Modelado en optimización lineal entera mixta
|
|
- Adrián Juárez Silva
- hace 8 años
- Vistas:
Transcripción
1 Modelado en optimización lineal entera mita Andrés Ramos Universidad Pontificia Comillas
2 CONTENIDO CLASIFICACIÓN DE PROBLEMAS ALGUNOS PROBLEMAS CARACTERÍSTICOS PROBLEMA DE COSTE FIJO PROPOSICIONES LÓGICAS MÍNIMO, MÁXIMO, VALOR ABSOLUTO PIECEWISE LINEAR (master) CONVEX AND NONCONVEX REGION (master) SPECIAL ORDERED SETS (master) REFORMULATION (master) Modelado en optimización lineal entera mita -
3 Clasificación de problemas IP Problemas lineales donde algunas o todas las variables son enteras. Un caso particular de variables enteras son las variables binarias (0/).. PIP (pure integer programming) todas enteras 2. BIP (binary integer programming) todas binarias 3. MIP (mied integer programming) algunas enteras o binarias Modelado en optimización lineal entera mita - 2
4 Justificación de problemas de optimización con variable enteras Las inversiones son variables discretas (planificación de la epansión de la generación o de la red, adquisición de equipos singulares, contratación de personas) Las decisiones son variables binarias (localización de plantas o almacenes) Modelado en optimización lineal entera mita - 3
5 Representación binaria de variables enteras variable entera y i variable binaria (0/) N i =2 y 0 u i= 0 i N 2 u 2 N + Modelado en optimización lineal entera mita - 4
6 CONTENIDO CLASIFICACIÓN DE PROBLEMAS ALGUNOS PROBLEMAS CARACTERÍSTICOS PROBLEMA DE COSTE FIJO PROPOSICIONES LÓGICAS MÍNIMO, MÁXIMO, VALOR ABSOLUTO PIECEWISE LINEAR (master) CONVEX AND NONCONVEX REGION (master) SPECIAL ORDERED SETS (master) REFORMULATION (master) Modelado en optimización lineal entera mita - 5
7 Algunos problemas característicos de LP y BIP Se han estudiado ehaustivamente. Su importancia práctica es limitada, pero pueden formar parte de otros problemas. Programación lineal LP Transporte Transbordo Asignación Programación binaria pura BIP Mochila Recubrimiento Empaquetado Partición Viaante Modelado en optimización lineal entera mita - 6
8 Problema de transporte Minimizar el coste total de transporte de un cierto producto desde los orígenes a los destinos, satisfaciendo la demanda de cada destino sin superar la oferta disponible en cada origen. oferta de producto en el origen i m orígenes b demanda de producto en el destino n destinos a i c i coste unitario de transporte desde i a a b a b 2 a m m n b n Modelado en optimización lineal entera mita - 7
9 Formulación problema de transporte Oferta disponible en cada origen i Demanda de cada destino min i= = i i 0 m n c i i unidades de producto transportadas desde i hasta Se supone que la oferta es igual a la demanda del producto m n m n a = b i i= = Si ai > b se añade un sumidero universal con coste nulo i= = m n a < b Si i se añade una fuente universal con coste muy i= = elevado m i= n = = a i =, K, m i = b =, K, n i i i, Modelado en optimización lineal entera mita - 8
10 Estructura problema de transporte 2 L n 2 22 L L m restricciones de oferta L 2n L m m2 L mn O L L n restricciones de demanda L O O L O L Si a y b son enteros i i son enteros por ser la matriz totalmente unimodular (i.e., toda submatriz cuadrada tiene determinante 0, ó ) Modelado en optimización lineal entera mita - 9
11 Problema de trasbordo Determinar en una red con n nodos las rutas más baratas para llevar unidades de un producto desde sus orígenes a sus destinos pasando por puntos de trasbordo intermedios. Cada origen genera b i > 0 unidades. Cada destino consume b i < 0 unidades. Cada trasbordo ni genera ni consume unidades b i = 0. c i coste unitario de transporte desde i hasta en dicho sentido. Modelado en optimización lineal entera mita - 0
12 Formulación problema de trasbordo Balance o conservación del fluo en cada nudo i min n i= = i n n n c i ki i = k = i i = b i =, K, n i 0 unidades de producto transportadas desde i a i, Se supone que la oferta es igual a la demanda del producto n i= b i = 0 Modelado en optimización lineal entera mita -
13 Problema de asignación de tareas n n tareas personas (máquinas, etc.) para realizarlas Es un caso particular del problema de transporte. Minimizar el coste total de realizar las tareas sabiendo que cada persona realiza tarea y cada tarea es realizada por persona. c i coste de realizar la tarea i por la persona si la tarea i es realizada por la persona i 0 en cualquier otro caso Aunque no es necesario declararlas como binarias. Modelado en optimización lineal entera mita - 2
14 Formulación problema de asignación de tareas min i= = i n n c i i Cada tarea i es hecha por una persona n = = i =, K, n i Cada persona realiza una tarea n i= = =, K, n i i 0 i, Modelado en optimización lineal entera mita - 3
15 Secuenciación de trabaos en una máquina Dados unos trabaos que realizar, una duración de éstos y una fecha de entrega prevista, plantear un problema de programación lineal entera para encontrar la secuencia que minimiza el retraso o demora media con que los trabaos son entregados, con los siguientes datos: Tarea A B C D Tiempo de proceso Fecha de entrega Modelado en optimización lineal entera mita - 4
16 Denominamos d al tiempo de proceso del trabao y r a la fecha de entrega del trabao. Definimos las variables del problema como i si el trabao se hace en la posición i = 0 otro caso La función obetivo será la minimización de la demora media min 4 p i i sueto a estas restricciones: cada trabao se hace una vez en cada posición sólo un trabao i i i = = i Modelado en optimización lineal entera mita - 5
17 Para cada posición i se acaba un trabao en ella y su fecha de entrega es i r Por otra parte, el trabao que acaba en esa posición acaba en el instante d. Las variables ni y p k i k i, cuentan si acaba antes de tiempo (adelantado) o después (retrasado), por eso p i, que es la demora, es la que aparece en la función obetivo d + n p = r i k i i i k i { } n, p 0 0, i i i Modelado en optimización lineal entera mita - 6
18 Problema de la mochila (knapsack) n proyectos Maimizar el valor total de la elección de un conunto de proyectos sin sobrepasar el presupuesto disponible. c v b coste de cada proyecto valor de cada proyecto presupuesto disponible si se realiza el proyecto 0 en cualquier otro caso Modelado en optimización lineal entera mita - 7
19 Formulación problema de la mochila ma n = v Limitación del presupuesto disponible n = c b { 0,} Modelado en optimización lineal entera mita - 8
20 Problema de recubrimiento (set covering) m características (vuelos) n combinación de características (secuencia de vuelos). La elección de una combinación implica realizar todas las características de la misma. Minimizar el coste total de las combinaciones elegidas de manera que se cubra (posea) cada característica al menos una vez. c coste de elegir la combinación matriz de pertenencia si la característica i pertenece a la combinación a i 0 si no pertenece si se elige la combinación 0 en cualquier otro caso Modelado en optimización lineal entera mita - 9
21 Formulación problema de recubrimiento min n = c Cada característica i del conunto de todas las combinaciones que la poseen debe ser escogida al menos una vez. n = a i =, K, m i { } 0, =, K, n Modelado en optimización lineal entera mita - 20
