Optimización

PDF generado usando el kit de herramientas de fuente abierta mwlib. Ver http://code.pediapress.com/ para mayor información.
PDF generated at: Fri, 30 Apr 2010 16:48:39 UTC
Contenidos
Artículos
Optimización (matemática) 1
Optimización combinatoria 3
Optimización multiobjetivo 4

Referencias
Fuentes y contribuyentes del artículo 7
Fuentes de imagen, Licencias y contribuyentes 8

Licencias de artículos
Licencia 9
Optimización (matemática) 1

Optimización (matemática)
En matemáticas la optimización o programación matemática intenta
dar respuesta a un tipo general de problemas donde se desea elegir el
mejor entre un conjunto de elementos. En su forma más simple, el
problema equivale a resolver una ecuación de este tipo:

El máximo de un paraboloide.

Donde es un vector y representa variables de decisión, es llamada función objetivo y

representa o mide la calidad de las decisiones (usualmente números enteros o reales) y es el conjunto de
decisiones factibles o restricciones del problema.
Algunas veces es posible expresar el conjunto de restricciones como solución de un sistema de igualdades o
desigualdades.

Un problema de optimización trata entonces de tomar una decisión óptima para maximizar (ganancias, velocidad,
eficiencia, etc.) o minimizar un criterio determinado (costos, tiempo, riesgo, error, etc). Las restricciones significan
que no cualquier decisión es posible.

Tipos de optimizaciones
Según el nivel de generalidad que tome el problema, será la resolución que se plantee.

Optimización clásica
Si la restricción no existe, o es una restricción de igualdad, con menor o igual número de variables que la función
objetivo entonces, el cálculo diferencial, da la respuesta, ya que solo se trata de buscar los valores extremos de una
función.

Optimización con restricciones de desigualdad - optimización no clásica

Si la restricción contiene mayor cantidad de variables que la función objetivo, o la restricción contiene restricciones
de desigualdad, existen métodos en los que en algunos casos se pueden encontrar los valores máximos o mínimos.
Si tanto restricciones como función objetivo son lineales (Programación lineal o PL), la existencia de máximo
(mínimo), esta asegurada, y el problema se reduce a la aplicación de unos simples algoritmos de álgebra lineal
elemental los llamados método simplex; y método dual. Sin embargo, si estas condiciones no se cumplen, existen,
las llamadas condiciones de Khun -Tucker, las cuales en algunos casos, pueden ser utilizables, para probar encontrar
puntos críticos, máximos o mínimos. Sin embargo, esta es un área aún muy poco desarrollada de la matemática,
frecuentemente, las condiciones de Khun-Tucker fallan, o no son suficientes, para la existencia de extremos.
Optimización (matemática) 2

Optimización estocástica
Cuando las variables del problema (función objetivo y/o restricciones) son variables aleatorias el tipo de
optimización realizada es optimización estocástica.

Optimización con información no perfecta

En este caso la cantidad de variables, o más aún la función objetivo puede ser desconocida o también variable. En
este campo, la matemática conocida como matemática borrosa[1], está realizando esfuerzos, por resolver el
problema. Sin embargo, como el desarrollo de esta área de la matemática es aún demasiado incipiente, son escasos
los resultados obtenidos.

Enlaces externos
• Investigación Operativa - El Sitio de Investigación Operativa en Español del Ing. Santiago Javez Valladares-Perú
[2]

• COPA, Centro para la Optimización y la Probabilidad Aplicada ,Universidad de los Andes [3]

Véase también
• Categoría:Optimización
• Optimización multiobjetivo
• Eficiencia de Pareto
• Información parcial lineal

Referencias
[1] http:/ / es. wikipedia. org/ wiki/ L%C3%B3gica_difusa
[2] http:/ / www. invope. com
[3] http:/ / copa. uniandes. edu. co
Optimización combinatoria 3

Optimización combinatoria
La optimización combinatoria es una rama de la optimización en matemáticas aplicadas y en ciencias de la
computación, relacionada a la investigación de operaciones, teoría de algoritmos y teoría de la complejidad
computacional. También está relacionada con otros campos, como la inteligencia artificial e ingeniería de software.
Los algoritmos de optimización combinatoria resuelven instancias de problemas que se creen ser difíciles en general,
explorando el espacio de soluciones (usualmente grande) para estas instancias. Los algoritmos de optimización
combinatoria logran esto reduciendo el tamaño efectivo del espacio, y explorando el espacio de búsqueda
eficientemente.
Los algoritmos de optimización combinatoria a menudo son implementados en lenguajes imperativos como C y
C++,en lenguajes de programación lógicos tales como Prolog, o incluso en lenguajes multi-paradigma tales como
Oz.
Mediante el estudio de la teoría de la complejidad computacional es posible comprender la importancia de la
optimización combinatoria. Los algoritmos de optimización combinatoria se relacionan comúnmente con problemas
NP-hard. Dichos problemas en general no son resueltos eficientemente, sin embargo, varias aproximaciones de la
teoría de la complejidad sugieren que ciertas instancias (ej. "pequeñas" instancias) de estos problemas pueden ser
resueltas eficientemente. Dichas instancias a menudo tienen ramificaciones prácticas muy importantes.

