Implementación de un Algoritmo Multioperador Basado en Evolución Diferencial para Optimización Númerica con Restricciones
|
|
- Benito Rivas Piñeiro
- hace 7 años
- Vistas:
Transcripción
1 Implementación de un Algoritmo Multioperador Basado en Evolución Diferencial para Optimización Númerica con Restricciones TESIS DE MAESTRÍA Luis Alfredo Gordián Rivera Laboratorio Nacional de Informática Avanzada Maestría en Computación Aplicada Diciembre 2012
2
3 Implementación de un Algoritmo Multioperador Basado en Evolución Diferencial para Optimización Númerica con Restricciones Tesis para obtener el grado de maestría Maestría en Computación Aplicada Director Dr. Efrén Mezura Montes Codirector Dr. Edgar Alfredo Portilla Flores Laboratorio Nacional de Informática Avanzada Maestría en Computación Aplicada Diciembre 2012
4
5 A mi madre, que nunca ha dejado de apoyarme
6
7 La creación intelectual es el más misterioso y solitario de los oficios humanos. Gabriel García Márquez
8
9 Agradecimientos Si estás solo, serás todo tuyo, y si estás acompañado por una sola persona, serás medio tuyo. Leonardo Da Vinci Quiero agradecer a mi familia por apoyarme y estar conmigo en los buenos momentos pero principalmente en los malos. A mi padre por su consejos y cariño, a mi madre por darme la vida y su apoyo aún en los peores momentos, a mi hermano por su compañia y su amistad. Quiero dar mi más profundo agradecimiento al Dr. Efrén Mezura Montes por brindarme su tiempo y su apoyo en el desarrollo de este trabajo, ha sido realmente grata la experiencia de trabajar bajo su dirección. Al Dr. Edgar Alfredo Portilla Flores por apoyarme en la revisión del documento y por abrirme las puertas en el CIDETEC para realizar mis residencias. A mis compañeros y amigos que hicieron de esta experiencia un recuerdo inolvidable. Y al CONACYT por otorgarme la beca para la realización de esta maestría. IX
10
11 Resumen La optimización se define como el proceso llevado a cabo para encontrar los valores o características que minimicen algún otro valor que depende de ellos. En el mundo real la mayoría de problemas de optimización se encuentran sujetos a un conjunto de restricciones lo que a su vez complica el proceso de búsqueda generando a su vez una gran cantidad de clases de problemas. En la actualidad diversos algoritmos han surgido con la intención de resolver la mayor cantidad de problemas de optimización. Sin embargo se ha observado que ningún algoritmo posee la capacidad para tener un buen desempeño en todas las clases de problemas. En este trabajo se presenta un nuevo algoritmo para el manejo de múltiples operadores para resolver problemas de optimización con restricciones. La característica principal del algoritmo es la adaptación de medidas de desempeño a su funcionamiento, así como el uso de variantes especializadas en el manejo de problemas de optimización con restricciones. Con el objetivo de probar y evaluar el comportamiento de la técnica propuesta se utilizó un conjunto de problemas de prueba, además de un grupo de problemas de optimización en ingeniería. También, se presenta un análisis del comportamiento del algoritmo y se hace una comparación de los resultados obtenidos contra los obtenidos por otros algoritmos del estado del arte. XI
12
13 Índice Agradecimientos Resumen IX XI 1. Introducción Antecedentes Objetivos Objetivo General Objetivos Específicos Hipótesis Justificación Alcances y Limitaciones Organización de la Tesis Optimización Motivación Definición de Optimización Clasificación de los Problemas de Optimización Componentes del Problema de Optimización Planteamiento del Problema General de Optimización Numérica con Restricciones Técnicas de Optimización Técnicas Tradicionales y No Tradicionales Evolución Diferencial Algoritmos de Optimización Algoritmos de Inteligencia Colectiva Algoritmos de Computación Evolutiva Componentes de un Algoritmo Bio-inspirado Evolución Diferencial Algoritmo de ED Componentes de la ED XIII
14 XIV ÍNDICE 3.3. Manejo de Restricciones Ejemplos de aplicación Algoritmos Multioperadores Introducción Hiperheurísticas Estructura y Funcionamiento Clasificación Ensambles e Híbridos Estructura y Funcionamiento Clasificación Clasificación del algoritmo propuesto Técnica Propuesta Motivación Solución propuesta Variantes de ED Operadores Medidas de Desempeño Descripción general del Algoritmo Resultados Diseño experimental Problemas de prueba Análisis estadístico y discusión de resultados finales Análisis de comportamiento Problemas de diseño ingenieril Análisis estadístico y discusión Analisis de comportamiento Integración de resultados Conclusiones y Trabajo futuro Conclusiones Trabajo futuro I Apéndices 69 A. Problemas de prueba. 71 A.1. Problemas de prueba B. Gráficas de comportamiento. 83 B.1. Problemas de prueba
15 ÍNDICE XV Referencias 95
16
17 Índice de figuras 2.1. Ejemplo del espacio de búsqueda Proceso de mutación Descripción gráfica de la cruza exponencial y binomial Estructura basica de una hiperheurística Clasificación de las hiperheurísticas Clasificación de los algoritmos cooperativos de acuerdo al tipo de algoritmos y a su forma de cooperación Clasificación de los algoritmos cooperativos de acuerdo al grado de cooperación y a la distribución del espacio de búsqueda Diagrama esquemático del algoritmo propuesto, donde P (t) son las subpoblaciones antes de ser evolucionadas por cada variante v y PR y DC son el Progress Ratio y la Diferencia de convergencia respectivamente Diagrama de flujo del algoritmo propuesto en un ciclo Promedio del comportamiento del tamaño de las subpoblaciones en las 30 ejecuciones para problemas representativos con base en el tamaño de la zona factible Promedio del comportamiento del tamaño de las subpoblaciones en las 30 ejecuciones para problemas representativos con base en su dimensionalidad Gráficas del comportamiento de las subpoblaciones en cuatro ejecuciones distintas. Dos ejecuciones por problema Gráficas del comportamiento de las subpoblaciones en los problemas de ingeniería B.1. Comportamiento promedio de los tamaños de subpoblación en las 30 ejecuciones para el problema g B.2. Comportamiento promedio de los tamaños de subpoblación en las 30 ejecuciones para el problema g XVII
18 XVIII ÍNDICE DE FIGURAS B.3. Comportamiento promedio de los tamaños de subpoblación en las 30 ejecuciones para el problema g B.4. Comportamiento promedio de los tamaños de subpoblación en las 30 ejecuciones para el problema g B.5. Comportamiento promedio de los tamaños de subpoblación en las 30 ejecuciones para el problema g B.6. Comportamiento promedio de los tamaños de subpoblación en las 30 ejecuciones para el problema g B.7. Comportamiento promedio de los tamaños de subpoblación en las 30 ejecuciones para el problema g B.8. Comportamiento promedio de los tamaños de subpoblación en las 30 ejecuciones para el problema g B.9. Comportamiento promedio de los tamaños de subpoblación en las 30 ejecuciones para el problema g B.10. Comportamiento promedio de los tamaños de subpoblación en las 30 ejecuciones para el problema g B.11. Comportamiento promedio de los tamaños de subpoblación en las 30 ejecuciones para el problema g B.12. Comportamiento promedio de los tamaños de subpoblación en las 30 ejecuciones para el problema g B.13. Comportamiento promedio de los tamaños de subpoblación en las 30 ejecuciones para el problema g B.14. Comportamiento promedio de los tamaños de subpoblación en las 30 ejecuciones para el problema g B.15. Comportamiento promedio de los tamaños de subpoblación en las 30 ejecuciones para el problema g B.16. Comportamiento promedio de los tamaños de subpoblación en las 30 ejecuciones para el problema g B.17. Comportamiento promedio de los tamaños de subpoblación en las 30 ejecuciones para el problema g B.18. Comportamiento promedio de los tamaños de subpoblación en las 30 ejecuciones para el problema g B.19. Comportamiento promedio de los tamaños de subpoblación en las 30 ejecuciones para el problema g B.20. Comportamiento promedio de los tamaños de subpoblación en las 30 ejecuciones para el problema g B.21. Comportamiento promedio de los tamaños de subpoblación en las 30 ejecuciones para el problema g
19 Índice de Tablas 6.1. Características principales de los 24 problemas de prueba Valores utilizados por cada parámetro del algoritmo propuesto Comparación estadística del algorimo propuesto contra tres algoritmos encontrados en el estado del arte Características principales de los 4 problemas de ingeniería Valores utilizados por cada parámetro del algoritmo propuesto Detalle de las mejores soluciones obtenidas por el algoritmo propuesto para los problemas de ingeniería Resultados estadísticos obtenidos por el algoritmo propuesto Comparación de los resultados estadísticos obtenidos por el algoritmo contra los encontrados en el estado del arte Porcentaje promedio de población asignado a cada variante por cada problema incluidos los problemas de prueba A.1. Conjunto de datos para el problema de prueba g A.2. Conjunto de datos para el problema de prueba g XIX
20
21 Capítulo 1 Introducción En este capítulo se presenta la motivación y la justificación de esta investigación. También se presentan los objetivos principales y específicos de la presente tesis. Además se explica la hipótesis y la contribución de este trabajo Antecedentes La optimización es el proceso llevado a cabo para obtener los valores necesarios para maximizar o minimizar un resultado bajo ciertas circunstancias. Además, es uno de los principales puntos de estudio de diversas áreas del conocimiento[1]. Por otro lado, la optimización se ha vuelto una importante herramienta al momento de tomar decisiones en la ciencia y en el análisis de sistemas físicos [2]. Al hablar de optimización, un punto importante son los métodos empleados para obtener los valores óptimos. Existen diversas técnicas en el área de optimización [3], las más conocidas son las técnicas basadas en métodos numéricos, cálculo diferencial y programación matemática[4][5]. Actualmente han surgido novedosas técnicas que, apoyadas por la capacidad computacional actual, obtienen resultados comparables a los obtenidos con técnicas matemáticas. Un ejemplo de ello son las heurísticas y las metaheurísticas, mediante las cuales se realiza una búsqueda de soluciones que sacrifica la optimalidad para ganar eficiencia (la solución encontrada será competitiva, más no se garantiza que sea la mejor de todas) [6]. Una heurística es una técnica de búsqueda de soluciones aplicable a un problema particular. De tal manera, que para cada problema planteado es necesario diseñar un mecanismo capaz de buscar y encontrar una solución satisfactoria. Por ejemplo, suponga que se desea optimizar el tiempo de fabricación de las piezas para automóvil, una posible heurística podría ser comenzar fabricando las piezas más pequeñas y terminar con las más grandes, sin que ésto signifique que es la mejor manera de hacerlo. Otra heurística puede ser el intercalado de piezas grandes y pequeñas. 1