22 Eemplo de recubrimiento: asignación de tripulaciones Una compañía aérea necesita asignar sus tripulaciones para cubrir todos sus vuelos. En particular, quiere resolver el problema de asignar TRES tripulaciones con base en San Francisco a los vuelos listados en la primera columna de la tabla. Las otras columnas muestran las 2 SECUENCIAS FACTIBLES de vuelos para una tripulación cualesquiera. Los números de cada columna indican el orden de los vuelos. Se necesita elegir tres secuencias (una por tripulación) de manera que se cubran todos los vuelos. Se permite tener más de una tripulación en un vuelo, donde la/s tripulación/es etra viaan como pasaeros, pero por convenio laboral la tripulación etra cobra como si estuviera trabaando. El coste de asignación de una tripulación a cada secuencia de vuelos se da en miles de euros en la última fila. El obetivo es minimizar el coste total de asignación de las tres tripulaciones para cubrir todos los vuelos. Resolver el mismo problema para el caso en que no se permite el vuelo de una tripulación fuera de servicio en un vuelo. Modelado en optimización lineal entera mita - 2
23 Secuencias factibles de vuelo SF - LA SF - Denver SF - Seattle LA - Chicago LA - SF Chicago - Denver Chicago - Seattle Denver - SF Denver - Chicago Seattle - SF Seattle - LA Coste (k ) Modelado en optimización lineal entera mita - 22
24 min Cobertura de cada vuelo Asignación de las tres tripulaciones Solución M 2 = = 3 { } 0, =, K2 si se elige la secuencia para una tripulación = 0 en cualquier otro caso 3 = 4 = = = 0 3, 4, coste = 8 k = 5 = 2 = = 0, 5, 2 coste = 8 k Modelado en optimización lineal entera mita - 23
25 Problema de empaquetado (set packing) m proyectos n paquetes (conuntos) de proyectos. La elección de un paquete (conunto) implica realizar todos los proyectos del mismo. Maimizar el beneficio total de manera que ningún proyecto se realice más de una vez. c beneficio de elegir el paquete si el proyecto i está en el paquete a i 0 si no lo está si se elige el paquete 0 en cualquier otro caso Modelado en optimización lineal entera mita - 24
26 Formulación problema de empaquetado ma n = c Cada proyecto i del conunto de todos los paquetes que lo incluyen no puede ser elegido más de una vez n = a i =, K, m i { } 0, =, K, n Modelado en optimización lineal entera mita - 25
27 Problema de partición (set partitioning) EXACTAMENTE una característica (proyecto) del conunto de combinaciones (paquetes) que la contienen debe ser elegida n = a = i =, K, m i Modelado en optimización lineal entera mita - 26
28 Problemas de recubrimiento, partición y empaquetado RECUBRIMIENTO PARTICIÓN EMPAQUETADO Modelado en optimización lineal entera mita - 27
29 Problema del viaante (traveling salesman problem TSP) Consiste en hacer un recorrido que pase por ciudades sin repetir ninguna y volviendo a la ciudad de partida de manera que la distancia total sea mínima. Formulación : i si se va de la ciudad i a la ciudad = 0 en otro caso min i i i U i i i i i = = i card( U ) U 2 card( U ) n 2 i c { 0,} i Modelado en optimización lineal entera mita - 28
30 Problema del viaante (TSP) Formulación 2: ik min ik, k i, k si se va de la ciudad i a la ciudad en el tramo k de recorrido = 0 en otro caso i,, k ik ik i = i = = k =, k { 0,} ik ik i, ik i r ik c rk + Modelado en optimización lineal entera mita - 29
31 CONTENIDO CLASIFICACIÓN DE PROBLEMAS ALGUNOS PROBLEMAS CARACTERÍSTICOS PROBLEMA DE COSTE FIJO PROPOSICIONES LÓGICAS MÍNIMO, MÁXIMO, VALOR ABSOLUTO PIECEWISE LINEAR (master) CONVEX AND NONCONVEX REGION (master) SPECIAL ORDERED SETS (master) REFORMULATION (master) Modelado en optimización lineal entera mita - 30
32 Problema de coste fio Se tiene la función obetivo f ( ) 0 = 0 = k + c > 0 Definimos una variable binaria que modela la decisión binaria sobre la realización de la actividad y > 0 = 0 = 0 La formulación resultante es n n ( ) min f ( ) = k y + c = = 0 =,..., n M y f k y { 0, } =,..., n La M tiene que tener el menor valor posible c Modelado en optimización lineal entera mita - 3
33 Asignación de grupos térmicos Qué grupos térmicos de generación eléctrica hay que acoplar en cada hora del día (o semana) de manera que: Se minimicen los costes variables de generación (incluyendo costes de combustible y costes de arranque y parada) Se suministre la demanda en cada hora Se mantenga un cierto nivel de reserva rodante Se respeten los parámetros de funcionamiento de los grupos térmicos (mínimos técnicos, rampas de subida y baada) Modelado en optimización lineal entera mita - 32
34 Asignación de grupos térmicos. Datos y variables DATOS D h R a t b t ca t cp t P t P t rs t rb t demanda térmica en la hora h [MW] coeficiente de reserva rodante con respecto a la demanda [p.u.] término lineal del coste de combustible del grupo térmico t [ /MWh] término fio del coste de combustible del grupo térmico t [ /h] coste de arranque del grupo térmico t [ ] coste de parada del grupo térmico t [ ] potencia máima del grupo térmico t [MW] potencia mínima del grupo térmico t [MW] rampa de subida del grupo térmico t [MW/h] rampa de baada del grupo térmico t [MW/h] VARIABLES P ht A ht AR ht PR ht potencia producida por el grupo térmico t en la hora h [MW] acoplamiento del grupo térmico t en la hora h {0,} arranque del grupo térmico t en la hora h {0,} parada del grupo térmico t en la hora h {0,} Modelado en optimización lineal entera mita - 33
35 Asignación de grupos térmicos. Formulación min H T h= t= ( a P + b A + ca AR + cp PR ) t ht t ht t ht t ht T t= P ht = D h H T t= ( P A P ) = RD t ht ht h P A P P A t ht ht t ht A A = AR PR ht h t ht ht P P rs ht h t t P P rb h t ht t Pht 0 A, AR, PR { 0,} ht ht ht H 2HT ( H ) T ( H ) T ( H ) T Modelado en optimización lineal entera mita - 34
36 CONTENIDO CLASIFICACIÓN DE PROBLEMAS ALGUNOS PROBLEMAS CARACTERÍSTICOS PROBLEMA DE COSTE FIJO PROPOSICIONES LÓGICAS MÍNIMO, MÁXIMO, VALOR ABSOLUTO PIECEWISE LINEAR (master) CONVEX AND NONCONVEX REGION (master) SPECIAL ORDERED SETS (master) REFORMULATION (master) Modelado en optimización lineal entera mita - 35
37 Modelado de implicaciones Queremos modelar la condición de que si se produce el producto A también se debe producir el producto B. La condición de producción de un producto la representamos por la restricción. Luego esta implicación es A B Esta condición no se puede introducir directamente en un problema lineal porque hace que la estructura del problema (el que se considere o no una restricción más B ) depende de que se cumpla otra ( A ) y esto sólo se conoce una vez que se ha determinado la solución óptima. Un problema de optimización no se puede redefinir endógenamente, es decir, en función de los propios valores que toman las variables del problema. Modelado en optimización lineal entera mita - 36
38 Restricciones disyuntivas (i) Parea de restricciones donde sólo una (cualquiera de las dos) debe satisfacerse, mientras que la otra no es necesario que se cumpla. Debe cumplirse una pero no necesariamente las dos. f ( ) 0 ó g( ) 0 Modelado en optimización lineal entera mita - 37
39 Restricciones disyuntivas (ii) Queremos cumplir una de estas dos restricciones ó Añadir M (constante de valor elevado) equivale a relaar la restricción (para variables positivas con coeficientes positivos) Relao la restricción y satisfago la M Relao la restricción 2 y satisfago la M 2 Mediante variable binaria auiliar elio cuál de las dos relao Mδ M ( δ ) 2 se relaa la ecuación δ = 0 se relaa la ecuación 2 Modelado en optimización lineal entera mita - 38
40 Cumplir al menos k de N ecuaciones Se tienen que cumplir al menos k de N (k < N) ecuaciones M f (, K, ) d n f (, K, ) d 2 n 2 f (, K, ) d N n N k = y N = 2 es el caso anterior Formulación M f (, K, ) d + Mδ n f (, K, ) d + Mδ 2 n 2 2 f (, K, ) d + Mδ N n N N N i= i { } δ 0, i =,..., N i δ = N k Modelado en optimización lineal entera mita - 39
41 Seleccionar uno entre N valores La ecuación se debe cumplir para eactamente uno de los valores f (, K, ) Formulación i= { } n = d d 2 M d f (, K, ) = d δ N δ = i N n i i i= δ 0, i =,..., N i N Modelado en optimización lineal entera mita - 40
