Planificación de la expansión de capacidad de un sistema de potencia térmo-eléctrico bajo condiciones de incertidumbre
|
|
- María Josefa Toledo Agüero
- hace 6 años
- Vistas:
Transcripción
1 Planificación de la expansión de capacidad de un sistema de potencia térmo-eléctrico bajo condiciones de incertidumbre Víctor M. Albornoz S. Manuel E. Rojas A. Departamento de Industrias Universidad Técnica Federico Santa María Av. Santa María Santiago. Resumen. En este trabajo se propone obtener una política óptima en la planificación de la expansión de capacidad de un sistema de potencia termoeléctrico, mediante la formulación y resolución algorítmica de un modelo de Programación Estocástica Entera en Dos-Etapas bajo incertidumbre en la disponibilidad futura de las centrales térmicas ya existentes en el sistema. Palabras clave: Programación Estocástica, Gestión de Operaciones, Planificación, Técnicas de Optimización. 1. Introducción El principal objetivo de este trabajo consiste en apoyar la planificación en la expansión de la capacidad de un sistema de potencia eléctrico, correspondiente más precisamente al Sistema Eléctrico de Punta Arenas, el cual contempla únicamente la presencia de unidades térmicas de generación, sin ninguna posibilidad de instalar en el futuro centrales hidroeléctricas. Naturalmente, se contempla un horizonte de planificación de largo plazo, el cual ha sido subdividido en periodos mensuales. De manera resumida, el problema consiste en la gestión óptima del sistema que permita determinar en cada mes el tamaño a expansión para cada una de las diferentes tecnologías consideradas en los planes futuros de expansión, de modo de minimizar los costos de expansión y operación del sistema y, al mismo tiempo, dar cumplimiento a las demandas futuras de potencia eléctrica. En este trabajo, se propone un modelo de programación estocástica entera de dos etapas, que incorpora la incertidumbre en la disponibilidad futura de las unidades existentes al inicio
2 del horizonte de planificación. Esta incertidumbre es incorporada a través de una variable aleatoria discreta (escenarios) cuyos valores y probabilidades se supone conocidos sobre todo el horizonte de planificación. La resolución del modelo propuesto es abordada mediante la extensión del Método de Descomposición de Benders a problemas de programación estocástica, en este caso en variable entera-mixta. Mediante un esquema iterativo coordinado, en cada iteración el método permite la descomposición en un problema maestro reducido (con variables entera), relacionado principalmente con la expansión del sistema, y distintos subproblemas relacionados con la operación del mismo, uno para cada escenario. Los subproblemas se resuelven una vez conocido un plan de expansión propuesto a partir de la resolución del problema maestro. A su vez, la resolución de los diferentes subproblemas permiten construir (en la siguiente iteración) una función que aproxima el costo de operación asociado a un determinado plan de expansión considerado en la formulación del problema maestro. A continuación, en este resumen extendido, se describe los principales aspectos del modelo propuesto, la estrategia algorítmica empleada, los resultados computacionales obtenidos y las conclusiones y extensiones del presente trabajo. 2. Modelo de Programación Estocástica Entera de dos Etapas En la literatura se conoce con el nombre de Programación Estocástica el área que agrupa todas las metodologías para formular y resolver problemas de optimización bajo condiciones de incertidumbre en los parámetros del problema, ver Birge y Loveaux (1997), Kall y Wallace (1995) y Sen y Higle (1999). Ahora bien, la representación de un sistema eléctrico dentro de un modelo de planificación puede ser muy sencilla al considerar un nodo de generación y demanda y, al mismo tiempo, suponer que todos los parámetros de la operación son deterministas, hasta representaciones más complejas que consideran de manera conjunta múltiples nodos con líneas capacitadas y la presencia de la aleatoriedad de alguno de los parámetros que definen el problema, por ejemplo en las hidrologías, en la disponibilidad de centrales térmicas existentes y/o en la demanda. Diversos autores han formulado y resuelto modelos de programación estocástica para la gestión y operación de sistemas en este último caso, como puede consultarse en Escudero et al. (1996), Hobbs et al. (2001), Pereira y Pinto (1985) y Wood y Wollenberg (1996), ente muchos otros.