22 2 CAPÍTULO 1. Introducción Los algoritmos heurísticos basan su funcionamiento en la aplicación de operadores o reglas, que de acuerdo al problema dirigen la búsqueda hacia las soluciones más prometedoras, un ejemplo de este tipo de algoritmos es el Hill Climbing o ascenso de colinas en el que la búsqueda parte de una solución inicial y el operador se encarga de realizar una búsqueda en soluciones vecinas donde si alguna de las soluciones es mejor que el punto actual entonces ésta se convierte en la solución actual [7]. Así, se reduce la cantidad de recursos necesarios, pues intentan evadir zonas poco favorables del espacio de búsqueda, lo que reduce precisamente el tiempo de búsqueda necesario y hace a los algoritmos heurísticos técnicas competitivas en espacios de búsqueda extensos. Sin embargo, el funcionamiento del algoritmo heurístico está retringido al problema para el que fué diseñado, pues el operador en cada heurística depende de las características y condiciones de la problemática para el que fue pensado. Así, la heurística utilizada para optimizar el tiempo de fabricación de las piezas de nuestro automóvil probablemente no se podría aplicar para optimizar el tiempo de armado. Por otro lado, una metaheurística es una técnica con mayor generalidad que una heurística y que aplica un conjunto de heurísticas de manera sistemática y sin necesidad de tener información a priori del problema que se quiere resolver. Las técnicas metaheurísticas poseen la ventaja de que las heurísticas se encuentra incluidas en su funcionamiento, lo que hace posible el uso de los algoritmos metaheurísticos en una amplia variedad de problemas tanto de índole combinatoria como númerica, sin la necesidad de cambios importantes en su estructura o mecanismo, además de que proporcionan un marco de trabajo bien definido lo que hace más fácil su implementación [8]. Existen diversos trabajos relacionados al desarrollo de metaheurísticas que buscan mejorar la capacidad para converger a una buena solución del problema de manera rápida y con mayor exactitud. Algunos de estos algoritmos están basados en comportamientos de la naturaleza. Por ejemplo, en [9], se describe la Evolución Diferencial y la Optimización mediante Cúmulos de Partículas, métodos surgidos a partir de la teoría de la evolución de las especies y en el comportamiento social observado en las parvadas de aves, respectivamente. Otro ejemplo, es [10] donde se explica el método utilizado en los algoritmos ABC (colonia artificial de abejas) y MBFOA (Optimización Mediante el Forrajeo de Bacterias) donde se emula principalmente la inteligencia colectiva mostrada por grupos de abejas y bacterias. En [11] se realiza una comparación del algoritmo de Evolución Diferencial contra el método de Programación Matemática llamado programación por Metas aplicado a la optimización en el diseño concurrente de un CVT; en dicho trabajo se logra observar la capacidad de los algoritmos metaheurísticos para lidiar con problemas mecánicos reales. A pesar de las ventajas que ofrecen los algoritmos metaheurísticos, existen ciertas desventajas relacionadas a su selección y aplicabilidad [12]; ya que es dífi-
23 1.2. Objetivos 3 cil establecer que técnica metaheurística se adapta mejor al problema que se quiere resolver. Aunque las técnicas metaheurísticas tienen la capacidad de guiar la búsqueda en el espacio de soluciones, cada una tiene comportamientos diferentes para explorar y explotar la región de búsqueda, teniendo mayores ventajas unas que otras de acuerdo a la forma del espacio y a la distribución de las buenas soluciones. Actualmente, han surgido nuevos enfoques de búsqueda, basadas en el uso de múltiples operadores mediante un solo mecanismo, denominadas ensambles así como las llamadas hiperheurísticas que son algoritmos diseñados para controlar la selección de heurísticas de acuerdo al problema. De esta manera se hace posible el manejo de universos de búsqueda más grandes, con la ventaja de soportar diversos problemas sin cambios significativos en la programación [13]. El desarrollo de ensambles e hiperheurísticas es relativamente nuevo y, más que un intento de desplazar los algoritmos metaheurísticos, buscan resolver la problemática de la selección de heurísticas apropiadas para la solución de un problema, así como disminuir la complejidad de desarrollo y ampliar la aplicabilidad de las técnicas heurísticas en diversos problemas. En este trabajo se propone el uso de una técnica que integre características de ensambles e hiperheurísticas para el manejo de múltiples operadores (heurísticas) obtenidos de variantes especializadas de Evolución Diferencial (ED) para resolver problemas de optimización con restricciones con la capacidad de adaptarse a un mayor número de problemas en condiciones diversas de búsqueda. Con la finalidad de gestionar el uso de las heurísticas se propone una novedosa técnica para el uso de medidas de desempeño durante la ejecución del algoritmo Objetivos Objetivo General Diseñar e implementar un mecanismo de control adaptativo de uso de operadores obtenidos de variantes de ED especializadas en problemas de optimización con restricciones previamente diseñadas y probadas, encontradas en la literatura especializada Objetivos Específicos Identificar las técnicas empleadas en el desarrollo de ensambles e hiperheurísticas basadas en el uso de metaheurísticas, principalmente de ED. Analizar e implementar metaheurísticas de la literatura especializada capaces de soportar problemas de optimización con restricciones. Aplicar la técnica planteada en la resolución de problemas de prueba para la optimización con restricciones.
24 4 CAPÍTULO 1. Introducción Aplicar y resolver un conjunto de problemas de optimización con restricciones surgidos del diseño ingenieril. Realizar un análisis estadístico de los resultados obtenidos en problemas de prueba y compararlos contra contra técnicas metaheurísticas encontradas en la literatura especializada que adopten principalmente multioperadores Hipótesis El diseño e implementación de un mecanismo adaptativo de control de multioperadores demostrará capacidad para proporcionar resultados competitivos en la resolución de problemas de optimización con restricciones de prueba y de diseño ingenieril comparado contra algoritmos del estado del arte para optimización con restricciones. Por otra parte el diseño permitirá resolver un rango más amplio de problemas mediante la aplicación de múltiples operadores, además de lograrlo sin la intervención de usuario en el proceso de selección Justificación Debido a la complejidad que presentan los problemas de optimización numérica con restricciones es díficil encontrar un algoritmo heurístico capaz de manejar todas las clases de problemas existentes por lo que una propuesta de solución para ésto es aplicar múltiples heurísticas en un solo proceso de búsqueda. Uno de los principales inconvenientes con respecto a la selección de las heurísticas para resolver problemas de optimización, es que se depende del conocimiento previo del comportamiento de cada algoritmo y de las características del problema que se quiere resolver. Mediante este trabajo se busca facilitar al usuario la selección del mejor operador de acuerdo a las condiciones de la búqueda al solucionar problemas de optimización con restricciones; proporcionando un algoritmo adaptable capaz de aplicar tres operadores obtenidos de variantes de Evolución Diferencial para solucionar problemas de optimización con restricciones. Por otro lado, han surgido diversas técnicas para evaluar el comportamiento de los algoritmos denominadas medidas de desempeño sin embargo éstas son utilizadas una vez que el algoritmo finaliza su ejecución, por lo que sólo se utilizan con fines estadísticos. Pues no se encontraron trabajos relacionados al uso de múltiples operadores de optimización en los que se utilicen medidas de desempeño para el ajuste y selección de éstos. En este trabajo se propone un novedoso mecanismo de adaptación basado en medidas de desempeño y no sólo para el análisis del comportamiento del algoritmo metaheurístico.
25 1.5. Alcances y Limitaciones Alcances y Limitaciones El algoritmo propuesto se comparó contra otros encontrados del estado del arte en optimización con restricciones mediante la resolución de diversos problemas de prueba encontrados en la literatura especializada. Además se aplicó la propuesta en la optimización de modelos surgidos de diseño ingenieril. Para el desarrollo de este trabajo se utilizarón variantes de evolución diferencial ya diseñadas y probadas en la literatura especializada, por lo que el diseño se limitó a la creación del mecanismo adptativo para el uso de múltiples operadores heurísticos Organización de la Tesis La presente tesis se organiza de la siguiente manera. Capítulo 2. Optimización. Donde se define el problema general de optimización, su planteamiento matemático, la motivación para hacer optimización, la clasificación de sus problemas y de sus técnicas de solución. Capítulo 3. Evolución Diferencial. En este capítulo se describen las técnicas metaheurísticas de optimización, particularmente el algoritmo general de Evolución Diferencial y las variantes utilizadas para el desarrollo de la presente tesis. Capítulo 4. Algoritmos mutioperadores En este capítulo se presenta la descripción de un algoritmo mutioperador, sus características y las clasificaciones existentes. Capítulo 5. Técnica propuesta En este capítulo se describe el funcionamiento del mecanismo adaptativo sus elementos principales y los parámetros de calibración que se utilizaron. Capítulo 6. Resultados Se muestran los resultados obtenidos por el algoritmo propuesto en problemas de prueba así como los resultados en problemas de diseño ingenieril. Capítulo 7. Conclusiones y trabajo futuro Se describen las concluciones de este trabajo de tesis, así como el trabajo futuro.
