Cátedra Investigación Operativa
|
|
- Xavier Carrizo Cordero
- hace 6 años
- Vistas:
Transcripción
1 Cátedra Investgacón Operatva Prof. Ttular Prof. Adunto JTP JTP Dr. Ing. Jorge E. Núñez Mc Leod Ing. Horaco Day Ing. Roberto Martín (lcenca) Ing. Romna Calvo Olvares Clases: Aula: Vernes 9:-: hs. Teórco-práctcos Mércoles 9:3-:3 hs. Práctca y Proyecto Anfteatro Este Horaros de consulta: Prof. Tt. Martes 8: hs. Edfco DETI II Ofcna E3
2 Cátedra Investgacón Operatva UNIDAD 4: Programacón No Lneal y Metaheurístca 4.A. Programacón No Lneal Introduccón gráfca de los problemas de programacón no lneal. Tpos de problemas de programacón no lneal: optmzacón no restrngda, optmzacón lnealmente restrngda, programacón cuadrátca, programacón convea, programacón separable, programacón no convea, programacón geométrca, programacón fraccón y problema de complementaredad. Condcones de Karush-Kuhn-Tucker (KKT) para optmzacón restrngda. Método del gradente reducdo generalzado (GRG), algortmos secuencales no restrngdos y algortmos de apromacón secuencal. 4.B. Metaheurístca Fundamentos y termnología. Búsqueda Tabú. Recocdo Smulado. Algortmos Genétcos. Estrategas Evolutvas. Programacón Genétca.
3 4.A. Programacón No Lneal Introduccón gráfca de los problemas de programacón no lneal. Tpos de problemas de programacón no lneal: optmzacón no restrngda, optmzacón lnealmente restrngda, programacón cuadrátca, programacón convea, programacón separable, programacón no convea, programacón geométrca, programacón fraccón y problema de complementaredad. Ver Investgacón de Operacones, Hller-Leberman, 7ma Edcón, Capítulo 3, págs
4 4.A. Programacón No Lneal Introduccón gráfca de los problemas de programacón no lneal. Tpos de problemas de programacón no lneal: optmzacón no restrngda, optmzacón lnealmente restrngda, programacón cuadrátca, programacón convea, programacón separable, programacón no convea, programacón geométrca, programacón fraccón y problema de complementaredad. Ver Investgacón de Operacones, Hller-Leberman, 7ma Edcón, Capítulo 3, págs
5
6
7
8 4.A. Programacón No Lneal Introduccón gráfca de los problemas de programacón no lneal. Tpos de problemas de programacón no lneal: optmzacón no restrngda, optmzacón lnealmente restrngda, programacón cuadrátca, programacón convea, programacón separable, programacón no convea, programacón geométrca, programacón fraccón y problema de complementaredad. Ver Investgacón de Operacones, Hller-Leberman, 7ma Edcón, Capítulo 3, págs Introduccón El problema de Optmzacón No-Lneal consste en encontrar: para sueta a y =(,,..., n ) Mamzar f() g ()<=b, para =,,...,m >=, donde f() y las g () son funcones dadas de n varables de decsón No este un algortmo que resuelva todos los problemas específcos que cumplen con esta formulacón. Nos enfocaremos en problemas que no tenen solucón analítca y por ello requeren solucones numércas.
9 4.A. Programacón No Lneal Introduccón gráfca de los problemas de programacón no lneal. Tpos de problemas de programacón no lneal: optmzacón no restrngda, optmzacón lnealmente restrngda, programacón cuadrátca, programacón convea, programacón separable, programacón no convea, programacón geométrca, programacón fraccón y problema de complementaredad. Ver Investgacón de Operacones, Hller-Leberman, 7ma Edcón, Capítulo 3, págs Tpos de problemas de programacón no lneal:. Optmzacón no restrngda. Optmzacón lnealmente restrngda 3. Programacón cuadrátca 4. Programacón convea 5. Programacón separable 6. Programacón no convea 7. Programacón geométrca 8. Programacón fracconal 9. Problema de complementaredad
10 4.A. Programacón No Lneal Introduccón gráfca de los problemas de programacón no lneal. Tpos de problemas de programacón no lneal: optmzacón no restrngda, optmzacón lnealmente restrngda, programacón cuadrátca, programacón convea, programacón separable, programacón no convea, programacón geométrca, programacón fraccón y problema de complementaredad. Ver Investgacón de Operacones, Hller-Leberman, 7ma Edcón, Capítulo 3, págs Optmzacón no restrngda con una varable de decsón Se tene f(), donde es la varable de decsón y f dferencable y cóncava. df ( ) d Condcón necesara y sufcente para el óptmo: Procedmento de búsqueda Paso ncal: -,4 -,,,4,6,8,,4 - Se seleccona, se encuentran a y b (dervadas (+) y (-)). Se elge una solucón de prueba ncal: =( a + b )/. Paso teratvo:. Se evalúa df/d en.. S df/d>=, se hace a =. 3. S df/d<=, se hace b =. 4. Se elge una nueva. Regla de detencón s b - a <=* el proceso termna. -4
11 4.A. Programacón No Lneal Introduccón gráfca de los problemas de programacón no lneal. Tpos de problemas de programacón no lneal: optmzacón no restrngda, optmzacón lnealmente restrngda, programacón cuadrátca, programacón convea, programacón separable, programacón no convea, programacón geométrca, programacón fraccón y problema de complementaredad. Tomar apuntes en clase Optmzacón no restrngda con dos varables de decsón Se tene f(, ), donde y son las dos varables de decsón Condcón necesara de óptmo: En un mámo o mínmo local ambas dervadas parcales deben ser guales a cero, o sea: f (, ) y f (, ) Sn embargo no todos los puntos estaconaros son mámos o mínmos. Entonces usamos la condcón sufcente de segundo orden de optmzacón D [ f (, )][ f (, )] [ f (, )] Sendo * = ( *, * ) un punto estaconaro Caso : S f ( *, * ) > y D>, entonces * es un mínmo local. Caso : S f ( *, * ) < y D>, entonces * es un mámo local. Caso 3: S D<, entonces * se llama punto slla. Caso 4: S D=, se requere mayor análss.
