Introducción Optimización

Optimización
Docente: Frank Alexander Ballesteros Riveros, Ph.D.

Programa: Ingeniería Industrial
Semestre: 2023-1S
Los problemas de optimización se
plantean muy a menudo en la
industria, y la capacidad de resolverlos
es una ventaja competitiva. Sin
embargo, el modelado de problemas
de Optimización requiere herramientas
especiales y habilidades. Un problema
que no se entiende o se modela
incorrectamente puede conducir a la
solución equivocada o puede ser muy
difícil de resolver.
Geometría
convexa
Algebra
lineal
Método Flujo en
simplex redes
Análisis de
sensibilidad
Problemas de
transporte y Teoría de la
asignación Dualidad
Programación
Lineal
Entera
Objetivos
• Introducir al estudiante en el ambiente de la Investigación de Operaciones
entendida ésta como un medio fundamental que soporta una toma acertada de
decisiones
• Proporcionar las herramientas y conocimientos necesarios para modelar problemas
de optimización prácticos y obtener una solución.
• Propender por el trabajo en equipo y la apropiación de la modelación mediante el
uso de talleres de aplicación y estudios de casos
• Entender y aplicar el algoritmo Simplex para programación lineal y otros algoritmos
para enfrentar y resolver problemas no lineales, enteros, y en estructuras de redes
• Conocer y aplicar herramientas computacionales (softwares) para resolver modelos
de optimización.
• Capacitar al estudiante en la utilización de diferentes técnicas, algorítmicas y
modelos como herramientas para resolver problemas de programación lineal,
entera, no lineal, redes, dinámica y de proyectos.
Literatura recomendada
Dantzig
Prawda
Bazaraa Hillier & Lieberman Ahuja

Software especializado
Evaluación
Concepto Fecha Porcentaje
Parcial 1 9 de marzo de 2023 25%
Parcial 2 11 de mayo de 2023 25%
Tareas Según asignaciones en clases. 30%
Proyecto final 23 y 25 de mayo de 2023 20%
Clases: Martes y jueves 18-20

Salón 454-401 (PC)
Atención a estudiantes: Puedo atenderlos una hora antes de nuestras clases.

Por favor siempre pedir cita en el correo faballesterosr@unal.edu.co
Proyecto final del curso
Objetivo
• Seleccionar y aplicar de forma práctica algún modelo de optimización
visto en clase o incluido en la bibliografía recomendada para resolver un
problema real.
• Realizar una correcta aplicación de un modelo o herramienta para
resolver un problema interesante real o planteado que se relacione con
los temas vistos en la clase.
• La aplicación del modelo incluye el desarrollo de mediciones, recolección
de datos, aplicación de modelos, desarrollo de alternativas de solución
con su respectiva evaluación. También es válido el uso de ayudas
visuales como modelos o simulaciones por computador, planos o
modelos, videos, imágenes, etc, aunque el enfoque debe centrarse
claramente en el uso de herramientas vistas en clase.
• Presentar un artículo final con la solución propuesta.
Selección del tema
Clase del 14 de marzo.
Exposición de 5 minutos:
Presentación del grupo de trabajo (2 ó 3 personas).
Problema a resolver:
• Contexto
• Presentación del posible problema a tratar
• Ideas o alternativas de modelos y/o de herramientas que se
aplicarán para solucionarlo.
La primera presentación es requisito indispensable para todos los
grupos.
Presentación final
Sesiones del 23 y 25 de mayo (todos los grupos deben estar completos para escuchar
las demás presentaciones).
Exposición de 20 minutos:
1. Objetivos
2. Síntesis de la primera presentación, teniendo en cuenta las observaciones o
correcciones realizadas.
3. Explicación del problema planteado y de su impacto.
4. Formulación del modelo relacionado con el problema planteado.
5. Aplicación de una herramienta, modelo o método visto en clase. Variables
seleccionadas, restricciones o limitantes del modelo.
6. Presentación de los resultados obtenidos.
7. Conclusiones de trabajo realizado: experiencia del grupo, recomendaciones.
Se debe entregar un artículo (máximo 8 páginas) en donde se presente formalmente

