Clase3 ToPrint

Programación Entera Buscando el óptimo Técnica de mejora y direcciones factibles Condiciones algebraı́cas
Técnicas de Optimización
Programación Entera y Algoritmos de Mejora
Juan Felipe Botero
Departamento de Ingenierı́a
Universidad de Antioquia
Medellı́n Colombia
juanxfelipe@gmail.com
1 / 40
Í NDICE
Programación Entera
Definición de Programación Entera
Formulaciones con programacion entera
Buscando el óptimo
Algoritmo de mejora
Técnica de mejora y direcciones factibles

Técnica de mejora
Condiciones algebraı́cas
Gradientes y direcciones de mejora
Restricciones activas y direcciones factibles
2 / 40
Q U É ES UN PROGRAMA ENTERO ? (I)
Supongamos que se tiene el siguiente LP:
max{cT x : Ax ≤ b, x ≥ 0}
dónde A ∈ Rm×n , c ∈ Rn , b ∈ Rm , y x es un vector

n−dimensional de variables
3 / 40
Q U É ES UN PROGRAMA ENTERO ? (II)

Si ciertas variables deben tomar valores enteros, el problema se
llama un Problema de Programación Entera Lineal.
Hay tres tipos básicos de Problemas de Programación Entera:
◮ Si algunas, pero no todas las variables son enteras, el
problema se denomina de Programación Entera Mixta
(MIP, por sus siglas en inglés)
max {cT x + hT y}
Ax + Gy ≤ b
x ≥ 0, y ≥ 0 y enteras
dónde A ∈ Rm×n , G ∈ Rm×p , c ∈ Rn , h ∈ Rp , x ∈ Rn y

y ∈ Zp es un vector de variables enteras
4 / 40
Q U É ES UN PROGRAMA ENTERO ? (III)

◮ Un programa entero (IP, por sus siglas en inglés), se escribe
como sigue:
max {cT x}
Ax ≤ b
x ≥ 0 y enteras
◮ Por último, si todas las variables se restringen a valores
0-1, entonces tenemos un Problema de Programación
Entera 0-1 o binario (BIP, por sus siglas en inglés):
max {cT x}
Ax ≤ b
x ∈ {0, 1}n y entero
5 / 40
R EGI ÓN FACTIBLE

Ejemplo
max 1,00x1 + 0,64x2

(376/193,950/193)
50x1 + 31x2 ≤ 250 5
3x1 − 2x2 ≥ −4
x1 , x2 ≥ 0 and integer 4
(5,0)
0
1 2 3 4 5
6 / 40
E JEMPLO : C ENTROS DE D ISTRIBUCI ÓN (I)
◮ Una compañı́a tiene m sitios de distribución potenciales i ∈ {1, . . . , m}

◮ Construir un centro de distribución en el sitio i cuesta fi
◮ Hay n clientes j ∈ {1, . . . , n}. Las demandas de cada uno deben ser
satisfechas desde uno o más centros de distribución
◮ Satisfacer una unidad de demanda del cliente j desde el centro de
distribución i cuesta cij si el centro de distribución i está construı́do. Las
demanda del cliente se puede tomar como una unidad que se fracciona
entre los diferentes centros de distribución
◮ Cuáles centros de distribución deben ser construı́dos, y cómo se deben
satisfacer las demandas de los clientes para minimizar los costos?
7 / 40
E JEMPLO : C ENTROS DE D ISTRIBUCI ÓN (II)

variable yi : Variable binaria indicando si se construye un centro de
distribución en la ubicación i
variable xij : Unidades de demanda desde el centro de distribución i al cliente
J
Formulación:
Pm Pm P n
min i=1 fi yi + i=1 j=1 cij xij
Sujeto a:
m
X
xij = 1 ∀j ∈ {1, . . . , n}
i=1
xij ≤ yi ∀i ∈ {1, . . . , m}, ∀j ∈ {1, . . . , n}

xij ≥ 0 ∀i ∈ {1, . . . , m}, ∀j ∈ {1, . . . , n}
yi ∈ {0, 1}
8 / 40
E L PROBLEMA 0-1 K NAPSACK (I)