3 Modelada la incertidumbre de la disponibilidad futura de todas las unidades (existentes al inicio del horizonte de planificación), mediante una variable aleatoria discreta, se propone un modelo de programación estocástica con recurso de dos etapas que permite abordar la gestión óptima de un determinado sistema térmico, en dos etapas o niveles de decisión. En la primera etapa, hay decisiones en relación con la expansión de la capacidad del sistema que son tomadas previa e independientemente de la realización particular del escenario de disponibilidad que tenga lugar en el futuro. Por su parte, la función objetivo de la primera etapa minimiza el costo de expansión más el costo de operación asociado a la política adoptada. En la segunda etapa, las variables toman su valor en respuesta del escenario de disponibilidad y dependen por cierto tanto del escenario particular que tenga lugar como de la decisión adoptada en la primera etapa. Más precisamente, el problema de la segunda etapa corresponde a la minimización de los costos esperados de operación sujeta a un conjunto de restricciones, por escenario, que permitan el cumplimiento de las demandas mensuales y tomen en cuenta tanto la existencia de las unidades que resultan del plan de expansión propuesto en la primera etapa como la disponibilidad de las unidades de generación en cada mes, para las existentes desde el inicio del horizonte de planificación. Algunos supuestos básicos del modelo propuesto son los siguientes: 1) se permite invertir en dos nuevas tecnologías en cualquier mes del horizonte de planificación, correspondiente a unidades térmicas a gas y térmicas de motor diesel; 2) se supone conocida la demanda de potencia en cada mes, y se representa mediante una curva de duración de carga con varios escalones; 3) se admite la posibilidad que el sistema eventualmente falle en cada mes, incorporando una decisión asociada al nivel de falla que tiene un costo de penalización que depende naturalmente del nivel de falla; y 4) se supone conocido un conjunto de escenarios de disponibilidad para todas las centrales existentes al comienzo de la planificación, escenarios definidos sobre todo el horizonte de planificación, que describe para cada central si está o no disponible en cada mes. Las variables de decisión del modelo corresponden a variables binarias que indican si se expande o no con una determinada tecnología (dos de motor diesel, dos de motor a gas y dos de turbina a gas) en cada periodo de acuerdo a un tamaño dado, el nivel de potencia expandida con las nuevas tecnologías en cada periodo, que determinan a su vez los niveles de potencia disponibles acumulados hasta un determinado periodo, y en la operación del sistema, la potencia generada con las unidades de motor diesel nueva, motor a gas nueva o turbina a gas nueva y con cada unidad existente desde el inicio del horizonte de planificación, como así
4 también los niveles de potencia fallada para cada periodo, escalón de la curva de duración de carga y escenario. Por su parte, la función objetivo del problema corresponde a la suma de los costos de inversión y los costos esperados de operación y falla del sistema. En tanto, las decisiones están restringidas básicamente a los requerimientos de demanda en cada periodo y escalón de la curva de duración de carga y a los niveles máximos disponibles en cada unidad tanto existente, para cada periodo y escenario de disponibilidad, como futura, para cada periodo, de acuerdo al plan propuesto de expansión. 3. Un Método de Descomposición Los modelos de programación estocástica, en el caso de una variable aleatoria discreta, o por simple discretización en el caso de una variable aleatoria continua (método de aproximación), conducen a problemas de gran tamaño los cuales poseen una cierta estructura que puede (y muchas veces debe) ser utilizada para su resolución computacional. En particular, los métodos de descomposición proveen una estrategia adecuada de resolución en diversas situaciones. De hecho, existen numerosos autores quienes, siguiendo la técnica de descomposición desarrollada por Benders (1962), estudiaron una gran variedad de problemas específicos a los cuales era posible extender esta metodología. En el caso de la programación estocástica destacan los trabajos de Van Slyke y Wets (1969), Birge (1985) y Caroe y Tind (1998). En este trabajo, se considera el método de descomposición L-shaped con variable entera (binaria) en la primera etapa. De este modo, en cada iteración se tiene un problema maestro (reducido) en variable entera y subproblemas en variable continua, uno para cada escenario. Dado lo anterior, la aplicación a optimalidad del método, es decir con un gap de dualidad nulo, provee la solución óptima del modelo estocástico propuesto. Más precisamente, el modelo que deseamos resolver, empleando la formulación determinista equivalente en la forma extendida y una notación matricial, corresponde a: Min cx + fγ + k p k (o k y k ) (3.1) s.a. Ax - Uγ = 0, (3.2) Bx + Wy k h k k=1,...,s, (3.3) Z y k = d k=1,...,s, (3.4) x 0, γ {0,1}, y k 0, (3.5)
5 donde x representa el nivel de potencia expandida con las nuevas tecnologías, γ la variable binaria asociada a la expansión en cada periodo e y k los niveles de generación de potencia y falla bajo el escenario k. La función objetivo es la suma de los costos de expansión y de los costos (esperados) de operación. Por su parte, (3.2) resume las restricciones que dan el nivel de la expansión, (3.3) la disponibilidad sobre los niveles de generación de potencia, (3.4) las restricciones de demanda y (3.5) la no-negatividad e integralidad de las variables. Algoritmo Paso 0. Hacer r=v=0. Paso 1. Resolver el problema entero-mixto: Min cx + fγ + θ (3.6) s.a. Ax - Uγ = 0, (3.7) E l x + θ e l l=1,...,r, (3.8) x 0, γ {0,1}, (θ) (3.9) Sea (x r, γ r, θ rr ) la solución óptima, si r=0 hacer θ rr =- y no considerarlo en el cálculo. Paso 2. Para k=1,...,s resolver el problema lineal: Min o k y k (3.10) s.a. Wy k h k - Bx r, (3.11) Z y k = d, (3.12) y k 0, (3.13) Sean π kr y λ kr los multiplicadores de Lagrange asociados con las restricciones (3.11) y (3.12), respectivamente. Defina E r+1 = k p k (π kr ) T B e r+1 = k p k ( (π kr ) T h k + (λ kr ) T d ) Sea w r = e r+1 - E r+1 x r. Si θ rr w r entonces (x r, γ r ) es la solución óptima de (3.1)-(3.5). En caso contrario, agregar a (3.8) la restricción E r+1 x + θ e r+1, hacer r=r+1 y volver al Paso 1. El algoritmo descrito considera, en la primera etapa, la resolución del problema maestro reducido (3.6)-(3.9), que incorpora información de la segunda etapa mediante una linealización exterior del problema de operación del sistema (asociado a la expansión propuesta), representada por los cortes de optimalidad (3.8). Dada la existencia de potencias de falla, el problema maestro reducido no contempla cortes de factibilidad, que de ser necesarios permiten aproximar el conjunto de decisiones de la primera etapa que hacen factible el problema en la segunda. Por otra parte, el problema (3.10)-(3.13) corresponde al
