José Manuel Arroyo Sánchez
|
|
- Javier Marín Revuelta
- hace 6 años
- Vistas:
Transcripción
1 Programación lineal entera-mixta José Manuel Arroyo Sánchez Área de Ingeniería Eléctrica Universidad de Castilla La Mancha 1
2 PROGRAMACIÓN LINEAL ENTERA-MIXTA BIBLIOGRAFÍA G. L. NEMHAUSER, L. A. WOLSEY. INTEGER AND COMBINATORIAL OPTIMIZATION. JOHN WILEY & SONS. NEW YORK S. P. BRADLEY, A. C. HAX, T. L. MAGNANTI. APPLIED MATHEMATICAL PROGRAMMING. ADDISON-WESLEY PUBLISHING COMPANY. READING, MASSACHUSETTS E. CASTILLO, A. J. CONEJO, P. PEDREGAL, R. GARCÍA, N. ALGUACIL. BUILDING AND SOLVING MATHEMATICAL PROGRAMMING MODELS IN ENGINEERING AND SCIENCE. JOHN WILEY & SONS. NEW YORK
3 PROGRAMACIÓN LINEAL ENTERA-MIXTA CONTENIDOS INTRODUCCIÓN MÉTODOS DE RESOLUCIÓN APLICACIONES GENERALES APLICACIONES EN INGENIERÍA ELÉCTRICA 3
4 INTRODUCCIÓN QUÉ ES UN PROBLEMA DE PLEM? PROBLEMA DE OPTIMIZACIÓN FUNCIÓN OBJETIVO Y RESTRICCIONES LINEALES VARIABLES ENTERAS Y CONTINUAS SI TODAS LAS VARIABLES SON ENTERAS PROGRAMACIÓN LINEAL ENTERA ESTRICTA SI LAS VARIABLES ENTERAS SON BINARIAS PROGRAMACIÓN LINEAL ENTERA-MIXTA 0/1 INTERÉS PRÁCTICO EN INGENIERÍA ELÉCTRICA!!! 4
5 INTRODUCCIÓN FORMULACIÓN GENERAL DE UN PLEM MINIMIZAR z = n j= 1 c j x j SUJETO A: n j= 1 a ij x j = b i ; i = 1Km x j 0 ; j = 1Kn x j I ; PARA ALGÚN j = 1Kn I = { 0,1, 2K} 5
6 INTRODUCCIÓN CONJUNTO DE SOLUCIONES FACTIBLES 6
7 INTRODUCCIÓN EJEMPLO DE UN PLEM MAXIMIZAR z = 5x x 2 SUJETO A: x 1 x x + x x + 9x x,x2 1 I 7
8 INTRODUCCIÓN EJEMPLO DE UN PLEM. REGIÓN FACTIBLE 8
9 INTRODUCCIÓN EJEMPLO DE UN PLEM. SOLUCIÓN PROBLEMA LINEAL RELAJADO PLEM ÓPTIMO REDONDEO SOLUCIÓN ENTERA MÁS PRÓXIMA ÓPTIMO x x z INFACTIBLE LA SOLUCIÓN FACTIBLE MÁS PRÓXIMA A LA SOLUCIÓN DEL PROBLEMA LINEAL RELAJADO NO ES LA SOLUCIÓN ÓPTIMA DE PLEM NECESIDAD DE TÉCNICAS DE RESOLUCIÓN 9
10 INTRODUCCIÓN VARIABLES BINARIAS (0/1) SÓLO PUEDEN TOMAR LOS VALORES 0 Ó 1 COMPLEJIDAD PROBLEMA LINEAL POR FALTA DE CONTINUIDAD ÚTILES EN PROBLEMAS EN LOS QUE LAS VARIABLES SÓLO PUEDEN TOMAR 2 VALORES: x = 1 LA SITUACIÓN TIENE LUGAR 0 LA SITUACIÓNNO TIENE LUGAR 10
11 INTRODUCCIÓN VARIABLES BINARIAS (0/1) TAMBIÉN ÚTILES PARA MODELAR NO LINEALIDADES: CONJUNTOS ALTERNATIVOS DE RESTRICCIONES RESTRICCIONES CONDICIONALES FUNCIONES DISCONTINUAS FUNCIONES LINEALES A TRAMOS Y NO CONVEXAS EJEMPLOS: PROBLEMA DE LA MOCHILA, PROBLEMA DEL VIAJERO, PROGRAMACIÓN HORARIA (ARRANQUE Y PARADA DE GRUPOS GENERADORES) 11
12 INTRODUCCIÓN MÉTODOS DE RESOLUCIÓN BRANCH & BOUND (RAMIFICACIÓN Y ACOTACIÓN) CORTES DE GOMORY BRANCH & CUT (RAMIFICACIÓN Y CORTES) 12
13 INTRODUCCIÓN VENTAJAS DE LA PLEM CONVERGENCIA AL ÓPTIMO EN UN TIEMPO FINITO CONOCIMIENTO DE PROXIMIDAD AL ÓPTIMO (DIFERENCIA DE COTAS) DESARROLLO DE SOFTWARE DE CÁLCULO (CPLEX, XPRESS) 13
14 PROGRAMACIÓN LINEAL ENTERA-MIXTA CONTENIDOS INTRODUCCIÓN MÉTODOS DE RESOLUCIÓN APLICACIONES GENERALES APLICACIONES EN INGENIERÍA ELÉCTRICA 14
15 BRANCH & BOUND RESOLUCIÓN DE SECUENCIA ORDENADA DE PROBLEMAS DE PROGRAMACIÓN LINEAL: RELAJACIÓN DE RESTRICCIONES DE INTEGRALIDAD RESTRICCIONES ADICIONALES CUYO NÚMERO CRECE A MEDIDA QUE PROGRESA EL PROCEDIMIENTO PROBLEMA CADA VEZ MÁS RESTRINGIDO CONVERGENCIA FINITA AL ÓPTIMO 15
16 BRANCH & BOUND ESTABLECIMIENTO DE: COTA SUPERIOR (z) CUALQUIER SOLUCIÓN FACTIBLE DE PLEM 0/1 COTA INFERIOR (z) SOLUCIÓN ÓPTIMA PROBLEMA LINEAL RELAJADO z z * z PROCEDIMIENTOS DE RAMIFICACIÓN COTA SUPERIOR, COTA INFERIOR DIFERENCIA ENTRE COTAS MEDIDA DE CERCANÍA AL ÓPTIMO 16
17 ELEMENTOS DEL ALGORITMO DE BRANCH & BOUND ESTABLECIMIENTO DE COTAS RAMIFICACIÓN RESOLUCIÓN DE PL CADA VEZ MÁS RESTRINGIDOS ACTUALIZACIÓN DE COTAS 17
18 ALGORITMO DE BRANCH & BOUND PASO 1 (INICIACIÓN): z = + z = RESOLUCIÓN DE PROBLEMA LINEAL RELAJADO (PLR): INFACTIBLE PROBLEMA ORIGINAL INFACTIBLE FIN FACTIBLE: SI SE CUMPLE INTEGRALIDAD SOLUCIÓN ÓPTIMA FIN SI NO SE CUMPLE INTEGRALIDAD z = z IR A PASO 2 R 18
19 ALGORITMO DE BRANCH & BOUND PASO 2 (RAMIFICACIÓN): SE ELIGE x k QUE NO CUMPLE INTEGRALIDAD EN PLR ( x k = a. b) GENERACIÓN DE 2 PROBLEMAS LINEALES RELAJADOS: INCLUSIÓN DE LOS NUEVOS PROBLEMAS LINEALES RELAJADOS EN LA LISTA DE PROBLEMAS A RESOLVER RESOLUCIÓN SECUENCIAL O PARALELA PASO 3 19
20 ALGORITMO DE BRANCH & BOUND PASO 3 (RESOLUCIÓN): SE RESUELVE EL PRÓXIMO PROBLEMA EN LA LISTA ( SIMPLEX DUAL ACONSEJABLE IR A PASO 4 PASO 4 (ACTUALIZACIÓN DE COTAS): * z R ) ALGORITMO FACTIBLE, SE CUMPLE INTEGRALIDAD Y z R * z CANDIDATA A MINIMIZADOR IR A PASO 5 * z = z R SOLUCIÓN FACTIBLE, NO SE CUMPLE INTEGRALIDAD Y z * R z z z = * z R RAMIFICACIÓN E INCLUSIÓN DE NUEVOS PROBLEMAS RELAJADOS EN LA LISTA IR A PASO 2 FACTIBLE, NO SE CUMPLE INTEGRALIDAD Y z R * z IR A PASO 5 INFACTIBLE IR A PASO 5 20
21 ALGORITMO DE BRANCH & BOUND PASO 5 (PODA): PODA POR INTEGRALIDAD IR A PASO 6 PODA POR COTAS IR A PASO 6 PODA POR INFACTIBILIDAD IR A PASO 6 PASO 6 (OPTIMALIDAD): LISTA DE PROBLEMAS NO VACÍA IR A PASO 3 LISTA DE PROBLEMAS VACÍA FIN 21
22 ALGORITMO DE BRANCH & BOUND 22
