Modelos Matemáticos de Optimización

ESCUELA TCNICA SUPERIOR DE INGENIERA
DEPARTAMENTO DE ORGANIZACIN INDUSTRIAL
Modelos matemticos de optimizacin

Andrs Ramos
Andres.Ramos@iit.icai.upcomillas.es
Universidad Pontificia Comillas

Begoa Vitoriano
bvitoriano@mat.ucm.es
Universidad Complutense de Madrid
ndice
Optimizacin
Modelo y modelado
Etapas en el desarrollo de un modelo
Problemas caractersticos
Modelado de implicaciones lgicas
Desarrollo de modelos de optimizacin

Modelos matemticos de optimizacin - 1
Definicin de la Investigacin Operativa (IO)

Aplicacin de mtodos cientficos en la mejora de la
efectividad en las operaciones, decisiones y gestin.
diseo y mejora de las operaciones y decisiones
resolucin de problemas y ayuda en las funciones de gestin,
planificacin o prediccin
aportan conocimiento y ayuda en la toma de decisiones
Tareas:
recoger y analizar datos

desarrollar y probar modelos matemticos
proponer soluciones o recomendaciones
interpretar la informacin
ayudar a implantar acciones de mejora
Resultados: aplicaciones informticas, sistemas, servicios o

productos.

Problema de camino mnimo

Qu es la optimizacin?
Optimizacin: encontrar una alternativa de decisin con la
propiedad de ser mejor que cualquier otra en algn sentido
Componentes
9 Funcin objetivo
Medida cuantitativa del funcionamiento (de la bondad) de un sistema que
se desea maximizar o minimizar
9 Variables
Decisiones que afectan el valor de la funcin objetivo
Independientes o dependientes
9 Restricciones
Conjunto de relaciones que las variables estn obligadas a satisfacer
Resolver: encontrar el valor que deben tomar las variables

para hacer ptima la funcin objetivo satisfaciendo el conjunto
de restricciones.
Optimizacin clsica vs. Metaheurstica (i)

Mtodos clsicos
Mtodos
metaheursticos
(Inteligencia
Artificial)
programacin lineal
programacin lineal entera mixta
programacin cuadrtica
programacin no lineal
optimizacin estocstica
programacin dinmica
teora de grafos u optimizacin en redes
algoritmos evolutivos (genticos)
recocido o templado simulado
(simulated annealing)
bsquedas tab, aleatoria, avariciosa
sistemas multiagente (colonias de
hormigas)
Optimizacin clsica vs. Metaheurstica (ii)

Mtodos clsicos
9 buscan el ptimo localmente
9 garantizan el ptimo numrico
9 permiten un elevado nmero de restricciones
Mtodos metaheursticos
9 Imitan fenmenos sencillos observados en la naturaleza
9 globales, mecanismos especficos para evitar ptimos locales
9 NO garantizan la obtencin del ptimo
9 NO permiten elevado nmero de restricciones
9 exploran gran nmero de soluciones en tiempo muy corto
9 aplicados principalmente a problemas combinatoriales
ndice
Optimizacin
Modelo y modelado

Modelo

Modelo
Definicin
9 Esquema terico, generalmente en forma matemtica, de un sistema o
de una realidad compleja (por ejemplo, la evolucin econmica de un
pas), que se elabora para facilitar su comprensin y el estudio de su
comportamiento. (Diccionario de la lengua espaola. Real Academia
Espaola)
Representacin precisa de una realidad

Herramienta de ayuda a la toma de decisiones
Puede involucrar equipo multidisciplinar
Equilibrio entre representacin detallada y capacidad de
obtener la solucin
Modelador: especifica y desarrolla el modelo
Experto: conoce el problema real
Dos riesgos importantes

Modelado exhaustivo, cuasi real. Puede ocasionar la carencia
de un algoritmo que solucione el problema
Modelado simplista para utilizar un algoritmo disponible.
Pueden llegar a darse soluciones de un problema que no
existe
El modelado debe ser un compromiso entre ambos casos
patolgicos

Modelado
Ciencia
9 Anlisis y deteccin de las relaciones entre datos
9 Suposiciones y aproximaciones a los problemas
9 Algoritmos especficos de solucin
9 Soluciones del modelo
Arte
9 Visin o interpretacin de la realidad
9 Estilo en modelo y documentacin
9 Elegancia y simplicidad en desarrollo
9 Uso de creativo de herramientas

