1
Bienvenidos a ICS 1113Optimización
sección 1
Prof. Victor Valdebenito
2
• ¡LEAN EL PROGRAMA EN DETALLE!
• Evaluación Interrogación 1 - Sábado 6-Abr Interrogación 2 - Sábado 11-May Interrogación 3 - Sábado 15-Jun Examen - Sábado 6-Jul
• Trabajo computacional Proyecto de modelamiento y computacional de un problema real
(instrucciones pronto) 5 estudiantes por grupo
• Actividades en clases mini controles, trabajo grupal, Etc.
Administración
3
• Ayudantías Habrá un calendario específico de estas Se desarrollarán ejercicios y ejemplos Aprenderán a usar software para optimización
• Material de clases Las notas de las clases las tendrán disponibles en la página
web del curso con anticipaciónbbb.
• Página web del curso en el SidIng– Asegurarse de tener el mail correcto.
Administración
4
• Tres referencias fundamentales
Apuntes de Optimización, de los profesores J.C. Muñoz y J.C. Ferrer (estará disponible en la página web)
El libro: Optimización y Modelos para la Gestión, de C. Ortiz, S. Varas y J. Vera (disponible en Biblioteca Central)
El libro: Optimización Lineal, de M. Goberna
• Hay referencias adicionales a contenidos web y material de lectura complementaria (y eventualmente obligatoria).
Administración
5
Tema LEER FM LEER OVV
Marzo Miércoles 6 Motivación e Introducción 1.1 1.1-1.2
Marzo Lunes 11 Modelos de Optimización I 1.2-1.5 1.3
Marzo Miércoles 13 Modelos de Optimización II 1.4
Marzo Lunes 18 Existencia de Soluciones
Marzo Miércoles 20 Problemas Equivalentes 1.6-1.7 2.9
Marzo Lunes 25 Nociones Básicas de Convexidad 1.8 3.1
Marzo Miércoles 27 Introducción a PL 3.1 3.4
Abril Lunes 1 Introducción a PL
Abril Miércoles 3 Método Simplex I 3.2 4
Abril Sábado 6 Interrogación 1
Abril Lunes 8 Método Simplex II 5.1-5.3
Abril Miércoles 10 Método Simplex III 5.4-5.6
Abril Lunes 15 Análisis de Sensibilidad y Postoptimal 3.3 6.5
Abril Miércoles 17 Dualidad I 3.4 6.1-6.3
Abril Lunes 22 Dualidad II 6.4
Abril Miércoles 24 Programación Entera I 7.1-7.2
Abril Lunes 29 Programación Entera II 7.3
Mayo Miércoles 1 Feriado
Mayo Lunes 6 Programación Entera III 7.3
Mayo Miércoles 8 Optimización de Flujo en Redes I 8.1-8.2
Mayo Sábado 11 Interrogación 2
Mayo Lunes 13 Optimización de Flujo en Redes II 8.4
Mayo Miércoles 15 Optimización de Flujo en Redes III 8.4
Mayo Lunes 20 Feriado Universitario
Mayo Miércoles 22 Optimización no Lineal sin Restricciones I 2.1 3.2.1
Mayo Lunes 27 Optimización no Lineal sin Restricciones II 3.2.2
Mayo Miércoles 29 Optimización no Lineal sin Restricciones III 3.2.3
Junio Lunes 3 Optimización no Lineal sin Restricciones IV 3.2.4
Junio Miércoles 5 Optimización con Restricciones I 2.2 3.3.1
Junio Lunes 10 Optimización con Restricciones II 3.3.2
Junio Miércoles 12 Optimización con Restricciones III 3.3.3-3.3.4
Junio Sábado 15 Interrogación 3
Junio Lunes 17 Programación Dinámica I 9.1-9.4
Junio Miércoles 19 Programación Dinámica II
Julio Sábado 6 Examen
Fecha
6
• Algebra lineal y manejo de notación matricial Operaciones matriciales y vectoriales, inversas, rango,
valores y vectores propios, etc...
• Manejo de Cálculo A partir de la mitad del curso usaremos contenidos de
Cálculo III Gradientes, Hessianos, etc.
• Ganas de aprender...
Requisitos
Kimberly Clark Corporation– Headquarters en Dallas, TX– 57,000 empleados– Operaciones in 35 países– Ventas en 175 países– Marcas posicionadas N°1 o 2 en mas de 80 países.– 20.8 billones de dólares en ventas
Scope of the optimization models
Scope of the simulation
Intr
od
uc
tio
n Operaciones en Centro Distribución
Which task perform now?
Which task perform now?
Which task perform now?
