Documentos de Académico
Documentos de Profesional
Documentos de Cultura
2020 T2 02 Algoritmos de Optimización
2020 T2 02 Algoritmos de Optimización
DINÁMICA DE PROCESOS Y
CONTROL
✓ Método SIMPLEX.
✓ Método Monte-Carlo.
✓ Algoritmo Genético.
2
Método SIMPLEX
3
SIMPLEX: dominio de solución (2-D)
Solución Punto de
Borde
x2 (adyacentes) Solución
(no factible)
x1
Solución
(factible)
4
SIMPLEX: características
✓ Los conjuntos factibles se definen por variables continuas
y restricciones lineales.
✓ Las soluciones pueden ser factibles o no factibles. Los
puntos de frontera y puntos interiores son soluciones
factibles. La solución óptima es siempre un punto factible.
✓ Las variables no básicas son las que son fijadas en cero en
cada iteración.
✓ Las variables básicas no son fijadas en cero en cada
iteración, y son normalmente positivas.
✓ Mientras las iteraciones avanzan, las variables se asignan
siempre al conjunto base o no base. Una asignación en
una iteración dada es los que se conoce como una base.
✓ Las variables no básicas corresponden a RESTRICCIONES
ACTIVAS.
5
SIMPLEX: desarrollo
X(5)
x3
max f ( x ) = x3
A
s.t.
X(4)
Restric. A L
C x0
B
F
X(3)
x1
D E
H X(2)
G
L
I
X(1) J K
x2 X(0)
7
SIMPLEX: algoritmo
8
SIMPLEX: algoritmo
9
SIMPLEX: algoritmo
x2 Punto A x2 Punto B
h1 NB = {s2,s3} h1 NB = {s1,s2}
B = {x1,x2,s1} B={x1,x2,s3}
h2 h2
Región factible
h3 Región
h3
factible
x1
x1
10
SIMPLEX: algoritmo
h1 Punto C h1 Punto D
NB = {x1,s3} NB = {x2,s3}
h2 B = {x2,s1,s2} h2 B = {x1,s1,s2}
Región Región
factible h3 factible h3
x1 x1
12
Algoritmo del método Monte-Carlo
Paso 1: definición de dominio de solución (variables de
decisión).
13
Algoritmo del método Monte-Carlo
Queremos investigar el número 𝝅 por el método Monte-Carlo.
𝜋 2 4𝐴⨀
𝐴⨀ = 𝐷 𝜋=
4 𝐷2
Considerando un cuadrado, y
asumiendo que uno de sus lados
es de magnitud 1, realizamos el
muestreo:
Cuadrado Círculo Total
N 31 128 159
% 19.5% 80.5% 100.0%
14
Algoritmo del método Monte-Carlo
4𝐴⨀
𝜋=
𝐷2
𝐴⨀ = (%)𝐴⊡
𝐴⨀ = 0.805
4(0.805)
𝜋=
12
𝜋 = 3.22
15
Algoritmo Genético
✓ Inicios: el algoritmo genético o GA fue desarrollado en los
años 1970. Su principal promotor fue John Henry Holland. El
GA es el precursor de los algoritmos de inteligencia artificial.
17
Algoritmo Genético
i: inicialización,
f(X): evaluación,
?: condición de
término,
Se: selección, Cr:
cruzamiento, Mu:
mutación, Re:
reemplazo, X*:
mejor solución.
18
Algoritmo Genético
19
Take Home Ideas!
✓ Los algoritmos de optimización son pasos ordenados para
maximizar o minimizar funciones objetivo.