PROGRAMA DE CURSO

Cdigo Nombre
MA3711 Optimizacin Matemtica
Nombre en Ingls
Mathematical Optimization
Unidades Horas de Horas Docencia Horas de Trabajo
SCT
Docentes Ctedra Auxiliar Personal
6 10 3 2 5
Requisitos Carcter del Curso
MA2002 Clculo Avanzado y Aplicaciones CFB, curso de Licenciatura
obligatorio para Ingeniera Civil
Matemtica
Resultados de Aprendizaje

El alumno sabr resolver problemticas que aparecen en el modelamiento de

problemas de ingeniera con herramientas de optimizacin lineal y no-lineal tanto
continua como entera, con o sin restricciones, y utilizar algunos algoritmos adecuados.
El alumno sabr utilizar paquetes computacionales tiles en la resolucin de
problemas de optimizacin.

Metodologa Docente Evaluacin General

Clases tericas, viendo los contenidos con Tres controles y un examen.

profundidad y rigurosidad. Se considerarn
ejercicios para trabajo personal. En el caso de realizar ejercicios de forma
peridica, el promedio de estos puede
Una tarea computacional donde se programe reemplazar la nota de uno de los controles.
algn mtodo visto en el curso.
Complementariamente, se puede realizar una Nota de tarea: 20%, se aprueba por separado.
tarea orientada al modelamiento y resolucin
usando software libre de la Web.

Resumen de Unidades Temticas

Nmero Nombre de la Unidad Duracin en

Semanas
1 Condiciones de optimalidad, calificacin de restricciones, 4.0
sensibilidad y aplicaciones.
2 Dualidad Lagrangeana y aplicaciones 2.0
3 Programacin lineal 4.5
4 Mtodos numricos para optimizacin no lineal irrestricta 2.5
5 Mtodos numricos para optimizacin no lineal con restricciones 2
TOTAL 15.0
 Unidades Temticas

Nmero Nombre de la Unidad Duracin en Semanas

1 Condiciones de optimalidad, calificacin de 4.0
restricciones, sensibilidad y aplicaciones.
Resultados de Aprendizajes de la Referencias a
Contenidos
Unidad la Bibliografa

1.1 Nocin de cono tangente de El alumno deber modelar 1, 4 y 5

Bouligand y condicin de
primer orden genrica.
1.2 Condiciones de Karush-Kuhn-
Tucker (KKT).
1.3 Distintas calificaciones de
restricciones: conjunto de
restricciones descrito como un
poliedro, independencia lineal
de gradientes activos (ILGA),
condicin de Mangasarian-
Formovitz y condicin de Slater
cuando el conjunto de
restricciones es convexo.
1.4 Condiciones necesarias y
suficientes de segundo orden.
1.5 Resultados de sensibilidad de
la funcin valor bajo ILGA.
1.6 Aplicacin a problemas en
economa, equilibrio de
estructuras, en fsica, etc..
problemas aplicados como como
un problema de optimizacin no
lineal donde los datos (funciones
objetivos y restricciones) son
suaves.
Conoce los conceptos de
direccin admisible, direccin de
descenso y en general como se
construye el Teorema de KKT a
partir de la operacin sobre
conos tangentes.
Tambin deber comprender y
saber aplicar las condiciones de
primer y segundo orden,
verificando que alguna
calificacin de restricciones se
satisface, para resolver
problemas concretos motivados
desde la ingeniera y las ciencias.

Nmero Nombre de la Unidad Duracin en Semanas

2 Dualidad Lagrangeana y aplicaciones 2.0
Resultados de Aprendizajes de la Referencias a
Contenidos
Unidad la Bibliografa

