Última revisión realizada: 31/05/2022
Denominación de la asignatura |
Métodos de Optimización y Aplicaciones |
Grado al que pertenece |
Grado en Ingeniería en Organización Industrial |
Créditos ECTS |
6 |
Curso y cuatrimestre en el que se imparte |
Cuarto curso, segundo cuatrimestre |
Materia a la que pertenece |
Organización y empresa |
Carácter de la asignatura | Obligatoria |
La asignatura de Métodos de Optimización y Aplicaciones pretende ofrecer al alumno una visión general de las herramientas matemáticas disponibles que sirven como apoyo a la toma de decisiones en los ámbitos de la ingeniería y de la empresa. En muchos ámbitos de la actividad productiva es necesario tomar decisiones que permitan, en la mayoría de los casos, lograr un mejor aprovechamiento de los recursos o un mayor rendimiento económico. Este tipo de cuestiones son susceptibles de ser enfocadas como problemas de optimización matemática. Los contenidos de la asignatura se presentan en cuatro grandes bloques:
A lo largo de la asignatura se presentan diferentes casos prácticos de aplicación en el entorno profesional e industrial, que pretenden servir como elemento motivador para el alumno, y ofrecer una idea clara de la utilidad de estos métodos en su desempeño profesional futuro.
Competencias básicas
Competencias generales
Competencias específicas
Tema 1. Optimización no lineal
Introducción
Clasificación de los métodos de optimización
Planteamiento general del problema de optimización
La programación no lineal
Tipos de problemas
Optimización no restringida de una variable
Optimización no restringida de varias variables
Programación separable
Programación cuadrática.
Referencias bibliográficas
Tema 2. Optimización multicriterio
Introducción al análisis multicriterio
Principales conceptos
Evolución histórica de los métodos
Del MCDM al MCDA
Clasificación de los métodos MCDM/MCDA
Método de ponderación lineal (scoring)
Utilidad Multiatributo (MAUT)
Referencias bibliográficas
Tema 3. Proceso Analítico Jerárquico (AHP)
Fundamentos del Proceso Analítico Jerárquico
La metodología AHP
Consistencia de las matrices de comparación
Algoritmo de implementación
Axiomas del AHP
Ventajas e inconvenientes del AHP
Ejemplos de aplicación
Referencias bibliográficas
Tema 4. El método TOPSIS
Introducción
Concepto de alternativa ideal
El algoritmo TOPSIS
Problemas del método
Método TOPSIS absoluto
Ejemplo de aplicación
Ventajas e inconvenientes
Referencias bibliográficas
Tema 5. Los métodos PROMETHEE
Introducción
Siete características deseables
Modelado de preferencias
Relación valuada de superación
Explotación para la ayuda a la decisión
El plano GAIA
PROMETHEE V
Consideraciones prácticas
Referencias bibliográficas
Tema 6. El método ELECTRE
Introducción
Filosofía de los métodos ELECTRE
Selección del método ELECTRE
Concepto de pseudo-criterio
El método ELECTRE I
El método ELECTRE III
Ventajas e inconvenientes
Referencias bibliográficas
Tema 7. Programación por Metas
Introducción
Modelo básico de programación por metas
Método de los pesos
Método preventivo
Referencias bibliográficas
Tema 8. Decisión con riesgo e incertidumbre
Introducción
Decisiones en condiciones de riesgo
Decisiones en condiciones de incertidumbre
Ejemplo de aplicación de criterios de decisión
Árbol de decisiones
Caso de aplicación de árboles de decisión
Referencias bibliográficas
Tema 9. Métodos heurísticos de optimización
Introducción
Clasificación de algoritmos heurísticos
Heurística codiciosa de variable discreta
Heurística codiciosa de variable continua
Extensión al caso de varias variables
Ventajas e inconvenientes de los métodos heurísticos
Referencias bibliográficas
Tema 10. Metaheurísticas
Introducción
Características de las metaheurísticas
Principales limitaciones
Clasificación de metaheurísticas
Metaheurísticas trayectoriales
Búsqueda tabú
Recocido simulado
Referencias bibliográficas
Tema 11. El problema del agente viajero
Problemas de optimización combinatoria
Soluciones exactas del TSP: B&B
Soluciones heurísticas del TSP
Solución del TSP por búsqueda tabú
Referencias bibliográficas
Tema 12. Algoritmos genéticos
Introducción a los algoritmos evolutivos
Clasificación de algoritmos evolutivos
Algoritmos genéticos
Un ejemplo de aplicación
Ventajas e inconvenientes
Referencias bibliográficas
Las actividades formativas de la asignatura se han elaborado con el objetivo de adaptar el proceso de aprendizaje a las diferentes capacidades, necesidades e intereses de los alumnos.
