Introducción a la Optimización Bajo Incertidumbre
|
|
- Gerardo Manuel Moya Castro
- hace 5 años
- Vistas:
Transcripción
1 Introducción a la Optimización Bajo Incertidumbre
2 Refleión Compañía petrolera: cuál será el precio la demanda del petróleo en 6 meses? En un proceso continuo Eistirá variación en las demandas del producto Calidad de Servicios? Cadena de Suministro de Materias Primas? El futuro no puede pronosticarse con eactitud Necesario considerar incertidumbre en algunos procesos: Procesos Estocásticos
3 ipos de Problemas de Optimización Estocástica * Programación Lineal Estocástica (SLP( SLP) * Programación Mita Entera Lineal Estocástica (SMILP) * Programación No Lineal Estocástica (SNLP( SNLP) * Programación Mita Entera No lineal Estocástica (SMINLP)
4 Otra Clasificación: ipos de Problemas Bajo Incertidumbre Wait Wait and see : Esperar ocurrencia de un evento incierto entonces optimizar Here and now Optimización inmediata en base a alguna medida de probabilidad La maoría de los algoritmos de solución utilizan ambas estrategias
5 Problemas Estocásticos de 2 Etapas Idea fundamental: Recurso Recurso en 2 Etapas Primera Etapa Seleccione la variable de decisión Segunda Etapa Ocurrencia de un evento incierto omar una acción correctiva (recurso)
6 Un Ejemplo El problema del vendedor de periódicos El vendedor compra periódicos a un precio c Entonces vende tantos periódicos como puede a un precio q, el eceso representa una pérdida La demanda del periódico cambia día a día (incertidumbre) Cuando la demanda se conoce, se calculan las ganancias Cuántos periódicos debe comprar el vendedor para maimizar sus ganancias?
7 El Problema del Vendedor de Periódicos Primera Etapa Seleccionar el número de periódicos a comprar Segunda Etapa Ocurrencia de un evento incierto (demanda) Las ganancias se calculan Se toma una acción correctiva (recurso)
8 Programación Estocástica Lineal con Recurso
9 Representación Matemática Estándar para Problemas Lineales (SLPwR( SLPwR) min c + Q( ) Primera Etapa donde Segunda Etapa Q s. t. A ( ) E [ Q( )] Q ω,ω 0 (, ω ) min q ( ω ) Matriz de Recurso s. t. W b ( ω) h( ω) ( ω) Función de Recurso Evento incierto 0
10 Clases Especiales de Problemas Recurso Fijo W ( ω) W Recurso Simple + W ( I I ), h ( ω ) ( ω ) Recurso Completo W z z, 0
11 Reformulación min donde c + s. t. A b 0 Q( ) ( ) E [ Q( )] Q ω,ω s. t. min c Q + θ ( ) θ A b 0 Primera Etapa Q (, ω ) min q ( ω ) s. t. W h 0
12 Corte de Optimalidad Aproimación Lineal de Q() Corte de Factibilidad Dos ipos de Cortes en Algoritmos SLP Basado en el problema dual: proporciona límite inferior a Q() Asegura que los valores de (obtenidos en la primera etapa) no propician infactibilidades en la segunda etapa
13 eorema de la Dualidad (LP) min Primo c Multiplicadores de Lagrange ma Dual π b s. t. A 0 b s. t. π A c Si el dual no es acotado, el primo es infactible Si el dual es infactible, el primo no es acotado El valor de la función objetivo del problema dual provee una cota inferior para la función objetivo del problema primo. En problemas conveos sus valores son iguales.
14 Problema de la Segunda Etapa Primo Dual min s. t. q W 0 h Multiplicadores de Lagrange ma s. t. π π ( h ) W q
15 Ejemplo Ilustrativo min s. t. 5 0 [ Q( )] Eω,ω (, ω ) min Q + s t. + + ω ω , 2, 3, 4 0
16 Ejemplo Ilustrativo Ejemplo Ilustrativo [ ] 0.75 c [] 5 b [] A 3 q W ( ) + ω ω ω h 4 2 Recurso Recurso Fijo Fijo α α []
17 Dual del Problema de la Segunda Etapa ( ω) ma π ( ω + 2 ) + π ( + ω ), 2 + Q 4 Multiplicadores de Lagrange s. t. π π 2 π π + π 2 + π 2 3 π π 2
18 Corte de Optimalidad: Aproimación Lineal a Q() Soporte Lineal
19 Corte de Optimalidad El valor de la función objetivo del problema de la segunda etapa en cada iteración (tomando de la primera etapa) para el -ésimo valor de las variables inciertas, ω, es: Q (, ω ) ( π ) ( h ) (teorema de la dualidad) Debido a la conveidad (dual es Límite inferior) Q ( ) ( ),ω π ( h ) Para una función de probabilidad discreta, teniendo el valor ω una probabilidad p, el valor esperado de la función objetivo: Q [ ] K [( ) ( )] p π h ( ) E ( π ) ( h )
20 Corte de Optimalidad Corte de Optimalidad Por lo tanto, debido a la conveidad Definiendo ( ) ( ) ( ) [ ] ( ) ( ) K K K p h p h p Q π π π ( ) K p h e π ( ) K p E π ( ) E e Q ( ) Q θ e E +θ Se tiene dado que entonces e E θ