6 subproblema de la segunda etapa, para el escenario k, que minimiza los costos de operación del sistema dado un determinado plan de expansión, problema en variable continua. 4. Resultados computacionales Las distintas experiencias computacionales llevadas a cabo en este trabajo fueron realizadas mediante el uso del lenguaje de modelamiento algebraico AMPL, con CPLEX como solver de los diferentes problemas de programación lineal y de programación entera. Los lenguajes de modelamiento algebraico se han convertido en una herramienta muy importante de apoyo a la toma de decisiones, pues ha facilitado el empleo y resolución de modelos de optimización, incluída la programación de algoritmos numéricos de optimización. Se aborda un horizonte de planificación de 10 años, subdivididos en periodos mensuales. En cada mes, la curva de duración de carga tiene 3 escalones y existen costos operacionales asociados a cada tecnología que varían de un año a otro. El sistema estudiado lo conforman centrales térmicas de tres tipos de tecnología agrupadas en un sólo nodo geográfico: dos turbinas a gas, seis motores diesel y un motor a gas. Por su parte, los costos de inversión son diferentes para cada tecnología y tamaño, considerando un valor por MW instalado para dos motores diesel, dos motores a gas y dos turbinas a gas. El tamaño resultante del modelo determinista es de 7200 variables continuas, 720 variables enteras y restricciones. En cambio el modelo de programación estocástica, en su forma determinista equivalente extendida para 10 escenarios considera variables continuas, las mismas 720 variables enteras y restricciones. 5. Conclusiones y Extensiones Los resultados alcanzados en la resolución del modelo propuesta, muestran, por una parte, la necesidad de abordar esta clase de problemas mediante la utilización de métodos de descomposición y, por otra, validan la utilización de modelos de programación estocástica como una alternativa en el apoyo a la toma de decisiones bajo condiciones de incertidumbre.
7 Agradecimientos. Este trabajo ha sido posible gracias al apoyo de la Dirección General de Investigación y Postgrado de la Universidad Técnica Federico Santa María, a través del financiamiento otorgado al Proyecto de Investigación No Referencias. Albornoz, V. (1998). Diseño de Modelos y Algoritmos de Optimización Robusta y su Aplicación a la Planificación Agregada de la Producción. Tesis para optar al grado de Doctor en Ciencias de la Ingeniería, Pontificia Universidad Católica de Chile. Benders, J. (1962). Partitioning procedures for solving mixed-variables programming problems. Numerishe Mathematik 4, Birge, J. (1985). Decomposition and partitioning methods for multi-stage stochastic linear programs. Operations Research 33, Birge, J. and Loveaux, F. (1997). Introduction to Stochastic Programming. Springer Verlag, New York, USA. Caroe, C.C. and Tind, J. (1998). L-shaped decomposition of two-stage stochastic programs with integer recourse. Mathematical Programming, Vol. 83(3) Ermoliev, Yu y Wets, R., Eds. (1988). Numerical Techniques for Stochastic Optimization. Springer Verlag, Berlin. Escudero, L.F., de la Fuente, J.L., Garcia, C. and Prieto, F.J. (1996). Hydropower generation management under uncertainty via scenario analysis and parallel computation. IEEE Transactions on Power Systems 11, No. 2, Fourer, R., Gay, D.M., Kernigham, B.W. and Wets, R. (1999). AMPL: a modeling language for mathematical programming. Brooks/Cole Publishing Company, USA. Hobbs, B., Rothkopf, M., O'Neill, R. and Chao, H. (2001). Next Generarion of Electric power unit commitment models. Kluwer Academic Publishers. Kall, P. and Wallace, S.W. (1995). Stochastic Programming. John Wiley & Sons, England. Pereira, M.V.F. and Pinto, L. (1985). Stochastic Optimization of a Multi--Reservoir Hydroelectric System: A Decomposition Approach. Water Resources Research, Vol. 21, No.6, Ruszczynski, A. (1997). Decomposition methods in stochastic programming. Mathematical Programming79, No.1-3, Sen, S. and Higle, J.L. (1999). Introductory Tutorial on Stochastic Linear Programming Models. Interfaces 29, No.2, van Slyke, R. and Wets, R. (1969). L-shaped linear programs with applications to optimal control and stochastic programming. SIAM Journal of Applied Mathematics 17, Wood, A.J. and Wollenberg, B.F. Power generation, operation and control. John Wiley and Sons, New York, 1996.
DESARROLLO DE MODELOS, METODOS Y APLICACIONES DE PROGRAMACION ESTOCASTICA EN PLANIFICACION OPTIMA DE LARGO PLAZO.
CONICYT: Repositorio Institucional: Ficha de Iniciativa de CIT (Ciencia, Tecnología e Innovación) 1 FONDECYT-REGULAR - 1999-1990106 DESARROLLO DE MODELOS, METODOS Y APLICACIONES DE PROGRAMACION ESTOCASTICA
Más detallesClase 9 Programación No Lineal
Pontificia Universidad Católica Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas Clase 9 Programación No Lineal ICS 110 Optimización Profesor : Claudio Seebach Apuntes de Clases
Más detallesPráctica N o 8 Desigualdades Válidas - Algoritmos de Planos de Corte - Algoritmos Branch & Cut
Práctica N o 8 Desigualdades Válidas - Algoritmos de Planos de Corte - Algoritmos Branch & Cut 8.1 Para cada uno de los siguientes conjuntos, encontrar una desigualdad válida que agregada a la formulación
Más detallescermics-école des Ponts ParisTech October 15, 2015
Maestría en Matemática Universidad Tecnológica de Pereira (UTP), Colombia 12 17 de Octubre de 2015 Optimización estocástica dinámica. Asignación óptima de energía en micro-redes. Michel De Lara, cermics-école
Más detallesDepartamento de Matemáticas. ITAM Programación lineal (+ extensiones). Objetivos y panorama del c
Programación lineal (+ extensiones). Objetivos y panorama del curso. Departamento de Matemáticas. ITAM. 2008. Introducción Programación lineal http://allman.rhon.itam.mx/ jmorales La programación lineal
Más detallesPropuesta de Venta. Base de Datos Regional del Grupo de Trabajo de Planificación Indicativa Regional Secretaría Ejecutiva
Propuesta de Venta Base de Datos Regional del Grupo de Trabajo de Planificación Indicativa Regional 2012-2027 Modelo: Stochastic Dual Dynamic Programming Secretaría Ejecutiva Contenido Contenido... 2 Introducción...