26
27 Capítulo 2 Optimización En este capítulo se presenta una descripción de los principales conceptos en el problema de optimización, la motivación desde el punto de vista del diseño y sus principales características, así como su planteamiento general Motivación En la actualidad uno de los problemas con los que se encuentra el diseño ingenieril es la exigencia del mercado. La competencia hace que el diseño de nuevos sistemas sea cada vez más difícil al surgir artefactos cada vez mejores, por lo que se hace necesario desarrollar modelos de simulación lo más cercanos a la realidad con la finalidad de reducir gastos en el proceso de desarrollo del diseño [14]. La ventaja principal es que mediante el uso de estos modelos se obtiene una vista preliminar del comportamiento del sistema sin la necesidad de desarrollarlo físicamente, proporcionando una base para mejorarlo de acuerdo a las necesidades del producto que se desea construir o de las que el diseñador considere importantes. El problema de optimización surge cuando alguna o varias de las características del diseño deben ser minimizadas o maximizadas y de la necesidad de obtener los parámetros adecuados para lograrlo. Un punto importante en la optimización es el concepto de valor, ésto es, obtener una medida sobre qué es lo más importante o más deseable del diseño y decidir si es necesario optimizar ese valor; dicho valor es la capacidad inherente del diseño para satisfacer las características importantes en el sistema [15] Definición de Optimización Desde el punto de vista de la terminología la optimización se puede definir como hacer algo perfecto, efectivo o tan funcional como sea posible[16]. También se puede definir como el proceso llevado a cabo para obtener la mejor solución posible a un problema sometido a un conjunto de circunstancias o restricciones[17]. 7
28 8 CAPÍTULO 2. Optimización 2.3. Clasificación de los Problemas de Optimización Dentro del los problemas de optimización es posible encontrar diversas características que los distinguen. De esta manera es posible clasificarlos de acuerdo a cada una de ellas. K. Deb[18] propone la siguiente clasificación. 1. Basado en la existencia de restricciones Con restricciones Sin restricciones 2. Basado en la naturaleza de las variables de decisión Problemas estáticos o paramétricos Problemas dinámicos o de trayectorias 3. Basado en la naturaleza de las ecuaciones involucradas en el problema Problemas lineales Problemas no lineales Problemas de programación geométrica Problemas de programación cuadrática 4. Basado en los valores permitidos en las variables de diseño Problemas de programación entera Problemas de programación con valores reales Problemas de optimización combinatoria 5. Basado en la naturaleza determinística de las variables Problemas estocásticos Problemas deterministas 6. Basado en la separabilidad de las funciones Separables No separables 7. Basado en el número de funciones objetivo Mono-objetivo Multi-objetivo
29 2.4. Componentes del Problema de Optimización Componentes del Problema de Optimización De manera general los componentes principales de un problema de optimización son los siguientes [19][16][17]. Función Objetivo: Define la calidad de la solución y representa el valor que se quiere optimizar; dicho valor permite discriminar entre soluciones. Variables: Son el conjunto de valores que definen a una solución, y que afectan el valor que tomará la función objetivo. La dimensionalidad del problema está definida como el número de variables que posee el problema. Restricciones: Son un grupo de limitaciones relacionadas al problema, éstas pueden ser: Restricciones de frontera. Definen el rango de valores que cada variable puede tomar(cada problema tiene al menos un conjunto de estas restricciones). Restricciones funcionales. Dependen del problema que se plantea y comúnmente están definidas como una función de las variables del problema Planteamiento del Problema General de Optimización Numérica con Restricciones Este trabajo se centra en los problemas de optimización numérica con restricciones CNOP (Constrained Numerical Optimization Problem). Un CNOP se puede definir como la búsqueda de los valores adecuados para minimizar o maximizar algún objetivo numérico en particular limitado por un conjunto de restricciones; Villela [13] define la optimización como: Definición 1. Encontrar los valores de las n variables de decisión [x 1, x 2,..., x n ] T denotadas por el vector x S que satisfagan las m condiciones de desigualdad y las p condiciones de igualdad que optimicen la función objetivo f( x). Sin pérdida de generalidad un CNOP se define como el: Minimizar: Sujeta a: f( x), x = [x 1, x 2,..., x n ] (2.1) g i ( x) 0, i = [1, 2,..., m] (2.2)
30 10 CAPÍTULO 2. Optimización h j ( x) = 0, j = [1, 2,..., p] (2.3) Donde: L i x i U i x es el vector de variables conocidas como variables de diseño o parámetros donde cada x i (i = 1, 2,..., n) son valores escalares. f( x) es la función objetivo, la cual es un valor escalar de x. g i ( x) y h i ( x) son funciones restrictivas(restricciones) con valores escalares que deben ser satisfechas por el vector x. L i y U i son los límites inferior y superior respectivamentes, que pueden tomar cada una de las variables del vector x. De acuerdo a la definición anterior, es posible decir que existe un espacio de búsqueda o espacio de diseño S definido como un espacio cartesiano de dimensión n, donde cada eje representa una de las variables del problema conocidas como variables de diseño y cada punto denominado vector de diseño representa una solución potencial al problema. Además, si se consideran las restricciones en el espacio de búsqueda, existe un subconjunto de soluciones que satisfacen las restricciones, denominado región factible; siendo el conjunto de puntos infactibles la región infactible (no factible) (Ver fígura 2.1) Técnicas de Optimización El área de la optimización está caracterizada por el uso de técnicas basadas en el desarrollo matemático, principalmente derivadas del cálculo diferencial aplicadas en la investigación de operaciones [2]. Recientemente han surgido nuevas técnicas denominadas no tradicionales, basadas en el uso de heurísticas y métodos probabilísticos que pueden ser aplicados a una gran gama de problemas sin requerir grandes cambios derivados de características particulares de algún problema[1] Técnicas Tradicionales y No Tradicionales La investigación de operaciones o investigación operativa es la rama de las mátematicas aplicadas y el análisis númerico que entre otra cosas se encarga de proponer técnicas para resolver problemas de optimización[20]. En los últimos años diversas técnicas basadas en el uso de heurísticas y dedicadas a la resolución de problemas de optimización han surgido; la motivación
31 2.6. Técnicas de Optimización 11 x 1 g( x) Región Factible h( x) Región Infactible x 2 Figura 2.1: Ejemplo del espacio de búsqueda de un problema con dos variables de diseño, el problema posee dos restricciones g( x) y h( x) las cuales limitan las soluciones dentro de la región factible(línea gruesa) principal es que pese a que las técnicas tradicionales aportan soluciones satisfactorias a la mayoría de los problemas en los que se aplican, la complejidad sobre todo de problemas del mundo real pueden llegar a ser muy demandante. Las técnicas no tradicionales aportan una buena herramienta al momento de resolver problemas donde el espacio de búsqueda es muy amplio y/o las restricciones de las soluciones son altamente complejas. Por otra parte, existen diversos tipos de técnicas para la resolución de problemas de optimización, dentro de la optimización global es posible encontrar diversos métodos los cuales Deb [3] propone la clasificación en las siguientes categorías: 1. Métodos Tradicionales Algoritmos de optimización de variable simple: Estos algoritmos son clasificados en dos categorías métodos directos y métodos basados en gradientes. Además estos algoritmos proporcionan buena información sobre las propiedades de los máximos o mínimos en la función, trabajando de manera iterativa. Algoritmos de optimización multi-variable: son clasificadas en técnicas directas y técnicas basadas en gradiente. Algoritmos de optimización restringida: Funcionan utilizando técnicas de variable simple y multi-variable de manera repetida y simultánea, manteniendo los esfuerzos de búsqueda en la región factible.
32 12 CAPÍTULO 2. Optimización Algoritmos de optimización especializada: Son métodos utilizados para cierta clase de problemas debido a su capacidad para resolverlos. 2. Métodos no tradicionales. Métodos que incorporan conceptos heurísticos para mejorar la búsqueda. Por otro lado Tomas Weise [1] propone la siguiente clasificación para estos algoritmos. 1. De acuerdo al método de operación Determinísticos: Son los más utilizados si se encuentra una relación clara entre las características de las posibles soluciones y su utilidad para el problema. Sin embargo si la relación entre las soluciones y la función objetivo es muy compleja o la dimensionalidad del espacio de búsqueda es demasiado grande, estas técnicas se vuelven imprácticas o incapaces de resolver el problema de optimización por lo que son aplicables para un grupo reducido de problemas. Probabilísitcos: Son técnicas que procuran garantizar la mejor solución en un tiempo corto de ejecución; en este tipo de algoritmos se utilizan heurísticas, las cuales son funciones que ayudan al algoritmo a decidir de un conjunto de posibles soluciones cuál será la siguiente en ser analizada. A su vez las técnicas probabilísticas pueden trabajar de acuerdo a dos enfoques : Heurísticas. Que es una parte del algoritmo de optimización que utiliza la información del estado actual de la búsqueda para decidir cuál solución debería ser la siguiente en ser evaluada o generada. Generalmente depende del problema con el que se esté trabajando Metaheurísticas. Es un método que se utiliza para resolver problemas de manera más general, mediante la combinación de funciones objetivo o heurísticas de una manera eficiente, comúnmente sin un conocimiento profundo de la estructura del problema, vistas como una caja negra. 2. De acuerdo a sus propiedades Velocidad de optimización Online optimization: Son problemas de optimización que deben ser resueltos rápidamente, ya sea en cuestión de segundos o una fracción de ellos. Por ejemplo, la localización robótica, el balance de cargas o actualizaciones en la programación de una máquina de fabricación Offline optimization: En este tipo de optimización no es tan importante el tiempo y es posible esperar incluso varios días siempre
33 2.6. Técnicas de Optimización 13 que la solución sea la mejor o muy cercana a la mejor. Un ejemplo de estos problemas son los sugidos de data mining, optimización estructural, u optimización de mecanismos. Número de objetivos Mono-objetivo: Técnicas que se utilizan cuando es necesario maximizar o minimizar un único valor en el problema y el problemas solo posee una función objetivo. Multi-objetivo: Técnicas usadas cuando es necesario maximizar o minimizar múltiples valores por lo que el problema posee varias funciones objetivo. En el siguiente capítulo se abordarán algunas técnicas heurísticas para la solución de problemas de optimización, particularmente se tratará el algoritmo de Evolución Diferencial sus componentes principales y algunos casos de éxito en su aplicación.