Definición formal
Una instancia de un problema de optimización combinatoria puede ser descrito formalmente como una tupla
donde
• X es el espacio de soluciones (en el cual f y P están definidos)
• P es la factibilidad predicado.
• Y es el conjunto de soluciones factibles.
• f es la función objetivo.
• extr es el extremo (normalmente min o max).

Ejemplo de problemas
• El problema del vendedor viajero,
• Programación lineal
• El problema de las n-reinas

Métodos
Los métodos de búsqueda heurísticos (algoritmos metaheuristicos) como los listados abajo han sido usado para
resolver problemas de este tipo.
• Búsqueda local
• Simulated annealing
• GRASP
• Swarm intelligence
• Tabu search
• Algoritmos genéticos
• Optimización basada en colonias de hormigas
• Reactive search
Optimización combinatoria 4

Véase también
• Optimización discreta
• Algoritmos de búsqueda

Referencias
• William J. Cook, William H. Cunningham, William R. Pulleyblank, Alexander Schrijver; Combinatorial
Optimization; John Wiley & Sons; 1 edition (November 12, 1997); ISBN 047155894X.
• Pierluigi Crescenzi, Viggo Kann, Magnús Halldórsson, Marek Karpinski, Gerhard Woeginger, A Compendium of
NP Optimization Problems [1].
• Christos H. Papadimitriou, and Kenneth Steiglitz; Combinatorial Optimization : Algorithms and Complexity;
Dover Pubns; (paperback, Unabridged edition, July 1998) ISBN 0486402584.

Referencias
[1] http:/ / www. nada. kth. se/ %7Eviggo/ wwwcompendium/

Optimización multiobjetivo
En un problema de optimización se tratará de encontrar una solución que represente el valor óptimo para una
función objetivo.
En el caso más sencillo se tendrá un único objetivo, que estará representado por una función del tipo
, donde y . Tanto el dominio como la imagen de la función serán números reales (escalares), y
el valor óptimo corresponderá a un mínimo o a un máximo.
Ejemplo: Al minimizar la función , el valor óptimo es , y se da para ,
según puede verse en la figura 1.
Optimización multiobjetivo 5

Figura 1: Mínimo de la función

Extensión a múltiples objetivos

Pero en ciencias e ingeniería se dan, en bastantes ocasiones, problemas que requieren la optimización simultánea de
más de un objetivo (optimización multiobjetivo[1] [2] ). Habrá que optimizar por tanto una función de la forma
, donde y . Pero el problema está en que normalmente no existe un elemento de S
que produzca un óptimo de forma simultánea para cada uno de los k objetivos que componen f. Esto se deberá a la
existencia de conflictos entre objetivos, que harán que la mejora de uno de ellos dé lugar a un empeoramiento de
algún otro. Pensemos por ejemplo en el caso de un avión con dos objetivos que fueran su velocidad y el ahorro de
combustible: un aumento de la velocidad traería consigo una disminución del ahorro. Habrá que llegar por tanto a
una situación de compromiso en la que todos los objetivos sean satisfechos en un grado aceptable, desde el punto de
vista de diseño.
A diferencia de los problemas de optimización con un único objetivo, el concepto de óptimo es ahora relativo y será
necesario decidir de alguna forma cuál es la mejor solución (o cuáles son las mejores soluciones) al problema.
En términos matemáticos, el problema de optimización multiobjetivo, puede establecerse de la siguiente forma:

Encontrar un vector , que satisfaga las m restricciones:

y las p restricciones:

y optimice la función vectorial

Optimización multiobjetivo 6

donde es el vector de variables de decisión.

En otras palabras, se desea determinar la solución particular , del conjunto S formado por todos los
valores que satisfacen (1) y (2), que dé lugar a los valores óptimos para todas las funciones objetivo. Pero como ya se
ha comentado, no existe normalmente una solución que optimice de forma simultánea todas las funciones objetivo.