23 ALGORITMO DE BRANCH & BOUND ESTRATEGIAS DE RAMIFICACIÓN Y PROCESAMIENTO ELECCIÓN ADECUADA DE LA VARIABLE CANDIDATA PARA LA RAMIFICACIÓN DEPENDE DE LA ESTRUCTURA DEL PROBLEMA ESTRATEGIAS EN ANCHURA RESOLUCIÓN DE PROBLEMAS SIMILARES VENTAJAS COMPUTACIONALES ESTRATEGIAS EN PROFUNDIDAD PRODUCE RÁPIDAMENTE * R z z z Y PODAS POR INFACTIBILIDAD ESTRATEGIAS MIXTAS z * R z z Y BÚSQUEDA EN ANCHURA 23 BÚSQUEDA EN PROFUNDIDAD
24 ALGORITMO DE BRANCH & BOUND PROGRAMACIÓN LINEAL ENTERA ESTRICTA PUEDE SER NECESARIO RAMIFICAR TODAS LAS VARIABLES DEL PROBLEMA PROGRAMACIÓN LINEAL ENTERA-MIXTA 0/1 RAMIFICACIÓN DE VARIABLES 0/1 IMPLICA FIJAR LAS VARIABLES BINARIAS A 0 Ó 1 24
25 EJEMPLO I PROGRAMACIÓN LINEAL ENTERA ESTRICTA MINIMIZAR z SUJETO A: x 1 0 = x 1 x 2 2x 2x2 1 2x 2 x,x2 9 1 I 1 25
26 EJEMPLO I REGIÓN FACTIBLE 26
27 EJEMPLO II PROGRAMACIÓN LINEAL ENTERA-MIXTA MINIMIZAR z = 3x x 2 SUJETO A: x 2x2 + x3 1 = 2.5 2x + x2 + x4 1 = 1.5 x,x2,x3,x4 1 0 x,x3 2 I 27
28 CORTES DE GOMORY RESOLUCIÓN DEL PROBLEMA ORIGINAL RELAJADO (PLR) INCLUYENDO RESTRICCIONES ADICIONALES LLAMADAS CORTES DE GOMORY PROCESO ITERATIVO 1 CORTE DE GOMORY ADICIONAL POR ITERACIÓN SE REDUCE PROGRESIVAMENTE LA REGIÓN FACTIBLE SIN EXCLUIR SOLUCIONES ÓPTIMAS CONVERGENCIA FINITA AL ÓPTIMO 28
29 CORTES DE GOMORY 29
30 GENERACIÓN DE CORTES DE GOMORY REGIÓN FACTIBLE: Ax = b x 0 EMPLEANDO NOTACIÓN ESTÁNDAR DEL MÉTODO SIMPLEX: BxB + NxN = b x B + B 1 Nx N = B 1 b xb + UxN = ~ b PARA UNA VARIABLE BÁSICA x Bi I QUE NO ES ENTERA EN PLR: x + = Bi uijxnj b ~ i j DONDE ~ b i I 30
31 GENERACIÓN DE CORTES DE GOMORY ~ SI SE EXPRESAN u ij Y b i COMO SUMA DE UNA PARTE ENTERA Y UNA PARTE DECIMAL: u = i + ij ij f ij ~ b ~ i = i ~ i + f i ~ DONDE f ij 0 Y f 0 POR LO TANTO: i > j ~ ( iij + fij) xnj = i i i x ~ Bi + + f x Bi + ~ ~ iijxnj i i = f i j j f ij x Nj 31
32 GENERACIÓN DE CORTES DE GOMORY ~ POR LO TANTO f i fijxnj DEBE SER: j ENTERO, YA QUE x Bi iijxnj ~ i i j + ES ENTERO MENOR QUE QUE j f ij x Nj ~ f 0 i, QUE ES UNA FRACCIÓN POSITIVA MENOR QUE 1, YA CONCLUSIÓN: SE DEFINE EL CORTE DE GOMORY ASOCIADO A LA VARIABLE BÁSICA : x Bi ~ f i f j ij x Nj 0 O IGUALMENTE, j f ij x Nj ~ f i 0 32
33 ALGORITMO DE CORTES DE GOMORY PASO 1 (INICIACIÓN): RESOLUCIÓN DE PROBLEMA LINEAL RELAJADO (PLR) INFACTIBLE PROBLEMA ORIGINAL INFACTIBLE FIN FACTIBLE IR A PASO 2 PASO 2 (CONTROL DE OPTIMALIDAD): SI SE CUMPLE INTEGRALIDAD SOLUCIÓN ÓPTIMA FIN SI NO SE CUMPLE INTEGRALIDAD IR A PASO 3 33
34 ALGORITMO DE CORTES DE GOMORY PASO 3 (GENERACIÓN DE CORTE): SE EMPLEA UNA VARIABLE BÁSICA QUE HA DE SER ENTERA Y NO LO ES, Y SE GENERA EL CORTE DE GOMORY PASO 4 (RESOLUCIÓN): SE AÑADE EL CORTE Y SE RESUELVE EL NUEVO PLR IR A PASO 2 MÉTODO SIMPLEX DUAL ACONSEJABLE 34
35 EJEMPLO I PROGRAMACIÓN LINEAL ENTERA ESTRICTA MINIMIZAR z SUJETO A: x 1 0 = x 1 x 2 2x 2x2 1 2x 2 x,x2 9 1 I 1 35
36 BRANCH & CUT COMBINACIÓN DE BRANCH & BOUND Y DE GENERACIÓN DE CORTES USO DE HEURÍSTICOS QUE REDUCEN LA REGIÓN FACTIBLE REDUCCIÓN ESPECTACULAR DE TIEMPO DE CÁLCULO CPLEX, XPRESS 36
37 PROGRAMACIÓN LINEAL ENTERA-MIXTA CONTENIDOS INTRODUCCIÓN MÉTODOS DE RESOLUCIÓN APLICACIONES GENERALES APLICACIONES EN INGENIERÍA ELÉCTRICA 37
38 RESTRICCIONES LÓGICAS FACTIBILIDAD DE UNA RESTRICCIÓN K? CUÁNDO SE CUMPLE LA RESTRICCIÓN f( x,x,,x ) b 1 2 n MODELO PLEM 0/1: f ( x,x,,x ) By b K (1) 1 2 n y 0 LA RESTRICCIÓN SE CUMPLE = (2) 1 LA RESTRICCIÓN NO SE CUMPLE DONDE B ES UNA CONSTANTE POSITIVA SUFICIENTEMENTE GRANDE TAL QUE CUANDO LA RESTRICCIÓN NO SE CUMPLE, 1 y =, (1) NO SE ACTIVA ADECUADA ELECCIÓN DE B EVITAR PROBLEMAS NUMÉRICOS 38
39 RESTRICCIONES LÓGICAS RESTRICCIONES ALTERNATIVAS I SE DEBE CUMPLIR AL MENOS UNA DE LAS SIGUIENTES RESTRICCIONES: f f ( x1,x 2, K,xn) 1 1 b ( x1,x 2, K,xn) 2 2 b 39
40 RESTRICCIONES LÓGICAS RESTRICCIONES ALTERNATIVAS I MODELO PLEM 0/1: f ( x1,x 2,,xn) B1y 1 1 K (1) 1 b f ( x1,x 2,,xn) B2y2 2 K (2) 2 b y1 2 + y 1 (3) y,y2 { 0,1 } 1 (4) DONDE B 1 Y B 2 SON CONSTANTES POSITIVAS SUFICIENTEMENTE GRANDES 40
41 RESTRICCIONES LÓGICAS RESTRICCIONES ALTERNATIVAS II SE DEBE CUMPLIR SÓLO UNA DE LAS SIGUIENTES RESTRICCIONES: f f ( x1,x 2, K,xn) 1 1 b ( x1,x 2, K,xn) 2 2 b MODELO PLEM 0/1 (I): f f ( x1,x 2,,xn) B1y 1 1 K (1) 1 b ( x1,x 2,,xn) B2y2 2 K (2) 2 b y1 2 = + y 1 (3) y,y2 { 0,1 } 1 (4) DONDE B 1 Y B 2 SON CONSTANTES POSITIVAS SUFICIENTEMENTE GRANDES 41
42 RESTRICCIONES LÓGICAS RESTRICCIONES ALTERNATIVAS II MODELO PLEM 0/1 (II): f ( x1,x 2,,xn) B1y 1 1 K (1) 1 b f ( x1,x 2,,xn) B2( 1 y1) 2 K (2) 2 b y 1 { 0,1 } (3) DONDE B 1 Y B 2 SON CONSTANTES POSITIVAS SUFICIENTEMENTE GRANDES AHORRO DE 1 VARIABLE BINARIA COMPLEJIDAD COMPUTACIONAL (ÁRBOL DE BÚSQUEDA DEL BRANCH & BOUND REDUCIDO) 42
43 RESTRICCIONES LÓGICAS RESTRICCIONES ALTERNATIVAS III SE DEBEN CUMPLIR AL MENOS k DE LAS SIGUIENTES RESTRICCIONES: f j ( x1,x 2,,xn) bj K, j = 1Kp MODELO PLEM 0/1: f j ( x1,x 2,,xn) Bj( 1 y j) bj K, j = 1Kp (1) p j= 1 y j k (2) y j 1 LA RESTRICCIÓN j SE CUMPLE =, j = 1Kp 0 LA RESTRICCIÓN j NO SE CUMPLE (4) DONDE B j SON CONSTANTES POSITIVAS SUFICIENTEMENTE GRANDES 43
44 RESTRICCIONES LÓGICAS ALTERNATIVAS COMPUESTAS REGIÓN FACTIBLE DEFINIDA POR CONJUNTOS ALTERNATIVOS DE RESTRICCIONES (NO NECESARIAMENTE DISJUNTOS): 44