Resource Availability Event
Intr
od
uc
tio
n Operaciones en Centro Distribución
Docks1 32 2 20 16 2 3 46 4 5 30 6 70 7 49 15 56 8 22 17 50 9 68 10 43 18 45 11 66 12 13 21 12 54 14 44 31 15 25 11 1 6 4
Time 14 15 16 17 18 19 20 21 22 23 24
Simulation Model
Docks
1 32 Idle
Verifier LT LT
2 LT LT 20 LT 16 LT 2 LT 3 46 Verifier LT LT
4 Idle
Verifier LT LT
5 Verfier LT LT 30 6 70
7 49 Idle
Verifier LT 15 LT 56
8 22 LT 17 LT 50 Verifier
9 68 Idle Verifier LT
10 LT LT 43 Verifier LT LT 18 LT 45
11 66 Verifier LT LT
12 13 Verfier LT LT 21 LT 12 LT 54
14 44 Idle Verifier LT
15 25 LT LT 11 LT LT 1 LT
Time 14 15 16 17 18 19 20 21 22 23 24
Docks
1 32 Idle
Verifier LT LT
2 20 LT 16 LT 2 LT 3 46 Verifier LT LT 4
5 30 Idle Verifier LT
6 70
7 49 Idle
Verifier LT 15 LT 56
8 22 LT 17 LT 50 Verifier
9 68 Idle
Verifier
Verifier LT
10 LT LT 43 Verifier LT LT 18 LT 45
11 66 Idle
Verifier LT LT
12 13 21 LT 12 LT 54
14 44 Idle
Verifier LT 31
15 25 LT 11 LT 1 LT 6 LT 4 LT
Time 14 15 16 17 18 19 20 21 22 23 24
Schedule Result After Operational Adjustments
Operaciones en Centro Distribución
11
• Identifica oportunidades de ahorro, optimizando conformación de pallets
• Permite estudiar nuevos arreglos
• Permite hasta 40% menos espacio requerido
Package: 30 diapersBag: 8 (2x2x2) packsPallet: 3x10 bags = 7200 diapers.
Package: 34 diapersBag: 12 (2x3x2) packsPallet: 2x10 bags = 8260 diapers
Optimización Empaque Secundario
12
– Genera estrategia optima de reabastecimiento para la cadena de suministro
– Mantiene balance de inventarios en cada centro distribución cercano a los objetivos
– Minimiza costos de transporte – Reduce backorders, anticipando necesidades de clientes
M2
DC1W1
DC2
DC3
S2
S3
M1
S1
(250, 150)
(0, 0)
(0, 132)
(0, 0)
(150, 200)
(219, 0)
(150, 200)
(56, 0)
(47, 0)
(0, 143)
(0, 0)
(0, 69)
(0, 67)
(0, 200)
(300, 0)
Distribution Resource Planning (DRP)
13
• Agrupa ordenes de clientes de manera de minimizar costos transporte y distribución
• Uso ha permitido reducciones en costos de hasta 7%
TLB
Orders Deliveries Optimize Shipments
Transport Load Builder
Motivación
• Supongamos que un planeador tiene 22 productos para
hacer en una máquina. Hay 22! = 1.12x1021 maneras de hacerlo.
Si el planeador evalúa una secuencia por segundo, el evaluar todas las secuencias tomaría 3.56x1013 años. (La edad del universo es de apenas 1011 años).
Finalista 2010 D.H. Wagner Prize
Secuencia Producción Pañales
15
XL M L M
Cambio CambioCambio
DesechoDesecho Desecho
Finalista 2010 D.H. Wagner Prize
Secuencia es importante
Tamaño lotes de producción son importantes
16
M L
M L M L
ML
Finalista 2010 D.H. Wagner Prize
17
Permite determinar lotes óptimos de producción, asignación de maquinas, políticas de inventario y secuencia de producción.
Maximiza utilidades ($) Utiliza heurísticas combinadas
con herramientas de optimización. Permitiendo soluciones en menos de 30 minutos
Finalista 2010 D.H. Wagner Prize
Herramienta en plataforma web
18
• ¿Qué es Optimización…? Disciplina matemática Disciplina de Ingeniería
• Problema básico de Optimización Encontrar mejor valor de alguna medida de desempeño
(función objetivo), siempre que variables cumplan condiciones o restricciones.
• La Optimización la veremos como parte de
INVESTIGACION DE OPERACIONES (Operations Research)
Introducción
19
¿Qué es Investigación de Operaciones?