Beneficios del modelado

Dilogo entre modelador y experto
Organiza informacin disponible
Estructura la compresin del comportamiento del sistema
Internaliza estructura organizativa de empresa
Permite compartir supuestos entre modelador y experto
Proporciona una herramienta para el anlisis
Indica direccin de mejora en decisiones

ndice
Optimizacin
Modelo y modelado



Identificacin del problema
Especificacin matemtica y formulacin
Resolucin
Verificacin, validacin y refinamiento
Interpretacin y anlisis de resultados
Implantacin, documentacin y mantenimiento
Identificacin del problema

Recoleccin de informacin relevante
Definicin del problema en trminos vagos
Interpretacin y traduccin a trminos precisos
Datos son vitales, suelen ser cuello de botella
Etapa fundamental para que decisiones sean tiles
Es imprescindible asegurarse de que el modelo

representa adecuadamente la realidad que
pretende reflejar.

Datos de entrada
GIGOLO
Garbage In, Garbage Out, Look Out !
El mejor modelo no sirve de

nada si los datos de entrada no
estn adecuadamente
refinados

Especificacin matemtica y formulacin

Definicin de variables, ecuaciones, funcin objetivo,
parmetros
Identificacin de tipo de problema (LP, MIP, NLP)
nfasis en precisin y belleza en la formulacin
Anlisis de tamao y estructura del problema
Categoras de problemas LP segn su tamao
9
9
9
9
Caso ejemplo
Tamao medio
Gran tamao
Muy gran tamao

Restricciones
100
10000
500000
> 500000
Variables
100
10000
500000
> 500000
Diseo conceptual
Al que tiene un martillo todo le
parecen clavos.
La tcnica de modelado, as como el nivel de

detalle del mismo y en general cualquier
aspecto de modelado debe adecuarse a la
estructura del problema, a las expectativas y
necesidades del cliente
Modelo conceptual
Un mes de programacin puede ahorrarte un par de horas de
biblioteca.
El tiempo de menos dedicado

al modelo conceptual retrasa
de forma exponencial la
implantacin del modelo.

Resolucin
Algoritmo de obtencin de solucin ptima, cuasiptima o,
al menos, satisfactoria
Deteccin de soluciones cuasiptimas atractivas
Diferentes mtodos de solucin
Diferentes implantaciones del algoritmo elegido

Verificacin, validacin y refinamiento

Eliminacin de errores en codificacin
Comprobar validez de simplificaciones adoptadas
Comprobacin de adaptacin a la realidad
Ampliacin en el modelado por nuevas necesidades

Modelo: validacin
El pasado no es estocstico
1998
El contraste de los resultados
del modelo con datos reales del
sistema es imprescindible.

Interpretacin y anlisis de resultados

Anlisis de sensibilidad en parmetros de entrada
Robustez de la solucin ptima

Implantacin, documentacin y
mantenimiento
Etapa fundamental para el xito de un modelo
Documentacin clara, precisa y completa
Manual de usuario con especificacin tcnica funcional,
matemtica e informtica
Formacin de posibles usuarios

ndice
Optimizacin
Modelo y modelado

Algunos problemas caractersticos de LP y BIP

Se han estudiado exhaustivamente. Su importancia prctica es
limitada, pero pueden formar parte de otros problemas.
Programacin lineal LP
9 Transporte
9 Transbordo
9 Asignacin
Programacin binaria pura BIP

9 Mochila
9 Recubrimiento
9 Empaquetado
9 Particin
9 Viajante

Problema de transporte
Minimizar el coste total de transporte de un cierto producto
desde los orgenes a los destinos, satisfaciendo la demanda de
cada destino sin superar la oferta disponible en cada origen.
ai
bj
cij
oferta de producto en el origen i

demanda de producto en el destino j
coste unitario de transporte desde i a j
a1 1
a2 2
am m

b1
b2
bn
m orgenes
n destinos
Formulacin problema de transporte

m
min c x
i =1 j =1
xij
ij ij
Oferta disponible en cada origen i
x
j =1
Demanda de cada destino j
x
i =1
ij
= bj
ij
= ai
i = 1,, m
j = 1, , n
xij 0 unidades de producto transportadas desde i hasta j i, j