el proyecto y la solución.
Historia de la Optimización
1760’s 1820´s 1920´s 1930´s
J.L. Lagrange C.F. Gauss J. Von-Neuman W. Leontief T. Koopmans & L.V. Kantorovich
Cálculo de variaciones. Eliminación de Gauss- Teoría de juegos. Teorías Método de insumo- Problema de Asignación Cuadrática.
Restricciones de igualdad. Jordan para solución de de equilibrio general y producto. Utilización óptima de los recursos.
Multiplicadores Lagrange sistemas de ecuaciones crecimiento económico
para optimización. lineales. estable.
Teoría de la dualidad.
1940’s
Desarrollo del computador digital
Segunda Guerra
Mundial
Orchard-Hays Ford & T. Complejidad
Fulkerson
1947 1950´s 1960´s 1970´s 1980´s
G. Dantzig A. Charnes W. Cooper R. Gomory H.W. Kuhn Dantzig, Wolfe, L. Khachian N. Karmarkar
y Benders
Método del Algoritmos de punto
Desarrolló el Aplicaciones comerciales de Programación Algoritmo húngaro. Programación a
elipsoide interior
método Simplex programación lineal (PL). Entera mixta Condiciones KKT. gran escala
para programas Herramientas basadas en PL
lineales. (DEA)
Proceso de toma de decisiones
Fuente: Medaglia & Sefair (2009)

Sistema a modelar
Límites del sistema
Parámetros Solución
Modelo
Fuente: Rardin (2000)

RECORDANDO ALGUNOS CONCEPTOS
Periódico “El
Neogranadino”
Comunicados internos Emisora
(I) “UMNG radio”
Boletines de Programas
prensa y “A mover
virtuales el camello” y
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
Periódico “El
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
Periódico “El
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
Periódico “El
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
Periódico “El
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
SEGMENTO DE LINEA EN R n
Sean x1 ≠ x2 dos puntos en Rn. Considérese todos

los puntos de la forma
donde t es algún número real entre 0 y 1, i.e, 0 ≤ t ≤

1.
Nótese que esta ecuación describe simplemente la

“línea” en Rn que contiene todos los puntos entre x1
y x2.
• De hecho, cuando t =0, y = x2 y cuando t = 1, y = x1.
• O sea, esto no es otra cosa que la parametrización de la línea en Rn
donde el parámetro es t. Además debe quedar claro que x1 y x2 son
esencialmente vectores con n coordenadas.
CONJUNTO CONVEXO EN Rn
Se dice que C es un conjunto convexo si para cualesquiera dos

elementos que pertenezcan a C, la línea que los une es también un
subconjunto de C. O sea, C es convexo si para todo x1, x2 en C y
para cualquier número real t, 0 ≤ t ≤ 1, se satisface que
• En el plano, R2, es claro que un conjunto convexo coincide con lo
que llamamos un polígono convexo. De hecho, la noción en sí
misma es una extensión a Rn del concepto euclidiano.
• Es por lo tanto útil pensar en un conjunto convexo como uno que
no tiene indentaciones.
convexo convexo
• No es convexo • No es convexo
Nótese que en el último hexágono, la frontera no pertenece
enteramente a este, i.e., existen puntos x1 y x2 en la frontera tales
que la línea que los une no pertenece enteramente al conjunto.
FUNCIONES CONVEXAS
Sea f : Rn → R. Decimos que f es convexa si dom f es un conjunto

convexo y si para toda x1, x2 que pertenecen al dominio de f y
para todo número real t entre 0 y 1, se satisface que
f (tx1 + (1 – t)x2) < t∙f (x1) + (1 – t)∙f (x2)
Nota: Una función f es cóncava si – f es convexa.

