Optimización en Ingeniería
|
|
- Juana Villanueva González
- hace 5 años
- Vistas:
Transcripción
1 Optimización en Ingeniería Departamento de Computación CINVESTAV-IPN Av. IPN No Col. San Pedro Zacatenco México, D.F
2 Búsqueda Exhaustiva El primer método de acotamiento que estudiaremos es la búsqueda exhaustiva, que es el más simple de todos. En este método, el óptimo de una función es acotado calculando los valores de la función en un conjunto de puntos equidistantes entre sí.
3 Búsqueda Exhaustiva
4 Búsqueda Exhaustiva Usualmente, la búsqueda comienza desde el límite inferior de la variable y se calculan 3 valores consecutivos de la función a la vez, basándose en la premisa de unimodalidad de la función. Basándose en los resultados de la comparación, la búsqueda se concluye o se continúa reemplazando uno de los 3 puntos por uno nuevo. La búsqueda continúa hasta que se acota el mínimo.
5 Búsqueda Exhaustiva Algoritmo Paso 1: Paso 2: x 1 = a; x = (b a)/n (n es el número de puntos intermedios) x 2 = x 1 + x; x 3 = x 2 + x IF f(x 1 ) f(x 2 ) f(x 3 ) el mínimo se encuentra en (x 1, x 3 ). TERMINAR ELSE x 1 = x 2 ; x 2 = x 3 ; x 3 = x 2 + x GOTO Paso 3 Paso 3: Es x 3 b? Si lo es, ir al Paso 2 ELSE no existe un mínimo en (a, b) o un punto extremo (a ó b) es el mínimo.
6 Búsqueda Exhaustiva Nótese que el intervalo final obtenido por este algoritmo es 2(b a)/n. En promedio, se requieren (n/2 + 2) evaluaciones de la función para obtener la precisión deseada. Es decir, que se necesitan más evaluaciones para obtener una mejor precisión. Por ejemplo, si a = 0, b = 10 y la precisión requerida es de 0,001, entonces tenemos: 2(10 0)/n = 0,001 (1) de donde: n = 20, 000. Es decir, que se requieren al menos 20, 000 iteraciones para lograr una precisión de
7 Método de la Fase de Acotamiento Este es otro método de acotamiento que se conoce en inglés como bounding phase method. El algoritmo comienza con un valor cualquiera y se inicia la búsqueda basándose en dos o más evaluaciones de la función objetivo en la vecindad del punto inicial. Posteriormente se adopta una estrategia de búsqueda exponencial para alcanzar el óptimo.
8 Método de la Fase de Acotamiento Algoritmo Paso 1: Paso 2: Paso 3: Paso 4: Elegir un punto inicial x (0) y un incremento Hacer k = 0 IF f(x (0) ) f(x (0) ) f(x (0) + ), THEN es positivo ELSE IF f(x (0) ) f(x (0) ) f(x (0) + ), THEN es negativo ELSE GOTO Paso 1 x (k+1) = x (k) + 2 k IF f(x (k+1) ) < f(x (k) ) THEN k = k + 1 y GOTO Paso 3 ELSE el mínimo se encuentra en el intervalo (x (k 1), x (k+1) ) TERMINAR
9 Método de la Fase de Acotamiento Observaciones: La efectividad de este método depende del valor adoptado para el incremento de. Si es grande, se obtiene un intervalo inicial grande y la precisión del acotamiento del mínimo es, en consecuencia, pobre. Si se elige un pequeño, la precisión del acotamiento mejorará, pero se requerirán más evaluaciones de la función. Una vez que se ha acotado la ubicación del óptimo, pueden aplicarse esquemas más sofisticados de reducción de intervalos para aproximar el óptimo.
10 Métodos de Eliminación de Regiones Se llama así a los métodos de búsqueda que localizan el óptimo mediante la eliminación sucesiva de subintervalos que reducen el intervalo de búsqueda restante. Nótese que prácticamente todos los métodos de búsqueda unidimensionales presuponen unimodalidad de la función a resolverse, al menos en el dominio de interés de la misma.
11 Métodos de Eliminación de Regiones Este tipo de métodos se basan en la llamada propiedad de eliminación, definida por el siguiente teorema: Teorema: Supongamos que f es estrictamente unimodal (o sea, es unimodal y no tiene intervalos de longitud finita en los cuales la función sea de valor constante) en el intervalo a x b con un mínimo en x. Hagamos que x 1 y x 2 sean 2 puntos en el intervalo, de forma que a < x 1 < x 2 < b.
12 Métodos de Eliminación de Regiones Tenemos entonces que: 1. Si f(x 1 ) > f(x 2 ), entonces el mínimo de f(x) no se encuentra en el intervalo (a, x 1 ) En otras palabras, x (x 1, b). 2. Si f(x 1 ) < f(x 2 ), entonces el mínimo de f(x) no se encuentra en el intervalo (x 2, b) En otras palabras, x (a, x 2 ).
13 Métodos de Eliminación de Regiones Nótese que cuando f(x 1 ) = f(x 2 ) podemos eliminar los 2 extremos y x (x 1, x 2 ).
14 Métodos de Eliminación de Regiones Usando la propiedad de eliminación, puede organizarse la búsqueda de manera que se encuentre el óptimo eliminando recursivamente secciones del intervalo acotado originalmente. La búsqueda termina cuando el subintervalo restante es reducido a una longitud suficientemente pequeña. Nótese que la mayor ventaja de este tipo de métodos es que no requieren que la función sea diferenciable (sólo requieren evaluarla).