34
35 Capítulo 3 Evolución Diferencial En este capítulo se presentan las principales técnicas metaheurísticas para la resolución de problemas de optimización; de manera partícular se habla sobre los algoritmos evolutivos, principalmente del algoritmo de evolución diferencial. Por otro lado se explica la clasificación de las técnicas para el manejo de restricciones y se describe la utilizada en este trabajo Algoritmos de Optimización Debido a su facilidad de implementación, los métodos no tradicionales, como las heurísticas y las metaheurísticas han sido ampliamente utilizados en el área de la optimización; uno de los principales motivos, es la complejidad de los problemas que se resuelven; mientras más cercanos son a la realidad, es más difícil aplicar métodos tradicionales. Siempre es conveniente considerar como primera opción los métodos clásicos pues a pesar de todas las ventajas que ofrecen los métodos no tradicionales, éstos no garantizan el encontrar el óptimo global. Sin embargo, suelen proporcionar soluciones altamente competitivas [10]. Dentro de los métodos no tradicionales existe un grupo especial de técnicas las cuales basan su funcionamiento en comportamientos o situaciones observadas en la naturaleza conocidos como algoritmos bio-inspirados. Los que a su vez se dividen en: Computación Evolutiva [21] Inteligencia Colectiva [22] Algoritmos de Inteligencia Colectiva Estos algoritmos se caracterizan principalente por el intento de emular el comportamiento de lo seres vivos y la manera en que se adaptan al entorno en el que viven; de esta esfera han surgido diversos trabajos, entre los que podemos encontrar 15
36 16 CAPÍTULO 3. Evolución Diferencial el PSO (Particle Swarm Optimization)[21] que funciona con base en el comportamiento observado en grupos de aves en el proceso de búsqueda de alimento; donde las soluciones se comportan como un grupo de aves en el que existe un líder que guía a la parvada hacia regiones más favorables para encontrar alimento. También existe el algoritmo basado en el comportamiento de las abejas ABC (Artificial Bee Colony) [16], donde se emula el comportamiento de las abejas dividiendo la colmena en abejas exploradoras y observadoras; las abejas empleadas buscan mejorar las soluciones ya encontradas mientras que las exploradoras se encargan de buscar nuevas zonas del espacio de búsqueda, y las observadoras permanecen al pendiente de las zonas que pueden ser más favorables para explotarlas. Otro ejemplo es el algoritmo basado en bacterias BFOA (Bacterial Foraging Optimization Algorithm) [17], donde se reproduce el proceso que lleva a cabo la bacteria e-coli para hacerse de nutrientes, así como para evitar sustancias que puedan afectarla; además de emular la manera en que las bacterias se comunican por medio de la producción de químicos y su liberación en el ambiente, lo que permite a las otras bacterias reconocer áreas favorables o dañinas Algoritmos de Computación Evolutiva La Computación Evolutiva (CE) es el término con el que se conoce al grupo de técnicas computacionales que intentan emular el proceso evolutivo natural. La CE engloba, entre otras técnicas, los Algoritmos Genéticos (Genetic Algorithms GA s) los cuales están basados en la herencia genética y la forma en que las características de los individuos se transmiten de generación en generación, las Estrategias Evolutivas basadas en la idea de adaptación y evolución, la Programación Evolutiva basada únicamente en los procesos de mutación y selección y la Evolución Diferencial (ED); y cuyo conjunto se conoce como Algoritmos Evolutivos (Evolutionary Algorithms EAs) [23][1] Componentes de un Algoritmo Bio-inspirado De manera general tanto los algoritmos de computación evolutiva como los de inteligencia colectiva comparten algunas características o elementos en su estructura. En este apartado se explican los pasos principales para el desarrollo de un algorimo bio-inspirado[10]. 1. Generación de un conjunto de soluciones (vectores) al problema denominado población, donde cada solución es denominada individuo. 2. Evaluar cada solución en la función objetivo que se quiere optimizar. 3. Seleccionar un grupo con las mejores soluciones de la población con base en la función objetivo. 4. Generar nuevas soluciones a partir del grupo obtenido en el paso anterior.
37 3.2. Evolución Diferencial Evaluar las nuevas soluciones. 6. Seleccionar las soluciones que formaran parte del siguiente ciclo. Además de los pasos para el desarrollo de un algoritmo bio-inspirado, existen un grupo de elementos comunes en la mayoría de algoritmos bio-inspirados que son los siguientes[10]. Representación de las soluciones: Las soluciones se pueden representar de acuerdo a las características del problema en cadenas binarias, números enteros o números reales. Para la resolución de CNOP la representación con números reales es la más adecuada, pues las variables de estos problemas comúnmente utilizan estos valores. Así cada solución será un vector que contenga un conjunto de números reales. Mecanismo de selección: En algunos algoritmos bio-inspirados funciona como el elemento que guía la búsqueda. Mediante el uso de este mecanismo se eligen un conjunto de soluciones de la población para generar nuevas soluciones. En general se utiliza un criterio basado en la función objetivo para hacer esta selección. Operadores de variación:son elementos del algoritmo bio-inspirado que sirven para generar nuevas soluciones a partir de las ya existentes en la población (regularmente las elegidas por el mecanismo de selección). Estos operadores son una de las características principales que distinguen a cada algoritmo bio-inspirado, y pueden generar desde una solución o varias a partir de una sola ya existente, o generar una o varias soluciones a partir de dos o más soluciones. Mecanismos de reemplazo: Al igual que el mecanismo de selección funciona como guía en la búsqueda, y es es mecanismo que funciona para seleccionar las soluciones que formaran la siguiente generación; esto se hace considerando las soluciones ya existentes y las recién generadas. El proceso de reemplazo se puede basar en el valor de las función objetivo, la edad de la solución o en mecanismos aleatorios Evolución Diferencial El algoritmo de Evolución Diferencial (ED) es de reciente surgimiento; propuesto por Storn y Price en 1997 [24], ha sido exitosamente aplicado en diversos problemas de optimización demostrando gran competitividad contra otros algoritmos del cómputo evolutivo y de inteligencia colectiva.
