Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Proyectos Optimización
Proyectos Optimización
A continuación se mencionan los proyectos disponibles para este semestre. Los estudiantes deben seleccionar uno de ellos
de acuerdo a sus intereses. Los proyectos se pueden realizar en grupos de hasta dos integrantes. Recordar que no es posible
la participación de algún profesor del Departamento de Ciencias Matemáticas.
Los proyectos se componen de tres etapas:
a) Selección del modelo a trabajar e implementar un algoritmo de resolución. Lenguajes de programación tales como C,
C++, Matlab, Python pueden ser usados, bajo la restricción de que no se podrán utilizar librerı́as o funciones que
implementen la solución del problema de manera parcial o total. La implementación debe reflejar los métodos vistos en
el curso y no las herramientas de software implementadas por terceros. Por ejemplo, si se desea utilizar Matlab no se
podrán usar funciones tales como linprog, fminunc, fmincon, fsolve.
b) Escribir un reporte comentando la naturaleza de la solución. Este reporte debe estar acompañado de la solución del
problema de optimización lineal, análisis de sensibilidad. Adicionalmente, el reporte debe incluir comentarios sobre la
robustes de la solución y posibles extensiones del mismo. La entrega de este material corresponde a la semana 17.
c) Realizar dos presentaciones del proyecto, una parcial en la semana 10 para mostrar el avance del mismo. Una segunda
presentación a realizar la semana 17 que representará la justificación final y detallada del proyecto.
Margen de beneficio ($/ vehiculo ) potencial de mercado (venta en 1000s) Eficiencia de combustible (mpg)
Semicompactos 150 600 40
Compactos 225 400 34
Estandard 250 300 15
Luxury 500 225 12
Camion 400 325 20
Furgoneta 200 100 25
Los estándares Corporativos de Eficiencia Promedio de Combustible (CEPC) de la Ley de Polı́tica y Conservación En-
ergética requieren un combustible promedio de flota eficiencia de al menos 27 mathrm (mpg). A CA le gustarı́a maximizar
las ganancias bajo estas restricciones para comprender mejor el gobierno y las polı́ticas corporativas sobre sus planes de
producción.
La planta de procesamiento no puede manejar más de 100,000 libras por semana. No hay problemas para vender las mezclas
finales, aunque el departamento de marketing ha vendido contratos de entrega que requieren niveles mı́nimos de producción de
10,000, 25,000 y 30,000 libras, respectivamente, para Hotel, Restaurante y supermercado. CCC desea maximizar su beneficio
semanal.
limite de
Componente DK-1 DK-2 DK-3 LP-1 LP-2 suministro
Chip CPU 2 1 1 1 1 6,000
Drives de disco 2 2 1 2 1 9,000
Chips de memoria 4 2 2 2 1 12,000
Para ayudar a comprender el problema al que se enfrentan, los planificadores de AEC le han pedido que cree un modelo
de programación lineal para maximizar los ingresos (como sustituto de la participación de mercado) sujeto a los lı́mites de
demanda y suministros especificados anteriormente.
Un problema tı́pico en redes neuronales consiste en aprender los valores umbral y los pesos a partir de un conjunto de
datos de entrenamiento
D = {(x1s , x2s , . . . , xIs , ys ) : s = 1, 2, · · · , S}
que contienen un conjunto de entradas (x1s , x2s , . . . , xIs ) y la salidas correspondientes ys para una colección de S mediciones.
El conjunto de ecuaciones que expresan las salidas como una función de las entradas es
I
X
ys = f w0 + wi xis + δs , s = 1, · · · , S
i=1
donde w0 y wi , i = 1, ·, I son el valor umbral y los pesos de las neuronas, respectivamente, y δs mide el error asociado a la
salida ys , f es una apropiada funcón (invertible).
El aprendizaje de los umbrales y pesos puede modelarse mediante el siguiente modelo: minimizar ε sujeto a
I
X
w0 + wi xis − ε ≤ f −1 (ys ), s = 1 . . . , S,
i=1
I
X
−w0 − wi xis − ε ≤ −f −1 (ys ), s = 1 . . . , S,
i=1