45 RESTRICCIONES LÓGICAS ALTERNATIVAS COMPUESTAS MODELO PLEM 0/1: f f f f f f f ( x1,x 2) B1y 1 1 ( x1,x 2) B2y1 2 ( x1,x 2) B3y2 3 ( x1,x 2) B4y2 4 ( x1,x 2) B5y3 5 ( x1,x 2) B6y3 6 ( x1,x 2) B7y3 7 (1) 1 b (2) 2 b (3) 3 b (4) 4 b (5) 5 b (6) 6 b (7) 7 b y y + y 2 (8) x1,x 2 0 (9) { 0,1 } y1,y 2,y3 (10) DONDE B 1 - B 7 SON CONSTANTES POSITIVAS SUFICIENTEMENTE GRANDES 45
46 RESTRICCIONES LÓGICAS RESTRICCIONES CONDICIONALES ( x1,x 2, K,xn) 1 IMPLICA QUE f2( x1,x 2,,xn) b2 f > 1 b K (CONDICIÓN IF... THEN) EQUIVALENTE A RESTRICCIONES ALTERNATIVAS (AL MENOS UNA SE DEBE CUMPLIR): f ( x1,x 2, K,xn) 1 Y/O f2( x1,x 2, K,xn) b2 1 b 46
47 MODELADO DE FUNCIONES NO LINEALES DISCONTINUIDAD f ( x) = 0 K + cx SI SI x 0 = < 0 x B EJEMPLO PRÁCTICO: COSTES FIJO (K) Y VARIABLE (c) DE UNA CENTRAL ELÉCTRICA 47
48 MODELADO DE FUNCIONES NO LINEALES DISCONTINUIDAD MODELO PLEM 0/1: ( x) Ky cx f = + (1) x By (2) x 0 (3) y { 0,1 } (4) DONDE: B VALOR MÁXIMO DE x (POTENCIA MÁXIMA NOMINAL) y VARIABLE 0/1 IGUAL A 0 SI x = 0 (NO SE INCURRE EN EL COSTE FIJO), E IGUAL A 1 EN OTRO CASO (SÍ SE INCURRE EN EL COSTE FIJO) OJO, SÓLO FUNCIONA SI SE MINIMIZA f(x) Y K > 0!!! 48
49 MODELADO DE FUNCIONES NO LINEALES FUNCIONES NO CONVEXAS A TROZOS ( ) ( ) ( ) ( ) < < + γ + β α + β α α = c x b b x a a x 0 b x a b a a x a x x f DONDE: γ < β < α < 0 c b a 0 < < < 49
50 MODELADO DE FUNCIONES NO LINEALES FUNCIONES NO CONVEXAS A TROZOS MODELO PLEM 0/1: f ( x) αx1 + βx2 + γx3 = (1) x = x + (2) 1 + x2 x3 ay1 x1 a (3) ( b a) y 2 x 2 ( b a) y 1 (4) ( c b) 2 0 x (5) y,y2 3 y { 0,1 } 1 (6) OJO, (4) IMPIDE LA COMBINACIÓN y 1 = 0, y 2 = 1 3 COMBINACIONES POSIBLES 50
51 MODELADO DE FUNCIONES NO LINEALES FUNCIONES NO CONVEXAS A TROZOS x j TROZO j DE x y 1 = 1 0 SI x 1 = a EN OTRO CASO y 2 = 1 0 SI x 2 = b EN OTRO CASO PARA EL CASO GENERAL LA RESTRICCIÓN PARA EL TROZO j ES: L j y j x j L j y j 1 DONDE L j REPRESENTA LA LONGITUD DEL TRAMO j SI LA FUNCIÓN ES CONVEXA Y EL PROBLEMA ES DE MINIMIZACIÓN LAS VARIABLES 0/1 NO SON NECESARIAS 51
52 MODELADO DE FUNCIONES NO LINEALES FUNCIONES NO CONVEXAS A TROZOS CON DISCONTINUIDAD INICIAL ( ) ( ) ( ) ( ) ( ) ( ) ( ) < < < + γ + β + α + β + α + α = d x c c x b b x a a x 0 c x b c a b f b x a b f a x f 0 x f DONDE: γ < β < α < 0 c b a 0 < < < 52
53 MODELADO DE FUNCIONES NO LINEALES FUNCIONES NO CONVEXAS A TROZOS CON DISCONTINUIDAD INICIAL 53
54 MODELADO DE FUNCIONES NO LINEALES FUNCIONES NO CONVEXAS A TROZOS CON DISCONTINUIDAD INICIAL MODELO PLEM 0/1: f ( x) vf0 + αx1 + βx2 + γx3 = (1) x = va + x + (2) 1 + x2 x3 ( a) y x ( b a)v b 1 1 (3) ( c b) y 2 x 2 ( c b) y 1 (4) ( d c) 2 0 x (5) 3 y { 0,1 } v,y1,y 2 (6) OJO, (3) IMPIDE y j > v Y (4) IMPIDE LA COMBINACIÓN y 1 = 0, y 2 = 1 4 COMBINACIONES POSIBLES 54
55 MODELADO DE FUNCIONES NO LINEALES APROXIMACIÓN LINEAL A TROZOS p i Linealización cóncava a trozos Puntos de mejor eficiencia local U i U i u i NO CONCAVIDAD VARIABLES BINARIAS PRECISIÓN TRAMOS LINEALES 55
56 MODELADO DEL PRODUCTO DE VARIABLES BINARIAS MODELO PLEM 0/1: n z =, x i { 0,1 } i= 1 z 0 (1) z, i = 1, K, n (2) x i x i z i n = 1 xi n + 1 (3) x i { 0,1 } (4) (3) SÓLO SE ACTIVA CUANDO TODOS LOS x i SON IGUALES A 1 56
57 MODELADO DEL PRODUCTO DE UNA VARIABLE BINARIA Y UNA VARIABLE CONTINUA MODELO PLEM 0/1: z = xp, { 0,1 } x, p [ p min, p max ] z = p r (1) xp min max z xp (2) ( 1 x) p min r ( 1 x) p max (3) x { 0,1 } (4) r [ p min, p max ] DONDE r ES UNA VARIABLE CONTINUA AUXILIAR (5) 57
58 MODELADO DEL PRODUCTO DE LAS CONDICIONES DE COMPLEMENTARIEDAD π f = 0, 0 π, f 0 MODELO PLEM 0/1 (EXPRESIÓN DE FORTUNY-AMAT): π My (1) π 0 (2) f ( y) M 1 (3) f 0 y { 0,1 } (4) (5) DONDE M ES UNA CONSTANTE POSITIVA SUFICIENTEMENTE GRANDE 58
59 PROGRAMACIÓN LINEAL ENTERA-MIXTA CONTENIDOS INTRODUCCIÓN MÉTODOS DE RESOLUCIÓN APLICACIONES GENERALES APLICACIONES EN INGENIERÍA ELÉCTRICA 59
60 OPERACIÓN DE UNA CENTRAL TÉRMICA LÍMITES MÁXIMO Y MÍNIMO DE PRODUCCIÓN TIEMPOS MÍNIMOS DE FUNCIONAMIENTO Y DE PARADA RAMPAS: SUBIDA, BAJADA, ARRANQUE Y PARADA RESERVA RODANTE COSTES: DE PRODUCCIÓN (FIJOS Y VARIABLES), DE ARRANQUE Y DE PARADA 60
61 OPERACIÓN DE UNA CENTRAL TÉRMICA MODELO BASADO EN LA DEFINICIÓN DE 3 VARIABLES BINARIAS: v(k): VARIABLE DE ACOPLAMIENTO/DESACOPLAMIENTO EN EL PERIODO k y(k): VARIABLE DE ARRANQUE AL COMIENZO DEL PERIODO k z(k): VARIABLE DE PARADA AL COMIENZO DEL PERIODO k 61
62 OPERACIÓN DE UNA CENTRAL TÉRMICA Power (MW) P RU RD P SU SD Time (h) k v(k) y(k) z(k)
63 OPERACIÓN DE UNA CENTRAL TÉRMICA OJO!! ( k) [ 0,1 ] y ( k) z( k) = v( k) v( k 1) z VENTAJAS COMPUTACIONALES v(k-1) v(k) y(k) z(k) MINIMIZACIÓN DE COSTES
64 LÍMITES DE PRODUCCIÓN POTENCIA MÁXIMA NOMINAL Y MÍNIMO TÉCNICO: P ( ) p k p k = 0 SI LA CENTRAL ESTÁ DESACOPLADA ( ) P SILA CENTRAL ESTÁ ACOPLADA MODELO PLEM 0/1: Pv ( k) p( k) Pv( k) 64
65 TIEMPO MÍNIMO DE FUNCIONAMIENTO NÚMERO MÍNIMO DE HORAS QUE UNA CENTRAL DEBE MANTENERSE ACOPLADA UNA VEZ PUESTA EN FUNCIONAMIENTO MODELO NO LINEAL: [ x( k 1) UT] [ v( k 1) v( k) ] 0 x (1) ( k) { x( k 1) [ 1 y( k) ] + 1} v( k) + { x( k 1) [ 1 z( k) ] 1} [ 1 v( k) ] = (2) UT: TIEMPO MÍNIMO DE FUNCIONAMIENTO (h) x(k): NÚMERO DE HORAS QUE LA CENTRAL LLEVA ACOPLADA/DESACOPLADA (+/-) AL FINAL DEL PERÍODO k 65
