un problema de optimización Función objetivo Medida cuantitativa del funcionamiento (de la bondad) de un sistema que se desea maximizar o minimizar Variables Decisiones que afectan el valor de la función objetivo Restricciones Conjunto de relaciones que las variables están obligadas a satisfacer
20 Casos particulares Múltiples funciones objetivo Optimización multicriterio no hay coincidencia del óptimo para los diferentes objetivos Optimización multiobjetivo Métodos satisfacientes No existe función objetivo sistema de ecuaciones (no) lineales encontrar una solución factible No existen restricciones Optimización sin restricciones determinar el mínimo de un función aproximación de mínimos cuadrados
21 CONTENIDO INTRODUCCIÓN OPTIMIZACIÓN SOLUTION METHODS (master)
22 Optimización clásica vs. Metaheurística (i) Métodos clásicos Programación lineal Programación lineal entera mixta Programación cuadrática Programación no lineal Optimización estocástica Programación dinámica Teoría de grafos u optimización en redes Métodos metaheurísticos (Inteligencia Artificial) Algoritmos evolutivos (genéticos) Recocido o templado simulado (simulated annealing) Búsquedas tabú, aleatoria, avariciosa, dispersa (scatter search) Enjambre de partículas (particle swarm). Sistemas multiagente (colonias de hormigas)
23 Otros métodos de optimización Métodos híbridos Programación de restricciones Otros métodos clásicos de decisión Teoría de la decisión Teoría de juegos Otros métodos Teoría de conjuntos borrosos Optimización global Optimización combinatorial
24 Clasificación de modelos Atendiendo a la función objetivo Lineal, cuadrático, no lineal, no suave Atendiendo a las restricciones Sin restricciones, acotadas, lineales, no lineales, no suaves Atendiendo a las variables Continuas, discretas, estocásticas
25 NEOS Guide Optimization Tree
26 Optimización clásica vs. Metaheurística (ii) Métodos clásicos buscan el óptimo localmente garantizan el óptimo numérico permiten un elevado número de restricciones Métodos metaheurísticos Imitan fenómenos sencillos observados en la naturaleza globales, mecanismos específicos para evitar óptimos locales NO garantizan la obtención del óptimo. Permiten la obtención de múltiples subóptimos NO permiten elevado número de restricciones exploran gran número de soluciones en tiempo muy corto aplicados principalmente a problemas combinatoriales
27 Optimización sí, pero qué Modelar el optimizador es casi superfluo, es estándar Aplicaciones informáticas Seleccionar el método de optimización aplicación de un método conocido en otro contexto Implantar y mejorar un método mejorar un método de descomposición para subproblemas con variables enteras Modelos Desarrollar un nuevo método método de punto interior para NLP Matemática aplicada
28 Métodos clásicos LP (linear programming) MIP (mixed integer programming) NLP (non linear programming) QP (quadratic programming) DP (dynamic programming) NF (network flow)
29 Programación lineal (LP) (i) T min c x x Ax = b x 0 x R, c R, A R, b R n n m n m Método simplex primal y dual Método de punto interior (primal-dual, proyectivo, escalado afín)
30 Programación lineal (LP) (ii) x 2 max z = 3x + 5x x x 12 3x + 2x 18 x, x 0 (0,6) SX (2,6) PI (4,3) Rectas de isofunción objetivo (0,0) (4,0) x 1
31 Qué método usar? Método simplex primal o dual Problemas de mediano tamaño (hasta x100000) Análisis de sensibilidad o método de ramificación y acotamiento (B&B) Tiempo de ejecución depende del cubo del número de restricciones Método de punto interior Problemas de gran tamaño Tiempo de ejecución depende casi linealmente del número de elementos no nulos de la matriz de restricciones
32 Programación lineal entera mixta (MIP) (i) T min c x + x Ax + By = b x, y 0 T d y x Z, y R, c R, d R n l n l A R, B R, b R m n m l m Método de ramificación y acotamiento (branch and bound) Método de ramificación y corte (branch and cut)
33 Programación lineal entera mixta (MIP) (ii) max Z = 4x 2x + 7x x x x 10 x + x x 1 6x 5x 0 x + 2x 2x 3 x x j j j = 1,,4 enteras j = 1,,3 Z* = 13.5 ( x, x, x, x ) = (0,0,2,0.5) z=14.2 x (1,1.2,1.8,0) x z=14.25 (1.25,1.5,1.75,0) x x INFACTIBLE x z=14.16 (0.83,1,1.83,0) x z=12.16 (0.83,2,1.83,0) Resolución de un problema LP 5 z=13.5 (0,0,2,0.5) z= ˆ INFACTIBLE
34 Programación lineal entera mixta (MIP) (iii) y z=7.25 2x+y=12 3 max z = x + y x, y 4 x + y 6 : π1 3 2x + y 12 : π x, y enteras ( x, y ) = (3,5) ( π1, π 2) = (2.25,0) x/3+y= x
35 Programación no lineal (NLP) Sin restricciones No requieren derivadas Métodos de coordenadas cíclicas, Hooke & Jeeves y Nelder & Mead Requieren primeras derivadas Métodos de máximo descenso, gradiente conjugado Requieren segundas derivadas Métodos de Newton y cuasi-newton Con restricciones Métodos factibles Método del gradiente, Newton y cuasi-newton reducido Programación cuadrática secuencial Métodos de penalización Métodos de penalización y barrera Método del lagrangiano aumentado min f ( x) x g( x) = 0 h( x) 0 l x u f : n R R n g, h : R R m
36 Técnicas utilizadas en NLP Métodos factibles Aproximación de funciones mediante el desarrollo en serie de Taylor (lineal o cuadrática, primeras o segundas derivadas) Detención cuando se verifica que primera derivada es 0 Métodos de penalización Resuelven secuencias de problemas de optimización sin restricciones Método de penalización Penaliza la violación de las restricciones Método barrera Evitan que se alcance el contorno de la restricción
37 Método de Newton para función unidimensional (i) f x x x 3 2 ( ) = ( 1) + 2( 1) + 3 f x = x + x f ( x) = 6( x 1) ( ) 3( 1) 4( 1) Secuencia de puntos x 0 = 0.75 x f ( x ) 0 1 = x0 = f ( x0) x 1 = x 1 =
