Procedimiento heurístico para la asignación de horarios y tareas a trabajadores polivalentes
|
|
- Sergio Rojas Cárdenas
- hace 7 años
- Vistas:
Transcripción
1 VIII Congreso de Ingeniería de Organización Leganés, 9 y 10 de septiembre de 2004 Procedimiento heurístico para la asignación de horarios y tareas a trabajadores polivalentes Jordi Ojeda Rodríguez 1, Albert Corominas Subias 2, Rafael Pastor Moreno 3 1 Ing. Industrial, Centre CIM UPC-ICT, C Llorens i Artigas 12, Barcelona, jordi.ojeda@upc.es 2 Dr. Ing. Industrial, IOC-DOE-ETSEIB, UPC, Av. Diagonal 647, Barcelona, albert.corominas@upc.es 3 Dr. Ing. Industrial, IOC-DOE-ETSEIB, UPC, Av. Diagonal 647, Barcelona, rafael.pastor@upc.es Resumen Se ha desarrollado un procedimiento heurístico para la asignación de horarios y tareas a trabajadores polivalentes, que permita comparar los resultados con los obtenidos de los modelos de programación lineal mixta (PLM) desarrollados con el mismo equipo de investigadores. Dichos modelos de PLM no aseguraban el óptimo en todas las ocasiones, así que se propone utilizar la heurística diseñada como procedimiento alternativo a la PLM. Palabras clave: Programación de horarios, Heurística 1. Introducción En Ojeda et al. (2003a y 2003b) se presentan dos modelos de programación lineal mixta para la asignación de horarios a los trabajadores polivalentes de un centro de servicios. En las pruebas realizadas con datos reales y simulados, no se garantiza el óptimo en determinadas ocasiones. Se diseña un procedimiento heurístico para comparar los resultados con los obtenidos de los modelos citados. Los datos básicos del problema son: - Relación de trabajadores con los siguientes datos para cada uno de ellos: o Categoría. o Lista de horarios admisibles y sus preferencias, para la semana de estudio a programar. - Tipos de tareas que pueden realizar los trabajadores de cada categoría, y prioridad y eficiencia correspondiente a cada par categoría-tarea. - Capacidad mínima para cada tipo de tarea, en cada período de tiempo del horizonte de programación (hora, media hora, etc.). - Capacidad deseada para cada tipo de tarea (igual o mayor que la capacidad mínima), en cada período de tiempo del horizonte de programación. 885
2 - Importancia relativa de los diferentes elementos a considerar en la función objetivo. La función a optimizar es compleja, ya que se consideran diversos objetivos: - Minimizar las desviaciones de la capacidad resultante respecto a la capacidad deseada. - Maximizar las preferencias de los trabajadores al asignar los horarios. - Maximizar las prioridades al asignar las tareas a las categorías. Una capacidad inferior o superior a la capacidad deseada contribuye a un deterioro del nivel de servicio que hay que tener en cuenta, tanto desde un punto de vista del valor absoluto del déficit o del superávit, como del valor relativo respecto al valor deseado. Cada unidad adicional de déficit o superávit produce un deterioro del servicio más que proporcional, con una repercusión no lineal y convexa. El reparto del déficit y del superávit entre varios períodos contribuye a disminuir el deterioro del nivel de servicio. Por otro lado, la cota inferior de la capacidad indica el valor mínimo aceptable para poder desarrollar el servicio. En Thompsom (1997) se expone una clasificación completa de los modelos presentados por diferentes autores, para acabar concluyendo que los modelos existentes no garantizan un desarrollo eficiente de la programación de horarios al no tener un control directo sobre el nivel de servicio. Las dificultades de los modelos analizados se basan en dos limitaciones en su aplicación: la insuficiencia de poder asegurar un nivel mínimo de capacidad aceptable en cada período; y no evitar que el superávit aumente notablemente en pocos períodos, en lugar de repartirlo de forma más homogénea. El reto es superar dichas limitaciones para asegurar un nivel de servicio aceptable y con ello la satisfacción del cliente y de los trabajadores. Con estas premisas, y utilizando la misma función objetivo empleada en Ojeda et al. (2003a y 2003b), se propone el siguiente procedimiento heurístico de tres fases: - 1ª Fase: Procedimiento greedy. - 2ª Fase: Reasignación de tareas a los trabajadores. - 3ª Fase: Optimización local. En la fase 1, el procedimiento greedy parte de una solución vacía (sin ninguna asignación); se fija la asignación horario-trabajador a aquella pareja que presenta un mejor valor de la función objetivo; y así iterativamente. Además de asignar un horario a un trabajador, en cada período en que está presente según dicho horario, se le debe asignar la tarea a realizar. De esta forma, para generar las asignaciones horario-trabajador (y tarea) posibles, se utilizan reglas para seleccionar primero la tarea y luego la categoría que la llevará a cabo, o viceversa. Se realizan tantas iteraciones como número de trabajadores. En la segunda fase, se aplica un procedimiento de reasignación de tareas, en el que partiendo de los horarios asignados a los trabajadores se les asignan las tareas, en cada período de tiempo, con el objetivo de mejorar el valor final de la función objetivo. Esta fase parece imprescindible ya que en la primera fase de la heurística se toman decisiones de asignación de tareas a trabajadores mediante un procedimiento miope, lo que puede conducir a asignaciones finales mejorables. Cada iteración corresponde a un período en el que se consideran 886
3 únicamente los trabajadores presentes en ese período. En la tercera y última fase, se realiza una optimización local de la siguiente manera: para cada uno de los trabajadores se intercambia el horario asignado en la primera fase por cada uno del resto de su lista de horarios posibles; a continuación, se reasignan las tareas para cada nuevo horario con el procedimiento utilizado en la fase 2; en el caso que el mejor de dichos horarios mejore el valor de la función objetivo se asigna al trabajador en cuestión. La fase finaliza cuando no se produce reasignación de un nuevo horario a ningún trabajador. Una vez introducidas las fases del procedimiento heurístico, la organización del documento restante es la siguiente: en la sección 2, se describe la formalización de las tres fases de la heurística; en la sección 3 se expone la experiencia computacional realizada; en la sección 4 se exponen unas breves conclusiones; y, finalmente, los agradecimientos y los trabajos referenciados. 