Se supone que la oferta
es
igual a la demanda del producto
m
n
m
i =1
j =1
a = b
i =1
j =1
Si ai > b j se aade un sumidero universal con coste nulo

ai < b j se aade una fuente universal con coste muy
Si
i =1
j =1
elevado
Estructura problema de transporte

x11 x12
x1n x21 x22
m restricciones de oferta
1
n restricciones de demanda
x m1 x m 2
xmn
1
1
1
1
1
1
Si
x2n
1
1
y b j son enteros xij son enteros por ser la matriz

totalmente unimodular (i.e., toda submatriz cuadrada tiene
determinante 0, 1 1)
ai

Problema de trasbordo
Determinar en una red con n nodos las rutas ms baratas para
llevar unidades de un producto desde sus orgenes a sus
destinos pasando por puntos de trasbordo intermedios.
Cada origen genera bi > 0 unidades.
Cada destino consume bi < 0 unidades.
Cada trasbordo ni genera ni consume unidades bi = 0.
cij coste unitario de transporte desde i hasta j en dicho sentido.

Formulacin problema de trasbordo

n
min c x
ij ij
i =1 j =1
xij
Balance o conservacin del flujo en cada nudo i

n
x x
j =1
ij
k =1
ki
= bi
i = 1,, n
xij 0 unidades de producto transportadas desde i a j i, j

Se supone que la oferta es igual a la demanda del producto
n
b = 0
i =1

Problema de asignacin de tareas

n tareas
n personas (mquinas, etc.) para realizarlas
Es un caso particular del problema de transporte.
Minimizar el coste total de realizar las tareas sabiendo que
cada persona realiza 1 tarea y cada tarea es realizada por 1
persona.
cij coste de realizar la tarea i por la persona j
1 si la tarea i es realizada por la persona j
xij
en cualquier otro caso
0
Aunque no es necesario declararlas como binarias.

Formulacin problema de asignacin de tareas

n
min c x
i =1 j =1
xij
ij ij
Cada tarea i es hecha por una persona

n
ij
j =1
= 1 i = 1,, n
Cada persona j realiza una tarea

n
x
i =1
ij
= 1 j = 1, , n
xij 0 i, j

Problema de la mochila (knapsack)

n proyectos
Maximizar el valor total de la eleccin de un conjunto de
proyectos sin sobrepasar el presupuesto disponible.
cj coste de cada proyecto j
vj valor de cada proyecto j
b presupuesto disponible
1 si se realiza el proyecto j
xj
0 en cualquier otro caso

Formulacin problema de la mochila

n
max v x
j =1
xj
Limitacin del presupuesto disponible

n
c x
j =1
x j {0,1} j

Problema de recubrimiento (set covering)

m caractersticas (vuelos)
n combinacin de caractersticas (secuencia de vuelos). La
eleccin de una combinacin implica realizar todas las
caractersticas de la misma.
Minimizar el coste total de las combinaciones elegidas de
manera que se cubra (posea) cada caracterstica al menos una
vez.
cj coste de elegir la combinacin j
matriz de pertenencia aij 1 si la caracterstica i pertenece a la combinacin j
0
si no pertenece
1 si se elige la combinacin j
xj
0
Formulacin problema de recubrimiento

n
min c x
j =1
xj
Cada caracterstica i del conjunto de todas las combinaciones j

que la poseen debe ser escogida al menos una vez.
n
a x
j =1
ij
1 i = 1,, m
x j {0,1}
j = 1,, n

Ejemplo de recubrimiento: asignacin de tripulaciones

Una compaa area necesita asignar sus tripulaciones para cubrir todos sus
vuelos. En particular, quiere resolver el problema de asignar TRES
tripulaciones con base en San Francisco a los vuelos listados en la primera
columna de la tabla. Las otras columnas muestran las 12 SECUENCIAS
FACTIBLES de vuelos para una tripulacin cualesquiera. Los nmeros de
cada columna indican el orden de los vuelos. Se necesita elegir tres
secuencias (una por tripulacin) de manera que se cubran todos los vuelos.
Se permite tener ms de una tripulacin en un vuelo, donde la/s
tripulacin/es extra viajan como pasajeros, pero por convenio laboral la
tripulacin extra cobra como si estuviera trabajando. El coste de asignacin
de una tripulacin a cada secuencia de vuelos se da en millones de euros en
la ltima fila. El objetivo es minimizar el coste total de asignacin de las
tres tripulaciones para cubrir todos los vuelos.
Resolver el mismo problema para el caso en que no se permite el vuelo de
una tripulacin fuera de servicio en un vuelo.
Secuencias factibles de vuelo