38 Programación cuadrática (QP) Ventaja T min c x + x Ax x = 0 b 1 2 T x Qx x R, c R, A R n n m n n n Q R, b R el hessiano es constante, la aproximación por segundas derivadas es exacta m
39 Programación dinámica (DP) (i) Técnica matemática orientada a la solución de problemas con decisiones en etapas sucesivas (espaciales o temporales) donde se debe minimizar el coste total de dichas decisiones T A B C D F K J I H G R P M L E Tramo I Tramo II Tramo III Tramo IV Tramo V Tramo VI T A B C D F K J I H G R P M L E Tramo I Tramo II Tramo III Tramo IV Tramo V Tramo VI A B C D F K J I H G R P M L E Tramo I Tramo II Tramo III Tramo IV Tramo V Tramo VI
40 Programación dinámica (DP) (ii) En cada etapa se toma la decisión óptima para pasar de cualquier estado de una etapa a la etapa siguiente teniendo en cuenta costes actuales y costes futuros Cada estado guarda toda la información necesaria para tomar las decisiones futuras sin necesidad de conocer cómo se ha alcanzado dicho estado. Es un procedimiento recursivo que resuelve de manera iterativa, incorporando cada vez una etapa, partes cada vez mayores del problema original. Puede resolverse hacia delante o hacia atrás. min J = f ( x, u ) x g u k k= 0 = φ ( x, u ) k+ 1 k k k ( x u ) k, i k k k N, = 0 x X, u U k k k k k k k
41 Teoría de grafos u optimización en redes Camino mínimo: encontrar la distancia mínima entre un origen y un destino a través de una red conexa no dirigida conociendo la distancia entre cada pareja de nodos Árbol generador mínimo: encontrar la cadena de longitud mínima que recorre todos los nodos sin ciclos Flujo máximo: dada una red conexa dirigida con arcos con capacidad limitada encontrar el flujo máximo que puede enviarse de un origen a un destino Problema de transporte/transbordo o de flujo de coste mínimo: minimizar el coste de transportar un producto desde diferentes orígenes a diferentes destinos dado el coste unitario de transporte entre cada origen y cada destino, la capacidad máxima de cada origen y la demanda de cada destino Problema de asignación de tareas: minimizar el coste total de realizar las tareas sabiendo que cada persona realiza 1 tarea y cada tarea es realizada por 1 persona dado el coste de asignación de cada tarea a cada persona
42 Métodos metaheurísticos GA (genetic algorithms) TS (tabu search) SA (simulated annealing) SS (scatter search) CE (cross entropy) PS (particle swarm)
43 Algoritmos genéticos (i) Idea: en la naturaleza sobreviven los mejores Proceso de selección en función de la medida de calidad (función de bondad o de adaptación fitness) de la solución que debe incluir la violación de restricciones. Proceso de recombinación para buscar nuevas soluciones Combinan búsqueda dirigida y estocástica. Dos objetivos aparentemente contrapuestos: búsquedas de las mejores soluciones y exploración del espacio de estados Dificultad: codificación de las soluciones de manera que en el proceso de recombinación se obtengan soluciones esencialmente factibles.
44 Algoritmos genéticos (ii) 1. Iteración i=0 2. Sea una población de soluciones (cromosomas) para la iteración i, P(i) 3. Evalúa la población de soluciones P(i) 4. Mientras no se acabe, hacer lo siguiente: Iteración i+1 Selecciona la población de soluciones de la iteración i+1 como los mejores de la iteración anterior Recombina, es decir, cruza y muta soluciones aleatoriamente elegidas para obtener nuevas soluciones Cruce (crossover): intercambio entre elementos (genes) de soluciones Mutación: alteración aleatoria de un elemento (gen) Evalúa la población de soluciones P(i+1)
45 Búsqueda tabú (Tabu Search) Idea: Trata de extraer información de lo sucedido (guarda memoria) y actuar en consecuencia. Memoria de corto plazo: Se mueve iterativamente de una solución a otra en su entorno reducido. Entorno reducido = entorno soluciones tabú La lista de soluciones tabú se ajusta dinámicamente. Se define mediante atributos para evitar guardar las soluciones como tal. Soluciones tabú son las ya visitadas. Memoria de largo plazo: almacena frecuencias u ocurrencias de atributos en soluciones visitadas para identificar o diferenciar regiones. Dos estrategias de largo plazo: Intensificar: buscar en regiones ya exploradas Diversificar: visitar áreas no exploradas
46 Templado o recocido simulado (Simulated Annealing) Idea: basado en búsqueda local donde cada movimiento de mejora se acepta y se permiten movimientos de no mejora con cierta probabilidad (función directa de la temperatura del sistema). Se comienza con una temperatura alta. Parámetros importantes: Temperatura inicial alta: fracción de movimientos aceptados T 0 Longitud: tamaño del entorno reducido k Secuencia de enfriamiento exponencial = T e α Tk 0 Probabilidad de aceptación de una nueva solución Z y Z funciones objetivo de una iteración y de la siguiente p Z Z Tk = min 1, e
47 Enjambre de partículas (Particle Swarm) Basado en el concepto de inteligencia colectiva (swarm inteligence) con dos mecanismos Influencia social Aprendizaje social Necesita además de una estructura de comunicación (red social) Algoritmo Obtención aleatoria de soluciones candidatas iniciales Cada agente evalúa las soluciones candidatas y registra la mejor para él y dónde se ha producido Se la comunica a sus vecinos y ven dónde éstos han tenido éxito Se mueven en la dirección de éxito
48 Modelo y modelado Andrés Ramos