38 18 CAPÍTULO 3. Evolución Diferencial Algoritmo de ED El algoritmo de ED es una técnica de búsqueda directa que se basa en el desarrollo evolutivo de una población durante varios ciclos, la población durante la ejecución completa del algoritmo puede representarse como sigue: P x,g = { x 1,g, x 2,g,..., x NP,g }, g = 1,..., MAX_GEN (3.1) x i,g = [x 0, x 1,..., x n ] T, i = 1,..., NP (3.2) donde, MAX_GEN es el número máximo de ciclos que se ejecutara, P es la población, NP es la cantidad de vectores en la población y n es la cantidad de variables que tiene cada vector también llamada dimensionalidad del problema Componentes de la ED El algoritmo de evolución diferencial se compone de tres etapas principales durante cada ciclo. El algoritmo, contempla como primer paso la aplicación de dos operadores de variacion denominados Mutación y Recombinación para posteriormente llevar a cabo el proceso de Selección de individuos que formaran la siguiente generación. Es importante mencionar que en el algoritmo de ED no existe un proceso de selección de padres; ya que cada vector de la población genera un vector hijo mediante el uso de los operadores de variación Mutación El proceso de mutación, consiste en calcular un vector mutante para cada vector de la población; lo que significa que si existen NP vectores en la población, entonces N P vectores de mutación serán generados. Cada vector que genera un vector mutante es denominado vector padre. El cálculo del vector de mutación se realiza en 2 etapas. Se calcula el vector de diferencia, lo que representa la dirección de la búsqueda Se realiza la suma de la diferencia con el vector base. El cálculo del vector de diferencia se realiza utilizando un par de vectores r1 y r2, seleccionados de manera aleatoria de la población actual, restándolos entre sí para definir una dirección de búsqueda; el resultado es multiplicado por un factor de escala F; una vez que el vector de diferencia se ha calculado se suma un tercer vector denominado vector base o vector donante r3; el resultado obtenido es el vector de mutación o vector mutante en la Figura 3.1 se observa graficamente. Matemáticamente se expresa de la siguiente forma (Ver Eq. 3.3) v i,g = x r3,g + F ( x r1.g x r2,g ) (3.3)
39 3.2. Evolución Diferencial 19 y y Región Factible x r2,g x r1,g x r2,g x r1,g Región Factible x r2,g v x r1,g v (a) Región Infactible x (b) Región Infactible x Figura 3.1: (a)vector de diferencia obtenido de la resta de x r1,g y x r2,g. (b) Posibles soluciones con valor de F positivo y negativo (Ver Eq. 3.3) Recombinación Mientras que la mutación genera nuevas direcciones de búsqueda procurando explorar el espacio de soluciones; la recombinación se encarga de explotar las regiones ya encontradas mediante el intercambio de información de la población actual a sus descendientes. Esta operación se realiza entre el vector padre x i,g 1 y el vector de mutación ya generado v i,g. La recombinación se realiza de forma discreta, es decir el vector hijo u i,g heredará los valores de sus progenitores (vector padre y vector de mutación) de forma directa. El proceso es el siguiente: { vj,i,g si (rand u i,g = u j,i,g = j [0, 1) CR o j = j rand ); j = 1, 2,..., n x j,i,g 1 de otra manera (3.4) donde, CR es un número real definido por el usuario y se encuentra en el siguiente rango [0, 1) y permite definir qué tan parecido será el vector hijo con respecto al vector padre y al vector de mutación; si el valor de CR es cercano a 1, el vector decendiente será muy parecido al vector de mutacion; mientras que para valores cercanos a 0, el vector hijo será muy parecido al vector padre. Un punto importante, es que aunque el valor de CR sea 0, por lo menos en una posición el vector hijo será diferente del vector padre, dada la condición j = j rand, donde j es una variable del vector hijo; siendo j rand una posición generada de manera
40 20 CAPÍTULO 3. Evolución Diferencial aleatoria. Así, al menos en la posición j el vector padre diferirá del vector hijo. El algoritmo de ED en su versión original maneja dos tipos de recombinación discreta, y en ambas se utiliza el parámetro CR para ajustar el parecido del vector hijo con respecto al vector padre y al vector de mutación. Recombinación exponencial: La recombinación se inicia en la posición j rand y el vector es considerado como una cola circular donde al finalizar se continua con las primeras posiciones de éste, si aún no han sido consideradas (en el caso de que j rand sea una posición media en el vector). Así, por cada posición se genera un valor aleatorio entre 0 y 1 y los elementos que formarán al vector hijo se copiarán del vector de mutación, hasta que un valor aleatorio sea mayor que CR; una vez que esto sucede, los valores restantes de la cadena se copian del vector padre (Ver Figura 3.2 (a)). Recombinación binomial: Para el proceso de recombinación se genera un número aleatorio entre 0 y 1 para cada posición del vector, si el valor obtenido es más pequeño que CR, el hijo obtiene el valor del vector de mutación; en el caso de que el valor obtenido sea mayor que CR el valor se copia del vector padre(ver Figura 3.2 (b)) Selección La selección también denominada mecanismo de reemplazo, funciona de la siguiente manera: Una vez que todos los elementos de la población han generado su propio hijo, y la población total sea 2 NP ; el proceso de selección se encargará de mantener a la población con su tamaño original NP seleccionando a los mejores vectores. La comparación se realiza de forma directa padre contra hijo mediante la evaluación de cada uno de ellos en la función objetivo; de esta forma, el elemento que tenga mejor función objetivo permanecerá para el siguiente ciclo y el peor será eliminado (Ver Eq. 3.5). 1. { ui,g si (f( u u i,g = i,g )f( x i,g 1 )) de otra manera x i,g 1 (3.5) El proceso llevado por la técnica de ED se encuentra detallado en el algoritmo 3.3. Manejo de Restricciones El desarrollo de algoritmos evolutivos se ha caracterizado por su gran aplicabilidad en una amplia gama de problemas; sin embargo, un punto importante, es que a pesar de sus ventajas, no poseen un mecanismo propio para el manejo de restricciones. Además se debe señalar que aunque los problemas para los que fueron diseñados originalmente no consideraban las restricciones, la mayoría de los problemas reales poseen un conjunto de ellas.
41 3.3. Manejo de Restricciones 21 jrand=3 CR=0.2 rand(0,1) vector de mutación vector hijo vector padre (a) jrand=3 CR=0.2 rand(0,1) vector de mutación vector hijo vector padre (b) Figura 3.2: (a) Cruza exponencial el vector rand j (0, 1) está compuesto por valores aleatorios, el valor en negrita es menor que el parámetro CR, por lo que para esa posición, el vector hijo copia el valor del vector de mutación y el resto del vector padre (la cruza se inicia en la posición j rand ). (b) Cruza binomial los valores en negrita de rand j (0, 1) son menores que CR y son las posiciones que el vector hijo copia directamente del vector de mutación. El resto de las posiciones son copiadas del vector padre. El valor j rand define que posición sera tomada del vector de mutación en ambos casos
42 22 CAPÍTULO 3. Evolución Diferencial Algoritmo 1 Algoritmo de ED/rand/1/bin Require: Función Objetivo f(x), Número de generaciones MAX_GEN, Tamaño de población NP, Factor de escala F, Factor de cruza CR. 1: G=0 2: Crear población inicial aleatoria x i,g i, i = 1,..., NP 3: Evaluar f( x i,g ) i, i = 1,..., NP 4: for G = 1 to MAX_GEN do 5: for i = 1 to NP do 6: Seleccionar aleatoriamente r 1 r 2 r 3 7: j rand = randint(1, D) 8: for j = 1 to D do 9: if (rand j [0, 1) CR or j = j rand ) then 10: u i,j,g = x r3,j,g 1 + F (x r1,j,g 1 x r2,j,g 1) 11: else 12: u i,j,g = x i,j,g 1 13: end if 14: end for 15: if f( u i.g ) f( x i,g 1 ) then 16: x i,g = u i,g 17: else 18: x i,g = x i,g 1 19: end if 20: end for 21: end for
43 3.3. Manejo de Restricciones 23 Por lo anterior, diversos trabajos han surgido con la intención de proporcionar diversos mecanismos para el manejo y la evaluación de restricciones. Mezura et al. [25] propone una clasificación para las técnicas para el manejo de restricciones en las siguientes categorías: Funciones de penalización: Son enfoques que se basan en técnicas de programación mátematica, mediante las cuales se transforma el CNOP en un problema de optimización númerica sin restricciones. Decoders: Funcionan con base en la idea de transformar o mapear el espacio de soluciones factibles en un espacio más simple y en el que el algoritmo de búsqueda pueda proveer un mejor desempeño. Operadores Especiales: Son operadores que se diseñan con la finalidad de preservar la factibilidad de las soluciones o mover las soluciones a regiones de interes en el espacio de búsqueda. Separación de funciones objetivo y restricciones:se diferencían de las otras técnicas por el cambio de enfoque; pues mientras las técnicas restantes tratan de combinar la función objetivo con los valores de las retricciones en un solo valor, estas técnicas manejan los valores de manera separada. En este trabajo se utiliza una técnica perteneciente a la clase de separación de funciones objetivo y restricciones, basada en un conjunto de reglas propuestas por K. Deb [26] que se aplican para realizar la selección entre padre e hijo. Las reglas que propone son las siguientes: Entre 2 soluciones factibles, la que tenga el mejor valor en la función objetivo será seleccionada. Si una solución es factible y la otra es infactible, la solución factible es seleccionada. Si ambas soluciones son infactibles, la que tenga el menor valor en la suma de violación de restricciones es elegida. La suma de violación de restricciones se calcula de la siguiente manera. m max(0, g i ( x)) + i=1 p max(0, h j ( x) ɛ ) (3.6) j=1 Donde m es el número de restricciones de desigualdad que presenta el problema y p es el número de restricciones de igualdad del problema; ɛ es un parámetro que funciona para ajustar el nivel de tolerancia permitido por las restricciones de igualdad; de tal forma que sea posible convertir la restricción de igualdad en restricción de desigualdad.
MODELOS DE INVESTIGACION DE OPERACIONES
MODELOS DE INVESTIGACION DE OPERACIONES CARACTERÍSTICAS Los modelos se dividen en determinísticos (no probabilisticos) y estocásticos (probilisticos). Hay otros modelos híbridos porque incluyen las dos
OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA. Tema 4 Optimización no Lineal
OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA Tema 4 Optimización no Lineal ORGANIZACIÓN DEL TEMA Sesiones: El caso sin restricciones: formulación, ejemplos Condiciones de optimalidad, métodos Caso con restricciones:
Breve introducción a la Investigación de Operaciones
Breve introducción a la Investigación de Operaciones Un poco de Historia Se inicia desde la revolución industrial, usualmente se dice que fue a partir de la segunda Guerra Mundial. La investigación de
Complejidad computacional (Análisis de Algoritmos)
Definición. Complejidad computacional (Análisis de Algoritmos) Es la rama de las ciencias de la computación que estudia, de manera teórica, la optimización de los recursos requeridos durante la ejecución
4.1 CONGRUENCIA ENTRE LOS OBJETIVOS DEL PLAN DE ESTUDIOS Y EL PERFIL DE EGRESO CON LAS LGAC:
4.1 CONGRUENCIA ENTRE LOS OBJETIVOS DEL PLAN DE ESTUDIOS Y EL PERFIL DE EGRESO CON LAS LGAC: A continuación se muestran los objetivos así como los mapas funcionales según la línea de acentuación y la línea
TEMA 1: SISTEMAS MODELADOS POR ECUACIONES DIFERENCIALES EN INGENIERÍA QUÍMICA. CLASIFICACIÓN. GENERALIDADES.