12 4.A. Programacón No Lneal Introduccón gráfca de los problemas de programacón no lneal. Tpos de problemas de programacón no lneal: optmzacón no restrngda, optmzacón lnealmente restrngda, programacón cuadrátca, programacón convea, programacón separable, programacón no convea, programacón geométrca, programacón fraccón y problema de complementaredad. Ver Investgacón de Operacones, Hller-Leberman, 7ma Edcón, Capítulo 3, págs Optmzacón no restrngda con n varables de decsón Se tene f(), donde =(,,... n ) son las varables de decsón y f es cóncava. Paso ncal: Elegr y cualquer solucón prueba ncal. Ir a la regla de detencón. Paso teratvo:. Epresar f( +tf( )) como una funcón de t establecendo f t y después susttur estas epresones en f() para =,,..., n. Utlzar el procedmento de búsqueda en una dmensón para encontrar t=t * que mamza f( + t f( )) para t>=. 3. Establecer = + t * f( ). Ir a la regla de detencón. Regla de detencón: evaluar f( ). Verfcar que: f para toda =,,..., n. S es así el proceso se detene con la actual como la apromacón a *. De otra manera se realza otra teracón.
13 4.A. Programacón No Lneal Introduccón gráfca de los problemas de programacón no lneal. Tpos de problemas de programacón no lneal: optmzacón no restrngda, optmzacón lnealmente restrngda, programacón cuadrátca, programacón convea, programacón separable, programacón no convea, programacón geométrca, programacón fraccón y problema de complementaredad. Ver Investgacón de Operacones, Hller-Leberman, 7ma Edcón, Capítulo 3, págs Dónde encontrar un mínmo o un mámo? Local? Global?
14 4.A. Programacón No Lneal Introduccón gráfca de los problemas de programacón no lneal. Tpos de problemas de programacón no lneal: optmzacón no restrngda, optmzacón lnealmente restrngda, programacón cuadrátca, programacón convea, programacón separable, programacón no convea, programacón geométrca, programacón fraccón y problema de complementaredad. Ver Investgacón de Operacones, Hller-Leberman, 7ma Edcón, Capítulo 3, págs Modelos con restrccones de gualdad Mamzar (o mnmzar) f(,,..., n ) sueto a: g (,,..., n ) = b =,..., m (m<n) Eemplo: un fabrcante puede elaborar un producto en cualquera de dos máqunas. Sea la cantdad fabrcada en la máquna y la de la máquna. Sea a. + b. = c a. + b. = c Determnar los valores de y que mnmcen el costo total, sueto al requsto de que la produccón total es un valor específco, R. La formulacón del problema sería: Mn a. + b. + a. + b. X s.a. + = R
15 4.A. Programacón No Lneal Introduccón gráfca de los problemas de programacón no lneal. Tpos de problemas de programacón no lneal: optmzacón no restrngda, optmzacón lnealmente restrngda, programacón cuadrátca, programacón convea, programacón separable, programacón no convea, programacón geométrca, programacón fraccón y problema de complementaredad. Ver Investgacón de Operacones, Hller-Leberman, 7ma Edcón, Capítulo 3, págs Multplcadores de Lagrange Problema Mamzar f(, ) s.a. g(, ) = b Paso : Formar el Langranano L(,, ) = f(, ) + [b - g(, )] Paso : Obtener dervadas parcales g b L g f L g f L Paso 3: Encontrar todas las solucones Paso 4: Comprobar las condcones sufcentes * L g g L g L g D Eercco N Mamzar - s.a. - + =
16 4.A. Programacón No Lneal Introduccón gráfca de los problemas de programacón no lneal. Tpos de problemas de programacón no lneal: optmzacón no restrngda, optmzacón lnealmente restrngda, programacón cuadrátca, programacón convea, programacón separable, programacón no convea, programacón geométrca, programacón fraccón y problema de complementaredad. Ver Investgacón de Operacones, Hller-Leberman, 7ma Edcón, Capítulo 3, págs Implementacón de la técnca Lagrangana Problema Mamzar - s.a. - + = Paso : Formar el Langranano L(,, ) = f(, ) + [b - g(, )] = - + ( + - ) Paso : Obtener dervadas parcales L = + = () L = - - = () L = + - = (3) Paso 3: Encontrar todas las solucones de () * = - (4) (4) en () * = / (5) (5) en (3) * = 5 / 4 Paso 4: Comprobar las condcones sufcentes D * = - ( * ) - 4 ( * ) () + (- * ) () () D * = Al ser D * >, la solucón es un mámo restrngdo
17 4.A. Programacón No Lneal Condcones de Karush-Kuhn-Tucker (KKT) para optmzacón restrngda. Método del gradente reducdo generalzado (GRG), algortmos secuencales no restrngdos y algortmos de apromacón secuencal. Ver Investgacón de Operacones, Hller-Leberman, 7ma Edcón, Capítulo 3, págs Condcones de Karush-Kuhn-Tucker (necesaras) Supongamos que f(), g (),..., g n () son funcones dferencables y contnuas. Entonces: * = ( *,..., n* ) puede ser una solucón óptma para el problema de programacón no lneal. Sólo s esten m números u que satsfagan las condcones de Karush-Kuhn-Tucker sguentes: ),..., ( ),..., ( * * * * * * n n m m u b g u b g g u f g u f En = *, para =,..., n para =,..., m para =,..., m para =,..., n Sufcentes s f() es cóncava y g () conveas
18 4.A. Programacón No Lneal Condcones de Karush-Kuhn-Tucker (KKT) para optmzacón restrngda. Método del gradente reducdo generalzado (GRG), algortmos secuencales no restrngdos y algortmos de apromacón secuencal. Ver Investgacón de Operacones, Hller-Leberman, 7ma Edcón, Capítulo 3, págs ),..., ( ),..., ( * * * * * * n n m m u b g u b g g u f g u f Eercco N, y (convea) 3 sueta a (cóncava), ) ln( ) ( Ma f. 6.., 5.. 3) ( ) ( ). (. ). (. ). (. ). ( u u u u u u
19 4.A. Programacón No Lneal Condcones de Karush-Kuhn-Tucker (KKT) para optmzacón restrngda. Método del gradente reducdo generalzado (GRG), algortmos secuencales no restrngdos y algortmos de apromacón secuencal. Ver Investgacón de Operacones, Hller-Leberman, 7ma Edcón, Capítulo 3, págs ( ). ( ). ( ). ( ) u u. u. ( u). 3. u ( 3). u,..., 3 y u En consecuenca (, u u u 3. 3 satsfacen todas las condcones. 3) es una solucón óptma.