49 Modelo Definición Esquema teórico, generalmente en forma matemática, de un sistema o de una realidad compleja (por ejemplo, la evolución económica de un país), que se elabora para facilitar su comprensión y el estudio de su comportamiento. (Diccionario de la lengua española. Real Academia Española) Representación precisa de una realidad Herramienta de ayuda a la toma de decisiones Puede involucrar equipo multidisciplinar Equilibrio entre representación detallada y capacidad de obtener la solución Modelador: especifica y desarrolla el modelo Experto: conoce el problema real
50 Dos riesgos importantes Modelado exhaustivo, cuasi real. Puede ocasionar la carencia de un algoritmo que solucione el problema Modelado simplista para utilizar un algoritmo disponible. Pueden llegar a darse soluciones de un problema que no existe El modelado debe ser un compromiso entre ambos casos patológicos
51 Modelado Ciencia Análisis y detección de las relaciones entre datos Suposiciones y aproximaciones a los problemas Algoritmos específicos de solución Soluciones del modelo Arte Visión o interpretación de la realidad Estilo en modelo y documentación Elegancia y simplicidad en desarrollo Uso de creativo de herramientas
52 Beneficios del modelado Diálogo entre modelador y experto Organiza información disponible Estructura la compresión del comportamiento del sistema Internaliza estructura organizativa de empresa Permite compartir supuestos entre modelador y experto Proporciona una herramienta para el análisis Indica dirección de mejora en decisiones
53 Etapas en el desarrollo de un modelo Identificación del problema Especificación matemática y formulación Resolución Verificación, validación y refinamiento Interpretación y análisis de resultados Implantación, documentación y mantenimiento
54 Identificación del problema Recolección de información relevante Definición del problema en términos vagos Interpretación y traducción a términos precisos Datos son vitales, suelen ser cuello de botella Etapa fundamental para que decisiones sean útiles Es imprescindible asegurarse de que el modelo representa adecuadamente la realidad que pretende reflejar.
55 Datos de entrada GIGOLO Garbage In, Garbage Out, Look Out! El mejor modelo no sirve de nada si los datos de entrada no están adecuadamente refinados
56 Especificación matemática y formulación Definición de variables, ecuaciones, función objetivo, parámetros Identificación de tipo de problema (LP, MIP, NLP) Énfasis en precisión y belleza en la formulación Análisis de tamaño y estructura del problema Categorías de problemas LP según su tamaño Restricciones Variables Caso ejemplo Tamaño medio Gran tamaño Muy gran tamaño > >
57 Diseño conceptual Al que tiene un martillo todo le parecen clavos. La técnica de modelado, así como el nivel de detalle del mismo y en general cualquier aspecto de modelado debe adecuarse a la estructura del problema, a las expectativas y necesidades del cliente
58 Modelo conceptual Un mes de programación puede ahorrarte un par de horas de biblioteca. El tiempo de menos dedicado al modelo conceptual retrasa de forma exponencial la implantación del modelo.
59 Resolución Algoritmo de obtención de solución óptima, cuasióptima o, al menos, satisfactoria Detección de soluciones cuasióptimas atractivas Diferentes métodos de solución Diferentes implantaciones del algoritmo elegido
60 Verificación, validación y refinamiento Eliminación de errores en codificación Comprobar validez de simplificaciones adoptadas Comprobación de adaptación a la realidad Ampliación en el modelado por nuevas necesidades
61 Modelo: validación El pasado no es estocástico El contraste de los resultados del modelo con datos reales del sistema es imprescindible. 1998
62 Interpretación y análisis de resultados Análisis de sensibilidad en parámetros de entrada Robustez de la solución óptima
63 Implantación, documentación y mantenimiento Etapa fundamental para el éxito de un modelo Documentación clara, precisa y completa Manual de usuario con especificación técnica funcional, matemática e informática Formación de posibles usuarios
64 Programación lineal (Linear Programming LP) Problema de la dieta Se ha determinado que las necesidades mínimas diarias en la alimentación de una ternera son 700 g de proteínas, 28 g de calcio y 150 mg de vitaminas. Los alimentos disponibles son pienso y forraje con un coste unitario de 0.30 y 0.35 /kg respectivamente. La composición nutritiva por kg de alimento se muestra en la tabla de la derecha. Pienso Forraje Proteínas (g) Calcio (g) 2 1 Vitaminas (mg) 10 5 Se trata de determinar la cantidad diaria óptima de cada alimento para minimizar el coste total de la alimentación.
Modelos 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
Introducción a la Investigación Operativa
Introducción a la Investigación Operativa José María Ferrer Caja Universidad Pontificia Comillas Definición Conjunto de métodos científicos que se aplican para mejorar la eficiencia de las operaciones,
PROGRAMA DE CURSO. Nombre en Inglés. Horas de Trabajo Personal Horas de Cátedra
Código MA3701 OPTIMIZACIÓN OPTIMIZATION SCT Unidades Docentes PROGRAMA DE CURSO Nombre Nombre en Inglés Horas de Cátedra Horas Docencia Auxiliar Horas de Trabajo Personal 6 10 3 2 5 Requisitos Carácter
CONTENIDO Prefacio CAPITULO 1: Qué es la investigación de operaciones? CAPITULO 2: Introducción a la programación lineal...
CONTENIDO Prefacio XV CAPITULO 1: Qué es la investigación de operaciones? 1 1.1 Modelos de investigación de operaciones 1 1.2 Solución del modelo de investigación de operaciones.. 4 1.3 Modelos de colas
CAPITULO 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
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
Investigación operativa y optimización. Andrés Ramos Universidad Pontificia Comillas http://www.iit.comillas.edu/aramos/ Andres.Ramos@comillas.