15 Método de División de Intervalos por la Mitad En este método de eliminación de regiones se consideran valores en tres puntos diferentes (espaciados de forma equidistante) y se borra exactamente una mitad del intervalo a cada iteración.
16 Método de División de Intervalos por la Mitad Estos 3 puntos se ilustran en la figura anterior. Dos de los valores de la función se comparan a la vez y una cierta región se elimina. Hay 2 escenarios posibles: Caso 1: If f(x 1 ) < f(x m ) el mínimo no puede encontrarse más allá de x m. Por lo tanto, reducimos el intervalo de (a, b) a (a, x m ). Dado que x m es el punto medio del espacio de búsqueda, esta eliminación reduce el espacio de búsqueda a la mitad.
17 Método de División de Intervalos por la Mitad Caso 2: If f(x 1 ) > f(x m ) el mínimo no puede encontrarse en el intervalo (a, x 1 ). Entonces comparamos los valores de la función en x m y x 2 para eliminar un 25 % del espacio de búsqueda (ya se había eliminado otro 25 % antes, porque x 1 estaba a 1/4 de distancia del límite inferior de la búsqueda).
18 Método de División de Intervalos por la Mitad Este proceso continúa hasta que se encuentra un intervalo suficientemente pequeño. Como a cada iteración se retiene exactamente la mitad del espacio de búsqueda, se denomina al algoritmo el método de división de intervalos por la mitad.
19 Método de División de Intervalos por la Mitad Algoritmo Paso 1: Elegir un límite inferior a y un límite superior b. Definir tolerancia ɛ x m = (a + b)/2 Lo = L = b a Calcular f(x m ) Paso 2: x 1 = a + L/4; x 2 = b L/4 Calcular f(x 1 ) y f(x 2 ) Paso 3: IF f(x 1 ) < f(x m ) b = x m ; x m = x 1 GOTO Paso 5 Paso 4: IF f(x 2 ) < f(x m ) a = x m ; x m = x 2 GOTO Paso 5 ELSE a = x 1 ; b = x 2 ; GOTO Paso 5 Paso 5: L = b a IF L < ɛ TERMINAR ELSE GOTO Paso 2
20 Método de División de Intervalos por la Mitad Observaciones: A cada etapa del algoritmo, se borra exactamente la mitad de la longitud del intervalo de búsqueda. El punto medio de los intervalos subsecuentes es siempre igual a uno de los puntos previos x 1, x 2 o x m. Por tanto, se requieren, cuando mucho, dos evaluaciones de la función a cada paso subsecuente.
21 Método de División de Intervalos por la Mitad Después de n evaluaciones de la función, el intervalo inicial de búsqueda será reducido a ( 1 2 )n/2 Lo. En consecuencia, el número de evaluaciones requeridas para obtener una precisión deseada ɛ puede calcularse resolviendo: (0,5) n/2 (b a) = ɛ
22 Método de Búsqueda de Fibonacci En este método de eliminación de regiones, el intervalo de búsqueda se reduce de acuerdo a la serie que se atribuye a Leonardo Pisano Fibonacci, un matemático del 1200 de nuestra era.
23 Método de Búsqueda de Fibonacci La propiedad de los números de Fibonacci es que, dados dos números consecutivos F n 2 y F n 1, el tercer número se calcula usando: F n = F n 1 + F n 2 donde n = 2, 3, 4,... Los primeros números de Fibonacci son: F 0 = 1, F 1 = 1, F 2 = 2, F 3 = 3, F 4 = 5, F 5 = 8, F 6 = 13 y así sucesivamente.
24 Método de Búsqueda de Fibonacci Los números de Fibonacci pueden usarse para crear un algoritmo de búsqueda que requiera sólo una evaluación de la función objetivo a cada iteración. El principio de la búsqueda de Fibonacci es que de dos puntos requeridos para el uso de la propiedad de eliminación de regiones, uno es siempre el punto previo y el otro punto es nuevo. Por ende, sólo se requiere una evaluación de la función a cada iteración.
25 Método de Búsqueda de Fibonacci En la iteración k, se eligen dos puntos intermedios, cada uno de los cuales está a una distancia L k de cada extremo del espacio de búsqueda (L = b a). Cuando la propiedad de eliminación de regiones elimina una porción del espacio de búsqueda, el espacio de búsqueda restante es L k.
26 Método de Búsqueda de Fibonacci Definiendo L k = (F n k+1/f n+1 )/L y L k = (F n k+2 /F n+1 )/L se puede mostrar que: L k L k = L k+1 lo que significa que uno de los dos puntos usados en la iteración k se mantiene como uno de los puntos de referencia en la iteración (k + 1). Ver la figura siguiente:
27 Método de Búsqueda de Fibonacci Puesto que los dos primeros números de Fibonacci son los mismos, el algoritmo usualmente empieza con k = 2.
28 Método de Búsqueda de Fibonacci Algoritmo Paso 1: Elegir un límite inferior a y un límite superior b. L = b a Elegir un número deseado de iteraciones N k = 2 Paso 2: L k = (F n k+1/f n+1 ) L x 1 = a + L k ; x 2 = b L k Paso 3: Calcular f(x 1 ) ó f(x 2 ) (el que no se haya evaluado antes) Usar la propiedad de eliminación de regiones. Establecer nuevos valores de a y b. Paso 4: Es k > N? Si no, k = k + 1, GOTO Paso 2 ELSE TERMINAR
29 Método de Búsqueda de Fibonacci Observaciones: La función a optimizarse debe ser unimodal en el intervalo inicial de búsqueda. Este método no puede localizar el óptimo exacto del problema. Sólo proporciona un intervalo, el cual posiblemente sea muy pequeño. Debe especificarse el número de iteraciones a efectuarse.
