Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Evolver5 Es
Evolver5 Es
Evolver
Solver de algoritmo gentico
para Microsoft Excel
Versin 5.7
septiembre, 2010
Palisade Corporation
798 Cascadilla St.
Ithaca, NY USA 14850
+1-607-277-8000
+1-607-277-8001 (fax)
http://www.palisade.com (pgina Web)
sales@palisade.com (correo electrnico)
Copyright
Copyright 2010, Palisade Corporation.
ndice
Captulo 1: Introduccin
Introduccin ........................................................................................3
Instrucciones para la instalacin......................................................7
Captulo 2: Informacin general
11
Qu es Evolver? .............................................................................13
Captulo 3: Evolver: Paso a paso
21
Introduccin ......................................................................................23
Una visita por Evolver ......................................................................25
Captulo 4: Ejemplos de aplicaciones
45
Introduccin ......................................................................................47
Seleccin de publicidad...................................................................49
Orden alfabtico ...............................................................................51
Asignacin de tareas........................................................................53
Panadera...........................................................................................55
Asignacin de presupuesto.............................................................57
Equilibrio qumico ............................................................................59
Programador de clases ....................................................................61
Segmentador de cdigos.................................................................65
Dakota: Rutas con restricciones.....................................................69
ndice
97
149
165
Introduccin.................................................................................... 167
ii
Historia.............................................................................................167
Un ejemplo biolgico .....................................................................171
Un ejemplo digital...........................................................................173
Captulo 8: Extras de Evolver
177
195
197
201
ndice
Glosario
207
ndice
217
iii
iv
Captulo 1: Introduccin
Introduccin ........................................................................................3
Antes de empezar .....................................................................................3
Lo que incluye el paquete.......................................................................3
Informacin sobre esta versin .............................................................3
El sistema operativo.................................................................................4
Cmo obtener ayuda................................................................................4
Antes de llamar ...........................................................................4
Cmo ponerse en contacto con Palisade.................................5
Versin para estudiantes...........................................................6
Requisitos del sistema para Evolver.....................................................6
Instrucciones para la instalacin......................................................7
Instrucciones generales de instalacin.................................................7
Cmo quitar Evolver de su PC .................................................7
Los programas de DecisionTools Suite................................................8
Configuracin de los iconos y de los accesos directos
de Evolver ..................................................................................................8
Mensaje de advertencia de seguridad de macros al iniciar el
programa ....................................................................................................9
Informacin adicional de Evolver.......................................................10
Archivo Lame de Evolver ......................................................10
El Tutorial de Evolver ..............................................................10
Aprendizaje de Evolver.........................................................................10
Captulo 1: Introduccin
Introduccin
Evolver es el optimizador comercial basado en algoritmo gentico
ms rpido y avanzado que se ha ofrecido nunca. Evolver, mediante
la aplicacin de potentes tcnicas de optimizacin basadas en
algoritmo gentico, puede hallar soluciones ptimas para problemas
que resultan "irresolubles" con optimizadores de resolucin lineal y
no lineal estndar. Evolver se ofrece en dos versiones Profesional e
Industrial que le permiten seleccionar el optimizador con la
capacidad que usted necesita.
La Gua del Usuario de Evolver, que est leyendo ahora, ofrece una
introduccin al programa Evolver y sus principios; y luego muestra
varias aplicaciones de ejemplo de la tecnologa exclusiva de algoritmo
gentico de Evolver. Este completo manual tambin se puede usar
como una gua de referencia con ndice completo, con descripciones e
ilustraciones de cada una de las funciones de Evolver.
Antes de empezar
Antes de instalar y comenzar a trabajar con Evolver, asegrese de que
su paquete de Evolver contiene todos los elementos necesarios, y
compruebe que su PC cumple los requisitos mnimos de uso.
Captulo 1: Introduccin
El sistema operativo
Esta gua para el uso del programa est diseada para usuarios que
tienen un conocimiento general del sistema operativo Windows y de
Excel. En particular, el usuario debe:
Estar familiarizado con trminos como iconos, hacer clic, hacer doble
clic, men, ventana, comando y objeto.
Introduccin
Cmo ponerse
en contacto
con Palisade
Versin para
estudiantes
Introduccin
Captulo 1: Introduccin
Captulo 1: Introduccin
El Tutorial de
Evolver
Aprendizaje de Evolver
La forma ms rpida de familiarizarse con Evolver es el tutorial
electrnico de Evolver, en el que nuestros expertos le guan a travs
de los modelos de ejemplo en formato de pelcula. Este tutorial es una
presentacin multimedia sobre las funciones principales de Evolver.
El tutorial se puede ejecutar seleccionando el comando Tutorial
introductorio del men Ayuda de Evolver.
10
11
12
Qu es Evolver?
El software de Evolver proporciona a sus usuarios un mtodo fcil de
encontrar soluciones ptimas a prcticamente cualquier tipo de
problema. En pocas palabras, Evolver encuentra las mejores variables
de entrada que generan el resultado deseado. Se puede usar Evolver
para hallar la combinacin, orden o agrupamiento adecuados para
producir beneficios ms altos, riesgos ms bajos o la produccin del
mayor nmero de productos con el uso de la menor cantidad posible
de material. El uso ms frecuente de Evolver es como programa
complementario del programa de hoja de clculo Microsoft Excel; los
usuarios crean un modelo de su problema en Excel y luego utilizan
Evolver para resolverlo.
13
14
Qu es Evolver?
Qu es optimizacin?
Optimizacin es el proceso de bsqueda de la mejor solucin a un
problema que puede tener muchas soluciones posibles. La mayora de
los problemas tienen mltiples variables que interactan segn
frmulas y restricciones establecidas. Por ejemplo, una compaa
puede tener tres centros de fabricacin, cada uno de los cuales
produce diferentes cantidades de diversos productos. Dados los
costos de cada fbrica para producir cada producto, los costos de cada
planta para hacer los envos a cada tienda y las limitaciones de cada
fbrica, cul es la forma ptima de satisfacer adecuadamente la
demanda de las tiendas locales minimizando al mismo tiempo los
costos de transporte? Este es el tipo de pregunta que los programas de
optimizacin pueden responder.
15
16
Qu es Evolver?
Se acabaron las
suposiciones
Ms preciso y
significativo
Ms flexible
17
Ms fcil de usar
18
Qu es Evolver?
Econmico
19
20
21
22
Introduccin
En este captulo le guiaremos a travs de todo el sistema de
optimizacin de Evolver, paso a paso. Si no tiene Evolver instalado en
el disco duro, consulte la seccin de instalacin del Captulo 1:
Introduccin e instale Evolver antes de comenzar con este tutorial.
Comenzaremos por abrir un modelo de hoja de clculo preparada y
luego definiremos el problema para Evolver usando distribuciones de
probabilidad y los cuadros de dilogo de Evolver. Finalmente,
comprobaremos el progreso de Evolver mientras busca soluciones y
exploraremos algunas de las muchas opciones en el Observador del
Evolver. Para obtener informacin adicional sobre cualquier tema
especfico, consulte el ndice al final de este manual, o consulte el
Captulo 5: Referencia de Evolver.