21 Corte de Factibilidad La decisión tomada en la primera etapa resulta en un problema factible en la segunda etapa si eiste un vector finito tal que las restricciones: W h 0 se satisfacen. Note: si es finito, entones q es finito por lo tanto Q( ) <
22 Corte de Factibilidad Para verificar factibilidad, resolver el problema: z ( + + ) min e Cuo problema dual es: ma σ ( h ) s. t. W + + h s. t. σ W 0 + 0, 0, 0 Multiplicadores de Lagrange σ e Note que z>0. si z0 entonces la segunda etapa es factible
23 Corte de Factibilidad Sin embargo, si z>0 entonces el problema primo: s. t. min W q h 0 es infactible Por el teorema de la dualidad: Si el dual no está acotado, entonces el primo es infactible. Por lo tanto, el dual: s. t. ma π π ( h ) W q no estaría acotado Note: ma π ( h ) no está acotado debido a que ( σ ) ( h ) 0
24 Corte de Factibilidad Por lo tanto, para asegurar la factibilidad del primo, la restricción: ( ) σ ( h ) 0 debe añadirse Feasibilit Cut Si para algún valor (evento discreto) el primo es infactible, entonces se define: D ( ) σ d ( ) σ h Y se incorpora el corte de factibilidad: D d
25 Algoritmos para Recurso Fijo Método L- Shaped Descomposición Estocástica (SD) Usa función de probabilidad discreta para ω Cálculo eacto del límite inferior de Q() (Corte de Optimalidad) Muestreo de una función de probabilidad continua para ω Estimación del límite inferior de Q() basado en esperanza matemática (Corte de Optimalidad)
26 Método L-Shaped Supone una función de probabilidad discreta para ω Note la estructura del problema determinístico equivalente: min c + K p s. t. A q b W h KK 0, 0 Estructura del primo A W 2 W... Estructura del Dual A 2 W W... W W
27 Algoritmo L-Shaped Shaped Paso 0 Haga r s 0 Paso Haga + resuelva el problema (Current Problem CP) min z c + θ Corte de Factibilidad Corte de Optimalidad s. t. A b D E l d l +θ l e l l Kr l Ks θ conforman la solución óptima. Si no ha cortes (iteración ), haga θ - no la considere en el problema
28 Algoritmo L-Shaped Shaped Paso 2 Para K (número de realizaciones de un evento incierto) resuelva el problema: z + min e + e s. t. W + + h 0, 0, 0 Si para algún el valor óptimo es z>0 añada un corte de factibilidad: + Multiplicadores de Lagrange del problema anterior ( σ ) D r + ( σ ) d r h + D d r + r + Haga rr+ regrese al Paso. De otro modo, vaa al paso 3.
29 Algoritmo L-Shaped Shaped Paso 3 min Para K resuelva el problema q Y defina: W 0 h Multiplicadores de Lagrange del problema anterior si e s+ K θ η p K ( π ) h Es+ p ( π ) η e Si no haga ss+, añada el corte de optimalidad θ e s+ Es+ E s+ s+ Pare, es la solución óptima Y regrese el paso
30 Descomposición Estocástica Se muestra en cada iteración a partir de una distribución de probabilidad continua ω Cálculo de límite inferior de Q() es aproimado e E L-Shaped K s+ K s+ p p ( π ) ( π ) h Descomposición Estocástica e E Actualización: e e ( π ) ( π ) E h E -
31 Algoritmo de Descomposición Estocástica (Higle Sen) Recurso completo Paso 0 Haga 0, θ - Suponer Paso Haga + genere una observación de las variables estocásticas mediante muestreo
32 Algoritmo SD Paso 2 Determine θ () ( v-ésima aproimación lineal a Q() ) a) Resuelva el problema de optimización lineal (dual de segunda etapa): ma π ( h ) s. t. π W Para obtener π (v-ésima muestra al v-ésimo valor del vector ) q Similarmente resuelva el problema v- veces: ma π ( h ) s. t. π W q K π Para obtener (-ésima muestra al v-ésimo valor de )
33 Algoritmo SD b) Calcule los coeficientes del corte de optimalidad e E ( π ) ( π ) h e v v E v v ( π ) ( h ) c) Actualizar los coeficientes de previos cortes e e E E K
34 Algoritmo SD Paso 3 Resuelva el problema de la primera etapa con los cortes de optimalidad: min c + θ s. t. A b Q( ) θ e E θ + E e K Para obtener +. Vaa al paso El algoritmo se detiene si el cambio en la función objetivo es pequeño
35 Un Caso Suponga que se tiene un SLPwR con 50 restricciones que se toman N 200 muestras del valor de ω Es necesario resolver 200 problemas de optimización correspondientes a la primera etapa. El primero posee 50 restricciones, el segundo 5 el último 250 restricciones Es necesario resolver el problema de la segunda etapa un número de veces igual a N i i 2000 El número de restricciones en la segunda etapa no cambia.