Las actividades formativas de esta asignatura son las siguientes:
En la programación semanal puedes consultar cuáles son las actividades concretas que tienes que realizar en esta asignatura.
Estas actividades formativas prácticas se completan, por supuesto, con estas otras:
Las horas de dedicación a cada actividad se detallan en la siguiente tabla:
ACTIVIDADES FORMATIVAS |
HORAS |
PRESENCIAL |
Sesiones presenciales virtuales |
15 |
100% |
Recursos didácticos audiovisuales | 6 |
0 |
Lectura del material complementario | 25 |
0 |
Trabajo colaborativo | 7 |
0 |
Estudio del material básico | 50 |
0 |
Tutorías | 16 |
30% |
Sesiones presenciales de laboratorio virtual | 12 |
16,7% |
Trabajos, casos prácticos, test de autoevaluación | 17 |
0 |
Realización del examen final | 2 |
100% |
Total | 150 |
Para la correcta participación de los alumnos en las diferentes actividades propuestas en la asignatura se recomienda disponer de un ordenador con las siguientes especificaciones mínimas recomendadas:
Bibliografía básica
Ceballos, B., Jiménez, M. T. L., Pelta, D. A., & Sánchez, J. M. (2013). El método TOPSIS relativo vs. absoluto. Rect@: Revista Electrónica de Comunicaciones y Trabajos de ASEPUMA, (14), 181-192. Recuperado de: https://dialnet.unirioja.es/servlet/articulo?codigo=4743030
Duarte, A., Pantrigo, J. J., & Gallego, M. (2007). Metaheurísticas. Madrid: Dykinson, S.L.
Hillier, F. S., & Lieberman, G. J. (2010). Introducción a la investigación de operaciones (9ª ed.). México: McGraw-Hill.
Leyva, J. C. (Ed.). (2011). Análisis multicriterio para la toma de decisiones. México: Plaza y Valdés Editores.
Moreno, J. M. (2002). El proceso analítico Jerárquico (AHP). Fundamentos, metodología y aplicaciones. RECT@. Revista Electrónica de Comunicaciones y Trabajos de ASEPUMA. Serie Monografías., 1, 21–53. Recuperado de:
https://www.researchgate.net/publication/264855456
Taha, H. A. (2012). Investigación de Operaciones (9ª ed.). México: Pearson Educación.
Todos los intervalos necesarios para el estudio de la asignatura están disponibles en el aula virtual y en la Biblioteca Virtual de UNIR.
Bibliografía complementaria
Brans, J. P., & De Smet, Y. (2016). PROMETHEE Methods. En: S. Greco, M. Ehrgott, & J. R. Figueira (Eds.), Multiple Criteria Decision Analysis (Vol. 233, pp. 187-219). New York, NY: Springer New York. doi.org/10.1007/978-1-4939-3094-4_6
Figueira, J., Mousseau, V., & Roy, B. (2005). ELECTRE Methods. En S. Greco (Ed.), Multiple Criteria Decision Analysis: State of the Art Surveys. New York: Springer-Verlag. Recuperado de:
http://l1.lamsade.dauphine.fr/dea103/ens/bouyssou/Outranking_Mousseau.pdf
Figueira, J., Greco, S., Roy, B., & Slowinski, R. (2010). Electre Methods: Main Features and Recent Developments. Recuperado de: https://hal.archives-ouvertes.fr/hal-00876980
Gil, J. C. y Claver Gil, J. (2017). El proceso analítico jerárquico: aplicación al estudio del patrimonio industrial inmueble. UNED - Universidad Nacional de Educación a Distancia. Recuperado de: https://bv.unir.net:3555/es/lc/unir/titulos/48886
Ishizaka, A., y Nemery, P. (2013). Multi-criteria Decision Analysis: Methods and Software. Wiley.
Pérez, E. (2009). Curso de introducción a la economía de empresa. Madrid: Editorial Universitaria Ramón Areces.