TEMA 1: SISTEMAS MODELADOS POR ECUACIONES DIFERENCIALES EN INGENIERÍA QUÍMICA. CLASIFICACIÓN. GENERALIDADES. 1. INTRODUCCIÓN. PLANTEAMIENTO DE PROBLEMAS EN INGENIERÍA QUÍMICA 2. PROBLEMAS EXPRESADOS MEDIANTE
Universidad Nacional Autónoma de Nicaragua UNAN-Managua. Curso de Investigación de Operaciones
Universidad Nacional Autónoma de Nicaragua UNAN-Managua Curso de Investigación de Operaciones Profesor: MSc. Julio Rito Vargas Avilés. Presentación del Programa de Investigación de Operaciones Estudiantes:
DIPLOMADO. Evaluación de la Calidad de la práctica docente para la implementación del Nuevo Modelo Educativo en Escuelas de Ingeniería del I.P.N.
DIPLOMADO Evaluación de la Calidad de la práctica docente para la implementación del Nuevo Modelo Educativo en Escuelas de Ingeniería del I.P.N. Trabajo Final Propuesta Metodológica del área de Ciencias
1. Introducción 2. Esquema básico 3. Codificación 4. Evaluación 5. Selección 6. Operadores 7. Ejemplo. Algoritmos genéticos
1. Introducción 2. Esquema básico 3. Codificación 4. Evaluación 5. Selección 6. Operadores 7. Ejemplo Algoritmos genéticos Introducción Propuestos por Holland, mediados 70, computación evolutiva Popularizados
2.3 Clasificación de modelos matemáticos.
2.3 Clasificación de modelos matemáticos. Qué es un modelo? Un modelo es una representación ideal de un sistema y la forma en que este opera. El objetivo es analizar el comportamiento del sistema o bien
CAPITULO 6. Análisis Dimensional y Semejanza Dinámica
CAPITULO 6. Análisis Dimensional y Semejanza Dinámica Debido a que son pocos los flujos reales que pueden ser resueltos con exactitud sólo mediante métodos analíticos, el desarrollo de la mecánica de fluidos
CAPÍTULO 1 IDENTIFICACIÓN DEL PROBLEMA
CAPÍTULO 1 IDENTIFICACIÓN DEL PROBLEMA A través de este primer capítulo se describe el problema que se plantea en la presente tesis. De la misma manera se determina el objetivo general y los objetivos
Técnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO
Técnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO 2 Objetivo El objetivo principal de las técnicas de clasificación supervisada es obtener un modelo clasificatorio válido para permitir tratar
Nombre de la asignatura: Investigación de Operaciones II. Créditos: Aportación al perfil
Nombre de la asignatura: Investigación de Operaciones II Créditos: 2-2-4 Aportación al perfil Analizar, diseñar y gestionar sistemas productivos desde la provisión de insumos hasta la entrega de bienes
DOCUMENTO DE APOYO PARA PROYECTOS
DOCUMENTO DE APOYO PARA PROYECTOS Los ejemplos que a continuación se encuentran en este documento de apoyo al estudiante, tiene como objetivo dar una serie de ejemplos mínimos de algunas partes de los
Universidad Tec Milenio: Profesional IO04001 Investigación de Operaciones I. Tema # 9
IO04001 Investigación de Operaciones I Tema # 9 Otras aplicaciones del método simplex Objetivos de aprendizaje Al finalizar el tema serás capaz de: Distinguir y aplicar la técnica de la variable artificial.
Clase 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
Carrera: Ingeniería Química. Asignatura: Cálculo Multivariable. Área del Conocimiento: Ciencias Basicas
Carrera: Ingeniería Química Asignatura: Cálculo Multivariable Área del Conocimiento: Ciencias Basicas Generales de la Asignatura: Nombre de la Asignatura: Clave Asignatura: Nivel: Carrera: Frecuencia (h/semana):
Introducción a las RdP. Optimización basada en redes de Petri. Redes de Petri. Son objeto de estudio: RdP. Ejemplos:
Seminario sobre toma de decisiones en logística y cadenas de suministro Introducción a las RdP Optimización basada en redes de Petri https://belenus.unirioja.es/~emjimene/optimizacion/transparencias.pdf
1: INTRODUCCIÓN AL USO DE LA HOJA DE CALCULO EXCEL COMO HERRAMIENTA PARA DESARROLLAR PROBLEMAS EN INGENIERÍA. SOLVER, REGRESION LINEAL MULTIPLE
Practica 1: INTRODUCCIÓN AL USO DE LA HOJA DE CALCULO EXCEL COMO HERRAMIENTA PARA DESARROLLAR PROBLEMAS EN INGENIERÍA. SOLVER, REGRESION LINEAL MULTIPLE I. INTRODUCCION Las planillas de cálculo se han
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,
3.1. Administración de la medición y de la información estratégica:
Unidad III Aspectos Generales Sobre la Gestión de la Calidad 3.1. Administración de la medición y de la información estratégica: Los siguientes criterios corresponden a la administración de la medición
Algoritmos Genéticos. Introducción a la Robótica Inteligente. Álvaro Gutiérrez 20 de abril de
Algoritmos Genéticos Introducción a la Robótica Inteligente Álvaro Gutiérrez 20 de abril de 2016 aguti@etsit.upm.es www.robolabo.etsit.upm.es Índice 1 Introducción 2 Algoritmos Genéticos 3 Algunos Fundamentos
Nombre de la asignatura: Algoritmos y Lenguajes de programación.
Nombre de la asignatura: Algoritmos y Lenguajes de programación. Créditos: 2-4- 6 Aportación al perfil Dominar la lógica necesaria para aprender lenguajes de programación de alto nivel para poder resolver
Las Herramientas de la Calidad
Universidad de Puerto Rico Recinto Universitario de Mayagüez Departamento de Ingeniería Industrial Las Herramientas de la Calidad Laboratorio #1 ININ 4078 Control Estadístico de Calidad Preparado: Joymariel
Metodología para la generación y evaluación de políticas de operación en sistemas de recursos hídricos. Aplicación a un sistema de México
Metodología para la generación y evaluación de políticas de operación en sistemas de recursos hídricos. Aplicación a un sistema de México Índice general Resumen...vii Resum... ix Summary... xi Índice de
PROGRAMACIÓN NO LINEAL INTRODUCCIÓN
PROGRAMACIÓN NO LINEAL Conceptos generales INTRODUCCIÓN Una suposición importante de programación lineal es que todas sus funciones Función objetivo y funciones de restricción son lineales. Aunque, en
UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA SUR. Ingeniería Aplicada TEÓRICA SERIACIÓN 100% DE OPTATIVAS DISCIPLINARIAS
UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA SUR DEPARTAMENTO ACADÉMICO DE SIS COMPUTACIONALES INGENIERÍA EN TECNOLOGÍA COMPUTACIONAL ASIGNATURA Algoritmo Genéticos ÁREA DE Ingeniería Aplicada CONOCIMIENTO
DEPARTAMENTO DE MATEMÁTICAS. IES GALLICUM
UNIDAD I: NÚMEROS (6 Horas) 1.- Repasar el cálculo con números racionales y potencias de exponente entero. 2.- Resolver problemas de la vida cotidiana en los que intervengan los números racionales. 1.-
Aplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México
SECCIÓN DE ESTUDIOS DE POSGRADO E INVESTIGACIÓN Aplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México Presentan: Dr. Miguel
Identificación de inecuaciones lineales en los números reales
Grado Matematicas - Unidad Operando en el conjunto de Tema Identificación de inecuaciones lineales en los números reales Nombre: Curso: A través de la historia han surgido diversos problemas que han implicado
Métodos de Investigación e Innovación -Metodologías de Investigación-
1 Sesión 2 Métodos de Investigación e Innovación -Metodologías de Investigación- Dr. Hugo Terashima M. 25 de Enero de 2008 2 Page 1 Contenido de la Sesión Metodologías de Investigación Mapa conceptual
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN LICENCIATURA EN MATEMÁTICAS APLICADAS Y COMPUTACIÓN
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN LICENCIATURA EN MATEMÁTICAS APLICADAS Y COMPUTACIÓN ACATLÁN PROGRAMA DE ASIGNATURA CLAVE: 1409 SEMESTRE: 4 (CUARTO) MODALIDAD
Bloque 1. Contenidos comunes. (Total: 3 sesiones)
4º E.S.O. OPCIÓN A 1.1.1 Contenidos 1.1.1.1 Bloque 1. Contenidos comunes. (Total: 3 sesiones) Planificación y utilización de procesos de razonamiento y estrategias de resolución de problemas, tales como
CAPÍTULO 1. INTRODUCCIÓN. Las empresas de tipo comercial tienen como principal objetivo obtener ganancias. Si
CAPÍTULO 1. INTRODUCCIÓN Las empresas de tipo comercial tienen como principal objetivo obtener ganancias. Si suponemos un volumen constante en las ventas; una empresa de este tipo sólo cuenta con tres
UNIVERSIDAD DE LOS LLANOS Facultad de Ciencias Básicas e Ingeniería Programa Ingeniería de Sistemas
CURSO: OPTIMIZACIÓN 1 SEMESTRE: VII 2 CODIGO: 602704 3 COMPONENTE: 4 CICLO: 5 AREA: Profesional 6 FECHA DE AROBACIÓN: 7 NATURALEZA: Teórica 8 CARÁCTER: Obligatorio 9 CREDITOS (RELACIÓN): 3 (1-1) 10 INTENSIDAD
CAPITULO 1: PERSPECTIVE GENERAL DE LA
CONTENIDO CAPITULO 1: PERSPECTIVE GENERAL DE LA INVESTIGACION DE OPERACIONES 1 1.1 Modelos matemáticos de investigación de operaciones. 1 1.2 Técnicas de investigación de operaciones 3 1.3 Modelado de
de Operaciones Área Académica: Sistemas Computacionales Tema: Tipos de Modelos en Investigación Profesor: I.S.C. Guadalupe Hernández Coca
Área Académica: Sistemas Computacionales Tema: Tipos de Modelos en Investigación de Operaciones Profesor: I.S.C. Guadalupe Hernández Coca Periodo: Julio Diciembre 2011 Keywords: investigation of operations,
Nombre de la asignatura Cálculo Diferencial (461)
UNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN FACULTAD DE INGENIERÍA CIVIL SECRETARÍA ACADÉMICA Coordinación de Investigación, Innovación, Evaluación y Documentación Educativas. I.- DATOS DE IDENTIFICACIÓN Nombre
Sílabo del curso Investigación Operativa II
Sílabo del curso Investigación Operativa II Marzo julio 2013 VI Ciclo Profesor Luis Miguel Sierra 1 I. Datos generales del curso Asignatura : Investigación Operativa II Código : 03145 Requisito : Investigación
L/O/G/O Tema: Integrantes:
L/O/G/O Tema: FORMULACIÓN DE UN SISTEMA DE GESTIÓN DE SERVICIOS DE TI SIGUIENDO LA METODOLOGÍA ITIL Integrantes: TASAYCO REYES FREDY ATACHAGUA AQUIJE DIANA INDICE Resumen Ejecutivo Introducción 1. Planteamiento
Por qué expresar de manera algebraica?