36 Implementación del Algoritmo SD: écnica de Muestreo HSS Monte Carlo puede presentar valores grandes de varianza HSS presenta mejores propiedades de uniformidad Y 0.5 Y X X HSS Monte Carlo
37 Implementación Computacional Integración del entorno de modelación GAMS, el código de la técnica de muestreo HSS (FORRAN) un programa en C++ como programa maestro C++ Code ) Generation of an approimation to Q(): sampling and multiple generation and solution of LP s Sampling (FORRAN) GAMS - OSL 2) Addition of optimalit cut and solution to the st stage problem GAMS - OSL
38 Aplicaciones a Ingeniería Química Fuel Boiler 635 psig stream power Pressure reducing valve urbine P (power) urbine 2 P 2 (power) Purchased power Condensate 95 psig stream Pressure reducing valve 62 psig stream Sistema urbogenerador
39 Aplicaciones a Ingeniería Química Caso de Estudio PRIMERA EAPA Segunda Etapa Variables Renglones Columnas Renglones Columnas Estocásticas Sistema urbogenerador Planeación de una Refinería Planeación de una Planta Petroquímica 2 5 Caso de Estudio N (MISMO ERROR PROMEDIO) HSS MC Sistema urbogenerador Planeación de una Refinería Planeación de una Planta Petroquímica 75 60
40 Resultados Sistema urbo Generador Objective Iteration MC HSS % Error Iteration HSS MC
41 Cómo evaluar si el esfuerzo vale la pena? Valor de la Solución Estocástica (VSS) : Diferencia entre el valor obtenido para la función objetivo respecto del valor obtenido si se usan valores promedio para incertidumbres Valor de la Información Perfecta (VPI) Valor de la Información Perfecta (VPI) Diferencia del resultado con el valor verdadero luego de la ocurrencia real del evento
42 Resultados Caso de Estudio VSS (%) Sistema urbogenerador 0.48 Planeación de una Refinería 6.85 Planeación de una Planta Petroquímica 2.22
43 Discusión A pesar de la limitación acerca de la linealidad de las restricciones, eisten aplicaciones importantes en planeación calendarización de procesos Etensión a casos entero no lineal BONUS (No lineal) Desarrollo actual para casos de programación entera
44 Programación Estocástica Mita Entera Lineal
45 Surgen Más Clasificaciones para Problemas Multi-Etapa Variables Enteras en la Primera Etapa : Se utilizan los mismos algoritmos que en programación lineal estocástica Variables Enteras en la Segunda Etapa: Variables Enteras en la Segunda Etapa: Se utilizan variaciones en el método de branch and bound para permitir la adición iterativa de los cortes de optimalidad factibilidad
46 Problemas Enteros en la Primera Etapa: Aplicaciones a Otras Áreas Seguridad en Redes de Agua Municipales Colocación óptima de sensores para disminuir el porcentaje de la población en riesgo tras un ataque químico a la red Localización de Estaciones de Desinfección Colocación óptima de estaciones para conservar niveles de cloro bajo especificaciones para aguas municipales
47 Seguridad en Redes de Agua Municipales min n n i j β δ ij ij ij + E [ Q( ω) ] ω, s. t. i Kn, ij ij ( j) ji i,, j E, i j ij ma { 0,} i j E, i j (, ω) min q ( ω) i p j Q n P n ipj ipj qipj ω s. t. ipi i Kn, p K P ip δ jp ip ipj j (, j) E s. t. f jp
48 Localización de Estaciones de Desinfección min n b i W i i + [ Q( )] Eω,ω s. t. n b i i i n b { 0,} ma n b (, ω) min q( ω) Q n i i i n b n i m ij i nb n i m αij i s. t. α i i i i u j l j qi ω i j Kn m m M KM + nα i Y i i 0 i Kn b i 0 Kn i
49 Programación Estocástica Mita- Entera Lineal (Variables Enteras en la Segunda Etapa) Chec feasibilit Chec integralit Compute Q( ) Update z Root Node Chec feasibilit Chec integralit Branch Add Cut If θ < Q( ) Generate optimalit cut Return to current node Else Go to pendant node z θ Add Cut
50 Otro ipo de Problemas Estocásticos
51 Chance Constrained Programming Ha algunas restricciones para las que sólo eiste cierta probabilidad de que se tengan que satisfacer ales restricciones deben incluir las variables inciertas dentro de términos lineales Minimize Z 4 2 Minimize Z 4 2 Sujeto a: Sujeto a: P( 2 u) 4 7, ,
52 Chance Constrained Programming
Optimización bajo Incertidumbre. 0. Revisión. Depto. Investigación Operativa. Instituto de Computación. Facultad de Ingeniería, UdelaR
Optimización bajo Incertidumbre 0. Revisión Carlos Testuri Germán Ferrari Depto. Investigación Operativa. Instituto de Computación. Facultad de Ingeniería, UdelaR 2003-17 Contenido 1 Revisión Probabilidad
Más detallesClasificación de Sistemas. Clasificación de Sistemas. Clasificación de Sistemas. Clasificación de Sistemas
Clasificación de Sistemas Clasificación de Sistemas Simples, complicados o complejos Deterministas o probabilistas Centralizados o distribuidos Reactivos o proactivos Rígidos o adaptativos Simples, complicados
Más detallesDualidad 1. 1 Formas simétricas. 2 Relación primal-dual. 3 Dualidad: el caso general. 4 Teoremas de dualidad. 5 Condiciones de holgura complementaria.
