T Mod1 Ar

Investigacin operativa y optimizacin
Andrs Ramos Universidad Pontificia Comillas

http://www.iit.upcomillas.es/aramos/ Andres.Ramos@upcomillas.es
CONTENIDO
INTRODUCCIN OPTIMIZACIN SOLUTION METHODS (master)
Investigacin operativa. Optimizacin y modelado
Definicin de la Investigacin Operativa (IO)

Aplicacin de mtodos cientficos analticos avanzados en la mejora de la efectividad en las operaciones, decisiones y gestin de una empresa:
Diseo y mejora de las operaciones y decisiones Resolucin de problemas y ayuda en las funciones de gestin, planificacin o prediccin Aportan conocimiento y ayuda en la toma de decisiones
Tareas:
recoger y analizar datos desarrollar y probar modelos matemticos proponer soluciones o recomendaciones interpretar la informacin ayudar a implantar acciones de mejora
Resultados: aplicaciones informticas, sistemas, servicios o productos. Investigacin operativa. Optimizacin y modelado
En resumen
La ciencia para mejorar (the science of better) Modelos de apoyo a la toma de decisiones Mtodos analticos avanzados
Skills for analytics

1. 2. 3. 4. 5. 6. Framing the problem and getting to the solution Data preparation Data presentation Control of operations Statistics, probability, forecasting Optimization, simulation, queuing models, decision analysis 7. Enabling organizations to act intelligently
Framing the problem and getting to the solution

Understanding the business issues and business/organizational concerns using formal modeling processes that address purpose and environment and end-to-end capabilities and processes. This allows the analyst to understand the domain to frame problems and identify solutions. Frame and structure problems in terms of objectives, constraints, risks and courses of action to set the stage for meaningful results. Effective selection of a problem statement sets up the solution to align with the organizational structure, systems and culture; poor problem structures often lead to blind alleys during analysis or execution. Project management and exposure to the foundational principles of managing people, politics, products and processes. Communication skills, methods and technologies that enable effective collaboration throughout the project cycle, from effective informationgathering to collaborative decision support and change management
Enabling organizations to act intelligently

Design and governance of metrics portfolios to drive system-wide performance improvements; this addresses the problem of figuring out which metrics are important and how to set targets and thresholds that address business needs. Driving decisions from analysis: helping decision-makers to use data-driven analyses effectively, often in conjunction with gut-feel or anecdotal methods. Design and operation of analytics teams and organizations in the context of business and IT functions.
Convirtete en un profesional mejor, superior y diferente. Javier Snchez lvarez. Ed. Debolsillo
Quiere usted montar un floristera? Haga nmeros Quiere usted montar una mquina para mejorar el proceso productivo? Haga nmeros Quiere usted lanzar un nuevo producto? Haga nmeros Quiere usted invertir en el proceso logstico? Haga nmeros Quiere usted establecer el precio o los descuentos de algo? Haga nmeros Quiere usted definir cuntos empleados necesita para un propsito? Haga nmeros Est pensando en ampliar su mercado? Haga nmeros Pretende llevar su empresa a otro pas? Haga nmeros Y despus de este pas a otro? Haga nmeros Diversificar? Haga nmeros Invertir en nuevas tecnologas? Haga nmeros Cambiar el logo o el plan de comunicacin corporativa? Haga nmeros Proyectar la visin de su empresa a cinco aos? Haga nmeros
Problema de camino mnimo
Cola para sacar entradas
Qu sistema de colas es ms efectivo?

8 colas 8 servidores
1 cola 8 servidores
Lnea de ensamblaje de coches

Cmo soldar los cordones de soldadura en un tiempo mnimo?
Tratamiento de cncer de cerebro

Dnde aplicar radioterapia para maximizar el impacto en clulas cancergenas y minimizar el dao a otras clulas?
iMetro: Subway best route calculator (http://www.iit.upcomillas.es/imetro/)
Parking place demand and offer assignment

(http://www.iit.upcomillas.es/~aramos/papers/Parking%20place%20demand%20and%20of fer%20assignment.pdf)
Train timetabling. EcoDriving