2. Formalización de la heurística La estructura general del procedimiento heurístico es la siguiente: 1º Lectura e Inicialización - Lectura de datos e inicialización de variables. 2º Fase 1. Hacer W veces { - En cada una de las W iteraciones (con W=nº de trabajadores) se asigna un horario a un trabajador. Si (Primero Tarea) { - Primera variante principal de la heurística. Seleccionar_Tarea - Selección de la tarea a cubrir. Seleccionar_Categoría - Selección de la categoría (de entre las que puedan hacerla) que realizará la tarea. sino { - Segunda variante de la heurística. Seleccionar_Categoría - Selección de la categoría. Seleccionar_Tarea - Selección de la tarea que realizará la categoría, entre las que puede hacerla. Encontrar_Horarios - Obtención del conjunto de horarios (CH) a probar: horarios permitidos para los trabajadores sin asignar de la categoría elegida. Para cada horario de CH hacer { Trabajador_sobrante - Selección de una nueva tarea a realizar por un trabajador si, en un período concreto, ya se alcanza la capacidad deseada de la tarea a cubrir. Evaluar_horario - Evaluar la asignación del horario a un operario de la categoría elegida realizando la tarea a cubrir o, si está cubierta, la determinada en Trabajador_sobrante. Guardar_horario - Guardar el valor del mejor horario. Seleccionar_Trabajador - Selección del trabajador de la categoría elegida que realizará el horario seleccionado. Actualizar_Datos 887
4 3º Fase 2. Para cada período del horizonte T hacer { - Cada iteración corresponde a un período. Reasignar_Tareas - Se reasignan las tareas entre los trabajadores presentes en cada período. 4º Fase 3. Optimización_Local 5 º Fin_del_procedimiento 2.1. Procedimiento greedy Como se puede observar, la primera fase consta de dos variantes principales, según se selecciona primero la tarea o la categoría, y un conjunto de variantes secundarias determinadas por el orden de uso de las reglas para desempatar entre posibles tareas o categorías a asignar. En un estudio desarrollado por el equipo de investigación se proponen 38 variantes (véase Velasco, 2002); en las conclusiones de dicho estudio se destaca que ocho variantes son adecuadas para los tres tamaños de plantilla analizados (en ese caso, menor de 20, de 20 a 80 y más de 80 trabajadores), y, de éstas ocho, una de ellas es la que obtiene los mejores resultados de la función objetivo en todos los casos. Ésta es la variante que ha sido seleccionada para realizar el experimento. A continuación se indican las reglas asociadas a dicha variante, para las diferentes acciones de la primera fase de la heurística: - Seleccionar una tarea o una categoría en primer lugar. La variante escogida corresponde a la de seleccionar en primer lugar la tarea, utilizando las siguientes reglas para seleccionarla y para desempatar: 1º. Seleccionar la tarea con mayor cociente entre el valor de la función no lineal convexa asociada al déficit (definida en Ojeda et al., 2003a y 2003b) de dicha tarea y el número de trabajadores que potencialmente puede realizar la tarea. 2º. En caso de empate, aquella tarea, entre las que empatan, con mayor valor de la función no lineal convexa asociada al déficit. 3º. En caso de empate, la tarea que puede ser realizada por el menor número de categorías. - Una vez escogida la tarea, se selecciona la categoría siguiendo las siguientes reglas: 1º. Seleccionar la categoría que solamente puede cubrir la tarea elegida. 2º. En caso de empate, aquella categoría que presenta un mayor índice de prioridad para cubrir la tarea seleccionada. - Para seleccionar la tarea que debe realizar el trabajador en el período en que la demanda de la tarea seleccionada inicialmente ya está cubierta, se siguen las siguientes reglas: 1º. Seleccionar la tarea con mayor cociente entre la función no lineal convexa asociada al déficit de dicha tarea en el período y el número de trabajadores que podrían realizar la tarea. 888
5 2º. En caso de empate, la tarea, entre las que empatan, con mayor valor de la función no lineal convexa asociada al déficit en el período. 3º. En caso de empate, la tarea que presenta un mayor índice de prioridad en función de la categoría del trabajador en cuestión Reasignación de tareas El procedimiento utilizado en la primera fase que selecciona un horario para cada trabajador y le asignar una tarea en cada período, puede provocar situaciones indeseables, al tratarse de un procedimiento miope. Por ejemplo, en un intervalo de tiempo determinado un trabajador de una categoría i puede tener asignada una tarea para la que está más cualificado otro trabajador de la categoría j y éste, a su vez, puede tener asignada una tarea para la que está más cualificado el trabajador de la categoría i. Se utiliza un procedimiento eficiente y rápido para resolver de forma exacta la asignación de las tareas a los trabajadores, planteándolo como un problema de flujo compatible a coste mínimo en un grafo con costes y capacidades mínimas y máximas conocidas (Corominas et al., 2003). La reasignación de tareas se realiza en cada período de tiempo, con un horario ya asignado a cada trabajador, lo que implica que la función objetivo no lineal planteada tiene tres componentes en lugar de los cuatro indicados en la función original: los componentes asociados al déficit, al superávit y a la priorización de la asignación tareas y categorías. La acción de reasignar las tareas a los trabajadores para conseguir una mejor asignación y, por lo tanto, una solución mejor que la que se obtiene de la aplicación de la primera fase del procedimiento heurístico, debe ser muy rápida, ya que los cálculos se deben realizar para todos los períodos Optimización Local El procedimiento de optimización local consiste en generar soluciones vecinas y comprobar si mejoran la solución actual; en caso de que mejore se adopta esa nueva solución como solución en curso y así hasta que no se produce ninguna mejora. La manera de proceder es la siguiente: para cada trabajador se cambia el horario asignado por el resto de su lista de horarios admisibles; a continuación, se reasignan las tareas para este nuevo horario mediante el algoritmo presentado en el apartado [2.2]. Si cualquier otro de los horarios que se pueden asignar al trabajador mejora el valor de la función objetivo, se asume éste como su horario asignado. El procedimiento se esquematiza de la siguiente manera: 889
