Simulación Optimización

Montecarlo
Optimización

¿Qué es optimizar?

¿Se puede lograr siempre?

Optimización computacional Alessandro
Navarra

Programación matemática Algoritmia (Heurística)

Variables, restricciones, y otros Análisis, diseño, adaptación e

constructos matemáticos implementación de algoritmos

Extensión de álgebra lineal y cálculo Resuelve una clase particular de

diferencial problemas

Implica organizar e ingresar datos en una Implica implementar y/o adaptar uno o
herramienta computacional que ya tiene más algoritmos, aprovechando la
implementado algoritmos conocidos. estructura particular del problema
Programación matemática

Función
objetivo

Variables
de decisión

Restricciones
Soluciones

>> Conjunto de valores específicos para las variables de decisión <<

Solución
factible Región Solución
Factible óptima
Solución
no factible
Programación lineal

Min/Max Z = k1X1 + k2X2 + … + knXn

Sujeto a:
a11X1 + a21X2 + … + an1Xn </=/> b1
a12X1 + a22X2 + … + an2Xn </=/> b2
…
a1mX1 + a2mX2 + … + anmXn </=/> bm

X1, X2, …, Xn ≥ 0
Limitaciones de PM Alessandro
Navarra

No linealidad Combinatoria Estocasticidad

Algoritmia Alessandro
Navarra

Metaheurística

Estructura Heurística

Vocabulario
Tiempo de ejecución Solución óptima
Metaheurística Alessandro
Navarra

Iniciación Búsqueda
Tabú
Iteración
Templado
simulado
Detención
Evolución
biológica
Mejor solución
Optimización de caja negra Alessandro
Navarra

▪ Se evite la necesidad de suposiciones relacionado con la

función objetivo, restricciones, etc.

▪ Combina enfoques de PM y Algoritmia.

▪ Modelos comerciales relativamente fáciles de utilizar.

▪ Requiere corridas de validación.

AnyLogic
Simulación de Montecarlo

INPUT OUTPUT

MODELO
Datos Mediciones
Valores Indicadores
Parámetros Resultados
Excel