Dualidad 1 1 Formas simétricas. 2 Relación primal-dual. 3 Dualidad: el caso general. 4 Teoremas de dualidad. Condiciones de holgura complementaria. 6 Solución dual óptima en la tabla. 7 Interpretación
Más detallesFundamentos de Programación Entera. A. Revisión. Carlos Testuri Germán Ferrari
Fundamentos de Programación Entera A. Revisión Carlos Testuri Germán Ferrari Departamento de Investigación Operativa Instituto de Computación Facultad de Ingeniería Universidad de la República 2012-2018
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 detallesUNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 16 de febrero de 2007
UNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa de febrero de 7 Problema. ( puntos Dado el problema de programación lineal: Maximizar x x + x s.a x + x x x x +
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 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 detallesDualidad y postoptimización
Dualidad y postoptimización José María Ferrer Caja Universidad Pontificia Comillas Definición A cada problema de optimización lineal le corresponde otro que se denomina problema dual En forma canónica
Más detallesDiseño óptimo de estructuras. p. 1/30. mecánicas bajo incertidumbre en las cargas
Diseño óptimo de estructuras mecánicas bajo incertidumbre en las cargas Felipe Alvarez y Miguel Carrasco II Encuentro Núcleo Científico Milenio Sistemas Complejos de Ingeniería Universidad de Chile 15-16
Más detallesTema 5 Dualidad y condiciones de Karush-Kuhn-Tucker
Tema 5 Dualidad y condiciones de Karush-Kuhn-Tucker José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Contenidos del tema 5 Condiciones de Karush-Kuhn-Tucker (KKT). Problemas
Más detallesMétodos de Optimización para la toma de decisiones
Facultad de Ingeniería Departamento de Ciencias de la Ingeniería Magíster en Logística y Gestión de Operaciones Métodos de Optimización para la toma de decisiones MLG-521 Programación Entera 1º Semestre
Más detallesUNIVERSIDAD NACIONAL DE INGENIERIA SEDE: UNI - NORTE Prueba del modelo y Evaluación de la solución. Teoría de Dualidad y Análisis de Sensibilidad
UNIVERSIDAD NACIONAL DE INGENIERIA SEDE: UNI - NORTE Prueba del modelo Evaluación de la solución. Teoría de Dualidad Análisis de Sensibilidad Prof. :M.C. Ing. Julio Rito Vargas Avilés I.O. 8 Dualidad análisis
Más detallesOptimización lineal entera mixta
Optimización lineal entera mita Andrés Ramos Universidad Pontificia Comillas http://www.iit.upcomillas.es/aramos/ Andres.Ramos@upcomillas.es CONTENIDO INTRODUCCIÓN MÉTODOS DE SOLUCIÓN MÉTODO DE RAMIFICACIÓN
Más detallesContenido. 1 Resolución mediante planos de corte. Resolución mediante planos de corte
Contenido 1 Resolución mediante planos de corte para LP para IP Facultad de Ingeniería. UdelaR Fundamentos de Programación Entera 1/20 para LP para IP Resolución mediante planos de corte La metodología
Más detallesAnálisis de Sensibilidad de los Resultados
Pontificia Universidad Católica Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas Clase 22 Análisis de Sensibilidad de los Resultados ICS 02 Optimización Profesor : Claudio Seebach
Más detallesAlgoritmos de Planos de Corte
Algoritmos de Planos de Corte Problema: max {cx / x X} con X = {x / Ax b, x Z n + } Proposición: conv (X) es un poliedro que puede entonces escribirse como conv (X) = {x / Ax b, x 0} Lo mismo ocurre para
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 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 detallesNelson Devia C Basado en Bertsimas, D., Tsitsiklis, J. (1997) Introduction to Linear Optimization Capítulo 3
IN3701 - Modelamiento y Optimización Departamento de Ingeniería Industrial Universidad de Chile 2011 Basado en Bertsimas, D., Tsitsiklis, J. (1997) Introduction to Linear Optimization Capítulo 3 Contenidos
Más detallesOPTIMIZACIÓN VECTORIAL
OPTIMIZACIÓN VECTORIAL Métodos de Búsqueda Directa Utilizan sólo valores de la función Métodos del Gradiente Métodos de Segundo Orden Requieren valores aproimados de la primera derivada de f) Además de
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 detallesPROBLEMAS DE OPTIMIZACIÓN CON RESTRICCIONES. PROBLEMA DE PROGRAMACIÓN NO- LINEAL (NLP).
PROBLEMAS DE OPTIMIZACIÓN CON RESTRICCIONES. PROBLEMA DE PROGRAMACIÓN NO- LINEAL (NLP. Optimización con restricciones La presencia de restricciones reduce la región en la cual buscamos el óptimo. Los criterios
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 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 detallesUnidad didáctica 1. Introducción a las funciones de varias variables 9. Objetivos de la Unidad... 11
ÍNDICE SISTEMÁTICO PÁGINA Sumario... 5 Prólogo... 7 Unidad didáctica 1. Introducción a las funciones de varias variables 9 Objetivos de la Unidad... 11 1. Conceptos básicos de topología en R n... 12 1.1.
Más detallesCO5411. Dantzig-Wolfe / Descomposición de Benders. Prof. Bernardo Feijoo. 06 de febrero de 2008
Dantzig-Wolfe / Departmento de Cómputo Cientíco y Estadística Universidad Simón Bolívar 06 de febrero de 2008 Contenido 1 Dantzig-Wolfe 2 Contenido Dantzig-Wolfe 1 Dantzig-Wolfe 2 Ahora la nueva base produce
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 detallesForma estándar de un programa lineal
Forma estándar de un programa lineal Sin pérdida de generalidad, todo programa lineal se puede escribir como: min cx s.t Ax = b x 0 Objetivo: minimizar Todas las desigualdades como ecuaciones Todas las
Más detallesJosé Francisco Tudón Maldonado Mario Roberto Urbina Núñez. Funciones de Mérito en Ecuaciones No Lineales. i=1 n. = r i (x) i=1
Funciones de mérito José Francisco Tudón Maldonado Mario Roberto Urbina Núñez 9 de abril de 011 1 Introducción Las funciones de mérito surgen para determinar en un algoritmo que resuelve un problema de
Más detallesJosé Manuel Arroyo Sánchez
Programación lineal entera-mixta José Manuel Arroyo Sánchez Área de Ingeniería Eléctrica Universidad de Castilla La Mancha 1 PROGRAMACIÓN LINEAL ENTERA-MIXTA BIBLIOGRAFÍA G. L. NEMHAUSER, L. A. WOLSEY.