A. Ramos, M.T. Pea, A. Fernndez, P. Cucala Mathematical programming approach to underground timetabling problem for maximizing time synchronization Revista de Direccin, Organizacin y Administracin de Empresas CEPADE 35: 88-95 Junio 2008 (http://www.cepade.es/Ademas/fr_pdf.asp?num=35&artic=11)
Programacin diaria de la generacin

S. Cerisola, A. Baillo, J.M. Fernandez-Lopez, A. Ramos, R. Gollmer Stochastic Power Generation Unit Commitment in Electricity Markets: A Novel Formulation and A Comparison of Solution Methods Operations Research 57 (1): 32-46 Jan-Feb 2009 (http://or.journal.informs.org/cgi/content/abstract/57/1/32)
Off-shore wind farm electric design

S. Lumbreras and A. Ramos Optimal Design of the Electrical Layout of an Offshore Wind Farm: a Comprehensive and Efficient Approach Applying Decomposition Strategies IEEE Transactions on Power Systems (accepted) 10.1109/TPWRS.2012.2204906 S. Lumbreras and A. Ramos Offshore Wind Farm Electrical Design: A Perspective Wind Energy 10.1002/we.1498 M. Banzo and A. Ramos Stochastic Optimization Model for Electric Power System Planning of Offshore Wind Farms IEEE Transactions on Power Systems 26 (3): 1338-1348 Aug 2011 10.1109/TPWRS.2010.2075944
Casos de estudio de optimizacin

Ayuda humanitaria Logstica empresarial Sector del transporte Transporte areo Transporte espacial Transporte por metro Servicio de correos Suministro de agua Centro de llamadas Comercio electrnico Produccin Sector bancario Sector de Administracin pblica Sector energtico Sector elctrico Sector sanitario Sector ganadero Gestin de proyectos Medios audiovisuales Ocio y deporte Docencia
www.doi.icai.upcomillas.es/simio/apuntes/a_casos.pdf
Casos de optimizacin propuestos por estudiantes

Paso del ecuador: optimizar las acciones para obtener dinero para el viaje. Mtodo del camino crtico: minimizar el tiempo de duracin de un proyecto. Optimizar el tiempo libre: minimizar el esfuerzo necesitado para pasar los exmenes de las asignaturas. Vehculo de asistencia mecnica: optimizar las alternativas de distribucin de la traccin en el rally Dakar. Secuenciacin de tareas: programacin de tareas para minimizar el tiempo de realizacin. Programacin de la produccin de una central de bombeo y un molino de viento: operacin combinada del bombeo de agua y de la produccin elica para maximizar la produccin
Qu optimizamos hoy?
Life itself is a matter of OR
Historia de la IO (www.iit.upcomillas.es/~aramos/timeline.pdf) Orgenes en el comienzo de la Segunda Guerra Mundial (debido a urgente asignacin de recursos escasos en las operaciones militares, en problemas tcticos y estratgicos). Estas mismas tcnicas se aplicaron despus a las empresas. Progreso algortmico inicial muy rpido (muchas tcnicas LP, DP son anteriores a 1960).
Teora de juegos: von Neumann y Morgenstern 1944 Mtodo Simplex: Dantzig 1947 Principio de optimalidad: Bellman 1957
Relacin constante con el avance de los ordenadores. Hoy en da es posible resolver un problema LP de 1.000.000 ecuaciones con 1.000.000 variables en un PC.
Penltima dcada en la optimizacin (dcada de 1990)
In the last decade, new advances in algorithms have been as important as the impressive advances in computer technology George L. Nemhauser (1994)
The technology improvements in algorithms, modeling languages, software, and hardware have made the methodology accessible, easy to use, and fast. So the Age of Optimization has arrived George L. Nemhauser (1994)
Avances algortmicos
Desde CPLEX 1.0 en 1988 a CPLEX 9 en 2004 la mejora total (algoritmos e implantacin) ha sido de 3300 veces en el optimizador LP. Como referencia, la mejora en rendimiento del hardware ha sido de 1600 veces en el mismo periodo Entre la versin de CPLEX 1.2 de 1991 y CPLEX 11 del 2007 la mejora total (algoritmos e implantacin) ha sido de 28000 veces en el optimizador MIP
Hoy se pueden resolver en segundos lo que hace una docena de aos se habra resuelto en aos.
CONTENIDO
Qu es la optimizacin?
Encontrar el valor que deben tomar las variables para hacer ptima la funcin objetivo satisfaciendo el conjunto de restricciones.
Componentes de un problema de optimizacin