NOTA: Las imgenes de pantallas que se muestran a continuacin
son de Excel 2007. Si est utilizando otras versiones de Excel, las
ventanas pueden tener un aspecto ligeramente diferente.
El proceso de resolucin de problemas comienza con un modelo que
representa con exactitud su problema. El modelo debe ser capaz de
evaluar una serie determinada de valores de entrada (celdas
ajustables) y producir una clasificacin numrica de lo bien que esos
valores de entrada resuelven el problema (la evaluacin o
idoneidad de la funcin). Cuando Evolver busca soluciones, esta
funcin de idoneidad proporciona informacin, indicando a Evolver
lo idnea o inapropiada que es cada suposicin, y permitiendo a
Evolver generar cada vez mejores suposiciones. Cuando se crea un
modelo de un problema, se debe prestar especial atencin a la funcin
de idoneidad, porque Evolver har todo lo posible para maximizar (o
minimizar) esta celda.
23
24
Introduccin
Cmo abrir un
modelo de
ejemplo
25
27
Introduccin de
un rango mn-mx
como celdas
ajustables
28
29
Seleccin de
un mtodo
de solucin
30
Restricciones
Evolver permite introducir restricciones, que son condiciones que
deben cumplirse para que una solucin sea vlida. En este modelo de
ejemplo hay tres restricciones adicionales que deben cumplirse para
que sea vlida una serie de niveles de produccin de cada producto
de pan. Estas restricciones son adicionales a las restricciones de
rangos que ya introdujimos en las celdas ajustables. Son las
siguientes:
1) Mantener una relacin aceptable de pan de alto contenido en
fibra y pan bajo en caloras (cajas producidas de pan de alto
contenido en fibra >= 1.5 * cajas producidas de pan bajo en
caloras)
2) Mantener una relacin aceptable de pan de 5 granos y pan bajo
en caloras (cajas producidas de pan de 5 granos >= 1.5 * cajas
producidas de pan bajo en caloras)
3) Mantener el tiempo de produccin dentro de los lmites de
horas por persona (total de horas por persona < 50,000)
Cada vez que Evolver genere una solucin posible del modelo,
comprueba que las restricciones introducidas se cumplen.
Las restricciones se muestran en la parte inferior de la seccin
Restricciones del cuadro de dilogo de Modelo de Evolver. Se pueden
especificar dos tipos de restricciones en Evolver:
31
Cmo aadir
restricciones
Restricciones de
rango simple de
valores y de
frmula
32
33
34
35
Minutos
Cambio en la
ltima
La frmula es
verdadera
Esta opcin
establece el nmero
de pruebas que
quiere que Evolver
ejecute. En cada
prueba, Evolver
evala una serie
completa de
variables, o una
posible solucin al
problema.
Evolver parar
despus de una
cantidad de tiempo
especificada. Este
nmero puede ser
una fraccin (4.25).
Esta condicin de
detencin es la ms
popular porque se
hace un seguimiento
de la mejora y
permite que Evolver
siga en
funcionamiento
hasta que el grado
de mejora se
reduzca. Por
ejemplo, Evolver
puede parar si
pasan 100 pruebas y
sigue sin producirse
ningn cambio en el
mejor escenario
encontrado hasta el
momento.
Evolver se detiene si
la frmula
introducida en Excel
genera un valor de
VERDADERO en
uno de los
reclculos del
modelo.
36
Opciones de
visualizacin
Nunca
37
Ejecucin de la optimizacin
Ahora slo queda optimizar este modelo para maximizar los
beneficios totales cumpliendo al mismo tiempo las normas de lmite
de produccin. Para hacerlo:
1) Haga clic en Aceptar para salir del cuadro de dilogo
Configuraciones de optimizacin.
2) Haga clic en el icono Iniciar optimizacin
Cuando Evolver comience a trabajar con el problema, usted ver los
mejores valores actuales de las celdas ajustables Cajas producidas- de
la hoja de clculo. El mejor valor de Beneficios totales se muestra en la
celda resaltada.
38
Observador
de Evolver
39
Cmo parar la
optimizacin
40
Informe de
resumen
41
Colocacin de los
resultados en el
modelo
42
43
44
Captulo 4: Ejemplos de
aplicaciones
Introduccin ......................................................................................47
Seleccin de publicidad...................................................................49
Orden alfabtico ...............................................................................51
Asignacin de tareas........................................................................53
Panadera...........................................................................................55
Asignacin de presupuesto.............................................................57
Equilibrio qumico ............................................................................59
Programador de clases ....................................................................61
Segmentador de cdigos.................................................................65
Dakota: Rutas con restricciones.....................................................69
Programacin del trabajo de un taller ............................................73
Ubicacin de una torre de radio......................................................75
Cartera equilibrada ...........................................................................77
Mezcla de carteras............................................................................81
Estaciones de potencia....................................................................83
Compras ............................................................................................85
Problema del vendedor ....................................................................87
Captulo 4: Ejemplos de aplicaciones
45
Navegador espacial.......................................................................... 89
Agente de bolsa................................................................................ 91
Transformador.................................................................................. 93
Transporte......................................................................................... 95
46
Introduccin
Este captulo explica cmo se puede usar Evolver en diferentes
aplicaciones. Es posible que estos ejemplos de aplicaciones no
incluyan todas las caractersticas que usted deseara en sus propios
modelos, pero pueden servir para generar ideas y como patrones de
modelos. Todos los ejemplos ilustran cmo Evolver encuentra
soluciones basndose en las relaciones que ya existen en la hoja de
clculo, y es importante que su modelo de hoja de clculo refleje con
exactitud el problema que est tratando de resolver.
Todas las hojas de clculo de ejemplo de Excel se encuentran en el
subdirectorio EXAMPLES del directorio EVOLVE32. Este captulo
incluye una lista alfabtica de las mismas. Los ejemplos utilizan los
siguientes cdigos de color:
la celda objetivo.
47
48
Seleccin de publicidad
Una agencia publicitaria debe averiguar la forma ms eficaz de
invertir su dinero de publicidad para maximizar la cobertura de su
audiencia objetivo. No debe superar su presupuesto y la cantidad
invertida en TV debe ser mayor que la cantidad invertida en radio.
Archivo de ejemplo:
Seleccin de publicidad.xls
Objetivo:
Mtodo de solucin:
Presupuesto
Problemas similares:
49
Cmo funciona
el modelo
Cmo resolverlo
50
Las variables que Evolver debe modificar estn en las celdas C5:C9.
Pediremos a Evolver que las baraje usando el mtodo de
presupuesto, para permitir que cada variable sea un valor
independiente. La audiencia total se calcula con la funcin SUM en la
celda G13; esta es la celda que pediremos a Evolver que maximice. Las
restricciones duras especifican que el gasto en TV debe ser mayor que
el gasto en radio.
Seleccin de publicidad
Orden alfabtico
Esta es una lista de siete nombres que queremos que Evolver ordene
alfabticamente. Aunque este ejemplo es simple, Evolver puede
administrar problemas complejos de ordenacin en los que los datos
son interdependientes, o en los que determinados nombres tienen
mayor valor segn otros datos del modelo.