42 Implicaciones sencillas Retomemos el eemplo de la restricción que aparecía en el problema de coste fio Mδ siendo M una cota superior positiva de y δ la variable binaria. Si δ = la restricción no obliga a nada ya que M se cumple por definición. Si δ = 0 entonces 0. Luego esta restricción permite modelar la implicación Por otra parte, si > 0 entonces δ =. Si 0 la restricción no obliga a nada. > 0 δ = Ambas son implicaciones equivalentes puesto que P Q es equivalente a No Q No P δ = 0 0 Mδ > 0 δ = δ = 0 0 Modelado en optimización lineal entera mita - 4
43 Implicaciones sencillas (ii) De forma análoga veamos la restricción siendo m una cota inferior negativa de y δ la variable binaria. Si δ = la restricción no obliga a nada ya que m se cumple por definición. Si δ = 0 entonces 0. Luego esta restricción permite modelar la implicación δ = 0 0 Por otra parte, si < 0 entonces δ =. Si 0 la restricción no obliga a nada. < 0 δ = Nuevamente ambas son implicaciones equivalentes puesto que es equivalente a P Q No Q No P mδ δ = 0 0 < 0 δ = mδ Modelado en optimización lineal entera mita - 42
44 Implicación de restricción (i) La implicación a δ = b se modela como a b + M ( δ ) siendo M una cota superior de la restricción para cualquier valor de cualquier a b M Efectivamente de manera directa se deduce que si δ = se impone la restricción original y si δ = 0 no implica nada (se relaa la restricción original). Análogamente al caso anterior esta restricción también representa la implicación a > b δ = 0 Modelado en optimización lineal entera mita - 43
45 Implicaciones de una restricción (ii) La implicación a b δ = se puede transformar en o bien en que es equivalente a δ = 0 a > b siendo m una cota inferior de la restricción para cualquier valor de cualquier a b m δ = 0 a b + ε a b + ε + ( m ε ) δ Modelado en optimización lineal entera mita - 44
46 Implicaciones de una restricción (i) De manera simétrica se pueden representar las implicaciones con restricciones de tipo mayor o igual. La implicación es equivalente a δ = a b a b + m( δ ) siendo m una cota inferior de la restricción para cualquier valor de cualquier,. a b m Efectivamente de manera directa se deduce que si δ = se impone la restricción original y si δ = 0 no implica nada (se relaa la restricción original). Análogamente al caso anterior esta restricción también representa la implicación a < b δ = 0 Modelado en optimización lineal entera mita - 45
47 Implicaciones de una restricción (ii) La implicación a b δ = se puede transformar en o bien en que es equivalente a δ = 0 a < b siendo M una cota superior de la restricción para cualquier valor de cualquier, a b M δ = 0 a b ε a b ε + ( M + ε ) δ Modelado en optimización lineal entera mita - 46
48 Implicaciones de una restricción = (i) Para deducir las implicaciones de restricciones igualdad se transforman en ecuaciones de tipo mayor o igual y menor o igual simultáneamente. La implicación es equivalente a δ = a = b Luego se representa por las ecuaciones δ = a b δ = a b Efectivamente para δ = se cumplen ambas restricciones y para δ = 0 ambas restricciones se relaan. a b + M ( δ ) a b + m( δ ) Modelado en optimización lineal entera mita - 47
49 Implicaciones de una restricción = (ii) La implicación a = b δ = es una combinación de los casos anteriores simultáneamente y además a a b δ = b δ = δ = y δ = δ = que se modela con las restricciones a b + ε + ( m ε ) δ a b ε + ( M + ε ) δ y otra restricción adicional que indique el cumplimiento de ambas. δ + δ δ Modelado en optimización lineal entera mita - 48
50 Implicaciones dobles Para formular implicaciones dobles éstas se desdoblan en las implicaciones unidireccionales correspondientes. δ = a b es equivalente a δ = a b a b δ = y lo mismo para los otros tipos de restricciones. Modelado en optimización lineal entera mita - 49
51 δ = a b a b + M ( δ ) a b δ = a b + ε + ( m ε ) δ δ = b a b + m( δ ) a a b δ = a b ε + ( M + ε ) δ δ = = b a b + M ( δ ) a a b + m( δ ) a = b δ = a b + ε + ( m ε ) δ a b ε + ( M + ε ) δ δ + δ δ δ = b a b + M ( δ ) a a a b + ε + ( m ε ) δ δ = b a b + m( δ ) a a b ε + ( M + ε ) δ δ = = b a b + M ( δ ) a b + m( δ ) a b + ε + ( m ε ) δ a b ε + ( M + ε ) δ δ + δ δ Modelado en optimización lineal entera mita - 50
52 Equivalencias entre proposiciones condicionales y/o compuestas Pueden utilizarse para transformar las implicaciones antes de convertirlas en restricciones lineales P Q No P o Q P (Q y R) (P Q) y (P R) P (Q o R) (P Q) o (P R) (P y Q) R (P R) o (Q R) (P o Q) R (P R) y (Q R) no (P o Q) no P y no Q no (P y Q) no P o no Q Modelado en optimización lineal entera mita - 5
53 Implicaciones Una implicación se puede epresar mediante restricciones disyuntivas Es equivalente a f ( ) 0 ó g( ) 0 f() <= 0 g() <=0 F V V F F F V V V V F V f ( ) > 0 g( ) 0 f() > 0 g() <=0 V V V V F F F V V F F V Modelado en optimización lineal entera mita - 52
54 Proposiciones condicionales y/o compuestas sencillas X i restricción i, δ i variable binaria que indica la satisfacción de la restricción i Esa condición ha surgido ya para el problema de coste fio y su modelado como restricción lineal era δ = i i i X o X 2 δ + δ 2 X y X 2 δ =, δ 2 = La primera fila dice que se debe cumplir la no X δ = 0 restricción ó la 2 (o ambas), luego X efectivamente al menos una de las dos X 2 δ - δ 2 0 X variables δ y δ 2 debe tomar valor y la forma X 2 δ - δ 2 = 0 de epresarlo con una ecuación lineal es δ + δ2 Además tiene que haber una restricción que diga que si se satisface la restricción i entonces δ i = > 0 δ = Modelado en optimización lineal entera mita - 53
55 Proposiciones condicionales y/o compuestas compleas Las proposiciones condicionales y/o compuestas más compleas se separan en una doble implicación para poder obtener las restricciones lineales de manera automática. Por eemplo, se modela como se transforma en la doble implicación que es equivalente a ( X o X ) ( X o X o X ) A B C D E δ + δ δ + δ + δ A B C D E δ + δ δ = δ + δ + δ A B C D E δ + δ δ = A Veamos cómo se modela cada una de estas implicaciones B δ = δ + δ + δ C D E Modelado en optimización lineal entera mita - 54
56 Eemplo Si se fabrica el producto A o B (o ambos) entonces debe fabricarse también al menos uno de los productos C, D o E. X i restricción de fabricación del producto i δ i = variable binaria asociada a satisfacer la restricción i ( X o X ) ( X o X o X ) A B C D E δ + δ δ = A Formulación B δ = δ + δ + δ C D E δ + δ 2δ 0 A B δ δ δ + δ 0 C D E δ + δ 2δ 0 A B δ δ δ + δ C D E 0 Modelado en optimización lineal entera mita - 55
57 Formulación alternativa ( X o X ) ( X o X o X ) A B C D E equivale a δ δ + δ + δ A [ X ( X o X o X )] y [ X ( X o X o X )] C D E δ δ + δ + δ B C D E δ δ = δ + δ + δ A A C D E B C D E C D E δ δ = δ + δ + δ B C D E Formulación: X i B i Mδ δ A δ 0 δ δ 0 C D E i δ δ δ + δ δ { 0, }, δ { 0,} 0 Modelado en optimización lineal entera mita - 56
58 Selección del equipo de baloncesto Un entrenador de baloncesto tiene 9 ugadores, a los que ha evaluado de a 3 de acuerdo con su maneo de pelota, tiro, rebote y defensa, según se indica en la tabla adunta. Jugador Posiciones Maneo de pelota Tiro Rebote Defensa Pivot Base Pivot, Alero Alero, Base Pivot, Alero Alero, Base Pivot, Alero Pivot Alero Modelado en optimización lineal entera mita - 57
59 El equipo titular de 5 ugadores debe tener la máima capacidad defensiva y satisfacer las siguientes condiciones:. Por los menos dos ugadores deben estar en disposición de actuar de pivot, al menos dos de alero y por lo menos uno de base. 2. Su nivel medio, tanto en el maneo de pelota como de tiro y rebote, debe ser no inferior a Si uega el ugador 3, entonces el ugador 6 no puede estar en pista. 4. Si el ugador está en el equipo titular, también deberá estar el 4 ó el 5, pero en este caso no los dos a la vez. Si el ugador no está en el equipo titular, 4 y 5 pueden hacerlo, si interesa. 5. El ugador 8 ó el 9, pero no los dos a la vez, deben formar parte del equipo. Formular un programa lineal que facilite la selección del equipo titular. Modelado en optimización lineal entera mita - 58