30 Método de Búsqueda de Fibonacci Con la búsqueda de Fibonacci, el intervalo se reduce a (2/F n+1 ) L después de n evaluaciones de la función objetivo. Por tanto, para una precisión deseada ɛ, se requiere un número de evaluaciones correspondientes a la ecuación 2 F n+1 (b a) = ɛ
31 Método de Búsqueda de Fibonacci Nótese que debe calcularse la serie de Fibonacci hasta N + 1 al usar este método. A cada iteración, se elimina una proporción del espacio de búsqueda de: (k = iteración actual) F n k /F n k+2 Para valores grandes de n, este valor es cercano a 38,2 %, lo cual es mejor que la reducción del método de división de intervalos por la mitad, que elimina el 25 %.
32 Método de la Sección Dorada Uno de los problemas de la búsqueda de Fibonacci es que deben calcularse y almacenarse los números de Fibonacci. Otro problema es que a cada iteración la proporción de la región eliminada no es la misma. Para aliviar estas dos desventajas y mantener el cálculo de una sola evaluación de la función objetivo por iteración, se usa el método de la sección dorada.
33 Método de la Sección Dorada En este algoritmo, el espacio de búsqueda (a, b) se mapea linealmente a un intervalo unitario (0, 1). Posteriormente, dos puntos en τ desde cualquier extremo del espacio de búsqueda se eligen en forma que a cada iteración la región eliminada sea de (1 τ) con respecto a la iteración previa. Esto se puede lograr igualando 1 τ con (τ τ). Esto produce el número dorado: τ =0.618.
34 Método de la Sección Dorada
35 Método de la Sección Dorada El valor de τ tiene su historia. Los arquitectos de la Grecia antigua creían que un edificio de dimensiones d y b, el cual cumpliera con la relación τ = d + b = d d b tendría las propiedades más placenteras a los sentidos (ver figura del siguiente acetato):
36 Método de la Sección Dorada También se encuentra este concepto en la geometría de Euclides.
Optimización en Ingeniería
Optimización en Ingeniería Departamento de Computación CINVESTAV-IPN Av. IPN No. 2508 Col. San Pedro Zacatenco México, D.F. 07300 email: ccoello@cs.cinvestav.mx Método de Búsqueda de Fibonacci Algoritmo
Más detallesOptimización en Ingeniería
Optimización en Ingeniería Departamento de Computación CINVESTAV-IPN Av. IPN No. 2508 Col. San Pedro Zacatenco México, D.F. 07300 email: ccoello@cs.cinvestav.mx El Concepto de Penalización Un método de
Más detallesOptimización en Ingeniería
Optimización en Ingeniería Departamento de Computación CINVESTAV-IPN Av. IPN No. 2508 Col. San Pedro Zacatenco México, D.F. 07300 email: ccoello@cs.cinvestav.mx El Método de Marquardt Algoritmo Paso 1:
Más detallesOCW-V.Muto El algoritmo de bisección Cap. VI CAPITULO VI. EL ALGORITMO DE BISECCION 1. INTRODUCCION Y METODO
CAPITULO VI. EL ALGORITMO DE BISECCION 1. INTRODUCCION Y METODO En este capítulo comenzaremos a analizar uno de los problemas más básicos del análisis numérico: el problema de búsqueda de raíces. El problema
Más detallesOptimización en Ingeniería
Optimización en Ingeniería Departamento de Computación CINVESTAV-IPN Av. IPN No. 2508 Col. San Pedro Zacatenco México, D.F. 07300 email: ccoello@cs.cinvestav.mx Métodos para Optimizar Funciones de Varias
Más detallesObservación: El método de Euler, es el método de Taylor de orden 1.
METODO DE TAYLOR TEOREMA DE TAYLOR DE ORDEN N Sea y(t) una función tal que sea n veces continuamente diferenciable en el intervalo [a,b] y existe y (N+1) existe en [a, b] Para todo t k + [a, b] abrá un
Más detallesOptimización en Ingeniería
Optimización en Ingeniería Departamento de Computación CINVESTAV-IPN Av. IPN No. 2508 Col. San Pedro Zacatenco México, D.F. 07300 email: ccoello@cs.cinvestav.mx El método de Nelder-Mead que vimos antes
Más detallesResolución de ecuaciones no lineales y Método de Bisección
Resolución de ecuaciones no lineales y Método de Bisección Recordemos algunas ecuaciones 1) Resolver [ ] [ ] Sol: 2) Resolver la siguiente ecuación literal para la variable ; Sol: 3) Resolver Solución:
Más detallesOCW-V.Muto Análisis de los errores Cap. II CAPITULO II. ANALISIS DE LOS ERRORES 1. ESQUEMA DE RESOLUCION NUMERICA DE UN PROBLEMA
CAPITULO II. ANALISIS DE LOS ERRORES 1. ESQUEMA DE RESOLUCION NUMERICA DE UN PROBLEMA Si se desea resolver un problema físico B, lo primero que se suele hacer es traducirlo al lenguaje matemático para
Más detallesIntroducción a la Computación Evolutiva
Introducción a la Computación Evolutiva Departamento de Computación CINVESTAV-IPN Av. IPN No. 2508 Col. San Pedro Zacatenco México, D.F. 07300 email: ccoello@cs.cinvestav.mx http: //delta.cs.cinvestav.mx/~ccoello
Más detallesOptimización. Búsqueda en una Dimensión ITESM. Búsqueda en una Dimensión Profr. E. Uresti - p. 1/19. Dr. E Uresti
Optimización Búsqueda en una Dimensión Dr. E Uresti ITESM Búsqueda en una Dimensión Profr. E. Uresti - p. 1/19 Algunos de los métodos numéricos de búsqueda de óptimos de una función en varias variables
Más detallesAnálisis Numérico: Soluciones de ecuaciones en una variable
Análisis Numérico: Soluciones de ecuaciones en una variable MA2008 Contexto Uno de los problemas básicos en el área de Ingeniería es el de la búsqueda de raíces: Dada una función o expresión matemática