Funcin objetivo
Medida cuantitativa del funcionamiento (de la bondad) de un sistema que se desea maximizar o minimizar
Variables
Decisiones que afectan el valor de la funcin objetivo
Restricciones
Conjunto de relaciones que las variables estn obligadas a satisfacer
Casos particulares
Mltiples funciones objetivo Optimizacin multicriterio
no hay coincidencia del ptimo para los diferentes objetivos Optimizacin multiobjetivo Mtodos satisfacientes
No existe funcin objetivo

sistema de ecuaciones (no) lineales encontrar una solucin factible
No existen restricciones Optimizacin sin restricciones

determinar el mnimo de un funcin aproximacin de mnimos cuadrados
CONTENIDO
Optimizacin clsica vs. Metaheurstica (i)

Mtodos clsicos
Programacin lineal Programacin lineal entera mixta Programacin cuadrtica Programacin no lineal Optimizacin estocstica Programacin dinmica Teora de grafos u optimizacin en redes
Mtodos metaheursticos (Inteligencia Artificial)
Algoritmos evolutivos (genticos) Recocido o templado simulado (simulated annealing) Bsquedas tab, aleatoria, avariciosa, dispersa (scatter search) Enjambre de partculas (particle swarm). Sistemas multiagente (colonias de hormigas)
Otros mtodos de optimizacin

Mtodos hbridos Programacin de restricciones
Otros mtodos clsicos de decisin
Teora de la decisin Teora de juegos
Otros mtodos
Teora de conjuntos borrosos Optimizacin global Optimizacin combinatorial

Clasificacin de modelos
Atendiendo a la funcin objetivo
Lineal, cuadrtico, no lineal, no suave
Atendiendo a las restricciones

Sin restricciones, acotadas, lineales, no lineales, no suaves
Atendiendo a las variables

Continuas, discretas, estocsticas
NEOS Guide Optimization Tree

http://neos-guide.org/optimization-tree
Optimizacin clsica vs. Metaheurstica (ii)

Mtodos clsicos
buscan el ptimo localmente garantizan el ptimo numrico permiten un elevado nmero de restricciones
Mtodos metaheursticos
Imitan fenmenos sencillos observados en la naturaleza globales, mecanismos especficos para evitar ptimos locales NO garantizan la obtencin del ptimo. Permiten la obtencin de mltiples subptimos NO permiten elevado nmero de restricciones exploran gran nmero de soluciones en tiempo muy corto aplicados principalmente a problemas combinatoriales
Optimizacin s, pero qu
Modelar
el optimizador es casi superfluo, es estndar
Aplicaciones informticas
Seleccionar el mtodo de optimizacin

aplicacin de un mtodo conocido en otro contexto
Implantar y mejorar un mtodo

mejorar un mtodo de descomposicin para subproblemas con variables enteras
Modelos
Desarrollar un nuevo mtodo

mtodo de punto interior para NLP
Matemtica aplicada
Mtodos clsicos
LP (linear programming) MIP (mixed integer programming) NLP (non linear programming) QP (quadratic programming) DP (dynamic programming) NF (network flow)
Programacin lineal (LP) (i)
min c x
x
Ax = b x0 x n , c n , A mn , b m
Mtodo simplex primal y dual Mtodo de punto interior (primal-dual, proyectivo, escalado afn)
Programacin lineal (LP) (ii)

x2
max z = 3x1 + 5 x2
(0,6) (2,6)
x1
3x1 2 x2 +2 x2
4 12 18
SX
(0,0)
PI
(4,3)
Rectas de isofuncin objetivo
x1 , x2 0
(4,0)
x1
Qu mtodo usar?
Mtodo simplex primal o dual
Problemas de mediano tamao (hasta 100000x100000) Anlisis de sensibilidad o mtodo de ramificacin y acotamiento (B&B) Tiempo de ejecucin depende del cubo del nmero de restricciones
Mtodo de punto interior