Más detallesFormulación 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,
Más detallesOPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA. Tema 4 Optimización no Lineal
OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA Tema 4 Optimización no Lineal ORGANIZACIÓN DEL TEMA Sesiones: El caso sin restricciones: formulación, ejemplos Condiciones de optimalidad, métodos Caso con restricciones:
Más detallesRELACIÓN DE PROBLEMAS DE CLASE DE PROGRAMACIÓN LINEAL ENTERA
RELACIÓN DE PROBLEMAS DE CLASE DE PROGRAMACIÓN LINEAL ENTERA SIMPLEX Y LINEAL ENTERA a Resuelve el siguiente problema con variables continuas positivas utilizando el método simple a partir del vértice
Más detallesLICENCIATURA ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS
LICENCIATURA ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS PROGRAMA DE LA ASIGNATURA MODELIZACIÓN Y OPTIMIZACIÓN CURSO 2012-13 ASIGNATURA: CURSO: OPTATIVA 2º - 3º (2º Semestre) 1.- DATOS INICIALES DE IDENTIFICACIÓN
Más detallesAntecedentes. Ejemplos de Optimización en Procesos Agrícolas. Planificación v/s Operación. Planificación, Operación y Control en el negocio agrícola
Ejemplos de Optimización en Procesos Agrícolas Pedro Traverso Profesor Asociado Escuela de Administración Pontifica Universidad Católica de Chile Ingeniero Agrónomo PUC MBA, PUC M.Sc. Ingeniería Industrial
Más detallesProgramación Lineal y Entera
Programación Lineal y Entera Balbina Virginia Casas Méndez Casos prácticos con AMPL MÁSTER EN TÉCNICAS ESTADÍSTICAS Curso 2010/11 Introducción El lenguaje AMPL Optimizadores: KNITRO El servidor NEOS Introducción
Más detallesMÁSTER UNIVERSITARIO EN INGENIERÍA DE SISTEMAS Y DE CONTROL. Curso 2010/2011. (Código: )
INTRODUCCIÓNA LA PROGRAMACIÓNMATEMÁTICAMATEMÁTICA MÁSTER UNIVERSITARIO EN INGENIERÍA DE SISTEMAS Y DE CONTROL Curso 2010/2011 (Código: 31104021) 1 Conceptos generales sobre optimización matemática La optimización
Más detalles4. NÚMEROS PSEUDOALEATORIOS.
4. NÚMEROS PSEUDOALEATORIOS. En los experimentos de simulación es necesario generar valores para las variables aleatorias representadas estas por medio de distribuciones de probabilidad. Para poder generar
Más detallesEl método simplex 1. 1 Forma estándar y cambios en el modelo. 2 Definiciones. 3 Puntos extremos y soluciones factibles básicas. 4 El método simplex.
El método simplex Forma estándar y cambios en el modelo. Definiciones. Puntos extremos y soluciones factibles básicas. 4 El método simplex. Definiciones y notación. Teoremas. Solución factible básica inicial.
Más detallesUniversidad 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.
Más detallesMODELOS 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
Más detallesCURRICULUM VITAE (Agosto, 2015)
José Luis de la Fuente O Connor CURRICULUM VITAE (Agosto, 2015) Datos personales Lugar y Fecha de Nacimiento: Madrid; 29/9/1953. Estado Civil: Domicilio: Ocupaciones actuales: Casado; 2 hijos: Sandra y
Más detallesDIPLOMADO. 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
Más detallesAplicación del orden de mayorización a un problema de producción-inventario. An aplication of majorization order on a production-inventory problem
Revista Facultad de Ingeniería N. o 39. pp. 112-117. Marzo, 2007 Aplicación del orden de mayorización a un problema de producción-inventario Henry Laniado Rodas a,*,diego Alejandro Castañeda b, Andrés
Más detallesCAPITULO 1: PERSPECTIVE GENERAL DE LA
CONTENIDO CAPITULO 1: PERSPECTIVE GENERAL DE LA INVESTIGACION DE OPERACIONES 1 1.1 Modelos matemáticos de investigación de operaciones. 1 1.2 Técnicas de investigación de operaciones 3 1.3 Modelado de
Más detallesIntroducción a Programación Lineal
Pontificia Universidad Católica Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas Clase 18 Programación Lineal ICS 1102 Optimización Profesor : Claudio Seebach 4 de octubre de 2005
Más detallesUNIVERSIDAD 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
Más detallesBreve 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
Más detallesTema 3: El Método Simplex. Algoritmo de las Dos Fases.
