Taller 5 Elementos de Optimizacion

Taller 5 Practica 5
Apropiar básicos de un modelo de optimización
1. Que es y cómo se define matemáticamente la función objetivo.
La función objetivo es un concepto esencial en la optimización matemática y se utiliza en problemas

de optimización para definir el objetivo que se desea alcanzar al ajustar las variables del problema.
La función objetivo se define de manera matemática mediante una expresión que relaciona las
variables de decisión del problema con el valor numérico que se desea optimizar.
La función objetivo se denota usualmente como f(x), donde x es un vector que contiene las variables
de decisión o variables de entrada del problema, esto dependiendo si se busca maximizar o
minimizar la función.
2. Que es y cómo se define matemáticamente el conjunto de restricciones.
Es el conjunto de condiciones que deben cumplirse en un problema de optimización, estas

condiciones limitan el espacio de posibles soluciones al definir un conjunto de valores permitidos
para las variables de decisión.
En un problema de optimización, tanto la función objetivo como el conjunto de restricciones trabajan

juntos para determinar cuales son las soluciones factibles y cuales son óptimas.
La definición matemática, del conjunto de restricciones se define mediante igualdades,

desigualdades o las que relacionen las variables de decisión del problema.
Existen 2 tipos:
Restricción de igualdad.
Estas establecen que una combinación lineal de las variables de decisión debe ser igual a un valor
constante, esta se puede expresar de manera matemática como:
g(x)=0
Donde g(x) es una función que involucra las variables de decisión x, y la restricción requiere que g(x)
sea igual a 0.
Restricción de desigualdad.
Estas establecen que una combinación lineal de las variables de decisión debe cumplir una cierta
relación de desigualdad bien sea mayor o menor que, estas a su vez se pueden dividir en menor o
igual que (≤) o mayor o igual que (≥)
Ejemplo
Que es y cómo se define matemáticamente la matriz de coeficientes
La matriz de coeficientes es un componente clave en la representación matricial de

un sistema de ecuaciones lineales o de un conjunto de restricciones en un problema
de optimización. Esta matriz contiene los coeficientes numéricos que acompañan a
las variables en las ecuaciones del sistema.
�n ecuaciones y �m variables,
En un sistema de ecuaciones lineales, donde tienes
la matriz de coeficientes se denota como �A y tiene dimensiones �×�n×m. Cada
entrada ��aij de la matriz representa el coeficiente de la variable ��xj en la
�i-ésima ecuación. Matemáticamente, la matriz de coeficientes se ve así:
a_{11} & a_{12} & \dots & a_{1m} \\ a_{21} & a_{22} & \dots & a_{2m} \\ \vdots & \
vdots & \ddots & \vdots \\ a_{n1} & a_{n2} & \dots & a_{nm} \end{bmatrix} \]
En el contexto de un problema de optimización lineal, donde estás tratando de

maximizar o minimizar una función objetivo sujeta a un conjunto de restricciones, la
matriz de coeficientes se relaciona con las restricciones del problema. Las
restricciones se pueden representar de manera matricial utilizando la matriz de
coeficientes \(A\) junto con un vector de variables \(x\) y un vector de términos
constantes \(b\). Las restricciones se pueden expresar de la siguiente manera: \[ A \
cdot x \leq b \] Donde \(x\) es el vector de variables de decisión, \(A\) es la matriz de
coeficientes de las restricciones y \(b\) es el vector de términos constantes en las
restricciones de desigualdad. En resumen, la matriz de coeficientes es una matriz que
contiene los coeficientes numéricos de las variables en un sistema de ecuaciones
lineales o en las restricciones de un problema de optimización. Esta matriz juega un
papel crucial en la representación matricial de problemas matemáticos y es
fundamental para resolver sistemas de ecuaciones o problemas de optimización.
3. Que es y cómo se define matemáticamente el tipo del modelo (lineal, no lineal, etc):
El tipo de modelo matemático se refiere a la naturaleza de las relaciones expresadas

en las ecuaciones o funciones que describen un fenómeno o sistema. Los modelos se
clasifican en tres categorías principales: lineales, no lineales y otros. Aquí está cómo
se definen matemáticamente y se ejemplifican cada uno de estos tipos:
1. Modelo Lineal: Un modelo matemático es lineal si todas las ecuaciones

involucradas son lineales en sus variables. Esto significa que las variables solo
aparecen elevadas a la potencia uno y están multiplicadas por coeficientes
constantes. La propiedad fundamental de la linealidad es que las relaciones
entre variables se pueden expresar como sumas ponderadas.
Matemáticamente, un modelo lineal se puede expresar de la siguiente manera: y=a1

x1+a2x2+…+anxn+b
Donde y es la variable dependiente, x1,x2,…,xn son las variables independientes, a1