66 TIEMPO MÍNIMO DE FUNCIONAMIENTO MODELO PLEM 0/1: L k= 1 [ 1 v( k) ] = 0 k+ UT 1 i= k v () i UTy( k) (1) k = L + 1K T UT + 1 (2) T i= k [ v() i y( k) ] 0 k = T UT + 2KT (3) L = Min T, 0 [ ( UT U ) V( 0) ] T: NÚMERO DE HORAS DEL HORIZONTE TEMPORAL 0 U : TIEMPO QUE LA CENTRAL LLEVA INICIALMENTE ACOPLADA (h) V ( 0) : ESTADO INICIAL DE ACOPLAMIENTO 66
67 TIEMPO MÍNIMO DE PARADA NÚMERO MÍNIMO DE HORAS QUE UNA CENTRAL DEBE ESTAR PARADA UNA VEZ QUE SE DESACOPLA MODELO NO LINEAL: [ x( k 1) + DT] [ v( k) v( k 1) ] 0 x (1) ( k) { x( k 1) [ 1 y( k) ] + 1} v( k) + { x( k 1) [ 1 z( k) ] 1} [ 1 v( k) ] = (2) DT: TIEMPO MÍNIMO DE PARADA (h) 67
68 TIEMPO MÍNIMO DE PARADA MODELO PLEM 0/1: F k= 1 v k+ DT 1 i= k ( k) = 0 [ 1 v() i ] DTz( k) (1) k = F + 1K T DT + 1 (2) T i= k [ 1 v() i z( k) ] 0 k = T DT + 2KT (3) F = Min { T, [ DT S( 0) ][ 1 V( 0) ]} S ( 0) : TIEMPO QUE LA CENTRAL LLEVA INICIALMENTE DESACOPLADA (h) EXPRESIONES ANÁLOGAS A LAS DEL TIEMPO MÍNIMO DE FUNCIONAMIENTO 68
69 RAMPAS MÁXIMA VARIACIÓN DE PRODUCCIÓN ENTRE DOS HORAS CONSECUTIVAS RAMPA DE SUBIDA (RU) RAMPA DE BAJADA (RD) RAMPA DE ARRANQUE (SU) RAMPA DE PARADA (SD) p p p ( k) [ 1 y( k) ] p( k 1) ( k 1) [ 1 z( k) ] p( k) p RU RD ( k) SUy( k) + P[ 1 y( k) ] ( k 1) SDz( k) + P[ 1 z( k) ] 69
70 RAMPAS MODELO PLEM 0/1: ( k) P[ v( k) z( k + 1) ] + z( k 1)SD p + (1) ( k) p( k 1) + RUv( k 1) SUy( k) p + (2) ( k 1) p( k) RDv( k) SDz( k) p + (3) 70
71 RAMPAS v( k 1) v ( k) ( k 1) v + Restricciones (1)-(3) ( k) SD ( k) p( k 1) RU ( k 1) p( k) RD p p + p ( k) P ( k) p( k 1) RU ( k 1) p( k) RD p p + p ( k) SD ( k) SU p ( k) RD + SD p p ( k) P ( k) SU p( k) RD p p 71
72 RAMPAS v( k 1) v ( k) ( k 1) v + Restricciones (1)-(3) ( k) 0 ( k) p( k 1) RU ( k 1) p( k) SD p p + p ( k) 0 ( k) p( k 1) RU ( k 1) p( k) SD p p + p ( k) 0 ( k) 0 p( k) 0 p p ( k) 0 ( k) 0 p( k) 0 p p 72
73 RESERVA RODANTE POTENCIA SINCRONIZADA DISPONIBLE RÁPIDAMENTE EN CASO DE EMERGENCIA CONCEPTO ÚTIL: POTENCIA MÁXIMA DISPONIBLE ( p ( k) ): RR ( k) = p( k) p( k) DONDE: ( k) = Min{ P[ v( k) z( k + 1) ] + z( k + 1) SD,p( k 1) + RUv( k 1) y( k) SU} p + 73
74 RESERVA RODANTE v( k 1) v ( k) v ( k + 1) p ( k) Min { SD,p( k 1) + RU} { RU} P,p( k 1) Min Min { SD,SU} SU SIMPLIFICACIÓN TRADICIONAL: ( k) Pv( k) p = 74
75 RESERVA RODANTE MODELO PLEM 0/1: ( k) P[ v( k) z( k + 1) ] + z( k 1)SD p + (1) ( k) p( k 1) + RUv( k 1) SUy( k) p + (2) ( k) p( k) p (3) RR ( k) p( k) p( k) = (4) MODELO EQUIVALENTE SI SE MINIMIZA EL COSTE O SI SE MAXIMIZA EL INGRESO POR RESERVA RODANTE 75
76 COSTES DE PRODUCCIÓN FUNCIÓN NO LINEAL, NO CONVEXA Y NO DIFERENCIABLE DE LA POTENCIA DE SALIDA d(k) P Pj p(k) 76
77 COSTES DE PRODUCCIÓN SIMPLIFICACIÓN TRADICIONALMENTE USADA: APROXIMACIÓN CUADRÁTICA d(k) a P j P j p(k) [ ] 2 v( k) ( ) = a + bp( k) + c( p( k) ) d k 77
78 COSTES DE PRODUCCIÓN APROXIMACIÓN LINEAL POR TRAMOS d(k) F 2 F 3 A F 1 δ 1 (k) δ 2 (k) δ 3 (k) P j T 1 T 2 P j p(k) A: TÉRMINO QUE INCLUYE EL COSTE FIJO Y EL COSTE A MÍNIMO TÉCNICO F l: PENDIENTE DEL BLOQUE DE POTENCIA l δ l (k): POTENCIA PRODUCIDA EN LA HORA k Y EN EL BLOQUE l 78
79 COSTES DE PRODUCCIÓN APROXIMACIÓN LINEAL POR TRAMOS NL ( ) = Av( k) + F δ ( k) d k p NL l= 1 ( k) δ ( k) + Pv( k) = l= 1 ( P) t ( k) ( k) T1 1 δ1 l l (1) l (2) (3) ( ) ( T P) v( k) δ (4) 1 k 1 ( T ) t ( k) δ ( k) l = 2KNL 1 (5) Tl l 1 l l δ ( ) ( T T ) t ( k) l k l l 1 l 1 = 2KNL 1 NL ( k) 0 l (6) δ (7) NL ( ) ( P T ) t ( k) δ (8) t k NL 1 NL 1 ( k) { 0,1 } l = 1KNL 1 l (9) 79
80 COSTE DE ARRANQUE FUNCIÓN EXPONENCIAL DEL TIEMPO QUE LA CENTRAL LLEVA DESACOPLADA b(k) CF + CC CF s(k-1) ( ) b k = CC 1 e - s α ( k-1) + CF y ( k) 80
81 COSTE DE ARRANQUE APROXIMACIÓN LINEAL POR TRAMOS DISCRETIZACIÓN HORARIA COSTE DE ARRANQUE DISCRETO APROXIMACIÓN ASINTÓTICAMENTE CONVERGENTE Exponencial Lineal a tramos Coste de arranque 3 K 2 K 1 K 1 2 Tiempo parada (h) 81 3
82 COSTE DE ARRANQUE APROXIMACIÓN LINEAL POR TRAMOS SE NECESITA MODELAR UN CONTADOR DEL TIEMPO QUE LA CENTRAL LLEVA DESACOPLADA RESTRICCIÓN CONDICIONAL: SI v ( k) = 0 s ( k) = s( k 1) + 1 SI v ( k) = 1 s ( k) = 0 82
83 COSTE DE ARRANQUE APROXIMACIÓN LINEAL POR TRAMOS MODELO PLEM 0/1: ( k) s( k 1) 1 s + (1) ( k) + ( S + 1) v( k) s( k 1) 1 s + (2) s ( k) S[ 1 v( k) ] 0 (3) s( k) 0 (4) DONDE S ES UNA CONSTANTE POSITIVA SUFICIENTEMENTE GRANDE (E.G. EL NÚMERO MÁXIMO DE HORAS QUE LA CENTRAL PUEDE ESTAR DESACOPLADA) 83
84 COSTE DE ARRANQUE APROXIMACIÓN LINEAL POR TRAMOS MODELO PLEM 0/1: b ~ ND i i ( k) K w ( k) = (1) i= 1 ND i= 1 w i ( k) = y( k) (2) ND 1 i i= 1 w i ( k) + m( k) = s( k 1) [ + 1] ND ( ) S w ( k) y( k) m k (4) ND ( ) ND w ( k) m k (5) ( k) { 0,1 } w i (6) (3) ND: NÚMERO DE TRAMOS DE LA DISCRETIZACIÓN 84
85 COSTE DE PARADA TÍPICAMENTE CONSTANTE: ( k) Cz( k) c = 85
86 DÓNDE NECESITAMOS ESTOS MODELOS? PROGRAMACIÓN HORARIA (UNIT COMMITMENT) MARCO CENTRALIZADO DESPACHO ECONÓMICO DINÁMICO PROCEDIMIENTOS DE CIERRE DE MERCADO (CON O SIN RED) MARCO COMPETITIVO AUTO-PLANIFICACIÓN DE PRODUCTORES (MERCADO DIARIO Y/O DE SERVICIOS COMPLEMENTARIOS, CON O SIN PODER DE MERCADO) ESTRATEGIAS DE OFERTA 86