Más detallesFundamentos de Programación Entera. 6. Planos de corte. Carlos Testuri Germán Ferrari
Fundamentos de Programación Entera 6. Planos de corte Carlos Testuri Germán Ferrari Departamento de Investigación Operativa Instituto de Computación Facultad de Ingeniería Universidad de la República 2012-2018
Más detallesOptimización lineal. Diego A. Patino. 2 de septiembre de Pontificia Universidad Javeriana 1/ 29
Optimización lineal Diego A. Patino Pontificia Universidad Javeriana 2 de septiembre de 2016 1/ 29 Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones 2/
Más detallesPlanificación de la expansión de capacidad de un sistema de potencia térmo-eléctrico bajo condiciones de incertidumbre
Planificación de la expansión de capacidad de un sistema de potencia térmo-eléctrico bajo condiciones de incertidumbre Víctor M. Albornoz S. Manuel E. Rojas A. Departamento de Industrias Universidad Técnica
Más detallesBASES MATEMÁTICAS DEL MÉTODO SIMPLEX (Parte 3)
4 de Julio de 26 ASES MATEMÁTICAS DEL MÉTODO SIMPLEX (Parte 3) Postgrado de Investigación de Operaciones Facultad de Ingeniería Universidad Central de Venezuela 4 de Julio de 26 MÉTODO SIMPLEX REVISADO
Más detallesSimulación y Optimización de Procesos Químicos. Titulación: Ingeniería Química. 5º Curso Optimización
Simulación Optimización de Procesos Químicos Titulación: Ingeniería Química. 5º Curso Optimización MILP, MINLP (Mixed Integer (Non) Linear Programming). Octubre de 009. Optimización Discreta Programación
Más detallesProgramación Entera. Nelson Devia C. IN Modelamiento y Optimización Departamento de Ingeniería Industrial Universidad de Chile
IN3701 - Modelamiento y Optimización Departamento de Ingeniería Industrial Universidad de Chile 2011 Basado en Bertsimas, D., Tsitsiklis, J. (1997) Introduction to Linear Optimization Capítulos 10 y 11
Más detallesUNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa
UNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 8 de Septiembre de 23 25 puntos Dado el problema lineal máx x + x 2 x 3 sa x + x 2 + x 3 2 2x x 2 x 3 2 x, se pide
Más detallesTema 3 Optimización lineal. Algoritmo del simplex
Tema 3 Optimización lineal. Algoritmo del simplex José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Contenidos del tema 3 Teorema fundamental de la programación lineal. Algoritmo
Más detallesIntroducción a la programación dinámica estocástica
Introducción a la programación dinámica estocástica Hans Alayo 21 de diciembre de 2016 1. Introducción La programación dinámica brinda la teoría matemática necesaria para la toma secuencial de decisiones
Más detallesControl 2 IN mayo 2009
Profs: Auxs: Daniel Espinoza Gonzalo Romero Víctor Bucarey Nelson Devia Jocelyn González Daniel Lillo Fernando Solari Control 2 IN3701 28 mayo 2009 Pregunta 1 La empresa de pigmentos LILLO & Co. debe decidir
Más detallesTEST IO-I T1. CONCEPTOS PREVIOS. C1.1. Cualquier conjunto convexo tiene al menos un punto extremo?
TEST IO-I T1. CONCEPTOS PREVIOS C1.1. Cualquier conjunto convexo tiene al menos un punto extremo? a) Puede tener puntos extremos. b) Puede no tener puntos extremos. c) Puede tener vértices. C1.2. Es convexo
Más detalles: la cantidad de hectáreas a sembrar de maíz. x : la cantidad de hectáreas a sembrar de avena.
Martes de junio de 00 OPTIMIZACIÓN PAUTA PRUEBA SOLEMNE NRO. Profesores: Iván Derpich y Fernando Paredes Instrucciones:.- Debe responder en forma ordenada y justificar cada una de sus respuestas..- Cada
Más detallesMejoras computacionales en descomposición anidada estocástica de Benders. Andrés Ramos Santiago Cerisola
Mejoras computacionales en descomposición anidada estocástica de Benders Andrés Ramos Santiago Cerisola Modelo de coordinación hidrotérmica Determina la producción óptima de los generadores térmicos e
Más detallesAplicaciones de la Optimización Convexa al análisis de redes Bibliografía optimización convexa:
Aplicaciones de la Optimización Convea al análisis de redes Bibliograía optimización convea: Nonlinear Programming: nd Edition. by Dimitri P. Bertseas. ISBN: - 88659--. Publication: 999 Conve Optimization,
Más detalles84 Tema 3. Dualidad. todas las restricciones son del tipo, todas las variables son no negativas.
