Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1 - Introducción A Los Modelos de Optimización Discretos PDF
1 - Introducción A Los Modelos de Optimización Discretos PDF
CURSO
1
Agenda
Horario
◉ Lunes y Miércoles: 8h00-9h30 (24C-102)
Libro Referencia
◉ Rardin, Optimization in Operations Research
Otras referencias
◉ Ahuja, Network flows: theory, algorithms, and applications
◉ Bertsekas, Network optimization: continuous and discrete methods
◉ Actividad de inicio
◉ Discusión general del tema del día
◉ Actividades de refuerzo (ejercicios, lecturas, videos, casos)
◉ Discusiones y actividades grupales
◉ Actividad de cierre
Proyecto - 10%
Correo
◉ mialciva@espol.edu.ec
Sidweb
Horas de Oficina
◉ Martes y Miércoles 15h00-16h00 (o previa cita)
◉ Oficina en Laboratorio de Ingeniería Industrial
1. Respeto
2. Transparencia
3. Responsabilidad con nuestro aprendizaje
4. Construcción sobre las contribuciones de los
demás
13
1 Introducción a los 2 Métodos para resolver 3 Secuenciación de 4 Programación de 5 Diseño de rutas de 6 Diseño de redes de
modelos opt. discretos problemas de opt discreta órdenes de trabajo turnos de trabajo vehículos suministro
Objetivo de aprendizaje
Modelos
Modelos Modelos Modelos Modelos
prescriptivos o
determinísticos estáticos y lineales y no enteros y no
de
y estocásticos dinámicos lineales enteros
optimización
Modelos ELEMENTOS
prescriptivos o ● Función objetivo → lo que se desea maximizar o minimizar.
de
optimización ● Variables de decisión → variables cuyos valores están bajo
nuestro control e influyen en el desempeño del sistema.
● Restricciones → con respecto a las variables de decisión,
permiten solamente ciertos valores en la mayoría de las
situaciones.
EJEMPLO
Maximizar
Modelos
prescriptivos o Sujeto a
de
optimización
Variables de decisión x1,x2, …, xn (x ∈ Variables que describen por completo las decisiones que se tienen
Rn) que tomar en el problema; variables cuyos valores están bajo
nuestro control y están por definirse.
Función objetivo Z = cTx : Rn→ R Función lineal de las variables de decisión que el tomador de
decisiones busca maximizar o minimizar.
Restricción de signo Xi {≥, ≤, libre} 0 Asociada con cada variable. ¿La variable de decisión puede asumir
Xi cont, int, bin valores tanto positivos como negativos?¿continuas o discretas?
Solución factible x∈X Valores de variables de decisión que permiten satisfacer todas las
restricciones del problema.
La región factible para un problema de programación lineal es el set de
todos los puntos que satisfacen todas las restricciones del PL (por lo
general es un conjunto infinito de puntos).
Solución óptima x* ∈ X* Una solución factible para la cual la función objetivo alcanza su valor
máximo/mínimo.
En un problema de maximización, una solución óptima para el modelo de
PL es el punto en la región factible con el mayor valor de la función
objetivo. Igualmente, en un problema de minimización, la solución óptima
es el punto en la región factible con el menor valor de la función objetivo.
Por ejemplo:
max z = 3x1+2x2
s.t.
x1+x2 ≤ 6
x1, x2 ≥ 0; x1, x2 entero
Isabel Alcívar, MSc | INDG1019 Programación Entera para Ingeniería | 27
Modelos de optimización
discretos
Por ejemplo:
max z = 3x1+2x2
s.t.
x1+x2 ≤ 6
x1, x2 ≥ 0; x1 entero
Isabel Alcívar, MSc | INDG1019 Programación Entera para Ingeniería | 28
Modelos de optimización
discretos
1
Región
factible
x1
1 2 3 4
4
max z = 21x1+11x2
s.t. 3
7x1+4x2 ≤ 13
X1, x2 ≥ 0; x1, x2 enteros 2
X 1, x 2 ≥ 0 1
X 1, x 2 ≥ 0 1
X 1, x 2 ≥ 0 1
“Todo o nada”
yi= 0 o 1
xi ≤ uiyi
min z = 16x1+ 10x2+ 8x3+ 9x4+ 48x5+ 60x6+ 53x7+ 350(y1+ y2+ y3+ y4)
S.t.
x1+x2+x3+x4+x5+x6+x7 = 1000 R. peso de carga x1 ≤ 75y1 R. relación x1-y1
0.0080x1+ 0.0070x2+ 0.0085x3+ 0.0040x4 ≥ 0.0065(1000) R. rango min carbono x2 ≤ 250y2 R. relación x2-y2
0.0080x1+ 0.0070x2+ 0.0085x3+ 0.0040x4 ≤ 0.0075(1000) R. rango max carbono x3 ≤ 1000y3 R. relación x3-y3
0.180x1+ 0.032x2+ 1.0x5 ≥ 0.030(1000) R. rango min níquel x4 ≤ 1000y4 R. relación x4-y4
0.180x1+ 0.032x2+ 1.0x5 ≤ 0.035(1000) R. rango max níquel
0.120x1+ 0.011x2+ 1.0x6 ≥ 0.010(1000) R. rango min cromo
0.120x1+ 0.011x2+ 1.0x6 ≤ 0.012(1000) R. rango max cromo
0.001x1+ 1.0x7 ≥ 0.011(1000) R. rango min molibdeno
0.001x1+ 1.0x7 ≤ 0.013(1000) R. rango max molibdeno
xi ≥ 0, i=1,...,7; y1, y2, y3, y4 = 0 o 1 R. signo
Isabel Alcívar, MSc | INDG1019 Programación Entera para Ingeniería | 47
Modelos de
optimización discretos
Modelos de la mochila y de restricciones presupuestarias
Completamente discretos.
1 2 3 4 5 6
1) Suponga que Indy Car quiere maximizar rendimiento sin
exceder un presupuesto de $ 35000. Costo
10.2 6.0 23.0 11.1 9.8 31.6
2) Suponga que el equipo de Indy Car decide que simplemente (en miles de dólares)
deben aumentar la velocidad en 30 millas por hora para tener Incremento en velocidad
8 3 15 7 10 12
alguna posibilidad de ganar la próxima carrera. Ignorando el (mph)
presupuesto, desean encontrar la forma para lograr al menos
ese rendimiento a un costo mínimo.
min z = 10.2x1+6.0x2+23.0x3+11.1x4+9.8x5+31.6x6
S.t.
8x1 + 3x2 + 15x3 + 7x4 + 10x5 + 12x6 ≥ 30 R. requerimiento mínimo de aumento de velocidad
xi=1 o 0 ∀i R. signo
xi ≤ xj