6 Mientras se mejore { Hacer W veces { Número_Horarios Hacer NH veces { Cambiar_Horario Reasignación_ de_tareas Evaluar_Resultado Fin de la optimización local - Para cada uno de los W trabajadores. - Cálculo del número de horarios (NH) que puede realizar el trabajador considerado. - Cambiar el horario al trabajador. - Ejecutar el algoritmo de reasignación de tareas, y evaluar la solución. - Si la solución es mejor que la actual, se asigna ese horario y esas tareas. 3. Experiencia computacional Se ha utilizado un ordenador personal con procesador Intel Pentium III a 866 MHz y 256 Mb de RAM. El procedimiento heurístico se ha desarrollado en MS-Visual C y se ha utilizado la librería del sistema The ILOG-CPLEX Network Optimizer 8.1. Los ejemplares corresponden a 18 combinaciones que surgen de los siguientes datos básicos: W Número de trabajadores: 25, 50 y 100. J Número de tareas: 2, 3 y 4. C Número de categorías: 2, 3 y 4. Se considera la siguiente ponderación de los componentes de la función objetivo a minimizar: {1, 0.001, , , para los términos asociados al déficit, al superávit, a la preferencia de los horarios y a la prioridad de la asignación tarea-categoría, respectivamente. La Tabla 1 recoge el valor de la solución de cada una de las tres fases del procedimiento, así como los tiempos de cálculo de dichas fases (en segundos). En la columna correspondiente a la fase 3 de optimización local se indica con la palabra mejora los casos en los que se mejora ligeramente el valor obtenido de la función objetivo (con dos decimales, el resultado coincide con el de la fase 2). En todos los casos en los que se presenta mejora excepto en dos, dicha mejora se produce en el componente asociado a la preferencia de los horarios y, por lo tanto, su repercusión en la función objetivo se presenta en el cuarto decimal y no se aprecia en la tabla; la excepción corresponde a los casos {W/J/C = {100/2/2 y {100/2/4, donde la optimización local mejora todos los componentes de la función objetivo. 890
7 Tabla 1. Resultados del experimento con 18 ejemplares y las tres fases de la heurística. Mejor solución Tiempo (s) Resultado del W C J Fase 1 Fase 2 Fase 3 Fase 1 Fase 2 Fase 3 PLM mejora 71,68 0, , mejora 100,30 0,27 398, ,52 mejora 122,49 0, , mejora 69,97 0, , no mejora 92,98 0,08 785, no mejora 52,94 0,09 815, mejora 642,50 0, , mejora 857,44 0, , mejora 1.130,76 0, , mejora 562,29 0, , no mejora 701,12 0, , mejora 330,62 0, , ,70 0, , mejora 7.464,40 0, , ,89 0, , mejora 4.523,14 0, , no mejora 5.928,66 0, , mejora 2.355,33 0, , La fase 2 de reasignación se realiza en un tiempo muy corto (véase tabla 1). Se propone mejorar la fase 1 del procedimiento heurístico como se expone a continuación, probarlo en los mismos ejemplares y analizar los resultados. La mejora consiste en introducir la fase de reasignación de tareas de forma dinámica en la acción de la fase 1 que evalúa el horario de cada trabajador de la categoría elegida que realiza la tarea a cubrir. De esta manera, se propicia un correcto reparto de tareas en cada período de tiempo. Algunos de los resultados obtenidos para la fase 1 y 3 se presentan en la tabla
8 Analizando todas las pruebas realizadas se puede concluir que en el 80% de las pruebas, los resultados mejoran los presentados en la tabla 1, aunque con un incremento de tiempo de cálculo importante. Tabla 2. Resultados con la fase 1 mejorada. Mejor solución Tiempo (s) W C J Fase 1 Fase 3 Fase 1 Fase ,05 mejora 1.118, , ,87 no mejora 897, , , ,36 579, , ,90 no mejora 3.788, , ,73 mejora 4.100, , ,14 no mejora 1.990, , ,82 mejora , , ,82 mejora 6.632, ,16 4. Conclusiones Las conclusiones son las siguientes: - Los resultados obtenidos son de muy mala calidad comparados con los obtenidos con el PLM. - En las pruebas correspondientes al procedimiento heurístico básico, la fase 3 de optimización local no mejora apreciablemente los resultados obtenidos en las fases anteriores y consume un tiempo notable comparado con las fases 1 y 2. El tiempo de cálculo para 50 trabajadores en el conjunto de las fases 1 y 2 se sitúa en promedio en 900 segundos. - En las pruebas realizadas con el procedimiento heurístico mejorado, los resultados obtenidos son de valor inferior pero siguen siendo de muy mala calidad comparados con los obtenidos con el PLM, con un incremento de tiempo de cálculo importante. Se puede concluir que los resultados del procedimiento heurístico, incluso mejorado, son de peor calidad que los obtenidos con PLM, lo que confirma el procedimiento mediante programación matemático como el más adecuado. 892
9 Agradecimientos Trabajo derivado del proyecto DPI Organización del tiempo de trabajo, con jornada anualizada, en la industria y en los servicios. Este trabajo se ha desarrollado con el soporte del Centre CIM ICT-UPC. Referencias Corominas, A., Ojeda, J., Pastor, R. (2003). Multi-objective allocation of polyvalent workers with lower bounded capacity. Documento técnico editado por el Instituto de Organización y control industrial de la Universidad Politécnica de Cataluña. Barcelona. Ojeda, J., Corominas, A., Pastor, R. (2003a). Programación de horarios de trabajo de trabajadores polivalentes y asignación simultánea de tareas a las categorías. V Congreso de Ingeniería de Organización, Valladolid, España. Ojeda, J., Corominas, A., Pastor, R. (2003b). Programación de horarios de trabajo semanales de operarios polivalentes con presencia deseada no uniforme. XXVII Congreso Nacional de Estadística e Investigación Operativa, Lleida, España. Thompson. G.M. (1997). Labor staffing and scheduling models for controlling service levels. Naval Research Logistics, 44, 8, Velasco, V. (2002). Un método para la programación de horarios de trabajo semanal y preasignación de tareas del personal en un centro de servicios. Proyecto Final de Carrera, ETSEIB, UPC. Barcelona. 893
ASIGNACIÓN DE TAREAS A TRABAJADORES POLIVALENTES CONSIDERANDO DÉFICITS Y SUPERÁVITS
27 Congreso Nacional de Estadística e Investigación Operativa Lleida, 8-11 de abril de 2003 ASIGNACIÓN DE TAREAS A TRABAJADORES POLIVALENTES CONSIDERANDO DÉFICITS Y SUPERÁVITS Albert Corominas 1, Jordi
Programación de horarios de trabajadores polivalentes y asignación simultánea de tareas a las categorías. RESUMEN
V ongreso de Ingeniería de Organización Valladolid-Burgos, 4-5 Septiembre 2003 ƒ Índice Programación de horarios de trabajadores polivalentes y asignación simultánea de tareas a las categorías. Jordi Ojeda,
obtenido de la fusión de dos rutas y la posterior asignación a un vehículo con capacidad disponible.