Tema 3 Dualidad En el desarrollo de la programación lineal la teoria de la dualidad es importante, tanto desde el punto de vista teórico como desde el punto de vista práctico. Para cada modelo lineal se
Más detallesAnálisis de Sensibilidad
IN3701 - Modelamiento y Optimización Departamento de Ingeniería Industrial Universidad de Chile 2011 Basado en Bertsimas, D., Tsitsiklis, J. (1997) Introduction to Linear Optimization Capítulo 5 Contenidos
Más detallesGuía Semana 3 1. RESUMEN. Universidad de Chile. Ingeniería Matemática
. RESUMEN Ingeniería Matemática FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS UNIVERSIDAD DE CHILE Cálculo en Varias Variables 08- Ingeniería Matemática Guía Semana 3 Diferenciabilidad y derivadas. Sean Ω
Más detallesUniversidad Nacional Autónoma de Nicaragua UNAN-Managua Curso de Investigación de Operaciones
Universidad Nacional Autónoma de Nicaragua UNAN-Managua Curso de Investigación de Operaciones Profesor: MSc. Julio Rito Vargas Avilés. Estudiantes: FAREM-Carazo Unidad III Metodologías para la Solución
Más detallesElementos de máquinas de vectores de soporte
Elementos de máquinas de vectores de soporte Clasificación binaria y funciones kernel Julio Waissman Vilanova Departamento de Matemáticas Universidad de Sonora Seminario de Control y Sistemas Estocásticos
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN LICENCIATURA EN MATEMÁTICAS APLICADAS Y COMPUTACIÓN
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN LICENCIATURA EN MATEMÁTICAS APLICADAS Y COMPUTACIÓN ACATLÁN PROGRAMA DE ASIGNATURA CLAVE: 1409 SEMESTRE: 4 (CUARTO) MODALIDAD
Más detallesEscuela de algoritmos de aproximación
Escuela de algoritmos de aproximación Módulo 2: Introducción a los algoritmos de aproximación Francisco Javier Zaragoza Martínez Universidad Autónoma Metropolitana Unidad Azcapotzalco ITAM, 14 de septiembre
Más detallesCurso Doctorado Modelos para la Optimización de la Navegación Aérea y el Aeropuerto, profesor Ángel Marín. Clase primera: Introducción a Optimización
Curso Doctorado Modelos para la Optimización de la Navegación Aérea y el Aeropuerto, profesor Ángel Marín Clase primera: Introducción a Optimización Temario básico: Programación lineal: Modelos y aplicaciones.
Más detallesIntroducción al Control Óptimo
Ingeniería en Control y Automatización Introducción al Control Óptimo Aplicación a sistemas de control moderno ERÍA DEL CNRL III de diciembre de 6 Autor: M. en C. Rubén Velázquez Cuevas Escuela Superior
Más detallesFundamentos de Programación Entera
Fundamentos de Programación Entera Carlos Testuri Germán Ferrari Departamento de Investigación Operativa. Instituto de Computación. Facultad de Ingeniería. Universidad de la República 2012-2016 Facultad
Más detallesOPTIMIZACION CLASICA. M.C. Héctor Martínez Rubin Celis 1
OPTIMIZACION CLASICA M.C. Héctor Martínez Rubin Celis Máimos y Mínimos Locales Funciones Decrecientes y Crecientes f '() f ( ) Gráfica de f ( ) + Crece Sube - Decrece Baja Cuando una gráfica cambia en
Más detallesIntroducción. Existen dos aproximaciones para resolver el problema de clasificación: Aproximación Generativa (vista en el Tema 3) Basada en:
Introducción Eisten dos aproimaciones para resolver el problema de clasificación: Aproimación Generativa (vista en el Tema 3) Basada en: Modelar p(,w)=p( w)p(w) p( w) es la distribución condicional de
Más detallesOPTIMIZACION MATEMATICA (4,5 Créditos)
DEPARTAMENTO ECONOMIA FINANCIERA Y CONTABILIDAD I LICENCIATURA EN ADMINISTRACION Y DIRECCION DE EMPRESAS Plan 2000 OPTIMIZACION MATEMATICA (4,5 Créditos) Código 628 Profesora: Eva Mª. del Pozo García Asignatura
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 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 detallesAnálisis aplicado. José Luis Morales. Departamento de Matemáticas. ITAM
Departamento de Matemáticas. ITAM. 2011. Consideraciones http://allman.rhon.itam.mx/ jmorales Temas del curso + bibliografía. Exámenes, proyectos. Aprender haciendo Trabajo individual Consideraciones http://allman.rhon.itam.mx/
Más detallesUNIDAD TEMÁTICA XIII
FUNCIONES DE UNA SOLA VARIABLE UNIDAD TEMÁTICA XIII XIII.1 INTRODUCCIÓN Las funciones de una variable son las más simples dentro del análisis funcional, y mediante ellas se puede describir muchos problemas
Más detallesFiabilidad. Fiabilidad. María Isabel Hartillo Hermoso Granada, 25 de Mayo FQM-5849
Fiabilidad María Isabel Hartillo Hermoso hartillo@us.es Granada, 25 de Mayo FQM-5849 Sistemas Partimos de un sistema en serie: r 1 r 2 r 3 r 4 Sistemas Partimos de un sistema en serie: r 1 r 2 r 3 r 4
