Tema 9: Aproximación lineal de problemas no lineales
|
|
- José Francisco Calderón Castro
- hace 7 años
- Vistas:
Transcripción
1 Tema 9: Aproimación lineal de problemas no lineales Nota importante: El tema 9 forma parte del programa oficial y su contenido puede ser de mucha utilidad para modelar comportamientos no lineales que aparecen con frecuencia en el mundo industrial. Por ello es muy recomendable que los alumnos estudien su contenido y se inicien en el uso de técnicas de programación entera y restricciones especiales para aproimar comportamientos no lineales. Sin embargo en este tema no habrá que entregar ningún ejercicio. Objetivos del tema: Introducir el concepto de conveidad aplicados a la función objetivo y a las restricciones de un problema de optimización. Introducir el concepto de programación separable. Definir e implementar las restricciones sobre conjuntos ordenados de variables SOS1 y SOS. Aproimar una función no lineal de una variable por una lineal a tramos utilizando SOS y/o variables binarias. Aproimar una función no lineal de dos variables utilizando SOS. 1
2 Programación matemática no lineal Los problemas de programación lineal son muy comunes y cubren un amplio rango de aplicaciones. Sin embargo, en la vida real aparecen frecuentemente problemas que no tienen comportamientos lineales. Cuando alguna de las restricciones, la función objetivo, o ambos, son no lineales, se dice que se trata de un problema de programación no lineal. Los modelos de programación no lineal son más complejos de resolver que sus análogos lineales. Sin embargo muchos de ellos es posible resolverlos mediante aproimaciones lineales. Región convea Se dice que una región del espacio es convea si el segmento que une dos puntos cualesquiera de la región está íntegramente t en la región. región convea región no convea Función convea Se dice que una función es convea si el conjunto de los puntos (, y) donde y f() forma un región convea. f() f() función convea función no convea Modelo de programación matemática conveo Se dice que un modelo de Programación Matemática es conveo si implica la minimización de una función convea sobre una región convea. 3 Minimizar Minimizar sujetoa : 1 4 sujetoa : modelo de programación 14 modelo de programación matemática conveo 14 matemática no conveo 1, 0 1, En el segundo ejemplo la región de factibilidad es convea, aunque la función objetivo no lo es, por lo que el modelo es no conveo. Si el problema es conveo cualquier óptimo que se encuentre es óptimo global. Sin embargo encontrar un óptimo global en un problema noconveo requiere algoritmos mucho más sofisticados.
3 Función separable Una función separable es aquella que puede epresarse como la suma de funciones de una única variables. Estas funciones tienen la ventaja de que los términos no lineales pueden ser aproimados por términos lineales a tramos (piecewise). Utilizando esta técnica se puede escribir un programa lineal entero, e incluso lineal continuo para estas funciones. El término separable puede aparecer en la función objetivo o en las restricciones de un problema de optimización. Algunos ejemplos de funciones separables son: 5 g ( ) g ( ) En cambio, no son separables las siguientes: f ( ) f ( ) f ( ) g1( 1, ) g( ) 1( ) f (, ) f ( ) Consideremos un ejemplo simple con sólo un término no lineal para ser aproimado: f() = 1/. La siguiente figura muestra la curva dividida en tres tramos que son aproimados por líneas rectas. Los puntos donde cambia la pendiente de la función lineal por tramos se conocen como puntos de ruptura. Esta aproimación se puede epresar matemáticamente de varias formas. Veremos el método conocido como formulación λ 8 f ( ) 1/ Sean 1,, 3 y 4 los cuatro puntos de ruptura del eje y sean f( 1 ), f( ), f( 3 ) y f( 4 ) sus correspondientes valores. Cualquier punto entre dos de ruptura es una suma ponderada de los dos puntos de ruptura etremos. Por ejemplo, si los puntos de ruptura son 0, 1, y 4, y los correspondientes valores son 0, 1/, y 8, el valor de =3se puede epresar: =1/ 1/ 4=3. a El correspondiente valor de la función aproimada será: f (3) Sean λ 1, λ, λ 3, λ 4 cuatro pesos tal que su suma valga 1. La aproimación lineal de f() puede escribirse como: a f ( ) 1f( 1) f( ) 3f( 3) 4f( 4) SOS(,,, ) La restricción SOS impone el requisito añadido de que como mucho dos λ i adyacentes sean mayores que 0. 3