◮ El problema Knapsack se podrı́a definir cómo sigue:
◮ Dado un de N items, cada uno con tamaño si y
beneficio pi , ∀i ∈ {1, . . . , N}
◮ El problema consiste en seleccionar un
subconjunto con los items que caben en la
capacidad c y que además
◮ se maximice el beneficio colectivo por haber
seleccionado estos items
◮ Se define xi como la variable binaria que indica
$4
? $2
si i ha sido elegido en el subconjunto o no

$2
X $1
Z= pi · xi
i∈N
$10
Capacity Constraints
P
i∈N si · xi ≤ c
Domain Constraints
xi ∈ {0, 1} ∀i ∈ N
9 / 40
A LGORITMO DE MEJORA : C ONCEPTOS B ÁSICOS (I)
◮ Una solución de un problema de optimización es una

escogencia de valores para las variables de decisión
◮ Si un modelo tiene n variables de decisión, sus soluciones
son n-dimensionales
◮ La soluciones se pueden pensar entonces cómo vectores
que pertenecen a Rn
◮ Por ejemplo, un problema con 2 variables de decisión x1 , x2
se puede expresar como un vector x = (x1 , x2 ) ∈ R2
10 / 40
A LGORITMO DE MEJORA : C ONCEPTOS B ÁSICOS (II)
◮ Los métodos de búsqueda del óptimo por medio de mejora

tratan de buscar una solución mejor que la actual,
visitando a las soluciones vecinas
◮ Para un modelo con un vector de variables decisión x, la
primer solución visitada se denota x(0) , la siguiente x(1) y
ası́ sucesivamente
11 / 40
V ECTORES : R EFRESCANDO LA MEMORIA (I)
◮ Hay dos formas para conceptualizar a un vector

geométricamente:
◮ Como un punto
◮ Como movimientos en el espacio Rn
◮ Por ejemplo x(1) = (2, −3) y x(2) = (4, 1)
x2 x 2
(2) (2)
x = (4,1) x = (4,1)
x1 x 1
(1) (1)
x = (2,-3) x = (2,-3)
12 / 40
V ECTORES : R EFRESCANDO LA MEMORIA (II)

◮ La longitud o norma de un vector x ∈ Rn , se denota ||x||, y se define ası́:
qP
n
||x|| = j=1 x2j
◮ Interpretación geométrica de las operaciones (suma y resta) sobre
vectores
x2 x
2
(2) (2)
x = (4,1) x = (4,1)
(1
x1 x 1
x +) x(2)
= (6,
-2)
(1)
(1) x = (2,-3)
x = (2,-3)
(1) (2)
x - x = (-2,-4)
◮ Producto punto entre vectores
Pn
xT · y = yT · x = j=1 xj yj , x ∈ Rn×1 , y ∈ Rn×1
13 / 40
A LGORITMOS DE MEJORA : D EFINICI ÓN
Los algoritmos de mejora, son algoritmos que comienzan

en una solución factible y avanzan, teniendo en cuenta el
modelo de optimización, a través de un camino de búsque-
da compuesto de puntos factibles donde el valor de la fun-
ción objetivo siempre mejora
14 / 40
A LGORITMOS DE MEJORA : V ECINDARIO
El vecindario de una solución x(t) es el subconjunto de solucio-

nes que están a una distancia pequeña de x(t)
Objetivo
Vecindario
de x(t)
(t)
x
Espacio de búsqueda
15 / 40
A LGORITMOS DE MEJORA : Ó PTIMO LOCAL

Un óptimo local es una solución factible que es mejor que todas las soluciones
factibles de su vecindario
Objetivo
Óptimo Local
Óptimo Local
◮ Normalmente los algoritmos de mejora encuentran óptimos locales
16 / 40
A LGORITMOS DE MEJORA : Ó PTIMO GLOBAL

Una solución es un óptimo global si se encuentra dentro de la región factible
y no hay otra solución factible que tenga un mejor valor de la función objetivo
Objetivo
Óptimo local
Óptimo local
Óptimo local y global
◮ Los óptimos globales siempre son óptimos locales,

◮ Los óptimos locales pueden NO ser óptimos globales
◮ Los problemas más tratables de optimización (programación lineal) tienen
formas matemáticas que aseguran que cada óptimo local es también un
óptimo global
17 / 40
T ÉCNICA DE MEJORA : D IRECCI ÓN DE MEJORA