20 4.A. Programacón No Lneal Condcones de Karush-Kuhn-Tucker (KKT) para optmzacón restrngda. Método del gradente reducdo generalzado (GRG), algortmos secuencales no restrngdos y algortmos de apromacón secuencal. Ver Investgacón de Operacones, Hller-Leberman, 7ma Edcón, Capítulo 3, págs Determnar los valores de u y u que en el punto (=,58; =,5) cumplen las condcones de Karush-Kuhn-Tucker (KKT) tales que: Mn. s.a <= + 5 <=
21 4.A. Programacón No Lneal Condcones de Karush-Kuhn-Tucker (KKT) para optmzacón restrngda. Método del gradente reducdo generalzado (GRG), algortmos secuencales no restrngdos y algortmos de apromacón secuencal. Tomar apuntes
22
23 Cátedra Investgacón Operatva Tema 4.B. METAHEURÍSTICA METAHEURÍSTICOS: UNA ALTERNATIVA PARA LA SOLUCIÓN DE PROBLEMAS COMBINATORIOS EN ADMINISTRACIÓN DE OPERACIONES M.C. Vélez & J.A. Montoya
24 Introduccón a los Métodos Heurístcos Los métodos heurístcos son algortmos de resolucón apromada de problemas. Los métodos heurístcos proporconan solucones cuas-óptmas. Solucones cuas-óptmas pueden ser adecuadas.
25 Smulatng Annealng Conocdo tambén como: Monte Carlo Annealng, statstcal coolng, probablstc hll-clmbng, stochastc relaaton and probablstc echange algorthm. Fue propuesto en 983 por Krkpatrck et al. para la resolucón de un problema de localzacón en VLSI (Very Large Scale Integraton). El método se nspra en la termodnámca Los desplazametos en el espaco de búsqueda son basados en la dstrbucón de Boltzmann. Parámetros: temperatura, confguracón ncal, número de teracones a cada temperatura y número mnmo de confguracones aceptadas. Condcones de fnalzacón: cuando se alcanza un valor de temperatura bao, cuando la energa no vara a temperaturas sucesvas o cuando se aceptan menos confguracones que un mnmo dado.
26 Smulatng Annealng Incalzar T Generar una confguracón aleatora X old Mentras T>Tmn Reptr U= hasta Nc Generar nueva confguracon X new Calcular la nueva energía E new Calcular ΔE= E new - E old S ΔE < o random < prob=e^(δe/t) entonces X old := X new E old := E new Fn SI Fn Repetr Reducr T (T=.9*T) Fn Mentras
27 Tabu Search Es un procedmento teratvo para resolver problemas dscretos de optmzacón combnatora. La dea básca del método es la de eplorar el espaco de búsqueda de todas las solucones factbles por una secuenca de movmentos. Para escapar de un optmo local y para prevenr los cclos, algunos movmentos, en una teracón en partcular, son clasfcados como prohbdos o tabu.
28 Algortmos Genétcos Los Algortmos Genétcos están basados en los conceptos de la evolucón de Charles Darwn. La dea básca del método es la de eplorar el espaco de búsqueda medante ndvduos que pueden reproducrse o ser mutados. Los meores ndvduos sobrevven. El método puede escapar de óptmos locales.
29 Algortmos Genétcos Un AG genérco podría ser defndo como: Donde AE ( I,,,, s,,, ) () I = B l donde l es la longtud en genes de los ndvduos. : I es una funcón de evaluacón que asgna valores reales a cada ndvduo. : p m : I I, p z I I c, () son los operadores genétcos de mutacón y cruce respectvamente. La funcón de transcón de generacón : I I representa el proceso completo para generar a partr de una poblacón dada otra. s : I I es el operador de seleccón de progentores ι : I {verdadero, falso} es un crtero de termnacón y, y son los tamaños de las poblacones progentora y descendente respectvamente.
30 Algortmos Genétcos Seleccón Progentores Poblacón Núcleo prncpal (ncluye eval. de los ndvduos, muestreo, adaptacón de parámetros, presón selectva, etc.) Reproduccón Reemplazo Algortmo Evolutvo Descendenca
31 Algortmos Genétcos Operacón cruce Progentores Indvduo Punto de cruce Indvduo Descendentes Indvduo Indvduo
32 Algortmos Genétcos Operacón mutacón Antes de la mutacón Indvduo Punto de mutacón Después de la mutacón Indvduo Punto de mutacón
33 Defncones prncpales a) Crtero de codfcacón: como se codfca una posble solucón. b) Crtero de tratamento de los ndvduos no factbles: Qué se hace con los ndvduos no factbles creados durante los procesos de cruce y mutacón. c) Crtero de ncalzacón: Cómo se ncalza la poblacón ncal? d) Crtero de parada: Cuál es el crtero para detener la eecucón del algortmo? e) Funcones de evaluacón de apttud: Cuál es la funcón obetvo? f) Operadores genétcos: Cuáles son los operadores genétcos a utlzar? (e.g. Cruce, mutacón, eltsmo, etc). g) Crteros de seleccón: Cómo se selecconan los ndvduos tanto para el cruce como para la mutacón? h) Crteros de reemplazo: Los hos reemplazan a los padres o se suman a la poblacón estente? ) Parámetros de funconamento: El algortmo trabaa fándosele a pror las sguentes varables: cantdad de genes por cromosoma, tamaño de la poblacón ncal, probabldad de cruce, probabldad de mutacón y el número de generacones a desarrollar.
34 Estrategas Evolutvas Las estrategas evolutvas son un desarrollo smlar a los Algortmos Genétcos Fueron desarrollados en forma ndependente. Ponen enfass en la eploracón del espaco de búsqueda. La mutacón es el operador prncpal.
Optimización no lineal
Optmzacón no lneal José María Ferrer Caja Unversdad Pontfca Comllas Planteamento general mn f( x) x g ( x) 0 = 1,..., m f, g : n R R La teoría se desarrolla para problemas de mnmzacón, los problemas de
Más detallesProblemas de Optimización. Conceptos básicos de optimización. Indice. Un problema de optimización NLP. Equivalencias. Contornos / Curvas de nivel
Conceptos báscos de optmzacón Problemas de Optmzacón Prof. Cesar de Prada Dpt. Ingenería de Sstemas y Automátca UVA prada@autom.uva.es mn J() h() = g() Problema general NPL Para encontrar una solucón al
Más detallesMétodos Matemá5cos en la Ingeniería Tema 1. Ecuaciones no lineales
Métodos Matemá5cos en la Ingenería Tema. Ecuacones no lneales Jesús Fernández Fernández Carmen María Sordo García DEPARTAMENTO DE MATEMÁTICA APLICADA Y CIENCIAS DE LA COMPUTACIÓN UNIVERSIDAD DE CANTABRIA
Más detallesSimulación y Optimización de Procesos Químicos. Titulación: Ingeniería Química. 5º Curso Optimización.