4 Ejemplo de modelo con función separable: Minimizar sujetoa : , Solo es necesario convertir la función De la segunda restricción es evidente que no es posible que 1 sea mayor que.5, por tanto, la función: y= 1 1[0,.5] puede aproimarse por: [0,1] y 3 [0, ] Esta epresión es equivalente a: y [,.5] Por tanto el modelo del ejemplo será el siguiente: Minimizar y 41 Dado que la sujeto a : 1 4 función es convea no es necesario 1 5 añadir ninguna 14 restricción más. Si la función fuera no convea sería y necesario añadir una restricción de tipo SOS a las y, 1,, 1,, 3, 4 0 variables λ i 4
5 La restricción SOS suele aparecer con frecuencia en problemas reales y por ello suele venir implementadas en los paquetes comerciales junto a la restricción SOS1. Restricción SOS1 Impuesta a un conjunto de variables continuas obliga a que sólo una pueda adoptar un valor no nulo. Restricción SOS Impuesta a un conjunto de variables continuas ordenadas obliga a que sólo dos variables pueden tener valor no nulo y además deben ser consecutivas. La restricción SOS queda definida especificando un conjunto de variable t 1,t,,t n y es equivalente a las siguientes tres restricciones: t1, t,..., tn 0 t1t... tn 1 Sólo dos variables adyacentes, t y pueden ser distintas i de cero. i ti 1 Como ya hemos comentado, la restricción SOS se utiliza para aproimar términos no lineales con funciones lineales por tramos (piecewise) en programación separable convea y no convea. Se trata de modelar la función continua lineal por tramos y f( ) especificada por sus n puntos ( como se 1, y1), (, y),...,( n, yn) muestra en la figura. La descripción estándar utilizando la restricción SOS es la siguiente: y t 11 t... n tn ( n, yn) ( 3, y3) y yt 11 yt... yt n n (, y ) SOS t1, t,..., tn ( 1, y1) Donde las variables t1, t,..., t n de SOS juegan el papel de parámetros de interpolación. ió 5
6 Modelado de la función lineal por tramos (picewise) Las funciones lineales a tramos epresadas con SOS se pueden utilizar para modelar no solo objetivos no lineales, sino también restricciones de igualdad y desigualdad no lineales. Por tanto, problemas de programación no lineal pueden reformularse como problemas de programación entera mita. Si no se dispone de la restricción SOS implementada en el Simple, la aproimación lineal por tramos (picewise) se puede modelar utilizando variables binarias. z i 0,1, z z... z 1 s 1 n1 i i 1,,...,, n-1:0 s z z ( ) s z ( ) s... 3 z ( ) s i i i1 i i... z ( ) s i n1 n1 n n1 n1 y yz ( y y) s yz ( y y) s... 3 yz ( y y) s i i i1 i i... y z ( y y ) s n1 n1 n n1 n1 i int n = 9; float X[1..n] = [1,,3,4,5,6,7,8,9]; float Y[1..n] = [,.5,3,4,5,6,7,8,9]; dvar int z[1..n-1] in 0..1; dvar float s[1..n-1]; dvar float ; dvar float y; subject to sum(i in 1..n-1)z[i] == 1; forall(i in 1..n-1) s[i] <= z[i]; == sum(i in 1..n-1)(X[i]*z[i] (X[i1]-X[i])*s[i]); y == sum(i in 1..n-1)(Y[i]*z[i] (Y[i1]-Y[i])*s[i]); 6
7 Modelado de la restricción SOS con variables binarias La restricción SOS se puede implementar con la ayuda de variables binarias en caso de no disponer de ella directamente en el paquete optimización o en lenguaje de modelado. int n = 9; dvar int z[1..n-1] in 0..1; zi0,1, si dvar float s[1..n-1]; z1z... zn 1 1 dvar float t[1..n]; i 1,,..., n-1: 0 si zi t 1 subject to t1 z1s1 sum(i in 1..n-1)z[i] == 1; t z s s1 forall(i in 1..n-1)... s[i] <= z[i]; ti zi si si 1... t[1] == z[1]-s[1]; forall(i in..n-1) tn 1 zn 1sn1sn t z[i]-s[i]s[i-1]; n sn t[i] == 1 t[n] == s[n-1]; 7
8 Funciones lineales a tramos en OPL Aunque CPLEX dispone de las restricciones SOS1 y SOS implementadas directamente en sus algoritmos de optimización lineal entera mita mita, el lenguaje de modelado OPL no las utiliza directamente sino a través de una construcción sintáctica específica para las funciones piecewise. Para ver esta sintais consideremos un problema de transporte en el que el coste del transporte entre dos localidades origen y destino depende del tamaño del transporte transporte[origen][destino] de acuerdo con la siguiente gráfica: coste transporte[origen][destino] tamaño Esta gráfica define una función que tiene pendientes 10, 0 y 40, con putos de ruptura 100 y 00,yconvalor 0 en el punto 0. En OPL esta función se epresa de la siguiente forma: Piecewise10 -> 100;0 ->00;40(0,0) transporte[origen][destino] Esta función es equivalente a la siguiente epresión: 10*transporte[origen][destino] cuando transporte[origen,destino] <= *1000*(trasnporte[origen][destino]-100) cuando 100 <= transporte[origen][destino] <= 00 10*1000*0040*(ship[origen][destino]-00) ) caso contrario. 8
