Documente Academic
Documente Profesional
Documente Cultură
REPASO:
Problemas de Optimizacin: son problemas de
asignacin ptima de recursos limitados,
para
cumplir un objetivo dado que representa la meta del
decisor. Los recursos pueden corresponder a personas,
materiales, dinero, etc. Entre todas las asignaciones de
recursos admisibles, se quiere encontrar la/s que
maximiza/n o minimiza/n alguna cantidad numrica
tal como ganancias o costos, etc.
Modelo de Optimizacin Matemtica: es una
representacin matemtica de una cierta realidad y
consiste en una funcin objetivo y un conjunto de
restricciones en la forma de un sistema de ecuaciones
o inecuaciones.
3
Proceso de optimizacin-modelado
Aplicaciones: Los problemas de optimizacin son muy
comunes en el modelado matemtico de sistemas reales
en un amplio rango de aplicaciones: economa,
finanzas, qumica, astronoma, fsica, medicina,
computacin, ...
Proceso de optimizacin y modelado: requiere de varios
pasos: descripcin del problema, elaboracin y emisin
de una solucin, control y actualizacin de la solucin si
hay cambio de parmetros o de la estructura misma del
problema.
Problema de decisin
Etapa de anlisis
Modelado matemtico
Etapa de control
Implementacin
No
Validado?
Si
Implementacin
No
Verificado?
Etapa de diseo
Interpretacin de la solucin
Si
Mtodos de resolucin:
Optimizacin global y local
exactos (global), heursticas (local)
Simplex, mtodos de punto interior, gradiente proyectado, etc
2.
3.
Siglo XX:
En 1945, aparece la computacin digital
En 1947, Dantzig inventa el mtodo Simplex.
En 1968, Fiacco and McCormick introducen los mtodos de
Punto Interior.
En 1984, Karmarkar aplica los mtodos de Punto Interior para
resolver Programas Lineales aportanto un anlisis innovador.
SIMPLEX
Hacia 1945, Dantzig desarroll el mtodo
SIMPLEX para resolver el problemas de
programacin lineal (PL)
Es un mtodo eficiente, el ms utilizado hasta el
momento
NO es un algoritmo de complejidad polinomial. En
el peor caso, es un algoritmo de complejidad
exponencial con el nmero de variables del
poblema
METODO DE KARMARKAR
En 1984 Karmarkar public un algoritmo para resolver (PL)
de complejidad polinomial O(n3.5L) mejorando la
performance alcanzada por Kachian y anunci que era ms
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 vrtices
del poliedro determinado por S como en el SIMPLEX,
evoluciona desde el interior relativo S0 como en los mtodos
de programacin no lineal, siendo un mtodo de punto
interior.
En este curso estudiaremos los llamados Path-following
methods for linear programming
12
Generalidades
Sea el siguiente problema de optimizacin:
(G) Min f(x) / xF
DEF: d es una direccin de descenso (o ascenso)
de la funcin f, diferenciable, en x*F si 0
tal que f(x+ d)<f(x) (0, 0 )
en el caso de ascenso: f(x+ d)>f(x)
OBS: Sea f una funcin diferenciable en x*F
Si f(x).d <0, entonces d es una direccin de
descenso en x*.
f(x*+d)
f(x*)
d
X*
Funciones diferenciables:
Caso optimizacin sin restricciones
Condicin de ptimo local: f ( x ) 0
Puntos crticos: X x / f ( x ) 0
Si existe mnimo
x x X
*
X x / f ( x ) . g ( x )
Sean:
(G) Min f(x) / xF
(GL) Min fL(x) / xFL
DEF: GL es una relajacin de G si:
1- FL F
2- fL(x) f(x) x F
Sean d=Max () / 0 y
p=Min f(x) / g(x) 0 x X
DEF: gap de dualidad= = p-d
NOTA: p d
Ejemplo