60 ma = y + y + y + 3p 5p 7p 8 y + y + y + y + y + 3a 4a 5a 6a 7a 9 + y + y 2 4b 6b = 8 9 y + y = 3p 3a 3 y + y = 4a 4b 4 y + y = 5p 5a 5 y + y = 6a 6b 6 y + y = 7p 7a 7 { }, y 0, i ik La solución resulta ser = 2 = 3 = 5 = 8 = y el resto 0 Modelado en optimización lineal entera mita - 59
61 Productos con variables binarias δ δ 2 = 0 δ 0, i δ δ 2 δ i δ δ { } { 0,} 0 { 0,} δ = 0 o δ 2 = 0 Reemplazar δ δ 2 por δ 3 δ 3 = δ = y δ 2 = Reemplazar δ por y δ = 0 y = 0 δ = y = δ + δ 2 δ + δ = δ + δ = 2 2 { } δ, δ 0, i i δ δ 3 δ δ 3 2 δ + δ + δ 2 3 δi y 0 { 0,} y Mδ + y 0 y + Mδ M M Modelado en optimización lineal entera mita - 60
62 CONTENIDO CLASIFICACIÓN DE PROBLEMAS ALGUNOS PROBLEMAS CARACTERÍSTICOS PROBLEMA DE COSTE FIJO PROPOSICIONES LÓGICAS MÍNIMO, MÁXIMO, VALOR ABSOLUTO PIECEWISE LINEAR (master) CONVEX AND NONCONVEX REGION (master) SPECIAL ORDERED SETS (master) REFORMULATION (master) Modelado en optimización lineal entera mita - 6
63 Mínimo o máimo de variables minz z= ma(, y) minz z z y maz z= min(, y) maz z z y Modelado en optimización lineal entera mita - 62
64 Valor absoluto z z Modelado en optimización lineal entera mita - 63
65 CONTENIDO CLASIFICACIÓN DE PROBLEMAS ALGUNOS PROBLEMAS CARACTERÍSTICOS PROBLEMA DE COSTE FIJO PROPOSICIONES LÓGICAS MÍNIMO, MÁXIMO, VALOR ABSOLUTO PIECEWISE LINEAR (master) CONVEX AND NONCONVEX REGION (master) SPECIAL ORDERED SETS (master) REFORMULATION (master) Modelado en optimización lineal entera mita - 64
66 Modelado de poligonales La poligonal se define como un conunto de segmentos s Debemos estar sobre la poligonal g( ) (restricción de igualdad) Se supone que la abscisa del primer segmento es el origen b 0 =0 g( ) f s c s b s- b s Modelado en optimización lineal entera mita - 65
67 Tres posibles modelados Modelados. Incremental 2. De selección múltiple 3. De combinación convea Las relaaciones LP de las tres formulaciones son equivalentes Cualquier solución factible de una relaación corresponde a una solución factible de las otras con el mismo coste Modelado en optimización lineal entera mita - 66
68 Modelado incremental s Se define z como la carga o uso de cada segmento La carga o valor total será El segmento s+ tiene carga 0 a menos que el anterior esté s lleno. z + s s s > 0 si y sólo si z = b b Se introducen variables binarias Formulación del problema como siendo y s s si z > 0 = 0 en otro caso la diferencia en coste en el punto de intersección de segmentos s- y s = ( ) ( ) ˆ s s s s s s s f = f + c b f + c b s z s s s ( ˆ s s ) g( ) = c z + f y = s s s + ( ) ( ) y s z b b y z b b y s s s s s s s { } y = S+ 0,, 0 Modelado en optimización lineal entera mita - 67
69 Modelado de selección múltiple s Se define z como la carga total si La carga o valor total será está en dicho segmento Si la carga total cae en un segmento, para dicho segmento s y para el resto z = 0 Se introducen variables binarias y s Formulación del problema como = s si z > 0 = 0 en otro caso g( ) = s s s s ( c z + f y ) s z s s s s s s s s s s s s z b y z b y y = y { 0,} s z Modelado en optimización lineal entera mita - 68 =
70 Modelado de combinación convea Cualquier punto de segmento es combinación lineal convea s s de sus etremos con pesos µ, λ Formulación del problema s s s s ( µ λ ) ( ) ( ) g( ) = µ c b + f + λ c b + f s s s = b + b µ + λ = s s s y s y { } s s s µ, λ 0, y 0, s s s s s s s s Modelado en optimización lineal entera mita - 69
71 CONTENIDO CLASIFICACIÓN DE PROBLEMAS ALGUNOS PROBLEMAS CARACTERÍSTICOS PROBLEMA DE COSTE FIJO PROPOSICIONES LÓGICAS MÍNIMO, MÁXIMO, VALOR ABSOLUTO PIECEWISE LINEAR (master) CONVEX AND NONCONVEX REGION (master) SPECIAL ORDERED SETS (master) REFORMULATION (master) Modelado en optimización lineal entera mita - 70
72 Maimización de una función obetivo. Región cóncava Sea el problema de optimización con región factible cóncava z * z z b2 + a2 z b + a z b3 + a3 Formulación LP ma z z b + a z b + a 2 2 z b + a 3 3, z 0 * Modelado en optimización lineal entera mita - 7
73 Maimización de una función obetivo. Región no cóncava (i) Sea el problema de optimización con región factible no cóncava z * z z b2 + a2 z b3 + a3 z b4 + a4 z b + a * Modelado en optimización lineal entera mita - 72
74 Maimización de una función obetivo. Región no cóncava (ii) Formulación LP ma z z b + a z b + a 2 2 z b + a 3 3 z b + a, z z z b2 + a2 z b3 + a3 z b + a * 4 4 z z b + a * Modelado en optimización lineal entera mita - 73
75 Maimización de una función obetivo. Región no cóncava (iii) Se divide la región factible no cóncava en regiones factibles cóncavas y se utiliza una variable binaria (de selección múltiple) para elegir la región factible y s si estamos en la región s = 0 en otro caso z z b2 + a2 z b3 + a3 z b + a z b4 + a4 s s + s b s s b b + y s = y s+ = Modelado en optimización lineal entera mita - 74
76 Maimización de una función obetivo. Región no cóncava (iv) ma z Si estamos en s ma z Si estamos en s+ z b y + a + b y + a s s s+ s+ 3 3 z b y + a + b y + a = s s s+ s s s s s s s s b y b y s s y s { } s s, z, 0, y 0, s s y =, y + = 0 + z b a z b + a = s+ 2 2 s = 0 b b s s s s, z, 0 s s Región s s s y = 0, y + = Región s+ Para toda región ma z z b + a 3 3 z b + a = 4 4 Modelado en optimización lineal entera mita - 75 s = 0 s+ b b s+ s+ s s+ s+ s+,, 0 z
77 CONTENIDO CLASIFICACIÓN DE PROBLEMAS ALGUNOS PROBLEMAS CARACTERÍSTICOS PROBLEMA DE COSTE FIJO PROPOSICIONES LÓGICAS MÍNIMO, MÁXIMO, VALOR ABSOLUTO PIECEWISE LINEAR (master) CONVEX AND NONCONVEX REGION (master) SPECIAL ORDERED SETS (master) REFORMULATION (master) Modelado en optimización lineal entera mita - 76
78 SOS y SOS2 SOS: conunto de variables en el que una única variable debe ser diferente de 0 SOS2: conunto de variables en el que como mucho dos variables deben ser diferentes de 0 y deben ser consecutivas Caso eemplo: gestión del mantenimiento programado de grupos de generación Modelado en optimización lineal entera mita - 77
79 Gestión del mantenimiento programado Hipótesis: Se supone que el mantenimiento de cada grupo dura un número entero de periodos. p p p + p + 2 La gestión del mantenimiento programado involucra variables y restricciones interperiodo: Las decisiones tomadas para un cierto periodo p afectan a los periodos adyacentes. Modelado en optimización lineal entera mita - 78
80 Gestión del mantenimiento programado Información relevante de cara a decidir el mantenimiento programado: Duración del mantenimiento de cada grupo t: M t (epresado en número de periodos). Deben ser consecutivos Modelado en optimización lineal entera mita - 79
81 Gestión del mantenimiento programado Variables de decisión interperiodo: Grupo indisponible por mantenimiento: i pt : grupo t indisponible por mantenimiento en = 0:en otro caso Puesta en marcha y parada del mantenimiento: a p pt pt : el mantenimiento del grupo t comienza en = 0: en otro caso : el mantenimiento del grupo t termina en p = 0: en otro caso p p Modelado en optimización lineal entera mita - 80
82 Gestión del mantenimiento programado Contigüidad de los periodos de mantenimiento: Formulación : iqt Mtapt p, t p q< p+ Mt ip t ipt + apt 0 p, t apt t p Eemplo: se empieza el mantenimiento en p = 3 y debe durar M t = 4 periodos: 3 q 6 a = 3t i = i + i + i + i 4 i = i = i = i = qt 3t 4t 5t 6t 3t 4t 5t 6t i a + i =0+0=0 i = 0 2t 2t t 2t i a + i =+0= i 3t 3t 2t 3t Modelado en optimización lineal entera mita - 8