9 Funciones lineales a tramos en OPL: generalización La epresión anterior se puede generalizar de la siguiente forma: piecewise(i in 1..n) pendiente[i] -> ruptura[i]; pendiente[n1]; transporte[origen][destino]; Epresión general equivalente a la siguientes epresiones simples: pendiente[1]*transporte[origen][destino] cuando transporte[origen][destino] <= breakpoint[1] k 1 pendiente[1]*ruptura[1] pendiente[i]*(ruptura[i]-ruptura[i-1]) i pendiente[k]*(transporte[origen][destino]-ruptura[k-1]) cuando ruptura[k-1] < transporte[origen][destino] <= ruptura[k] (1 < k <= n ) n pendiente[1]*ruptura[1] pendiente[i]*(ruptura[i]-ruptura[i-1]) i11 pendiente[n1]*(transporte[origen][destino]-ruptura[n]) caso contrario Ejemplo: int n=; float objectivoparaigual0 = 300; float ruptura[1..n] = [100,00]; float pendiente[1..n1] = [1,,-3]; dvar int ; maimize piecewise(i in 1..n) pendiente[i] -> ruptura[i]; pendiente[n1](objectivoparaigual0) ; subject to true; 9
10 Funciones lineales a tramos en OPL Por motivos de complejidad computacional es importante entender cuando una función objetivo lineal a tramos se traduce a un programa lineal y cuando es necesario utilizar un programa entero mito. Las siguientes figuras describen las formas de las funciones que producen programas lineales puros: funciones lineales a tramos conveas en problemas de minimización y funciones lineales a tramos no conveas (cóncavas )en problemas de maimización. minimización Para las restricciones operan consideraciones análogas. maimización Una función lineal a tramos convea puede aparecer en el lado izquierdo de una desigualdad menor o igual que, y sobre el lado derecho de una desigualdad mayor o igual que. Una función lineal a tramos cóncava puede aparecer en el lado derecho de una desigualdad menor o igual que o sobre el lado izquierdo de una desigualdad mayor o igual que. En cualquier otro casoel programalineal a tramoses transformadoen un programa lineal entero mito. 10
11 Función lineal de dos o más variables La restricción SOS también se puede utilizar para aproimar una función no lineal de variables, por ejemplo z = g(, y). Para ello se define una malla de valores (, y) no necesariamente equidistantes t y asociamos pesos no negativos λ ij con cada punto de la malla. Si los valores de (, y) en cada punto de la malla los designamos por (Xs, Yk), yesg(xs, Yk) el valor de la función z = g(, y) en dicho punto, podemos aproimarla por medio de las siguientes restricciones: A lo más 4 λ sk vecinas pueden ser distintas de cero Xs sk y s s k k z g( X, Y ) s k s k sk Y k 1 sk s k sk s sk SOS(,,,...) k 1 3 SOS(,,,...) k s sk 1 3 y SOS( 1,, 3,...) l l SOS vertical sk sk1 SOS(,,,...) l s1k l s1k SOS diagonal SOS( 1,, 3,...) Restringe los λ sk distintas de cero a 3 vecinos, evitando el problema de la falta de unicidad que surge si sólo imponemos las SOS anteriores SOS (,,,...) t s s, ts 1 3 SOS horizontal 11
12 Restricciones para una malla de 7 6 = X1 l16 X l6 X3 l36 X4 l46 X5 l56 X6 l66 X7 l76 X1l15 Xl5 X3l35 X4l45 X5l55 X6l65 X7l75 X1l14 Xl4 X3l34 X4l44 X5l54 X6l64 X7l74 X1l13 Xl3 X3l33 X4l43 X5l53 X6l63 X7l73 X1l1 Xl X3l3 X4l4 X5l5 X6l6 X7l7 X l X l X l X l X l X l X l y = Yl Yl Yl Yl Yl Yl Yl Yl Yl Yl Yl Yl Yl Yl Yl Yl Yl Yl Yl Yl Yl Yl Yl Yl Yl Yl Yl Yl Y l1 Yl Yl3 Yl4 Yl5 Yl6 Yl7 Y l Y l Y l Y l Y l Y l Y l z = g( X 1, Y6) λ16 g( X, Y6) λ6 g( X 3, Y6) λ36 g( X 4, Y6) λ46 g( X 5, Y6) λ56 g( X 6, Y6) λ66 g( X 7, Y6) λ76 g( X 1, Y5) λ15 g( X, Y5) λ5 g( X 3, Y5) λ35 g( X 4, Y5) λ45 g( X 5, Y5) λ55 g( X 6, Y5) λ65 g( X 7, Y5) λ75 g( X 1, Y4) λ1 4 g( X, Y4) λ 4 g( X 3, Y4) λ3 4 g( X 4, Y4) λ44 g( X 5, Y4) λ5 4 g( X 6, Y4) λ6 4 g( X 7, Y4) λ7 4 g( X 1, Y3) λ13 g( X, Y3) λ3 g( X 3, Y3) λ33 g( X 4, Y3) λ43 g( X 5, Y3) λ53 g( X 6, Y3) λ63 g( X 7, Y3) λ73 g( X 1, Y ) λ1 g( X, Y ) λ g( X 3, Y ) λ3 g( X 4, Y ) λ4 g( X 5, Y ) λ5 g( X 6, Y ) λ6 g( X 7, Y ) λ7 g( X, Y ) λ g( X, Y ) λ g( X, Y ) λ g( X, Y ) λ g( X, Y ) λ g( X, Y ) λ g( X, Y ) λ SOS V1 V V3 V4 V5 y SOS h h h l l l l l l l l l l l l l l l l l l l l l Y6 Y5 Y4 Y3 Y Y1 l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l h3 X1 X X3 X4 X5 X6 X7 l13 l3 l33 l43 l53 l63 l73 h h 1 l1 l l3 l 4 l 5 l 6 l 7 l l l l l l l ξ ξ ξ ξ ξ ξ ξ SOS SOS(,,,,,, ) SOS(,,,,, ) l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l = 1 l l l l l l l 1
13 Ejemplo de aproimación lineal de variables con una malla de 7 6 Vamos aplicar el método a la siguiente función de dos variables: z = g(, y) = 5 -( - 10) -( y - 10) La malla la definiremos para los siguientes valores de X e Y: X = [7, 8, 9, 10, 11, 1, 13] Y = [7, 8, 9, 10, 11, 1] Calculamos el valor de Z en cada punto de la malla: Z=
