Optimizacion 1

Optimización I :
Introducción a la Optimización
José Manuel Vera
Escuela Superior Politécnica del Litoral (ESPOL)

Guayaquil - Ecuador
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
José M. Vera (ESPOL) Introducción a la Optimización 1 / 14
Contenido
1 Orígenes de la Optimización
2 Conceptos Matemáticos
3 Introducción a la Optimización Matemática
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Curso
Se estudiará el fundamento matemático de los modelos lineales de

optimización, la abstracción de problemas en modelos matemáticos de tipo
lineal.
Unidades
Introduccion a la optimización
Modelizacion de los problemas de optimización
Convexidad
Método Simplex
Dualidad
Modelos de Optimización Discreta
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Orígenes de la Optimización
En el área del cálculo, matemáticos desarrollaron metodos iterativos

para encontrar el valor optimo de una función. Tambien se definieron
las condiciones de optimalidad de funciones.
En la Segunda Guerra Mundial hubo gran necesidad de asignar
recursos escasos a las operaciones militares. Científicos de la epoca
desarrollaron un efoque cientifico para resolver estos problemas
tácticos y estratégicos.
Esta investigacion de las operaciones (militares) formó los primeros
equipos de investigación de operaciones
En 1947, George B. Dantzig publicó el Algortimo Simplex con lo que
nació la programación lineal.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Orígenes de la Optimización
La investigación de operaciones es la disciplina de aplicar metodos

analíticos avanzados que ayudan a tomar mejores decisiones
Técnicas analíticas:
Simulación - Da la habilidad de probar enfoques y probar ideas para
mejoramientos
Optimización - Reducir las opciones a las mejores cuando hay
incontables posibles soluciones y compararlas es dificil
Probabilidad y estadística - Ayuda en medir riesgo, minar información
para encontrar conexiones valiosas, probra conclusiones y hacer
predicciones confiables
Modelacion matemática - Algoritmos y software
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Función Lineal
Una funcion f : Rn → R es lineal si satisface las dos siguientes

propiedades:
Para todo vector x ∈ Rn y todo escalar α ∈ R cumple:
f(αx) = αf(x)
Para todo par de vectores x, y ∈ Rn es el caso cumple:
f(x + y) = f(x) + f(y)
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Función Lineal
Los siguientes son ejemplos de funciones lineales:

Las funciones f, g, h : R → R definidas tal que:
f(x) = x; g(x) = 2x; h(x) = −5x
Las funciones f, g, h : R2 → R definidas tal que:
f(x1 , x2 ) = x1 ; g(x1 , x2 ) = x1 + x2 ; h(x1 , x2 ) = −0,5x1 + 2x2
Los siguientes son contraejemplos de funciones lineales:

Las funciones f, g, h : R → R definidas tal que:
f(x) = |x|, g(x) = x2 , h(x) = max{0, x}
Las funciones f, g : R2 → R definidas tal que:
f(x1 , x2 ) = x21 + x22 + x1 x2 , g(x1 , x2 ) = log(x1 , x2 ),
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Semiespacio
El semiespacio asociado con la función f : Rn → R y el escalar b ∈ R es un

subconjunto de Rn constituido por todos los vectores x que satisfacen la
condición que f(x) ≤ b
e.g. f(x) = c1 x1 + · · · + cn xn entonces este conjunto es:
{x ∈ Rn |c1 x1 + · · · + cn xn ≤ b}
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Hiperplano
El hiperplano asociado con la función f : Rn → R y el escalar b ∈ R es un

subconjunto de Rn constituido por todos los vectores x que satisfacen la
condición que f(x) = b
e.g. f(x) = c1 x1 + · · · + cn xn entonces este conjunto es:
{x ∈ Rn |c1 x1 + · · · + cn xn = b}
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Poliedro
Consideremos l hiperplanos asociados con los funciones lineales y escalares

