Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Anda Tu
Anda Tu
4
Proceso de optimización-modelado
• Aplicaciones: Los problemas de optimización son muy comunes en el
modelado matemático de sistemas reales en un amplio rango de
aplicaciones: economía, finanzas, química, astronomía, física, medicina,
computación, ...
Etapa de análisis
Modelado matemático
Etapa de control
No Implementación
Validado?
Si
No Etapa de diseño
Implementación Interpretación de la solución
Verificado? Si
Componentes de problemas de optimización
• Función objetivo:la mayoría de los problemas de optimización tienen una función
objetivo pero hay casos de varias funciones objetivo (programación multiobjetivo) o
incluso puede no tener función objetivo (interesan soluciones factibles solamente)
• Entradas controlables son las variables de decisión, cuyos valores afectan la
función objetivo y restricciones.
• Entradas no controlables (parámetros), se fijan a priori y dependen del problema
particular, a veces se requiere un análisis de sensibilidad o uno paramétrico frente a
variaciones de los mismos.
• Restricciones: son relaciones entre parámetros y variables de decisión.
Restricciones “duras” o esenciales y “débiles”
• Limitaciones de los modelos: información incompleta, simplificaciones y
errores numéricos, tecnología limitada.
2. Siglo XIX: En 1820, Gauss resuelve sistemas de ecuaciones lineales por el método conocido
como “eliminación Gaussiana”. En 1866 Wilhelm Jordan mejora esta técnica y elabora el
método conocido como “Gauss-Jordan“.
3. Siglo XX:
– En 1945, aparece la computación digital
– En 1947, Dantzig inventa el método Simplex.
– En 1968, Fiacco and McCormick introducen los métodos de Punto Interior.
– En 1984, Karmarkar aplica los métodos de Punto Interior para resolver Programas Lineales
aportanto un análisis innovador.
SIMPLEX
• Hacia 1945, Dantzig desarrolló el método SIMPLEX para resolver el
problemas de programación lineal (PL)
• Es un método eficiente, el más utilizado hasta el momento
• NO es un algoritmo de complejidad polinomial. En el peor caso, es un
algoritmo de complejidad exponencial con el número de variables del
poblema
METODO DEL ELIPSOIDE
• En 1978 Khachian aplicó el método elipsoidal (de Shor, Yudin y Nemirovskii) para
resolver (PL) y encontró una cota superior polinomial O(n4L) al número de
operaciones aritméticas que realizaba su algoritmo.
• Lamentablemente es un algoritmo pseudo-polinomial ya que su complejidad
depende de L= largo de los datos de entrada.
• La existencia de un algoritmo polinomial cuya complejidad dependa únicamente de
la cantidad de variables y restricciones es un problema difícil, aún abierto.
• El método causó gran revolución teórica pero desafortunadamente las
implementaciones prácticas no han sido eficientes.
12
METODO DE KARMARKAR
• En 1984 Karmarkar publicó un algoritmo para resolver (PL) de complejidad polinomial
O(n3.5L) mejorando la performance alcanzada por Kachian y anunció que era más
eficiente que el SIMPLEX
• Actualente se sabe que este tipo de algoritmos son muy eficientes en casos de
problemas de grandes dimensiones
• El algoritmo de Karmarkar en lugar de recorrer los vértices del poliedro determinado
por S como en el SIMPLEX, evoluciona desde el interior relativo S0 como en los
métodos de programación no lineal, siendo un método de punto interior.
• En este curso estudiaremos los llamados “Path-following methods for linear
programming”
13
Generalidades
Sea el siguiente problema de optimización:
(G) Min f(x) / xF
f(x*)
F
X*
• NOTA: p d
• Ejemplo
¡Gracias!