,a2,…,an son coeficientes constantes y b es un término constante.
Ejemplo: La ecuación de una línea recta y=mx+b es un modelo lineal porque es una
combinación lineal de las variables x e y.
2. Modelo No Lineal: Un modelo matemático es no lineal si contiene términos

que son productos, divisiones, exponenciales, logaritmos u otras funciones no
lineales de las variables. En este caso, las relaciones entre las variables no
pueden expresarse como sumas ponderadas simples.
Ejemplo: La ecuación de una parábola y=ax2+bx+c es un modelo no lineal debido

al término cuadrático 2x2.
3. Otros Modelos: Además de los modelos lineales y no lineales, hay una amplia
variedad de modelos que pueden incluir relaciones más complejas, como
sistemas de ecuaciones diferenciales, ecuaciones integrales, modelos
estocásticos y más. La clasificación de estos modelos puede variar según el
contexto específico y la naturaleza de las ecuaciones involucradas.
En resumen, el tipo de modelo matemático se determina por las características de las

relaciones en las ecuaciones o funciones que describen un fenómeno. La linealidad o
no linealidad de estas relaciones influye en cómo se resuelven y analizan los modelos,
y se utilizan diferentes técnicas y herramientas según el tipo de modelo que esté
presente.
4. Que es y cómo se define matemáticamente el espacio de solución.
El espacio de solución se refiere al conjunto de valores que satisfacen todas las

restricciones en un problema matemático, ya sea un sistema de ecuaciones, un
conjunto de desigualdades o un problema de optimización. En otras palabras, es el
conjunto de valores que hacen que todas las condiciones o limitaciones del problema
se cumplan simultáneamente.
La definición matemática del espacio de solución depende del tipo de problema que
estemos tratando:
1. Sistema de Ecuaciones: Si estamos trabajando con un sistema de ecuaciones,

el espacio de solución es el conjunto de valores que hacen que todas las
ecuaciones sean verdaderas al mismo tiempo. Matemáticamente, si tienes un
sistema de ecuaciones lineales:
�11�1+�12�2+…+�1��=�1�21�1+�22�2+…
+�2��=�2⋮��1�1+��2�2+…+��=��a11x1
+a12x2+…+a1nxna21x1+a22x2+…+a2nxnam1x1+am2x2+…+amnxn=b1=b2
⋮=bm
El espacio de solución sería el conjunto de valores (�1,�2,…,��)(x1,x2,
…,xn) que satisface todas las ecuaciones.
2. Conjunto de Desigualdades: En el caso de un conjunto de desigualdades, el
espacio de solución sería el conjunto de valores que satisfacen todas las
desigualdades simultáneamente. Por ejemplo, si tienes un conjunto de
desigualdades lineales:
a11x1+a12x2+…+a1nxna21x1+a22x2+…+a2nxnam1x1+am2x2+…+amnxn≤b1
≤b2⋮≤bm
El espacio de solución sería el conjunto de valores (�1,�2,…,��)(x1,x2,
…,xn) que cumplen todas las desigualdades.
3. Problema de Optimización: En un problema de optimización, el espacio de
solución es el conjunto de valores permitidos para las variables de decisión
que cumplen todas las restricciones, tanto las restricciones de igualdad como
las de desigualdad.
5. Que es y cómo se define la interpretación de la solución.
La interpretación de la solución de una función objetivo se refiere a comprender el

significado de los valores óptimos obtenidos al resolver un problema de
optimización. En otras palabras, se trata de dar sentido al resultado máximo o
mínimo de la función objetivo dentro del contexto del problema que se está
abordando.
La interpretación de la solución varía según el tipo de problema y la naturaleza de la

función objetivo. Aquí hay algunas formas de definir y entender la interpretación de
la solución en diferentes contextos:
1. Optimización de Ganancias: Supongamos que estás maximizando una