Álgebra 1 Sesión No. 2 Nombre: Fundamentos de álgebra. Parte II. Objetivo: al finalizar la sesión, el estudiante conocerá e identificará las expresiones racionales, las diferentes formas de representar
CAPITULO 1 INTRODUCCION AL PROYECTO
CAPITULO 1 INTRODUCCION AL PROYECTO 1 INTRODUCCION AL PROYECTO 1.1 Marco Teórico Los procesadores digitales de señales ganaron popularidad en los años sesentas con la introducción de la tecnología de estado
Nombre de la asignatura: Simulación. Créditos: Aportación al perfil
Nombre de la asignatura: Simulación Créditos: 2-4-6 Aportación al perfil Analizar, diseñar y gestionar sistemas productivos desde la provisión de insumos hasta la entrega de bienes y servicios, integrándolos
Programación NO Lineal (PNL) Optimización sin restricciones
Programación NO Lineal (PNL) Optimización sin restricciones Ejemplos de los problemas que se aplica la programación NO Lineal: Problema de transporte con descuentos por cantidad : El precio unitario de
1. Los números reales. 2. Representación. 3. Densidad de los números racionales. 4. Propiedades de los números reales
EJES ARTICULADORES Y PRODUCTIVOS DEL AREA SISTEMA DE CONOCIMIENTOS GRADO: 10 11 1. Los números reales 1. Desigualdades. 2. Representación 2. Propiedades. 3. Densidad de los números racionales 4. Propiedades
BÚSQUEDA INTELIGENTE BASADA EN METAHEURÍSTICAS
Departamento de Inteligencia Artificial Grupo de Análisis de Decisiones y Estadística BÚSQUEDA INTELIGENTE BASADA EN METAHEURÍSTICAS PRÁCTICAS 1 Existen varias características que pueden causar dificultades
Conceptos básicos estadísticos
Conceptos básicos estadísticos Población Población, en estadística, también llamada universo o colectivo, es el conjunto de elementos de referencia sobre el que se realizan las observaciones. El concepto
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
Capítulo Uno. Planteamiento del Problema
Capítulo Uno 1.1 Planteamiento del problema Hoy en día en un mercado global, donde continuamente se dan cambios, las empresas que logran una flexibilidad y capacidad de adaptación al entorno, son las que
Análisis del Costo Riesgo Beneficio y el Ciclo de Vida de los Activos de una Empresa
Análisis del Costo Riesgo Beneficio y el Ciclo de Vida de los Activos de una Empresa Econ. Denniza Coello Destinados a: Análisis del Costo Riesgo Beneficio y el Ciclo de Vida de los Activos de una Empresa
Que es una Ecuación Diferencial? (ED) Para qué sirven las ecuaciones diferenciales?
Que es una Ecuación Diferencial? (ED) Una ecuación diferencial (ED), es una ecuación que relaciona una función desconocida y una o más derivadas de esta función desconocida con respecto a una o más variables
PROGRAMACION CONCURRENTE Y DISTRIBUIDA
PROGRAMACION CONCURRENTE Y DISTRIBUIDA V.2 Redes de Petri: Análisis y validación. J.M. Drake 1 Capacidad de modelado y capacidad de análisis El éxito de un método de modelado es consecuencia de su capacidad
CAPITULO I EL PROBLEMA
CAPITULO I EL PROBLEMA 4 CAPITULO I EL PROBLEMA En este capitulo se explica la problemática presente con el factor de potencia, cuales son los problemas, soluciones, que es lo que se piensa realizar en
ACTIVIDAD: Control de Lectura # 1: Benchmarking para Competir con Ventaja Por: Roberto J. Boxwell. MATERIA: Ingeniería de Software.
UNIVERSIDAD DON BOSCO FACULTAD DE INGENIERIA ESCUELA DE COMPUTACION CICLO II/2008 ACTIVIDAD: Control de Lectura # 1: Benchmarking para Competir con Ventaja Por: Roberto J. Boxwell MATERIA: Ingeniería de
: Algorítmica y Estructura de Datos I
FACULTAD POLITÉCNICA DIRECCIÓN ACADÉMICA PROGRAMA DE ESTUDIO I. IDENTIFICACIÓN Carrera : Ingeniería de Sistemas CARGA HORARIA (Horas reloj) Asignatura : Algorítmica y Estructura de Datos I Carga Horaria
UNIDAD 6: SISTEMAS DE ECUACIONES
UNIDAD 6: SISTEMAS DE ECUACIONES Continuamos con el estudio de la asignatura; ya hemos abordado cinco capítulos del programa de estudio: Los números reales, ecuaciones, desigualdades y algunas de las funciones
Universidad Tec Milenio: Profesional HG04002 Análisis de Decisiones I
Tema # 3 Modelo de programación lineal: conceptos básicos 1 Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Comprender el concepto de modelos de programación lineal. Identificar la
NOMBRE DEL CURSO: CALCULO DIFERENCIAL CÓDIGO UNIDAD ACADÉMICA NIVEL ACADÉMICO CICLOS DE FORMACIÓN FACULTAD INGENIERIA TÉCNICO PROFESIONAL
I. INFORMACIÓN GENERAL NOMBRE DEL CURSO: CALCULO DIFERENCIAL CÓDIGO 190102 UNIDAD ACADÉMICA NIVEL ACADÉMICO CICLOS DE FORMACIÓN FACULTAD INGENIERIA TÉCNICO PROFESIONAL PROGRAMA DEPARTAMENTO CIENCIAS BASICAS
Estado 3.2 (coste = 9)
Búsqueda heurística Fernando Berzal, berzal@acm.org Búsqueda heurística Búsqueda primero el mejor p.ej. búsqueda de coste uniforme [UCS] Heurísticas Búsqueda greedy El algoritmo A* Heurísticas admisibles
PROGRAMACIÓN LINEAL PROGRAMACIÓN LINEAL.
PROGRAMACIÓN LINEAL. La programación lineal es una técnica de modelado (construcción de modelos). La programación lineal (PL) es una técnica matemática de optimización, es decir, un método que trata de
Introducción a la Programación Dinámica. El Problema de la Mochila
Tema 1 Introducción a la Programación Dinámica. El Problema de la Mochila La programación dinámica no es un algoritmo. Es más bien un principio general aplicable a diversos problemas de optimización que
UNIDAD 4: FUNCIONES POLINOMIALES Y RACIONALES
UNIDAD 4: FUNCIONES POLINOMIALES Y RACIONALES En la Sección anterior se abordó contenidos relacionados con las funciones y gráficas, continuamos aprendiendo más sobre funciones; en la presente unidad abordaremos
Una dirección IP es una secuencia de unos y ceros de 32 bits. La Figura muestra un número de 32 bits de muestra.
DIRECCIONAMIENTO IP Un computador puede estar conectado a más de una red. En este caso, se le debe asignar al sistema más de una dirección. Cada dirección identificará la conexión del computador a una
La eficiencia de los programas
La eficiencia de los programas Jordi Linares Pellicer EPSA-DSIC Índice General 1 Introducción... 2 2 El coste temporal y espacial de los programas... 2 2.1 El coste temporal medido en función de tiempos
Conceptos básicos de procesos ambientales y químicos
Conceptos básicos de procesos ambientales y químicos Apellidos, nombre Departamento Centro Torregrosa López, Juan Ignacio (jitorreg@iqn.upv.es) Ingeniería Química y Nuclear Universitat Politècnica de València
Complejidad de los Algoritmos
Que es un Algoritmo? Complejidad de los Algoritmos Webster: cualquier método especial para resolver cierta clase de problemas. Horowitz: método preciso utilizable en una computadora para la solución de
COLEGIO HELVETIA PROGRAMA DE MATEMÁTICAS GRADO ONCE
COLEGIO HELVETIA PROGRAMA DE MATEMÁTICAS GRADO ONCE 201-2015 OBJETIVO GENERAL: Entender las bases conceptuales de función, el problema del infinito, así como sus aplicaciones a otras áreas del conocimiento
Un Sistema de Gestión Integrado para PYME Cómo y para qué?