El problema VRP, y por tanto su variante con flota heterogénea, son problemas de optimización combinatoria complejos que caen en la categoría de NP-completo (Choi and Tcha, 2007), lo que significa que
XXVIII Congreso Nacional de Estadística e Investigación Operativa, Cádiz, Octubre 2004
XXVIII Congreso Nacional de Estadística e Investigación Operativa, Cádiz, 25-29 Octubre 2004 Optimización mediante Cúmulos de Partículas del problema de secuenciación CONWIP Carlos Andrés Romano 1, José
240ST015 - Métodos Cuantitativos en la Cadena de Suministro
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2018 240 - ETSEIB - Escuela Técnica Superior de Ingeniería Industrial de Barcelona 732 - OE - Departamento de Organización de Empresas
Algoritmo de asignación de visitas a puntos de venta a rutas y de optimización de las rutas resultantes
X Congreso de Ingeniería de Organización Valencia, 7 y 8 de septiembre de 2006 Algoritmo de asignación de visitas a puntos de venta a rutas y de optimización de las rutas resultantes Laia Ferrer, Rafael
CAPÍTULO 2: Diseño del algoritmo
CAPÍTULO 2: Diseño del algoritmo 2.1 Introducción La fase del diseño del algoritmo es la fase previa a la de la implementación del mismo, y no cabe ninguna duda de que el éxito o el fracaso de dicho algoritmo
Inicio. Cálculos previos GRASP. Resultados. Fin. Figura 5.1: Diagrama de flujo del algoritmo.
5. DISEÑO FUNCIONAL En este apartado vamos a detallar los diagramas funcionales que han constituido la base para la posterior implantación informática de la metaheurística. 5.1. Diseño funcional del algoritmo
FLOW-SHOP SIN PULMONES:
Documento Interno de Trabajo. Laboratorio de Organización Industrial. Departamento de Organización de Empresas Presentado: I Workshop de Ingeniería de Organización. Bilbao, 21-22 de Septiembre de 2000.
6 PROTOCOLO DE PRUEBAS
6 PROTOCOLO DE PRUEBAS 6.1 Introducción Se exponen a continuación los resultados de la puesta a prueba del comportamiento del algoritmo. Para facilitar el proceso de análisis del comportamiento del algoritmo,
Dirección de Operaciones
Dirección de Operaciones 1 Sesión No. 9 Nombre: Problemas de transporte y asignación. Primera parte. Objetivo Al finalizar la sesión, el alumno será capaz de Contextualización Cuál es el valor de estudiar
Metaheurísticas
UNIVERSIDAD DE GRANADA E.T.S.I. INFORMÁTICA Y TELECOMUNICACIÓN Departamento de Ciencias de la Computación e Inteligencia Artificial Metaheurísticas http://sci2s.ugr.es/graduatecourses/metaheuristicas https://decsai.ugr.es
CAPÍTULO 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
Equilibrado de puestos de cadenas de montaje en producción por lotes. Pedro Sánchez Martín Santiago López de Haro Andrés Ramos
Equilibrado de puestos de cadenas de montaje en producción por lotes Pedro Sánchez Martín Santiago López de Haro Andrés Ramos El equilibrado de puestos de cadenas de montaje - Sistema de producción de
Algoritmos genéticos
Algoritmos genéticos Introducción 2 Esquema básico 3 El problema de la mochila 7 Asignación de recursos 0 El problema del viajante 3 Variantes del esquema básico 5 Por qué funciona? 9 Observaciones finales
Dirección de Operaciones. SESIÓN # 9: Problemas de transporte y asignación. Primera parte.
Dirección de Operaciones SESIÓN # 9: Problemas de transporte y asignación. Primera parte. Contextualización Cuál es el valor de estudiar problemas de transporte? En las siguientes dos sesiones estudiaremos
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
PROGRAMA ANALÍTICO DE ASIGNATURA
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE HIDALGO COORDINACIÓN DE DOCENCIA DIRECCIÓN DE PLANEACIÓN Y DESARROLLO EDUCATIVO PROGRAMA ANALÍTICO DE ASIGNATURA _ 1.- DATOS GENERALES 1.1 INSTITUTO: INSTITUTO DE CIENCIAS
240IOI31 - Métodos Cuantitativos de Organización Industrial II
Unidad responsable: 240 - ETSEIB - Escuela Técnica Superior de Ingeniería Industrial de Barcelona Unidad que imparte: 732 - OE - Departamento de Organización de Empresas Curso: Titulación: 2018 MÁSTER
4. Procedimiento de solución
4. Procedimiento de solución Para probar la validez del modelo desarrollado, se va a implementar su programación en la herramienta de optimización del programa Matlab R2008a. 4.1. Sub-rutina en Matlab
NORMATIVA. La forma de evaluar el laboratorio constará de dos aspectos:
NORMATIVA 1. La evaluación del laboratorio. Dentro de la evaluación de la asignatura de Fundamentos Matemáticos II (especialidad Electrónica) para el curso 2004-2005 el laboratorio tiene también su importancia.