83 Gestión del mantenimiento programado Contigüidad de los periodos de mantenimiento: Formulación 2: apt = pp+ M t p, t ip t ipt + apt ppt = 0 p, t ( a ) pt + ppt 2 t p Eemplo: se empieza el mantenimiento en p = 3 y debe durar M t = 4 periodos a = 3t a p = 0 p = 0 p = 3t 7t 7t 7t i2 t = 0 i2t i3 t + a3 t p3 t = 0 i2t i3 t + 0 = 0 i3 t = Modelado en optimización lineal entera mita - 82
84 CONTENIDO CLASIFICACIÓN DE PROBLEMAS ALGUNOS PROBLEMAS CARACTERÍSTICOS PROBLEMA DE COSTE FIJO PROPOSICIONES LÓGICAS MÍNIMO, MÁXIMO, VALOR ABSOLUTO PIECEWISE LINEAR (master) CONVEX AND NONCONVEX REGION (master) SPECIAL ORDERED SETS (master) REFORMULATION (master) Modelado en optimización lineal entera mita - 83
85 Reformulación La mayoría de problemas MIP se pueden formular de diferentes maneras En problemas MIP, una buena formulación es crucial para resolver el modelo Medida de la bondad de la formulación: intervalo de integralidad (integrality gap) diferencia entre f.o. de problema MIP y el relaado (LP) Dadas dos formulaciones equivalentes de un problema MIP, se dice que una es más fuerte (meor) que la otra, si la región factible de su relaación lineal está estrictamente contenida en la región factible de la otra. El intervalo de integralidad es menor. Modelado en optimización lineal entera mita - 84
86 Problema de localización de una instalación (sin límites) (i) Elegir dónde poner instalaciones entre un conunto de localizaciones y asignar los clientes a dichas instalaciones minimizando el coste total. Sin límites significa que no hay límite en el número de clientes asignados a una instalación. Datos emplazamientos, i clientes c coste de localizar en, h coste de satisfacer la demanda del cliente i desde Variables la instalación se coloca en y = 0 cualquier otro caso fracción de demanda de cliente i satisfecha desde instalación en i Formulación I min i i i i i i = i c y y i y + { 0, }, [ 0,] i h Número de restricciones: I+IJ Modelado en optimización lineal entera mita - 85
87 Problema de localización de una instalación (sin límites) (ii) Formulación II min i y i i c y i i i = i My + { 0, }, [ 0,] i h Número de restricciones: I+J Ambas formulaciones son MIP equivalentes. Sin embargo, la formulación I es mucho más fuerte Intuitivamente cuantas más restricciones peor. Esto es verdad en LP. Sin embargo, en muchos problemas MIP cuantas más restricciones meor. Modelado en optimización lineal entera mita - 86
88 Problema de producción con coste fio e inventario (i) Datos t periodo de tiempo c coste fio de producción, p coste variable de producción, h coste de inventario d t t t t demanda Variables y s t t t producir = 0 no producir cantidad producida inventario al final del periodo Formulación I min ( c y + p + h s ) t t t t t 0 t = s = 0 T t t t t t t t s + = d + s t My t s { }, s 0, y 0, t t t Número de restricciones: 2T Número de variables: 3T Modelado en optimización lineal entera mita - 87
89 Problema de producción con coste fio e inventario (ii) Variables producir yt = 0 no producir q cantidad producida en periodo i para satisfacer la demanda en periodo t i it Formulación II min t i= T t T ( L ) i i i+ t it t t t= i= t= it it t i it q = d t q d y it q { } 0, y 0, t t p + h + h + + h q + c y Número de restricciones: T+IT Número de variables: T+T 2 /2 La formulación II es meor. Sin embargo, tiene un mayor número de restricciones y variables. Modelado en optimización lineal entera mita - 88
90 Criterios para reformulación Puede ser interesante aumentar el número de variables si se puede hacer uso de ellas en la estrategia de ramificación del B&B. Por eemplo, división artificial de una zona en regiones N, S, E y O para ramificar primero en estas variables zonales. Modelado en optimización lineal entera mita - 89
91 Programación diaria fuerte y compacta G. Morales-España, J.M. Latorre, and A. Ramos Tight and Compact MILP Formulation of Start-Up and Shut-Down Ramping in Unit Commitment IEEE Transactions on Power Systems 0.09/TPWRS Modelado en optimización lineal entera mita - 90
92 Andrés Ramos Modelado en optimización lineal entera mita - 9
Modelado en optimización lineal entera mixta
Modelado en optimización lineal entera mita Andrés Ramos Universidad Pontificia Comillas http://www.iit.upcomillas.es/aramos/ Andres.Ramos@upcomillas.es CONTENIDO CLASIFICACIÓN DE PROBLEMAS ALGUNOS PROBLEMAS
Más detallesModelos matemáticos de optimización
Modelos matemáticos de optimización Andrés Ramos Andres.Ramos@iit.icai.upcomillas.es Universidad Pontificia Comillas Begoña Vitoriano bvitoriano@mat.ucm.es Universidad Complutense de Madrid Índice Optimización
Más detallesFundamentos de Investigación de Operaciones Investigación de Operaciones 1
Fundamentos de Investigación de Operaciones Investigación de Operaciones 1 1 de agosto de 2003 1. Introducción Cualquier modelo de una situación es una simplificación de la situación real. Por lo tanto,
Más detallesTABLA DE DECISION. Consideremos la siguiente tabla, expresada en forma genérica, como ejemplo y establezcamos la manera en que debe leerse.
TABLA DE DECISION La tabla de decisión es una herramienta que sintetiza procesos en los cuales se dan un conjunto de condiciones y un conjunto de acciones a tomar según el valor que toman las condiciones.
Más detallesTema 2. Espacios Vectoriales. 2.1. Introducción
Tema 2 Espacios Vectoriales 2.1. Introducción Estamos habituados en diferentes cursos a trabajar con el concepto de vector. Concretamente sabemos que un vector es un segmento orientado caracterizado por
Más detallesBASES Y DIMENSIÓN. Propiedades de las bases. Ejemplos de bases.
BASES Y DIMENSIÓN Definición: Base. Se llama base de un espacio (o subespacio) vectorial a un sistema generador de dicho espacio o subespacio, que sea a la vez linealmente independiente. β Propiedades
Más detallesSOLUCION DE MODELOS DE PROGRAMACION LINEAL EN UNA HOJA DE CALCULO. PROBLEMAS DE TRANSPORTE Y ASIGNACION.
UNIVERSIDAD NACIONAL DE LA PLATA FACULTAD DE INGENIERÍA DEPARTAMENTO DE INGENIERÍA DE LA PRODUCCIÓN INGENIERÍA INDUSTRIAL SOLUCION DE MODELOS DE PROGRAMACION LINEAL EN UNA HOJA DE CALCULO. PROBLEMAS DE
Más detallesMatrices equivalentes. El método de Gauss
Matrices equivalentes. El método de Gauss Dada una matriz A cualquiera decimos que B es equivalente a A si podemos transformar A en B mediante una combinación de las siguientes operaciones: Multiplicar
Más detallesINTRODUCCIÓN-CONCEPTOS BÁSICOS
INTRODUCCIÓN-CONCEPTOS BÁSICOS Cuando se dispone de una cantidad de dinero (capital) se puede destinar o bien a gastarlo, o bien a invertirlo para recuperarlo en un futuro más o menos próximo. De la misma
Más detallesUnidad 6 Cálculo de máximos y mínimos
Unidad 6 Cálculo de máimos y mínimos Objetivos Al terminar la unidad, el alumno: Utilizará la derivada para decidir cuándo una función es creciente o decreciente. Usará la derivada para calcular los etremos
Más detallesDivisibilidad y números primos
Divisibilidad y números primos Divisibilidad En muchos problemas es necesario saber si el reparto de varios elementos en diferentes grupos se puede hacer equitativamente, es decir, si el número de elementos
Más detallesAnálisis de los datos
Universidad Complutense de Madrid CURSOS DE FORMACIÓN EN INFORMÁTICA Análisis de los datos Hojas de cálculo Tema 6 Análisis de los datos Una de las capacidades más interesantes de Excel es la actualización
Más detallesBREVE MANUAL DE SOLVER
BREVE MANUAL DE SOLVER PROFESOR: DAVID LAHOZ ARNEDO PROGRAMACIÓN LINEAL Definición: Un problema se define de programación lineal si se busca calcular el máximo o el mínimo de una función lineal, la relación
Más detallesEJERCICIOS DE REPASO SOBRE DERIVABILIDAD III. PROBLEMAS DE OPTIMIZACIÓN
EJERCICIOS DE REPASO SOBRE DERIVABILIDAD III. PROBLEMAS DE OPTIMIZACIÓN Una de las aplicaciones más comunes de los conceptos relacionados con la derivada de una función son los problemas de optimización.