Cmo funciona
el modelo
Archivo de ejemplo:
Orden alfabtico.xls
Objetivo:
Mtodo de solucin:
Orden
Problemas similares:
51
Cmo resolverlo
52
Orden alfabtico
Asignacin de tareas
Este ejemplo modela un problema comn relativo a la asignacin de
recursos. En este problema, un gerente tiene 16 trabajadores
realizando 16 tareas. La capacidad de cada trabajador de realizar cada
tarea se ha clasificado en una escala del 1 al 10 (1= no sabe hacer la
tarea, 10= completa la tarea perfectamente). La dificultad aqu es
emparejar cada trabajador con una tarea de forma que la
productividad total de los trabajadores se maximice.
Archivo de ejemplo:
Asignacin de tareas.xls
Objetivo:
Mtodo de solucin:
Orden
Problemas similares:
53
Slo puede haber una persona para cada tarea, por lo tanto los
nmeros no se pueden duplicar y cada nmero debe usarse una vez.
La clasificacin de cada trabajador en esa tarea se registra en la
columna U usando la funcin INDICE(). Estas puntuaciones se suman
en la celda U21 para calcular la puntuacin total de esa serie de
asignaciones.
Cmo resolverlo
54
Asignacin de tareas
Panadera
Este ejemplo ilustra un problema comn en los problemas de decisin
de produccin, en los que encontrar la cantidad adecuada de cada
producto que se debe producir resulta muy difcil ... incluso con unos
pocos elementos. El propietario de una panadera debe determinar el
nmero de cajas que debe producir de cada tipo de pan para
maximizar los beneficios totales de la panadera. Asegrese de que
respeta las limitaciones descritas, como el nmero total de horas de
empleado y las relaciones correctas de produccin de productos.
(Nota: este modelo se describe con detalle en el Captulo 3: Evolver paso
a paso)
Archivo de ejemplo:
Panadera.xls
Objetivo:
Mtodo de solucin:
Receta
Problemas similares:
55
Cmo funciona
el modelo
56
Pedimos a Evolver que encuentre los valores de las celdas B4:G4 (las
cantidades que se deben producir) que maximicen el valor de la celda
I11 (beneficios totales). Como cada valor que se encuentra es
independiente de los dems, utilizaremos el mtodo de solucin de
receta. Tambin pediremos a Evolver que cumpla las restricciones
de las celdas C4, D4 y I8.
Panadera
Asignacin de presupuesto
Un jefe ejecutivo quiere averiguar la forma ms eficaz de distribuir
fondos entre diferentes departamentos de la compaa para
maximizar los beneficios. A continuacin se muestra el modelo de un
negocio y su pronstico de beneficios para el ao prximo. El modelo
estima los beneficios del ao prximo examinando el presupuesto
anual y haciendo suposiciones sobre, por ejemplo, el efecto que la
publicidad tiene sobre las ventas. Este es un modelo simple, pero
ilustra cmo se puede preparar cualquier modelo y usar Evolver para
introducir variables de entrada y encontrar el mejor resultado.
Archivo de ejemplo:
Asignacin de presupuesto.xls
Objetivo:
Mtodo de solucin:
Presupuesto
Problemas similares:
57
Cmo funciona
el modelo
Cmo resolverlo
58
Asignacin de presupuesto
Equilibrio qumico
Cualquier proceso que pueda ser modelado para producir un
resultado, con ciertas condiciones iniciales, se puede optimizar en
Evolver. Este ejemplo muestra la capacidad de Evolver de encontrar
los niveles de diferentes productos qumicos (productos y reactivos)
necesarios para minimizar la energa libre despus de que una
reaccin haya alcanzado su equilibrio. En procesos qumicos
complejos, los ingredientes (reactivos) y los productos se vuelven a
formar continuamente unos en otros hasta que la concentracin de los
compuestos es constante; es decir, hasta que se alcanza el equilibrio.
En cualquier momento despus de alcanzarse el equilibrio, un
porcentaje constante de los productos qumicos de equilibrio pueden
ser reactivos (por ejemplo, el 5%) y un porcentaje constante seran
productos (95%).
Archivo de ejemplo:
Equilibrio qumico.xls
Objetivo:
Mtodo de solucin:
Receta
Problemas similares:
59
Cmo funciona
el modelo
Las variables de este problema de las celdas B4:B13 son los niveles de
los qumicos que se van a mezclar. La celda B15 calcula la cantidad
total, que se debe mantener dentro de un rango determinado segn
las penalizaciones.
Las restricciones de F20:F22 son restricciones blandas; es decir, que no
obligaremos a Evolver a aceptar solamente soluciones vlidas, sino
que en su lugar calcularemos las penalizaciones si ciertos qumicos se
salen de la proporcin deseada con respecto a otros qumicos. Estas
restricciones blandas utilizan funciones de penalizacin incorporadas
directamente en el modelo de la hoja de clculo. Las penalizaciones se
aaden al total de energa libre de la celda F17, de forma que cuando
Evolver est minimizando el objetivo, estar buscando soluciones que
no generen penalizaciones.
Cmo resolverlo
60
Equilibrio qumico
Programador de clases
Una universidad debe asignar 25 clases diferentes en 6 bloques
predefinidos de tiempo. Cada clase dura exactamente un bloque de
tiempo. Normalmente, esto nos permitira tratar el problema con el
mtodo de solucin agrupamiento. Sin embargo, hay una serie de
restricciones que deben cumplirse mientras se prepara el calendario
de clases. Por ejemplo, biologa y qumica no pueden ser al mismo
tiempo para que los estudiantes de medicina puedan asistir a ambas
clases en un mismo semestre. Para cumplir estas restricciones,
utilizamos el mtodo de calendarizacin. El mtodo de solucin de
calendarizacin es como el mtodo de agrupamiento, con la
excepcin de que existen restricciones que indican que ciertas tareas
deben suceder (o no suceder) antes (o despus, o durante) que otras
tareas.
Archivo de ejemplo:
Programador de clases.xls
Objetivo:
Mtodo de solucin:
Calendarizacin
Problemas similares:
61
Cmo funciona
el modelo
62
Programador de clases
63
64
Segmentador de cdigos
Un programador de Windows quiere dividir un programa en varios
segmentos de cdigo, de forma que Windows pueda usar la memoria
de forma ms eficaz manteniendo en memoria slo los segmentos de
cdigo que estn actualmente en uso.
Este es un ejemplo de recoleccin de elementos similares en grupos.
Los elementos pueden interactuar eficazmente con otros del mismo
grupo, pero es difcil que los elementos de diferentes grupos
interacten. Cuando hay barreras naturales que impiden que cada
elemento interacte directamente con los dems (por ejemplo, que los
usuarios de PC estn conectados directamente a una impresora), es
necesario dividir los elementos en grupos. Un agrupamiento eficaz
puede tener un efecto significativo en la productividad general del
sistema.
Archivo de ejemplo:
Segmentador de cdigo.xls
Objetivo:
Mtodo de solucin:
agrupamiento
Problemas similares:
65
Cmo funciona
el modelo
66
Segmentador de cdigos
67
68
Segmentador de cdigos
Dakota.xls
Objetivo:
Mtodo de solucin:
proyecto
Problemas similares:
69
Cmo funciona
el modelo
70
Cmo resolverlo
71
72
Objetivo:
Mtodo de solucin:
Orden
Problemas similares:
73
Cmo funciona
el modelo
Cmo resolverlo
74
Objetivo:
Mtodo de solucin:
Receta
Problemas similares:
75
Cmo funciona
el modelo
Cmo resolverlo
76
Cartera equilibrada
Un agente tiene una lista de 80 acciones, cada una de ellas con un
valor monetario diferente. El agente quiere agrupar estas acciones en
cinco paquetes (carteras) que tengan un valor total lo ms similar
posible.