GEOMÉTRICAMENTE
• Geométricamente esto significa que el segmento que une (x1, f
(x1)) y (x2, f (x2)), o sea, la cuerda que va de x1 a x2, se encuentra
sobre la gráfica de f.
(x2, f (x2))
(x1, f (x1))
• Ejemplos
Convexa Cóncava
• Ejemplos
Ni convexa ni cóncava
EJEMPLOS DE CONJUNTOS
CONVEXOS
• Hiperplano
S = {x : ptx = α}
donde p es un vector distinto de cero en Rn y α es un escalar.
• Semiespacio
S = {x : ptx ≤ α}
donde p es un vector distinto de cero en Rn y α es un escalar.
• Conjunto Poliedral
S = {x : Ax ≤ b}
donde A es una matrix m × n y b es un vector con m
coordenadas.
• Cono Poliedral
S = {x : Ax ≤ 0}
donde A es una matrix m × n y 0 es el vector cero con m
coordenadas.
• “Vecindario”
S = {x : ||x-x0|| ≤ ε}
donde x0 es un vector fijo en Rn y ε > 0.
Ejemplos de Funciones Convexas
1. f(x) = 3x + 4
2. f (x) = |x|
3. f (x) = x2
4. f (x1, x2) = 2x12 + x22 – 2x1x2
En todos estos casos, es de notar que – f es

necesariamente cóncava.
Nonlinear Programming:
Theory and Algorithms-
Bazaraa and Shetty (1979)
Envolvente convexa
• Se dice que co(A) es la envolvente convexa de A al conjunto convexo
más pequeño que contiene a A. Esto quiere decir que si C es un
conjunto convexo que contiene a A, entonces co(A) está contenido en
C.
A co(A)
B co(B)
Puntos y direcciones extremos
• Se dice que x es un punto extremo de C si no es posible expresar a x
como una combinación convexa estricta de dos puntos distintos de C.
Punto extremo
Punto interior
FUNCIONES LINEALES
• Para profundizar sobre uno de estos ejemplos,
considérese el primero, es decir
f (x) = 3x + 4
• En general, cualquier función lineal
f : Rn → R definida por f(x) = mx + b
es una función convexa.

• i) Su dominio es el conjunto de los números
reales R, el cual es convexo.
• ii) Sea 0 ≤ t ≤ 1, . Entonces veamos que

la desigualdad requerida se satisface.
La desigualdad que se quiere demostrar es
Al expandir el lado izquierdo se tiene

• y al expandir el derecho
• Por lo tanto, en este caso se satisface la igualdad. En la gran
mayoría de los casos esto no será así. Por lo general, ver que una
función es convexa (o sea, que satisface dicha desigualdad) no es
tan sencillo, razón por la cual se ha desarrollado toda una teoría al
respecto, la cual no intentaremos seguir en esta presentación.
Ahora se ofrecerán una serie de resultados sin demostración, pero
que proporcionarán una idea más clara respecto al nivel
geométrico del concepto, a la vez que aportan alguna luz sobre su
relación con máximos y mínimos y por lo tanto con temas ya
aprendidos en un curso de Cálculo. Para este propósito nos
ceñimos nuevamente a funciones sobre R.
TEOREMAS
An Introduction to Analysis
Wade (1995)
• Teorema
Sea I un intervalo en R, y f : I → R. Entonces f es convexa sobre I si
y solo si dado un intervalo [c, d] contenido en I , la cuerda que pasa
a través de los puntos (c, f (c)), (d, f (d)) se halla en o sobre la
gráfica de y = f(x) para toda x que pertenece a [c,d].
45
40
35
y = f(x)
30
25
20
15
y0
10
f(x0)
5
0
0 2 c
4 6 x0 8 d
10 12 14
• Este resultado solo formaliza lo dicho anteriormente. Notar que
en el caso estudiado antes, el de una función lineal, la cuerda se
halla en la gráfica y no sobre ella.
• Teorema
Una función f es convexa sobre un intervalo abierto (a, b) si y solo
si la pendiente de la cuerda es siempre creciente, i.e.,
si a < c < x < d < b implica que