14 Código OPL para el ejemplo anterior (sin la restricción SOS diagonal) int N =...; int Ny =...; range s = 1..N; range k = 1..Ny; float X[s] =...; float Y[k] =...; float g[k,s] =...; //SOS para e[i] range err =..Ny-1; range er1 = 1..Ny-1; //SOS para n[j] range nrr =..N-1; range nr1 = 1..N-1; //SOS para e[i] dvar int ed[er1] in 0..1; //SOS para n[j] dvar int nd[nr1] in 0..1; dvar float ld[k,s]; dvar float ; dvar float y; dvar float z; dvar float e[k]; dvar float n[s]; minimize y-4*-*y; subject to // Begin Restriccion SOS para e[i] e[1]-ed[1] <=0; forall(i in err) e[i] - ed[i-1]-ed[i] <= 0; e[ny] - ed[ny-1] <= 0; sum(i in er1)ed[i] == 1; // End Variables SOS l[i] // Begin Restriccion SOS para n[j] n[1]-nd[1] <=0; forall(j in nrr) n[j] - nd[j-1]-nd[j] <= 0; n[n] - nd[n-1] <= 0; sum(j in nr1)nd[j] == 1; // End Variables SOS l[i] //Aproimacion lineal == sum(i in k, j in s)x[j]*ld[i,j]; y == sum(i in k, j in s)y[i]*ld[i,j]; z == sum(i in k, j in s)g[i,j]*ld[i,j]; sum(i in k, j in s)ld[i,j] == 1; forall(i in k) e[i] == sum(j in s)ld[i,j]; forall(j in s) n[j] == sum(i in k)ld[i,j]; ==7.5; y==7.5; //z== N = 7; Ny = 6; X = [7, 8, 9, 10, 11, 1, 13]; Y = [7, 8, 9, 10, 11, 1]; g = [ [ ] [ ] [ ] [ ] [ ] [ ]]; 14
15 Resultados del ejemplo y = 7.5; = 7.5; e = [ ]; ed = [ ]; n = [ ]; nd = [ ]; ld = [[ ] [ ] [ ] [ ] [ ] [ ]]; z = ; == 7.5; y == 7.5; //z == 3.464;libre y = 10; == 7.5; = 10; e = [ e e-16]; ed = [ ]; n = [5.1e e e e ]; nd = [ ]; ld = [[ ] z = 5; [ ] [0-1.8e e e ] [5.1e e ] [ ] [ e ]]; y == 7.5; //z == 3.464;libre g(7.5, 7.5) = Valor real de la función g(10, 10) = Valor real de la función. Coincide con el aproimado por ser un punto de la malla y = 7; = 7.5; e = [ ]; ed = [ ]; n = [ ]; nd = [ ]; ld = [[ ] [ ] [ ] [ ] [ ] [ ]]; z = ; == 7.5; y == 7; //z == 3.464;libre y = ; = 7.5; e = [ ]; ed = [ ]; n = [ ]; nd = [ ]; ld = [[ ] [ ] [ ] [ ] [ ] z = ; [ ]]; == 7.5; //y == 7.5;libre z == 3.464; En este caso hemos fijado el valor de y el valor de z y el programa calcula el valor de y g(7.5, 7) = 3.15 Valor real de la función g(7.5, y) =
Optimización con CPLEX - Aplicaciones a la Ingeniería Eléctrica
Optimización con CPLEX - Aplicaciones a la Ingeniería Eléctrica OPL - CPLEX Jorge Hans Alayo Gamarra Universidade Estadual Paulista - UNESP Laboratorio de Planejamento de Sistemas Elétricos - LAPSEE 20
Un Modelo de Despacho para el Análisis de Indisponibilidad de Capacidad de Generación y Transmisión del Sistema Eléctrico Peruano
Un Modelo de Despacho para el Análisis de Indisponibilidad de Capacidad de Generación y Transmisión del Sistema Eléctrico Peruano Jorge Hans Alayo Gamarra 20 de septiembre de 2013 1. Introducción En una
Clasificación 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
Jesús M. Jorge Santiso, Jonay Rodríguez Báez, Grupo de optimización y minería de datos
Jesús M. Jorge Santiso, jjorge@ull.es Jonay Rodríguez Báez, jrbaez@ull.es Grupo de optimización y minería de datos Departamento de Estadística, Investigación Operativa y Computación Escuela Técnica Superior
OPL, un lenguaje de programación de restricciones.
OPL, un lenguaje de programación de restricciones. Nacho Castiñeiras Grupo de programación declarativa 1 Índice Primeros pasos ILOG CPLEX ILOG SOLVER ILOG SOLVER SCHEDULER 2 Primeros pasos. Comprender
PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2009 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 4: FUNCIONES
PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 009 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 4: FUNCIONES Junio, Ejercicio, Opción A Junio, Ejercicio, Opción B Reserva, Ejercicio, Opción A Reserva,
FUNDAMENTOS MATEMÁTICOS (Grado en Ingeniería Informática) Práctica 4. DERIVACIÓN
FUNDAMENTOS MATEMÁTICOS (Grado en Ingeniería Informática) Práctica 4. DERIVACIÓN 1.- Derivada de una función en un punto. El estudio de la derivada de una función en un punto surge con el problema geométrico
Alonso Fernández Galián
Alonso Fernández Galián TEMA 3: ESTUDIO Y REPRESENTACIÓN DE FUNCIONES Para representar gráficamente una función deben estudiarse los siguientes aspectos: i) Dominio. ii) Puntos de corte con los ejes de
Tema 7: Problemas clásicos de Programación Lineal
Tema 7: Problemas clásicos de Programación Lineal 1.- Características generales de un problema de transporte y asignación Surgen con frecuencia en diferentes contextos de la vida real. Requieren un número
INTRODUCCIÓN A LAS MATEMÁTICAS SUPERIORES. Tema 3 EL PLANO Y LAS GRÁFICAS EL PLANO CARTESIANO. COORDENADAS Y DISTANCIA ENTRE PUNTOS.