◮ Los algoritmos de mejora avanzan de una solución x(t) a
una nueva solución x(t+1) como sigue:
x(t+1) ← x(t) + λ△x

◮ dónde el vector λ△x define el cambio en dirección de
movimiento para x(t+1) y λ > 0 es la magnitud del
movimiento
◮ El vector △x es una dirección de mejora a la solución x(t)
para todo λ > 0 y pequeño
◮ El vector △x es una dirección de mejora a la solución x(t) ,
si el valor de la función objetivo en x(t) + λ△x es superior
al valor en x(t) para todo λ > 0 suficientemente pequeño
f (x(t+1) ) < f (x(t) ) (para un problema de minimización)
f (x(t+1) ) > f (x(t) ) (para un problema de maximización)
18 / 40
D IRECCI ÓN DE MEJORA : I LUSTRACI ÓN NUM ÉRICA
◮ Dadas las primeras cuatro soluciones visitadas por un

algoritmo de mejora son y(0) = (5, 11, 0), y(1) = (4, 9, 3),
y(2) = (4, 9, 7), y(3) = (0, 8, 7), determine las direcciones de
movimiento, asumiendo que λ1 = λ2 = 1 y λ3 = 1/2
λ1 △y(1) = y(1) − y(0) = (4, 9, 3) − (5, 11, 0) = (−1, −2, 3),

△y(1) = (−1, −2, 3)
λ2 △y(2) = y(2) − y(1) = (4, 9, 7) − (4, 9, 3) = (0, 0, 4),

△y(2) = (0, 0, 4)
λ3 △y(3) = y(3) − y(2) = (0, 8, 7) − (4, 9, 7) = (−4, −1, 0),

△y(3) = (−8, −2, 0)
19 / 40
T ÉCNICA DE MEJORA : D IRECCI ÓN FACTIBLE
◮ Los movimientos de mejora en modelos con restricciones

deben mejorar la función objetivo y mantener
factibilidad
◮ Los algoritmos de mejora avanzan de una solución x(t) a
una nueva solución x(t+1) como sigue:
x(t+1) ← x(t) + λ△x

◮ dónde el vector λ△x define el cambio en dirección de
movimiento para x(t+1) y λ > 0 es la magnitud del
movimiento
◮ El vector △x es una dirección factible a la solución x(t) si
x(t+1) es factible para un valor de λ pequeño
20 / 40
D IRECCI ÓN FACTIBLE : I LUSTRACI ÓN (I)

◮ Recordemos el problema de la refinerı́a petrolera
x2
Minimizar 20x1 + 15x2 x1≥0 z=20x1+15x2

Sujeto a 0,3x1 + 0,4x2 ≥ 2,0
0,4x1 − 0,2x2 ≥ 1,5
0,2x1 + 0,3x2 ≥ 0,5 [0,6]
x2 ≤ 6
x1 ≤ 9
[0,5]
x2 ≤ 6
x1 , x2 ≥ 0 Región
Factible
0.4x
x1 ≤ 9
1
+0.
0.3
[0,5/3] 0.2 x1 +
2x2
x1 0.4
+0
≥ 1.
.3x x2
≥
2
5
2 ≥
0.5
x2≥0 x1
[2.5,0] [20/3,0] [9,0]
21 / 40
D IRECCI ÓN FACTIBLE : I LUSTRACI ÓN (II)
x1≥0
z=20x1+15x2 ◮ En la solución x(2) = (4, 4),
todas las direcciones son
factibles pues al realizar un
[0,6] (3)
x2 ≤ 6 movimiento pequeño,
x = (0.75,6) ninguna restricción es
[0,5]
(2)
x = (4,4)
violada
x* = (2,3.5) ◮ En cambio, para la solución
x(1) = (7, 0), la dirección
0.4x
x1 ≤ 9
Región
1
△x = (0, 1) es factible,
+0.
0.3 Factible
[0,5/3] 0.2 x1+
2x2
x1
+0 0.4 mientras que la dirección
≥ 1.
.3x x2
≥
2
△x = (0, −1) no lo es (aún
5
2 ≥
0.5 (1) con un λ muy pequeño)
x = (7,0) x2≥0
[2.5,0] [20/3,0] [9,0]
22 / 40
D IRECCI ÓN FACTIBLE : E JERCICIO GR ÁFICO
y2 ◮ La figura de la izquierda
muestra la región factible de un
programa de programación
matemática sobre las variables
de decisión y1 , y2
◮ Determine gráficamente si las
(1) siguientes direcciones son
factibles en el punto indicado
1. △y = (1, 0) en y(1)
2. △y = (1, 0) en y(2)
3. △y = (0, 1) en y(2)
(2) 4. △y = (0, 1000) en y(2)
y1
23 / 40
M AGNITUD : C ÓMO ESCOGERLA ?
◮ Ya sabemos cuándo una dirección es factible o de mejora