Tema 3: El Método Simplex Algoritmo de las Dos Fases 31 Motivación Gráfica del método Simplex 32 El método Simplex 33 El método Simplex en Formato Tabla 34 Casos especiales en la aplicación del algoritmo
Más detallesIntegradora 3. Modelos de Programación Lineal
Métodos Cuantitativos para la Toma de Decisiones Integradora 3. Modelos de Programación Lineal Objetivo Al finalizar la actividad integradora, serás capaz de: R l bl d PL di d l ét d Resolver problemas
Más detallesMÉTODO DEL DUAL (TEORIA DE DUALIDAD)
MÉTODO DEL DUAL (TEORIA DE DUALIDAD) Todo problema de programación lineal tiene asociado con él otro problema de programación lineal llamado DUAL. El problema inicial es llamado PRIMO y el problema asociado
Más detallesModelado y Simulación de Sistemas
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2016 205 - ESEIAAT - Escuela Superior de Ingenierías Industriales, Aeroespacial y Audiovisual de Terrassa 707 - ESAII - Departamento
Más detallesSAA SAMPLE AVERAGE APPROXIMATION METHOD, APLICADO A LA SOLUCIÓN DE MODELOS DE PROGRAMACIÓN LINEAL ESTOCÁSTICOS
4 51 SAA SAMPLE AVERAGE APPROXIMATION METHOD, APLICADO A LA SOLUCIÓN DE MODELOS DE PROGRAMACIÓN LINEAL ESTOCÁSTICOS Héctor Hernan Toro Díaz Profesor Pontificia Universidad Javeriana, Colombia. Contacto:
Más detallesProf. 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
Más detallesRESOLUCIÓN DE MODELOS DE PROGRAMACIÓN ENTERA MÉTODOS DE CORTE CORTES DE GOMORY
25 de Junio de 2012 RESOLUCIÓN DE MODELOS DE PROGRAMACIÓN ENTERA MÉTODOS DE CORTE CORTES DE GOMORY Postgrado de Investigación de Operaciones Facultad de Ingeniería Universidad Central de Venezuela Programación
Más detallesRobusticidad de los Diseños D-óptimos a la Elección. de los Valores Locales para el Modelo Logístico
Robusticidad de los Diseños D-óptimos a la Elección de los Valores Locales para el Modelo Logístico David Felipe Sosa Palacio 1,a,Víctor Ignacio López Ríos 2,a a. Escuela de Estadística, Facultad de Ciencias,
Más detallesPROBLEMA 1. Considere el siguiente problema de programación lineal:
PROBLEMA 1 Considere el siguiente problema de programación lineal: Sean h1 y h2 las variables de holgura correspondientes a la primera y segunda restricción, respectivamente, de manera que al aplicar el
Más detallesUniversidad Autónoma del Estado de México Licenciatura en Matemáticas Programa de Estudios: Programación Lineal
Universidad Autónoma del Estado de México Licenciatura en Matemáticas 2003 Programa de Estudios: Programación Lineal I. Datos de identificación Licenciatura Matemáticas 2003 Unidad de aprendizaje Programación
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO. Facultad de Ciencias. Plan de estudios de la Licenciatura en Actuaría. Teoría de Redes
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO Facultad de Ciencias Plan de estudios de la Licenciatura en Actuaría Teoría de Redes Clave 0442 Modalidad Semestre 7 u 8 Créditos 10 Área Campo de conocimiento Etapa
Más detallesModelos de Programación Matemática
Modelos de Programación Matemática Las proposiciones matemáticas, en cuanto tienen que ver con la realidad, no son ciertas; y en cuanto que son ciertas, no tienen nada que ver con la realidad A. Einstein
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN LICENCIATURA EN MATEMÁTICAS APLICADAS Y COMPUTACIÓN
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN LICENCIATURA EN MATEMÁTICAS APLICADAS Y COMPUTACIÓN ACATLÁN PROGRAMA DE ASIGNATURA CLAVE: 1409 SEMESTRE: 4 (CUARTO) MODALIDAD
Más detallesPROCEDIMIENTO APLICACIÓN CRITERIO DE SEGURIDAD N-1
Versión 23? PROCEDIMIENTO APLICACIÓN CRITERIO DE SEGURIDAD N-1 Preparada para: Marzo, 2014 M 1432 PROCEDIMIENTO APLICACIÓN DE CRITERIO DE SEGURIDAD N-1 INDICE CAPÍTULO I OBJETIVO, ALCANCE Y DEFINICIONES...
Más detallesProgramación dinámica (DP) Andrés Ramos Universidad Pontificia Comillas
Programación dinámica (DP) Andrés Ramos Universidad Pontificia Comillas http://www.iit.comillas.edu/aramos/ Andres.Ramos@comillas.edu PROGRAMACIÓN DINÁMICA 1 Programación dinámica (DP) 1. Definiciones
Más detalles(2.a) INTRODUCCIÓN A LA FORMULACIÓN DE MODELOS LINEALES
(2.a) INTRODUCCIÓN A LA FORMULACIÓN DE MODELOS LINEALES PROBLEMAS DE PROGRAMACIÓN LINEAL. Función objetivo y restricciones. HIPÓTESIS DE MODELIZACIÓN. Ejemplos: problema de producción, problema de dietas.