Investigación operativa y optimización Andrés Ramos Universidad Pontificia Comillas http://www.iit.comillas.edu/aramos/ Andres.Ramos@comillas.edu CONTENIDO INTRODUCCIÓN OPTIMIZACIÓN SOLUTION METHODS (master)
OPTIMIZACIÓN DE LA RED DE DISTRIBUCIÓN EN BAJA y MEDIA TENSIÓN
Universidad de la República Facultad de Ingeniería Instituto de Ingeniería Eléctrica OPTIMIZACIÓN DE LA RED DE DISTRIBUCIÓN EN BAJA y MEDIA TENSIÓN Proyecto de Fin de Carrera Autores: MARTÍN BURGARDT GONZALO
Gestión de operaciones
Gestión de operaciones 2013-14 Andrés Ramos Despacho: D-103 en SCM 26 Teléfono: 915406150 http://www.iit.upcomillas.es/aramos/ Andres.Ramos@upcomillas.es Descripción Este curso está orientado a entender,
CONTENIDO SEMBLANZA DE LOS AUTORES DE LOS ESCRITORES DE CASOS..
CONTENIDO SEMBLANZA DE LOS AUTORES DE LOS ESCRITORES DE CASOS.. PREFACIO. xix xxi xxiii CAPITULO I Introducción. 1 1.1 Orígenes de la investigación de operaciones. 1 1.2 Naturaleza de la investigación
Gestión de operaciones
Gestión de operaciones Modelo y modelado Pedro Sánchez Pedro Sánchez pedro.sanchez@upcomillas.es Contenidos Ejemplo de gestión Gestión de operaciones y optimización Modelo y modelado dld 2 1 Ejemplo de
MÁSTER UNIVERSITARIO EN INGENIERÍA DE SISTEMAS Y DE CONTROL. Curso 2010/2011. (Código: )
INTRODUCCIÓNA LA PROGRAMACIÓNMATEMÁTICAMATEMÁTICA MÁSTER UNIVERSITARIO EN INGENIERÍA DE SISTEMAS Y DE CONTROL Curso 2010/2011 (Código: 31104021) 1 Conceptos generales sobre optimización matemática La optimización
MODELIZACION 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.
Introducción 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
Línea de trabajo: Control de los Procesos de Manufactura Optimización de los Procesos de Manufactura
Nombre de la asignatura: INVESTIGACIÓN DE OPERACIONES Línea de trabajo: Control de los Procesos de Manufactura Optimización de los Procesos de Manufactura 48 20 100 168-6 1. Historial de la asignatura
PROGRAMA DETALLADO VIGENCIA TURNO UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA 2009 DIURNO INGENIERÍA DE SISTEMAS ASIGNATURA
PROGRAMA DETALLADO VIGENCIA TURNO UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA 2009 DIURNO INGENIERÍA DE SISTEMAS SEMESTRE ASIGNATURA 5to INVESTIGACION DE OPERACIONES CÓDIGO HORAS
PROGRAMA 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
Programación Lineal Continua
Elisenda Molina Universidad Carlos III de Madrid elisenda.molina@uc3m.es 8 de octubre de 2008 Esquema 1 Formulación y Ejemplos 2 3 Ejemplo: Producción de carbón Una empresa minera produce lignito y antracita.
Técnicas de planificación y control de proyectos Andrés Ramos Universidad Pontificia Comillas
Técnicas de planificación y control de proyectos Andrés Ramos Universidad Pontificia Comillas http://www.iit.upcomillas.es/aramos/ Andres.Ramos@upcomillas.es TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS
1. 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
Programación 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
PROGRAMA DE LA ASIGNATURA: Programación Matemática Curso académico 2011/12
PROGRAMA DE LA ASIGNATURA: Programación Matemática Curso académico 2011/12 Identificación y características de la asignatura Denominación Programación Matemática Código Créditos (T+P) 4+2 Titulación Centro
INVESTIGACIÓN DE OPERACIONES I
INVESTIGACIÓN DE OPERACIONES I CODIGO HORAS TEORICAS HORAS PRACTICAS UNIDADES CREDITO SEMESTRE PRE REQUISITO 216143 (COMPUTACION) 226143 (SISTEMAS) 255143 (CONTADURIA PUBLICA) 265143 (ADMINISTRACION) 02
UNIVERSIDAD DE LOS LLANOS Facultad de Ciencias Básicas e Ingeniería Programa Ingeniería de Sistemas
CURSO: OPTIMIZACIÓN 1 SEMESTRE: VII 2 CODIGO: 602704 3 COMPONENTE: 4 CICLO: 5 AREA: Profesional 6 FECHA DE AROBACIÓN: 7 NATURALEZA: Teórica 8 CARÁCTER: Obligatorio 9 CREDITOS (RELACIÓN): 3 (1-1) 10 INTENSIDAD
Optimización de Problemas de Producción
Optimización de Problemas de Producción Pedro Piñeyro - Luis Stábile Colaboran: Héctor Cancela - Antonio Mauttone - Carlos Testuri Depto. Investigación Operativa. Instituto de Computación. Facultad de
Son 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
Año Académico 2009 INGENIERÍA INDUSTRIAL E INGENIERÍA DE SISTEMAS
Año Académico 2009 INGENIERÍA INDUSTRIAL E INGENIERÍA DE SISTEMAS Investigación de operaciones I UNIDAD Unidad I: Programación lineal Conjuntos convexos, propiedades. Solución gráfica del problema bidimensional
MODELOS DE INVESTIGACION DE OPERACIONES
MODELOS DE INVESTIGACION DE OPERACIONES CARACTERÍSTICAS Los modelos se dividen en determinísticos (no probabilisticos) y estocásticos (probilisticos). Hay otros modelos híbridos porque incluyen las dos
PROGRAMA ANALÍTICO DE ASIGNATURA
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE HIDALGO COORDINACIÓN DE DOCENCIA DIRECCIÓN DE PLANEACIÓN Y DESARROLLO EDUCATIVO PROGRAMA ANALÍTICO DE ASIGNATURA _ 1.- DATOS GENERALES 1.1 INSTITUTO: INSTITUTO DE CIENCIAS
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN LICENCIATURA EN MATEMÁTICAS APLICADAS Y COMPUTACIÓN
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN LICENCIATURA EN MATEMÁTICAS APLICADAS Y COMPUTACIÓN ACATLÁN PROGRAMA DE ASIGNATURA CLAVE: 1409 SEMESTRE: 4 (CUARTO) MODALIDAD
Introducción a la Computación Evolutiva
Introducción a la Computación Evolutiva Departamento de Computación CINVESTAV-IPN Av. IPN No. 2508 Col. San Pedro Zacatenco México, D.F. 07300 email: ccoello@cs.cinvestav.mx http: //delta.cs.cinvestav.mx/~ccoello
Un sistema de ecuaciones diferenciales son aquellas que tienen varias posibilidades para su solución. Estas son:
Unidad X: Programación lineal (continuación) Objetivo específico: Entender ampliamente el fenómeno del comportamiento de los modelos matemáticos para la resolución de problemas enfocados a las ecuaciones
Introducción la placa alveolar OBJETO Y ALCANCE DE LA TESIS REQUISITOS EXIGIBLES A LOS PRODUCTOS DE CONSTRUCCIÓN...