pero,
◮ cómo saber que magnitud se le asigna al movimiento
(salto) del vector (solución)?
Las técnicas de mejora aplican la magnitud de movimiento λ

máxima para la que la dirección de movimiento mantenga fac-
tibilidad y mejore la función objetivo
◮ Esto implica que, con la dirección de mejora escogida, el λ
se escoge con un valor hasta que la función objetivo deje
de mejorar ó una restricción sea violada
24 / 40
M AGNITUD : E JERCICIO
◮ Supongamos que tenemos el siguiente LP:
Minimizar 10x1 + 3x2

Sujeto a x1 + x2 ≤ 9
x1 , x2 ≥ 0
◮ Para el punto solución x = (4, 5), determine el máximo tamaño para mejorar en
dirección △x = (−3, −8)
◮ La dirección △x reduce el valor de la función objetivo a cada paso, o sea que
para cualquier λ > 0 mejora el valor de la función objetivo
◮ Ahora miremos por factibilidad, miremos restricción por restricción:
◮ Para la primera restricción:
(x1 + λ△x1 ) + (x2 + λ△x2 ) = (4 − 3λ) + (5 − 8λ) ≤ 9
Cualquier paso λ > 0 cumple la restricción, miremos ahora las restricciones de no negatividad
x1 , x2 ≥ 0
La nueva solución:

′ 4 −3 4 − 3λ
x = x + λ△x = +λ =
5 −8 5 − 8λ
◮ El primer componente de la solución se hace negativo con cualquier λ > 4 , y, de igual manera, el
3
segundo componente se hace negativo con cualquier λ > 85
◮ Por esta razon, el máximo tamaño que mantiene mejora y factibilidad es λ = 5
8 25 / 40
A LGORITMO DE MEJORA : P LANTILLA B ÁSICA
Inicialización → Escoja cualquier solución básica inicial

x(0) , y asigne t ← 0
Paso 1 → Si no existe una dirección de mejora △x factible a
la solución x(t) actual, pare: Su solución es un óptimo local
Paso 2 → Encuentre una dirección de mejora factible a la
solución x(t) como △x(t+1)
Paso 3 → Si existe un lı́mite en el cuál la dirección △x(t+1)
deja de mejorar y mantener factibilidad, escoja la magnitud
de movimiento λt+1 más larga posible antes de superar el
lı́mite. Si no existe el lı́mite, pare, el problema es no acotado
Paso 4 → Actualice la solución x(t+1) = x(t) + λt+1 △x(t+1) ,
incremente t ← t + 1 y regrese al Paso 1
26 / 40
A LGORITMO DE MEJORA : CONCLUSIONES
◮ No hay una solución del modelo de optimización que sea

un óptimo local, en la cual una dirección factible de mejora
esté disponible
◮ Cuando el algoritmo de búsqueda contı́nua termina a una
solución que no admite una dirección factible de mejora,
entonces ese punto es un óptimo local
◮ Si el algoritmmo de mejora descubre una dirección de
mejora par aun modelo que puede ser perseguida
indefinidamente sin cesar de mejorar o perder factibilidad,
el modelo no es acotado
27 / 40
C ONDICIONES ALGEBRA ÍCAS : GRADIENTES
El gradiente de una función f (x) = f (x1 , . . . , xn ) se deno-