Más detallesUniversidad De San Buenaventura CALI Guía de Métodos Numéricos Ingeniería Multimedia
MÉTODO DE BISECCIÓN El método de bisección, es un algoritmo de búsqueda de raíces, que trabaja dividiendo el intervalo a la mitad y seleccionando el subintervalo que posee la raíz. Si la función es continua
Más detallesSimulated Annealing & Tabu Search
Simulated Annealing & Tabu Search Arturo Díaz Pérez Sección de Computación Departamento de Ingeniería Eléctrica CINVESTAV-IPN Av. Instituto Politécnico Nacional No. 2508 Col. San Pedro Zacatenco México,
Más detallesCÁLCULO DE RAÍCES DE ECUACIONES NO LINEALES. Por Frednides Guillén
CÁLCULO DE RAÍCES DE ECUACIONES NO LINEALES Por Frednides Guillén MÉTODO DE BISECCIÓN Este método consiste en hallar los ceros de una función continua f(). Primero se debe considerar un intervalo [ i,
Más detallesDada f : [a, b] R R, continua, se plantea el problema de encontrar ceros de f, es decir raíces de la ecuación
Tema 8 Ceros de funciones Versión: 23 de abril de 2009 8.1 Introducción Dada f : [a, b] R R, continua, se plantea el problema de encontrar ceros de f, es decir raíces de la ecuación f(x) = 0. (8.1) La
Más detallesAproximación funcional. Introducción
Aproximación funcional. Introducción Laboratori de Càlcul Numèric (LaCàN) Departament de Matemàtica Aplicada III Universitat Politècnica de Catalunya (Barcelona) http://www-lacan.upc.es Objetivos Entender
Más detallesResolución de Ecuaciones no lineales. Juan Manuel Rodríguez Prieto
Resolución de Ecuaciones no lineales Juan Manuel Rodríguez Prieto Resolución de Ecuaciones no lineales Objetivos Aprender a resolver ecuaciones de la forma: f () = 0 Donde f es una función no-lineal de
Más detallesMETODOS DE SOLUCION DE SISTEMAS DE ECUACIONES
Jacobi El método de Jacobi es un proceso simple de iteraciones de punto fijo en la solución de raíces de una ecuación. La iteración de punto fijo tiene dos problemas fundamentales : Algunas veces no converge
Más detallesOCW-V.Muto Métodos de interpolación Cap. XI CAPITULO XI. METODOS DE INTERPOLACION 1. EL METODO DE INTERPOLACION DE LA POSICION FALSA
CAPITULO XI. METODOS DE INTERPOLACION 1. EL METODO DE INTERPOLACION DE LA POSICION FALSA Los métodos de interpolación que vamos a discutir en el resto de este capítulo son muy útiles para determinar los
Más detallesResolución de Ecuaciones no lineales. Juan Manuel Rodríguez Prieto
Resolución de Ecuaciones no lineales Juan Manuel Rodríguez Prieto Resolución de Ecuaciones no lineales Objetivos Aprender a resolver ecuaciones de la forma: f () = 0 Donde f es una función no-lineal de
Más detallesMetodos Numéricos Tema: Solución de ecuaciones no lineales
Metodos Numéricos Tema: Solución de ecuaciones no lineales Irene Tischer Escuela de Ingeniería y Computación Universidad del Valle, Cali Typeset by FoilTEX 1 Métodos numéricos Tema: Sistemas Lineales Contenido
Más detallesEcuaciones Diferenciales Ordinarias y Simulación con Matlab
Ecuaciones Diferenciales Ordinarias y Simulación con Matlab L. Héctor Juárez Valencia y M a Luisa Sandoval Solís Departamento de Matemáticas, Universidad Autónoma Metropolitana-Iztapalapa, D. F., México
Más detallesResolución numérica de ecuaciones no lineales
Resolución numérica de ecuaciones no lineales Son muchas las situaciones en las que se presenta el problema de obtener las soluciones de ecuaciones de la forma f(x) = 0. En algunos casos existe una fórmula
Más detallesMETODO DE LA BISECCIÓN Si f : a, b es continua con f a f b 0,el procedimiento de la
METODO DE LA BISECCIÓN Si f : a, b es continua con f a f b,el procedimiento de la bisección genera una sucesión (s n ) n convergente siendo s n a n b n ytal 2 que si lim s n s se cumple que f s y n s n
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 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 detalles= a y t N. = b. En estos puntos es donde se va a obtener la aproximación de la solución.
Métodos de Runge Kutta Los métodos de Taylor tienen la propiedad de un error local de truncamiento de orden superior, pero la desventaja de requerir el cálculo y la evaluación de las derivadas de f(t,
Más detallesMétodo de Newton. Cálculo numérico. Notas de clase. 25 de abril, 2011
Método de Newton Cálculo numérico. Notas de clase. 25 de abril, 2011 La resolución de sistemas de ecuaciones algebraicas no lineales de la forma F(x) = 0, F : R n R n, (1) en donde F es una función continua
Más detallesEl Algoritmo de Euclides
El Algoritmo de Euclides Pablo L. De Nápoli Departamento de Matemática Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires 25 de abril de 2014 Pablo L. De Nápoli (Departamento de Matemática
Más detallesSecuencias Calculadas
Secuencias Calculadas Estructuras de Iteración y Recursividad Prof. Hilda Contreras Programación 1 hildac.programacion1@gmail.com Secuencias Calculadas Se aplican a los problemas donde los elementos de
Más detallesLa recursividad forma parte del repertorio para resolver problemas en Computación y es de los métodos más poderosos y usados.