Este es un ejemplo de una categora general de problemas
denominados problemas de agrupamiento de intervalos. Otro
ejemplo es el agrupamiento de carga en la bodega de un barco de
transporte, de forma que cada grupo tenga un peso lo ms similar
posible. Si hay millones de pequeos elementos a agrupar en unos
pocos grupos, como puede ser granos de trigo en la bodega de un
barco, se puede presuponer una distribucin aproximadamente
normal sin grandes diferencias de peso. Sin embargo, varias docenas
de grupos, de pesos y tamaos diferentes, se pueden agrupar de
formas muy diferentes, y un agrupamiento eficaz puede mejorar el
equilibrio que se encontrara manualmente.
Archivo de ejemplo:
Cartera equilibrada.xls
Objetivo:
Mtodo de solucin:
agrupamiento
Problemas similares:
77
Cmo funciona
el modelo
78
Cartera equilibrada
79
80
Mezcla de carteras
Una joven pareja tiene activos en diferentes tipos de inversiones, cada
una con sus propios beneficios, crecimiento potencial y riesgo.
Combinando varias frmulas que multiplican las diferentes
jerarquas, han personalizado un tipo de puntuacin que muestra lo
adecuada que es una mezcla determinada de inversiones para sus
necesidades.
Archivo de ejemplo:
Mezcla de carteras.xls
Objetivo:
Mtodo de solucin:
Presupuesto
81
Cmo funciona
el modelo
Cmo resolverlo
82
Mezcla de carteras
Estaciones de potencia
Una cadena de radio compra tres torres de radio abandonadas que no
funcionan en una regin que tiene diez comunidades de importancia.
La cadena quiere comprar transmisores de emisiones totalmente
nuevos e instalarlos en las torres para que puedan volver a emitir.
Como hay un presupuesto limitado, el objetivo es gastar la menor
cantidad de dinero en transmisores que sigan cubriendo las 9
comunidades. Se presupone un modelo de precio lineal en el que el
costo de un transmisor est directamente relacionado con su potencia,
por lo tanto tenemos que buscar la menor cantidad posible de
potencia para comprar, pero sera igual de fcil crear una tabla de
bsqueda de tipos y precios de transmisores.
Archivo de ejemplo:
Estaciones de potencia.xls
Objetivo:
Mtodo de solucin:
Receta
Problemas similares:
83
Cmo funciona
el modelo
Cmo resolverlo
84
Estaciones de potencia
Compras
Cada vez que hay mltiples formas de ordenar elementos, los
descuentos de cantidad dificultan la determinacin de la forma ms
econmica de comprar elementos. Este modelo contiene una tabla
sencilla de precios, que incluye precios con descuentos de cantidad de
un disolvente especial. Debe comprar al menos 155 litros de este
disolvente, que se ofrece en barriles pequeos, medianos, grandes y
extra-grandes.
Trate de comprar la cantidad adecuada de cada tamao de barril para
minimizar su costo.
Archivo de ejemplo:
Compras.xls
Objetivo:
Mtodo de solucin:
Receta
Problemas similares:
85
Cmo funciona
el modelo
Cmo resolverlo
86
Compras
Objetivo:
Mtodo de solucin:
Orden
Problemas similares:
87
Cmo funciona
el modelo
Cmo resolverlo
88
Navegador espacial
Como parte de la tripulacin de la lanzadera espacial Evolver III,
debe calcular la cantidad y la direccin del impulso de cada cohete
propulsor para alcanzar su destino usando la menor cantidad posible
de combustible. Las mejores soluciones probablemente pasarn por
aprovechar el efecto de impulso gravitacional de los soles cercanos
para conservar combustible.
Archivo de ejemplo:
Navegador espacial.xls
Objetivo:
Mtodo de solucin:
Receta
Problemas similares:
89
Cmo funciona
el modelo
Cmo resolverlo
90
Navegador espacial
Agente de bolsa
Usted es agente de bolsa en el mercado de S&P 500, y ha determinado
que el anlisis tcnico proporciona previsiones ms precisas sobre las
acciones que el anlisis fundamental tradicional, y podra ahorrar
tiempo si creara un sistema. Podra haber un nmero infinito de
posibles reglas a seguir para invertir en bolsa, pero slo unas pocas le
habrn generado beneficios significativos si usted las ha seguido. Una
bsqueda inteligente con su PC podra ayudarle a determinar qu
reglas habran generado ms dinero en un periodo de tiempo
histrico.
Archivo de ejemplo:
Agente de bolsa.xls
Objetivo:
Mtodo de solucin:
Receta
Problemas similares:
91
Cmo funciona
el modelo
Cmo resolverlo
92
Agente de bolsa
Transformador
El transformador de dos bobinados debe tener una capacidad de
1080 VA con prdidas bajo carga mxima no superiores a los 28 vatios
y una disipacin de calor en superficie no superior a los
0.16 vatios/cm2. Minimice el costo respetando los criterios de
rendimientos.
Archivo de ejemplo:
Transformador.xls
Objetivo:
Mtodo de solucin:
Receta
Problemas similares:
93
Cmo funciona
el modelo
Cmo resolverlo
94
Transformador
Transporte
Cul puede ser la forma ms econmica de transportar objetos en
camin por todo el pas? Este problema estndar ha sido expandido a
partir de un ejemplo antiguo de Microsoft Solver.
Minimice los costos de transportar productos desde los centros de
produccin a los almacenes cercanos a los centros de demanda del
rea metropolitana, sin exceder el suministro disponible de cada
centro de produccin y satisfaciendo la demanda de cada rea
metropolitana.
Para que el problema sea ms realista, los costos de transporte se han
cambiado para que no sean lineales, sino que dependan de cuntos
camiones son necesarios. Un camin puede cargar hasta 6 objetos, es
decir, transportar 14 objetos requiere 3 camiones (que transporten
6 + 6 + 2 objetos).
Archivo de ejemplo:
Transporte.xls
Objetivo:
Mtodo de solucin:
Receta
Problemas similares:
95
Cmo funciona
el modelo
Cmo resolverlo
96
Transporte
97
98
Transporte
99
100
Como las celdas ajustables contienen las variables del problema, debe
definirse al menos un grupo de celdas ajustables para poder usar
Evolver. La mayora de los problemas se pueden describir con un
grupo de celdas ajustables, pero otros problemas ms complejos
pueden necesitar diferentes bloques de variables para su resolucin
con diferentes mtodos de solucin simultneos. Esta arquitectura
exclusiva permite crear fcilmente problemas altamente complejos a
partir de mltiples grupos de celdas ajustables.
