Excel para resolver un PL

1
Formulacin de un PL en Excel
2
Caso 1
Max Z = X + Y
X + 2 Y 6
2 X + Y 6
X,Y 0
Restricciones Decisiones Objectivo
Caso 2 (to do)
Max F = X + Y + Z
X + Y + 2 Z 6
2 X + Y + 3 Z 6
3 X + 2 Y + Z 6
X,Y,Z 0
Caso 3
Caso 2
X,Y,Z interos
Caso 0 Max Z = 10*X ; X5
Formulacin de un PL en Excel
3
SomeExcel tricks
Restricciones sobre rangos
Nombre de rangos
Funcin SUMAPRODUCTO
Complejidad &
Mtodos Heursticos
Complejidad
Clasificacin de los problemas
Fuenteimagen: TALBI, E.G. Metaheuristics: From design to implementation. New Jersey: John Wiley & Sons, 2009.
Shortest Path
Maximum Flow
LP
Set Covering
Scheduling
Knapsack
Travelling Salesman
Facility Location
Complejidad
Problemas fciles vs Problemas difciles
f (n): el nmero de operaciones bsicas necesarias para
resolver un problema con n datos de entrada
Fcil: f (n) es polinomial en n
O(n), O(n log n), O(n
2
),
Difcil: f (n) es exponencial en n
O(2
n
),
Complejidad
Ejemplo Fcil vs Difcil
O(n) O(n log n) O(n
2
) O(2
n
)
1 0 1
10 10 100
20 26 400
50 85 2500
100 200 10000
1000 3000 1,000,000
O(n) O(n log n) O(n
2
) O(2
n
)
1 0 1 2
10 10 100 1024
20 26 400
50 85 2500
100 200 10000
1000 3000 1,000,000
Complejidad
Ejemplo Fcil vs Difcil
O(n) O(n log n) O(n
2
) O(2
n
)
1 0 1 2
10 10 100 1024
20 26 400 1048576
50 85 2500 1,125,899,906,842,624
100 200 10000
1000 3000 1,000,000
Complejidad
Ejemplo Fcil vs Difcil
O(n) O(n log n) O(n
2
) O(2
n
)
1 0 1 2
10 10 100 1024
20 26 400 1048576
50 85 2500 1,125,899,906,842,624
100 200 10000 1.268 X 10
30
1000 3000 1,000,000 1.072 X 10
301
Complejidad
Ejemplo Fcil vs Difcil
Complejidad
Ejemplo Fcil vs Difcil
10
301
operaciones requeridas en el peor de los casos
Edad del universo: 10
18
segundos ( 3.17 x10
11
aos)
Los computadores ms rpidos del mundo estn cerca a las
10
18
op/seg:
En 2012 el CrayTitanrealiz aproximadamente 17.59 x 10
15
op/seg
En 2013 el NUDT Tianhe-2realiz aproximadamente 33.86 x 10
15
op/seg
Cunto se demoraran estas sper computadoras para
realizar todas las operaciones?
(10
301
op) / (10
18
op/seg) =10
283
seg
Tomara un poco ms de la EDAD DEL UNIVERSO elevada
a la 15 solucionar el problema!!!
Origin of the NP-difficulty
CONVEXITY
Que es una heurstica ?
13
Mtodos de solucin
Mtodos exactos
Simplex, Branch& Bound
Algoritmos de aproximacin
Fibonacci, Newton
Heursticas
NWC, VAM, Hngaro
Meta-Heursticas
Greedy, GeneticAlgorithms, TabuSearch
Fuenteimagen: TALBI, E.G. Metaheuristics: From design to implementation. New Jersey: John Wiley & Sons, 2009.
Por qu utilizar heursticas o meta-
heursticas?
Encontrar soluciones ptimas para problemas industriales o
cientficos puede ser intratable.
A veces basta con encontrar soluciones buenas.
Las meta-heursticas no garantizan optimalidad, pero pueden
obtener respuestas de buena calidad en tiempos razonables.