ta ▽f (x) y es el vector de las derivadas parciales ▽f (x) =
∂f ∂f
( ∂x1 , . . . , ∂xn ) evaluado en x
◮ Los gradientes gráficamente muestran la dirección más

rápida en que el valor de la función objetivo se incrementa
28 / 40
D IRECCI ÓN DE MEJORA (I)
◮ Suponiendo que la función objetivo f ha llegado a la

solución actual x. El cambio asociado con una magnitud de
cambio λ en dirección △x puede ser aproximado, en el
punto x, como:
P ∂f
Cambio en el objetivo ≈ j ∂xj (λ△xj ) = λ(▽f (x).△x)
◮ Cuando el producto punto ▽f .△x 6= 0, se pueden obtener
varias conclusiones de la dirección de mejora
29 / 40
D IRECCI ÓN DE MEJORA (II)
◮ Para una función objetivo f de maximización, la dirección

△x es de mejora en el punto x si ▽f (x).△x > 0
◮ Si por otro lado ▽f (x).△x < 0, la dirección △x no mejora
en el punto x
◮ Para una función objetivo f de minimización, la dirección
△x es de mejora en el punto x si ▽f (x).△x < 0
◮ Si por otro lado ▽f (x).△x > 0, la dirección △x no mejora
en el punto x
30 / 40
D IRECCI ÓN DE MEJORA : E JEMPLO

◮ △y = (3, −6) para minimizar f (y) = 9y1 + 40y2 en
y = (13, 2)
El gradiente de la función es:
∂f
!
∂y1 9
▽f (y) = ∂f =
40
∂y2
Entonces

9
▽f (y).△y = .(3, −6) = −213 < 0
40
Por lo tanto esta dirección es de mejora para minimizar el
objetivo
◮ Cómo serı́a ▽w = (1, 0, 2) para la función de minimización
f (w) = w21 + 5w2 w3 en w = (2, 1, 0)?
31 / 40
G RADIENTES COMO DIRECCIONES DE MOVIMENTO
◮ Como la multiplicación de un gradiente diferente de cero

por si mismo es:
P ∂f
▽f (x).▽f (x) = j ( ∂xj )2 > 0
◮ Simplemente se necesitarı́a entonces escoger △x = ±▽f (x)
Cuando el gradiente de la función objetivo ▽f (x) 6= 0, entonces

△x = ▽f (x) es una dirección de mejora para una función objetivo
f de maximización, y △x = −▽f (x) es una dirección de mejora
para una función objetivo f de minimización
32 / 40
G RADIENTES COMO DIRECCIONES DE MOVIMENTO :

E JERCICIO
◮ Use el gradiente de la siguiente función objetivo para construir

una dirección de mejora:
Minimizar f (x) = x21 ln x2 en x = (5, 2)

Computando el gradiente, el resultado es:
! !
∂f
2x1 ln x2

∂x1 6,93
▽f (x) = ∂f = 2
x1 =
x
12,5
∂x2 2
Entonces tomamos el gradiente negativo como dirección de

mejora:

−6,93
△x = −▽f (x) =
−12,5
33 / 40
R ESTRICCI ÓN ACTIVA

◮ El hecho de que una dirección sea factible en una solución x depende de si
moverse en esa dirección lleve a la violación de cualquier restricción activa en x
◮ Una restricción activa, en un punto, es aquella que se cumple como igualdad en
ese punto
x1≥0
Minimizar 20x1 + 15x2 z=20x1+15x2
Sujeto a 0,3x1 + 0,4x2 ≥ 2,0
0,4x1 − 0,2x2 ≥ 1,5
0,2x1 + 0,3x2 ≥ 0,5 x2 ≤ 6
[0,6] (3)
x1 ≤ 9 x = (0.75,6)
x2 ≤ 6 [0,5]
(2)
x1 , x2 ≥ 0 x = (4,4)
x* = (2,3.5)
0.4x
x1 ≤ 9
Región
1
+0.
◮ Restricción 0.3 Factible
[0,5/3] 0.2 x1+
2x
0,4x1 + 0,2x2 ≥ 1,5 x1 0.4