Smulacón y Optmzacón de Procesos Químcos Ttulacón: Ingenería Químca. 5º Curso Optmzacón. Programacón Cuadrátca Métodos de Penalzacón Programacón Cuadrátca Sucesva Gradente Reducdo Octubre de 009. Programacón
Más detalles315 M/R Versión 1 Integral 1/ /1 UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA
35 M/R Versón Integral / 28/ UNIVERSIDAD NACIONAL AIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA MODELO DE RESPUESTA ASIGNATURA: Investgacón de Operacones I CÓDIGO: 35 MOMENTO: Prueba Integral FECHA DE
Más detallesOptimización no lineal
Optmzacón no lneal Andrés Ramos Unversdad Pontfca Comllas http://www.t.comllas.edu/aramos/ Andres.Ramos@comllas.edu CONENIDO PROBLEMAS DE PROGRAMACIÓN NO LINEAL IPOS DE PROBLEMAS NLP CLASIFICACIÓN DE MÉODOS
Más detallesIntroducción a la Optimización Multiobjetivo
Introduccón a la Optmzacón Multobjetvo Optmzacón Multobjetvo (MOP) Práctcamente en cualquer área y en una varedad de contetos se presentan problemas con múltples objetvos que se contraponen entre sí A
Más detallesINSTITUTO POLITECNICO NACIONAL SECRETARIA ACADEMICA DIRECCION DE ESTUDIOS PROFESIONALES EN INGENIERIA Y CIENCIAS FISICO MATEMATICAS
ESCUELA: CARRERA: ESPECALDAD: COORDNACON: DEPARTAMENTO: UPCSA NGENERA EN TRANSPORTE ACADEMAS DE MATEMATCAS CENCAS BASCAS ASGNATURA: MATEMATCAS APLCADAS : TMMA SEMESTRE: 4 CREDTOS: 8 VGENTE: ENERO 2000
Más detallesCONDICIONES DE KUHN Y TUCKER APLICACIONES A LA ECONOMIA Y AL MERCADO DE CAPITALES
CONDICIONES DE KUHN Y TUCKER APLICACIONES A LA ECONOMIA Y AL MERCADO DE CAPITALES Bernardello, Alca Blanca y Vcaro, Aldo Omar Departamento de Matemátca Facultad de Cencas Económcas de la Unversdad de Buenos
Más detallesDpto. Física y Mecánica
Dpto. Físca y Mecánca Mecánca analítca Introduccón Notacón Desplazamento y fuerza vrtual Fuerza de lgadura Trabao vrtual Energía cnétca. Ecuacones de Lagrange Prncpode los trabaos vrtuales Prncpo de D
Más detallesOptimización con restricciones. Prof. Cesar de Prada ISA-UVA
Optmacón con restrccones Prof. Cesar de Prada ISA-UVA prada@autom.uva.es Indce Restrccones Problemas con restrccones de gualdad Multplcadores de Lagrange Problemas generales NLP Condcones de Karus-Kun-Tucer
Más detallesCAPÍTULO 1: VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES
CAÍTULO : VARIABLES ALEATORIAS SUS DISTRIBUCIONES En este capítulo el alumno debe abordar el conocmento de un mportante concepto el de VARIABLE ALEATORIA tpos de varables aleatoras cómo se dstrbue la funcón
Más detallesECUACIONES DIFERENCIALES ELÍPTICAS EN DERIVADAS PARCIALES. Armando Blanco A.
ECUACIONES DIFERENCIALES ELÍPICAS EN DERIVADAS PARCIALES Armando Blanco A. Captulo V ECUACIONES DIFERENCIALES ELÍPICAS EN DERIVADAS PARCIALES Introduccón Dferencas fntas Métodos de relaacón sucesva Métodos
Más detallesRELACIÓN DE PROBLEMAS DE CLASE DE MODELADO DE DECISIÓN MULTICRITERIO PROBLEMA 1: FÁBRICA DE COMPONENTES ELECTRÓNICOS (FACTORY OF
RELACIÓN DE PROBLEMAS DE CLASE DE MODELADO DE DECISIÓN MULTICRITERIO PROBLEMA 1: FÁBRICA DE COMPONENTES ELECTRÓNICOS (FACTOR OF ELECTRONIC PARTS) Una empresa fabrca tres tpos de componentes electróncos,
Más detallesNos interesa asignar probabilidades a valores numéricos obtenidos a partir de fenómenos aleatorios, es decir a variables aleatorias.
Estadístca (Q) Dana M. Kelmansky 5 Varables Aleatoras Nos nteresa asgnar probabldades a valores numércos obtendos a partr de fenómenos aleatoros, es decr a varables aleatoras. Por ejemplo, calcular la
Más detallesMétodos específicos de generación de diversas distribuciones discretas
Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de
Más detalles5 Métodos iterativos para la resolución de ecuaciones algebraicas lineales Método de Gauss-Jacobi Método de Gauss-Seidel...
CONTENIDO 5 Métodos teratvos para la resolucón de ecuacones algebracas lneales 95 5.1 Método de Gauss-Jacob................................ 95 5.2 Método de Gauss-Sedel................................
Más detallesRedalyc. Gallego, Ramón A.; Escobar Z., Antonio H.; Rodas Rendón, Darío E.
Redalyc Sstema de Informacón Centífca Red de Revstas Centífcas de Amérca Latna, el Carbe, España y Portugal Gallego, Ramón A.; Escobar Z., Antono H.; Rodas Rendón, Darío E. ALGORITMO GENÉTICO ESPECIALIZADO
Más detallesVariables Aleatorias
Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.
Más detalles5. PROGRAMAS BASADOS EN RELACIONES DE RECURRENCIA.
Programacón en Pascal 5. PROGRAMAS BASADOS EN RELACIONES DE RECURRENCIA. Exsten numerosas stuacones que pueden representarse medante relacones de recurrenca; entre ellas menconamos las secuencas y las
Más detallesMETODOS NUMERICOS CATEDRA 0 6. Ingeniería Civil ING.CRISTIANCASTROP. Facultad de Ingeniería de Minas, Geología y Civil
CATEDRA 0 6 Facultad de Ingenería de Mnas, Geología Cvl Departamento académco de ngenería de mnas cvl METODOS NUMERICOS Ingenería Cvl ING.CRISTIANCASTROP. Captulo VI Sstema de Ecuacones Algebracas No Lneales
Más detallesReconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos
Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes
Más detallesNuevos Algoritmos en el Problema de Transporte. UPV. Correo-e: RESUMEN
V Congreso de Ingenería de Organzacón Valladold-Burgos, 4-5 Septembre 003 ƒ Índce Nuevos Algortmos en el Problema de Transporte Francsco López Ruz 1, Germán Arana Landín 1 Doctor Ingenero Industral, Departamento
Más detallesUNA FORMA GRÁFICA DE ENSEÑANZA: APLICACIÓN AL DUOPOLIO DE. Dpto. de Métodos Cuantitativos e Informáticos. Universidad Politécnica de Cartagena.