LECCIÓN 7 "DISTRIBUCIÓN Y OPTIMIZACIÓN DE RECURSOS"
LECCIÓN 7 "DISTRIBUCIÓN Y OPTIMIZACIÓN DE RECURSOS" ÍNDICE 7.1. PROBLEMAS DE RECURSOS LIMITADOS. 7.2. NIVELACIÓN DE RECURSOS. 7.3. ASIGNACIÓN DE RECURSOS. 7.4. EXTENSIONES DE LAS TÉCNICAS CPM/PERT: OPTIMIZACIÓN
CONCLUSIONES. 1. La implementación del Recocido Simulado V.2 es una versión fácil de
CONCLUSIONES 1. La implementación del Recocido Simulado V.2 es una versión fácil de utilizar, sencilla en codificación, ocupa poco espacio en disco; haciéndolo un software manejable y adaptable a cualquier
CAPÍTULO 3. GRASP (Greedy Randomized Adaptive Search Procedures). Los problemas de optimización surgen de las situaciones de aplicación práctica.
CAPÍTULO 3 GRASP (Greedy Randomized Adaptive Search Procedures). Los problemas de optimización surgen de las situaciones de aplicación práctica. Estos problemas se aplican en distintas áreas, tales como:
Nuevo Método para la Resolución del Problema de Transporte
II Conferencia de Ingeniería de Organización Vigo, 5-6 Septiembre 2002 Nuevo Método para la Resolución del Problema de Transporte Francisco López Ruiz, Germán Arana Landín 2 Doctor Ingeniero Industrial,
2. PLANIFICACIÓN OPERACIONAL DE LA CAPACIDAD CON RESTRICCIONES DE TIEMPO
2. PLANIFICACIÓN OPERACIONAL DE LA CAPACIDAD CON RESTRICCIONES DE TIEMPO 2.1. Introducción. El problema de la planificación operacional de la capacidad en sistemas logísticos con restricciones de tiempo,
7.- Conclusiones. Tesis de Doctorado Diseño de Columnas de Rectificación y Extracción Multicomponente. Cálculo del Reflujo Mínimo
7.- Conclusiones Tesis de Doctorado Diseño de Columnas de Rectificación y Extracción Multicomponente. Cálculo del Reflujo Mínimo Juan Antonio Reyes Labarta Alicante, Junio 1998 341 7. Conclusiones 1.-
Teniendo en cuenta los valores de las variables se tienen 3 tipos de modelos lineales enteros:
Tema 5 Programación entera En este tema introducimos problemas lineales en los que algunas o todas las variables están restringidas a tomar valores enteros. Para resolver este tipo de problemas se han
MQ1 - Métodos Cuantitativos 1
Unidad responsable: 860 - EEI - Escuela de Ingeniería de Igualada Unidad que imparte: 732 - OE - Departamento de Organización de Empresas Curso: Titulación: 2016 GRADO EN INGENIERÍA EN ORGANIZACIÓN INDUSTRIAL
Metaheurísticas y heurísticas. Algoritmos y Estructuras de Datos III
Metaheurísticas y heurísticas Algoritmos y Estructuras de Datos III Metaheurísticas Heurísticas clásicas. Metaheurísticas o heurísticas modernas. Cuándo usarlas? Problemas para los cuales no se conocen
8. ANÁLISIS EN EL USO DE CAUDALES EQUIVALENTES. 8.1 Caudales equivalentes en el modelo simplificado
8. ANÁLISIS EN EL USO DE CAUDALES EQUIVALENTES Este último punto ha sido separado del anterior ya que se aleja de la comparación entre los procedimientos de cálculo de ambos modelos. En este apartado se
Métodos Constructivos. Empiezan desde una solución vacía (a veces pequeña)
Métodos Constructivos Empiezan desde una solución vacía (a veces pequeña) En repetidas ocasiones, extienden la solución actual hasta que una solución completa se construye. Utiliza una heurística para
WEBS RECOMENDADAS. s1.htm
WEBS RECOMENDADAS NÚMEROS RACIONALES E IRRACIONALES http://descartes.cnice.mec.es/3_eso/numeros_reales_aproximaciones/numero s1. Presenta los números racionales http://descartes.cnice.mec.es/3_eso/numeros_reales_aproximaciones/numero
7. PROGRAMACION LINEAL
7. PROGRAMACION LINEAL 7.1. INTRODUCCION A LA PROGRMACION LINEAL 7.2. FORMULACION DE UN PROBLEMA LINEAL 7.3. SOLUCION GRAFICA DE UN PROBLEMA LINEAL 7.4. CASOS ESPECIALES DE PROBLEMAS LINEALES 7.4.1. Problemas
Matemáticas y estadística con R Estadística, álgebra lineal y cálculo
Matemáticas y estadística con R Estadística, álgebra lineal y cálculo PID_00203024 c FUOC PID_00203024 2 Matemáticas y estadística con R Profesor de los Estudios de Economía y Empresa de la Universitat
PROGRAMA DE ESTUDIO : TERCER AÑO, SEGUNDO SEMESTRE
PROGRAMA DE ESTUDIO A. Antecedentes Generales ASIGNATURA : Optimización CODIGO : IIM414M DURACIÓN : UN SEMESTRE ACADÉMICO PRE - REQUISITO : NO TIENE CO - REQUISITO : NO TIENE UBICACIÓN : TERCER AÑO, SEGUNDO
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
UNIVERSIDAD DE MANAGUA Al más alto nivel
UNIVERSIDAD DE MANAGUA Al más alto nivel Programación Lineal Encuentro #9 Tema: PROBLEMA DE ASIGNACIÓN Prof.: MSc. Julio Rito Vargas A. Grupos: CCEE y ADMVA /201 Objetivos: Resolver problemas de asignación
Para llevar a cabo una simulación, se requiere implementar las siguientes etapas:
SIMULACIÓN: La simulación se define como una técnica numérica utilizada para representar un proceso o fenómeno mediante otro más simple que permite analizar sus características. Esta técnica emplea relaciones
Grafos Eulerianos y Hamiltonianos. Algoritmos y Estructuras de Datos III
Grafos Eulerianos y Hamiltonianos Algoritmos y Estructuras de Datos III Grafos eulerianos Definiciones: Un circuito C en un grafo (o multigrafo) G es un circuito euleriano si C pasa por todos las aristas
FACULTAD DE INGENIERÍA Y ARQUITECTURA ESCUELA PROFESIONAL DE INGENIERÍA INDUSTRIAL
FACULTAD DE INGENIERÍA Y ARQUITECTURA ESCUELA PROFESIONAL DE INGENIERÍA INDUSTRIAL SÍLABO INVESTIGACIÓN DE OPERACIONES I I. DATOS GENERALES 1.0. Unidad : Investigación de Operaciones I 1.1. Semestre académico
RESOLUCIÓN DE PROBLEMAS DE PROGRAMACIÓN LINEAL EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES CON LA HOJA DE CÁLCULO CALC