101
102
103
104
105
Mtodo de
solucin de orden
Grupo original de
valores de variables
Un grupo de valores
posibles de receta
23.472
15.344
37.452
145
101
190
32.44
7.073
65,664
14,021
93,572
106
Mtodo de
solucin de
agrupacin
Grupo original de
valores de variables
Un grupo de valores
posibles de orden
23.472
145
65,664
145
23.472
65,664
145
65,664
23.472
107
Mtodo de
solucin de
presupuesto
Grupo original de
valores de variables
Un grupo de valores
posibles de
agrupamiento
Un grupo de valores
posibles de
presupuesto
200
93.1
223.5
3.5
30
10
100
-67
10
.4
67
108
Mtodo de
solucin de
proyecto
109
Mtodo de
solucin de
calendarizacin
Grupo original de
valores de variables
Un grupo de valores
posibles de proyecto
110
Restriccin
Esta tarea
12
111
Un grupo de valores
posibles de
calendarizacin
112
113
Tareas
precedentes
114
Operadores
115
116
Restricciones
Evolver permite introducir restricciones o condiciones que deben
cumplirse para que una solucin sea vlida. Las restricciones que ha
introducido se muestran en la tabla Restricciones del cuadro de
dilogo Definicin de Modelo.
Aadir Cmo
aadir
restricciones
117
Tipo de
restriccin
Restricciones
simples y de
frmula
118
Restricciones
blandas
119
120
121
122
123
124
125
Opciones de
tiempo de
ejecucin de la
optimizacin
126
127
128
129
Esta funcin permite que se lleven a cabo clculos que slo se pueden
realizar con un macro durante una optimizacin. Algunos ejemplos
de este tipo de clculos llevados a cabo con macros son los clculos de
operaciones repetitivas y los clculos que requieren nuevos datos de
fuentes externas.
El Nombre de macro define el macro que se va a ejecutar.
130
131
132
Comandos de Utilidades
Comando Configuraciones de aplicacin
Muestra el cuadro de dilogo Configuraciones de aplicacin
donde se establecen los ajustes predeterminados del
programa
Muchas de las configuraciones de Evolver se pueden establecer en
valores predeterminados que se usan cada vez que se usa Evolver.
Estas configuraciones predeterminadas incluyen las de Parada, ndice
de Cruce y Mutacin, etc.
133
134
Comandos de Utilidades
135
136
Comandos de Utilidades
137
138
Cuadro de dilogo
Opciones de
Grficos
139
141
142
143
144
145
146
ltimo. Esta opcin hace que Evolver coloque los ltimos valores
calculados de la optimizacin en la hoja de clculo. La opcin
ltimos Valores Calculados es especialmente til para refinar
modelos.
147
148
Captulo 6: Optimizacin
Mtodos de optimizacin...............................................................151
Los algoritmos de escalada .................................................................153
Excel Solver ....................................................................................157
Evolver y Solver....................................................................................158
Cundo se debe usar Evolver.............................................................159
Tipos de problemas........................................................................161
Problemas lineales..................................................................161
Problemas no lineales............................................................161
Problemas basados en tablas................................................163
Problemas combinatorios......................................................164
Captulo 6: Optimizacin
149
150
Mtodos de optimizacin
Ya hemos visto algunos ejemplos de problemas de optimizacin en
los tutoriales. Algunos problemas de optimizacin son ms difciles
de resolver que otros. En los problemas ms difciles, como la
bsqueda de la ruta ms corta entre 1000 ciudades, no es posible
examinar todas las soluciones posibles. Hacerlo requerira aos de
clculos en las computadoras ms rpidas.
Para resolver ese tipo de problemas, es necesario hacer una bsqueda
en un subgrupo de todas las posibles soluciones. Al examinar estas
soluciones, podremos hacernos una idea de cmo encontrar mejores
soluciones. Esto se consigue con un algoritmo. Un algoritmo es una
descripcin por pasos de cmo resolver un problema. Todos los
programas informticos, por ejemplo, se desarrollan mediante la
combinacin de muchos algoritmos.
Empecemos por explorar cmo representan un problema la mayora
de los algoritmos de resolucin de problemas. La mayora de los
problemas se pueden dividir en tres componentes bsicos: variables
de entrada, una funcin de algn tipo y un resultado de salida.
Qu se analiza: Qu se aplica: Para el mejor:
Componentes el
problema
Entradas
Funcin
Resultado
En Evolver/Excel
Variables
Modelo
Objetivo
Captulo 6: Optimizacin
XeY
Ecuacin
151
Mtodos de optimizacin
Captulo 6: Optimizacin
153
154
Mtodos de optimizacin
11:00 am
Descanso 2
(y)
3:00 pm
Escenario oeste
10:45 am
11:15 am
11:00 am
11:00 am
15:00 am
15:00 am
15:15 am
2:45 pm
Escenario este
Escenario norte
Escenario sur
Descanso 1 (x)
Puntuacin
(z)
= 46.5
= 44.67
= 40.08
= 49.227
= 43.97
Captulo 6: Optimizacin
155
156
Mtodos de optimizacin
Excel Solver
Excel incluye una utilidad de optimizacin denominada Solver.
Cumple una funcin similar a la de Evolver: encontrar soluciones
ptimas. Solver puede resolver dos tipos de problemas: problemas
lineales y problemas simples no lineales. Resuelve problemas lineales
usando una rutina de programacin lineal. Esta tcnica matemtica
clsica frecuentemente se denomina mtodo Simplex y encuentra
siempre respuestas perfectas a problemas pequeos puramente
lineales.
Como la mayora de los programas pequeos de resolucin, el
Microsoft Solver tambin resuelve problemas no lineales usando una
rutina de escalada (especficamente la rutina GRG2). Una rutina de
escalada comienza con los valores de variable actuales y lentamente
los ajusta hasta que el resultado de salida deja de mejorar. Esto
significa que los problemas con ms de una solucin posible pueden
ser imposibles de resolver correctamente para Solver, porque Solver
termina en una solucin local y no puede saltar a una solucin global
(ver la figura de abajo).
157
Evolver y Solver
Tanto Excel Solver como Evolver tienen sus propias ventajas e
inconvenientes. En general, Solver es ms rpido a la hora de resolver
problemas simples y pequeos, mientras que Evolver es la nica
forma de resolver otros muchos tipos de problemas. Adems, notar
que Evolver encontrar mejores respuestas que Solver en problemas
ms grandes y complejos, del tipo que normalmente se encuentran en
el mundo real.
Evolver puede encontrar respuesta a muchos ms tipos de problemas
que Solver. Casi cualquier situacin numrica que pueda modelar en
Excel se puede optimizar en Evolver.
Ms especficamente, Evolver puede encontrar soluciones ptimas a
problemas numricos lineales, no lineales, basados en tablas o
estocsticos (aleatorios). Puede resolver problemas con cualquier
combinacin de estas cualidades. Evolver tambin puede generar
permutaciones de valores existentes, reordenar valores o agrupar
valores de diferentes formas para encontrar una solucin ptima. De
hecho, cada vez que se encuentre con un modelo de hoja de calculo
con variables que se pueden ajustar para modificar el resultado del
modelo, Evolver puede automatizar el proceso de bsqueda
procesando inteligentemente miles de escenarios y conservando los
mejores.
El proceso de algoritmo gentico de Evolver se adapta mejor que
Solver a las interrupciones. Se puede detener en proceso de Evolver
en cualquier momento para ver la mejor solucin que Evolver ha
encontrado hasta ese momento. Luego, puede hacer cambios en el
propio problema y continuar el proceso exactamente donde lo dej.