Qu tan grande es el espacio de solucin de un TSP de 5, 10y
75ciudades?
Nmero de ciudades (n) Tamao del vecindario(n!)
5 120
10 3,628,800
75 2.5 x 10
109
Antecedentes
ACO (ant colonies optimization), AIS (artificial immunesystems),BC(beecolony),CA(cultural algorithms),
CEA (coevolutionaryalgorithms), CMA-ES (covariancematrix adaptationevolutionstrategy), DE
(differential evolution), EDA (estimationof distributionalgorithms), EP (evolutionaryprogramming), ES
(evolutionstrategies), GA (genetic algorithms), GDA (great deluge), GLS (guidedlocal search), GP (genetic
programming), GRASP (greedyadaptivesearchprocedure), ILS (iteratedlocal search), NM (noisymethod),
PSO (particleswarmoptimization), SA (simulatedannealing), SM (smoothingmethod), SS (scatter search),
TA (thresholdaccepting), TS (tabusearch), and VNS (variable neighborhoodsearch).
Fuente: TALBI, E.G. Metaheuristics: From design to implementation. New Jersey: John Wiley & Sons, 2009.
Diversificacin e Intensificacin
Diversificacin
Exploracin del espacio de solucin.
Escape de ptimos locales.
Intensificacin
Explotacin de las mejores soluciones.
Bsqueda de mejores soluciones.
Fuenteimagen: TALBI, E.G. Metaheuristics: From design to implementation. New Jersey: John Wiley & Sons, 2009.
Clasificacin
Nature inspired VS nonnature inspired
Evolutionary Algortihms, Ant Colony Optimization, Particle
Swarm Optimization, Simmulated Annealing
Memory usage VS memoryless methods
Local Search, GRASP, Tabu Search
Deterministic VS stochastic
LS, TS, SA, EA
Population-based search VS single-solution based search
PSO, EA, LS, SA
Iterative VS greedy
Genetic Algorithm, GRASP
Greedy
Solucin inicial vaca.
Evaluacin del aporte de cada elemento a la funcin
objetivo.
Solucin bsica factible.
Fuenteimagen: TALBI, E.G. Metaheuristics: From design to implementation. New Jersey: John Wiley & Sons, 2009.
Tabu Search
Lista Tab: para no entrar en ciclos se almacenan los
ltimos movimientos realizados.
Criterio de aspiracin: seleccin de movimientos tabsi
se obtiene una solucin mejor que la actual.
Intensificacin (memoria corto plazo): almacenamiento de
las soluciones lite.
Diversificacin: permite movimientos a soluciones no tan
buenas para escapar ptimos locales.
Tabu Search
Fuenteimagen: TALBI, E.G. Metaheuristics: From design to implementation. New Jersey: John Wiley & Sons, 2009.
Genetic Algorithm
Basados en el principio de competencia y evolucin de las
especies.
Conceptos clave:
Representacin
Inicializacin de la poblacin
Funcin objetivo
Seleccin, reproduccin y evolucin
Criterio de parada
Fuenteimagen: TALBI, E.G. Metaheuristics: From design to implementation. New Jersey: John Wiley & Sons, 2009.
Genetic Algorithm
Fuenteimagen: TALBI, E.G. Metaheuristics: From design to implementation. New Jersey: John Wiley & Sons, 2009.
Algo voraz para el TSP
Variables
Vector CiudadesVisitadas(i) : es True si la ciudad i fue vistada, False sino
Camino(i) : es la posicin de la ciudad i en la solucin
Funciones
ciudadMasCercaNoVisitada(i) : returns the closest city not yet visited
Algoritmo
'empezar en la ciudad 1
city = 1
CiudadesVisitadas(1) = True
Camino(1) = 1
For i = 2 To NumCiudades
city = ciudadMasCercaNoVisitada(city) la nueva ciudad acutal es la ms cerca no
visitada
CiudadesVisitadas(city) = True la ciudad city fue visitada
Camino(i) = city la ciudad city esta en la posicion i en la solucion
Next i