87 APLICACIÓN MODELOS PLEM 0/1 PROGRAMACIÓN HORARIA DETERMINACIÓN, PARA CADA HORA DE UN DÍA O UNA SEMANA, DEL PLAN DE ACOPLAMIENTO Y DE LAS PRODUCCIONES DE LOS GRUPOS TÉRMICOS, DE FORMA QUE: EL COSTE DE EXPLOTACIÓN SEA MÍNIMO SE CUMPLAN LAS RESTRICCIONES TÉCNICAS DE LOS GRUPOS TÉRMICOS (LÍMITES DE PRODUCCIÓN, RAMPAS, TIEMPOS MÍNIMOS) SE SUMINISTRE LA DEMANDA DE ENERGÍA HAYA POTENCIA DE RESERVA SUFICIENTE 87
88 APLICACIÓN MODELOS PLEM 0/1 PROGRAMACIÓN HORARIA. FORMULACIÓN MATEMÁTICA MINIMIZAR i I k K d ( k) + b ( k) c ( k) i i + i SUJETO A: pi Π i i I pi = i I ( k) D( k) k K i I p ( k) p ( k) D( k) RR( k) i i + k K 88
89 APLICACIÓN MODELOS PLEM 0/1 PROGRAMACIÓN HORARIA. COMPLEJIDAD COMPUTACIONAL # RESTRICCIONES # VARIABLES 0/1 # VARIABLES CONTINUAS T ( NL) + 2 T NJ T ( 1+ NL + ND) NJ T ( 5 + NL) NJ NJ: NÚMERO DE CENTRALES TÉRMICAS T: NÚMERO DE INTERVALOS DEL HORIZONTE TEMPORAL NL: NÚMERO DE TRAMOS DE LA APROXIMACIÓN LINEAL DEL COSTE DE PRODUCCIÓN ND: NÚMERO DE INTERVALOS DISCRETOS DEL COSTE DE ARRANQUE 89
90 APLICACIÓN MODELOS PLEM 0/1 PROGRAMACIÓN HORARIA. COMPLEJIDAD COMPUTACIONAL NJ: 60 T: 24 NL: 3 ND: 3 # RESTRICCIONES # VARIABLES 0/1 # VARIABLES CONTINUAS
91 EJEMPLO NUMÉRICO GRUPO P (MW) P (MW) RU (MW/h) RD (MW/h) SU (MW/h) SD (MW/h) A ( /h) F 1 ( /MWh) 1 F ( ) C ( ) HORAS DEMANDA (MW) RESERVA RODANTE (MW) INICIALMENTE, TODOS LOS GRUPOS DESACOPLADOS 91
92 EJEMPLO NUMÉRICO SOLUCIÓN ÓPTIMA p i ( k) (MW) ( k) p i (MW) HORAS HORAS GRUPOS GRUPOS COSTE:
93 EJEMPLO NUMÉRICO SI LAS RAMPAS DE ARRANQUE Y PARADA SE DESACTIVAN (IGUALES A P ): SOLUCIÓN ÓPTIMA: p i ( k) (MW) ( k) p i (MW) HORAS HORAS GRUPOS GRUPOS COSTE:
94 APLICACIÓN MODELOS PLEM 0/1 ALGORITMOS DE CIERRE DE MERCADO Centrales térmicas Centrales nucleares Sistemas hidráulicos Otros productores: eólica, solar, cogeneración, etc. Red de transporte y redes de distribución Intercambios internacionales Demanda residencial Otros consumos Demanda comercial Demanda industrial 94
95 ALGORITMOS DE CIERRE DE MERCADO MERCADO BASADO EN UN POOL O BOLSA DE ENERGÍA Productor 1 Productor i Productor n Estrategia de oferta Estrategia de oferta Estrategia de oferta Plan de generación y consumo Operador del mercado Algoritmo de cierre de mercado Precios de cierre de mercado Estrategia de oferta Consumidor 1 Estrategia de oferta Consumidor j Estrategia de oferta Consumidor m 95
96 APLICACIÓN MODELOS PLEM 0/1 ALGORITMOS DE CIERRE DE MERCADO LOS PRODUCTORES ENVÍAN OFERTAS DE VENTA ENERGÍA/PRECIO (EN GENERAL, MONÓTONAMENTE CRECIENTE) LOS CONSUMIDORES ENVÍAN OFERTAS DE COMPRA ENERGÍA/PRECIO (EN GENERAL, MONÓTONAMENTE DECRECIENTE) EL OPERADOR DEL MERCADO USA UN ALGORITMO DE CIERRE DE MERCADO (SUBASTA) PARA DETERMINAR: PRECIO DE CIERRE DE MERCADO OFERTAS DE VENTA ACEPTADAS OFERTAS DE COMPRA ACEPTADAS DE FORMA QUE EL BENEFICIO SOCIAL NETO SEA MÁXIMO 96
97 ALGORITMOS DE CIERRE DE MERCADO FORMULACIÓN GENERAL MAXIMIZAR BENEFICIO SOCIAL NETO SUJETO A: LÍMITES DE OFERTAS DE GENERACIÓN LÍMITES DE OFERTAS DE CONSUMO FACTIBILIDAD DE GENERADORES (RAMPAS, LÍMITES DE PRODUCCIÓN, TIEMPOS MÍNIMOS, ETC.) RESTRICCIONES IDÉNTICAS A LAS DE LA PROGRAMACIÓN HORARIA FACTIBILIDAD DE CONSUMIDORES BALANCE DE POTENCIA 97
98 ALGORITMOS DE CIERRE DE MERCADO FORMULACIÓN GENERAL Precio Ofertas aceptadas Consumers surplus Precio de cierre de mercado Producers surplus Energía SW = NQ j j J n= 1 λ D nj p D nj NL i i I m= 1 λ G mi p G mi 98
99 ALGORITMOS DE CIERRE DE MERCADO FORMULACIÓN GENERAL λ D nj: PRECIO DEL BLOQUE n DE LA DEMANDA j λ G mi: PRECIO DEL BLOQUE m DEL GENERADOR i p D nj : POTENCIA CONSUMIDA DEL BLOQUE n DE LA DEMANDA j p G mi : POTENCIA GENERADA DEL BLOQUE m DEL GENERADOR i NQ j: NÚMERO DE BLOQUES DE LA OFERTA DE LA DEMANDA j NL i : NÚMERO DE BLOQUES DE LA OFERTA DEL GENERADOR i 99
100 ALGORITMOS DE CIERRE DE MERCADO FORMULACIÓN GENERAL LÍMITES DE OFERTAS DE GENERACIÓN: p = NL i i p G mi m= 1 0 pg mi PG mi P i = P G1i i I i I, m i I M i LÍMITES DE OFERTAS DE CONSUMO: 0 pd nj PD nj j J, n N j BALANCE DE POTENCIA: p = NQ j i i I j J n= 1 p D nj 100
101 ALGORITMOS DE CIERRE DE MERCADO FORMULACIÓN GENERAL DEFINICIÓN DEL PRECIO DE CIERRE DE MERCADO: VARIABLE DUAL ASOCIADA AL BALANCE DE POTENCIA PRECIO DE LA OFERTA DE VENTA ACEPTADA MÁS CARA 101
102 APLICACIÓN MODELOS PLEM 0/1 TIPOS DE ALGORITMOS DE CIERRE DE MERCADO MULTIPERIODO VERSUS MONOPERIODO CON RED VERSUS NUDO ÚNICO MODELANDO PÉRDIDAS VERSUS SIN PÉRDIDAS 102
103 ALGORITMOS DE CIERRE DE MERCADO RESULTADOS CON RESTRICCIONES SIN RESTRICCIONES CASO (# GRUPOS) A (20) B (40) SOLUCIÓN ÓPTIMA ($) TIEMPO CPU (s) SOLUCIÓN ÓPTIMA ($) TIEMPO CPU (s) C (60) D (80) E (100)
104 ALGORITMOS DE CIERRE DE MERCADO RESULTADOS DEMAND DEMAND (MW) PRICE MARKET CLEARING PRICE ($/MWh) TIME (h) 104
ANÁLISIS ESTÁTICO DE SISTEMAS ELÉCTRICOS. PROGRAMACIÓN DE LA GENERACIÓN DE ENERGÍA ELÉCTRICA: regulación clásica
ANÁLISIS ESTÁTICO DE SISTEMAS ELÉCTRICOS PROGRAMACIÓN DE LA GENERACIÓN DE ENERGÍA ELÉCTRICA: regulación clásica Regulación clásica de la generación: consideraciones.. Explotación centralizada: monopolio..