Por ejemplo, en un problema de programacin de trabajos, tal vez
quiera encontrar las mejores tareas para asignar a las mquinas.
Cuando una mquina est disponible, puede parar el proceso del
algoritmo gentico para encontrar la tarea ptima a asignar a esa
mquina. Luego, esa tarea se puede omitir en el problema y la
optimizacin puede continuar con el resto de los trabajos.
El algoritmo gentico que proporciona a Evolver la capacidad para
administrar todos esos tipos de problemas normalmente ser ms
lento que Solver y que otros mtodos matemticos o estadsticos
tradicionales. Algunas clases de problemas utilizan rutinas de
optimizacin bien conocidas y refinadas. En esos casos, encontrar las
respuestas ms rpidamente usando esos mtodos personalizados, en
lugar del mtodo de uso general que utiliza Evolver.
158
Excel Solver
159
160
Excel Solver
Tipos de problemas
Normalmente se optimizan siete tipos diferentes de problemas. Si
usted comprende estos tipos de problemas, podr aplicar mejor
Evolver a sus propios modelos.
Problemas
lineales
Problemas no
lineales
161
162
Tipos de problemas
Problemas
basados en tablas
Captulo 6: Optimizacin
163
Problemas
combinatorios
164
Tipos de problemas
Captulo 7: Algoritmos
genticos
Introduccin ....................................................................................167
Historia.............................................................................................167
Un ejemplo biolgico .....................................................................171
Un ejemplo digital...........................................................................173
165
166
Introduccin
Evolver utiliza el algoritmo gentico para buscar respuestas ptimas
en los modelos de simulacin. Este captulo proporciona informacin
general sobre algoritmos genticos que explica cmo se usan para la
optimizacin de modelos de simulacin.
Historia
Los primeros algoritmos genticos fueron desarrollados a principios
de los aos setenta por John Holland en la University of Michigan. A
Holland le llamaba la atencin la facilidad con la que los sistemas
biolgicos realizaban tareas que no podan realizar ni siquiera las
supercomputadoras ms avanzadas; los animales pueden reconocer
objetos sin problemas, comprender y traducir sonidos y navegar en
general a travs de un entorno dinmico casi instantneamente.
Durante dcadas, los cientficos pretendieron replicar esta capacidad
en las mquinas, pero empezamos a darnos cuenta de la dificultad
que entraa esta tarea. La mayora de los cientficos estn de acuerdo
en que cualquier sistema biolgico complejo que exhiba estas
cualidades ha evolucionado para llegar a ese punto.
Teora de la
Evolucin
167
168
Historia
169
170
Historia
Un ejemplo biolgico
veamos un sencillo ejemplo de evolucin en el mundo biolgico (a
pequea escala). Por evolucin queremos decir cualquier cambio de
distribucin o frecuencia de los genes de una poblacin. Por supuesto,
lo ms interesante de la evolucin es que tiende generar poblaciones
que se adaptan constantemente a sus entornos.
Imagine que estamos observando una poblacin de ratones. Estos
ratones tienen dos tamaos, grande y pequeo, y dos colores, claro y
oscuro. Nuestra poblacin consta de los siguientes ocho ratones:
171
172
Un ejemplo biolgico
Un ejemplo digital
Imaginemos un problema con dos variables, X e Y, que generan un
resultado Z. Si calculamos y hacemos el diagrama del resultado Z de
todos los valores posibles de X e Y, veremos aparecer un paisaje de
resultados (explicado en el Captulo 6: Optimizacin). Como estamos
tratando de obtener el valor mximo de Z, los picos de la funcin
son soluciones buenas y los valles son malas.
Cuando se usa un algoritmo gentico para maximizar una funcin,
empezamos por crear varias soluciones o escenarios posibles
aleatorios (los puntos negros), en lugar de un solo punto inicial.
Luego se calcula el resultado de la funcin de cada escenario y se
incluye en el diagrama como un punto. A continuacin, se clasifican
todos los escenarios segn su altitud, de mejor a peor. Conservamos
los escenarios de la mitad superior de la lista y desechamos los dems.
173
Escenario 1
Escenario 2
Antes
Despus
3.4, 5.0
2.6, 5.0
2.6, 3.2
3.4, 3.2
174
Un ejemplo digital
175
176
Un ejemplo digital
177
178
179
Restricciones de rango
Las restricciones duras ms simples son las que se colocan en las
propias variables. Al establecer un cierto rango en cada variable, se
puede limitar el nmero total de posibles soluciones que Evolver
busca, lo cual resulta en una bsqueda ms eficaz. Introduzca los
valores Mn y Mx en la ventana Modelo de la seccin Rangos de
celda ajustables para indicar a Evolver el rango de valores aceptables
para cada variable.
Evolver slo probar valores entre 0 y 5,000 para las celdas especificadas.
180
181
Restricciones blandas
Si se fuerza al programa para que slo busque soluciones que
cumplan todas las restricciones, es posible que no se encuentre
ninguna solucin viable. Con frecuencia, es ms til tener una
solucin viable aproximada en la que no se cumplen algunas de las
restricciones.
Una alternativa al uso de restricciones duras que se deben cumplir
es reconfigurar el problema con restricciones blandas; restricciones
que Evolver tratar de cumplir. Estas restricciones blandas son
frecuentemente ms realistas y permite que Evolver pruebe otras
muchas opciones. En el caso de problemas altamente restringidos (en
los que no hay muchas soluciones que cumplan todos los requisitos),
el algoritmo gentico de Evolver tendr ms posibilidades de
encontrar la mejor solucin si se le permite obtener informacin sobre
algunas soluciones cercanas a las soluciones que cumplen las
restricciones.
Cuando las restricciones son objetivos designados, como producir el
doble de tenedores que de cuchillos, muchas veces no es tan
importante que se cumplan exactamente: especialmente si obtener un
calendario de produccin perfectamente equilibrado requiere un
proceso de optimizacin de un da de duracin. En este caso, una
buena solucin al problema, que casi cumple la restriccin (la
produccin es 40% tenedores, 23% cuchillos, 37% cucharas),
normalmente es mejor que esperar todo el da para averiguar que tal
vez no hay solucin, porque no es posible cumplir todas las
restricciones.
Funciones de
penalizacin
182
Introduccin de
una funcin de
penalizacin.
183
Visualizacin de
los efectos de la
funcin de
penalizacin
introducida
184
Introduccin de
restricciones
blandas en la hoja
de clculo
Ms ejemplos de
funciones de
penalizacin
185
186
187
188
Mejora de la rapidez
Cuando se utiliza Evolver para resolver un problema, se usa la
biblioteca de Evolver de rutinas compiladas para controlar el proceso
as como la funcin de evaluacin de la hoja de clculo de Excel para
examinar los diferentes escenarios. Gran parte del tiempo que utiliza
Evolver es realmente usado por Excel para recalcular la hoja de
clculo. Hay una serie de cosas que se pueden hacer para acelerar la
optimizacin de Evolver y el proceso de reclculo de Excel.