UNA FORMA GRÁFICA DE ENSEÑANZA: APLICACIÓN AL DUOPOLIO DE COURNOT. Autores: García Córdoba, José Antono; josea.garca@upct.es Ruz Marín, Manuel; manuel.ruz@upct.es Sánchez García, Juan Francsco; jf.sanchez@upct.es
Más detallesRESUMEN. mejorando la solución reportada anteriormente en algunos de los experimentos.
Ingenare. Revsta chlena de ngenería, vol. 9 º 3, 20, pp. 473-485 Algortmo recocdo smulado para el problema de la programacón del tamaño del lote económco bajo el enfoque de cclo básco Smulated annealng
Más detallesUNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 21 de enero de 2009
UNIVERSIDAD CARLOS III DE MADRID Ingenería Informátca Examen de Investgacón Operatva 2 de enero de 2009 PROBLEMA. (3 puntos) En Murca, junto al río Segura, exsten tres plantas ndustrales: P, P2 y P3. Todas
Más detalles3. VARIABLES ALEATORIAS.
3. VARIABLES ALEATORIAS. Una varable aleatora es una varable que toma valores numércos determnados por el resultado de un epermento aleatoro (no hay que confundr la varable aleatora con sus posbles valores)
Más detallesFE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)
FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz
Más detallespara cualquier a y b, entonces f(x) es la función de densidad de probabilidad de la variable aleatoria continua X.
Conceptos de Probabldad A contnuacón se presenta una revsón no ehaustva y a manera ntroductora de conceptos báscos de la teoría de probabldades. Un estudo proundo y ormal de estos se puede hacer en Mood
Más detallesPROCEDIMIENTOS PARA LA LOCALIZACIÓN DE ÁREAS DE APORTACIÓN DE RESIDUOS URBANOS
27 Congreso Naconal de Estadístca e Investgacón Operatva Lleda, 8-11 de abrl de 2003 PROCEDIMIENTOS PARA LA LOCALIZACIÓN DE ÁREAS DE APORTACIÓN DE RESIDUOS URBANOS J. Bautsta 1, J. Perera 2 1 Departamento
Más detallesFigura 1
5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto
Más detallesOPTIMIZACIÓN. María Jesús de la Fuente Aparicio Alberto Herrreros López
OPTIMIZACIÓN María Jesús de la Fente Aparco Alberto Herrreros Lópe Optmacón Problemas de optmacón: Como tomar la mejor opcón entre aras posbles Problemas de natralea m dersa Dseño (p.e. dmensonamento de
Más detallesModelos triangular y parabólico
Modelos trangular y parabólco ClassPad 0 Prof. Jean-Perre Marcallou INTRODUCCIÓN La calculadora CASIO ClassPad 0 dspone de la Aplcacón Prncpal para realzar los cálculos correspondentes a los modelos trangular
Más detallesCI63G Planificación de Sistemas de Transporte Público Urbano. Clase 8 Semestre Otoño 2008
CI63G Planfcacón de Sstemas de Transporte Públco Urbano Clase 8 Semestre Otoño 2008 Undades Temátcas 1. La oferta de transporte públco urbano (2 semanas) 2. La demanda por TPU (1,5 sem.) 3. Dseño y optmzacón
Más detallesEJERCICIOS SOBRE INTERPOLACIÓN POLINOMIAL. x x0 y y0. Deducir la fórmula para el polinomio de Lagrange de grado a lo más uno que Interpola la tabla.
EJERCICIOS SOBRE INTERPOLACIÓN POLINOMIAL. Consdere la sguente tabla, donde 0 : 0 y y0 y Deducr la fórmula para el polnomo de Lagrange de grado a lo más uno que Interpola la tabla.. Consdere la sguente
Más detallesEL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA
EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA . El Método de Dferencas Fntas El Método consste en una aproxmacón de las dervadas parcales por expresones algebracas con los valores de
Más detallesTEMA 4. TEORÍA DE LA DUALIDAD.
Investgacón Operatva TEMA. TEORÍA DE LA DUALIDAD. TEMA. TEORÍA DE LA DUALIDAD..... INTRODUIÓN... ALGORITMO DUAL DEL SIMPLEX.... EJEMPLO.... EJEMPLO.... EJEMPLO... TEORÍA DE LA DUALIDAD.... PROLEMA PRIMAL
Más detallesPara dos variables x1 y x2, se tiene el espacio B 2 el que puede considerarse definido por: {0, 1}X{0, 1} = {(00), (01), (10), (11)}
Capítulo 4 1 N-cubos 4.1. Representacón de una funcón booleana en el espaco B n. Los n-cubos representan a las funcones booleanas, en espacos n-dmensonales dscretos, como un subconjunto de los vértces
Más detallesECUACIONES DIFERENCIALES Problemas de Valor Inicial
DIVISIÓN DE IENIAS FÍSIAS Y MATEMÁTIAS DTO. TERMODINÁMIA Y FENÓMENOS DE TRANSFERENIA MÉTODOS AROXIMADOS EN ING. QUÍMIA TF-33 EUAIONES DIFERENIALES roblemas de Valor Incal Esta guía fue elaborada por: rof.
Más detallesSISTEMAS DE ECUACIONES DIFERENCIALES
DIVISIÓN DE CIENCIAS FÍSICAS Y MATEMÁTICAS DTO. TERMODINÁMICA Y FENÓMENOS DE TRANSFERENCIA MÉTODOS AROXIMADOS EN ING. QUÍMICA TF-33 SISTEMAS DE ECUACIONES DIFERENCIALES Esta guía fue elaborada por: rof.
Más detallesEstudio e implementación del algoritmo VND para la obtención de estimaciones en un proceso lognormal-gompertz
Unversdad de Granada Departamento de Estadístca e Investgacón Operatva Trabajo fnal del máster en Estadístca Aplcada Estudo e mplementacón del algortmo VND para la obtencón de estmacones en un proceso
Más detallesReconocimiento de Locutor basado en Procesamiento de Voz. ProDiVoz Reconocimiento de Locutor 1
Reconocmento de Locutor basado en Procesamento de Voz ProDVoz Reconocmento de Locutor Introduccón Reconocmento de locutor: Proceso de extraccón automátca de nformacón relatva a la dentdad de la persona
Más detallesEcuación de Lagrange
Capítulo 6 Ecuacón de Lagrange 6. Introduccón a las ecuacones de Lagrange La mecánca que nos presenta Lagrange en su Mécanque Analytque sgnfca un salto conceptual muy grande respecto de la formulacón Newtonana.