Más detallesPráctica N o 8 Desigualdades Válidas - Algoritmos de Planos de Corte - Algoritmos Branch & Cut
Práctica N o 8 Desigualdades Válidas - Algoritmos de Planos de Corte - Algoritmos Branch & Cut 8.1 Para cada uno de los siguientes conjuntos, encontrar una desigualdad válida que agregada a la formulación
Más detallesRESOLUCIÓN DE MODELOS DE PROGRAMACIÓN ENTERA MÉTODOS DE CORTE CORTES DE GOMORY
25 de Junio de 2012 RESOLUCIÓN DE MODELOS DE PROGRAMACIÓN ENTERA MÉTODOS DE CORTE CORTES DE GOMORY Postgrado de Investigación de Operaciones Facultad de Ingeniería Universidad Central de Venezuela Programación
Más detallesTema 6: Programación entera: Bifurcación y planos de corte.
Tema 6: Programación entera: Bifurcación y planos de corte. Obetivos del tema. Índice Problemas de programación lineal entera. Método de bifurcación y acotación para un PPLE Mixta. Técnicas de preprocesamiento
Más detallesOptimización 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
Más detallesOPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA. Tema 4 Optimización no Lineal
OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA Tema 4 Optimización no Lineal ORGANIZACIÓN DEL TEMA Sesiones: El caso sin restricciones: formulación, ejemplos Condiciones de optimalidad, métodos Caso con restricciones:
Más detallesRELACIÓN DE PROBLEMAS DE CLASE DE PROGRAMACIÓN LINEAL ENTERA
RELACIÓN DE PROBLEMAS DE CLASE DE PROGRAMACIÓN LINEAL ENTERA SIMPLEX Y LINEAL ENTERA a Resuelve el siguiente problema con variables continuas positivas utilizando el método simple a partir del vértice
Más detallesCAPÍTULO 4 PROGRAMACIÓN LINEAL ENTERA
CAPÍTULO 4 PROGRAMACIÓN LINEAL ENTERA Programación Lineal Entera Es una técnica que permite modelar y resolver problemas cuya característica principal es que el conjunto de soluciones factibles es discreto.
Más detallesINGENIERÍA 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
Más detallesUNIVERSIDAD 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
Más detallesLínea 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
Más detallesEl método simplex 1. 1 Forma estándar y cambios en el modelo. 2 Definiciones. 3 Puntos extremos y soluciones factibles básicas. 4 El método simplex.
El método simplex Forma estándar y cambios en el modelo. Definiciones. Puntos extremos y soluciones factibles básicas. 4 El método simplex. Definiciones y notación. Teoremas. Solución factible básica inicial.
Más detallesProgramación NO Lineal (PNL) Optimización sin restricciones
Programación NO Lineal (PNL) Optimización sin restricciones Ejemplos de los problemas que se aplica la programación NO Lineal: Problema de transporte con descuentos por cantidad : El precio unitario de
Más detallesCálculo numérico. Sistemas de ecuaciones lineales.
José Luis Morales http://allman.rhon.itam.mx/ jmorales Departamento de Matemáticas. ITAM. 2010. Las raíces de x 2 bx + c = 0. r = b ± b 2 4c 2 b = 3.6778, c = 0.0020798 r 1 = 3.67723441190... r 2 = 0.00056558809...
Más detallesCAPITULO 1: PERSPECTIVE GENERAL DE LA
CONTENIDO CAPITULO 1: PERSPECTIVE GENERAL DE LA INVESTIGACION DE OPERACIONES 1 1.1 Modelos matemáticos de investigación de operaciones. 1 1.2 Técnicas de investigación de operaciones 3 1.3 Modelado de
Más detallesDepartamento de Matemáticas. ITAM Programación lineal (+ extensiones). Objetivos y panorama del c
Programación lineal (+ extensiones). Objetivos y panorama del curso. Departamento de Matemáticas. ITAM. 2008. Introducción Programación lineal http://allman.rhon.itam.mx/ jmorales La programación lineal
Más detallesPROGRAMACIÓN LINEAL ENTERA
PROGRAMACIÓN LINEAL ENTERA Programación lineal: hipótesis de perfecta divisibilidad Así pues decimos que un problema es de programación lineal entera, cuando prescindiendo de las condiciones de integridad,
Más detallesLICENCIATURA 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
Más detallesTema No. 3 Métodos de Resolución de Modelos de Programación Lineal. El Método Gráfico y Método Simplex Autoevaluación y Ejercicios Propuestos
UNIVERSIDAD NACIONAL EXPERIMENTAL FRANCISCO DE MIRANDA ÁREA DE TECNOLOGÍA DEPARTAMENTO DE GERENCIA INVESTIGACIÓN DE OPERACIONES PROFESOR: Dr. JUAN LUGO MARÍN Tema No. 3 Métodos de Resolución de Modelos
Más detallesCONTENIDO 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
Más detallesCurso: Teoría, Algoritmos y Aplicaciones de Gestión Logística. Modelos de Inventarios, Parte 1: Modelos de tamaño económico de lote
Curso: Teoría, Algoritmos y Aplicaciones de Gestión Logística. Modelos de Inventarios, Parte 1: Modelos de tamaño económico de lote Departamento de Investigación Operativa Instituto de Computación, Facultad
Más detallesNP-Completeness: Universidad Autónoma de Nuevo León Facultad de Ingeniería Mecánica y Eléctrica División de Posgrado en Ingeniería de Sistemas
Universidad Autónoma de Nuevo León Facultad de Ingeniería Mecánica y Eléctrica División de Posgrado en Ingeniería de Sistemas Complejidad del problema de la Mochila NP-Completeness: (Knapsack problem)
Más detallesClase 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
Más detallesEL PROBLEMA GENERAL DE OPTIMIZACION
EL PROBLEMA GENERAL DE OPTIMIZACION Terminología Tipos de soluciones Resultados teóricos sobre existencia y unicidad de soluciones Método gráfico de resolución Problemas de optimización Este tipo de problemas
Más detallesEJERCICIO 1. Max Z = 6 x x 2 s.r. (1) 4 x x 2 12 (2) 2 x x 2 16 (3) 2 x 1 6 x 1, x 2 0
Considere el Programa Lineal siguiente: EJERCICIO Max Z 6 x + 9 x 2 s.r. () 4 x + 6 x 2 2 (2) 2 x + 8 x 2 6 (3) 2 x 6 x, x 2 0 (.a) 3 2 0 2 3 4 5 6 7 8 El Problema tiene una Región Factible delimitada
Más detallesMÉTODO SIMPLEX MÉTODO DE SOLUCIÓN GRÁFICO
MÉTODO SIMPLEX MÉTODO DE SOLUCIÓN GRÁFICO Investigación de Operaciones 1 AVISO Traer para la siguiente clase laptop para desarrollar ejercicios con winqsb, tora, qsb, y otros. Investigación de Operaciones
Más detallesProgramación lineal: Algoritmo del simplex
Programación lineal: Algoritmo del simplex Se considera la formulación estándar de un problema de programación lineal siguiendo la notación utilizada en las clases teóricas: Minimizar c t x sa: Ax = b
Más detallesProgramación entera: Ejemplos, resolución gráfica, relajaciones lineales. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Programación entera: Ejemplos, resolución gráfica, relajaciones lineales Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Programación entera: definición, motivación,
Más detallesProgramación Lineal Entera
Programación Lineal Entera P.M. Mateo y David Lahoz 2 de julio de 2009 En este tema se presenta un tipo de problemas formalmente similares a los problemas de programación lineal, ya que en su descripción
Más detallesFormulación del problema de la ruta más corta en programación lineal
Formulación del problema de la ruta más corta en programación lineal En esta sección se describen dos formulaciones de programación lineal para el problema de la ruta más corta. Las formulaciones son generales,
Más detallesIntroducción a la programación lineal y entera Una simple presentación
Introducción a la programación lineal y entera Una simple presentación Miguel Mata Pérez miguel.matapr@uanl.edu.mx Versión 0.1, 30 de septiembre de 2014 Resumen: Este trabajo es una presentación de la
Más detallesTema 6: Modelos de probabilidad.