189
190
Mejora de la rapidez
191
Cruce
Mutacin
Reemplazo
Restricciones
193
194
Apndice A: Automatizacin de
Evolver
VBA
Evolver incluye un lenguaje completo de macros para el desarrollo de
aplicaciones personalizadas que usan funciones de Evolver. Las
funciones personalizadas de Evolver se pueden usar en Visual Basic
for Applications (VBA) para la configuracin y ejecucin de
optimizaciones y para mostrar los resultados de las optimizaciones.
Para obtener ms informacin sobre esta interfaz de programacin,
consulte el documento de ayuda del Juego de Desarrollo de Evolver,
disponible a travs del men de Ayuda de Evolver.
195
196
Apndice B: Resolucin de
problemas / Preguntas y
respuestas
Resolucin de problemas / Preguntas y
respuestas
Esta seccin responde algunas de las preguntas ms comunes
relacionadas con Evolver y ofrece informacin sobre cuestiones,
problemas y sugerencias habituales. Despus de leer esta seccin,
puede llamar al departamento de asistencia al cliente de Palisade a los
nmeros de telfono indicados en el captulo inicial de este manual.
P: Por qu tengo problemas para obtener una respuesta vlida de
Evolver?
R: Asegrese de que el cuadro de dilogo de Evolver est
configurado correctamente. La mayora de los problemas estn
asociados con la configuracin de las variables. Cada grupo de
celdas ajustables debe ser exclusivo, de forma que ninguna celda
o grupo de celdas se procese con ms de un mtodo de solucin.
P: Evolver puede procesar conceptos o categoras en lugar de
nmeros?
R: Evolver puede procesar indirectamente cualquier tipo de dato, ya
que los nmeros no son ms que smbolos. Use una tabla de
referencia en Excel para traducir nmeros enteros a secuencias de
texto. Evolver (como el resto de los programas informticos)
bsicamente slo procesa nmeros, pero la interfaz puede usar
esos nmeros para representar y mostrar cualquier tipo de
secuencia.
197
198
199
200
Apndice C: Recursos
adicionales
Recursos adicionales de aprendizaje
La siguiente lista incluye una muestra de documentacin relacionada
con los algoritmos genticos y vida artificial. El asterisco (*) indica una
obra recomendada por Palisade.
Libros
Bolles, R.C., & Beecher, M.D. (Eds.). (1988). Evolution and Learning.
Lawrence Erlbaum.
Beer, R.D. (1990). Intelligence as Adaptive Behavior: An Experiment in
Computational Neuroethology. Academic Press.
Davis, Lawrence (1987). Genetic Algorithms and Simulated Annealing. Palo
Alto, CA: Morgan Kaufman.
* Davis, Lawrence (1991). Handbook of Genetic Algorithms. New York: Van
Nostrand Reinhold.
Darwin, Charles (1985). On The Origin of Species. London: Penguin
Classics. (originalmente publicado en 1859)
* Dawkins, Richard. (1976). The Selfish Gene. Oxford University Press.
Eldredge, N. (1989). Macroevolutionary Dynamics: Species, Niches, and
Adaptive Peaks. McGraw-Hill.
Fogel, L., Owens, J., and Walsh, J. (1966). Artificial Intelligence through
Simulated Evolution. New York: John Wiley and Sons.
Goldberg, David (1989). Genetic Algorithms in Search, Optimization, and
Machine Learning. Reading, MA: Addison-Wesley Publishing.
Holland, J.H. (1975). Adaptation in Natural and Artificial Systems. Ann
Arbor, MI: University of Michigan Press.
Koza, John (1992). Genetic Programming. Cambridge, MA: MIT Press.
* Langton, C.L. (1989). Artificial Life. MIT Press. [ALife I]
Levy, Steven (1992). Artificial Life. New York: Pantheon.
Apndice C: Recursos adicionales
201
Meyer, J.-A., & S.W. Wilson (Eds.). (1991). Proceedings of the First
International Conference on Simulation of Adaptive Behavior: From
Animals to Animats. MIT Press/Bradford Books.
* Proceedings of the Sixth International Conference (ICGA) on Genetic
Algorithms (1995). San Mateo, CA: Morgan Kaufman Publishing.
(Tambin se ofrecen las actas de las cinco primeras conferencias de
ICGA).
Proceedings of the Workshop on Artificial Life (1990). Christopher G.
Langton, Senior Editor. Reading, MA: Addison-Wesley Publishing.
Rawlins, Gregory (1991). Foundations of Genetic Algorithms. San Mateo,
CA: Morgan Kaufman Publishing.
Richards, R.J. (1987). Darwin and the Emergence of Evolutionary Theories
of Mind and Behavior. U. Chicago Press.
Williams, G.C. (1966). Adaptation and Natural Selection. Princeton U. Press.
Artculos
* Antonoff, Michael (October, 1991). Software by Natural Selection. Popular
Science, p. 70-74.
Arifovic, Jasmina (January, 1994). Genetic Algorithm Learning and the
Cobweb Model. Journal of Economic Dynamics & Control v18 p.3
* Begley, S (May 8, 1995). Software au Naturel In Newsweek p. 70
Celko, Joe (April, 1993). Genetic Algorithms and Database Indexing. Dr.
Dobbs Journal p.30
Ditlea, Steve (November, 1994). Imitation of Life. In Upside Magazine p.48
Gordon, Michael (June, 1991). User-based Document Clustering by
Redescribing Subject Descriptions with a Genetic Algorithm. Journal of
the American Society for Information Science v42 p.311
Hedberg, Sara (September, 1994). Emerging Genetic Algorithms. AI Expert,
p. 25-29.
Hinton, G.E., & Nowlan, S.J. (1987). How Learning Can Guide Evolution.
Complex Systems 1: p.495-502.
* Kennedy, Scott (June, 1995). Genetic Algorithms: Digital Darwinism.
Hitchhickers Guide to Artificial Intelligence Miller Freeman Publishers
Kennedy, Scott (December, 1993). Five Ways to a Better GA. AI Expert, p.
35-38
Lane, A (June, 1995). The GA Edge in Analyzing Data. AI Expert p.11
Lee, Y.C. (Ed.). (1988). Evolution, learning, and cognition. World Scientific.
202
Introduccin a la simulacin
Si est dando sus primeros pasos en el mundo de las simulaciones, o
si desea conseguir ms informacin general sobre las tcnicas, los
siguientes libros y artculos sern de utilidad:
* Baird, Bruce F. Managerial Decisions Under Uncertainty: John Wiley & Sons,
Inc. 1989.
* Clemen, Robert T. Making Hard Decisions: Duxbury Press, 1990.
Apndice C: Recursos adicionales
203
McKay, M.D, Conover, W.J., and Beckman, R.J. "A Comparison of Three
Methods for Selecting Values of Input Variables in the Analysis of
Output from a Computer Code": Technometrics (1979) 211, 239-245.
Startzman, R. A. and Wattenbarger, R.A. "An Improved Computation
Procedure for Risk Analysis Problems With Unusual Probability
Functions": SPE Hydrocarbon Economics and Evaluation Symposium
Proceedings, Dallas (1985).
205
206
Glosario
Para obtener informacin adicional sobre cualquier trmino, consulte
el ndice de Evolver en el siguiente captulo.