• Teorema
Si f es diferenciable sobre (a, b), entonces f es convexa sobre (a, b)
si y solo si f’ es creciente en (a, b).
Este último resultado combinado con un poco de cálculo (que no se menciona

en honor a la brevedad; ver el Teorema 2.19 en An Introduction to Analysis -
Wade (1995)) nos permite ver que el concepto de convexidad es lo que en un
cursos de cálculo se conoce como cóncavo hacia arriba y el de concavidad lo
que se conoce como cóncavo hacia abajo.
• Teorema
i) Si f es convexa sobre un intervalo abierto (a, b), entonces f no
tiene máximos locales.
ii) Si f es convexa en [0, ∞) y tiene un mínimo local, entonces f
(x) → ∞ a medida que x → ∞.
De esta forma podemos comprender que las funciones convexas
pueden (y de hecho) juegan un papel determinante en la
optimización (y minimización) de funciones objetivos.
Volvamos a considerar el caso más general en nuestro desarrollo,
esto es, cuando las funciones están definidas sobre Rn.
En general un problema de optimización se puede resumir como

sigue:
Minimice f0(x) (esta es la función objetivo)

Sujeto a fi(x) ≤ 0 (funciones restricción)
• Se asume que f0 : Rn → R
• fi : Rn → R, i = 1, 2, 3, …, m
• x es algún vector en Rn, o sea, x = (x1, …, xn).
• A x se llama la variable de optimización.
• Al conjunto de puntos que satisface las restricciones se le conoce
como Conjunto Restricción. Todo punto que pertenece al
conjunto restricción se llama una solución factible (“feasible
solution”).
• El problema consiste en hallar el punto o puntos (las soluciones
óptimas x*) en el conjunto restricción en los cuales la solución
objetivo alcanza un mínimo (o máximo según se desee).
Convex Optimization with Engineering Applications

Johansson y Forsgren
Aplicaciones de Algebra Lineal-Grossman

EJEMPLOS
Optimización de Portafolio
• Variables: cantidades invertidas en diferentes activos.

• Las restricciones: presupuesto, ingreso máximo (mínimo) por
activo, retorno mínimo.
• Objetivo: Riesgo Total
Diseño de partes en circuitos electrónicos
• Variables: largo y ancho de las partes

• Las restricciones: límites de manufacturas, requerimientos de
tiempo
• Objetivo: Consumo de poder (energía)
RELACIÓN CON LA PROGRAMACIÓN
LINEAL
• Cuando la función objetivo y las funciones restricción son todas ellas
funciones afines, el problema se conoce como uno de programación
lineal.
Tiene la forma
Minimice cT x + d
Sujeto a Gx < h
Ax = b
donde G es una matriz m × n y A una matriz p × n.

RELACIÓN CON LA PROGRAMACIÓN
CUADRÁTICA
Cuando la función objetivo es convexa y cuadrática y las funciones restricción
son afines, entonces el problema se conoce como uno de Programación
Cuadrática.
Tiene la forma
Minimice (1/2)xTPx + qT x + r
Sujeto a Gx < h
Ax = b
donde G es una matriz m × n y A una matriz p × n y P es una matriz simétrica n ×

n.
SOFTWARE MOSEK
• MOSEK puede resolver

• Problemas Lineales.
• Problemas Cónico Cuadraticos.
• Problemas Convexos Cuadraticos.
• Problemas Convexos generales
• Lo pueden usar las universidades y los profesores sin cargo.
• Este paquete se puede usar en combinación con MATLAB y JAVA.
• Si se entra en http://www.mosek.com/index se
puede incluso acceder a un reporte de un trabajo en
Finanzas que se preparó para demostrar la utilidad
del paquete. Es una especie de tutorial que incluso
repasa la programación cónica que es un área de la
optimización convexa que tiene fuertes similitudes
con programación lineal.
UNA APLICACIÓN INTERESANTE
• Hay m lámparas (pequeñas) iluminando n parchos. La intensidad

de Ik sobre el parcho k depende linealmente en la potencia pj de las
lámparas.
Ik = ∑akjpj donde j va de 1 a m y
akj = rkj-2max{cos θkj, 0}.
El problema es alcanzar la iluminación deseada con potencias