INTRODUCCIÓN A LAS MATEMÁTICAS SUPERIORES Tema EL PLANO Y LAS GRÁFICAS EL PLANO CARTESIANO. COORDENADAS Y DISTANCIA ENTRE PUNTOS. C.- Qué es cómo se representa un sistema de coordenadas cartesianas rectangulares
La Geometría de la Programación Lineal
La Geometría de la Programación Lineal Basado en Bertsimas Tsitsiklis Introduction to Linear Optimization Chap. IN7 Modelamiento y Optimización Nelson Devia C. Introducción Se dice que un conjunto S en
Optimización de Procesos
Optimización de Procesos Tier I: Métodos Matemáticos de Click to edit Master title style Optimización Sección 3: Programación No Lineal Introducción a la Programación No Click to edit Master title style
PROBLEMAS DE OPTIMIZACIÓN
PROBLEMAS DE OPTIMIZACIÓN ELISA SCHAEFFER Programa de Posgrado en Ingeniería de Sistemas (PISIS) elisa@yalma.fime.uanl.mx INVESTIGACIÓN DE OPERACIONES PROBLEMA DE OPTIMIZACIÓN Dada una situación interesante
Planteamiento del problema
Planteamiento del problema La interpolación consiste en construir una función (o una curva) que pase por una serie de puntos prefijados. Interpolación polinomial: el conjunto de datos observados se interpola
Práctica 0. (Introducción a Maple)
Departamento de Matemáticas, Universidad de Alcalá Métodos Matemáticos Simbólicos (Ing. Electrónica) Curso 2005-2006 Práctica 0 (Introducción a Maple) 1. Averiguar en que librería se encuentra la función
Modelamiento de problemas de optimización con AMPL
1 1 Modelamiento de problemas de optimización con AMPL Jorge Hans Alayo Gamarra 15 de mayo de 2014 1. Introducción Generalmente cuando se analiza un problema mediante modelos de optimización/programación
SOLUCIÓN GRÁFICA DE PROBLEMAS DE PROGRAMACIÓN LINEAL
SOLUCIÓN GRÁFICA DE PROBLEMAS DE PROGRAMACIÓN LINEAL Muchos problemas de administración y economía están relacionados con la optimización (maximización o minimización) de una función sujeta a un sistema
AJUSTE PLANTEAMIENTO DEL PROBLEMA
AJUSTE PLANTEAMIENTO DEL PROBLEMA DIFERENCIA ENTRE INTERPOLACIÓN Y AJUSTE METODOLOGÍA DEL AJUSTE MÉTODO DE MÍNIMOS CUADRADOS MODELO LINEAL MODELO EXPONENCIAL EJEMPLO PLANTEAMIENTO DEL PROBLEMA Cuando los
Modelos de Programación Matemática
Modelos de Programación Matemática Las proposiciones matemáticas, en cuanto tienen que ver con la realidad, no son ciertas; y en cuanto que son ciertas, no tienen nada que ver con la realidad A. Einstein
1. En una reacción química de dos reactivos moleculares, la velocidad de dicha reacción viene dada por. R(x) = k(a x)(b x)
1. En una reacción química de dos reactivos moleculares, la velocidad de dicha reacción viene dada por R() = k(a )(b ) donde a, b son las concentraciones iniciales de los reactivos, k es una constante
Programación Lineal. María Muñoz Guillermo Matemáticas I U.P.C.T. M. Muñoz (U.P.C.T.) Programación Lineal Matemáticas I 1 / 13
Programación Lineal María Muñoz Guillermo maria.mg@upct.es U.P.C.T. Matemáticas I M. Muñoz (U.P.C.T.) Programación Lineal Matemáticas I 1 / 13 Qué es la Programación Lineal? Introducción La Programación
Tema 18. Programación lineal Formulación primal de un programa lineal
Tema 18 Programación lineal 18.1. Formulación primal de un programa lineal Dentro de la programación matemática hablamos de programación lineal (PL) si tanto la función objetivo como las restricciones
José Vicente Ugarte Susaeta. Profesor de la Universidad Comercial de Deusto
MATEMÁTICAS PARA ECONOMÍA Y EMPRESA CÁLCULO DE UNA VARIABLE José Vicente Ugarte Susaeta Profesor de la Universidad Comercial de Deusto Con la colaboración de Miguel Ángel Larrinaga Ojanguren Profesor de
: ING4520 Programación Matemática Semestre II : Juan Pérez Retamales : Francisco Vergara Matías Mujica Manuel Pavez
Curso Profesor Auiliares : ING0 Programación Matemática Semestre 0 - II : Juan Pérez Retamales : Francisco Vergara Matías Mujica Manuel Pavez PAUTA PREGUNTA - PRUEBA Pregunta (Total:.0 puntos) Las posiciones
Equilibrado líneas de montaje (Anexo) 3
Equilibrado líneas de montaje (Anexo) 3.- POGAMACIÓN DE LOS DIFEENTES MODELOS En este primer punto se muestra la programación implementada para la ejecución de los diferentes modelos planteados. Así, en
0. INTRODUCCIÓN. 9, su inclinación es -1. Diremos por tanto. que la derivada en el punto señalado es también -1.
BLOQUE : ANÁLISIS DE FUNCIONES 0. INTRODUCCIÓN Si vemos una carretera o un camino que asciende rápidamente hacia la parte alta de una montaña, con una pronunciada cuesta, tal vez digamos que es un camino
El 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
La Programación Lineal. H. R. Alvarez A., Ph. D. 1
La Programación Lineal H. R. Alvarez A., Ph. D. 1 Aspectos generales Se considera a George Dantzig el padre de la P. L. Su objetivo es el de asignar recursos escasos a actividades que compiten por ellos.
