OPTIMIZACIÓN 1

PROFESOR: Cristhian Montoya

Lista de proyectos

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.

1 Proyecto: Producción automotriz

Carros de Antioquia (CA) produce 4 tipos de vehı́culos: semicompactos, compactos, estandard y luxury. CA también produce
camiones y furgonetas. La capacidad del vendedor limita la capacidad de production total a 1.2 millones de vehiculos por
año. Semicompactos y compactos son construidos de forma conjunta en una misma instalacón (fábrica) con una capacidad
anual de 620,000 automoviles. Autos de las categories estandard y luxury se producen en otra fábrica con capacidad de
400,000 automoviles por año. Los camiones y furgonetas se ubican en una fábrica con capacidad de 275,000 vehiculos. La
estrategia de marketing de CA requiere que los semicompactos y compactos constituyan al menos la mitad de los productos
de los cuatro tipos de vehı́culos. Los márgenes de beneficio, el potencial de mercado y la eficiencia del combustible se resumen
en la siguiente tabla.

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.

2 Proyecto: Café y ventas

Compañia Café Colombia (CCC) mezcla granos de cuatro categorı́as en tres procesadoras de café. Uno se vende a hoteles de
lujo, otro a restaurantes y el tercero a supermercados para marcas comerciales. La empresa cuenta con cuatro proveedores
confiables de granos, a saber: Colombiano Supremo, Peruano Calmado, Brasileño Máximo y Chileno Piola. La siguiente tabla
resume la distribución precisa para las mezclas finales de café y el precio al por mayor por libra de las mezclas resultantes.
Los porcentajes indican la fracción de cada componente que se utilizará en cada mezcla.
 disponibilidad
Componente Hotel Restaurante Supermercado costo/lbs ($) semanal (lbs)
Supremo 20% 35% 10% 0.60 40,000
Calmado 40% 15% 35% 0.80 25,000
Máximo 15% 20% 40% 0.55 20,000
Piola 25% 30% 15% 0.70 45,000
Precio al
por mayor/lb ($) 2.25 2.50 2.40

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.

3 Proyecto: Compra de componentes

Latinoamerican Electronics Corporation (LEC) es un fabricante lı́der de sistemas computacionales en red y componentes
asociadas. La lı́nea de productos consta de dos familias: la familia de sobremesa (DK) y la familia de portátiles (LP).
Dentro de cada familia hay diferentes modelos a la venta como se muestra en la siguiente tabla de datos de marketing. En
la tabla encontramos estimaciones de marketing del potencial máximo de demanda en el próximo trimestre para los modelos
individuales ası́ como para los familiares. Además, se da información sobre los niveles mı́nimos de demanda, lo que representa
los contratos de venta ya firmado con los principales distribuidores. El modelo DK-1 también puede actuar como servidor en
una red de área local (RAL).
Modelo Demanda mı́nima Demanda máxima Precio de venta ($)
DK-1 − 1800 3500
DK-2 600 − 2000
DK-3 − 300 1500
DK familiar − 3600 −
LP-1 500 − 1500
LP-2 400 − 800
LP familiar − 2500 −
AEC es una empresa integrada verticalmente que fabrica muchos de sus propios componentes clave. Recientemente, la sede
de AEC ha aprendido de su división de semiconductores que el suministro de sus nuevos chips de CPU es limitado en el
futuro previsible. Además, la división de memoria tiene capacidad para producir un número limitado de unidades de disco, y
hay lı́mites en el número de chips de memoria que su proveedor pondrá a su disposición para su compra. Esta información,
en forma de cantidades de suministro trimestrales, junto con información de uso sobre la composición de varios productos, se
resume en la siguiente tabla.

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.

4 Proyecto: Red de comunicación

La era de la información y sus aplicaciones han cobrado una importancia especial, por ejemplo, en una red de telecomuni-
caciones sólo es necesario insertar suficientes ligaduras para que proporcionen una trayectoria entre cada par de nodos, de
modo que el diseño de tales redes es una aplicación clásica del problema del árbol de expansión mı́nima. Debido a que en
la actualidad algunas redes de comunicación cuestan muchos millones de dólares, es muy importante optimizar su diseño al
encontrar el árbol de expansión mı́nima.
Seleccionar y programar un modelo de árbol de expansión minima lineal. Analizar los resultados.

5 Proyecto: Inteligencia artificial

Las redes neuronales constan de una o varias capas de neuronas conectadas mediante enlaces. Cada neurona calcula un valor
de salida a partir de una combinación lineal de los valores de entrada, procedentes de la capa previa, mediante una función
escalar de activación conocida. Sea la red neuronal monocapa de la figura siguiente, donde la función neuronal o función de
activación f se supone invertible.

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

cuyo óptimo se puede obtener empleando técnicas de programación lineal.

Seleccione una apropiada función de activación f y resuelva el problema anterior determinando los umbrales y pesos
asociados.
Sugerencia: Revisar las siguientes referencias como punto de partida:
Neural networks for pattern recognition. The Clarendon Press, Oxford University Press, New York, 1995. With a foreword
by Geoffrey Hinton.
Artificial neural networks (the multilayer perceptron)—a review of applications in the atmospheric sciences. Atmospheric
environment, 32(14-15):2627–2636, 1998.
6 Proyecto: De lo infinito a lo finito (discretización de problemas)
Existen problemas de optimización en dimension infinita, donde funciones reemplazan a los vectores en las funciones de coste,
los cuales a su vez se transforman en problema de dimension finita si se discretizan mediante cálculos aproximados de funciones
óptimas. La forma de discretización depende del tipo de problema que se estudia, por ejemplo, optimización en procesos
aerodinámicos, interacciones de fluidos con membranas elásticas modelando movimiento de arterias, modelos de circulación
oceanica, modelos de radiologı́a, procesos térmicos, etc, pueden tienen distinto análisis de discretización.
Se distinguen dos caterogias principales dentro de los problemas de optimización infinita: problemas de cálculo de varia-
ciones y problemas de control óptimo. A modo de ejemplo de cada categorı́a encontramos de forma respectiva, el problema
de la braquistocrona y la cuerda colgante, mientras que en la segunda categorı́a encontramos el control optimo para alcanzar
un blanco y el modelo de un oscilador armónico.
Sugerencia: Revisar las siguientes referencias como punto de partida:
Polak, E., Optimization: Algorithms and Consistent Approximations, Springer, New York, 1997.
Troutman, J. L., Variational Calculus and Optimal Control: Optimization with Elementary Convexity, 2nd ed., Springer,
New York, 1996.
Seleccione una categorı́a de las 2 mencionadas anteriormente y realice lo siguiente: seleccione un modelo de prueba sobre
el cual realizará un proceso de optimización. Realice una descripción teórica del caso continuo y su respectiva discretización
al caso finito. Una vez obtenido el problema finito dimensional, implemente el resultado de optimización usando el esquema y
software de su interés. Finalmente, comparar los resultados obtenidos con los tópicos vistos en la clase (por ejemplo, análisis
de sensibilidad, existencia o inexistencia de soluciones).