Indice general. Índice general. Introducción la placa alveolar... 59 1.1 OBJETO Y ALCANCE DE LA TESIS.... 59 1.2 REQUISITOS EXIGIBLES A LOS PRODUCTOS DE CONSTRUCCIÓN.... 64 1.3 LA PLACA ALVEOLAR EN SITUACIÓN
Fundamentos de Programación Entera
Fundamentos de Programación Entera Carlos Testuri Germán Ferrari Departamento de Investigación Operativa. Instituto de Computación. Facultad de Ingeniería. Universidad de la República 2012-2016 Facultad
Optimización en Ingeniería
Optimización en Ingeniería Departamento de Computación CINVESTAV-IPN Av. IPN No. 2508 Col. San Pedro Zacatenco México, D.F. 07300 email: ccoello@cs.cinvestav.mx Introducción Llamamos optimización al acto
LIBRO GUIA: INVESTIGACIÓN DE OPERACIONES Hamdy A. Taha. Editorial Pearson Prentice Hall, 2004
UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERÍAS: ELÉCTRICA, ELECTRÓNICA, FÍSICA Y CIENCIAS DE LA COMPUTACIÓN PROGRAMA INGENIERÍA DE SISTEMAS Y COMPUTACIÓN ASIGNATURA: INVESTIGACIÓN DE OPERACIONES
ALGORÍTMICA
ALGORÍTMICA 2012-2013 Parte I. Introducción a las Metaheurísticas Tema 1. Metaheurísticas: Introducción y Clasificación Parte II. Métodos Basados en Trayectorias y Entornos Tema 2. Algoritmos de Búsqueda
Práctica 1. Introducción a la optimización mediante herramienta MS Excel Solver (I)
Ingeniería de Telecomunicación Planificación Avanzada de Redes de Comunicaciones Curso 2006-2007 Pablo Pavón Mariño Práctica 1. Introducción a la optimización mediante herramienta MS Excel Solver (I) Objetivos
Optimización en Ingeniería
Optimización en Ingeniería Departamento de Computación CINVESTAV-IPN Av. IPN No. 2508 Col. San Pedro Zacatenco México, D.F. 07300 email: ccoello@cs.cinvestav.mx Introducción Llamamos optimización al acto
Nombre de la asignatura: Investigación de Operaciones II. Créditos: Aportación al perfil
Nombre de la asignatura: Investigación de Operaciones II Créditos: 2-2-4 Aportación al perfil Analizar, diseñar y gestionar sistemas productivos desde la provisión de insumos hasta la entrega de bienes
CAPÍTULO 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.
Clase #1 INTRODUCCIÓN: INVESTIGACIÓN DE OPERACIONES (I.O.) Y MODELAMIENTO MATEMATICO
Clase #1 INTRODUCCIÓN: INVESTIGACIÓN DE OPERACIONES (I.O.) Y MODELAMIENTO MATEMATICO CONTENIDO 1. Objetivos del curso 2. Programa Resumido 3. Evaluaciones 4. Bibliografía 5. Orígenes de la I. O. 6. Casos
Optimización lineal. Diego A. Patino. 2 de septiembre de Pontificia Universidad Javeriana 1/ 29
Optimización lineal Diego A. Patino Pontificia Universidad Javeriana 2 de septiembre de 2016 1/ 29 Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones 2/
Clase 9 Programación No Lineal
Pontificia Universidad Católica Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas Clase 9 Programación No Lineal ICS 110 Optimización Profesor : Claudio Seebach Apuntes de Clases
ALGORÍTMICA
ALGORÍTMICA 2012-2013 Parte I. Introducción a las Metaheurísticas Tema 1. Metaheurísticas: Introducción y Clasificación Parte II. Métodos Basados en Trayectorias y Entornos Tema 2. Algoritmos de Búsqueda
UNIVERSIDAD DEL AZUAY FACULTAD DE CIENCIAS DE LA ADMINISTRACIÓN ESCUELA DE ECONOMÍA EMPRESARIAL SÍLABO
1.- Datos Generales: UNIVERSIDAD DEL AZUAY FACULTAD DE CIENCIAS DE LA ADMINISTRACIÓN ESCUELA DE ECONOMÍA EMPRESARIAL SÍLABO 1.1.- Asignatura Matemáticas IV 1.2.- Código FCA 411 1.3.- Número de créditos
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN DIVISIÓN DE MATEMÁTICAS E INGENIERÍA LICENCIATURA EN ACTUARÍA
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN DIVISIÓN DE MATEMÁTICAS E INGENIERÍA LICENCIATURA EN ACTUARÍA ACATLÁN PROGRAMA DE ASIGNATURA CLAVE: SEMESTRE: 5 MODALIDAD
Planificación didáctica de MATEMÁTICAS 4º E.S.O.