Problemas de gran tamao Tiempo de ejecucin depende casi linealmente del nmero de elementos no nulos de la matriz de restricciones
Programacin lineal entera mixta (MIP) (i)
min c x + d y
T T x
Ax + By = b x, y 0
x Z n , y l , c n , d l
A mn , B ml , b m
Mtodo de ramificacin y acotamiento (branch and bound) Mtodo de ramificacin y corte (branch and cut)
Programacin lineal entera mixta (MIP) (ii)

max Z = 4 x1 2 x2 + 7 x3 x4 x1 x1 6 x1
x1 + x2 5 x 2 +5 x3 x3 +2 x3 2 x4 10 1 0 3
x1 1
1 z=14.2 (1,1.2,1.8,0) z=14.25 (1.25,1.5,1.75,0)
Z * = 13.5 ( x1 , x2 , x3 , x4 ) = (0,0, 2,0.5)
xj 0
x j enteras
j = 1, , 4
j = 1, ,3
x2 1
3 z=14.16 (0.83,1,1.83,0)
x1 2
2 INFACTIBLE
x2 2
4 z=12.16 (0.83,2,1.83,0)
x1 0
5 z=13.5 (0,0,2,0.5)
x1 1
6 INFACTIBLE
Resolucin de un problema LP
= 13.5 z
Programacin lineal entera mixta (MIP) (iii)

9
max z =
x, y
3 x+ y 4 : 1 :2
2x+y=12
7 z=7.25 6
x + y6 3 2 x + y 12 x, y enteras
( x, y ) = (3,5)
( 1 , 2 ) = (2.25,0)
y 4 3 x/3+y=6 2 1 0 0
6 x
10
12
Programacin no lineal (NLP)

Sin restricciones
No requieren derivadas
Mtodos de coordenadas cclicas, Hooke & Jeeves y Nelder & Mead
Requieren primeras derivadas

Mtodos de mximo descenso, gradiente conjugado
min f ( x )
x
Requieren segundas derivadas

Mtodos de Newton y cuasi-Newton
g ( x) = 0 h( x ) 0 l xu f :
n
Con restricciones
Mtodos factibles
Mtodo del gradiente, Newton y cuasi-Newton reducido Programacin cuadrtica secuencial
Mtodos de penalizacin
Mtodos de penalizacin y barrera Mtodo del lagrangiano aumentado
g , h : n m
Tcnicas utilizadas en NLP

Mtodos factibles
Aproximacin de funciones mediante el desarrollo en serie de Taylor (lineal o cuadrtica, primeras o segundas derivadas) Detencin cuando se verifica que primera derivada es 0
Mtodos de penalizacin
Resuelven secuencias de problemas de optimizacin sin restricciones Mtodo de penalizacin
Penaliza la violacin de las restricciones
Mtodo barrera
Evitan que se alcance el contorno de la restriccin
Mtodo de Newton para funcin unidimensional (i)

f ( x ) = ( x 1) 3 + 2( x 1) 2 + 3 f ( x ) = 3( x 1) 2 + 4( x 1)
f ( x ) = 6( x 1) + 4
Secuencia de puntos x0 = 0.75

x1 = x0
f ( x0 ) = 0.4135 f ( x0 )
x1 = 0.3376
x1 = 0.3333
Programacin cuadrtica (QP)
1 T min c x + x Qx x 2 Ax = b x0
T
x n , c n , A mn Q nn , b m
Ventaja el hessiano es constante, la aproximacin por segundas derivadas es exacta
Programacin dinmica (DP) (i)

Tcnica matemtica orientada a la solucin de problemas con decisiones en etapas sucesivas (espaciales o temporales) donde se debe minimizar el coste total de dichas decisiones
G 7 6 H
9
B 2 8 C A 5 6 5 1
E
1
6
K 4
11
! 8 L 2 3 4 5 6 T
5 7 6 5 F 5 J 6 4 8 6 6 I 9
5 " T#$% &'( T#$%&'(I
T#$% &'I
T#$% &'II
T#$%&'III
T#$% &'I(
Programacin dinmica (DP) (ii)