1
SF - LA
SF - Denver
1
1
SF - Seattle
2
3
Seattle - LA
Seattle - SF
12
4
3
Denver - Chicago

1
2
Chicago - Seattle
2
11
3
3
10
1
Denver - SF
Chicago - Denver
Coste (M)
LA - Chicago
LA - SF
5
2
min 2 x1 + 3x2 + 4 x3 + 6 x4 + 7 x5 + 5 x6 + 7 x7 + 8 x8 + 9 x9 + 9 x10 + 8 x11 + 9 x12
Cobertura de cada vuelo

x1 + x4 + x7 + x10 1
x2 + x5 + x8 + x11 1
x3 + x6 + x9 + x12 1
Asignacin de las tres tripulaciones

12
x
j =1
=3
x j {0,1}
j = 1,12
1 si se elige la secuencia j para una tripulacin

xj =
0
Solucin
9 x3 = x4 = x11 = 1
9 x1 = x5 = x12 = 1
xj = 0 j 3, 4, 11
xj = 0 j 1, 5, 12
coste = 18 M
coste = 18 M
Problema de empaquetado (set packing)

m proyectos
n paquetes (conjuntos) de proyectos. La eleccin de un
paquete (conjunto) implica realizar todos los proyectos del
mismo.
Maximizar el beneficio total de manera que ningn proyecto
se realice ms de una vez.
cj beneficio de elegir el paquete j
1 si el proyecto i est en el paquete j
aij
si no lo est
0
1 si se elige el paquete j
xj
0 en cualquier otro caso

Formulacin problema de empaquetado

n
max c x
j =1
xj
Cada proyecto i del conjunto de todos los paquetes que lo

incluyen no puede ser elegido ms de una vez
n
a x
j =1
ij
1 i = 1,, m
x j {0,1}
j = 1,, n

Problema de particin (set partitioning)

EXACTAMENTE una caracterstica (proyecto) del conjunto
de combinaciones (paquetes) que la contienen debe ser elegida
n
a x
j =1
ij
= 1 i = 1,, m

Problemas de recubrimiento, particin y empaquetado
RECUBRIMIENTO

PARTICIN
EMPAQUETADO
Problema del viajante (traveling salesman problem

TSP)
Consiste en hacer un recorrido que pase por ciudades sin
repetir ninguna y volviendo a la ciudad de partida de manera
que la distancia total sea mnima.
Formulacin 1:
1 si se va de la ciudad i a la ciudad j
xij =
en otro caso
0
min cij xij
xij
= 1 j
= 1 i
ij
ij
i , jU
ij
Card(U ) 1
U {1,..., n} / 2 Card(U ) n 2
xij {0,1}
Problema del viajante (TSP)

Formulacin 2:
1 si se va de la ciudad i a la ciudad j en el tramo k de recorrido
xijk =
en otro caso
0
min cij xijk
xijk
i , j ,k
= 1 i
= 1 j
= 1 k
= x jrk +1 j, k
ijk
j ,k
ijk
i ,k
ijk
i, j
ijk
xijk {0,1}

Problema de coste fijo

Se tiene la funcin objetivo
f j (xj ) =
k j + c j x j
xj = 0
xj > 0
Definimos una variable binaria que modela la decisin binaria

sobre la realizacin de la actividad xj
1 x j > 0
yj =
0 x j = 0
fj
La formulacin resultante es
n
min f j ( x j ) = ( k j y j + c j x j )
j =1
j =1
x j My j
x j 0 j = 1,..., n
y j {0,1} j = 1,..., n
cj
kj
xj
Asignacin de grupos trmicos

Qu grupos trmicos de generacin elctrica hay que acoplar
en cada hora del da (o semana) de manera que:
9 Se minimicen los costes variables de generacin (incluyendo costes de
combustible y costes de arranque y parada)
9 Se suministre la demanda en cada hora
9 Se mantenga un cierto nivel de reserva rodante
9 Se respeten los parmetros de funcionamiento de los grupos trmicos
(mnimos tcnicos, rampas de subida y bajada)