Planificación didáctica de MATEMÁTICAS 4º E.S.O. (Orientadas a las enseñanzas aplicadas) Julio de 2016 Rev.: 0 Índice 1.- INTRODUCCION... 1 2.- BLOQUE I. PROCESOS, MÉTODOS Y ACTITUDES EN MATEMÁTICAS...
Bloque 1. Contenidos comunes. (Total: 3 sesiones)
4º E.S.O. OPCIÓN A 1.1.1 Contenidos 1.1.1.1 Bloque 1. Contenidos comunes. (Total: 3 sesiones) Planificación y utilización de procesos de razonamiento y estrategias de resolución de problemas, tales como
18 Experimentos aleatorios. Sucesos y espacio muestral. Frecuencia y probabilidad de un suceso.
PRIMER CURSO DE E.S.O Criterios de calificación: 80% exámenes, 10% actividades, 10% actitud y trabajo 1 Números naturales. 2 Potencias de exponente natural. Raíces cuadradas exactas. 3 Divisibilidad. Concepto
Introducción a la IO Formulaciones de programación lineal Resolución por ordenador (Excel)
Introducción a la IO Formulaciones de programación lineal Resolución por ordenador (Excel) Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Investigación operativa
LICENCIATURA ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS
LICENCIATURA ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS PROGRAMA DE LA ASIGNATURA MODELIZACIÓN Y OPTIMIZACIÓN CURSO 2012-13 ASIGNATURA: CURSO: OPTATIVA 2º - 3º (2º Semestre) 1.- DATOS INICIALES DE IDENTIFICACIÓN
UNIVERSIDAD NACIONAL DE LA MATANZA CONTENIDOS MINIMOS (DERIVADOS DEL PLAN DE ESTUDIOS)
CÓDIGO ASIGNATURA 1085 DEPARTAMENTO: Ingeniería e Investigaciones Tecnológicas ASIGNATURA: INVESTIGACIÓN OPERATIVA CARRERA: INGENIERIA INDUSTRIAL PLAN DE ESTUDIOS: 2009 OBJETIVOS GENERALES Que el estudiante
Introduccion 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
Dualidad 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
ALGORÍTMICA
ALGORÍTMICA 2012-2013 Parte I. Introducción a las Metaheurísticas Tema 1. Metaheurísticas: Introducción y Clasificación Parte II. Métodos Basados en Trayectorias y Entornos Tema 2. Algoritmos de Búsqueda
OPTIMIZACIÓN Y SIMULACIÓN EN LA EMPRESA Tema 1 Introducción
OPTIMIZACIÓN Y SIMULACIÓN EN LA EMPRESA Tema 1 Introducción OBJETIVOS DEL CURSO Objetivos del curso: Identificar, modelar y resolver problemas de toma de decisiones Ser capaces de entender y abordar las
Planificación didáctica de MATEMÁTICAS 1º E.S.O.
Planificación didáctica de MATEMÁTICAS 1º E.S.O. Julio de 2016 Rev.: 0 Índice 1.- INTRODUCCION... 1 2.- BLOQUE I. PROCESOS, MÉTODOS Y ACTITUDES EN MATEMÁTICAS... 2 3.- BLOQUE II. NÚMEROS Y ÁLGEBRA... 3
CONTENIDOS MÍNIMOS BLOQUE 2. NÚMEROS
CONTENIDOS Y CRITERIOS DE EVALUACIÓN DE MATEMÁTICAS 1º DE ESO. Bloque 1: Contenidos Comunes Este bloque de contenidos será desarrollado junto con los otros bloques a lo largo de todas y cada una de las
Universidad Nacional Autónoma de Nicaragua UNAN-Managua. Curso de Investigación de Operaciones
Universidad Nacional Autónoma de Nicaragua UNAN-Managua Curso de Investigación de Operaciones Profesor: MSc. Julio Rito Vargas Avilés. Presentación del Programa de Investigación de Operaciones Estudiantes:
Programación lineal. Tema Introducción / motivación
Tema Programación lineal Mientras que para funciones reales de variable real la derivación ha permitido resolver el problema de optimalidad en su conjunto, en este tema, la programación lineal resuelve
INGENIERÍA DE SISTEMAS INVESTIGACIÓN OPERATIVA
INGENIERÍA DE SISTEMAS INVESTIGACIÓN OPERATIVA Sesión 4 Objetivos: Aplicar el método simplex a la solución de problemas reales. Contenido: Introducción al método Simplex Requerimiento del método Simplex
Teoría de juegos Andrés Ramos Universidad Pontificia Comillas
Teoría de juegos Andrés Ramos Universidad Pontificia Comillas http://www.iit.upcomillas.es/aramos/ Andres.Ramos@upcomillas.es TEORÍA DE JUEGOS 1 Teoría de juegos 1. Matriz de pagos 2. Clasificación 3.
Tema 5 Dualidad y condiciones de Karush-Kuhn-Tucker
Tema 5 Dualidad y condiciones de Karush-Kuhn-Tucker José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Contenidos del tema 5 Condiciones de Karush-Kuhn-Tucker (KKT). Problemas
ÁREA DE MATEMÁTICAS 2º CURSO DE LA E.S.O.