En cada etapa se toma la decisin ptima para pasar de cualquier estado de una etapa a la etapa siguiente teniendo en cuenta costes actuales y costes futuros Cada estado guarda toda la informacin necesaria para tomar las decisiones futuras sin necesidad de conocer cmo se ha alcanzado dicho estado. Es un procedimiento recursivo que resuelve de manera iterativa, incorporando cada vez una etapa, partes cada vez mayores del problema original. Puede resolverse hacia delante o hacia atrs.
min J = f k ( xk , uk )
uk k =0
g k ,ik ( xk , uk ) = 0
xk +1 = k ( xk , uk )
xk X k , uk U k
Teora de grafos u optimizacin en redes

Camino mnimo: encontrar la distancia mnima entre un origen y un destino a travs de una red conexa no dirigida conociendo la distancia entre cada pareja de nodos rbol generador mnimo: encontrar la cadena de longitud mnima que recorre todos los nodos sin ciclos Flujo mximo: dada una red conexa dirigida con arcos con capacidad limitada encontrar el flujo mximo que puede enviarse de un origen a un destino Problema de transporte/transbordo o de flujo de coste mnimo: minimizar el coste de transportar un producto desde diferentes orgenes a diferentes destinos dado el coste unitario de transporte entre cada origen y cada destino, la capacidad mxima de cada origen y la demanda de cada destino Problema de asignacin de tareas: minimizar el coste total de realizar las tareas sabiendo que cada persona realiza 1 tarea y cada tarea es realizada por 1 persona dado el coste de asignacin de cada tarea a cada persona
Mtodos metaheursticos
GA (genetic algorithms) TS (tabu search) SA (simulated annealing) SS (scatter search) CE (cross entropy) PS (particle swarm) ACO (ant colony optimization) VNS (variable neighborhood search)
Algoritmos genticos (i)

Idea: en la naturaleza sobreviven los mejores Proceso de seleccin en funcin de la medida de calidad (funcin de bondad o de adaptacin fitness) de la solucin que debe incluir la violacin de restricciones. Proceso de recombinacin para buscar nuevas soluciones Combinan bsqueda dirigida y estocstica. Dos objetivos aparentemente contrapuestos: bsquedas de las mejores soluciones y exploracin del espacio de estados Dificultad: codificacin de las soluciones de manera que en el proceso de recombinacin se obtengan soluciones esencialmente factibles.
Algoritmos genticos (ii)

1. Iteracin i=0 2. Sea una poblacin de soluciones (cromosomas) para la iteracin i, P(i) 3. Evala la poblacin de soluciones P(i) 4. Mientras no se acabe, hacer lo siguiente:
Iteracin i+1 Selecciona la poblacin de soluciones de la iteracin i+1 como los mejores de la iteracin anterior Recombina, es decir, cruza y muta soluciones aleatoriamente elegidas para obtener nuevas soluciones
Cruce (crossover): intercambio entre elementos (genes) de soluciones Mutacin: alteracin aleatoria de un elemento (gen)
Evala la poblacin de soluciones P(i+1)

Bsqueda tab (Tabu Search)

Idea: Trata de extraer informacin de lo sucedido (guarda memoria) y actuar en consecuencia. Memoria de corto plazo:
Se mueve iterativamente de una solucin a otra en su entorno reducido. Entorno reducido = entorno soluciones tab La lista de soluciones tab se ajusta dinmicamente. Se define mediante atributos para evitar guardar las soluciones como tal. Soluciones tab son las ya visitadas.
Memoria de largo plazo:

Almacena frecuencias u ocurrencias de atributos en soluciones visitadas para identificar o diferenciar regiones. Dos estrategias de largo plazo: Intensificar: buscar en regiones ya exploradas Diversificar: visitar reas no exploradas
Templado o recocido simulado (Simulated Annealing) Idea: basado en bsqueda local donde cada movimiento de mejora se acepta y se permiten movimientos de no mejora con cierta probabilidad (funcin directa de la temperatura del sistema). Se comienza con una temperatura alta. Parmetros importantes:
Temperatura inicial alta: fraccin de movimientos aceptados T0 Longitud: tamao del entorno reducido k Secuencia de enfriamiento exponencial Tk = T0e
Probabilidad de aceptacin de una nueva solucin
Z ZT k Z y Z funciones objetivo de una iteracin y de la siguiente p = min 1, e
Enjambre de partculas (Particle Swarm)