Más detallesObjetivo del tema. Esquema del tema. Economía Industrial. Tema 2. La demanda de la industria
Economía Industral Tema. La demanda de la ndustra Objetvo del tema Entender el modelo económco de comportamento del consumdor, fnalmente resumdo en la funcón de demanda. Comprender el carácter abstracto
Más detallesPlanificación de trayectorias mediante Programación Dinámica
Planfcacón de trayectoras medante Programacón Dnámca Mael O. Torres Pñero 1 Valery Moreno Vega 2 RESUMEN / ABSTRAT 1 Insttuto Superor Poltécnco José Antono Echevarra. mael@electrca.cuae.edu.cu 2 Insttuto
Más detallessergion@fing.edu.uy Centro de Cálculo, Instituto de Computación Facultad de Ingeniería. Universidad de la República, Uruguay.
Una Versón Paralela del Algortmo Evolutvo para Optmzacón Multobjetvo NSGA-II y su Aplcacón al Dseño de Redes de Comuncacones Confables Sergo Nesmachnow sergon@fng.edu.uy Centro de Cálculo, Insttuto de
Más detallesCONTENIDO. Ingeniería
CONTENIDO 1.-Defncón 2. Componentes 2.1. Claves 2.2. No claves 2.3. Dstrbudos 2.4. Adyacentes 3. Determnacón de la presón de operacón y tpo de condensador 4. Métodos aproxmados 4.1.Métodos FENSKE UNDERWOOD
Más detallesEn un mercado hay dos consumidores con las siguientes funciones de utilidad:
En un mercado hay dos consumdores con las sguentes funcones de utldad: U ( + y, y = ln( + U ( = + y con a >,, y a ln( + donde, =,, es la cantdad del ben consumda por el ndvduo, y es la cantdad de renta
Más detallesEl problema de la asignación de atraques en una terminal de contenedores con múltiples muelles
El problema de la asgnacón de atraques en una termnal de contenedores con múltples muelles Ramón Alvarez-Valdés, Pablo Froján, Gerasmus Koulours, José Manuel Tamart Resumen En este trabajo se estuda el
Más detallesTERMODINÁMICA DEL EQUILIBRIO CAPÍTULO V. EQUILIBRIO DE REACCIÓN QUÍMICA
Ing. Federco G. Salazar Termodnámca del Equlbro TERMODINÁMICA DEL EQUILIBRIO CAPÍTULO V. EQUILIBRIO DE REACCIÓN QUÍMICA Contendo 1. Conversón y Coordenada de Reaccón. 2. Ecuacones Independentes y Regla
Más detallesEcuaciones diferenciales ordinarias
Ecuacones derencales ordnaras Motvacón Las ecuacones que se componen de una uncón desconocda de sus dervadas son llamadas ECUACIONES DIFERENCIALES ales ecuacones desempeñan un papel mportante en ngenería
Más detallesCURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso
CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que
Más detallesUNIDAD I. Introducción al Análisis Numérico
UNIDAD I Introduccón al Análss Numérco Métodos Numércos Son técncas medante las cuales es posble formular problemas matemátcos, de tal forma que puedan resolverse utlzando operacones artmétcas. Requeren
Más detallesTEMA 4 Variables aleatorias discretas Esperanza y varianza
Métodos Estadístcos para la Ingenería Curso007/08 Felpe Ramírez Ingenería Técnca Químca Industral TEMA 4 Varables aleatoras dscretas Esperanza y varanza La Probabldad es la verdadera guía de la vda. Ccerón
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detallesEjemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias
Ejemplo: Consumo - Ingreso Ingreso Consumo Poblacón 60 famlas ( YX ) P = x [ YX ] E = x Línea de regresón poblaconal 80 60 Meda Condconal 40 20 00 [ X = 200] EY o o o o [ X = 200] EY 80 o o o 60 o 40 8
Más detallesMUESTREO EN POBLACIONES FINITAS
MUESTREO EN POBLACIONES FINITAS Antono Morllas A.Morllas: Muestreo 1 MUESTREO EN POBLACIONES FINITAS 1. Conceptos estadístcos báscos. Etapas en el muestreo 3. Tpos de error 4. Métodos de muestreo 5. Tamaño
Más detallesUNA REVISIÓN DEL ESTADO DEL ARTE EN OPTIMIZACIÓN.
Document downloaded from http://www.elsever.es, da 5/09/017. hs cop s for personal use. An transmsson of ths document b an meda or format s strctl prohbted. ISSN: 1697-791. Vol. 4, Núm. 1, Enero 007, pp.
Más detalles10. VIBRACIONES EN SISTEMAS CON N GRADOS DE LIBERTAD
10. VIBRACIONES EN SISEMAS CON N GRADOS DE LIBERAD 10.1. Matrces de rgdez, nerca y amortguamento Se puede demostrar que las ecuacones lneales del movmento de un sstema dscreto de N grados de lbertad sometdo
Más detallesEconometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1
Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale
Más detallesVectores VECTORES 1.- Magnitudes Escalares y Magnitudes Vectoriales. Las Magnitudes Escalares: Las Magnitudes Vectoriales:
VECTOES 1.- Magntudes Escalares y Magntudes Vectorales. Las Magntudes Escalares: son aquellas que quedan defndas úncamente por su valor numérco (escalar) y su undad correspondente, Eemplo de magntudes
Más detallesMatemáticas Discretas
Coordnacón de Cencas Computaconales - INAOE Matemátcas Dscretas Cursos Propedéutcos 2010 Cencas Computaconales INAOE Dr. Lus Vllaseñor Pneda vllasen@naoep.mx http://ccc.naoep.mx/~vllasen Algo de nformacón
Más detallesTEMA 5. INTERPOLACION
Tema 5: Interpolacón TEM 5. INTERPOLCION. Introduccón. Nomenclatura. Interpolacón lneal 4. Interpolacón cuadrátca 5. Interpolacón por splnes cúbcos. RESUMEN 7. Programacón en Matlab Cálculo numérco en
Más detallesTEMA 3. VARIABLE ALEATORIA
TEMA 3. VARIABLE ALEATORIA 3.. Introduccón. 3... Dstrbucón de Probabldad de una varable aleatora 3... Funcón de Dstrbucón de una varable aleatora 3.. Varable aleatora dscreta 3... Funcón masa de probabldad
Más detallesClase 19: Estado Estacionario y Flujo de Potencia. EL Conversión de la Energía y Sistemas Eléctricos Eduardo Zamora D.