Más detallesIntroducción 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
Más detallesCurso: Teoría, Algoritmos y Aplicaciones de Gestión Logística. Modelos de Inventarios, Parte 1: Modelos de tamaño económico de lote
Curso: Teoría, Algoritmos y Aplicaciones de Gestión Logística. Modelos de Inventarios, Parte 1: Modelos de tamaño económico de lote Departamento de Investigación Operativa Instituto de Computación, Facultad
Más detallesComplejidad 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
Más detallesUniversidad Nacional Autónoma de Nicaragua UNAN-Managua. Curso de Investigación de Operaciones
Universidad Nacional Autónoma de Nicaragua UNAN-Managua Curso de Investigación de Operaciones Profesor: MSc. Julio Rito Vargas Avilés. Presentación del Programa de Investigación de Operaciones Estudiantes:
Más detallesProblemas de Programación Lineal: Método Simplex
Problemas de Programación Lineal: Método Simplex Ej. (3.1) (C) Los siguientes Tableaux fueron obtenidos en el transcurso de la resolución de PL en los cuales había que maximizar una Función Objetivo con
Más detallesAsignatura: Horas: Total (horas): Obligatoria X Teóricas 4.0 Semana 4.0 Optativa Prácticas 0 16 Semanas 64.0
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTADES DE ECONOMÍA E INGENIERÍA LICENCIATURA EN ECONOMÍA Y NEGOCIOS PROGRAMA DE ESTUDIO Investigación de Operaciones I P86 /P75 /P96 08 Asignatura: Clave Semestre
Más detallesPontificia Universidad Católica del Ecuador
1. DATOS INFORMATIVOS FACULTAD: INGENIERÍA CARRERA: SISTEMAS Asignatura/Módulo: Simulación Código: 15050 Plan de estudios: Nivel: VII Prerrequisitos 14259 Correquisitos: Materias de cadena: N Créditos:
Más detallesNotas de Clase de: Investigación de Operaciones
Notas de Clase de: Investigación de Operaciones Víctor Leiva Departamento de Estadística Universidad de Valparaíso, Chile victor.leiva@uv.cl www.deuv.cl/leiva Índice general 1. Programa de la Asignatura
Más detalles1: 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
Más detallesJueves, 30 de abril. Ejemplo de recursión. Ejemplo de PD. Ejemplo de programación dinámica. Programación dinámica
.0 Jueves, 0 de abril Programación dinámica. Recursión. Principio de optimalidad. Entregas: material de clase. Programación dinámica Transforma un problema de optimización complejo en una secuencia problemas
Más detallesUniversidad Tec Milenio: Profesional HG04002 Análisis de Decisiones I
Tema # 10 El método de las M s como solución de problemas de programación lineal 1 Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Resolver modelos de programación lineal mediante
Más detallesUniversidad de Managua Curso de Programación Lineal
Universidad de Managua Curso de Programación Lineal Profesor: MSc. Julio Rito Vargas Avilés. Objetivos y Temáticas del Curso Estudiantes: Facultad de CE y A Año académico: III Cuatrimestre 2014 ORIENTACIONES
Más detallesClase 2 Introducción al Modelamiento
Pontificia Universidad Católica Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas Clase 2 Introducción al Modelamiento ICS 1102 Optimización Profesor : Claudio Seebach Apuntes de
Más detallesde 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,
Más detallesCI63G Planificación de Sistemas de Transporte Público Urbano. Clase 19 Semestre Otoño 2008
CI63G Planificación de Sistemas de Transporte Público Urbano Clase 19 Semestre Otoño 2008 Descripción del Problema Proceso de planificación de cualquier empresa de transporte público: Diseñar los recorridos
Más detallesMÉTODOS DE OPTIMIZACIÓN EN LA GESTIÓN EMPRESARIAL
UNIVERSIDAD DE ALCALÁ DE HENARES Departamento de Fundamentos de Economía e Historia Económica MÉTODOS DE OPTIMIZACIÓN EN LA GESTIÓN EMPRESARIAL (Obligatoria en Ciencias Actuariales, 3er curso, Optativa
Más detallesCálculo en varias variables
Cálculo en varias variables Dpto. Matemática Aplicada Universidad de Málaga Resumen Límites y continuidad Funciones de varias variables Límites y continuidad en varias variables 1 Límites y continuidad
Más detallesTitulación(es) Titulación Centro Curso Periodo Grado de Economía FACULTAT D'ECONOMIA 4 Primer cuatrimestre
FICHA IDENTIFICATIVA Datos de la Asignatura Código 36136 Nombre Matemáticas para los Modelos Dinámicos Ciclo Grado Créditos ECTS 6.0 Curso académico 2015-2016 Titulación(es) Titulación Centro Curso Periodo
Más detallesMiguel Ortega Mier Grupo de Ingeniería de Organización y Logística ETSII (UPM)
Búsqueda de soluciones robustas para el problema de localización de una instalación de tratamiento de residuos y las plantas de transferencia correspondientes Miguel Ortega Mier Grupo de Ingeniería de
Más detallesEstructuras de control
Estructuras de control Introducción Los algoritmos vistos hasta el momento han consistido en simples secuencias de instrucciones; sin embargo, existen tareas más complejas que no pueden ser resueltas empleando
Más detallesLABORATORIO No. 3 MODELAMIENTO Y ANALISIS DINAMICO DE SISTEMAS ELECTRICOS
UNIVERSIDAD FRANCISCO DE PAULA SANTANDER FACULTAD DE INGENIERIA INGENIERÍA ELECTRÓNICA 1 SISTEMAS DINAMICOS 1160601 LABORATORIO No. 3 MODELAMIENTO Y ANALISIS DINAMICO DE SISTEMAS ELECTRICOS INSTRUCCIONES
Más detallesPLANEACIÓN AGREGADA VARIABLES Y CONSIDERACIONES DE UN PLAN AGREGADO
PLANEACIÓN AGREGADA -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Más detallesInventarios.