Más detallesJuan Bello, Gabriela Casanova,Laura Flores,Elina Pacini,Silvana Santos
1 WINQSB (Sistema de consultas para negocios) 2 3 Módulos de WinQSB MÓDULO 1: Aceptación de análisis de prueba Desarrolla y analiza aceptación de planes de prueba para atributos y características de calidad
Más detallesPara poder elaborar el problema dual a partir del primal, este se debe presentar en su forma canónica de la siguiente forma:
TEORIA DE LA DUALIDAD. Cada problema de programación lineal tiene un segundo problema asociado con él. Uno se denomina primal y el otro dual. Los 2 poseen propiedades muy relacionadas, de tal manera que
Más detallesFACULTAD DE INGENIERÍA Y ARQUITECTURA ESCUELA PROFESIONAL DE INGENIERÍA DE MINAS
FACULTAD DE INGENIERÍA Y ARQUITECTURA ESCUELA PROFESIONAL DE INGENIERÍA DE MINAS SÍLABO INVESTIGACIÓN DE OPERACIONES I. DATOS GENERALES 1.0. Unidad académica : Ingeniería de Minas 1.1. Semestre académico
Más detallesProgramación entera 1
Programación entera 1 1. El modelo de programación entera. 2. Aplicaciones de la programación entera. 3. Solución gráfica de problemas enteros. 4. El algoritmo de ramificación y acotación. 5. El algoritmo
Más detallesTEMA 11: INTRODUCCIÓN A LA PROGRAMACIÓN MATEMÁTICA CON VARIABLES DISCRETAS
TEMA 11: INTRODUCCIÓN A LA PROGRAMACIÓN MATEMÁTICA CON VARIABLES DISCRETAS 1.- ECUACIONES LINEALES (MILP) 1.1.- Formulación 1.2.- Algoritmos para resolver MILPs 2.- VISIÓN GENERAL DE LOS ALGORITMOS DE
Más detallesINVESTIGACION DE OPERACIONES
Semana 1 INVESTIGACION DE OPERACIONES INTRODUCCIÓN A LA CONSTRUCCIÓN DE MODELOS. MODELOS DE PROGRAMACION LINEAL CON VARIABLES TIPO X i. 1.1 Introducción a la Investigación de Operaciones y tipos de modelos:
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 detallesUniversidad Carlos III de Madrid Licenciatura en Administración de Empresas Examen de Programación Matemática 19 de Septiembre de 2007 Soluciones
Universidad Carlos III de Madrid Licenciatura en Administración de Empresas Examen de Programación Matemática 9 de Septiembre de 7 Soluciones. ( puntos Tu empresa proporciona automóviles a algunos de sus
Más detallesUnidad III Teoría de la Dualidad.
Curso de investigación de operaciones http://www.luciasilva.8k.com/5.5.htm Unidad III Teoría de la Dualidad. III.1 FORMULACIÓN DEL PROBLEMA DUAL La Teoría de la Dualidad es una de las herramientas que
Más detallesMin 2x x 2 2 2x 1 x 2 6x 2 4x 1 s.a. x x 2 2 = 1 x 1, x 2 0
DEPARTAMENTO DE ESTADÍSTICA E INVESTIGACIÓN OPERATIVA Ampliación de la Investigación Operativa. Curso 2001/2002 Segundo de la Diplomatura de Estadística Examen de Septiembre. Fecha: 10-9-2002 1. Dado el
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 lineal. José María Ferrer Caja Universidad Pontificia Comillas ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA INDUSTRIAL
Optimización lineal José María Ferrer Caja Universidad Pontificia Comillas Introducción Herramienta más importante de la optimización y de la investigación operativa Multitud de aplicaciones en campos
Más detallesModelización Avanzada en Logística y Transporte
Modelización Avanzada en Logística y Transporte Unidad 2: Bases de programación matemática y teoría de grafos Luis M. Torres Escuela Politécnica del Litoral Guayaquil, Octubre 2006 Maestría en Control
Más detallesAnálisis Post Optimal y Algoritmo de Ramificación y Acotamiento
Universidad de Chile Facultad de Ciencias Físicas y Matemáticas Departamento de Ingeniería Industrial IN34A: Clase Auxiliar Análisis Post Optimal y Algoritmo de Ramificación y Acotamiento Marcel Goic F.
Más detallesIntroducción a la Programación Matemática. Yolanda Hinojosa
Introducción a la Programación Matemática Yolanda Hinojosa Contenido Planteamiento general de un problema de programación matemática. Convexidad. ANEXO: Derivadas Sucesivas. Fórmula de Taylor. Clasificación
Más detallesMétodo Simplex en Optimización de Problemas de Producción
Método Simplex en Optimización de Problemas de Producción Pedro Piñeyro - Luis Stábile - Fernando Islas - Carlos Testuri Héctor Cancela - Antonio Mauttone Depto. Investigación Operativa. Instituto de Computación.
Más detallesLicenciatura en Administración y Dirección de Empresas
Licenciatura en Administración y Dirección de Empresas Programación Matemática de junio de 200 Ejercicio 3 pt. Considera el siguiente problema de programación no lineal:. Se trata de un problema convexo?