Más detallesProfr. Efraín Soto Apolinar. La función lineal. y = a 0 + a 1 x. y = m x + b
La función lineal Una función polinomial de grado uno tiene la forma: y = a 0 + a 1 x El semestre pasado estudiamos la ecuación de la recta. y = m x + b En la notación de funciones polinomiales, el coeficiente
Más detallesFundamentos de Investigación de Operaciones Asignación y Vendedor Viajero
Fundamentos de Investigación de Operaciones y Vendedor Viajero 23 de mayo de 2004 Si bien la resolución del problema de transporte mediante tableau parece ser muy expedita, existen ciertos tipos de problemas
Más detallesCómo?: Resolviendo el sistema lineal homógeneo que satisfacen las componentes de cualquier vector de S. x4 = x 1 x 3 = x 2 x 1
. ESPACIOS VECTORIALES Consideremos el siguiente subconjunto de R 4 : S = {(x, x 2, x 3, x 4 )/x x 4 = 0 x 2 x 4 = x 3 a. Comprobar que S es subespacio vectorial de R 4. Para demostrar que S es un subespacio
Más detallesTema 6: Problemas Especiales de Programación Lineal
Tema 6: Problemas Especiales de Programación Lineal Transporte Asignación Transbordo Tienen una estructura especial que permite modelizar situaciones en las que es necesario: Determinar la manera óptima
Más detallesFUNCIONES CUADRÁTICAS Y RACIONALES
www.matesronda.net José A. Jiménez Nieto FUNCIONES CUADRÁTICAS Y RACIONALES 1. FUNCIONES CUADRÁTICAS. Representemos, en función de la longitud de la base (), el área (y) de todos los rectángulos de perímetro
Más detallesDe forma general, los problemas de optimización lineal tienen la siguiente estructura:
En los siglos XVII y XVIII matemáticos como Newton, Leibniz, Bernouilli y sobre todo Lagrange, que tanto habían contribuido al desarrollo del cálculo infinitesimal, se ocuparon de obtener máimos y mínimos
Más detallesUNIDAD 4: PLANO CARTESIANO, RELACIONES Y FUNCIONES. OBJETIVO DE APRENDIZAJE: Representar gráficamente relaciones y funciones en el plano cartesiano.
UNIDAD 4: PLANO CARTESIANO, RELACIONES Y FUNCIONES OBJETIVO DE APRENDIZAJE: Representar gráficamente relaciones y funciones en el plano cartesiano. EL PLANO CARTESIANO. El plano cartesiano está formado
Más detallesIngeniería del Software I Clase de Testing Funcional 2do. Cuatrimestre de 2007
Enunciado Se desea efectuar el testing funcional de un programa que ejecuta transferencias entre cuentas bancarias. El programa recibe como parámetros la cuenta de origen, la de cuenta de destino y el
Más detalles1.1. Introducción y conceptos básicos
Tema 1 Variables estadísticas Contenido 1.1. Introducción y conceptos básicos.................. 1 1.2. Tipos de variables estadísticas................... 2 1.3. Distribuciones de frecuencias....................
Más detallesEl modelo EOQ básico (Economic Order Quantity) es el más simple y fundamental de todos los modelos de inventarios.
Tema 7 Sistemas de Inventarios 7.1. Modelo EOQ básico El modelo EOQ básico (Economic Order Quantity) es el más simple y fundamental de todos los modelos de inventarios. 7.1.1. Hipótesis del modelo 1. Todos
Más detallesa < b y se lee "a es menor que b" (desigualdad estricta) a > b y se lee "a es mayor que b" (desigualdad estricta)
Desigualdades Dadas dos rectas que se cortan, llamadas ejes (rectangulares si son perpendiculares, y oblicuos en caso contrario), un punto puede situarse conociendo las distancias del mismo a los ejes,
Más detalles1.4.- D E S I G U A L D A D E S
1.4.- D E S I G U A L D A D E S OBJETIVO: Que el alumno conozca y maneje las reglas empleadas en la resolución de desigualdades y las use para determinar el conjunto solución de una desigualdad dada y
Más detallesANÁLISIS DE DATOS NO NUMERICOS
ANÁLISIS DE DATOS NO NUMERICOS ESCALAS DE MEDIDA CATEGORICAS Jorge Galbiati Riesco Los datos categóricos son datos que provienen de resultados de experimentos en que sus resultados se miden en escalas
Más detallesDefinición 1.1.1. Dados dos números naturales m y n, una matriz de orden o dimensión m n es una tabla numérica rectangular con m filas y n columnas.
Tema 1 Matrices Estructura del tema. Conceptos básicos y ejemplos Operaciones básicas con matrices Método de Gauss Rango de una matriz Concepto de matriz regular y propiedades Determinante asociado a una
Más detallesMATEMÁTICAS II APUNTES DE TEORÍA CURSO ACADÉMICO 2012-13. Carlos Ivorra
MATEMÁTICAS II APUNTES DE TEORÍA CURSO ACADÉMICO 2012-13 Carlos Ivorra Índice 1 Introducción a la optimización 1 2 Programación entera 18 3 Introducción a la programación lineal 24 4 El método símplex
Más detallesDOMINIO Y RANGO página 89. Cuando se grafica una función existen las siguientes posibilidades:
DOMINIO Y RANGO página 89 3. CONCEPTOS Y DEFINICIONES Cuando se grafica una función eisten las siguientes posibilidades: a) Que la gráfica ocupe todo el plano horizontalmente (sobre el eje de las ). b)
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 detallesby Tim Tran: https://picasaweb.google.com/lh/photo/sdo00o8wa-czfov3nd0eoa?full-exif=true
by Tim Tran: https://picasaweb.google.com/lh/photo/sdo00o8wa-czfov3nd0eoa?full-exif=true I. FUNDAMENTOS 3. Representación de la información Introducción a la Informática Curso de Acceso a la Universidad
Más detalles2) Se ha considerado únicamente la mano de obra, teniéndose en cuenta las horas utilizadas en cada actividad por unidad de página.
APLICACIÓN AL PROCESO PRODUCTIVO DE LA EMPRESA "F. G. / DISEÑO GRÁFICO". AÑO 2004 Rescala, Carmen Según lo explicado en el Informe del presente trabajo, la variación en la producción de páginas web de
Más detalles4.3 INTERPRETACIÓN ECONÓMICA DE LA DUALIDAD
4.3 INTERPRETACIÓN ECONÓMICA DE LA DUALIDAD El problema de programación lineal se puede considerar como modelo de asignación de recursos, en el que el objetivo es maximizar los ingresos o las utilidades,
Más detallesIngeniería en Informática
Departamento de Informática Universidad Carlos III de Madrid Ingeniería en Informática Aprendizaje Automático Junio 2007 Normas generales del examen El tiempo para realizar el examen es de 3 horas No se
Más detallesTema 5: Dualidad y sensibilidad de los modelos lineales.
ema 5: Dualidad y sensibilidad de los modelos lineales. Objetivos del tema: Introducir el concepto de Sensibilidad en la Programación Lineal Introducir el concepto de Dualidad en la Programación Lineal
Más detallesAXIOMAS DE CUERPO (CAMPO) DE LOS NÚMEROS REALES
AXIOMASDECUERPO(CAMPO) DELOSNÚMEROSREALES Ejemplo: 6 INECUACIONES 15 VA11) x y x y. VA12) x y x y. Las demostraciones de muchas de estas propiedades son evidentes de la definición. Otras se demostrarán
Más detallesMANUAL COPIAS DE SEGURIDAD
MANUAL COPIAS DE SEGURIDAD Índice de contenido Ventajas del nuevo sistema de copia de seguridad...2 Actualización de la configuración...2 Pantalla de configuración...3 Configuración de las rutas...4 Carpeta
Más detallesLÍMITES Y CONTINUIDAD DE FUNCIONES
Capítulo 9 LÍMITES Y CONTINUIDAD DE FUNCIONES 9.. Introducción El concepto de ite en Matemáticas tiene el sentido de lugar hacia el que se dirige una función en un determinado punto o en el infinito. Veamos
Más detallesDISCOS RAID. Se considera que todos los discos físicos tienen la misma capacidad, y de no ser así, en el que sea mayor se desperdicia la diferencia.