2. Reconocer y plantear situaciones susceptibles de ser formuladas en términos matemáticos, elaborar y utilizar diferentes estrategias para abordarlas y analizar los resultados utilizando los recursos
PROGRAMA DETALLADO VIGENCIA TURNO UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA 2007 DIURNO INGENIERÍA DE SISTEMAS ASIGNATURA
PROGRAMA DETALLADO VIGENCIA TURNO UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA 2007 DIURNO INGENIERÍA DE SISTEMAS SEMESTRE ASIGNATURA 7mo OPTIMIZACIÓN NO LINEAL CÓDIGO HORAS MAT-30935
Flujos de redes (Network Flows NF)
Fluos de redes (Network Flows NF). Terminología. Árbol generador mínimo. Camino mínimo 4. Fluo máximo 5. Fluo de coste mínimo TEORÍA DE GRAFOS. OPTIMIZACIÓN EN REDES Terminología Red o grafo (G) Nodos
UNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 16 de febrero de 2006
UNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 6 de febrero de 26 Problema. (2 puntos Un técnico de sistemas del laboratorio de cálculo de la Escuela Politécnica
PLANEACIÓN DEL CONTENIDO DE CURSO
FACULTAD DE INGENIERÍA PROGRAMA DE INGENIERÍA AGROINDUSTRIAL PLANEACIÓN DEL CONTENIDO DE CURSO 1. IDENTIFICACIÓN DEL CURSO NOMBRE : Investigación operaciones I CÓDIGO : 703033 SEMESTRE : VI NUMERO DE CRÉDITOS
Curso FICHA TÉCNICA DE LA ASIGNATURA Datos de la asignatura Nombre Gestión de Operaciones
FICHA TÉCNICA DE LA ASIGNATURA Datos de la asignatura Nombre Gestión de Operaciones Código AOI01 Titulación Grado en Ingeniería Electromecánica Curso 4º Cuatrimestre 1º Créditos ECTS 6 ECTS Carácter Básico
ALGORÍTMICA
ALGORÍTMICA 2012 2013 Parte I. Introducción a las Metaheurísticas Tema 1. Metaheurísticas: Introducción y Clasificación Parte II. Métodos Basados en Trayectorias y Entornos Tema 2. Algoritmos de Búsqueda
Intensificación en "Lenguajes e Inteligencia Artificial"
Ingeniería Informática - ETS Informática Métodos y Técnicas Informáticas específicas. Comportamientos humanos que se quieren simular/emular: IA: Vertiente "cognitiva" : Razonamiento, Intelecto,. RF: Vertiente
5. PLANIFICACIÓN DE LAS ENSEÑANZAS
5. PLANIFICACIÓN DE LAS ENSEÑANZAS 5.1. Descripción del Plan de Estudios I. Estructura del Plan de Estudios Módulo Materia Asignatura ECTS Carácter MÉTODOS NUMÉRICOS 6 OBLIGATORIA ECUACIONES FUNDAMENTOS
Especialidades en GII-TI
Especialidades en GII-TI José Luis Ruiz Reina (coordinador) Escuela Técnica Superior de Ingeniería Informática Mayo 2014 Qué especialidades tiene la Ingeniería Informática? Según las asociaciones científicas
PROGRAMA DE LA MATERIA: Investigación Operativa Módulos semanales 3 Días de dictado: L M M J V S 3
1 Técnico Superior en Análisis de Sistemas Plan 2003 Res: 6175/03 PROGRAMA DE LA MATERIA: Investigación Operativa 11318 Area: SISTEMAS Equipo Docente Silvio Hugo Solari Módulos semanales 3 Días de dictado:
Programa Oficial de Asignatura. Ficha Técnica. Presentación. Competencias y/o resultados del aprendizaje. Contenidos Didácticos
Ficha Técnica Titulación: Grado en Administración y Dirección de Empresas Plan BOE: BOE número 67 de 19 de marzo de 2014 Asignatura: Módulo: Métodos cuantitativos de la empresa Curso: 2º Créditos ECTS:
Grafos Eulerianos y Hamiltonianos. Algoritmos y Estructuras de Datos III
Grafos Eulerianos y Hamiltonianos Algoritmos y Estructuras de Datos III Grafos eulerianos Definiciones: Un circuito C en un grafo (o multigrafo) G es un circuito euleriano si C pasa por todos las aristas
Programación 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
Universidad de Managua Curso de Programación Lineal
Universidad de Managua Curso de Programación Lineal Profesor: MSc. Julio Rito Vargas Avilés. Objetivos y Temáticas del Curso Estudiantes: Facultad de CE y A Año académico: III Cuatrimestre 2014 ORIENTACIONES
Planificación didáctica de MATEMÁTICAS 3º E.S.O.
Planificación didáctica de MATEMÁTICAS 3º E.S.O. (Orientadas a las enseñanzas aplicadas) Julio de 2016 Rev.: 0 Índice 1.- INTRODUCCIÓN... 1 2.- BLOQUE I. PROCESOS, MÉTODOS Y ACTITUDES EN MATEMÁTICAS...
CAPÍTULO 3. GRASP (Greedy Randomized Adaptive Search Procedures). Los problemas de optimización surgen de las situaciones de aplicación práctica.
CAPÍTULO 3 GRASP (Greedy Randomized Adaptive Search Procedures). Los problemas de optimización surgen de las situaciones de aplicación práctica. Estos problemas se aplican en distintas áreas, tales como:
Ejercicios de Programación Lineal
Ejercicios de Programación Lineal Investigación Operativa Ingeniería Informática, UC3M Curso 08/09 1. Una compañía de transporte dispone de 10 camiones con capacidad de 40000 libras y de 5 camiones con
CAPÍTULO 6 PROGRAMACIÓN DINÁMICA. Programación Dinámica
CAPÍTULO 6 PROGRAMACIÓN DINÁMICA Programación Dinámica Programación Dinámica En muchos casos las decisiones del pasado afectan los escenarios del futuro. En estos casos se pueden tomar 2 opciones: asumir
1. Conceptos básicos sobre el problema en cuestión y cuestiones afines. 2. Formulación de los correspondientes algoritmos y su pseudocódigo.