2.1 Definicin del problema dual El alumno sabe calcular 3

Lagreangeano: planteamiento y
propiedades con respecto al
primal en el caso convexo,
entre ellas, dualidad dbil,
fuerte, saltos de dualidad, etc.
2.2 Interpretacin Econmica de
las variables duales.
2.3 Aplicacin a problemas.
finanzas, portafolios, pricing,
clasificacin, flujo en redes, etc.
problemas duales para varios
tipos de casos particulares de
problemas convexos.
Sabe identificar situaciones
cuando hay o no saltos de
dualidad y utiliza resultados de
dualidad dbil/fuerte para
resolver problemas convexos
especficos.
Nmero Nombre de la Unidad
3 Programacin Lineal
Contenidos
3.1 Introduccin a la teora de
poliedros.
3.2 El mtodo Simplex: desarrollo
analtico e interpretacin
grfica. Discusin breve sobre
la complejidad del SIMPLEX.
3.3 Aplicaciones en logstica,
finanzas, planificacin (dieta),
bodegaje, control optimo
discreto, etc.
3.4 Revisitar problema dual en el
caso lineal: holgura
complementaria,
interpretacin del dual, etc.
Teorema de alternativas
(Farkas, etc.) y su aplicacin a
los resultados de dualidad
dbil y fuerte.
3.5 Nocin de grafo y problemas
lineales representables en
grafos. Enunciar problema
flujo de costo mnimo,
transporte, etc. Calcular e
interpretar sus duales.
OPCIONAL: Algoritmo
SIMPLEX aplicado al problema
de flujo de costo mnimo.
3.6 Aplicaciones de la teora de
dualidad a la representacin
de poliedros.
3.7 Nociones de anlisis post-
optimal (variacin del lado
derecho o de los costos,
agregar columna o fila).
3.8 Introduccin a los problemas
lineales de gran tamao:
nociones de descomposicin,
ejemplos, mtodos de
generacin de filas y
columnas, problema
maestro/esclavo, etc.
Duracin en Semanas
4.5
Resultados de Aprendizajes de la Referencias a
Unidad la Bibliografa
El alumno conoce las principales 2, 4 y 6
nociones de la teora poliedral
(caras, vrtices, puntos y
direcciones extremas, solucin
bsica factible, etc.) y sus
principales resultados (teorema
Minkowski, Minkowski-Weyl,
algoritmo Fourier-Motzkin y
proyeccin de poliedro es un
poliedro).
Comprende el algoritmo Simplex,
sus variantes (Simplex dual, fases I
y II, etc.) y sus aplicaciones (anlisis
post-optimal, entre otros).
Sabe calcular problemas duales
para PLs en forma estndar y de
flujos sobre grafos. El alumno
puede hacer anlisis de
sensibilidad en casos simples, a
travs del cual comprende el
concepto de estabilidad.
El alumno sabe identificar casos de
optimizacin lineal en la que se
pueden aplicar mtodos de
descomposicin y aplicar los
mtodos enseados en clases.
 Nmero Nombre de la Unidad Duracin en Semanas
4 Optimizacin sin restricciones 2.5
Resultados de Aprendizajes de la Referencias a
Contenidos
Unidad la Bibliografa
4y5
4.1 Nociones de bsqueda El alumno conoce y aplica la nocin
unidimensional: Golstein-Armijo, fundamental de algoritmos de
dicotoma, etc.. descenso, basado en la bsqueda
sobre una direccin dada.
4.2 Mtodo del gradiente y su tasa de
convergencia (lineal). El alumno comprende los distintos
tipos de convergencia: lineal,
4.3 Familia de algoritmos de tipo superlineal, cuadrtica a travs de
gradiente conjugado. Ejemplo: la revisin de mtodos especficos.
algoritmo de Fletcher-Reeves.

4.4 Algoritmo de Newton, cuasi-

Newton (DFP y BFGS) y tasas de
convergencia (convergencia
cuadrtica en caso particular de
Newton).

Nmero Nombre de la Unidad Duracin en Semanas

5 Optimizacin con restricciones 2.0
Resultados de Aprendizajes de la Referencias a
Contenidos
Unidad la Bibliografa
4y5
El alumno conoce y aplica
5.1 Mtodo de direcciones admisibles correctamente mtodos de
(caso restricciones lineales). direcciones clsicos, de direcciones
admisibles y de penalizacin
5.2 Mtodo de penalizacin/barrera. (exteriores y de barrera).

Tambin se introduce el mtodo

del Lagrangeano aumentado.

Se resuelven problemas
particulares pero prominentes
como el problema lineal,
cuadrtico-lineal, problema
convexo con restricciones lineales.
 Bibliografa

1. Bazaraa, M. y Sheltly, C., Nonlinear Programming, Wiley, 1979.

2. Bertsimas, D. y Tsitsiklis J. N., Introduction to Linear Programming, Athenea
Scientific, 1997.
3. Boyd, S. P., y Vanderberghe, L., Convex Optimization, Cambridge University
Press, 2004.

4. Luenberger y Yin Yu Ye, Linear and nonlinear programming (4ta edicin),

Springer, 2016.

5. Nocedal, M. y Wright, S., Numerical optimization (2da edicin), Springer, 2006.

6. Schrijver, A., Combinatorial optimization, Springer, 2003

Vigencia desde: Otoo 2017

Elaborado por: Alejandro Jofre, Hctor Ramrez
Revisado por: Jaime Ortega (Jefe Docente)