Datos y variables
DATOS
Dh demanda trmica en la hora h [MW]
R coeficiente de reserva rodante con respecto a la demanda [p.u.]
at trmino lineal del coste de combustible del grupo trmico t [/MWh]
bt trmino fijo del coste de combustible del grupo trmico t [/h]
cat coste de arranque del grupo trmico t []
cpt coste de parada del grupo trmico t []
Pt potencia mxima del grupo trmico t [MW]
P t potencia mnima del grupo trmico t [MW]
rst rampa de subida del grupo trmico t [MW/h]
rbt rampa de bajada del grupo trmico t [MW/h]
VARIABLES
Pht potencia producida por el grupo trmico t en la hora h [MW]
Aht acoplamiento del grupo trmico t en la hora h [0,1]
ARht arranque del grupo trmico t en la hora h [0,1]
PRht parada del grupo trmico t en la hora h [0,1]
Formulacin
H
min
( a P
t ht
h =1 t =1
P
t =1
ht
= Dh
(P A
t =1
+ bt Aht + cat ARht + cpt PRht )
ht
Pht ) = RDh
P t Aht Pht Pt Aht
2 HT
Aht Ah 1t = ARht PRht
( H 1)T
Pht Ph 1t rst
( H 1)T
Ph 1t Pht rbt
( H 1)T
Pht 0
Aht , ARht , PRht {0,1}

Problemas de programacin no lineal (i)

Problema de transporte con descuentos por cantidad
9 El precio unitario de transporte entre un origen y un destino es
decreciente en funcin de la cantidad a transportar.
Problema de flujo de cargas en un sistema elctrico

9 Las prdidas son no lineales
Problema de produccin con elasticidad en el precio y/o en el

coste
9 Funcin de la demanda o curva precio-demanda p ( x) representa el
precio unitario que se necesita para poder vender x unidades. Es una
funcin decreciente, nunca inferior al coste unitario de produccin c.
Los ingresos brutos (producto de cantidad producida por precio) es una
expresin no lineal. Margen de contribucin (beneficio bruto,
EBITDA)
P( x) = xp ( x) cx
9 Los costes no lineales pueden aparecer por una mayor eficiencia
unitaria en funcin de la cantidad.
Problemas de programacin no lineal (ii)

Problema de seleccin de una cartera de inversiones
n tipos de acciones
xj, j=1,,n representan el nmero de acciones j que se van a incluir en la
cartera
j y jj la media y la varianza del rendimiento sobre cada accin de tipo j,
en donde jj es una medida del riesgo de estas acciones. Sea ij la
covarianza del rendimiento sobre una accin de cada tipo i y j.
R(x) rendimiento esperado y su varianza V(x)
n
R( x) = j x j
j =1
n
V ( x) = ij xi x j
i =1 j =1
la funcin objetivo es f ( x) = R( x) V ( x)
siendo el factor de aversin al riesgo.
ndice
Optimizacin
Modelo y modelado


Modelado de implicaciones
Queremos modelar la condicin de que si se produce el
producto A tambin se debe producir el producto B. La
condicin de produccin de un producto j la representamos
por la restriccin x j 1 . Luego esta implicacin es x A 1 xB 1
Esta condicin no se puede introducir directamente en un
problema lineal porque hace que la estructura del problema (el
que se considere o no una restriccin ms xB 1 ) depende de
que se cumpla otra (xA 1) y esto slo se conoce una vez que se
ha determinado la solucin ptima. Un problema de
optimizacin no se puede redefinir endgenamente, es decir,
en funcin de los propios valores que toman las variables del
problema.
Restricciones disyuntivas (i)

Pareja de restricciones donde slo una (cualquiera de las dos)
debe satisfacerse, mientras que la otra no es necesario que se
cumpla. Debe cumplirse una pero no necesariamente las dos.
f ( x) 0 g ( x) 0

Restricciones disyuntivas (ii)

Queremos cumplir una de estas dos restricciones
3 x1 + 2 x2 18 x1 + 4 x2 16
Aadir M (constante de valor elevado) equivale a relajar la

restriccin (para variables positivas con coeficientes positivos)
9 Relajo la restriccin 1 y satisfago la 2
3 x1 + 2 x2 18 + M
x1 + 4 x2 16
9 Relajo la restriccin 2 y satisfago la 1
3 x1 + 2 x2 18
x1 + 4 x2 16 + M
Mediante variable binaria auxiliar elijo cul de las dos relajo

3x1 + 2 x2 18 + M
x1 + 4 x2 16 + M (1 )
1 se relaja la ecuacin 1
0 se relaja la ecuacin 2
Cumplir al menos k de N ecuaciones