Métodos de solución
Para tratar el problema comentado del conflicto entre objetivos se han utilizado diversos métodos:
• Métodos basados en el concepto de eficiencia de Pareto.
• Métodos basados en la combinación de objetivos. Dentro de estos métodos se puede mencionar el método de la
suma ponderada, en el que se optimizará el valor obtenido mediante la suma de los valores correspondientes a
los distintos objetivos, multiplicados cada uno por un coeficiente de peso. Estos coeficientes de peso establecerán
la importancia relativa de cada objetivo. El problema de optimización multiobjetivo se transforma así en otro de
optimización escalar, que para el caso de la minimización será de la forma

donde es el coeficiente de peso correspondiente al objetivo i.

Existen variantes del método anterior, como el método de la programación por metas, en el que se establece
una meta para cada objetivo y lo que se suma ahora (multiplicado por el correspondiente coeficiente) es la
distancia de cada objetivo a su meta. Para un caso de minimización sería

donde representa la meta del i-ésimo objetivo.

• Métodos basados en la asignación de prioridades. Estos métodos tienen en común que establecen unas
prioridades entre los distintos objetivos, teniéndose en cuenta su importacia relativa durante el proceso de
optimización.
Todos los métodos anteriores han sido utilizados por distintos autores en combinación con los algoritmos evolutivos,
que se han mostrado como una herramienta muy adecuada para resolver este tipo de problemas. Estos métodos
pueden englobarse en lo que se conoce como MOEA[3] [4] (Multi-Objective Evolutionary Algorithms, en español
algoritmos evolutivos multiobjetivo).

Véase también
• Optimización
• Eficiencia de Pareto
• Algoritmo evolutivo

Referencias
[1] Steuer, R.E. (1986). Multiple Criteria Optimization: Theory, Computations, and Application. John Wiley & Sons, Inc. ISBN: 047188846X.
[2] Sawaragi, Y.; Nakayama, H. and Tanino, T. (1985). Theory of Multiobjective Optimization (vol. 176 of Mathematics in Science and
Engineering). Orlando, FL: Academic Press Inc. ISBN: 0126203709.
[3] (May 2002) Evolutionary Algorithms for Solving Multi-Objective Problems (Volume 5 of the Book Series on Genetic Algorithms and
Evolutionary Computation). Kluwer Academic Publishers. ISBN: 0306467623.
[4] (2001) Multi-objective optimization using evolutionary algorithms. Chichester, New York: John Wiley & Sons.
Fuentes y contribuyentes del artículo 7

Fuentes y contribuyentes del artículo

Optimización (matemática)  Fuente: http://es.wikipedia.org/w/index.php?oldid=36429286  Contribuyentes: AlfonsoERomero, Antur, Chabacano, Chfiguer, Davidsevilla, Drini, Ef sacco, Enen,
Farisori, Fibonacci, FrancoGG, Fvmeteo, Gafotas, Gerkijel, Guevonaso, Gusgus, Hflores, Ingenioso Hidalgo, Jcuesta, Juan Mayordomo, Kavanagh, Krzysiulek, Libertad y Saber, Matdrodes,
Millars, Moriel, Mparri, Ncespedes, Nigro, Numbo3, Periku, Rhernan, Ricardo Oliveros Ramos, RoyFocker, Segedano, Spangineer, SpeedyGonzalez, Superzerocool, Tano4595, Tessier,
Tostadora, TuringTest, 60 ediciones anónimas

Optimización combinatoria  Fuente: http://es.wikipedia.org/w/index.php?oldid=35537980  Contribuyentes: Boja, Chfiguer, Gerkijel, Global.minimum, Poc-oban, 8 ediciones anónimas

Optimización multiobjetivo  Fuente: http://es.wikipedia.org/w/index.php?oldid=35175988  Contribuyentes: Mparri, Nihilo, TuringTest, 3 ediciones anónimas
Fuentes de imagen, Licencias y contribuyentes 8

Fuentes de imagen, Licencias y contribuyentes

Archivo:MaximumParaboloid.png  Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:MaximumParaboloid.png  Licencia: GNU Free Documentation License  Contribuyentes: Original
uploader was Sam Derbyshire at en.wikipedia
Archivo:MinimoParabola.svg  Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:MinimoParabola.svg  Licencia: Creative Commons Attribution-Sharealike 3.0  Contribuyentes:
User:Parri
Licencia 9

Licencia
Creative Commons Attribution-Share Alike 3.0 Unported
http:/ / creativecommons. org/ licenses/ by-sa/ 3. 0/