2
+0
≥ 1.
◮ Punto (4, 4) no activa .3x x2

≥
2
5
2 ≥
◮ Punto (2, 3,5) activa 0.5 (1)
x = (7,0) x2≥0
◮ Punto (9, 6) no activa
[2.5,0] [20/3,0] [9,0]
34 / 40
R ESTRICCIONES LINEALES
Una restricción es lineal cuándo es una igualdad o desigualdad

que restringe una suma con pesos de las variables de decisión por
una constante al lado derecho de la restricción
◮ Restricciones de mayor o igual

aT · x = nj=1 aj xj ≥ b
P
◮ Restricciones de menor o igual

aT · x = nj=1 aj xj ≤ b
P
◮ Restricciones de igualdad
Pn
aT · x = j=1 aj xj =b
35 / 40
C ONDICIONES DE FACTIBILIDAD (I)
◮ Miremos la restricción 0,4x1 + 0,2x2 ≥ 1,5

◮ En el punto x(3) = (0,75, 6) la restricción es activa pues
0,4(0,75) + 0,2(6) = 1,5
◮ Un paso en la dirección △x = (△x1 , △x2 ) cambiarı́a ası́:
0,4(0,75 + λ△x1 ) + 0,2(6 + λ△x2 ) = 1,5 + λ(0,4△x1 + 0,2△x2 )
◮ El lı́mite de factibilidad es entonces
1,5 + λ(0,4△x1 + 0,2△x2 ) ≥ 1,5
◮ Por lo que
Pn
j=1 aj △xj = 0,4△x1 + 0,2△x2 ≥ 0
36 / 40
C ONDICIONES DE FACTIBILIDAD (II)
◮ De manera general, para una restricción activa en el punto

x de mayor o igual
La restricción activa nj=1 aj xj ≥ b
P
◮
aT · (x + △x) ≥ b
aT
· x + aT · △x ≥ b
T
pero a · x = b pues la restricción es activa
b + aTP· △x ≥ b
a · △x = nj=1 aj △xj ≥ 0
T
37 / 40
C ONDICIONES DE FACTIBILIDAD (III)
◮ Lo anterior nos permite deducir que:

◮ La dirección △x = (△x1 , . . . , △xn ) es factible para un
modelo de optimización lineal en el punto solución
x = (x1 , . . . , xn ) si y sólo si
P
◮ aT · △x = ni=1 aj △xj ≥ 0 P
para toda restricción activa de mayor o igual ( j aj xj ≥ b)
P
◮ aT · △x = ni=1 aj △xj ≤ 0 P
para toda restricción activa de menor o igual ( j aj xj ≤ b), y
T
Pn
◮ a · △x = i=1 aj △xj = 0 P
para toda restricción activa de igualdad ( j aj xj = b)
38 / 40
C ONDICIONES DE FACTIBILIDAD : E JERCICIO

◮ Considere un modelo de optimización con las siguientes restricciones
lineales:
3x1 + x3 ≥ 26 → Restricción 1
5x1 − 2x3 ≤ 50 → Restricción 2
2x1 + x2 + x3 = 20 → Restricción 3
x1 , x2 , x3 ≥ 0 → Restricción 4, 5, 6
◮ Determine si la dirección △w = (0, −1, 1) es factible en el punto
w = (6, 0, 8)
En w = (6, 0, 8) las restricciones activas son la 1, 3 y 5. Por lo que las

condiciones de factibilidad para una dirección son:
3△x1 + △x3 ≥ 0
2△x1 + +△x2 + △x3 = 0
△x2 ≥ 0
La dirección △w = (0, −1, 1) no es entonces factible pues viola la última

condición
39 / 40
L ECTURA RECOMENDADA
◮ Rardin, Ronald L. Optimization in operations research. Vol.