RECURSIVIDAD La recursividad forma parte del repertorio para resolver problemas en Computación y es de los métodos más poderosos y usados. Los algoritmos recursivos ofrecen soluciones estructuradas, modulares
Más detallesOCW-V.Muto El método de la Secante Cap. VIII CAPITULO VIII. EL METODO DE LA SECANTE 1. INTRODUCCION Y METODO
CAPITULO VIII. EL METODO DE LA SECANTE 1. INTRODUCCION Y METODO Utilizando los supuestos de los capítulos anteriores, daremos en este capítulo un procedimiento más rápido para hallar una raíz p de la ecuación
Más detallesCAPÍTULO 4 METODOLOGÍA PROPUESTA
CAPÍTULO 4 METODOLOGÍA PROPUESTA En este capítulo, se describen los métodos utilizados en el procedimiento propuesto para obtener soluciones del PLIDMC. En la actualidad, muchos de los problemas de optimización
Más detallesOptimización de Procesos
Optimización de Procesos Tier II: Casos de Estudio Sección 1: Software de Optimización Lingo Software de Optimización Muchos de los métodos de optimización previamente vistos pueden ser tediosos y requieren
Más detallesMétodo lagrangiano. En el método de Jacobi, sea que el vector Λ represente los coeficientes de sensibilidad; esto es.
Método lagrangiano. En el método de Jacobi, sea que el vector Λ represente los coeficientes de sensibilidad; esto es Entonces, Λ = Y0 J 1 = f g f Λ g = 0 Esta ecuación satisface las condiciones necesarias
Más detallesOCW-V.Muto El método de Newton-Raphson Cap. IX CAPITULO IX. EL METODO DE NEWTON-RAPHSON 1. INTRODUCCION Y METODO
CAPITULO IX. EL METODO DE NEWTON-RAPHSON 1. INTRODUCCION Y METODO El método de Newton-Raphson (o simplemente Newton) es uno de los métodos numéricos más conocidos y poderosos para la resolución del problema
Más detallesINTRODUCCIÓN A LA IO ELISA SCHAEFFER. Programa de Posgrado en Ingeniería de Sistemas (PISIS) INVESTIGACIÓN DE OPERACIONES
INTRODUCCIÓN A LA IO ELISA SCHAEFFER Programa de Posgrado en Ingeniería de Sistemas (PISIS) elisa@yalma.fime.uanl.mx INVESTIGACIÓN DE OPERACIONES QUÉ ES IO? Investigación de operaciónes (OR) es un ramo
Más detallesSistemas de Ecuaciones. Lineales I
Sistemas de Ecuaciones Lineales I Preliminares: Expresión matricial. Dificultades numéricas. 521230-1 - DIM Universidad de Concepción Expresión matricial Todo sistema de ecuaciones lineales puede escribirse
Más detallesLímites y Continuidad.
Límites y Continuidad. Unidad III Prof.Hendrik Sulbaran. http://red-matematica.blogspot.com hendrickjose17@hotmail.com Febrero Límites. En el cálculo matemático y sus aplicaciones se analiza la forma en
Más detallesPráctica 8 Resolución de ecuaciones y sistemas de ecuaciones con Mathematica
Práctica 8 Resolución de ecuaciones y sistemas de ecuaciones con Mathematica Resolver una ecuación o un sistema de ecuaciones es un problema que se presenta con mucha frecuencia en matemáticas. En esta
Más detallesElementos de Cálculo Numérico
Universidad de Buenos Aires - Facultad de Ciencias Exactas y Naturales - Depto. de Matemática Elementos de Cálculo Numérico Primer cuatrimestre 2006 Práctica N 2: Condicionamiento de una matriz. Descomposición
Más detallesSISTEMAS LINEALES DE ECUACIONES DIFERENCIALES
SISTEMAS LINEALES DE ECUACIONES DIFERENCIALES En esta sección se estudiaran los sistemas de ecuaciones diferenciales lineales de primer orden, así como los de orden superior, con dos o más funciones desconocidas,
Más detallesRepresentación de Funciones Reales
Representación de Funciones Reales Curso 0 Universidad Rey Juan Carlos «Conceptos Básicos» Curso Académico 16/17 1. Notación Se utilizan dos notaciones: y = f(x): variable independiente = x y variable
Más detallesLenguaje de Programación: C++
UG Métodos Numéricos Universidad de Guanajuato Sesión 53 En análisis numérico un algoritmo de búsqueda de raíces es un método numérico o algoritmo para encontrar las soluciones aproximadas de una ecuación
Más detallesApuntes de Computación Científica I 1. Optimización
Apuntes de Computación Científica I Optimización 1. Optimización Maximización (de beneficios, flujo,...) o minimización (de costes, recursos, error,...) de una función f(x) Maximizar f(x) es minimizar
Más detallesOCW-V.Muto Eliminación Gaussiana y sustitución hacia atrás Cap. XIV CAPITULO XIV. ELIMINACION GAUSSIANA Y SUSTITUCION HACIA ATRAS
CAPITULO XIV ELIMINACION GAUSSIANA Y SUSTITUCION HACIA ATRAS 1 INTRODUCCION Y METODO El procedimiento general de eliminación Gaussiana aplicado al sistema E 1 : a 11 x 1 + a 1 x + + a 1n x n = b 1 E :
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 detallesCálculo en varias variables
Cálculo en varias variables Dpto. Matemática Aplicada Universidad de Málaga Resumen Límites y continuidad Funciones de varias variables Límites y continuidad en varias variables 1 Límites y continuidad
Más detallesUNIVERSIDAD NACIONAL AUNTONOMA DE MEXICO FACULTAD DE CIENCIAS POSGRADO EN CIENCIAS MATEMATICAS
UIVERSIDAD ACIOAL AUTOOMA DE MEXICO FACULTAD DE CIECIAS POSGRADO E CIECIAS MATEMATICAS AALISIS UMERICO PROF. DR. PABLO BARRERA ALUMO GOZALO PEREZ DE LA CRUZ 1 Tabla de contenido ITEGRACIO UMERICA: REGLAS