RESOLUCIÓN DE PROBLEMAS DE PROGRAMACIÓN LINEAL EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES CON LA HOJA DE CÁLCULO CALC 1.- Introducción Los actuales componentes del bachillerato formulados por el
El análisis de los problemas de localización es un área fértil de investigación
El análisis de los problemas de localización es un área fértil de investigación desde principios de siglo. El primer modelo de localización fue propuesto por Alfred Weber en 1909 [1], y domino por muchos
FACULTAD 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
Investigación Operativa
Investigación Operativa Unidad temática 3.3: Extensiones de la programación lineal. Programación con objetivos múltiples. Fundamentos y aplicaciones. Variables irrestrictas. Programación por objetivos.
Computación en Internet: Librería MALLBA para problemas de optimización
Computación en Internet: Librería MALLBA para problemas de optimización Maria J. Blesa Jordi Petit Fatos Xhafa Departament de Llenguatges i Sistemes Informàtics Universitat Politècnica de Catalunya Campus
Optimización de Colonia de Hormigas para resolver el problema de Distribución en Planta
Optimización de Colonia de Hormigas para resolver el problema de Distribución en Planta Luis Felipe Romero Dessens, José Alberto González Anaya y Luis Manuel Lozano Cota Universidad de Sonora, Departamento
Planificación con prioridades
dit UPM Planificación con prioridades Juan Antonio de la Puente DIT/UPM Copyright 2007, Juan Antonio de la Puente Planificación El objetivo de los métodos de planificación (scheduling) es repartir el tiempo
A MEMETIC ALGORITHM FOR. Zhipeng Lü, Jin-Kao Hao
A MEMETIC ALGORITHM FOR GRAPH COLORING Zhipeng Lü, Jin-Kao Hao European Jornal of Operational Research Introducción Aplicaciones generales Aplicaciones prácticas Heurísticas Algoritmo propuesto: MACOL
Formato para prácticas de laboratorio
Formato para prácticas de laboratorio CARRERA INGENIERIA INDUSTRIAL PLAN DE ESTUDIO CLAVE DE UNIDAD DE APRENDIZAJE 2007-1 9013 NOMBRE DE LA UNIDAD DE APRENDIZAJE METODOLOGIA PARA LA RESOLUCION DE PROBLEMAS
Minimizing the ergonomic risk and its dispersion in a mixed model assembly line using GRASP
XII CONGRESO ESPAÑOL DE METAHEURÍSTICAS, ALGORITMOS EVOLUTIVOS Y BIOINSPIRADOS (MAEB 2017) Universitat Pompeu Fabra Barcelona 4 a 7 de julio 2017 Minimizing the ergonomic risk and its dispersion in a mixed
Caso de un Modelo de Optimización para un Problema de Calendarización de Horarios.
Caso de un Modelo de Optimización para un Problema de Calendarización de Horarios. Resumen Sánchez, D. 1, Cano, P. 2, Reyes, M. 3 El problema de calendarización de horarios es uno muy tratado en la literatura,
1.- Datos censados (censored observations) son aquellos en los que se ha producido el suceso inicial
ANÁLISIS DE SUPERVIVIENCIA El análisis de supervivencia se utiliza cuando la variable dependiente representa un periodo de tiempo entre un suceso inicial y el evento final. El análisis de supervivencia
OPTIMIZACIÓN DEL DESPACHO HORARIO DE ENERGIA CENTRALES CORANI Y SANTA ISABEL
OPTIMIZACIÓN DEL DESPACHO HORARIO DE ENERGIA CENTRALES CORANI Y SANTA ISABEL Helmer Rodriguez 1 Resumen A fin de cubrir la demanda de energía en el Sistema Interconectado Nacional (SIN), el Centro Nacional
Forma 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
Optimización con Simrunner
Optimización con Simrunner Introducción Una de las razones por las cuales se desarrollan modelos de simulación es por la necesidad de optimizar el sistema de estudio. La optimización es el proceso de evaluación
COMPLEMENTO B Enfoques para la Toma de Decisiones
COMPLEMENTO B Enfoques para la Toma de Decisiones ADMINISTRACIÓN DE LAS OPERACIONES PRODUCTIVAS Un Enfoque en Procesos para la Gerencia Fernando A. D Alessio Ipinza 1 Contenido 1. Introducción 2. El proceso
Clasificación Clasific NO SUPERV SUPER ISAD IS A AD AGRUPAMIENTO
Clasificación NO SUPERVISADA AGRUPAMIENTO Clasificación No Supervisada Se trata de construir clasificadores sin información a priori, o sea, a partir de conjuntos de patrones no etiquetados Objetivo: Descubrir
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO ESCUELA NACIONAL COLEGIO DE CIENCIAS Y HUMANIDADES MATERIA: TALLER DE CÓMPUTO MATERIAL DE APOYO
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO ESCUELA NACIONAL COLEGIO DE CIENCIAS Y HUMANIDADES MATERIA: TALLER DE CÓMPUTO MATERIAL DE APOYO NOMENCLATURA : NOMBRE: M U VI-1 Lectura Conociendo el ambiente de
ANÁLISIS DE CONGLOMERADOS NO JERÁRQUICO
Análisis de conglomerados no jerárquico ANÁLISIS DE CONGLOMERADOS NO JERÁRQUICO El análisis de conglomerados es un procedimiento estadístico de clasificación que pretende identificar grupos relativamente
Capítulo III: MARCO METODOLÓGICO
Capítulo III: MARCO METODOLÓGICO Tipo de Investigación El presente trabajo de investigación, tuvo como propósito el desarrollo de una aplicación experimental que permitió evaluar la operatividad y funcionalidad
CI63G Planificación de Sistemas de Transporte Público Urbano. Clase 12 Semestre Otoño 2008
CI63G Planificación de Sistemas de Transporte Público Urbano Clase 12 Semestre Otoño 2008 Modelos de asignación de Transporte Público Para una oferta y demanda dadas de transporte público, se decide como
Algorítmica y Lenguajes de Programación. Algoritmos voraces y divide y vencerás
Algorítmica y Lenguajes de Programación Algoritmos voraces y divide y vencerás Algoritmos voraces. Introducción (i) Las personas glotonas (voraces) intentan coger tanto como pueden en cada momento. Los
Son una clase particular de los algoritmos evolutivos.