Algoritmo
Algoritmo de
escalada
Algoritmo
gentico
Barra de estado
Campo
Celda
Celda ajustable
Una celda de hoja de clculo cuyo valor se puede ser ajustado por
Evolver para tratar de optimizar el valor de la celda objetivo. Una
celda ajustable es un valor de variable y debe contener siempre un
nmero simple, y no una ecuacin.
Glosario
207
Celda objetivo
Cruce
Cuadro de dilogo
Desviacin
Desviacin
estndar
Determinada
(variable)
Distribucin
acumulativa
Distribucin
continua
208
Distribucin de
frecuencia
Distribucin de
frecuencia
acumulativa
Distribucin de
probabilidad
Distribucin
discreta
Escenario
Estocstica
Fenotipos
Glosario
209
Funcin de
idoneidad
Es una frmula que puede calcular lo buena o lo mala que puede ser
una solucin propuesta a un problema dado. El trmino se usa
frecuentemente en el mundo del algoritmo gentico como una
analoga de la adaptacin en la seleccin biolgica. El diseo de una
funcin de idoneidad precisa es fundamental cuando se usa un
algoritmo gentico para resolver un problema. El resultado de la
simulacin de esta funcin de idoneidad se convierte en el objetivo o
valor objetivo a optimizar.
Funcin de
penalizacin
Una ecuacin de una hoja de clculo que Evolver puede usar para
penalizar escenarios que no cumplen ciertos criterios. Las funciones
de penalizacin se usan para minimizar efectos secundarios de los
escenarios o para alcanzar mltiples objetivos. A diferencia de las
restricciones duras, las funciones de penalizacin permiten la
exploracin de soluciones no vlidas, pero las empeora de forma que
la poblacin evolucione distancindose de esas soluciones. Las
penalizaciones booleanas pueden estar activas o inactivas,
penalizando todas las soluciones no vlidas en la misma medida. Las
penalizaciones de escala son ms fluidas y asignan una penalizacin
proporcional a lo mucho o lo poco que se incumple una restriccin.
Funciones
Generacin
Semilla de
generador de
nmero aleatorio
210
Genotipo
Grupo de celdas
ajustables
Hipercubo Latino
Iteracin
Kurtosis
Mximo global
Mximo local
Media
Glosario
211
Mtodo de
solucin
Evolver incluye seis de estos mtodos, cada uno de los cuales usa un
algoritmo personalizado para resolver un tipo especfico de problema.
Por cada conjunto de variables seleccionado en un problema, el
usuario debe asignar el mtodo de solucin que se debe usar con esas
variables. Los seis mtodos de solucin son: agrupamiento, orden,
receta, presupuesto, proyecto y calendarizacin.
Modelo
Monte Carlo
Muestra aleatoria
Mutacin
Optimizacin
Organismo
212
Percentil
Poblacin
Probabilidad
Programas
pequeos de
resolucin
(Baby Solver)
Pruebas
Puntos altos
Rangos
En Evolver:
213
Restricciones
Restricciones
blandas
Restricciones
duras
Una restriccin que debe cumplirse siempre. Por ejemplo, los rangos
de las variables de un problema de receta son restricciones duras; una
variable con un rango entre 10 y 20 nunca puede tener un valor menor
de 10 o mayor de 20.
Ver Restricciones blandas
Simulacin
Simulacin es una tcnica por la que un modelo, como puede ser una
hoja de clculo de Excel, se calcula repetidas veces con diferentes
valores de entrada con la intencin de obtener una representacin
completa de todos los escenarios posibles que pudieran darse en una
situacin incierta.
Solucin
Supervivencia
de los mejor
adaptados
Valor ms
probable
214
Variable
dependiente
Variable
independiente
Glosario
215
216
ndice
A
actualizacin de pantalla
imagen
agrupamiento
mtodo de solucin
algoritmo, definicin
algoritmos genticos
Para qu se usan?
aadir restricciones
Aprendizaje de Evolver
37
65, 77, 107
151
16
117
10
B
barra de estado
basados en tablas, problemas
bases de datos
207
163
163
C
calendarizacin
mtodo de solucin
celda objetivo
celdas ajustables
combinatorios, problemas
condiciones de detencin
introduccin
condiciones de parada
Configuraciones de aplicacin, comando
61, 110
27, 100, 208
27, 101
15051, 15051
35
126
133
E
ejemplos
agente de bolsa
asignacin de presupuesto
asignacin de tareas
ndice
91
57
53
217
calendarizador de clases
cartera equilibrada
compras
equilibrio qumico
estaciones de energa
mezcla de carteras
orden alfabtico
panadera
problema del vendedor
rutas
segmentador de cdigos
seleccin de publicidad
trabajo en un taller
transformador
transporte
ubicacin de una torre de radio
vendedor
enteros
escalada
descrita
ejemplo
uso de Solver
especificaciones tcnicas
Evolver
Para qu se usa?
Qu es?
capacidad
cundo se debe usar
en comparacin con Solver
Observador
quitar
Tutorial
Excel Solver
61
77
85
59
83
81
51
55
87
69
65
49
73
93
95
75
87
103
153
161
162
157
191
16
13
15051
159
158
39, 137
7
10
157
F
funcin de idoneidad
funciones de penalizacin
ejemplos
explicacin
uso
23, 100
185
182
186
G
generaciones
por qu no se usan
218
191
Recursos adicionales de aprendizaje
grficos
39
L
Lame, archivo
lineales, problemas
10
161
M
meta de optimizacin
mtodo de reemplazo
Mtodo Simplex
mtodos de solucin
agrupamiento
calendarizacin
como restricciones
orden
presupuesto
proyecto
receta
minutos
Modelo, cuadro de dilogo
modelos continuos
27, 100
193
161
65, 77, 107
61, 110
180
53, 73, 87, 106
49, 57, 81, 83, 108
69, 109
51, 55, 59, 75, 85, 91, 93, 95, 106
126
26, 99
157
N
no lineales, problemas
161
O
Observador
operadores genticos
Operadores, pestaa
optimizacin
Qu es?
ejemplo
mtodos
orden
mtodo de solucin
39, 137
115
115
15
155
151
53, 73, 87, 106
P
paisaje de soluciones
Palisade Corporation
ndice
152
5
219
percentil
presupuesto
mtodo de solucin
problemas
basados en tablas
combinatorios
de mltiples objetivos
lineales
no lineales
progreso de grfico
imagen
Progreso, ventana
proyecto
mtodo de solucin
213
49, 57, 81, 83, 108
163
164
187
161
161
37
131
69, 109
Q
quitar Evolver
R
rapidez, mejora
receta
mtodo de solucin
regresin
reserva gentica
restricciones
blandas
duras
implementacin
rutina de seleccin
rutinas GRG
189
51, 55, 59, 75, 85, 91, 93, 95, 106
193
175
17779
118, 119, 182
118
193
191
157
S
solucin global
comparacin con solucin local
solucin local
comparacin con solucin global
Solver
en comparacin con Evolver
Solver de restricciones, comando
220
157
157
157
158
134
T
tasa de cruce
cmo se implementa
para qu sirve
tasa de mutacin
cmo se implementa
para qu sirve
tiempo de ejecucin de optimizacin, opciones
tutorial
140, 174
192
113
140
193
113
126
10
V
valores
ndice
103
221