Más detallesFacultad de Ciencias Exactas y Tecnología Universidad Autónoma Gabriel René Moreno CARRERA DE INGENIERIA INDUSTRIAL
DATOS GENERALES PROGRAMA ANALITICO DE LA ASIGNATURA INVESTIGACION OPERATIVA I (IND 150) ASIGNATURA:. Investigación Operativa I SIGLA Y CODIGO:... IND 150 CURSO:.. Quinto Semestre PREREQUISITOS: IND 110
Más detallesPROGRAMACIÓN MATEMÁTICA
PROGRAMACIÓN MATEMÁTICA TEMA 1. INTRODUCCIÓN A LA PROGRAMACIÓN MATEMÁTICA. CONJUNTOS CONVEXOS. CONVEXIDAD DE UNA FUNCIÓN. PLANTEAMIENTO FORMAL DEL PROBLEMA DE PROGRAMACION MATEMATICA. - Función Objetivo:
Más detallesOptimización con restricciones de desigualdad. Yolanda Hinojosa
Optimización con restricciones de desigualdad Yolanda Hinojosa Contenido Optimización no lineal con restricciones de desigualdad. Condiciones necesarias y suficientes de óptimo Análisis de sensibilidad.
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS (Universidad del Perú, DECANA DE AMÉRICA)
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS (Universidad del Perú, DECANA DE AMÉRICA) FACULTAD DE INGENIERIA DE SISTEMAS E INFORMATICA ESCUELA PROFESIONAL DE INGENIERÍA DE SISTEMAS 1. INFORMACIÓN GENERAL
Más detallestanques. En este caso se utilizan dos modelos para representar la etapa de mezclado: un distribuido y un agregado. En el modelo distribuido, la etapa
APLICACIÓN DE UN SISTEMA DE CONTROL OPTIMIZANTE PARA MEZCLADO DE PETRÓLEO CRUDO. N. Campos, A. Morales, A. Sánchez Depto. de Ingeniería Eléctrica y Computación Centro de Investigación y Estudios Avanzados
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 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 detallesEl Algoritmo E-M. José Antonio Camarena Ibarrola
El Algoritmo E-M José Antonio Camarena Ibarrola Introducción Método para encontrar una estimación de máima verosimilitud para un parámetro ѳ de una distribución Ejemplo simple 24 Si tiene las temperaturas
Más detallesSílabo de Optimización Económica
Sílabo de Optimización Económica I. Datos Generales Código Carácter UC0992 Obligatorio Créditos 4 Periodo Académico 2017 Prerrequisito Economía Matemática I Horas Teóricas: 2 Prácticas 4 II. Sumilla de
Más detalles1.Restricciones de Desigualdad 2.Procedimiento algebraico
Universidad Nacional de Colombia Sede Medellín 1. Restricciones de Desigualdad Clase # 6 EL MÉTODO M SIMPLEX El método m simplex es un procedimiento algebraico: las soluciones se obtienen al resolver un
Más detallesPROBLEMA 1. Considere el siguiente problema de programación lineal:
PROBLEMA 1 Considere el siguiente problema de programación lineal: Sean h1 y h2 las variables de holgura correspondientes a la primera y segunda restricción, respectivamente, de manera que al aplicar el
Más detallesJorge Hans Alayo Gamarra 15 de abril de Definición del problema: Determinación de precio de la reserva en un mercado eléctrico centralizado
Imlementación de un algoritmo de punto interior para problemas de programación lineal: aplicación a la determinación del precio de la reserva de electricidad Jorge Hans Alayo Gamarra 15 de abril de 2012
Más detallesRepaso del algoritmo SIMPLEX
Universidad de Chile Facultad de Ciencias Físicas y Matemáticas Departamento de Ingeniería Industrial IN70K: Clase Auxiliar Repaso del algoritmo SIMPLEX Marcel Goic F. 1 1 Esta es una versión bastante
Más detallesOptimización. Condiciones de Karush-Kuhn-Tucker ITESM. Condiciones de Karush-Kuhn-Tucker Profr. E. Uresti - p. 1/30. Dr. E Uresti
Optimización Condiciones de Karush-Kuhn-Tucker Dr. E Uresti ITESM Condiciones de Karush-Kuhn-Tucker Profr. E. Uresti - p. 1/30 Las condiciones necesarias que deben satisfacer los óptimos de problemas de
Más detallesIntroducción a la optimización con algoritmos. Ejercicios. 0 2 f(x + t(y x))(y x)dt. J(x + t(y x))(y x)dt siendo J la matriz Jacobiana de F.
Introducción a la optimización con algoritmos Ejercicios Preliminares 1. Demostrar que si f C 2 (IR n ), f : IR n IR entonces f(y) f(x) = 1 0 2 f(x + t(y x))(y x)dt. 2. Demostrar que si F C 1 (IR n ),
Más detallesOPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA. Tema 3 Programación Entera
OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA Tema 3 Programación Entera ORGANIZACIÓN DEL TEMA Sesiones: Introducción y formulación Variables binarias Métodos de solución OPTIMIZACIÓN DE MODELOS DISCRETOS
Más detallesPrograma de Introducción a la Investigación de Operaciones
Programa de Introducción a la Investigación de Operaciones 1. NOMBRE DE LA UNIDAD CURRICULAR Introducción a la Investigación de Operaciones. 2. CRÉDITOS 10 créditos 3. OBJETIVOS DE LA UNIDAD CURRICULAR
Más detallesCurso: Métodos de Monte Carlo Unidad 3, Sesión 7: Problemas de conteo
Curso: Métodos de Monte Carlo Unidad 3, Sesión 7: Problemas de conteo Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República, Montevideo, Uruguay
Más detalles