Algoritmos Genéticos (AGs) Los AGs son técnicas de resolución para problemas de Búsqueda Optimización Aprendizaje en máquinas Son una clase particular de los algoritmos evolutivos. Los AGs intentan resolver
GUÍA DOCENTE 1. DESCRIPCIÓN DE LA ASIGNATURA. Ingeniería Informática en Sistemas de Información Fundamentos de Programación
1. DESCRIPCIÓN DE LA ASIGNATURA Grado: Ingeniería Informática en Sistemas de Información Asignatura: Fundamentos de Programación Módulo: Formación Básica Departamento: Deporte e Informática Año Académico
El método Ramifica y acota (Branch and Bound) (V)
El método Ramifica y acota (Branch and Bound) (V) Así pues, la estructura general de esta técnica consiste en: Un criterio para dividir los subconjuntos candidatos a contener la solución óptima encontrados
CAPÍTULO 2 PLANTEAMIENTO MATEMÁTICO DEL PROBLEMA
CAPÍTULO 2 PLANTEAMIENTO MATEMÁTICO DEL PROBLEMA En este capítulo se hace una descripción de los datos originales del problema y de cómo se van procesando para resolver el problema concerniente. En la
Programación Lineal Modelo de transporte Asignación
Programación Lineal Modelo de transporte Asignación Curso: Investigación de Operaciones Ing. Javier Villatoro MODELO DE ASIGNACIÓN Modelo de Asignación Consiste en asignar al mínimo costo los requerimientos
PROGRAMACION DE REDES. MODELOS DE TRANSPORTE
PROGRAMACION DE REDES. MODELOS DE TRANSPORTE El modelo de transporte o modelo de distribución es un ejemplo de un problema de optimización de redes. Se aplican para resolver ciertos tipos de problemas
I. Programas Desarrollados en Matlab
I. Programas Desarrollados en Matlab Para llevar a cabo todos los cálculos de energía y de costes del presente proyecto se han desarrollado varios programas y aplicaciones con la ayuda del software MATLAB,
1. Defina el problema de particionamiento. Escriba un ejemplo de este tipo de problema, junto con su formulación general en AMPL.
DEPARTAMENTO DE ESTADÍSTICA E INVESTIGACIÓN OPERATIVA o. DIPLOMATURA DE ESTADÍSTICA Ampliación de la Investigación Operativa. Curso 00/0 a Prueba de Evaluación Continua. Fecha: 6-6-0. Defina el problema
greedy (adj): avaricioso, voraz, ávido, codicioso, glotón
Algoritmos Greedy Análisis y Diseño de Algoritmos Algoritmos Greedy Características generales Elementos de un algoritmo greedy Esquema de un algoritmo greedy s Almacenamiento óptimo en cintas Problema
MODELIZACIÓN DE LA VOLATILIDAD CONDICIONAL EN ÍNDICES BURSÁTILES COMPARATIVA MODELO EGARCH VERSUS RED NEURONAL BACKPROPAGATION
Resumen Tesis Javier Oliver Muncharaz MODELIZACIÓN DE LA VOLATILIDAD CONDICIONAL EN ÍNDICES BURSÁTILES COMPARATIVA MODELO EGARCH VERSUS RED NEURONAL BACKPROPAGATION En el capítulo 1 se exponen las principales
Programa 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
Sistemas Operativos Scheduling de Procesos
Sistemas Operativos Scheduling de Procesos Dr. Wenceslao Palma M. Generalmente en un sistema computacional existe un procesador real. Cada proceso puede ser visto como un procesador
COMPUTACIÓN ALEATORIZADA
Conferencia magistral COMPUTACIÓN ALEATORIZADA Probabilidad y algoritmos Dra. Elisa Schaeffer Profesora del Posgrado de Ing. de Sistemas (PISIS) en la Facultad de Ing. Mecánica y Eléctrica (FIME), Coordinador
Redes de Neuronas de Base Radial
Redes de Neuronas de Base Radial 1 Introducción Redes multicapa con conexiones hacia delante Única capa oculta Las neuronas ocultas poseen carácter local Cada neurona oculta se activa en una región distinta
FACULTAD DE MATEMÁTICAS. Itinerario Curricular del Doble Título de Grado en Matemáticas y Estadística (Acuerdo 4.2.4/CG )
Itinerario Curricular del Doble Título de Grado en Matemáticas y Estadística (Acuerdo 4.2.4/CG 18-0-13) Texto actualizado octubre 2017 2 ÍNDICE Justificación.........5 Características Básicas......5 Créditos
Capítulo Siete PROGRAMACIÓN DE LA PRODUCCIÓN
Capítulo Siete PROGRAMACIÓN DE LA PRODUCCIÓN 1 Importancia Estratégica de la Programación a Corto Plazo Una programación eficaz significa rápido movimiento de bienes y servicios en las instalaciones. Esto
Algoritmos Voraces. Diseño y Análisis de Algoritmos
Algoritmos Voraces Diseño y Análisis de Algoritmos Contenidos Contenidos 1 Introducción 2 Ejemplos básicos 3 Cambio de monedas 4 Problema de la mochila 5 Problemas de planificación de tareas 6 Patrones
Forma estándar de un PPL con m restricciones y n variables. (b 0)
Forma estándar de un PPL con m restricciones y n variables Maximizar (minimizar) Z = c 1 x 1 + c 2 x 2 +... + c n x n a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 +a 22 x 2 +... + a 2n x n = b 2...
UNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 10 de septiembre de 2008
UNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 10 de septiembre de 2008 Problema 1. (2 puntos) Trabajas en una compañía de transporte aéreo de mercancías. Tienes
Programación de la producción
Programación de la producción La programación productiva es el conjunto de actividades que se llevan a cabo para asignar de manera eficiente cada uno de los recursos utilizados dentro de los procesos de
MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II DISTRITO ÚNICO DE ANDALUCÍA
MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II DISTRITO ÚNICO DE ANDALUCÍA CONTENIDOS Y OBJETIVOS MÍNIMOS PARA EL CURSO 2007/08. 1. INTRODUCCIÓN A LOS CONTENIDOS. ( Decreto 208/2002. B.O.J.A. de 20.08.02
Modelos de Transporte: Problemas de Asignación. M. En C. Eduardo Bustos Farías
Modelos de Transporte: Problemas de asignación M. En C. Eduardo Bustos Farías as Problemas de Asignación Problemas de Asignación: Son problemas balanceados de transporte en los cuales todas las ofertas
Experimentos Introducción
Capítulo 5 Experimentos 5.1. Introducción En este capítulo se describirán los desarrollos y resultados de los experimentos realizados con el sistema de reconocimiento de voz presentado en este proyecto.
9. Programación lineal entera.
9. rogramación lineal entera. Introducción Método de ramificación y poda rogramación lineal entera Un problema de programación entera es aquel en el que alguna o todas sus variables deben tomar valores
CONSTRUCCIÓN AUTOMÁTICA DE REGLAS DE INVERSIÓN UTILIZANDO PROGRAMACIÓN GENÉTICA
CONSTRUCCIÓN AUTOMÁTICA DE REGLAS DE INVERSIÓN UTILIZANDO PROGRAMACIÓN GENÉTICA Mario Alberto Llorente Lopez PFC Ingeniería en Informática 24 de Enero de 2012 CONTENIDO Introducción Objetivos Planificación
En 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,
Apuntes de Teórico de Programación 3. Apuntes de Teórico PROGRAMACIÓN 3. Greedy. Versión 1.1
Apuntes de Teórico PROGRAMACIÓN 3 Greedy Versión 1.1 1 Índice Índice... Introducción... 3 Ejemplo 1 (problema de las monedas)... 3 Ejemplo (problema de la mochila)... 4 Aplicaciones del método Greedy a
Capítulo 13 INSTRUCCIONES DE CONTROL REPETITIVAS. Presentación resumen del libro: "EMPEZAR DE CERO A PROGRAMAR EN lenguaje C"
Presentación resumen del libro: "EMPEZAR DE CERO A PROGRAMAR EN lenguaje C" Autor: Carlos Javier Pes Rivas (correo@carlospes.com) Capítulo 13 INSTRUCCIONES DE CONTROL REPETITIVAS 1 OBJETIVOS Conocer las
Capital Humano. Los niveles de estudios de los empleados en los diferentes sectores productivos. núm. Noviembre
Capital Humano Noviembre 2003 35 núm. 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5
POSGRADO EN CIENCIAS EXACTAS Y SISTEMAS DE LA INFORMACIÓN PLAN: 2005
POSGRADO EN CIENCIAS EXACTAS Y SISTEMAS DE LA INFORMACIÓN PLAN: 2005 OBJETIVO GENERAL APOYO PNP DIRECTORIO DE TUTORES Formar recursos humanos de alto nivel en las áreas de Estadística, Matemáticas, Redes
Técnicas de optimización. Introducción.
Técnicas de optimización. Introducción. Diego A. Patino Pontificia Universidad Javeriana 18 de julio de 2016 1/ 20 Definición Composición Tipos de problemas Ejemplos 2/ 20 Qué es optimización? 3/ 20 Qué
2.REVISIÓN DE LA LITERATURA
3 2.REVISIÓN DE LA LITERATURA 2.1 Procedimientos basados en algoritmos genéticos para MCFP El problema de formación de células de manufactura ha sido estudiado extensamente en la literatura. Particularmente,
CAPÍTULO 1. El análisis de los problemas de localización es un área fértil de investigación
CAPÍTULO 1. Introducción. El análisis de los problemas de localización es un área fértil de investigación desde principios de siglo. El primer modelo de localización fue propuesto por Alfred Weber en 1909
DISEÑO DE EXPERIMENTOS
DISEÑO DE EXPERIMENTOS Dr. Héctor Escalona hbescalona@yahoo.com hbeb@xanum.uam.mx Diseño de 1. Introducción al diseño de 2. Herramientas de inferencia estadística 3. para la comparación de dos tratamientos
C a l ses P P y y NP C a l se P C a l se N P N P [No N n o -De D te t rmin i i n s i ti t c i Polynomial-tim i e]
Análisis y Diseño de Algoritmos Introducción Análisis y Diseño de Algoritmos Concepto de algoritmo Resolución de problemas Clasificación de problemas Algorítmica Análisis de la eficiencia de los algoritmos