acotadas para las lámparas.
Periódico “El
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
Periódico “El
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
Periódico “El
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
Periódico “El
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
Periódico “El
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
Periódico “El
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
Periódico “El
Neogranadino”
Emisora
“UMNG radio”
Boletines de
prensa y
virtuales
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
PROBLEMAS DE PROGRAMACIÓN LINEAL
Periódico “El
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
Periódico “El
COMPONENTES EXPRESADOS DE FORMA ALGEBRAICA
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
COMPONENTES EXPRESADOS
Periódico “ElDE FORMA ALGEBRAICA
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
Periódico “El
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
Periódico “El
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
Periódico “El
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
Usted debe programar las horas del personal de su centro de servicios de despacho. Asuma que abre a las 8:00
a.m. y cierra a la media noche. Se ha estudiado el uso de su centro de operaciones y se determinaron los
siguientes números de funcionarios necesarios así:
Puede contratar dos tipos de funcionarios: de tiempo completo y de tiempo parcial. Los primeros trabajan 8
horas consecutivas en cualquiera de los siguientes turnos: matutino (8:00 a.m. – 4:00 p.m), vespertino (12:00
del día a las 8:00 p.m.) y nocturno (4:00 p.m. a las 12:00 de la noche). Estos funcionarios ganan $14 mil pesos
por hora.
Los funcionarios de tiempo parcial pueden trabajar cualquiera de los cuatro turnos enumerados en la tabla y
ganan $12 mil por hora. Un requisito adicional es que durante todos los periodos deben haber al menos dos
asesores de tiempo completo por cada asesor de tiempo parcial.
HORA Número mínimo de asesores requeridos
8.00 a.m. – 12:00 m. 4
12:00 m. – 4:00 p.m. 8
4:00 p.m. – 8:00 p.m. 10
8:00 p.m. – 12:00 noche 6
Determine cuántos asesores de tiempo completo y cuántos de tiempo parcial debe haber en cada turno para
cumplir con los requisitos al mínimo costo. Formule este problema.
Variables:
Xi =Cantidad de asesores de tiempo completo comenzando turno en el horario i.
Yi =Cantidad de asesores de tiempo parcial de turno en el horario i.
Horarios
8:00 a.m. i=1
12:00 m. 4:00 p.m. 8:00 p.m. 12:00 p.m.
i=2 i=3 i=4
x1
Asesores
x2
tiempo
x3 completo
y1
y2 Asesores
y3 tiempo
y4 parcial
4 8 10 6 Requerimiento
Cantidad
x1+y1 ≥ 4 x1+x2+y2 ≥ 8 x2+x3+y3 ≥ 10 x3+y4 ≥ 6 mínima turno
x1 ≥ 2 y1 x1+x2 ≥ 2 y2 x2+x3 ≥ 2 y3 x3 ≥ 2 y4 Balance
asesores
Costo por turno de los asesores:
• Costo turno asesores tiempo completo: $14.000 x 8 horas = $112.000
• Costo turno asesores tiempo parcial: $12.000 x 4 horas = $48.000
Función objetivo
F.O. Min Z = σ3𝑖=1 112.000 xi + σ4𝑖=1 48.000 yi
Sujeto a
R1: x1+y1 ≥ 4 x1 ≥ 0
R2: x1+x2+y2 ≥ 8 x2 ≥ 0
R3: x2+x3+y3 ≥ 10 x3 ≥ 0
y1 ≥ 0
R4: x3+y4 ≥ 6 y2 ≥ 0
R5: x1-2y1 ≥ 0 y3 ≥ 0
R6: x1+x2-2y2 ≥ 0 y4 ≥ 0
R7: x2+x3-2y3 ≥ 0
R8: x3-2y4 ≥ 0
Ejercicio de Formulación
Un taller fabrica dos modelos de productos: A y B que dejan unos beneficios de
40 y 20 dólares respectivamente.
Para cada unidad del modelo A se precisan 4 horas de trabajo y 3 unidades de