Clase 9: Estado Estaconaro y Flujo de Potenca EL400 - Conversón de la Energía y Sstemas Eléctrcos Eduardo Zamora D. Temas - Líneas de Transmsón - El Sstema Eléctrco - Matrz de Admtanca - Flujo de Potenca
Más detallesFLUJO ÓPTIMO DE POTENCIA UTILIZANDO ALGORITMOS EVOLUTIVOS PROGRAMACIÓN EN DIGSILENT. Edgar A. Moreno Escuela Politécnica Nacional
FLUJO ÓPTIMO DE POTENCIA UTILIZANDO ALGORITMOS EVOLUTIVOS PROGRAMACIÓN EN DIGSILENT Edgar A. Moreno Escuela Poltécnca Naconal Víctor H. Hnojosa Departamento de Energía Eléctrca, Unversdad Técnca Federco
Más detallesPlanificación y optimización asistida por computadora de secuencias de ensamble mecánico
Ingenería Mecánca. Vol. 12. No.1, enero-abrl de 2009, pag. 59-68 ISSN 1815-5944 Planfcacón y optmzacón asstda por computadora de secuencas de ensamble mecánco L. L. omás-garcía Recbdo el 12 de enero de
Más detallesDicha tabla adopta la forma del diagrama de árbol del dibujo. En éste, a cada uno de los sucesos A y A c se les ha asociado los sucesos B y B c.
Estadístca robablístca 6. Tablas de contngenca y dagramas de árbol. En los problemas de probabldad y en especal en los de probabldad condconada, resulta nteresante y práctco organzar la nformacón en una
Más detallesCAPÍTULO X ESTADÍSTICA APLICADA A LA HIDROLOGIA
CAPÍTULO X ESTADÍSTICA APLICADA A LA HIDROLOGIA 0. INTRODUCCIÓN. Los estudos hdrológcos requeren del análss de nformacón hdrometeorológca, esta nformacón puede ser de datos de precptacón, caudales, temperatura,
Más detallesOPTIMIZACIÓN CON RESTRICCIONES DE IGUALDAD
OPIMIZACIÓN CON RESRICCIONES DE IGUALDAD Localzacón de óptos de funcones sujetas a restrccones en fora de gualdad écnca de los ultplcadores de Lagrange Forulacón estándar del problea f =,,..., Se consderarán
Más detallesOptimización multicriterio. Andrés Ramos Universidad Pontificia Comillas
Optmzacón multcrtero Andrés Ramos Unversdad Pontfca Comllas http://www.t.comllas.edu/aramos/ Andres.Ramos@comllas.edu Contendo 1. Conceptos báscos 2. Métodos contnuos 3. Métodos dscretos Escuela Técnca
Más detallesREDES NEURALES. Modelo computacional para una neurona artificial: unidad de umbral binario.
REDES NEURALES REFERENCIAS 1943. McCULLOCH Y PITTS. ( A Logcal Calculus of Ideas Immanent n Neurous Actvty ). 1960. ROSENBLATT. El Perceptron. 1982. HOPFIELD. Enfoque energétco. Algortmo de aprendzae de
Más detalles1 EY ( ) o de E( Y u ) que hace que g E ( Y ) sea lineal. Por ejemplo,
Modelos lneales generalzados En los modelos no lneales (tanto en su formulacón con coefcentes fjos o coefcentes aleatoros) que hemos vsto hasta ahora, exsten algunos que se denomnan lnealzables : son modelos
Más detallesDESPACHO DE CARGA ORIENTADO A EVENTUAL SEPARACIÓN EN ISLAS
UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS DEARTAMENTO DE INGENIERÍA ELÉCTRICA DESACHO DE CARGA ORIENTADO A EVENTUAL SEARACIÓN EN ISLAS MEMORIA ARA OTAR AL TÍTULO DE INGENIERO CIVIL
Más detallesControl Predictivo basado en Modelos (MPC)
Control Predctvo basado en Modelos (MPC) Prof. Cesar de Prada Dto. Ingenera de Sstemas Automátca Unversdad de Valladold, Esaña e-mal: rada@autom.uva.es web:htt//www.sa.ce.uva.es Tendencas en la ndustra
Más detallesAnálisis del caso promedio. Técnicas Avanzadas de Programación - Javier Campos 70
Análss del caso promedo Técncas Avanzadas de Programacón - Javer Campos 70 Análss del caso promedo El plan: Probabldad Análss probablsta Árboles bnaros de búsqueda construdos aleatoramente Tres, árboles
Más detalles2. EL TENSOR DE TENSIONES. Supongamos un cuerpo sometido a fuerzas externas en equilibrio y un punto P en su interior.
. EL TENSOR DE TENSIONES Como se explcó prevamente, el estado tensonal en un punto nteror de un cuerpo queda defndo por 9 componentes, correspondentes a componentes por cada una de las tensones nternas
Más detallesUN PROBLEMA LOGÍSTICO DE RUTEO DE VEHÍCULOS Y UNA SOLUCIÓN CON LA HEURÍSTICA R: UN CASO DE ESTUDIO
Scenta et Technca Año XIII, No 37, Dcembre de 2007. Unversdad Tecnológca de Perera. ISSN 0122-1701 407 UN PROBLEMA LOGÍSTICO DE RUTEO DE VEHÍCULOS Y UNA SOLUCIÓN CON HEURÍSTICA R: UN CASO DE ESTUDIO A
Más detalles3.- Programación por metas.