Basado en el concepto de inteligencia colectiva (swarm intelligence) con dos mecanismos
Influencia social Aprendizaje social
Necesita adems de una estructura de comunicacin (red social) Algoritmo

Obtencin aleatoria de soluciones candidatas iniciales Cada agente evala las soluciones candidatas y registra la mejor para l y dnde se ha producido Se la comunica a sus vecinos y ven dnde stos han tenido xito Se mueven en la direccin de xito
Modelo y modelado
Andrs Ramos
Modelo
Definicin
Esquema terico, generalmente en forma matemtica, de un sistema o de una realidad compleja (por ejemplo, la evolucin econmica de un pas), que se elabora para facilitar su comprensin y el estudio de su comportamiento. (Diccionario de la lengua espaola. Real Academia
Espaola)
Representacin precisa de una realidad Herramienta de ayuda a la toma de decisiones Puede involucrar equipo multidisciplinar Equilibrio entre representacin detallada y capacidad de obtener la solucin Modelador: especifica y desarrolla el modelo Experto: conoce el problema real
Dos riesgos importantes

Modelado exhaustivo, cuasi real. Puede ocasionar la carencia de un algoritmo que solucione el problema Modelado simplista para utilizar un algoritmo disponible. Pueden llegar a darse soluciones de un problema que no existe El modelado debe ser un compromiso entre ambos casos patolgicos
Modelado
Ciencia
Anlisis y deteccin de las relaciones entre datos Suposiciones y aproximaciones a los problemas Algoritmos especficos de solucin Soluciones del modelo Visin o interpretacin de la realidad Estilo en modelo y documentacin Elegancia y simplicidad en desarrollo Uso de creativo de herramientas
Arte
Beneficios del modelado

Dilogo entre modelador y experto Organiza informacin disponible Estructura la compresin del comportamiento del sistema Internaliza estructura organizativa de empresa Permite compartir supuestos entre modelador y experto Proporciona una herramienta para el anlisis Indica direccin de mejora en decisiones
Etapas en el desarrollo de un modelo

Identificacin del problema Especificacin matemtica y formulacin
Resolucin
Verificacin, validacin y refinamiento Interpretacin y anlisis de resultados Implantacin, documentacin y mantenimiento

Identificacin del problema

Recoleccin de informacin relevante Definicin del problema en trminos vagos Interpretacin y traduccin a trminos precisos Datos son vitales, suelen ser cuello de botella Etapa fundamental para que decisiones sean tiles
Es imprescindible asegurarse de que el modelo representa adecuadamente la realidad que pretende reflejar.
Datos de entrada
GIGOLO Garbage In, Garbage Out, Look Out !
El mejor modelo no sirve de nada si los datos de entrada no estn adecuadamente refinados
Especificacin matemtica y formulacin

Definicin de variables, ecuaciones, funcin objetivo, parmetros Identificacin de tipo de problema (LP, MIP, NLP) nfasis en precisin y belleza en la formulacin Anlisis de tamao y estructura del problema Categoras de problemas LP segn su tamao Caso ejemplo Tamao medio Gran tamao Muy gran tamao Restricciones 100 10000 500000 > 500000 Variables 100 10000 500000 > 500000
Diseo conceptual
Al que tiene un martillo todo le parecen clavos.
La tcnica de modelado, as como el nivel de detalle del mismo y en general cualquier aspecto de modelado debe adecuarse a la estructura del problema, a las expectativas y necesidades del cliente
Modelo conceptual
Un mes de programacin puede ahorrarte un par de horas de biblioteca.
El tiempo de menos dedicado al modelo conceptual retrasa de forma exponencial la implantacin del modelo.
Resolucin
Algoritmo de obtencin de solucin ptima, cuasiptima o, al menos, satisfactoria Deteccin de soluciones cuasiptimas atractivas Diferentes mtodos de solucin Diferentes implantaciones del algoritmo elegido
Verificacin, validacin y refinamiento

Eliminacin de errores en codificacin Comprobar validez de simplificaciones adoptadas Comprobacin de adaptacin a la realidad Ampliacin en el modelado por nuevas necesidades
Modelo: validacin
El pasado no es estocstico
1998 El contraste de los resultados del modelo con datos reales del sistema es imprescindible.
Interpretacin y anlisis de resultados