Más detallesTema 01: Fundamentos del Análisis Asintótico de Algoritmos
Tema 01: Fundamentos del Análisis Asintótico de Algoritmos Noviembre, 2003 CS0218: Algoritmos y Programación II Introducción En Ciencias de la Computación se presenta con frecuencia la situación de analizar
Más detallesMATEMÁTICAS APLICADAS A LAS C.C. SOCIALES
MATEMÁTICAS APLICADAS A LAS C.C. SOCIALES CAPÍTULO 4 Curso preparatorio de la prueba de acceso a la universidad para mayores de 25 años curso 2010/11 Nuria Torrado Robles Departamento de Estadística Universidad
Más detallesOptimización Clásica. Yolanda Hinojosa
Optimización Clásica Yolanda Hinojosa Contenido Optimización no lineal sin restricciones. Condiciones necesarias y suficientes de óptimo Optimización no lineal con restricciones de igualdad. Condiciones
Más detallesFundamentos matemáticos. Tema 1 Números reales. Polinomios
Grado en Ingeniería agrícola y del medio rural Tema 1 Números reales. Polinomios José Barrios García Departamento de Análisis Matemático Universidad de La Laguna jbarrios@ull.es 2017 Licencia Creative
Más detallesINGENIERIA EN PROCESOS INDUSTRIALES
UNIVERSIDAD AUTONOMA DE SINALOA INGENIERIA EN PROCESOS INDUSTRIALES Metodos numericos Examen B El método de Bairstow Profesor Juan Manuel Mejia Camacho Alumno Jesús Manuel Rodríguez Valdez Grupo 2-1 Método
Más detallesOCW-V.Muto Iteración del punto fijo Cap. VII CAPITULO VII. ITERACION DEL PUNTO FIJO 1. INTRODUCCION Y METODO
CAPITULO VII. ITERACION DEL PUNTO FIJO 1. INTRODUCCION Y METODO En este capítulo consideraremos un método para determinar la solución de una ecuación que se expresa, para alguna función g, de la forma
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 detallesOptimización Clásica. Yolanda Hinojosa
Optimización Clásica Yolanda Hinojosa Contenido Optimización no lineal sin restricciones. Condiciones necesarias y suficientes de óptimo Optimización no lineal con restricciones de igualdad. Condiciones
Más detallesEl Teorema de la función implicita versión para funciones f : R R
Funciones de R n en R 1 El Teorema de la función implicita versión para funciones f : R R Teorema 1. Considere la función y = f(x). Sea (x 0, y 0 ) R 2 un punto tal que F (x 0, y 0 ) = 0. Suponga que la
Más detallesÚltimas notas de SVD
Últimas notas de SVD MAT-251 Dr. CIMAT A.C. e-mail: alram@cimat.mx web: http://www.cimat.mx/~alram/met_num/ Dr. Salvador Botello CIMAT A.C. e-mail: botello@cimat.mx Relación entre los valores singulares
Más detallesApuntes de Teórico PROGRAMACIÓN 3
Apuntes de Teórico PROGRAACIÓN Programación Dinámica Versión. Índice Índice... Introducción... Principio de optimalidad...5 Ejemplo: Camino de menor costo...6 Ejemplo: problema de la mochila...6 Aplicación
Más detalles3 RAÍCES REALES DE ECUACIONES NO-LINEALES. 3.1 Método de la bisección
3 RAÍCES REALES DE ECUACIONES NO-LINEALES Sea f: R R. Dada la ecuación f(x) = 0, se debe encontrar un valor real r tal que f(r) = 0. Entonces r es una raíz real de la ecuación Si no es posible obtener
Más detallesMETODOS NUMERICOS CATEDRA 0 5. Ingeniería Civil ING.CRISTIANCASTROP. Facultad de Ingeniería de Minas, Geología y Civil
ING.CRISTIANCASTROP. CATEDRA 0 5 Facultad de Ingeniería de Minas, Geología y Civil Departamento académico de ingeniería de minas y civil METODOS NUMERICOS Ingeniería Civil ING.CRISTIANCASTROP. Capitulo
Más detallesEsquema de Dividir y Vencer
Esquema de Dividir y Vencer Amalia Duch Barcelona, marzo de 2006 Índice 1. Esquema general 1 2. Búsqueda binaria (binary search) 2 3. Ordenación por fusión (merge sort) 2 4. Ordenación rápida (quick sort)
Más detallesBúsqueda Binaria. Universidad de Buenos Aires. Universidad Nacional del Comahue. Training Camp 2017
Búsqueda Binaria Leopoldo Taravilse 1 Juan Cruz Piñero 2 1 Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires 2 Facultad de Informática Universidad Nacional del Comahue Training Camp
Más detallesDiseño y Análisis de Algoritmos
1. Recursividad 2. "Dividir para Reinar" 3. Recursividad y Tabulación (Programación Dinámica) 4. Métodos Matemáticos Funciones discretas Notación O Ecuaciones de recurrencia 5. Casos de Estudio Breve descripción
Más detallesPráctica 2 Métodos de búsqueda para funciones de una variable
Práctica 2 Métodos de búsqueda para funciones de una variable Introducción Definición 1. Una función real f se dice que es fuertemente cuasiconvexa en el intervalo (a, b) si para cada par de puntos x 1,
Más detallesPráctica 3 Métodos de búsqueda para funciones de varias variables
Práctica 3 Métodos de búsqueda para funciones de varias variables Método de Hooke & Jeeves Este método data de 1961 y consiste en tres tipos de procedimientos: exploración, cambio de punto base y movimiento
Más detallesSoluciones de ecuaciones de una variable
Análisis Numérico Soluciones de ecuaciones de una variable CNM-425 Departamento de Matemáticas Facultad de Ciencias Exactas y Naturales Universidad de Antioquia Copyleft 2010. Reproducción permitida bajo
Más detallesTema 1: Repaso de conocimientos previos. Funciones elementales y sus gráficas. Límites. Continuidad.