Romero, C. (1996). Análisis de las decisiones multicriterio. Madrid: Isdefe. Recuperado de:
http://www.academia.utp.ac.pa/sites/default/files/docente/51/decisiones_multicriterio.pdf
Romero, C. (2002). Programación por metas (goal programming): pasado, presente y futuro. RECT@. Revista Electrónica de Comunicaciones y Trabajos de ASEPUMA. Serie Monografías., 1, 75–89. Recuperado de:
http://www.uv.es/asepuma/recta/extraordinarios/Vol_01/04t.pdf
Ruiz Garzón, G. (2016). Métodos cuantitativos para la toma de decisiones empresariales: ejercicios. Servicio de Publicaciones de la Universidad de Cádiz. Recuperado de:
https://bv.unir.net:3555/es/lc/unir/titulos/33885
Saaty, T. L. (1980). The Analytics Hierarchy Process. New York: McGraw-Hill.
Taha, H. A. (2016). Operations Research: An Introduction (10ª ed). Pearson.
Vidal, A. (2013). Algoritmos heurísticos en optimización (Trabajo de fin de Máster). Universidad de Santiago de Compostela, Santiago de Compostela. Recuperado de:
http://eio.usc.es/pub/mte/descargas/ProyectosFinMaster/Proyecto_782.pdf
El sistema de calificación se basa en la siguiente escala numérica:
0 - 4, 9 |
Suspenso |
(SS) |
5,0 - 6,9 |
Aprobado |
(AP) |
7,0 - 8,9 |
Notable |
(NT) |
9,0 - 10 |
Sobresaliente |
(SB) |
La calificación se compone de dos partes principales:
El examen se realiza al final del cuatrimestre y es de carácter PRESENCIAL u ONLINE y OBLIGATORIO. Supone el 60% de la calificación final y para que la nota obtenida en este examen se sume a la nota final, es obligatorio APROBARLO.
La evaluación continua supone el 40% de la calificación final. Este 40% de la nota final se compone de las calificaciones obtenidas en las diferentes actividades formativas llevadas a cabo durante el cuatrimestre.
Ten en cuenta que la suma de las puntuaciones de las actividades de la evaluación continua permite que realices las que prefieras hasta conseguir el máximo puntuable mencionado en la programación semanal. En ella se detalla la calificación máxima de cada actividad o evento concreto puntuables.
El sistema de evaluación de la asignatura es el siguiente:
SISTEMA DE EVALUACIÓN |
PONDERACIÓN MIN. |
PONDERACIÓN MÁX. |
Examen final | 60% |
60% |
Trabajos, proyectos, laboratorios/talleres y/o casos | 0% |
40% |
Test de autoevaluación | 0% |
40% |
Participación del estudiante (sesiones, laboaratorios, foros, tutorías) | 0% |
40% |
Luis Pedraza Gómara
Formación: Doctor en Automática y Robótica por la Universidad Politécnica de Madrid. Máster en Formación del Profesorado de Educación Secundaria por la Universidad Internacional de La Rioja. Máster en Economía Digital e Industrias Creativas por la Escuela de Organización Industrial. Ingeniero Industrial especializado en Automática y Electrónica por la Universidad Politécnica de Madrid.
Experiencia: Ha participado en diferentes proyectos nacionales e internacionales relacionados con la automatización industrial, los robots caminantes y los robots móviles inteligentes, tanto en el Instituto de Automática Industrial del CSIC, como en la División de Ingeniería de Sistemas y Automática de la Universidad Politécnica de Madrid. Tras la finalización de sus Tesis Doctoral que obtuvo Premio Extraordinario de la Universidad Politécnica de Madrid, desempeñó labores docentes en la Universidad Carlos III de Madrid en las áreas de visión por computador, automatización, y control inteligente. También ha trabajado como ingeniero en la startup tecnológica Biicode. Actualmente desempeña tareas docentes, de gestión e investigación en UNIR.
Líneas de investigación: Su área de investigación principal se centra en la robótica móvil, y más concretamente en problemas de localización y modelización del entorno. También le interesan los problemas relacionados con la visualización de datos. Ha publicado artículos en revistas de investigación indexadas y ha participado en diferentes congresos nacionales e internacionales.
Obviamente, al tratarse de formación on-line puedes organizar tu tiempo de estudio como desees, siempre y cuando vayas cumpliendo las fechas de entrega de actividades, trabajos y exámenes. Nosotros, para ayudarte, te proponemos los siguientes pasos:
Recuerda que en el aula virtual de Lo que necesitas saber antes de empezar puedes consultar el funcionamiento de las distintas herramientas del aula virtual: Correo, Foro, Sesiones presenciales virtuales, Envío de actividades, etc.
Ten en cuenta estos consejos…
|