Periodo académico 2024-1S
Actividad | Grupo | Periodos | Horarios | Aula | Profesor/Tutor |
---|
No existen datos de grupos de esta asignatura, en este plan de estudios.
Bienvenidos al curso de herramientas de optimización, este curso presenta al estudiante de posgrado una introducción a la optimización matemática, desde una perspectiva de modelado y solución de problemas. El curso profundiza en el apropiado uso de los algoritmos, herramientas de software, lenguajes de modelado y subrutinas necesarias para escalar los problemas de ingeniería.
Desarrollar en el estudiante la capacidad de extraer y resolver un
modelo matemático (sistema asumido) de un problema real.
Introducción a las herramientas de Optimización
Pasos para un estudio de IO, Ramas de la Investigación de Operaciones
La necesidad de los modelos en el mundo complejo
Definición de modelo matemático, Ejemplos de modelos y definiciones.
Clasificación de los modelos matemático
Paquetes y software para Investigación operativa
Principales interfaces de desarrollo de IO: AMPL, GAMS, JuMP y Pulp, M, R
Principales solver para IO: Solver para LP, MILP, NLP gratuitos y
comerciales
Programación matemática
Programación entera, mixta y binaria.
Programación dinámica.
Programación no lineal.
Programación multiobjetivo.
Problemas de planificación, problemas de asignación, problemas de flujo
de red.
Metaheuristica
Algoritmos de escalada (Hill Climbing)
Recocido simulado (Simulated Annealing)
Búsqueda tabú (Tabú search)
Algoritmos genéticos (Genetic Algorithms)
Algoritmos de colonia de hormigas (Ant Colony Optimization)
Algoritmos meméticos (Memetic Algorithms)
introducción al modelado estocástico y fenómenos de líneas de espera
Estados estables en cadenas de markov
Estados absorbentes y matriz de transición
Modelos de colas exponenciales
Modelos de colas no exponenciales
Simulación de fenómenos de espera
Modelos de toma de decisiones multi atributo
Fronteras eficientes de Pareto y MADM
AHP y ANP
Modelado estructural y Dematel
Métodos de solución de compromiso Topsis y Vikor
S. Boyd and L. Vandenberghe. Convex Optimization. Cambridge University Press,
2004.
H.P. Williams. Model Building in Mathematical Programming, 5th Edition.
Wiley, 2013.
R.L. Rardin. Optimization in Operations Research. Prentice Hall, 1998.
Kulkarni, V. G. (2016). Modeling and analysis of stochastic systems.
Chapman and Hall/CRC.
Shortle, J. F., Thompson, J. M., Gross, D., & Harris, C. M. (2018).
Fundamentals of queueing theory (Vol. 399). John Wiley & Sons.
Tzeng, G. H., & Huang, J. J. (2011). Multiple attribute decision making:
methods and applications. Chapman and Hall/CRC.
Beaverstock, M., Greenwood, A., Lavery, E., & Nordgren, W. (2011).
Applied simulation: modeling and analysis using FlexSim. BookBaby.
Andrei, N., & Andrei, N. (2013). Nonlinear optimization applications
using the GAMS technology (pp. 178-181). New York: Springer.
Changhyun Kwon. (2016). Julia Programming for Operations Research: A
Primer on Computing.
Kernighan, B. W., Fourer, R., & Gay, D. M. (1993). AMPL: a modeling
language for mathematical programming. Scientific Press, San Francisco.