Tema 1: Repaso de conocimientos previos.... 1 1 Departamento de Matemáticas. Universidad de Alcalá de Henares. Outline Relaciones trigonométricas 1 Relaciones trigonométricas 2 3 4 5 6 Outline Relaciones
Más detallesDr. Carlos Artemio Coello Coello Tarea No de mayo de 2012
Introducción a la Computación Evolutiva Dr. Carlos Artemio Coello Coello Tarea No. 1 16 de mayo de 2012 1. Métodos de optimización 1. Busque en un libro de métodos numéricos información sobre alguna de
Más detallesLos errores asociados a todo cálculo numérico tienen su origen en dos grandes factores:
Errores El concepto de error es consustancial con el cálculo numérico. En todos los problemas es fundamental hacer un seguimiento de los errores cometidos a fin de poder estimar el grado de aproximación
Más detallesAPROXIMACIÓN NUMÉRICA Y ERRORES
Análisis numérico APROXIMACIÓN NUMÉRICA Y ERRORES Antecedentes En 1947 se crea en la universidad de California el INSITITUTO DE ANÁLISIS NUMÉRICO. El análisis numérico es la rama de las matemáticas, cuyos
Más detallesIntegración numérica
Integración numérica Javier Segura Cálculo Numérico I. Tema 4. Javier Segura (Universidad de Cantabria) Integración numérica CNI 1 / 21 Introducción y definiciones Estructura de la presentación: 1 Introducción
Más detallesTema 15: Preprocesamiento. Algoritmos Numéricos. Evaluación de Polinomios Multiplicación de Matrices Resolución de Ecuaciones Lineales
Tema 15: Preprocesamiento. Algoritmos Numéricos Evaluación de Polinomios Multiplicación de Matrices Resolución de Ecuaciones Lineales Eficiencia de Algoritmos Numericos Los programas numericos suelen hacer
Más detallesOptimización en Ingeniería
Optimización en Ingeniería Departamento de Computación CINVESTAV-IPN Av. IPN No. 2508 Col. San Pedro Zacatenco México, D.F. 07300 email: ccoello@cs.cinvestav.mx Introducción Llamamos optimización al acto
Más detallesUNIVERSIDAD DE SAN CARLOS DE GUATEMALA FACULTAD DE INGENIERÍA DEPARTAMENTO DE MATEMÁTICA. CLAVE V _sR
UNIVERSIDAD DE SAN CARLOS DE GUATEMALA FACULTAD DE INGENIERÍA DEPARTAMENTO DE MATEMÁTICA CLAVE-116-1-V-2-00-2017_sR CURSO: SEMESTRE: Segundo CÓDIGO DEL CURSO: 116 TIPO DE EXAMEN: Primer Examen Parcial
Más detallesTeorema de Existencia y Unicidad Ecuaciones Diferenciales Ordinarias.
Teorema de Existencia y Unicidad Ecuaciones Diferenciales Ordinarias. Dr. Rafael Morones E. Dept. de Matemáticas ITAM August 5, 2002 1 Contenido 1 Preliminares. 3 1.1 Sucesiones...............................