DISCOS RAID Raid: redundant array of independent disks, quiere decir conjunto redundante de discos independientes. Es un sistema de almacenamiento de datos que utiliza varias unidades físicas para guardar
Más detallesLABORATORIO Nº 2 GUÍA PARA REALIZAR FORMULAS EN EXCEL
OBJETIVO Mejorar el nivel de comprensión y el manejo de las destrezas del estudiante para utilizar formulas en Microsoft Excel 2010. 1) DEFINICIÓN Una fórmula de Excel es un código especial que introducimos
Más detallesCURSO 2010-2011 TECNOLOGÍA TECNOLOGÍA 4º ESO TEMA 5: Lógica binaria. Tecnología 4º ESO Tema 5: Lógica binaria Página 1
Tecnología 4º ESO Tema 5: Lógica binaria Página 1 4º ESO TEMA 5: Lógica binaria Tecnología 4º ESO Tema 5: Lógica binaria Página 2 Índice de contenido 1. Señales analógicas y digitales...3 2. Código binario,
Más detallesSistemas de numeración
Sistemas de numeración Un sistema de numeración es un conjunto de símbolos y reglas que permiten representar datos numéricos. Los sistemas de numeración actuales son sistemas posicionales, que se caracterizan
Más detallesEl Problema del Transporte
ASIGNATURA PROGRAMACIÓN LINEAL El Problema del Transporte Maestro Ing. Julio Rito Vargas Avilés Octubre 2014 1 Problema de Transporte Es un caso especial de problema de programación lineal (PPL), para
Más detallesColegio Las Tablas Tarea de verano Matemáticas 3º ESO
Colegio Las Tablas Tarea de verano Matemáticas º ESO Nombre: C o l e g i o L a s T a b l a s Tarea de verano Matemáticas º ESO Resolver la siguiente ecuación: 5 5 6 Multiplicando por el mcm(,,6) = 6 y
Más detallesE 1 E 2 E 2 E 3 E 4 E 5 2E 4
Problemas resueltos de Espacios Vectoriales: 1- Para cada uno de los conjuntos de vectores que se dan a continuación estudia si son linealmente independientes, sistema generador o base: a) (2, 1, 1, 1),
Más detalles1 1 0 1 x 1 0 1 1 1 1 0 1 + 1 1 0 1 0 0 0 0 1 1 0 1 1 0 0 0 1 1 1 1
5.1.3 Multiplicación de números enteros. El algoritmo de la multiplicación tal y como se realizaría manualmente con operandos positivos de cuatro bits es el siguiente: 1 1 0 1 x 1 0 1 1 1 1 0 1 + 1 1 0
Más detallesMatrices Invertibles y Elementos de Álgebra Matricial
Matrices Invertibles y Elementos de Álgebra Matricial Departamento de Matemáticas, CCIR/ITESM 12 de enero de 2011 Índice 91 Introducción 1 92 Transpuesta 1 93 Propiedades de la transpuesta 2 94 Matrices
Más detallesJuan Antonio González Mota Profesor de Matemáticas del Colegio Juan XIII Zaidín de Granada
FUNCIONES CONOCIDAS. FUNCIONES LINEALES. Se llaman funciones lineales a aquellas que se representan mediante rectas. Su epresión en forma eplícita es y f ( ) a b. En sentido más estricto, se llaman funciones
Más detallesCURSO BÁSICO DE MATEMÁTICAS PARA ESTUDIANTES DE ECONÓMICAS Y EMPRESARIALES
INECUACIONES NOTA IMPORTANTE: El signo de desigualdad de una inecuación puede ser,, < o >. Para las cuestiones teóricas que se desarrollan en esta unidad únicamente se utilizará la desigualdad >, siendo
Más detallesUn programa entero de dos variables. 15.053 Jueves, 4 de abril. La región factible. Por qué programación entera? Variables 0-1
15.053 Jueves, 4 de abril Un programa entero de dos variables Introducción a la programación entera Modelos de programación entera Handouts: material de clase maximizar 3x + 4y sujeto a 5x + 8y 24 x, y
Más detallesUnidad 7 Aplicación de máximos y mínimos
Unidad 7 Aplicación de máimos y mínimos Objetivos Al terminar la unidad, el alumno: Interpretará el concepto de ingreso y costos marginal. Aplicará la función de ingresos en problemas de maimización. Aplicará
Más detallesFórmulas. Objetivos y Definición. Definir fórmulas nos brinda una forma clave de compartir conocimiento y obtener código generado optimizado
97 Objetivos y Definición Definir fórmulas nos brinda una forma clave de compartir conocimiento y obtener código generado optimizado Cuando el valor de un atributo o variable puede calcularse a partir
Más detallesPARTE 3 ECUACIONES DE EQUIVALENCIA FINANCIERA T E M A S
PARTE 3 ECUACIONES DE EQUIVALENCIA FINANCIERA Valor del dinero en el tiempo Conceptos de capitalización y descuento Ecuaciones de equivalencia financiera Ejercicio de reestructuración de deuda T E M A
Más detallesTema 3. Medidas de tendencia central. 3.1. Introducción. Contenido
Tema 3 Medidas de tendencia central Contenido 31 Introducción 1 32 Media aritmética 2 33 Media ponderada 3 34 Media geométrica 4 35 Mediana 5 351 Cálculo de la mediana para datos agrupados 5 36 Moda 6
Más detallesMódulo 9 Sistema matemático y operaciones binarias
Módulo 9 Sistema matemático y operaciones binarias OBJETIVO: Identificar los conjuntos de números naturales, enteros, racionales e irracionales; resolver una operación binaria, representar un número racional
Más detallesActividades con GeoGebra
Conectar Igualdad - "Netbooks Uno a Uno" Actividades con GeoGebra Nociones básicas, rectas Silvina Ponce Dawson Introducción. El GeoGeobra es un programa que permite explorar nociones matemáticas desde
Más detallesÍNDICE. Ficha técnica... 4. Encuesta y cuestionario... 6. Finalidad y resultados de la encuesta... 10 10. Primera parte: conocimiento...
ÍNDICE Ficha técnica... 4 Encuesta y cuestionario... 6 Finalidad y resultados de la encuesta... 10 10 Primera parte: conocimiento... 12 Segunda parte: modo de conocimiento y valoración... 18 Tercera parte:
Más detallesDEPARTAMENTO DE EDUCACIÓN FÍSICA CURSO 2011/2012
ORIENTACIÓN.1ºESO Carreras de Orientación Una Carrera de Orientación consiste en recorrer en el menor tiempo posible una ruta situada en un terreno desconocido pasando por unos puntos obligados en un orden
Más detallesREGLAMENTO DEL AJEDREZ. Tablero cuadrado 8x8 de 64 casillas con colores alternados (típicamente blanco y negro).
Jugadores: Dos. Requiere: REGLAMENTO DEL AJEDREZ Tablero cuadrado 8x8 de 64 casillas con colores alternados (típicamente blanco y negro). Objetivo: Mecánica: Dos sets iguales de 16 piezas cada uno, uno
Más detalles, o más abreviadamente: f ( x)
TEMA 5: 1. CONCEPTO DE FUNCIÓN Observa los siguientes ejemplos: El precio de una llamada telefónica depende de su duración. El consumo de gasolina de un coche depende de la velocidad del mismo. La factura
Más detallesHostaliawhitepapers. Las ventajas de los Servidores dedicados. www.hostalia.com. Cardenal Gardoki, 1 48008 BILBAO (Vizcaya) Teléfono: 902 012 199
Las ventajas de los Servidores dedicados Cardenal Gardoki, 1 48008 BILBAO (Vizcaya) Teléfono: 902 012 199 www.hostalia.com A la hora de poner en marcha una aplicación web debemos contratar un servicio
Más detallesE-CONTABILIDAD FINANCIERA: NIVEL II
E-CONTABILIDAD FINANCIERA: NIVEL II MÓDULO 8: INTRODUCCION AL ANALISIS DE BALANCES OBJETIVOS DEL MÓDULO: Iniciar el estudio de análisis contable. Comprender el significado y necesidad del fondo de maniobra.
Más detallesDiagonalización de matrices
diagonalizacion.nb Diagonalización de matrices Práctica de Álgebra Lineal, E.U.A.T., Grupos ºA y ºB, 2005 Algo de teoría Qué es diagonalizar una matriz? Para estudiar una matriz suele ser conveniente expresarla
Más detallesUNIDAD 1. LOS NÚMEROS ENTEROS.
UNIDAD 1. LOS NÚMEROS ENTEROS. Al final deberás haber aprendido... Interpretar y expresar números enteros. Representar números enteros en la recta numérica. Comparar y ordenar números enteros. Realizar
Más detallesTema 7: Optimización sobre Redes Muchos de los problemas de Investigación Operativa pueden modelizarse y resolverse sobre un grafo: conjunto de
Tema 7: Optimización sobre Redes Muchos de los problemas de Investigación Operativa pueden modelizarse y resolverse sobre un grafo: conjunto de vértices o nodos conectados con arcos y/o aristas. Diseñar
Más detallesPROGRAMACIÓN LINEAL. 8.1. Introducción. 8.2. Inecuaciones lineales con 2 variables
Capítulo 8 PROGRAMACIÓN LINEAL 8.1. Introducción La programación lineal es una técnica matemática relativamente reciente (siglo XX), que consiste en una serie de métodos y procedimientos que permiten resolver
Más detallesUNIDAD 1 LAS LEYES FINANCIERAS DE CAPITALIZACIÓN DESCUENTO
- 1 - UNIDAD 1 LAS LEYES FINANCIERAS DE CAPITALIZACIÓN Y DESCUENTO Tema 1: Operaciones financieras: elementos Tema 2: Capitalización y descuento simple Tema 3: Capitalización y descuento compuesto Tema
Más detalles2.2. LA COMPRA. TOMA DE DECISIONES DEL CLIENTE.