función objetivo que representa las ganancias. La interpretación de la solución
sería el valor máximo de ganancias que se puede lograr utilizando las variables
de decisión óptimas. Esto puede implicar la cantidad de productos a producir,
los recursos a asignar o las decisiones a tomar para maximizar las ganancias.
2. Minimización de Costos: Si estás minimizando una función objetivo que
representa los costos, la interpretación de la solución sería el valor mínimo de
costos que se puede alcanzar utilizando las variables de decisión óptimas. Esto
podría relacionarse con decisiones de producción, inversión o asignación de
recursos.
3. Problemas de Asignación: En problemas de asignación, la interpretación de
la solución podría ser la asignación óptima de tareas a recursos que minimiza
los costos o maximiza la eficiencia.
4. Optimización en Aprendizaje Automático: En el contexto del aprendizaje
automático, la interpretación de la solución podría relacionarse con los
parámetros del modelo que mejor se ajustan a los datos observados,
minimizando el error de predicción.
5. Problemas de Ruta Más Corta: En problemas de optimización de rutas, la
interpretación de la solución podría ser la ruta más corta entre dos puntos, lo
que minimiza la distancia recorrida o el tiempo requerido.
6. Resuelva el siguiente problema de optimización lineal e identifique cada elemento del
modelo:
Elementos del modelo:
1. Variables de decisión:
 �1x1: Cantidad de carga 1 a aceptar.
2. Función objetivo: Queremos maximizar la ganancia total, que es la suma de
las ganancias de cada carga multiplicada por la cantidad aceptada de esa
carga.
Función objetivo:
�(�1,�2,�3,�4)=320�1+400�2+360�3+290�4f(x1,x2,x3,x4
)=320x1+400x2+360x3+290x4
3. Restricciones:
 Restricciones de capacidad de peso en los compartimentos:
 Delantero: 20�1+16�2+25�3+13�4≤1220x1+16x2+25x3
+13x4≤12
 Central: 20�1+16�2+25�3+13�4≤1820x1+16x2+25x3
+13x4≤18
 Trasero: 20�1+16�2+25�3+13�4≤1020x1+16x2+25x3
+13x4≤10
 Restricciones de capacidad de espacio en los compartimentos:
 Delantero: 500�1+700�2+600�3+400�4≤7000500x1
+700x2+600x3+400x4≤7000
 Central: 500�1+700�2+600�3+400�4≤9000500x1
+700x2+600x3+400x4≤9000
 Trasero: 500�1+700�2+600�3+400�4≤5500500x1
+700x2+600x3+400x4≤5500
 Restricción de balance de peso:
20�1+16�2+25�3+13�412�1+18�2+10�3=112x1+18x2+10x3
20x1+16x2+25x3+13x4=1
 Restricción de aceptación de carga: �1,�2,�3,�4≥0x1,x2,x3,x4
≥0 (cantidades de carga no pueden ser negativas)
Solución:
Dado que este es un problema de programación lineal, podemos utilizar software de

optimización o métodos matemáticos para resolverlo y encontrar las cantidades
óptimas de carga a aceptar y cómo distribuirlas en los compartimentos. El objetivo es
maximizar la función objetivo �(�1,�2,�3,�4)f(x1,x2,x3,x4) sujeta a las
restricciones dadas. La solución proporcionará las cantidades de carga óptimas que
maximizan la ganancia total del vuelo, asegurando que se cumplan las limitaciones
de capacidad de peso y espacio en los compartimentos, así como la restricción de
balance de peso y la restricción de aceptación de carga.

Taller 5 Elementos de Optimizacion

Cargado por

Copyright:

Formatos disponibles

Taller 5 Elementos de Optimizacion

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Taller 5 Elementos de Optimizacion

Cargado por

Copyright:

Formatos disponibles

Taller 5 Practica 5

Apropiar básicos de un modelo de optimización

1. Que es y cómo se define matemáticamente la función objetivo.

La función objetivo es un concepto esencial en la optimización matemática y se utiliza en problemas

2. Que es y cómo se define matemáticamente el conjunto de restricciones.

Es el conjunto de condiciones que deben cumplirse en un problema de optimización, estas

En un problema de optimización, tanto la función objetivo como el conjunto de restricciones trabajan

La definición matemática, del conjunto de restricciones se define mediante igualdades,

La matriz de coeficientes es un componente clave en la representación matricial de

En el contexto de un problema de optimización lineal, donde estás tratando de

El tipo de modelo matemático se refiere a la naturaleza de las relaciones expresadas

1. Modelo Lineal: Un modelo matemático es lineal si todas las ecuaciones

Matemáticamente, un modelo lineal se puede expresar de la siguiente manera: y=a1

Donde y es la variable dependiente, x1,x2,…,xn son las variables independientes, a1

2. Modelo No Lineal: Un modelo matemático es no lineal si contiene términos

Ejemplo: La ecuación de una parábola y=ax2+bx+c es un modelo no lineal debido

En resumen, el tipo de modelo matemático se determina por las características de las

4. Que es y cómo se define matemáticamente el espacio de solución.

El espacio de solución se refiere al conjunto de valores que satisfacen todas las

1. Sistema de Ecuaciones: Si estamos trabajando con un sistema de ecuaciones,

La interpretación de la solución de una función objetivo se refiere a comprender el

La interpretación de la solución varía según el tipo de problema y la naturaleza de la

1. Optimización de Ganancias: Supongamos que estás maximizando una

6. Resuelva el siguiente problema de optimización lineal e identifique cada elemento del

Dado que este es un problema de programación lineal, podemos utilizar software de

También podría gustarte