Se tienen que cumplir al menos k de N (k < N) ecuaciones
f1 ( x1 ,, xn ) d1
f 2 ( x1 ,, xn ) d 2
f N ( x1 ,, xn ) d N
k = 1 y N = 2 es el caso anterior
Formulacin
f1 ( x1 ,, xn ) d1 + M 1
f 2 ( x1 ,, xn ) d 2 + M 2
f N ( x1 ,, xn ) d N + M N
N
i =1
= N k
i {0,1} i = 1,..., N
Seleccionar uno entre N valores

La ecuacin se debe cumplir para exactamente uno de los
valores
d1
d
f ( x1 ,, xn ) = 2
d N
Formulacin
N
f ( x1 ,, xn ) = d i i
i =1
i =1
=1
i {0,1} i = 1,..., N

Implicaciones sencillas
Retomemos el ejemplo de la restriccin que apareca en el
problema de coste fijo x M
siendo M una cota superior positiva de x y la variable binaria.
9 Si = 1 la restriccin no obliga a nada ya que x M se cumple por
definicin.
9 Si = 0 entonces x 0 .
Luego esta restriccin permite modelar la implicacin = 0 x 0

Por otra parte, si x > 0 entonces = 1. Si x 0 la restriccin no
obliga a nada. x > 0 = 1
Ambas son implicaciones equivalentes puesto que P Q es
equivalente a No Q No P
= 0 x 0
x M
x > 0 = 1
Implicaciones sencillas (ii)

De forma anloga veamos la restriccin x m
siendo m una cota inferior negativa de x y la variable binaria.
9 Si = 1 la restriccin no obliga a nada ya que x m se cumple por
definicin.
9 Si = 0 entonces x 0 . Luego esta restriccin permite modelar la
implicacin = 0 x 0
Por otra parte, si x < 0 entonces = 1 . Si x 0 la restriccin no

obliga a nada. x < 0 = 1
Nuevamente ambas son implicaciones equivalentes puesto que
P Q es equivalente a No Q No P
= 0 x 0
x m
x < 0 = 1
ndice
Optimizacin
Modelo y modelado

Alternativas desarrollo modelos optimizacin

Lenguajes de programacin de propsito general (C, C++, Java, Visual
Basic, FORTRAN 90)
9 C (CPLEX de ILOG, OSL de IBM)
9 C++ (Concert de ILOG, LINDO API de LINDO Systems, OptiMax 2000 de
Maximal Software, FLOPC++ de Universidade de Aveiro)
9 Dominio pblico [GNU Linear Programming Toolkit GLPK
(www.gnu.org/software/glpk), Computational Infrastructure for Operations
Research COIN-OR (www.coin-or.org), LP solver SoPlex
(http://soplex.zib.de) and MIP framework SCIP (http://scip.zib.de)]
Lenguajes o entornos de clculo numrico o simblico (hojas de clculo,

Matlab, Mathematica)
Lenguajes algebraicos de modelado [GAMS, OPL Studio, AMPL,
AIMMS, XPRESS-MP, MPL, Zimpl (http://zimpl.zib.de) (el ltimo de
dominio pblico)]
En OR/MS Today (www.orms-today.com) una vez al ao hay artculos de
resumen
de los
diferentes entornos de optimizacin y sus caractersticas
E
T
S
I
SCUELA
CNICA UPERIOR DE NGENIERA
Optimizadores en hojas de clculo

Ventajas
9 Fciles de usar
9 Integracin total con la hoja de clculo
9 Familiaridad con el entorno que facilita la explicacin del modelo y
de sus resultados
9 Facilidad de presentacin de resultados en grficos
Inconvenientes
9 No inducen una buena prctica de programacin
9 Presentan dificultades para verificacin, validacin, actualizacin y
documentacin de los modelos
9 No permiten modelar problemas complejos o de gran tamao

Biblioteca de optimizacin en C, C++

Ventajas
9 Tiempo de solucin es crtico
9 Permiten el uso de algoritmos de optimizacin especficos
9 Posibilidad de implantacin del modelo en un entorno software o
hardware especial
Inconvenientes
9 Mayor dificultad y consumo de recursos para el mantenimiento del
modelo

Ventajas lenguajes algebraicos (i)

Lenguajes de alto nivel para formulacin compacta de
modelos grandes y complejos
Facilitan desarrollo de prototipos
Mejorar productividad de modeladores
Estructuran buenos hbitos de modelado
Separan datos de estructura matemtica de modelo
Formulacin independiente del tamao
Modelo independiente de optimizadores