166. Upper Saddle River: Prentice Hall, 1998. Capı́tulo 3
40 / 40

Clase3 ToPrint

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

Clase3 ToPrint

Cargado por

Copyright:

Formatos disponibles

Programación Entera Buscando el óptimo Técnica de mejora y direcciones factibles Condiciones algebraı́cas

Juan Felipe Botero

Técnica de mejora y direcciones factibles

Q U É ES UN PROGRAMA ENTERO ? (I)

Supongamos que se tiene el siguiente LP:

dónde A ∈ Rm×n , c ∈ Rn , b ∈ Rm , y x es un vector

Q U É ES UN PROGRAMA ENTERO ? (II)

dónde A ∈ Rm×n , G ∈ Rm×p , c ∈ Rn , h ∈ Rp , x ∈ Rn y

Q U É ES UN PROGRAMA ENTERO ? (III)

R EGI ÓN FACTIBLE

max 1,00x1 + 0,64x2

E JEMPLO : C ENTROS DE D ISTRIBUCI ÓN (I)

◮ Una compañı́a tiene m sitios de distribución potenciales i ∈ {1, . . . , m}

E JEMPLO : C ENTROS DE D ISTRIBUCI ÓN (II)

xij ≤ yi ∀i ∈ {1, . . . , m}, ∀j ∈ {1, . . . , n}

E L PROBLEMA 0-1 K NAPSACK (I)

si i ha sido elegido en el subconjunto o no

A LGORITMO DE MEJORA : C ONCEPTOS B ÁSICOS (I)

◮ Una solución de un problema de optimización es una

A LGORITMO DE MEJORA : C ONCEPTOS B ÁSICOS (II)

◮ Los métodos de búsqueda del óptimo por medio de mejora

V ECTORES : R EFRESCANDO LA MEMORIA (I)

◮ Hay dos formas para conceptualizar a un vector

V ECTORES : R EFRESCANDO LA MEMORIA (II)

A LGORITMOS DE MEJORA : D EFINICI ÓN

Los algoritmos de mejora, son algoritmos que comienzan

A LGORITMOS DE MEJORA : V ECINDARIO

El vecindario de una solución x(t) es el subconjunto de solucio-

A LGORITMOS DE MEJORA : Ó PTIMO LOCAL

◮ Normalmente los algoritmos de mejora encuentran óptimos locales

A LGORITMOS DE MEJORA : Ó PTIMO GLOBAL

Óptimo local y global

◮ Los óptimos globales siempre son óptimos locales,

T ÉCNICA DE MEJORA : D IRECCI ÓN DE MEJORA

x(t+1) ← x(t) + λ△x

D IRECCI ÓN DE MEJORA : I LUSTRACI ÓN NUM ÉRICA

◮ Dadas las primeras cuatro soluciones visitadas por un

λ1 △y(1) = y(1) − y(0) = (4, 9, 3) − (5, 11, 0) = (−1, −2, 3),

λ2 △y(2) = y(2) − y(1) = (4, 9, 7) − (4, 9, 3) = (0, 0, 4),

λ3 △y(3) = y(3) − y(2) = (0, 8, 7) − (4, 9, 7) = (−4, −1, 0),

T ÉCNICA DE MEJORA : D IRECCI ÓN FACTIBLE

◮ Los movimientos de mejora en modelos con restricciones

x(t+1) ← x(t) + λ△x

D IRECCI ÓN FACTIBLE : I LUSTRACI ÓN (I)

Minimizar 20x1 + 15x2 x1≥0 z=20x1+15x2

D IRECCI ÓN FACTIBLE : I LUSTRACI ÓN (II)

D IRECCI ÓN FACTIBLE : E JERCICIO GR ÁFICO

M AGNITUD : C ÓMO ESCOGERLA ?

◮ Ya sabemos cuándo una dirección es factible o de mejora

Las técnicas de mejora aplican la magnitud de movimiento λ

Minimizar 10x1 + 3x2

(x1 + λ△x1 ) + (x2 + λ△x2 ) = (4 − 3λ) + (5 − 8λ) ≤ 9

A LGORITMO DE MEJORA : P LANTILLA B ÁSICA

Inicialización → Escoja cualquier solución básica inicial

A LGORITMO DE MEJORA : CONCLUSIONES

◮ No hay una solución del modelo de optimización que sea

C ONDICIONES ALGEBRA ÍCAS : GRADIENTES

El gradiente de una función f (x) = f (x1 , . . . , xn ) se deno-

◮ Los gradientes gráficamente muestran la dirección más

D IRECCI ÓN DE MEJORA (I)

◮ Suponiendo que la función objetivo f ha llegado a la

D IRECCI ÓN DE MEJORA (II)

◮ Para una función objetivo f de maximización, la dirección