Más detallesResolución de Ecuaciones No Lineales
Facultad de Ingeniería Industrial Universidad Nacional Mayor de San Marcos Métodos Computacionales Contenido 1 Introducción Introducción 2 Localización de Raíces Localización de Raíces 3 Métodos Iterativos
Más detalles1 Método de la bisección. 1.1 Teorema de Bolzano Teorema 1.1 (Bolzano) Contenido
E.T.S. Minas: Métodos Matemáticos Resumen y ejemplos Tema 3: Solución aproximada de ecuaciones Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de Cataluña
Más detallesUNIVERSIDAD DE EXTREMADURA Departamento de Matemáticas. Matemáticas. Manuel Fernández García-Hierro Badajoz, Febrero 2008
UNIVERSIDAD DE EXTREMADURA Departamento de Matemáticas Matemáticas Manuel Fernández García-Hierro Badajoz, Febrero 2008 Capítulo X Integración numérica Introducción La integral definida I(f) = b a f(x)
Más detallesRecursividad Definición
Recursividad Definición Un procedimiento o función se dice recursivo si durante su ejecución se invoca directa o indirectamente a sí mismo. Esta invocación depende al menos de una condición que actúa como
Más detallesUn Método de Búsqueda Lineal Inexacta
Un Método de Búsqueda Lineal Inexacta Iván de Jesús May Cen imaycen@hotmail.com Facultad de Matemáticas, Universidad Autónoma de Yucatán Junio de 2008 Resumen Se presenta un método de búsqueda lineal inexacta
Más detallesAnálisis de Funciones
Análisis de Funciones Introducción El análisis de funciones se refiere a conocer el comportamiento particular de una función a partir del cálculo de ciertos valores representativos en los que la función
Más detallesLíneas de Trasmisión
APLICACIONES FDM Problemas de líneas de trasmisión Guías de Onda Circuitos de microondas Penetración EM y problemas de dispersión Problemas de pulso EM (EMP) Exploración EM de minerales Deposición de Energía
Más detallesPrerrequisitos de la asignatura Álgebra Lineal Numérica
Prerrequisitos de la asignatura Álgebra Lineal Numérica El propósito de Álgebra Lineal Numérica es analizar algoritmos típicos de álgebra lineal, optimizando la rapidez y la precisión. Para analizar la
Más detallesCURSO DE METODOS NUMERICOS Año Académico Curso Tercero de Matemáticas EXAMEN FINAL FEBRERO
Año Académico 2000-2001 Curso Tercero de Matemáticas EXAMEN FINAL FEBRERO 1. Dá el enunciado y demuestra el teorema de convergencia del método del punto fijo. (2 puntos) 2. Resuelve el siguiente sistema
Más detallesSoluciones Numéricas de Modelos Matemáticos
Cuarta Sesión 9 de febrero de 2011 Contenido Aproximación Numérica 1 Aproximación Numérica 2 3 4 Algunos Métodos Sencillos para EDPs Aproximación numérica a una función por Series de Taylor Serie de Taylor:
Más detallesUNIDAD II. INTEGRAL DEFINIDA Y LOS MÉTODOS DE INTEGRACIÓN. Tema: LA INTEGRAL DEFINIDA
UNIDAD II. INTEGRAL DEFINIDA Y LOS MÉTODOS DE INTEGRACIÓN Tema: LA INTEGRAL DEFINIDA La integral definida Anteriormente se mencionó que la Integral Indefinida da como resultado una familia de funciones
Más detallesEl objetivo de esta sección es aproximar la integral definida de una función ƒ(x) en un intervalo [a, b] es
INTEGRACIÓN NUMÉRICA El objetivo de esta sección es aproximar la integral definida de una función ƒ(x) en un intervalo [a, b] es decir Los métodos de integración numérica se usan cuando ƒ(x) es difícil
Más detallesSolución numérica de ecuaciones en derivadas parciales Ecuaciones diferenciales parciales parabólicas
Solución numérica de ecuaciones en derivadas parciales Ecuaciones diferenciales parciales parabólicas Ing. Jesús Javier Cortés Rosas M. en A. Miguel Eduardo González Cárdenas M. en A. Víctor D. Pinilla
Más detalles1. Método de bisección
Cálculo Infinitesimal y Numérico. E.T.S. de Ingeniería Informática. Universidad de Sevilla 1 Tema 1: resolución de ecuaciones. Ejercicios y Problemas Nota: Abreviación usual en estos ejercicios: C.D.E.
Más detallesMatemáticas. para administración y economía Ernest F. Haeussler, Jr.* Richard S. Paul
Matemáticas para administración y economía Ernest F. Haeussler, Jr.* Richard S. Paul 1 Unidad V. (Capítulos 12 y 13 del texto) APLICACIONES DE LA DERIVADA 5.1 Función creciente y decreciente. 5.2 Extremos
Más detallesAnálisis y Diseño de Algoritmos. Teoría de Gráficas
Teoría de Gráficas Arturo Díaz Pérez Sección de Computación Departamento de Ingeniería Eléctrica CINVESTAV-IPN Av. Instituto Politécnico Nacional No. 2508 Col. San Pedro Zacatenco México, D. F. CP 07300
Más detallesSolución de Ecuaciones No Lineales.
Solución de Ecuaciones No Lineales. José María Rico Martínez Facultad de Ingeniería Mecánica, Eléctrica y Electrónica Departamento de Ingeniería Mecánica Salamanca, Gto. 36730, México 1 Introducción. En
Más detallesFacultad de Ciencias UNAM. Diferenciación Numérica. Alumno: Siddhartha Estrella Gutiérrez. Materia: Análisis Numérico
Facultad de Ciencias UNAM Tema: Diferenciación Numérica Alumno: Siddhartha Estrella Gutiérrez. Materia: Análisis Numérico Profesor: Pablo Barrera 2 INDICE Preliminares 3 Diferenciación numérica 5 Ejemplos
Más detallesEn el siguiente capítulo se hablará del uso del método de generación de columnas para resolver el problema de corte ( cutting stock ).
Capitulo 3 Método de Generación de Columnas El método de generación de columnas, es muy útil en problemas con un gran número de variables pero con un relativamente pequeño número de restricciones (Hunsaker,
Más detallesCALCULO NUMERICO REGLA DEL TRAPECIO. Considérese la función f(x), cuya gráfica entre los extremos X = a y X = b se muestra en la fig. 1.
REGLA DEL TRAPECIO La regla del trapecio o regla trapezoidal es una de las fórmulas cerradas de Newton-Cotes. Considérese la función f(x), cuya gráfica entre los extremos X = a y X = b se muestra en la
Más detalles(a) (0.5 puntos) Compruebe que esta ecuación tiene exactamente una solución en el intervalo
UNIVERSIDAD DIEGO PORTALES. FACULTAD DE INGENIERÍA. INSTITUTO DE CIENCIAS BÁSICAS. Cálculo Numérico, Control 1. Semestre Otoño 007 Problema 1. Se desea encontrar una raíz de la función f(x) = cos (x) x.
Más detalles