Esta expresión polinómica puede expresarse como una expresión matricial de la forma; a 11 a 12 a 1n x 1 x 2 q(x 1, x 2,, x n ) = (x 1, x 2,, x n )
Tema 3 Formas cuadráticas. 3.1. Definición y expresión matricial Definición 3.1.1. Una forma cuadrática sobre R es una aplicación q : R n R que a cada vector x = (x 1, x 2,, x n ) R n le hace corresponder
Aplicaciones 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,
Tema 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
Programación: Sistemas unitriangulares inferiores
Programación: Sistemas unitriangulares inferiores Objetivos. Programar en el lenguaje de MATLAB el método de la sustitución hacia adelante para resolver sistemas de ecuaciones lineales con matrices unitriangulares
1) (1,6p) Estudia y clasifica las discontinuidades de la función: x+4-3 x-5. f(x)=
2 de diciembre de 2008. ) (,6p) Estudia y clasifica las discontinuidades de la función: f()= +4-3 -5 2) (,6p) Halla las ecuaciones de las asíntotas de la siguiente función y estudia la posición relativa:
UNIVERSIDAD AUTÓNOMA DE MADRID PRUEBA DE ACCESO A LA UNIVERSIDAD PARA MAYORES DE 25 AÑOS Convocatoria 2014
PRUEBA DE ACCESO A LA UNIVERSIDAD PARA MAYORES DE 5 AÑOS Convocatoria 4 INSTRUCCIONES GENERALES Y VALORACIÓN INSTRUCCIONES: Escoja entre una de las dos opciones A o B. Lea con atención y detenimiento los
Soluciones de las actividades
Soluciones de las actividades Página 09. Se divide coste entre tiempo y resulta 0,8 para todos los planes, por tanto es una función tal que: c(t) 0,8t c(,), miles de euros. Página 0. Las soluciones son:
PROBLEMAS 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
Curso cero Matemáticas en informática : Sistemas de ecuaciones lineales
lineales -Jordan Curso cero Matemáticas en informática : de ecuaciones lineales Septiembre 2005 lineales -Jordan lineales -Jordan Se llama ecuación lineal con n incógnitas a a x + a 2 x 2 + a 3 x 3 + +
Solución La función raíz cuadrada tiene sentido cuando lo de dentro de la raíz es mayor o igual que cero, por tanto:
Análisis Matématico Matemáticas Aplicadas a las CCSS º Bachillerato Ejercicio nº Para qué valores de tiene sentido la siguiente función? Es continua la función? f () La función raíz cuadrada tiene sentido
Universidad Carlos III de Madrid
Universidad Carlos III de Madrid Ejercicio 2 3 4 5 6 Total Puntos Departamento de Economía Eamen Final de Matemáticas I 20 de Enero de 206 APELLIDOS: Duración del Eamen: 2 horas. NOMBRE: DNI: Titulación:
Formulación del problema de la ruta más corta en programación lineal
Formulación del problema de la ruta más corta en programación lineal En esta sección se describen dos formulaciones de programación lineal para el problema de la ruta más corta. Las formulaciones son generales,
Aplicaciones de las derivadas
Aplicaciones de las derivadas. Recta tangente a una curva en un punto La pendiente de la recta tangente a la gráfica de la función f() en el punto ( 0, f( 0 )) viene dada por f ( 0 ) siempre que la función
PROGRAMACION CUADRATICA
PROGRAMACION CUADRATICA Programación convexa La programación convexa abarca una amplia clase de problemas, entre ellos como casos especiales, están todos los tipos anteriores cuando /(x) es cóncava. Las
Colegio San Patricio A Incorporado a la Enseñanza Oficial Fundación Educativa San Patricio
Función Cuadrática: Es toda función de la forma: f() = a ² + b + c con a, b, c números Reales Puede suceder que b ó c sean nulos, por ej: f() = ½ ² + 5 f() = 5 ² ¾ Pero a no puede ser = 0, de los contrario
Programación Lineal. Julio Yarasca. 13 de diciembre de 2015 CEPREUNI. Julio Yarasca (CEPREUNI) Programación Lineal 13 de diciembre de / 21
Programación Lineal Julio Yarasca CEPREUNI 13 de diciembre de 2015 Julio Yarasca (CEPREUNI) Programación Lineal 13 de diciembre de 2015 1 / 21 Introducción Figura: George Dantzing Julio Yarasca (CEPREUNI)
Boletín II. Cálculo diferencial de funciones de una variable
CÁLCULO Boletín II. Cálculo diferencial de funciones de una variable Ejercicios básicos 1. (NUEVO) Utiliza la definición de derivada para demostrar que f () = 10 para 5 2. ( ) sin() 2. Sea arctan. Calcula
Problemas del tema 3
Problemas del tema 3 y 1. Sea f(, y) = e + e, se pide: a) Eiste algún punto óptimo de f?. b) Si se considera la función f sujeta a la restricción + y =, eiste algún punto óptimo?.. Sea f(, y) = + y : a)
EJERCICIO DE MAXIMIZACION
PROGRAMACION LINEAL Programación lineal es una técnica matemática que sirve para investigar, para así, hallar la solución a un problema dado dentro de un conjunto de soluciones factibles y es la operación
La Programación Lineal. H. R. Alvarez A., Ph. D. 1
La Programación Lineal H. R. Alvarez A., Ph. D. 1 El Método Simplex Desarrollado en 1947 por George Dantzig como parte de un proyecto para el Departamento de Defensa Se basa en la propiedad de la solución
UNIDAD Nº3. Introducción a los métodos matemáticos de optimización
UNIDAD Nº3 Introducción a los métodos matemáticos de optimización La eperimentación es una función vital en nuestra búsqueda de progreso, aunque el objetivo es a menudo, el descubrimiento de nuevos principios
Funciones lineales, cuadráticas y polinómicas.
Funciones lineales, cuadráticas El objetivo de esta ejercitación es familiarizarse con las epresiones matemáticas de funciones lineales cuadráticas, así como con sus representaciones gráficas. Matemáticamente,
Análisis de Datos. Regresión logística. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Regresión logística Profesor: Dr. Wilfrido Gómez Flores 1 Regresión logística Supóngase que se tiene una variable binaria de salida Y, y se desea modelar la probabilidad condicional P(Y=1
Funciones I. Par ordenado. Igualando los componentes: x + 9 = 11 y + 10 = 14 x= 2 y = 4
Funciones I Par ordenado Es un conjunto formado por dos objetos matemáticos cualesquiera "a" "b" denotado por (a; b) que se consideran ordenados con el criterio de uno antecede al otro. Notación: (a; b)
TEMA 1: FUNCIONES REALES DE UNA VARIABLE
TEMA 1: FUNCIONES REALES DE UNA VARIABLE Curso 2009/2010 y 1 o G ESQUEMA DE CONTENIDOS Concepto de función y de gráfica de una función. Límites. Propiedades. Continuidad. Derivabilidad. Análisis de los
EL PROBLEMA GENERAL DE OPTIMIZACION
EL PROBLEMA GENERAL DE OPTIMIZACION Terminología Tipos de soluciones Resultados teóricos sobre existencia y unicidad de soluciones Método gráfico de resolución Problemas de optimización Este tipo de problemas
Las funciones son relaciones entre dos o más variables expresadas en una ecuación algebraica.