Inventarios http://humberto-r-alvarez-a.webs.com Inventarios Los inventarios tienen una gran importancia siempre y cuando estos añadan valor a los procesos. La existencia de los inventarios añade valor
Más detallesAsignaturas antecedentes y subsecuentes Análisis Numérico II
PROGRAMA DE ESTUDIOS Análisis Numérico I Área a la que pertenece: Área Sustantiva Profesional Horas teóricas: 3 Horas prácticas: 2 Créditos: 8 Clave: F0033 Asignaturas antecedentes y subsecuentes Análisis
Más detallesPROYECCIÓN DE LA EVOLUCIÓN DE LAS EMISIONES DE GASES DE EFECTO INVERNADERO EN EL SECTOR ENERGÍA AÑOS
PROYECCIÓN DE LA EVOLUCIÓN DE LAS EMISIONES DE GASES DE EFECTO INVERNADERO EN EL SECTOR ENERGÍA AÑOS 2 225 NOTA: ESTE ESTUDIO CORRESPONDE A UN ANÁLISIS ESPECÍFICO Y NO REPRESENTA CIFRAS OFICIALES. RESUMEN
Más detallesUNIVERSIDAD LIBRE SECCIONAL PEREIRA FACULTAD DE INGENIERÍAS PROGRAMA ACADÉMICO DE INGENIERÍA DE SISTEMAS
FACULTAD DE INGENIERÍAS PROGRAMA ACADÉMICO DE INGENIERÍA DE SISTEMAS PLAN DE ASIGNATURA NOMBRE DE LA ASIGNATURA: CODIGO DE LA ASIGNATURA: 02233 CICLO DE FORMACIÓN: COMPONENTE DE FORMACIÓN PROGRAMACION
Más detallesIntroducción a la programación lineal y entera Una simple presentación
Introducción a la programación lineal y entera Una simple presentación Miguel Mata Pérez miguel.matapr@uanl.edu.mx Versión 0.1, 30 de septiembre de 2014 Resumen: Este trabajo es una presentación de la
Más detallesEL PROBLEMA GENERAL DE OPTIMIZACION
EL PROBLEMA GENERAL DE OPTIMIZACION Terminología Tipos de soluciones Resultados teóricos sobre existencia y unicidad de soluciones Método gráfico de resolución Problemas de optimización Este tipo de problemas
Más detallesTema 5: Análisis de Sensibilidad y Paramétrico
Tema 5: Análisis de Sensibilidad y Paramétrico 5.1 Introducción 5.2 Cambios en los coeficientes de la función objetivo 5.3 Cambios en el rhs 5.4 Análisis de Sensibilidad y Dualidad 5.4.1 Cambios en el
Más detallesPROGRAMACION 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
Más detallesProgramación 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
Más detallesUNIVERSIDAD AUTÓNOMA DE ZACATECAS UNIDAD DE MATEMÁTICAS MAESTRÍA EN MATEMÁTICA EDUCATIVA
UNIVERSIDAD AUTÓNOMA DE ZACATECAS UNIDAD DE MATEMÁTICAS MAESTRÍA EN MATEMÁTICA EDUCATIVA EL APRENDIZAJE Y ENSEÑANZA DEL CONCEPTO DE ECUACIÓN DE PRIMER GRADO AVANCES DE INVESTIGACIÓN LES MARCO AURELIO TORRES
Más detallesPROGRAMACIÓN 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
Más detallesScientia Et Technica ISSN: Universidad Tecnológica de Pereira Colombia
Scientia Et Technica ISSN: 0-70 scientia@utp.edu.co Colombia GARCÉS RUIZ, ALEJANDRO; GALVIS, JUAN CARLOS; GÓMEZ CARMONA, OSCAR ALGORITMO EVOLUTIVO DIFERENCIAL APLICADO AL PROBLEMA DE DESPACHO HIDROTÉRMICO
Más detallesAplicación de la Simulación en la Resolución de un Modelo de Inventario con Demanda Híbrida
Aplicación de la Simulación en la Resolución de un Modelo de Inventario con Demanda Híbrida María Teresa Casparri, Javier García Fronti, Gustavo F.J. Zorzoli 1. Planteo del problema El presente trabajo
Más detallesIII Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios
III Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios Esta lista contiene ejercicios y problemas tanto teóricos como de modelación. El objetivo
Más detallesClasificación de sistemas
Capítulo 2 Clasificación de sistemas 2.1 Clasificación de sistemas La comprensión de la definición de sistema y la clasificación de los diversos sistemas, nos dan indicaciones sobre cual es la herramienta
Más detallesNombre 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
Más detallesPasos en el Método Simplex
Pontificia Universidad Católica Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas Clase 20 El Método Simplex ICS 1102 Optimización Profesor : Claudio Seebach 16 de octubre de 2006
Más detallesSÍLABO DE OPTIMIZACIÓN ECONÓMICA
I. DATOS GENERALES CÓDIGO CARÁCTER CRÉDITOS 4 A0328 PERIODO ACADÉMICO 2016 PRERREQUISITO SÍLABO DE OPTIMIZACIÓN ECONÓMICA Obligatorio Economía Matemática HORAS Teóricas: 2 Prácticas: 4 II. SUMILLA DE LA
Más detallesRESOLUCIÓN INTERACTIVA DEL SIMPLEX
RESOLUCIÓN INTERACTIVA DEL SIMPLEX Estos materiales interactivos presentan la resolución interactiva de ejemplos concretos de un problema de P.L. mediante el método Simplex. Se presentan tres situaciones:
Más detallesPROBABILIDAD Y ESTADÍSTICA