Estadística 60 Tema 6: Modelos de probabilidad. 6.1 Modelos discretos. (a) Distribución uniforme discreta: La variable aleatoria X tiene una distribución uniforme discreta de parámetro n,que denoteramos
Más detallesEstadís7ca. María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo. Tema 8. Programación lineal y métodos de op7mización
Estadís7ca Tema 8. Programación lineal y métodos de op7mización María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo Departamento de Matemá.ca Aplicada y Ciencias de la Computación
Más detallesMétodos Clásicos de Optimización para Problemas No-Lineales sin Restricciones
Métodos Clásicos de Optimización para Problemas No-Lineales sin Restricciones Dr. Gonzalo Hernández Oliva UChile - Departamento de Ingeniería Matemática 07 de Mayo 2006 Abstract En este apunte veremos
Más detallesIntroducción a Programación Lineal
Pontificia Universidad Católica Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas Clase 18 Programación Lineal ICS 1102 Optimización Profesor : Claudio Seebach 4 de octubre de 2005
Más detallesProgramación lineal entera (PLE)
Programación lineal entera (PLE) Qué es un problema de programación lineal entera?: sujeto a Max c x Ax b x Z + Qué es un problema de programación lineal entera mixta (PLEM)? Algunas variables son continuas
Más detallesPLE: Ramificación y Acotamiento
PLE: Ramificación y Acotamiento CCIR / Depto Matemáticas TC3001 CCIR / Depto Matemáticas PLE: Ramificación y Acotamiento TC3001 1 / 45 La compañía TELFA fabrica mesa y sillas. Una mesa requiere 1 hora
Más detallesDesarrollo de un nuevo algoritmo para resolver programas lineales enteros y su aplicación práctica en el desarrollo económico.
Desarrollo de un nuevo algoritmo para resolver programas lineales enteros y su aplicación práctica en el desarrollo económico. 7071 Febrero, 2014 Resumen Es importante señalar que en un entorno social
Más detallesTema 7: Problemas clásicos de Programación Lineal
Tema 7: Problemas clásicos de Programación Lineal 1.- Características generales de un problema de transporte y asignación Surgen con frecuencia en diferentes contextos de la vida real. Requieren un número
Más detallesProgramación 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.
Más detallesProgramación Lineal Entera. Programación Entera
Programación Lineal Entera PE Programación Entera Modelo matemático, es el problema de programación lineal Restricción adicional de variables con valores enteros. Programación entera mita Algunas variables
Más detallesC a l ses P P y y NP C a l se P C a l se N P N P [No N n o -De D te t rmin i i n s i ti t c i Polynomial-tim i e]
Análisis y Diseño de Algoritmos Introducción Análisis y Diseño de Algoritmos Concepto de algoritmo Resolución de problemas Clasificación de problemas Algorítmica Análisis de la eficiencia de los algoritmos
Más detallesPreliminares Métodos de Ajuste de Curvas AJUSTE DE CURVAS AJUSTE DE CURVAS
Contenido 1 Preliminares Definiciones 2 Definiciones Contenido 1 Preliminares Definiciones 2 Definiciones Definiciones En ciencias e ingeniería es frecuente que un experimento produzca un conjunto de datos
Más detallesEspacios de señales. 2 Espacios de señales
Procesamiento Digital Señales Licenciatura en Bioinformática FI-UER Agosto Procesamiento Digital Señales Espacio señales Agosto /44 Organización lineal 3 lineales Procesamiento Digital Señales Espacio
Más detallesBreve 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
Más detallesINDICE. 92 solución gráfica de ecuaciones lineales 1.5. resolución de sistemas de ecuaciones lineales
INDICE Prefacio XV Capitulo 0. Conceptos algebraicos 1 0.1. Conjuntos 2 0.2. Los números reales 10 0.3. Exponentes de las integrales 16 0.4. Radicales y exponentes racionales 21 0.5. Operaciones con expresiones
Más detallesÍNDICE CAPÍTULO 0 CANCEPTOS ALGEBRAICOS 1 CAPÍTUO 1 ECUACIONES Y FUNCIONES LINEALES 56 CAPÍTULO 2 FUNCIONES ESPECIALES 133. Prefacio...
ÍNDICE Prefacio... XV CAPÍTULO 0 CANCEPTOS ALGEBRAICOS 1 0.1 Conjuntos... 2 0.2 Los números reales... 10 0.3 Exponentes de las integrales... 16 0.4 Radicales y exponentes racionales... 21 0.5 Operaciones
Más detallesProgramación Lineal. El método simplex
Programación Lineal El método simplex El método simplex es una herramienta algebraica que permite localizar de manera eficiente el óptimo entre los puntos extremos de una solución a un problema de programación
Más detallesIntroducción a las RdP. Optimización basada en redes de Petri. Redes de Petri. Son objeto de estudio: RdP. Ejemplos:
Seminario sobre toma de decisiones en logística y cadenas de suministro Introducción a las RdP Optimización basada en redes de Petri https://belenus.unirioja.es/~emjimene/optimizacion/transparencias.pdf
Más detallesUniversidad del Rosario Economía Matemática II Taller 8 - Kuhn Tucker
. En los siguientes problemas de optimización: Universidad del Rosario Economía Matemática - 202-II Taller 8 - Kuhn Tucker a. Dibuje el conjunto K de puntos factibles y las curvas de nivel de la función
Más detallesGUÍA DE EXAMEN DE NUEVO INGRESO. Maestría en Optimización de Procesos
GUÍA DE EXAMEN DE NUEVO INGRESO Maestría en Optimización de Procesos ANTECEDENTES La presente guía de estudio tiene como objeto establecer los temas que serán evaluados en el proceso de selección de estudiantes
Más detallesUniversidad 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
Más detallesTema 8: Aplicaciones. Ecuaciones en. diferencias: modelos en tiempo discreto. 1 Modelo de crecimiento exponencial. 2 Sucesión de Fibonacci
8 de diciembre de 20 Contexto: Bloque de Álgebra Lineal Tema 6. Sistemas de ecuaciones lineales y matrices. Tema 7. Valores y vectores propios. Tema 8. Aplicaciones del cálculo de los valores y vectores
Más detallesENERGÍA Y SOSTENIBILIDAD DESDE RED ELÉCTRICA DE ESPAÑA (REE)
MR-AEE - Ahorro, eficiencia y sistemas de gestión energética ENERGÍA Y SOSTENIBILIDAD DESDE RED ELÉCTRICA DE ESPAÑA (REE) Francisco González Plaza Jefe del Departamento de Relaciones Institucionales Red
Más detallesUniversidad 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
Más detallesModelado de la aleatoriedad: Distribuciones
Modelado de la aleatoriedad: Distribuciones Begoña Vitoriano Villanueva Bvitoriano@mat.ucm.es Facultad de CC. Matemáticas Universidad Complutense de Madrid I. Distribuciones Discretas Bernoulli (p) Aplicaciones:
Más detalles2.3 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
Más detallesTema 3: El Método Simplex. Algoritmo de las Dos Fases.
Tema 3: El Método Simplex Algoritmo de las Dos Fases 31 Motivación Gráfica del método Simplex 32 El método Simplex 33 El método Simplex en Formato Tabla 34 Casos especiales en la aplicación del algoritmo
Más detallesGeneración de variables aleatorias continuas Método de rechazo
Generación de variables aleatorias continuas Método de rechazo Georgina Flesia FaMAF 18 de abril, 2013 Método de Aceptación y Rechazo Repaso Se desea simular una v. a. X discreta, con probabilidad de masa
Más detallesFigura 1: Esquema de las tablas simplex de inicio y general.
RELACIONES PRIMAL-DUAL Los cambios que se hacen en el modelo original de programación lineal afectan a los elementos de la tabla óptima actual el que se tenga en el momento, que a su vez puede afectar
Más detallesDimensionamiento y Planificación de Redes
Dimensionamiento y Planificación de Redes Tema 2. Algoritmos Sobre Grafos Calvo Departamento de Ingeniería de Comunicaciones Este tema se publica bajo Licencia: Crea:ve Commons BY- NC- SA 4.0 Búsqueda
Más detallesMÁSTER 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
Más detallesProgramación dinámica (DP) Andrés Ramos Universidad Pontificia Comillas
Programación dinámica (DP) Andrés Ramos Universidad Pontificia Comillas http://www.iit.comillas.edu/aramos/ Andres.Ramos@comillas.edu PROGRAMACIÓN DINÁMICA 1 Programación dinámica (DP) 1. Definiciones
Más detallesCRITERIOS DE EVALUACIÓN 1º BACH. C. N. S. MATEMÁTICAS I
CRITERIOS DE EVALUACIÓN 1º BACH. C. N. S. MATEMÁTICAS I UNIDAD 1 NÚMEROS REALES 1.1. Dados varios números, los clasifica en los distintos campos numéricos y los representa en la recta real. 1.2. Domina
Más detalles520142: ALGEBRA y ALGEBRA LINEAL
520142: ALGEBRA y ALGEBRA LINEAL Segundo Semestre 2008, Universidad de Concepción CAPITULO 10: Espacios Vectoriales DEPARTAMENTO DE INGENIERIA MATEMATICA Facultad de Ciencias Físicas y Matemáticas 1 Definición
Más detallesProgramación por restricciones clase 14
Programación por restricciones clase 14 Camilo Rueda Universidad Javeriana-Cali Programación por restriccionesclase 14-- p.1/19 Modelamiento en CCP Dos tipos de restricciones: Solubles Solucionables eficientemente
Más detallesLA AUDITORÍA ENERGÉTICA COMO INSTRUMENTO PARA IDENTIFICAR OPORTUNIDADES DE AHORRO
LA AUDITORÍA ENERGÉTICA COMO INSTRUMENTO PARA IDENTIFICAR OPORTUNIDADES DE AHORRO Carlos García Sánchez. Responsable Área Ahorro y Eficiencia Energética Situación sector energía Grandes retos del sector
Más detallesAsignaturas antecedentes y subsecuentes Análisis Numérico II
PROGRAMA DE ESTUDIOS Análisis Numérico I Área a la que pertenece: Área Sustantiva Profesional Horas teóricas: 3 Horas prácticas: 2 Créditos: 8 Clave: F0033 Asignaturas antecedentes y subsecuentes Análisis
Más detallesPROGRAMACIÓN NO LINEAL INTRODUCCIÓN
PROGRAMACIÓN NO LINEAL Conceptos generales INTRODUCCIÓN Una suposición importante de programación lineal es que todas sus funciones Función objetivo y funciones de restricción son lineales. Aunque, en
Más detallesColección de Problemas II. mín Z = 8x 1 + 9x 2 + 7x 3 s. a: x 1 + x 2 + x x 1 + 3x 2 + x x 1 + x 2 x 3 30
1.- Dado el siguiente problema mín Z = 8x 1 + 9x + 7x 3 s. a: x 1 + x + x 3 40 x 1 + 3x + x 3 10 x 1 + x x 3 30 x 1 0, x 0, x 3 0 A) Plantear el problema dual y escribir las condiciones de la holgura complementaria
Más detallesERRORES. , siempre que p 0.