FUNCIONES Y GRÁFICAS Las funciones son relaciones entre dos o más variables epresadas en una ecuación algebraica. or ejemplo, la epresión relaciona la variable con la variable mediante una regla de correspondencia
Segmentos del borde o frontera Lados o aristas Intersecciones de éstos Vértices
UNIDAD 4 PROGRAMACIÓN LINEAL 1 SISTEMAS DE INECUACIONES LINEALES CON DOS INCÓGNITAS RECINTOS CONVEXOS La solución de un sistema de inecuaciones lineales (SIL) con dos incógnitas viene representada por
ÁLGEBRA 1º E.S.O. LETRAS EN VEZ DE NÚMEROS. Representar números en clave: a = 20 b = 5 c = 1. a + a + a = 60 a + b + b = 30 a + a + b + c + c = 47
LETRAS EN VEZ DE NÚMEROS ÁLGEBRA 1º E.S.O. Representar números en clave: a 0 b 5 c 1 Epresar un número cualquiera: 6 6 + 9 a + a + a 60 a + b + b 0 a + a + b + c + c 7 5 10 10 + 1 n n n + n + LETRAS EN
Propiedades de las funciones derivables. Representación gráfica de funciones. Determinar los puntos de inflexión. (Junio 1997)
Matemáticas II. Curso 008/009 de funciones 1 1. Determinar las asíntotas de f () =. Estudiar la concavidad y conveidad. 1 + Determinar los puntos de infleión. (Junio 1997) 1 Por un lado, lim 1 = 0 y =
Inecuaciones con valor absoluto
Inecuaciones con valor absoluto El valor absoluto de un número real a se denota por a y está definido por: Propiedades a a si a si a 0 a < 0 i a y b son números reales y n es un número entero, entonces:
Práctica 3. Resolución de ecuaciones no lineales mediante métodos numéricos
Grado en Ciencia y Tecnología de los Alimentos Fundamentos de Ingeniería de los Alimentos Práctica 3 Resolución de ecuaciones no lineales mediante métodos numéricos .- Método de tanteo Se emplea en ecuaciones
Programación lineal: Algoritmo del simplex
Programación lineal: Algoritmo del simplex Se considera la formulación estándar de un problema de programación lineal siguiendo la notación utilizada en las clases teóricas: Minimizar c t x sa: Ax = b
Límite de una función Funciones continuas
Límite de una función Funciones continuas Jesús García de Jalón de la Fuente IES Ramiro de Maeztu Madrid 2014-2015 1 LÍMITE CUANDO LA VARIABLE TIENDE A INFINITO. 3 1. Límite cuando la variable tiende
Funciones racionales. Profa. Caroline Rodríguez UPRA MECU 3031
Funciones racionales Profa. Caroline Rodríguez UPRA MECU 01 Una función racional es una función que se puede epresar de la forma ( ( ( g f p donde f( y g( son funciones polinómicas. Ejemplos: g f y 9 (
Tema 2: La elección racional del consumidor
Tema 2: La elección racional del consumidor Introducción. 1. La restricción presupuestaria. 2. Las preferencias del consumidor: 1. Las curvas de indiferencia 2. La relación marginal de sustitución 3. El
Tema 2: Determinantes
Tema 2: Determinantes 1. Introducción En este tema vamos a asignar a cada matriz cuadrada de orden n, A M n un número real que llamaremos su determinante y escribiremos A. Vamos a ver cómo se calcula.
Derivada. lim 5x. Derivada por definición. Sea y = f (x) una función que depende de x. Se define la derivada de dicha función como otra función: lim h
S_A._LECV Derivada Derivada por deinición. Sea y = una unción que depende de. Se deine la derivada de dica unción como otra unción: La simbología de la derivada es y y Analíticamente la derivada es un
Banco de Preguntas. I Unidad
Banco de Preguntas I Unidad. En toda sumatoria la variable i, recorrerá los valores enteros hasta alcanzar el límite superior.. El sumatorio o la sumatoria es un operando matemático que permite representar
Prof. Álvarez, Sonia
CUADERNILLO DE ACTIVIDADES Prof. Álvarez, Sonia Apellido y Nombres:......................................................... Curso:......................... PROGRAMA DE MATEMÁTICA(º Año) Unidad Nº : Función
Análisis Numérico. Examénes Enero-2000
Análisis Numérico Examénes -7 Enero- Ejercicio : Se considera la función F(n) = + + +... + n, que toma sucesivamente los valores, 5, 4,, 55, 9,... a) Obtener el polinomio de er grado que la interpola en
Dr. Alonso Ramírez Manzanares CIMAT A.C. cimat.mx web: alram/met_num/
Clase No 4: MAT 251 Factorización LU Dr Alonso Ramírez Manzanares CIMAT AC e-mail: alram@ cimatmx web: http://wwwcimatmx/ alram/met_num/ Dr Joaquín Peña Acevedo CIMAT AC e-mail: joaquin@ cimatmx Joaquín
Herramientas computacionales para la Programación n Lineal
Programación Lineal - Antonin Ponsich 1. Introducción Herramientas computacionales para la Programación n Lineal 1. Introducción El método gráfico es válido para problemas de hasta dos variables de decisión
Un sistema de ecuaciones diferenciales son aquellas que tienen varias posibilidades para su solución. Estas son:
Unidad X: Programación lineal (continuación) Objetivo específico: Entender ampliamente el fenómeno del comportamiento de los modelos matemáticos para la resolución de problemas enfocados a las ecuaciones
APLICACIONES DE LA DERIVADA: MONOTONIA Y CURVATURA
Matemáticas º Bachillerato APLICACIONES DE LA DERIVADA: MONOTONIA Y CURVATURA CRECIMIENTO DECRECIMIENTO, CONCAVIDAD CONVEXIDAD Sea y = f() una función continua cuya gráfica es la de la figura. DEFINICIÓN
max z = c T x sujeto a Ax b
Tema 4 Análisis de sensibilidad El análisis de sensibilidad se realiza después de obtener la solución óptima de un modelo lineal para deteminar como afectan los cambios en los parámetros del modelo a la
Optimización bajo Incertidumbre A. Sistema de modelado algebraico - GLPK
Optimización bajo Incertidumbre A. Sistema de modelado algebraico - GLPK Carlos Testuri Germán Ferrari Depto. Investigación Operativa. Instituto de Computación. Facultad de Ingeniería, UdelaR 2003-17 Facultad
únicamente un valor de y. Además, el domino serán todos los valores de x excepto x = 3, puesto que anula el denominador. Eso se expresa Domf(x)
Tema 1: Funciones elementales 1.0 INTRODUCCIÓN: Las distintas ciencias conocen, desde hace tiempo, lees que describen relaciones entre magnitudes, de tal manera que conociendo el valore de algunas de ellas,
Dirección de operaciones. SESIÓN # 2: Programación lineal
Dirección de operaciones SESIÓN # 2: Programación lineal Contextualización Dentro de la sesión anterior conocimos el concepto y alcance de la administración de operaciones, dicho de otro modo el qué, ahora
Universidad 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
Límites de funciones. Continuidad de funciones. Derivabilidad. Propiedades de las funciones derivables. Optimización.