Anlisis de sensibilidad en parmetros de entrada Robustez de la solucin ptima
Implantacin, documentacin y mantenimiento

Etapa fundamental para el xito de un modelo Documentacin clara, precisa y completa Manual de usuario con especificacin tcnica funcional, matemtica e informtica Formacin de posibles usuarios
Programacin lineal (Linear Programming LP)

Problema de la dieta Se ha determinado que las necesidades mnimas diarias en la alimentacin de una ternera son 700 g de protenas, 28 g de calcio y 150 mg de vitaminas. Los alimentos disponibles son pienso y forraje con un coste unitario de 0.30 y 0.35 /kg respectivamente. La composicin nutritiva por kg de alimento se muestra en la tabla de la derecha. Se trata de determinar la cantidad diaria ptima de cada alimento para minimizar el coste total de la alimentacin.
Protenas Calcio Vitaminas (g) (g) (mg)
Pienso Forraje
30 45
2 1
10 5
Andrs Ramos http://www.iit.upcomillas.es/aramos/ Andres.Ramos@upcomillas.es

T Mod1 Ar

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

T Mod1 Ar

Enviado por

Direitos autorais:

Formatos disponíveis

Investigacin operativa y optimizacin

Andrs Ramos Universidad Pontificia Comillas

Investigacin operativa. Optimizacin y modelado

Definicin de la Investigacin Operativa (IO)

Investigacin operativa. Optimizacin y modelado

Skills for analytics

Investigacin operativa. Optimizacin y modelado

Framing the problem and getting to the solution

Enabling organizations to act intelligently

Investigacin operativa. Optimizacin y modelado

Problema de camino mnimo

Investigacin operativa. Optimizacin y modelado

Cola para sacar entradas

Investigacin operativa. Optimizacin y modelado

Qu sistema de colas es ms efectivo?

Lnea de ensamblaje de coches

Investigacin operativa. Optimizacin y modelado

Tratamiento de cncer de cerebro

Investigacin operativa. Optimizacin y modelado

iMetro: Subway best route calculator (http://www.iit.upcomillas.es/imetro/)

Investigacin operativa. Optimizacin y modelado

Parking place demand and offer assignment

Investigacin operativa. Optimizacin y modelado

Train timetabling. EcoDriving

Investigacin operativa. Optimizacin y modelado

Programacin diaria de la generacin

Investigacin operativa. Optimizacin y modelado

Off-shore wind farm electric design

Investigacin operativa. Optimizacin y modelado

Casos de estudio de optimizacin

Investigacin operativa. Optimizacin y modelado

Casos de optimizacin propuestos por estudiantes

Life itself is a matter of OR

Investigacin operativa. Optimizacin y modelado

Investigacin operativa. Optimizacin y modelado

Penltima dcada en la optimizacin (dcada de 1990)

Investigacin operativa. Optimizacin y modelado

Investigacin operativa. Optimizacin y modelado

Investigacin operativa. Optimizacin y modelado

Investigacin operativa. Optimizacin y modelado

Componentes de un problema de optimizacin

Investigacin operativa. Optimizacin y modelado

No existe funcin objetivo

No existen restricciones Optimizacin sin restricciones

Investigacin operativa. Optimizacin y modelado

Investigacin operativa. Optimizacin y modelado

Optimizacin clsica vs. Metaheurstica (i)

Mtodos metaheursticos (Inteligencia Artificial)

Otros mtodos de optimizacin

Otros mtodos clsicos de decisin

Teora de la decisin Teora de juegos

Teora de conjuntos borrosos Optimizacin global Optimizacin combinatorial

Atendiendo a las restricciones

Atendiendo a las variables

Investigacin operativa. Optimizacin y modelado

NEOS Guide Optimization Tree

Investigacin operativa. Optimizacin y modelado

Optimizacin clsica vs. Metaheurstica (ii)

Seleccionar el mtodo de optimizacin

Implantar y mejorar un mtodo

Desarrollar un nuevo mtodo

Investigacin operativa. Optimizacin y modelado

Programacin lineal (LP) (i)