Ventajas lenguajes algebraicos (ii)

Facilitan reformulacin continua
Documentacin simultnea al modelo
Permiten construir grandes modelos mantenibles que se
pueden adaptar rpidamente a situaciones nuevas
Permiten implantacin de algoritmos avanzados
Implantacin fcil de problemas NLP, MIP, MCP
Portabilidad entre plataformas y sistemas operativos (MS
Windows, Linux, Sun Solaris, HP UX, Digital True64Unix,
IBM AIX, SGI IRIX, Mac OS X)

Desventajas lenguajes algebraicos

No son adecuados para usos espordicos con problemas de
pequeo tamao
No son adecuados para resolucin directa problemas de
tamao gigantesco (1.000.000 x 1.000.000)


Modelos matemticos de optimizacin

Andrs Ramos
Andres.Ramos@iit.icai.upcomillas.es
Universidad Pontificia Comillas

Begoa Vitoriano
bvitoriano@mat.ucm.es
Universidad Complutense de Madrid


Modelos Matemáticos de Optimización

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Modelos Matemáticos de Optimización

Cargado por

Copyright:

Formatos disponibles

ESCUELA TCNICA SUPERIOR DE INGENIERA

DEPARTAMENTO DE ORGANIZACIN INDUSTRIAL

Modelos matemticos de optimizacin

Universidad Pontificia Comillas

Universidad Complutense de Madrid

ESCUELA TCNICA SUPERIOR DE INGENIERA

Modelos matemticos de optimizacin - 1

Definicin de la Investigacin Operativa (IO)

recoger y analizar datos

Resultados: aplicaciones informticas, sistemas, servicios o

ESCUELA TCNICA SUPERIOR DE INGENIERA

Modelos matemticos de optimizacin - 2

Problema de camino mnimo

ESCUELA TCNICA SUPERIOR DE INGENIERA

Modelos matemticos de optimizacin - 3

Resolver: encontrar el valor que deben tomar las variables

Modelos matemticos de optimizacin - 4

Optimizacin clsica vs. Metaheurstica (i)

Optimizacin clsica vs. Metaheurstica (ii)

Modelos matemticos de optimizacin - 6

ESCUELA TCNICA SUPERIOR DE INGENIERA

Modelos matemticos de optimizacin - 7

ESCUELA TCNICA SUPERIOR DE INGENIERA

Modelos matemticos de optimizacin - 8

Representacin precisa de una realidad

Modelos matemticos de optimizacin - 9

Dos riesgos importantes

ESCUELA TCNICA SUPERIOR DE INGENIERA

Modelos matemticos de optimizacin - 10

ESCUELA TCNICA SUPERIOR DE INGENIERA

Modelos matemticos de optimizacin - 11

Beneficios del modelado

ESCUELA TCNICA SUPERIOR DE INGENIERA

Modelos matemticos de optimizacin - 12

Etapas en el desarrollo de un modelo

ESCUELA TCNICA SUPERIOR DE INGENIERA

Modelos matemticos de optimizacin - 13

Etapas en el desarrollo de un modelo

Modelos matemticos de optimizacin - 14

Identificacin del problema

Es imprescindible asegurarse de que el modelo

ESCUELA TCNICA SUPERIOR DE INGENIERA

Modelos matemticos de optimizacin - 15

El mejor modelo no sirve de

ESCUELA TCNICA SUPERIOR DE INGENIERA

Modelos matemticos de optimizacin - 16

Especificacin matemtica y formulacin

ESCUELA TCNICA SUPERIOR DE INGENIERA

La tcnica de modelado, as como el nivel de

Modelos matemticos de optimizacin - 18

El tiempo de menos dedicado

ESCUELA TCNICA SUPERIOR DE INGENIERA

Modelos matemticos de optimizacin - 19

ESCUELA TCNICA SUPERIOR DE INGENIERA

Modelos matemticos de optimizacin - 20

Verificacin, validacin y refinamiento

ESCUELA TCNICA SUPERIOR DE INGENIERA

Modelos matemticos de optimizacin - 21

ESCUELA TCNICA SUPERIOR DE INGENIERA

Modelos matemticos de optimizacin - 22

Interpretacin y anlisis de resultados

ESCUELA TCNICA SUPERIOR DE INGENIERA

Modelos matemticos de optimizacin - 23