• “Disciplina científica que aplica métodos analíticos avanzados para ayudar a tomar mejores decisiones”
• Orígenes:
Desarrollo industrial de comienzos del siglo XX 2a. Guerra Mundial Desarrollo industrial de posguerra
Investigación de Operaciones
20
Incluye disciplinas como:
• Optimización (llamada también Programación Matemática)
• Modelos estocásticos• Simulación• Métodos estadísticos
• En otras partes es sinónimo del concepto de “Management Sciences” y es considerada el núcleo cuantitativo de la Ingeniería Industrial.
Investigación de Operaciones
21
• La I.O. y, en particular, la optimización, han ayudado a muchas organizaciones
• Hay un premio internacional por aplicaciones de alto impacto (Franz Edelman Prize).– Empresas manufactureras– Líneas aéreas– Sector eléctrico– Transporte público– Sistemas hospitalarios y de salud– etc…
El Ámbito de Investigación de Operaciones
22
• La optimización en sí es mucho más antigua que la I.O.– Lagrange, Euler….
• Aplicaciones en muchas áreas:– “Gestión”: para asignar recursos eficientemente– “Ingeniería”: Diseñar un avión que vuele lejos y en forma
eficiente es un problema de optimización....
• Ilustraremos su amplio campo...
Relevancia de I.O.
23
• Optimización “lineal”• Optimización “no lineal”• Optimización combinatorial• Optimización estocástica• Optimización no diferenciable
• Poder computacional al servicio de la optimización….
Desarrollos Modernos
24
• Este será el problema del curso....
min ( )
. . ( ) 1,...,i i
f x
s a g x b i m
x C
• f : Rn ———>R es una función real.• gi : Rn ———>R son funciones reales, i =1,…,m.
• bi son escalares, i =1,…,m.
• C es un conjunto en Rn.
El Problema típico de Optimización
25
• Problemas de la “vida real” se pueden resolver de esta forma….
• Pero primero: hay que saber colocar un problema de la “vida real” en ese formato.
• Y eso es.... MODELAR.
• La primera parte del curso la dedicaremos a modelar…
El Problema típico de Optimización
26
min ( )
. . ( ) 1,...,i i
f x
s a g x b i m
x C
El Proceso de Modelación
27
¿Qué hacemos una vez que tenemos el modelo?
• Preguntas:
• ¿Representa el modelo adecuadamente la realidad?• ¿Tendrá solución el problema?• Y si tiene solución…. ¿es única?• Y si tiene solución, ¿cómo la encuentro?• Y una vez resuelto el problema, ¿qué pasa si cambia
algo..?
El Proceso de Modelación
28
• Modelamiento– Cómo poner un problema real en el lenguaje de la
Optimización (el formato anterior)• Teoría:
– Existencia, caracterización de soluciones, propiedades de diversos tipos de modelos.
• Métodos (algoritmos) para encontrar esas soluciones.– Algoritmos computacionales.
• Análisis de los resultados de un problema de optimización.
Enfoque del Curso
29
ModelosProblemas reales
Métodos computacionales
Respaldo conceptual matemático
Enfoque del Curso
30
Hoy
• Comenzaremos el curso por “aprender” a modelar problemas.....
• Primero un ejemplo simple y después otros más complejos…
Enfoque del Curso
31
• Modelar: ¿Proceso formal o más bien un “arte”?
• No hay una “teoría” para construir modelos
• Aprenderemos construyendo modelos y viendo modelos ya desarrollados.
Enfoque del Curso
32
• Una industria química:
– Tiene 3 arenas diferentes que usa de materia prima.– Se procesan y de cada arena se obtienen tres
productos distintos, en distintas cantidades según el tipo de arena.
– Hay que fabricar ciertas cantidades mínimas de los productos.
– El proceso contamina más o menos según el uso de las arenas.
Primer Ejemplo Simple
33
• El objetivo declarado: Cumplir los requerimientos mínimos
demandados contaminando lo menos posible...
• ¿Qué decisión hay que tomar...?
Primer Ejemplo Simple
34
• Datos:– Generación de productos por tonelada de arena,
requerimientos mínimos y nivel de contaminación generado:
Arena 1 Arena 2 Arena 3 Requerimiento mínimo (ton)
SO2 generado (ton/ton)
0,01 0,04 0,05
Producto 1 0,5 0,3 0 120
Producto 2 0,1 0,3 0,6 200
Producto 3 0,2 0,3 0,3 30
Primer Ejemplo Simple
35
• Tenemos que poner todo en el formato:
Cx
mixgas
xf
i
,...,10)(..
)(min
• Hagámoslo.....• Vamos a identificar:
– Variables: ¿cuáles son las decisiones?– Restricciones: ¿cómo están relacionadas y restringidas las
decisiones?– Función objetivo: ¿qué queremos lograr?
Primer Ejemplo Simple
Top Related