2.2. LA COMPRA. TOMA DE DECISIONES DEL CLIENTE. En este epígrafe abordaremos el estudio del comportamiento de compra del consumidor, para ello tendremos que estudiar tanto las distintas situaciones de
Más detallesEcuaciones de primer grado con dos incógnitas
Ecuaciones de primer grado con dos incógnitas Si decimos: "las edades de mis padres suman 120 años", podemos expresar esta frase algebraicamente de la siguiente forma: Entonces, Denominamos x a la edad
Más detallesAnexo 1: Demostraciones
75 Matemáticas I : Álgebra Lineal Anexo 1: Demostraciones Espacios vectoriales Demostración de: Propiedades 89 de la página 41 Propiedades 89- Algunas propiedades que se deducen de las anteriores son:
Más detallesProblemas de Programación Entera
Problemas de Programación Entera 1. Se está estudiando la manufactura de tres nuevos productos textiles, que denominaremos P1, P2 y P3. Cada producto requiere para su producción el alquiler de una máquina,
Más detallesTema 3: Producto escalar
Tema 3: Producto escalar 1 Definición de producto escalar Un producto escalar en un R-espacio vectorial V es una operación en la que se operan vectores y el resultado es un número real, y que verifica
Más detallesEspacios generados, dependencia lineal y bases
Espacios generados dependencia lineal y bases Departamento de Matemáticas CCIR/ITESM 14 de enero de 2011 Índice 14.1. Introducción............................................... 1 14.2. Espacio Generado............................................
Más detallesAplicaciones Lineales
Aplicaciones Lineales Ejercicio Dada la matriz A = 0 2 0 a) Escribir explícitamente la aplicación lineal f : 2 cuya matriz asociada con respecto a las bases canónicas es A. En primer lugar definimos las
Más detallesPARÁBOLA. 1) para la parte positiva: 2) para la parte negativa: 3) para la parte positiva: 4) para la parte negativa:
Página 90 5 LA PARÁBOLA 5.1 DEFINICIONES La parábola es el lugar geométrico 4 de todos los puntos cuyas distancias a una recta fija, llamada, y a un punto fijo, llamado foco, son iguales entre sí. Hay
Más detallesTransacciones y bloqueos en SQL-Server
Transacciones y bloqueos en SQL-Server (Información para el uso desde Axapta) Introducción En este documento vamos a intentar explicar cuatro conceptos básicos acerca de las transacciones y los bloqueos
Más detallesFunciones, x, y, gráficos
Funciones, x, y, gráficos Vamos a ver los siguientes temas: funciones, definición, dominio, codominio, imágenes, gráficos, y algo más. Recordemos el concepto de función: Una función es una relación entre
Más detallesSemana 08 [1/15] Axioma del Supremo. April 18, 2007. Axioma del Supremo
Semana 08 [1/15] April 18, 2007 Acotamiento de conjuntos Semana 08 [2/15] Cota Superior e Inferior Antes de presentarles el axioma del supremo, axioma de los números reales, debemos estudiar una serie
Más detallesInvestigación Operacional I EII 445
Investigación Operacional I EII 445 Programación Lineal Método Simple Gabriel Gutiérrez Jarpa. Propiedades Básicas de Programación Lineal Formato Estándar Un problema de programación lineal es un programa
Más detallesAnálisis de medidas conjuntas (conjoint analysis)
Análisis de medidas conuntas (conoint analysis). Introducción Como ya hemos dicho anteriormente, esta técnica de análisis nos sirve para analizar la importancia que dan los consumidores a cada uno de los
Más detallesApuntes de Matemática Discreta 9. Funciones
Apuntes de Matemática Discreta 9. Funciones Francisco José González Gutiérrez Cádiz, Octubre de 004 Universidad de Cádiz Departamento de Matemáticas ii Lección 9 Funciones Contenido 9.1 Definiciones y
Más detallesEJERCICIOS RESUELTOS SOBRE ERRORES DE REDONDEO
EJERCICIOS RESUELTOS SOBRE ERRORES DE REDONDEO 1º) Considérese un número estrictamente positivo del sistema de números máquina F(s+1, m, M, 10). Supongamos que tal número es: z = 0.d 1 d...d s 10 e Responde
Más detallesPruebas de acceso a enseñanzas universitarias oficiales de grado Castilla y León
Pruebas de acceso a enseñanzas universitarias oficiales de grado Castilla y León MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES EJECICIO Nº Páginas OPTATIVIDAD: EL ALUMNO DEBEÁ ESCOGE UNA DE LAS DOS OPCIONES
Más detallesUnidad II: Análisis de Redes
Unidad II: Análisis de Redes 2.1 Conceptos Básicos Un problema de redes es aquel que puede representarse por: LA IMPORTANCIA DE LOS MODELOS DE REDES: Muchos problemas comerciales pueden ser resueltos a
Más detallesPRÁCTICA Nº 1: EL VOLTÍMETRO Y EL AMPERÍMETRO
PRÁCTICA Nº 1: EL VOLTÍMETRO Y EL AMPERÍMETRO Objetivos: Utilización de un voltímetro y de un amperímetro, caracterización de aparatos analógicos y digitales, y efecto de carga. Material: Un voltímetro
Más detallesGuía de uso del Cloud Datacenter de acens
guíasdeuso Guía de uso del Cloud Datacenter de Calle San Rafael, 14 28108 Alcobendas (Madrid) 902 90 10 20 www..com Introducción Un Data Center o centro de datos físico es un espacio utilizado para alojar
Más detallesAnálisis situacional en la gestión operativa de almacenes. Pág. 63
Análisis situacional en la gestión operativa de almacenes. Pág. 63 9.11 SISTEMAS OPERATIVOS EN PROCESO PICKING Los sistemas utilizados en la preparación de pedidos ya sea para la expedición o para servir
Más detallesSelectividad Septiembre 2008 SEPTIEMBRE 2008
Bloque A SEPTIEMBRE 008.- Una ONG organiza un convoy de ayuda humanitaria con un máimo de 7 camiones, para llevar agua potable y medicinas a una zona devastada por unas inundaciones. Para agua potable
Más detallesProgramación Lineal: Modelos PLE
Programación Lineal: Modelos PLE CCIR / Matemáticas euresti@itesm.mx CCIR / Matemáticas Programación Lineal: Modelos PLE euresti@itesm.mx 1 / 35 Introduccion Introduccion En esta lectura se verán cómo
Más detallesTema 3. Espacios vectoriales
Tema 3. Espacios vectoriales Estructura del tema. Definición y propiedades. Ejemplos. Dependencia e independencia lineal. Conceptos de base y dimensión. Coordenadas Subespacios vectoriales. 0.1. Definición
Más detallesINTRODUCCION A LA PROGRAMACION DE PLC
INTRODUCCION A LA PROGRAMACION DE PLC Esta guía se utilizará para estudiar la estructura general de programación de um PLC Instrucciones y Programas Una instrucción u orden de trabajo consta de dos partes
Más detallesLEYES DE CONSERVACIÓN: ENERGÍA Y MOMENTO
LEYES DE CONSERVACIÓN: ENERGÍA Y MOMENTO 1. Trabajo mecánico y energía. El trabajo, tal y como se define físicamente, es una magnitud diferente de lo que se entiende sensorialmente por trabajo. Trabajo
Más detallesCapítulo VI. Diagramas de Entidad Relación
Diagramas de Entidad Relación Diagramas de entidad relación Tabla de contenido 1.- Concepto de entidad... 91 1.1.- Entidad del negocio... 91 1.2.- Atributos y datos... 91 2.- Asociación de entidades...
Más detallesUnidad de trabajo 2: INFORMÁTICA BÁSICA (primera parte)
Unidad de trabajo 2: INFORMÁTICA BÁSICA (primera parte) Unidad de trabajo 2: INFORMÁTICA BÁSICA... 1 1. Representación interna de datos.... 1 1.2. Sistemas de numeración.... 2 1.3. Aritmética binaria...
Más detallesGESTIÓN DE DEMANDA: SISTEMAS DE TARIFICACIÓN DE SERVICIOS
GESTIÓN DE DEMANDA: SISTEMAS DE TARIFICACIÓN DE SERVICIOS La tarificación es un instrumento muy común que genera eficiencia en la gestión de demanda de servicios públicos como la electricidad, el abastecimiento
Más detallesDatos del autor. Nombres y apellido: Germán Andrés Paz. Lugar de nacimiento: Rosario (Código Postal 2000), Santa Fe, Argentina
Datos del autor Nombres y apellido: Germán Andrés Paz Lugar de nacimiento: Rosario (Código Postal 2000), Santa Fe, Argentina Correo electrónico: germanpaz_ar@hotmail.com =========0========= Introducción
Más detalles