PROBABILIDAD Y ESTADÍSTICA I. DATOS GENERALES Unidad Académica: Departamento de Suelos Programa Educativo: Ingeniería en Recursos Naturales Renovables Nivel educativo: Licenciatura Eje curricular: Ingeniería
Más detallesProblemas de Transbordo
Universidad Nacional de Ingeniería UNI-Norte Problemas de Transbordo III Unidad Temática MSc. Ing. Julio Rito Vargas II semestre 2008 El problema de transbordo Un problema de transporte permite sólo envíos
Más detallesMQ1 - 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
Más detallesPráctica 2: Análisis de sensibilidad e Interpretación Gráfica
Práctica 2: Análisis de sensibilidad e Interpretación Gráfica a) Ejercicios Resueltos Modelización y resolución del Ejercicio 5: (Del Conjunto de Problemas 4.5B del libro Investigación de Operaciones,
Más detallesPLANIFICACIÓN ANUAL NM3 TERCERO MEDIO
PLANIFICACIÓN ANUAL NM3 TERCERO MEDIO TERCER AÑO FORMACIÓN GENERAL OBJETIVOS FUNDAMENTALES CONTENIDOS MINIMOS SUGERENCIAS DE ACTIVIDADES. Los alumnos y las alumnas desarrollarán la capacidad de : Resolver
Más detallesMÉTODO 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
Más detallesWinQSB. Módulo de Programación Lineal y Entera. Al ejecutar el módulo Linear and Integer Programming, la ventana de inicio es la siguiente
WinQSB Módulo de Programación Lineal y Entera Al ejecutar el módulo Linear and Integer Programming, la ventana de inicio es la siguiente desde la cual, a partir del menú File New Problem puedes introducir
Más detallesEJERCICIOS DE ÁLGEBRA LINEAL TEMA 1 ESPACIOS VECTORIALES
EJERCICIOS DE ÁLGEBRA LINEAL TEMA ESPACIOS VECTORIALES Formas reducidas y escalonada de una matriz SISTEMAS DE ECUACIONES LINEALES ) Encuentre una sucesión de matrices elementales E, E,..., E k tal que
Más detallesIN Guía de Problemas Resueltos de Geometría de Programación Lineal v1.0
IN3701 - Guía de Problemas Resueltos de Geometría de Programación Lineal v1.0 Acá va una pequeña guía con problemas resueltos de Geometría en Programación Lineal con problemas básicamente extraídos del
Más detallesTEMA 8: ECUACIONES EN DIFERENCIAS
Lino Alvarez - Aurea Martinez METODOS NUMERICOS TEMA 8: ECUACIONES EN DIFERENCIAS 1 CONCEPTOS BASICOS Una ecuación en diferencias es una expresión del tipo: G(n, f(n), f(n + 1),..., f(n + k)) = 0, n Z,
Más detallesASIGNATURA DE GRADO: MODELIZACIÓN
ASIGNATURA DE GRADO: MODELIZACIÓN Curso 2014/2015 (Código:61023096) 1.PRESENTACIÓN DE LA ASIGNATURA La asignatura Modelización pertenece a la materia Investigación Operativa que se encuentra en el plan
Más detallesContenido: Solución algebraica a los problemas de programación lineal con el método simplex.
Tema II: Programación Lineal Contenido: Solución algebraica a los problemas de programación lineal con el método simplex. Introducción El método simplex resuelve cualquier problema de PL con un conjunto
Más detallesPROGRAMA DE LA MATERIA: Investigación Operativa Módulos semanales 3 Días de dictado: L M M J V S 3
1 Técnico Superior en Análisis de Sistemas Plan 2003 Res: 6175/03 PROGRAMA DE LA MATERIA: Investigación Operativa 11318 Area: SISTEMAS Equipo Docente Silvio Hugo Solari Módulos semanales 3 Días de dictado:
Más detallesPrograma 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:
Más detallesINTRODUCCIÓN A LA MODELACIÓN MATEMÁTICA Y OPTIMIZACIÓN
INTRODUCCIÓN A LA MODELACIÓN MATEMÁTICA Y OPTIMIZACIÓN Carlos Julio Vidal Holguín UNIVERSIDAD DEL VALLE FACULTAD DE INGENIERÍA ESCUELA DE INGENIERÍA INDUSTRIAL Y ESTADÍSTICA 1. FORMULACIÓN DE MODELOS DE
Más detalles2 = 1 0,5 + = 0,5 c) 3 + = = 2
Trabajo Práctico N : SISTEMAS DE ECUACIONES LINEALES Ejercicio : Resuelva los siguientes sistemas de ecuaciones lineales empleando cuando sea posible: i) Método matricial. ii) Regla de Cramer. Interprete
Más detalles: 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
Más detallesTareas 20% Primer Examen Parcial 20% Segundo Examen Parcial 20% Proyecto Final 25% Examen Final 15%
Introducción a la Computación Evolutiva Dr. Carlos Artemio Coello Coello CINVESTAV-IPN Departamento de Computación Av. Instituto Politécnico Nacional No. 2508 Col. San Pedro Zacatenco México, D.F. 07360
Más detallesGuía de Aplicación: Programación de Mediano y Largo Plazo (Programa Semanal) Dirección de Operación CDEC SIC
Guía de Aplicación: Programación de Mediano y Largo Plazo (Programa Semanal) Dirección de Operación CDEC SIC Autor Departamento de Planificación de la Operación Fecha Junio-2016 Identificador GdA-DO-06
Más detalles