materia prima. Para fabricar una unidad del modelo B se requieren 3 horas de
trabajo y 5 unidades de materia prima. La empresa dispone de 48 horas de
trabajo y 60 unidades de materia prima.
Si a lo sumo pueden hacerse 9 unidades del modelo A. Determinar ¿Cuántas

unidades de cada modelo han de fabricarse para obtener el máximo beneficio y
cual sería este?
Propuesta para solución
Modelo Horas de Materia Cantidad Beneficios

producto trabajo prima máxima (USD/Unidad)
A 4 3 9 40
B 3 5 - 20
Limitación 48 60 - Máximo
Ejercicio de Formulación
Una empresa que produce cierto producto P consta de dos plantas.
Cada planta produce 90 toneladas de P al mes, y el producto se
distribuye en tres mercados distintos. Los precios unitarios de una
tonelada de P desde cada planta a cada mercado son los siguientes:
Plantas Mercado 1 Mercado 2 Mercado 3
Planta 1 1 3 5
Planta 2 2 5 4
La empresa desea enviar el mismo número de toneladas a cada

mercado y minimizar el costo total. Formule el problema usando
programación lineal.
MÉTODO SIMPLEX
Periódico “El
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
MÉTODO SIMPLEX
Periódico “El
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
MÉTODO SIMPLEX
Periódico “El
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
MÉTODO SIMPLEX
Periódico “El
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
MÉTODO SIMPLEX
Periódico “El
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
MÉTODO SIMPLEX
Periódico “El
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
MÉTODO SIMPLEX
Periódico “El
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
MÉTODO SIMPLEX
Periódico “El
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
MÉTODO SIMPLEX
Periódico “El
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
MÉTODO SIMPLEX
Periódico “El
Neogranadino”
(I)
¿SE PUEDE DEDUCIR CUÁL ES EL “UMNG radio”
CRITERIO DE OPTIMALIDAD?
Programas
Boletines de
prensa y “A mover
¿CUÁL ES? “Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
MÉTODO SIMPLEX
Periódico “El
¿CUÁL VARIABLE DEBE ENTRAR A LA
Neogranadino”
Comunicados internos
Emisora
BASE? (I)
“UMNG radio”
¿HAY ALGÚN CASO ESPECIALProgramas

Boletines de A
“A mover
prensa y
CONSIDERAS CON RESPECTO Ael“Perfiles”
virtuales LOS
camello” y
COSTOS REDUCIDOS?
Publicaciones
Pantallas
académicas y de
informativas
investigación
DE EXISTIR ¿QUÉPortal
INDICA
web ESTE CASO
Redes sociales
ESPECIAL?
MÉTODO SIMPLEX
Periódico “El
Neogranadino”
CON RESPECTO A LA BASE:
¿QUÉde OTRA PREGUNTA FALTA Programas
Boletines POR
prensa y “A mover
virtuales CONTESTAR? el camello” y
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
MÉTODO SIMPLEX
Periódico “El
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
MÉTODO SIMPLEX
Periódico “El
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
MÉTODO SIMPLEX
Periódico “El
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
MÉTODO SIMPLEX
Periódico “El
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
MÉTODO SIMPLEX
     y1 − “El
Periódico
 1 1  e
x b
Neogranadino”
B
  −   2
 xB2  b2   ye 
Boletines de       Programas
  =  −  −   xeel“Perfiles”
prensa y “A mover
virtuales camello” y
 xB   b   s 
 s
  s   ye 
Publicaciones
     académicas 
Pantallas
y de
informativas
 −  Redes sociales