Un Sistema de Gestión Integrado para PYME Cómo y para qué? Diversos estudios anuales sobre la aplicación de las normas ISO de sistemas de Gestión muestran un aumento mundial constante en certificaciones
4º E.S.O. Matemáticas A
4º E.S.O. Matemáticas A Objetivos 1. Incorporar, al lenguaje y formas habituales de argumentación, las distintas formas de expresión matemática (numérica, algebraica, de funciones, geométrica...), con
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
Introducción. Alfonso Cubillos. Programa de Ing. Mecánica Universidad de Ibagué. Aplicaciones computacionales de la Mecánica de Materiales
Programa de Ing. Mecánica Universidad de Ibagué Aplicaciones computacionales de la Mecánica de Materiales Agosto 2007 Cuál es la definición de Mecánica? Cuál es la definición de Mecánica? La mecánica es
PERFIL PROFESIONAL INGENIERÍA EN TECNOLOGÍA AMBIENTAL. Universidad Politécnica de Durango
PERFIL PROFESIONAL INGENIERÍA EN TECNOLOGÍA AMBIENTAL Universidad Politécnica de Durango I. Programa Educativo II. Requerimientos del Sector Productivo Ingeniería en Tecnología Ambiental Evaluación de
Estudio del Comportamiento En-Línea de Algoritmos Bio-Inspirados Usando Medidas de Desempeño en Optimización con Restricciones
Estudio del Comportamiento En-Línea de Algoritmos Bio-Inspirados Usando Medidas de Desempeño en Optimización con Restricciones Blanca Cecilia López-Ramírez y Efrén Mezura-Montes Laboratorio Nacional de
Estructura de datos. Carrera: SCC Participantes
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Estructura de datos Ingeniería en Sistemas Computacionales SCC - 0408 4-2-10 2.-
El término productividad, con frecuencia, se confunde con el término producción. Muchas
RESUMEN El término productividad, con frecuencia, se confunde con el término producción. Muchas personas piensan que a mayor producción más productividad, pero esto no es necesariamente cierto. Producción
Taller: Planificación con Matriz de Marco Lógico. Vólker Gutiérrez Aravena Presidente Cultura Mapocho
Taller: Planificación con Matriz de Marco Lógico Vólker Gutiérrez Aravena Presidente Cultura Mapocho Elementos centrales de la Planificación Estratégica Qué es? Una poderosa herramienta de diagnóstico,
Monitorización continua las 24 Horas del día Capacidad de operar en redes de área extensa, a través de diferentes vías de comunicación
1.0 Introducción Hoy en día es difícil imaginar una actividad productiva sin el apoyo de un computador o de una máquina, en la actualidad estas herramientas no sólo están al servicio de intereses económicos,
TEMA 12 COSTES ESTÁNDAR
TEMA 12 COSTES ESTÁNDAR 1 12.1. INTRODUCCIÓN Herramienta que se aplica en el proceso de planificación y control Planificación definición de objetivos y medios para lograrlos Parte muy importante en la
Programa Oficial de Asignatura. Ficha Técnica. Presentación. Competencias y/o resultados del aprendizaje. Contenidos Didácticos
Ficha Técnica Titulación: Grado en Administración y Dirección de Empresas Plan BOE: BOE número 67 de 19 de marzo de 2014 Asignatura: Módulo: Métodos cuantitativos de la empresa Curso: 2º Créditos ECTS:
Ubicación de la asignatura. Propósito de la asignatura. Desarrollando proyectos. Asignaturas relacionadas. Una mirada hacia la optimización económica
EL CÁLCULO EN MI VIDA DIARIA OPTATIVAS ÁREA: MATEMÁTICAS Ubicación de la asignatura La asignatura El cálculo en mi vida diaria, se encuentra dentro del bloque de las asignaturas optativas del Bachillerato
INTRODUCCIÓN. Antecedentes
INTRODUCCIÓN Antecedentes Finalizada la Segunda Guerra Mundial, se inició un proceso acelerado de globalización económica, este desarrollo se dio a través de los mercados financieros internacionales, provocando
UNIVERSIDAD MAYOR DE SAN SIMÓN FACULTAD DE CIENCIAS Y TECNOLOGÍA INGENIERÍA DE SISTEMAS BÚSQUEDA PRIMERO EL MEJOR
UNIVERSIDAD MAYOR DE SAN SIMÓN FACULTAD DE CIENCIAS Y TECNOLOGÍA INGENIERÍA DE SISTEMAS BÚSQUEDA PRIMERO EL MEJOR INTEGRANTES: Caricari Cala Aquilardo Villarroel Fernandez Fructuoso DOCENTE: Lic. Garcia
MÉTODO NUMÉRICO HEURÍSTICO PARA EL CÁLCULO DE RAÍCES DE POLINOMIOS
MÉTODO NUMÉRICO HEURÍSTICO PARA EL CÁLCULO DE RAÍCES DE POLINOMIOS Ramón Cantú Cuéllar Luis Chávez Guzmán José Luis Cantú Mata Resumen En este artículo se propone un nuevo método numérico, para obtener
Unidad V. 5.1 Recta tangente y recta normal a una curva en un punto. Curvas ortogonales.
Unidad V Aplicaciones de la derivada 5.1 Recta tangente y recta normal a una curva en un punto. Curvas ortogonales. Una tangente a una curva es una recta que toca la curva en un solo punto y tiene la misma
CAPITULO XII PUENTES DE CORRIENTE ALTERNA
CAPITULO XII PUENTES DE CORRIENTE ALTERNA 2. INTRODUCCION. En el Capítulo IX estudiamos el puente de Wheatstone como instrumento de medición de resistencias por el método de detección de cero. En este
Matemáticas II. Carrera: IFM Participantes. Representantes de la academia de sistemas y computación de los Institutos Tecnológicos.
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Matemáticas II Licenciatura en Informática IFM - 0424 3-2-8 2.- HISTORIA DEL PROGRAMA
PROGRAMA INSTRUCCIONAL ESTADÍSTICA
UNIVERSIDAD FERMIN TORO VICE RECTORADO ACADEMICO FACULTAD DE INGENIERIA ESCUELA DE MANTENIMIENTO MECÁNICO ESCUELA DE TELECOMUNICACIONES ESCUELA DE COMPUTACIÓN ESCUELA DE ELÉCTRICA PROGRAMA INSTRUCCIONAL
Introducción a la programación lineal
Introducción a la programación lineal La programación lineal se aplica a modelos de optimización en los que las funciones objetivo y restricción son estrictamente lineales. La técnica se aplica en una
TÉCNICO SUPERIOR UNIVERSITARIO EN TECNOLOGÍAS DE LA INFORMACIÓN Y COMUNICACIÓN
TÉCNICO SUPERIOR UNIVERSITARIO EN TECNOLOGÍAS DE LA INFORMACIÓN Y COMUNICACIÓN HOJA DE ASIGNATURA CON DESGLOSE DE UNIDADES TEMÁTICAS 1. Nombre de la asignatura Desarrollo de Habilidades De Pensamiento
Métodos de Búsqueda para juegos humano-maquina. PROF: Lic. Ana María Huayna D.
Métodos de Búsqueda para juegos humano-maquina PROF: Lic. Ana María Huayna D. Tópicos 1. Introducción 2. Juegos 3. Estrategias de Juego 4. Algoritmo Minimax 5. Algoritmo Poda Alfa-Beta 1.- Introducción
Prof. Pérez Rivas Lisbeth Carolina
Ingeniería de Sistemas Investigación de Operaciones Prof. Pérez Rivas Lisbeth Carolina Investigación de Operaciones Es una rama de las Matemáticas consistente en el uso de modelos matemáticos, estadística
MANUAL DE USO PROGRAMA SENSIBAR
MANUAL DE USO PROGRAMA SENSIBAR ANALSIS DE SENSIBILIDAD Y SIMULACION DE MONTECARLO JOSE FUENTES VALDES FACEA - UNIVERSIDAD DE CONCEPCION Facultad de Economía Universidad de Concepción 1 SensiBar. ANALSIS
Resolución de problemas de búsqueda
Resolución de problemas de búsqueda Memoria de Prácticas de Segunda Entrega 26 de noviembre de 2007 Autores: Mariano Cabrero Canosa cicanosa@udc.es Elena Hernández Pereira elena@udc.es Directorio de entrega:
DEPARTAMENTO DE ORGANIZACIÓN INDUSTRIAL Y GESTIÓN DE EMPRESAS ESCUELA SUPERIOR DE INGENIEROS DE LA UNIVERSIDAD DE SEVILLA
6. CONCLUSIONES 6.1. Introducción En este trabajo se ha intentado realizar un estudio suficientemente exhaustivo, que pudiera recopilar los métodos y técnicas más relevantes en la gestión de proyectos
CÓMO CLASIFICAMOS A LOS ALIMENTOS? SISTEMAS DE PERFILADO NUTRICIONAL
CÓMO CLASIFICAMOS A LOS ALIMENTOS? SISTEMAS DE PERFILADO NUTRICIONAL La dieta y la nutrición son muy importantes para promover y mantener la buena salud a lo largo de toda la vida. Está bien establecida
LICENCIADO EN SISTEMAS COMPUTACIONALES. Este programa educativo se ofrece en las siguientes sedes académicas de la UABC:
LICENCIADO EN SISTEMAS COMPUTACIONALES Este programa educativo se ofrece en las siguientes sedes académicas de la UABC: Campus Campus Tijuana, Unidad Valle de las Palmas Nota: No ofertado a partir del
Carrera: INB Participantes. Representante de las academias de ingeniería industrial de. Academias Ingeniería Industrial.
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Investigación de Operaciones II Ingeniería Industrial INB-0412 4-0-8 2.- HISTORIA
PLANES CURRICULARES GRADO9º/ 01 PERIODO
PLANES CURRICULARES GRADO9º/ 01 PERIODO Grado: 9º Periodo: 01 PRIMERO Aprobado por: G. Watson - Jefe Sección Asignatura: MATEMATICAS Profesor: Gloria rueda y Jesús Vargas ESTANDARES P.A.I. I.B. A. Conocimiento