(f1 , b1 ), (f2 , b2 ), ..., (fl , bl ) donde:
(i) (i)
∀i ∈ L : fi (x) ≜ c1 x1 + · · · + cn xn
Digamos que tenemos m semiespacios asociados con los funciones lineales
y escalares (f1 , β1 ), (g2 , β2 ), ..., (gm , βm ) donde:
(j) (j)
∀j ∈ M : gj (x) ≜ d1 x1 + · · · + dn xn
Entonces podemos definir un espacio como un poliedro P asociado con
estos {
semiespacios e hiperplanos: }
(i) (i)
x ∈ Rn c1 x1 + · · · + cn xn = bi , ∀j ∈ L
P≜ (j) (j)
d1 x1 + · · · + dn xn ≤ βj , ∀j ∈ M
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Poliedro
Definición
La intersección de un numero finito de semiespacios es llamado un
poliedro.
Ejercicio en clase: Dibujemos el siguiente poliedro:

 

 0 ≤ x1 ≤ 5; 


 0 ≤ x2 ≤ 5; 


 

 
(x1 , x2 ) ∈ R2 x1 + x2 ≥ 1;
P≜

 −3x1 + x2 ≤ 2; 


 


 x1 + x2 ≤ 8; 

 
−x1 + 3x2 ≥ 0;
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Poliedro
Ejercicio en clase: Dibujemos los siguientes poliedros:

 
 x1 ≥ 0; x2 ≥ 0; 
P≜ (x1 , x2 ) ∈ R2 (1/3)x1 + x2 ≤ 6
 
x1 + (1/2)x2 ≤ 6;
 
 x1 ≥ 0; x2 ≥ 0; 
P≜ (x1 , x2 ) ∈ R2 2x1 − x2 ≤ 0
 
x1 − 3x2 ≤ 0;
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Problema de optimización matemática
Un problema de optimización puede ser llamado tambien modelo

prescriptivo.
Un modelo prescriptivo “prescribe” el comportamiento que mejor permite
a una organización o compañia cumplir sus metas.
Los componentes de un problema de optimización incluyen:
Función(es) objetivo
Variables de decisión
Restricciones
Un problema de optimización busca los valores de las variables de decisión,
que optimiza (maximiza o minimiza) una función objetivo, entre el
conjunto de todos los valores de las variables de decision que satisfacen las
restricciones.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Problema de optimización matemática
Podemos clasificar los problemas de optimización dependiendo de la

solución requerida y/o de como son las funciones objetivo y restricción:
Programación lineal : La funcion objetivo y restricciones son lineales.
Programación discreta : Soluciones discretas son requeridas
Programación Cuadrática: La función objetivo es cuadrática y las
restricciones son lineales
Programación Nolineal: La función objetivo o restricciones no son
lineales.
Programación Estocástica: La función objetivo o restricciones son
funciones de variables aleatorias
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .

Optimizacion 1

Încărcat de

Informații document

Descriere originală:

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Optimizacion 1

Încărcat de

Drepturi de autor:

Formate disponibile

Optimización I :

José Manuel Vera

Escuela Superior Politécnica del Litoral (ESPOL)

3 Introducción a la Optimización Matemática

Se estudiará el fundamento matemático de los modelos lineales de

En el área del cálculo, matemáticos desarrollaron metodos iterativos

La investigación de operaciones es la disciplina de aplicar metodos

Una funcion f : Rn → R es lineal si satisface las dos siguientes

Para todo par de vectores x, y ∈ Rn es el caso cumple:

f(x + y) = f(x) + f(y)

Los siguientes son ejemplos de funciones lineales:

Los siguientes son contraejemplos de funciones lineales:

El semiespacio asociado con la función f : Rn → R y el escalar b ∈ R es un

El hiperplano asociado con la función f : Rn → R y el escalar b ∈ R es un

Consideremos l hiperplanos asociados con los funciones lineales y escalares

Ejercicio en clase: Dibujemos el siguiente poliedro:

Ejercicio en clase: Dibujemos los siguientes poliedros:

Un problema de optimización puede ser llamado tambien modelo

Podemos clasificar los problemas de optimización dependiendo de la

S-ar putea să vă placă și