Portal web   investigación
−
 xBm  bm   y m 
 e 
MÉTODO SIMPLEX
Periódico “El
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
MÉTODO SIMPLEX
Periódico “El
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
MÉTODO SIMPLEX
Periódico “El
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
MÉTODO SIMPLEX
Periódico “El
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
MÉTODO SIMPLEX
Periódico “El
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
MÉTODO SIMPLEX
Periódico “El
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
MÉTODO SIMPLEX
Periódico “El
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
MÉTODO SIMPLEX
Periódico “El
Neogranadino”
prensa y “A mover
“Perfiles”
Publicaciones
Pantallas
académicas y de
informativas
investigación
Portal web
Redes sociales
Usted debe programar las horas del personal de su centro de servicios de despacho. Asuma que abre a las 8:00
a.m. y cierra a la media noche. Se ha estudiado el uso de su centro de operaciones y se determinaron los
siguientes números de funcionarios necesarios así:
Puede contratar dos tipos de funcionarios: de tiempo completo y de tiempo parcial. Los primeros trabajan 8
horas consecutivas en cualquiera de los siguientes turnos: matutino (8:00 a.m. – 4:00 p.m), vespertino (12:00
del día a las 8:00 p.m.) y nocturno (4:00 p.m. a las 12:00 de la noche). Estos funcionarios ganan $14 mil pesos
por hora.
Los funcionarios de tiempo parcial pueden trabajar cualquiera de los cuatro turnos enumerados en la tabla y
ganan $12 mil por hora. Un requisito adicional es que durante todos los periodos deben haber al menos dos
asesores de tiempo completo por cada asesor de tiempo parcial.
HORA Número mínimo de asesores requeridos
8.00 a.m. – 12:00 m. 4
12:00 m. – 4:00 p.m. 8
4:00 p.m. – 8:00 p.m. 10
8:00 p.m. – 12:00 noche 6
Determine cuántos asesores de tiempo completo y cuántos de tiempo parcial debe haber en cada turno para
cumplir con los requisitos al mínimo costo. Formule este problema.

Introducción Optimización

Cargado por

Información del documento

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

Introducción Optimización

Cargado por

Copyright:

Formatos disponibles

Optimización

Docente: Frank Alexander Ballesteros Riveros, Ph.D.

Bazaraa Hillier & Lieberman Ahuja

Parcial 2 11 de mayo de 2023 25%

Tareas Según asignaciones en clases. 30%

Proyecto final 23 y 25 de mayo de 2023 20%

Clases: Martes y jueves 18-20

Atención a estudiantes: Puedo atenderlos una hora antes de nuestras clases.

Se debe entregar un artículo (máximo 8 páginas) en donde se presente formalmente

Desarrollo del computador digital

1947 1950´s 1960´s 1970´s 1980´s

Fuente: Medaglia & Sefair (2009)

Límites del sistema

Fuente: Rardin (2000)

Sean x1 ≠ x2 dos puntos en Rn. Considérese todos

donde t es algún número real entre 0 y 1, i.e, 0 ≤ t ≤

Nótese que esta ecuación describe simplemente la

Se dice que C es un conjunto convexo si para cualesquiera dos

Sea f : Rn → R. Decimos que f es convexa si dom f es un conjunto

Nota: Una función f es cóncava si – f es convexa.

En todos estos casos, es de notar que – f es

f : Rn → R definida por f(x) = mx + b

es una función convexa.

• ii) Sea 0 ≤ t ≤ 1, . Entonces veamos que

Al expandir el lado izquierdo se tiene

si a < c < x < d < b implica que

Este último resultado combinado con un poco de cálculo (que no se menciona

En general un problema de optimización se puede resumir como

Minimice f0(x) (esta es la función objetivo)

Convex Optimization with Engineering Applications

Aplicaciones de Algebra Lineal-Grossman

• Variables: cantidades invertidas en diferentes activos.

• Variables: largo y ancho de las partes

donde G es una matriz m × n y A una matriz p × n.

donde G es una matriz m × n y A una matriz p × n y P es una matriz simétrica n ×

• MOSEK puede resolver

• Hay m lámparas (pequeñas) iluminando n parchos. La intensidad

El problema es alcanzar la iluminación deseada con potencias

Para cada unidad del modelo A se precisan 4 horas de trabajo y 3 unidades de

Si a lo sumo pueden hacerse 9 unidades del modelo A. Determinar ¿Cuántas

Modelo Horas de Materia Cantidad Beneficios

La empresa desea enviar el mismo número de toneladas a cada

¿HAY ALGÚN CASO ESPECIALProgramas

También podría gustarte