Programacón Matemátca para Economstas 1 3.- Programacón por metas. Una vez menconados algunos de los nconvenentes de las técncas generadoras, la ncorporacón de nformacón se va a traducr en una accón del
Más detallesEL ANÁLISIS DE LA VARIANZA (ANOVA) 2. Estimación de componentes de varianza
EL ANÁLSS DE LA VARANZA (ANOVA). Estmacón de componentes de varanza Alca Maroto, Rcard Boqué Grupo de Qumometría y Cualmetría Unverstat Rovra Vrgl C/ Marcel.lí Domngo, s/n (Campus Sescelades) 43007-Tarragona
Más detallesMETODOLOGÍA PARA LA ASIGNACIÓN DE TOLERANCIAS Y VALORES NOMINALES A UN CONJUNTO DE VARIABLES DEPENDIENTES
Ingenería Técnca Industral Mecánca METODOLOGÍA PARA LA ASIGNACIÓN DE TOLERANCIAS Y VALORES NOMINALES A UN CONJUNTO DE VARIABLES DEPENDIENTES UNIVERSIDAD CARLOS III DE MADRID ESCUELA POLITÉCNICA SUPERIOR
Más detallesANEXO 24 JUSTIFICACIÓN ECONÓMICA
ANEXO 24 JUSTIFICACIÓN ECONÓMICA 1 JUSTIFICACION ECONOMICA 1.0 MARCO DE REFERENCIA El plan de Expansón de del Sstema de Transmsón (PEST), tene el objetvo de planfcar la expansón y reposcón del sstema de
Más detallesUNA SOLUCIÓN NO SIMÉTRICA EN LA OPTIMIZACIÓN ESTRUCTURAL DE PUENTES EMPLEANDO ALGORITMOS GENÉTICOS
Socedad Mexcana de Ingenería Estructural UNA SOLUCIÓN NO SIMÉTRICA EN LA OPTIMIZACIÓN ESTRUCTURAL DE PUENTES EMPLEANDO ALGORITMOS GENÉTICOS Gutérrez Astudllo Nayar C 1., Penche Vera Rebeca del R. 2, Carrón
Más detallesIntroducción. Escuela Técnica Superior de Ingeniería Informática. Universidad de La Laguna. Fernando Pérez Nava
Reconocmento de Patrones Introduccón Tema : Reconocmento Estadístco de Patrones Por qué una aproxmacón estadístca en el RP? La utlzacón de característcas para representar una entdad provoca una pérdda
Más detallesAnálisis y Diseño de Algoritmos Genéticos Paralelos Distribuidos
UNIVERSIDAD DE MÁLAGA E. T. S. DE INGENIERÍA INFORMÁTICA Departamento de Lenguajes y Cencas de la Computacón Análss y Dseño de Algortmos Genétcos Paralelos Dstrbudos TESIS DOCTORAL Enrque Alba Torres Málaga,
Más detallesTipología de nudos y extremos de barra
Tpología de nudos y extremos de barra Apelldos, nombre Basset Salom, Lusa (lbasset@mes.upv.es) Departamento Centro ecánca de edos Contnuos y Teoría de Estructuras Escuela Técnca Superor de Arqutectura
Más detallesMétodos heurísticos aplicados al control de semáforos en zonas urbanas
Métodos heurístcos aplcados al control de semáforos en zonas urbanas Métodos heurístcos aplcados al control de semáforos en zonas urbanas Pedrera Andrade, Luís P. [lucky@udc.es] Lema Fernández, Carmen
Más detallesProposiciones. Proposiciones. Bloques de proposiciones. Proposición if. Verdadero o Falso. Diagrama de flujo if-else
Proposcones Proposcones Maro Medna C. maromedna@udec.cl Expresones Artmétcas (b + c) De control (f ) De asgnacón (X = Y) Llamadas a funcones (prntf( )) Termnadas por un punto y coma (;) Bloques de proposcones
Más detallesTutorial sobre Máquinas de Vectores Soporte (SVM)
Tutoral sobre Máqunas de Vectores Soporte SVM) Enrque J. Carmona Suárez ecarmona@da.uned.es Versón ncal: 2013 Últma versón: 11 Julo 2014 Dpto. de Intelgenca Artcal, ETS de Ingenería Informátca, Unversdad
Más detallesH 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme
Una hpótess estadístca es una afrmacón con respecto a una característca que se desconoce de una poblacón de nterés. En la seccón anteror tratamos los casos dscretos, es decr, en forma exclusva el valor
Más detallesLiquidación Anticipada de swaps de Tasa de Interés. diciembre 2009
Lqudacón Antcpada de swaps de Tasa de Interés dcembre 2009 Objetvos I. Permtr la lqudacón antcpada de contratos conservando el perfl de resgo de los portafolos (tolerancas). II. III. IV. Mnmzar la exposcón
Más detalles1).- Para > 0, B= {x R L : p. x I} = {x R L
Pontfca Unversdad Católca del Perú Programa de Maestría en Economía Curso: Mcroeconomía Intermeda Profesores: Clauda Barrga & José Gallardo Asstente: César Gl Malca Propedades de las funcones de demanda
Más detallesUniversidad Diego Portales Facultad de Economía y Empresa
Unversdad Dego Portales Profesor: Carlos R. Ptta Hasta este momento nos hemos enfocado en juegos en los cuales cualquer nformacón que es conocda por un jugador es conocda por todos los demás (es decr,
Más detallesRelaciones entre variables
Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.
Más detalles315 M de R Versión 1 Segunda Parcial 1/8 Lapso 2008/2
5 M de R Versón Segunda Parcal /8 Lapso 8/ UNIVERSIDAD NACIONAL AIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA MODELO DE RESPUESTA ASIGNATURA: Investgacón de Operacones I CÓDIGO: 5 MOMENTO: Segunda Parcal
Más detallesUn algoritmo GRASP para resolver el problema de la programación de tareas dependientes en máquinas diferentes (task scheduling)
Un algortmo GRASP para resolver el problema de la programacón de tareas dependentes en máqunas dferentes (tas schedulng) Manuel Tupa Pontfca Unversdad Católca del Perú, Departamento de Ingenería Av. Unverstara
Más detallesSolución de problemas no lineales con restricciones usando DIRECT y una función Lagrangeana aumentada
Solucón de problemas no lneales con restrccones usando DIRECT y una funcón Lagrangeana aumentada Vanesa Fuertes Ibán Unversdade do Mnho vanesa211@hotmal.com Ana Mara A. C. Rocha Dep. Produção e Sstemas
Más detallesCLASIFICACIÓN MEDIANTE COLONIA DE HORMIGAS Y CONFIGURACIÓN DE PARÁMETROS
CLASIFICACIÓN MEDIANTE COLONIA DE HORMIGAS Y CONFIGURACIÓN DE PARÁMETROS Yenet Delgado Kos Departamento de Programacón, Facultad 1, Unversdad de las Cencas Informátcas. Carretera a San Antono de los Baños,
Más detallesRegresión y Correlación Métodos numéricos
Regresón y Correlacón Métodos numércos Prof. Mguel Hesquo Garduño. Est. Mrla Benavdes Rojas Depto. De Ingenería Químca Petrolera ESIQIE-IPN hesquogm@yahoo.com.mx mbenavdesr5@gmal.com Regresón lneal El
Más detallesPista curva, soporte vertical, cinta métrica, esferas metálicas, plomada, dispositivo óptico digital, varilla corta, nuez, computador.
ITM, Insttucón unverstara Guía de Laboratoro de Físca Mecánca Práctca : Colsones en una dmensón Implementos Psta curva, soporte vertcal, cnta métrca, eseras metálcas, plomada, dspostvo óptco dgtal, varlla
Más detalles