ERRORES Indice 1. Errores 2. Clases de errores 3. Números en coma flotante 4. Aritmética del punto flotante 4.1. Errores 4.2. Operaciones en punto flotante 4.3. Problemas con operaciones en punto flotante
Más detallesPROGRAMA DE CURSO. Horas de Trabajo Personal Horas de Cátedra
PROGRAMA DE CURSO Código Nombre MA4701 OPTIMIZACIÓN COMBINATORIAL Nombre en Inglés COMBINATORIAL OPTIMIZATION SCT Unidades Docentes Horas de Cátedra Horas Docencia Auxiliar Horas de Trabajo Personal 6
Más detalles01. Dados varios números, los clasifica en los distintos campos numéricos. 02. Interpreta raíces y las relaciona con su notación exponencial.
2.6 Criterios específicos de evaluación. 01. Dados varios números, los clasifica en los distintos campos numéricos. 02. Interpreta raíces y las relaciona con su notación exponencial. 03. Conoce la definición
Más detallesFlujos 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
Más detallesCI63G Planificación de Sistemas de Transporte Público Urbano. Clase 19 Semestre Otoño 2008
CI63G Planificación de Sistemas de Transporte Público Urbano Clase 19 Semestre Otoño 2008 Descripción del Problema Proceso de planificación de cualquier empresa de transporte público: Diseñar los recorridos
Más detallesSon una clase particular de los algoritmos evolutivos.
Algoritmos Genéticos (AGs) Los AGs son técnicas de resolución para problemas de Búsqueda Optimización Aprendizaje en máquinas Son una clase particular de los algoritmos evolutivos. Los AGs intentan resolver
Más detallesProgramación Lineal. El modelo Matemático
Programación Lineal. El modelo Matemático 1 Modelización Definición 1.1 Consideremos el problema de optimización con restricciones, definido como sigue Min f(x) s.a. g i (x) b i i = 1, 2,..., m (P OR)
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO. Facultad de Ciencias. Plan de estudios de la Licenciatura en Actuaría. Teoría de Redes
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO Facultad de Ciencias Plan de estudios de la Licenciatura en Actuaría Teoría de Redes Clave 0442 Modalidad Semestre 7 u 8 Créditos 10 Área Campo de conocimiento Etapa
Más detalles1 Método de la bisección. 1.1 Teorema de Bolzano Teorema 1.1 (Bolzano) Contenido
E.T.S. Minas: Métodos Matemáticos Resumen y ejemplos Tema 3: Solución aproximada de ecuaciones Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de Cataluña
Más detallesMODELOS DE SUBASTAS. MERCADO MAYORISTA ESPAÑOL
MODELOS DE SUBASTAS. MERCADO MAYORISTA ESPAÑOL Curso del Máster de Ingeniería Eléctrica, Electrónica y Automática: Mercados de Energía Eléctrica 16/02/2009 Ponente: Jorge Martínez Crespo e-mail: jorgemar@ing.uc3m.es
Más detallesWinQSB. Módulo de Programación Lineal y Entera. Al ejecutar el módulo Linear and Integer Programming, la ventana de inicio es la siguiente
WinQSB Módulo de Programación Lineal y Entera Al ejecutar el módulo Linear and Integer Programming, la ventana de inicio es la siguiente desde la cual, a partir del menú File New Problem puedes introducir
Más detallesFacultad de Ciencias Económicas, Jurídicas y Sociales - Métodos Cuantitativos para los Negocios
Ubicación dentro del Programa Unidad III UNIDAD II: PROGRAMACIÓN LINEAL 1. Característica. Formulación matemática de un problema de programación lineal. Planteo e interpretación de un sistema de inecuaciones.
Más detallesME - Mercados Energéticos
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2016 240 - ETSEIB - Escuela Técnica Superior de Ingeniería Industrial de Barcelona 709 - EE - Departamento de Ingeniería Eléctrica
Más detallesIntroducción a la Programación Dinámica. El Problema de la Mochila
Tema 1 Introducción a la Programación Dinámica. El Problema de la Mochila La programación dinámica no es un algoritmo. Es más bien un principio general aplicable a diversos problemas de optimización que
Más detallesCONTENIDO PRÓLOGO LAS FUNCIONES... 5
CONTENIDO PRÓLOGO... 1 1. LAS FUNCIONES... 5 1.1 FORMAS DE REPRESENTACIÓN... 5 1.1.1 Representación de funciones... 6 1.1.2 Funciones definidas a trozos... 7 1.1.3 Simetría... 8 1.1.4 Funciones crecientes
Más detallesProblemas con soluciones
Departamento de Matemática, Universidad Técnica Federico Santa María, MAT-223. Problemas con soluciones 1) Muestre que si A es una base de una toplogía en X, entonces la topología generada por A es iqual
Más detalles18 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
Más detallesCompetencia perfecta: el corto plazo
Competencia perfecta: el corto plazo José C. ernías Curso 2015 2016 Índice 1 Características de los mercados competitivos 1 2 La curva de oferta a corto plazo 4 3 Estática comparativa 8 Esta obra está
Más detallesPrograma 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:
Más detallesBloque 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
Más detallesDegeneración y ciclaje. Método de las dos fases CO-3411 (S08) 30/03/
CO-3411 (S08 30/03/2008 98 Degeneración y ciclaje En el caso de problemas generales, una solución será degenerada cuando alguna de las variables básicas se encuentra en una de sus cotas (comparar con el
Más detallesClase 1: INTRODUCCION AL MERCADO ELECTRICO CHILENO. LUIS S. VARGAS Area de Energía Departamento de Ingeniería Eléctrica Universidad de Chile
Clase 1: INTRODUCCION AL MERCADO ELECTRICO CHILENO LUIS S VARGAS Area de Energía Departamento de Ingeniería Eléctrica Universidad de Chile INDICE Sistemas Interconectados en Chile Constante dieléctrica
Más detallesMétodos Numéricos: Ejercicios resueltos
Métodos Numéricos: Ejercicios resueltos Tema 6: Resolución aproximada de sistemas de ecuaciones lineales Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica
Más detallesTeoría 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.
Más detallesPrograma. Números Complejos, Ecuaciones Diferenciales y Ecuaciones en
Contenido: Programa Módulo I: R n como Espacio Vectorial y Tópicos en Álgebra Lineal Abelardo Jordán Módulo II: Series de Taylor y Optimización Estática Eladio Ocaña Módulo III: Diferencias Números Complejos,
Más detallesRD 436/2004 Predicción de Producción Energética en Parques Eólicos
RD 436/2004 Predicción de Producción Energética en Parques Eólicos Luis Muñoz, Garrad Hassan España APPA II Jornada Informativa Barcelona, Abril 2004 1045\BT\16\ 1 Quién es Garrad Hassan? Consultores líderes
Más detallesRobusticidad de los Diseños D-óptimos a la Elección. de los Valores Locales para el Modelo Logístico
Robusticidad de los Diseños D-óptimos a la Elección de los Valores Locales para el Modelo Logístico David Felipe Sosa Palacio 1,a,Víctor Ignacio López Ríos 2,a a. Escuela de Estadística, Facultad de Ciencias,
Más detallesINDICE Prefacio 1 Preliminares del cálculo: funciones y limites teoremas escogidos con demostraciones formales
INDICE Prefacio XIII 1 Preliminares del cálculo: funciones y limites 1 1.1. Qué es el calculo? 3 1.1.1. el limite: la paradoja de Zenón 5 1.1.2. la derivada: el problema de la tangente 6 1.1.3. la integral:
Más detallesFundamentos de Investigación de Operaciones Investigación de Operaciones 1 Programación Lineal Entera
Fundamentos de Investigación de Operaciones Investigación de Operaciones 1 11 de septiembre de 2003 1. Introducción Un LP donde se requiere que todas las variables sean enteras se denomina un problema
Más detallesPROGRAMACION CUADRATICA
PROGRAMACION CUADRATICA Programación convexa La programación convexa abarca una amplia clase de problemas, entre ellos como casos especiales, están todos los tipos anteriores cuando /(x) es cóncava. Las
Más detalles