Análisis de Algoritmos Ingeniería Informática, EPS-UAM Información general Organización del curso: 13-15 (mínimo-máximo) semanas docentes: 30-33 clases teóricas. 9-12 clases de problemas 26-30 clases prácticas
PROGRAMACIÓN LINEAL. Para resolver estos problemas la investigación de operaciones los agrupa en dos categorías básicas:
PROGRAMACIÓN LINEAL INTRODUCCIÓN La Investigación de Operaciones o Investigación Operativa, es una rama de las Matemáticas consistente en el uso de modelos matemáticos, estadística y algoritmos con objeto
BIOINFORMÁTICA
BIOINFORMÁTICA 2013-2014 PARTE I. INTRODUCCIÓN Tema 1. Computación Basada en Modelos Naturales PARTE II. MODELOS BASADOS EN ADAPTACIÓN SOCIAL (Swarm Intelligence) Tema 2. Introducción a los Modelos Basados
Universidad Autónoma del Estado de México Licenciatura en Matemáticas Programa de Estudios: Programación Lineal
Universidad Autónoma del Estado de México Licenciatura en Matemáticas 2003 Programa de Estudios: Programación Lineal I. Datos de identificación Licenciatura Matemáticas 2003 Unidad de aprendizaje Programación
Breve introducción a la Investigación de Operaciones
Breve introducción a la Investigación de Operaciones Un poco de Historia Se inicia desde la revolución industrial, usualmente se dice que fue a partir de la segunda Guerra Mundial. La investigación de
INSTITUTO POLITÉCNICO NACIONAL SECRETARÍA ACADÉMICA DIRECCIÓN DE ESTUDIOS PROFESIONALES EN INGENIERÍA Y CIENCIAS FÍSICO MATEMÁTICAS
ESCUELA: UNIDAD PROFESIONAL INTERDISCIPLINARIA DE INGENIERÍA Y CIENCIAS SOCIALES Y ADMINISTRATIVAS CARRERA: CIENCIAS DE LA INFORMÁTICA LÍNEA CURRICULAR: COORDINACIÓN: DEPTO. DE CIENCIAS DE LA INGENIERÍA.
Optimización de Problemas de Producción
Optimización de Problemas de Producción Pedro Piñeyro - Luis Stábile Colaboran: Héctor Cancela - Antonio Mauttone - Carlos Testuri Depto. Investigación Operativa. Instituto de Computación. Facultad de
Ingeniería Mecánica e Industrial Ingeniería Industrial Ingeniería Industrial División Departamento Carrera(s) en que se imparte
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA PROGRAMA DE ESTUDIO Aprobado por el Consejo Técnico de la Facultad de Ingeniería en su sesión ordinaria del 15 de octubre de 2008 INVESTIGACIÓN
Técnicas y Herramientas de Apoyo a la Investigación (THAI)
Técnicas y Herramientas de Apoyo a la Investigación (THAI) Máster Universitario de Investigación en TIC Universidad de Valladolid Alejandra Martínez, Pedro Castrillo y César Palencia Técnicas y herramientas
INSTITUTO POLITÉCNICO NACIONAL SECRETARÍA ACADÉMICA DIRECCIÓN DE ESTUDIOS PROFESIONALES EN INGENIERÍA Y CIENCIAS FÍSICO MATEMÁTICAS
ESCUELA: UNIDAD PROFESIONAL INTERDISCIPLINARIA DE INGENIERÍA Y CIENCIAS SOCIALES Y ADMINISTRATIVAS. CARRERA: INGENIERÍA EN INFORMÁTICA. ACADEMIAS: INVESTIGACIÓN DE OPERACIONES. COORDINACIÓN: DEPARTAMENTO
2.3 Clasificación de modelos matemáticos.
2.3 Clasificación de modelos matemáticos. Qué es un modelo? Un modelo es una representación ideal de un sistema y la forma en que este opera. El objetivo es analizar el comportamiento del sistema o bien
Para llevar a cabo una simulación, se requiere implementar las siguientes etapas:
SIMULACIÓN: La simulación se define como una técnica numérica utilizada para representar un proceso o fenómeno mediante otro más simple que permite analizar sus características. Esta técnica emplea relaciones
Modelos predictivos y de optimización de estructuras de hormigón
http://optimizacionheuristica.blogs.upv.es 1 Modelos predictivos y de optimización de estructuras de hormigón Dr. Ing. Víctor Yepes Piqueras Departamento de Ingeniería de la Construcción y Proyectos de
Asignatura: Horas: Total (horas): Obligatoria X Teóricas 4.0 Semana 4.0 Optativa Prácticas 0 16 Semanas 64.0
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTADES DE ECONOMÍA E INGENIERÍA LICENCIATURA EN ECONOMÍA Y NEGOCIOS PROGRAMA DE ESTUDIO Investigación de Operaciones I P86 /P75 /P96 08 Asignatura: Clave Semestre
Contenido. Lenguajes de modelado algebraico Ejemplo Problema de Transporte Modelado con GNU GLPK. 1 Modelado Algebraico Computacional
Contenido 1 Modelado Algebraico Computacional Facultad de Ingeniería. UdelaR Fundamentos de Programación Entera 1/16 Basados en notación algebraica; incorporan conjuntos y relaciones entre estos para modelar
CONTENIDOS MÍNIMOS SEPTIEMBRE. DEPARTAMENTO DE MATEMÁTICAS
CONTENIDOS MÍNIMOS SEPTIEMBRE. DEPARTAMENTO DE MATEMÁTICAS CONTENIDOS MÍNIMOS MATEMÁTICAS 1º ESO U.D. 1 Números Naturales El conjunto de los números naturales. Sistema de numeración decimal. Aproximaciones