TEMA 1 Límites de funciones. Continuidad de funciones. Derivabilidad. Propiedades de las funciones derivables. Optimización. Límite finito en un punto: Consideremos una función f definida en las proimidades
Tema 12. Funciones (II). Recta, parábola, hipérbola, exponenciales y logaritmos.
Tema. Funciones (II). Recta, parábola, hipérbola, eponenciales logaritmos. Tabla de contenido. Traslados de las gráficas horizontales verticales.... Funciones lineales. La recta.... Función parabólica...
Segmentos del borde o frontera Lados o aristas Intersecciones de éstos Vértices
UNIDAD 4: PROGRAMACIÓN LINEAL 1 SISTEMAS DE INECUACIONES LINEALES CON DOS INCÓGNITAS RECINTOS CONVEXOS La solución de un sistema de inecuaciones lineales (SIL) con dos incógnitas viene representada por
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
Práctica 2: Análisis de sensibilidad e Interpretación Gráfica
Práctica 2: Análisis de sensibilidad e Interpretación Gráfica a) Ejercicios Resueltos Modelización y resolución del Ejercicio 5: (Del Conjunto de Problemas 4.5B del libro Investigación de Operaciones,
1. MONOTONÍA: CRECIMIENTO Y DECRECIMIENTO DE UNA FUNCIÓN. Ejemplo: Estudiar la monotonía (intervalos de crecimiento y decrecimiento) de la función 2
UNIDAD 11.- APLICACIONES DE LAS DERIVADAS 1. MONOTONÍA: CRECIMIENTO Y DECRECIMIENTO DE UNA FUNCIÓN Estudiando el signo de la derivada primera podemos saber cuándo una función es creciente o decreciente.
Triangulación de polígonos
Computación Geométrica Triangulación de polígonos Algoritmos iniciales Introducción a la Geometría Computacional Copyright 2010-2011 Universidad de Alicante 1 Índice Historia Conceptos previos Triangulación
Figura 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
Optimización 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
Selectividad Junio 2007 JUNIO 2007
Selectividad Junio 7 JUNIO 7 PRUEBA A PROBLEMAS 1.- Sea el plano π + y z 5 = y la recta r = y = z. Se pide: a) Calcular la distancia de la recta al plano. b) Hallar un plano que contenga a r y sea perpendicular
Jesús Getán y Eva Boj. Marzo de 2014
Jesús Getán y Eva Boj Facultat d Economia i Empresa Universitat de Barcelona Marzo de 2014 Jesús Getán y Eva Boj 1 / 51 Formulación general del problema Óptimos locales Condición de regularidad Condiciones
7.2.2 método de elementos finitos Como el método de diferencias finitas, el método de elementos finitos se ha utilizado ampliamente en el flujo de
7.2.2 método de elementos finitos Como el método de diferencias finitas, el método de elementos finitos se ha utilizado ampliamente en el flujo de agua subterránea y simulación ió de transporte de soluto.
TEMA 0 FUNCIONES ***************
TEMA 0. Definición y terminología.. Funciones conocidas. 3. Operaciones con funciones. 4. Funciones inversas. FUNCIONES ***************. DEFINICIÓN Y TERMINOLOGÍA.. Definición de función real de variable
1. Condiciones de Entrega
FACULTAD DE CIENCIAS EXACTAS INGENIERÍA Y AGRIMENSURA Escuela de Formación Básica Departamento de Matemática Métodos Computacionales - Informática Aplicada Trabajo Práctico Aplicado Final 2015 1. Condiciones
Universidad Nacional de Ingeniería. UNI RUACS. Investigación de Operaciones I 3T1 I.S. Docente: Ing. Mario Pastrana. Nombres: Frania Flores Zeledón.
Universidad Nacional de Ingeniería. UNI RUACS Investigación de Operaciones I 3T1 I.S. Docente: Ing. Mario Pastrana. Nombres: Frania Flores Zeledón. Tema: Teoría de la Dualidad. 28/ Septiembre/2011 Teoría
Funciones en explícitas
Funciones en eplícitas.- Sea la función f() e, se pide:. Dominio.. Signo de f() en función de.. Asíntotas. 4. Crecimiento y decrecimiento. Máimos y mínimos relativos. 5. Concavidad y conveidad. Puntos
RELACIÓN 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