Cr茅ditos ECTS
Cr茅ditos ECTS: 5
Horas ECTS Criterios/Memorias
Trabajo del Alumno/a ECTS: 85
Horas de Tutor铆as: 5
Clase Expositiva: 15
Clase Interactiva: 20
Total: 125
Lenguas de uso
Castellano, Gallego
Tipo:
Materia Ordinaria 惭谩蝉迟别谤 RD 1393/2007 - 822/2021
Departamentos:
Estad铆stica, An谩lisis Matem谩tico y Optimizaci贸n
脕谤别补蝉:
Estad铆stica e 滨苍惫别蝉迟颈驳补肠颈贸苍 Operativa
Centro
Facultad de Matem谩ticas
Convocatoria:
Primer semestre
Docencia:
Con docencia
惭补迟谤铆肠耻濒补:
Matriculable
En esta materia se pretende acercar al alumno a los fundamentos te贸ricos de la optimizaci贸n matem谩tica, as铆 como introducir aspectos aplicados relativos al modelado y resoluci贸n de problemas de optimizaci贸n.
Los objetivos a alcanzar como resultado del aprendizaje son:
鈥� Conocer en profundidad las diferencias entre las distintas clases de problemas de optimizaci贸n.
鈥� Saber identificar y modelar problemas complejos de optimizaci贸n lineal y no lineal.
鈥� Conocer el software adecuado para resolver problemas de optimizaci贸n lineal y no lineal.
鈥� Desarrollar las capacidades necesarias para el dise帽o de algoritmos especializados de optimizaci贸n.
Tema 1. Introducci贸n al an谩lisis convexo.
Tema 2. Optimizaci贸n convexa.
Tema 3. Lenguajes de modelizaci贸n: AMPL.
Tema 4. Optimizaci贸n sin restricciones. Algoritmos.
Tema 5. Optimizaci贸n con restricciones. Conceptos te贸ricos.
Tema 6. Optimizaci贸n con restricciones. T茅cnicas de descomposici贸n.
Tema 7. Optimizaci贸n con restricciones. Algoritmos cl谩sicos.
Tema 8. Optimizaci贸n Global.
叠谩蝉颈肠补
- Bazaraa, M.S.; Sherali, H.; Shetty, C. (2006). 鈥淣onlinear programming. Theory and algorithms鈥�. Wiley.
- Ruszczynski, A.P. (2006). 鈥淣onlinear optimization鈥�. Princeton University Press.
- Horst, R.; Tuy, H. (2003). 鈥淕lobal Optimization: Deterministic Approaches鈥�. Springer.
Complementaria
- Fourer, R.; Gay, D.M.; Kernighan, B.W. (2002). 鈥淎MPL: A modeling language for Mathematical Programming鈥�. Duxbury Press.
- Bertsekas, D.P. (2016). 鈥淣onlinear programming鈥�. Athena Scientific.
- Hiriart-Urruty, J.-B.; Lemar茅chal, C. (2004). 鈥淔undamentals of Convex Analysis鈥�. Grundlehren Text Editions.
En esta materia se trabajar谩n las competencias b谩sicas, generales y transversales recogidas en la memoria del t铆tulo. Se indican a continuaci贸n cu谩les son las competencias espec铆ficas, que se potenciar谩n en esta materia:
E1 - Conocer, identificar, modelar, estudiar y resolver problemas complejos de estad铆stica e investigaci贸n operativa, en un contexto cient铆fico, tecnol贸gico o profesional, surgidos en aplicaciones reales.
E3 - Adquirir conocimientos avanzados de los fundamentos te贸ricos subyacentes a las distintas metodolog铆as de la estad铆stica y la investigaci贸n operativa, que permitan su desarrollo profesional especializado.
E6 - Adquirir conocimientos te贸rico-pr谩cticos avanzados de distintas t茅cnicas matem谩ticas, orientadas espec铆ficamente a la ayuda en la toma de decisiones, y desarrollar capacidad de reflexi贸n para evaluar y decidir entre distintas perspectivas en contextos complejos.
E7 - Adquirir conocimientos te贸rico-pr谩cticos avanzados de distintas t茅cnicas de optimizaci贸n matem谩tica, tanto en contextos unipersonales como multipersonales, y saber aplicarlos con autonom铆a suficiente en un contexto cient铆fico, tecnol贸gico o profesional.
E9 - Conocer y saber aplicar con autonom铆a en contextos cient铆ficos, tecnol贸gicos o profesionales, t茅cnicas de aprendizaje autom谩tico y t茅cnicas de an谩lisis de datos de alta dimensi贸n (big data).
La mayor parte de la docencia presencial consistir谩 en exposiciones orales del profesor, entre las que se intercalar谩n algunas sesiones m谩s pr谩cticas en las que se resolver谩n ejemplos mediante software especializado, por lo que es necesario que el alumnado disponga en el aula de un ordenador.
Se propondr谩n actividades para el alumnado, que consistir谩n en la resoluci贸n de cuestiones, ejercicios y ejemplos relacionados con el modelado y resoluci贸n de problemas de optimizaci贸n aplicados.
Se facilitar谩 al alumno el material de apoyo adecuado a trav茅s del campus virtual.
La asignatura estar谩 dividida en dos partes, cada una con un peso del 50% en la nota final. Dicha nota proceder谩 al 100% de pruebas de evaluaci贸n continua, mediante la entrega y revisi贸n de distintos trabajos propuestos a lo largo del curso. Adem谩s, en ambas partes se realizar谩 un control te贸rico-pr谩ctico que tambi茅n puntuar谩 para la evaluaci贸n continua. El m茅todo de evaluaci贸n ser谩 el mismo tanto en la primera como en la segunda edici贸n de las actas.
Los ejercicios propuestos en la evaluaci贸n continua ser谩n de distinta naturaleza, para as铆 poder evaluar las distintas competencias a desarrollar en la asignatura:
- Se asignar谩n trabajos te贸rico-conceptuales, en los cuales el alumno deber谩 mostrar su dominio de los conceptos y contenidos desarrollados en las clases expositivas. Esto permitir谩 evaluar las competencias CB6, CB7, CB10, CG1, E3.
- Otros trabajos requerir谩n tanto el modelado como la resoluci贸n de problemas de optimizaci贸n, seguidos de un an谩lisis de las soluciones obtenidas mediante informes estructurados y claros, lo que permitir谩 evaluar las siguientes competencias adicionales CB8, CB9, CG2, CG4, CT1, CT3, CT4, E1, E3, E6, E7, E9.
- Adem谩s, algunos de estos trabajos requerir谩n usar software y algoritmos espec铆ficos para su resoluci贸n, lo que permitir谩 evaluar la competencia CG5 y profundizar en E6.
- Por 煤ltimo, la competencia CT5 ser谩 desarrollada mediante la asignaci贸n de alg煤n trabajo para realizar en grupo.
Cada cr茅dito ECTS se traduce en 7 horas de clase presencial. Se estima que el alumno necesitar谩, por cada hora de clase presencial, una hora adicional para la comprensi贸n global de los contenidos. Adem谩s, la realizaci贸n de trabajos de evaluaci贸n continua ascender谩 a 10 horas por cr茅dito ECTS. En total resultar谩n 24 horas por cr茅dito ECTS.
Es conveniente que el alumnado posea conocimientos b谩sicos de optimizaci贸n matem谩tica. Tambi茅n es recomendable disponer de unas habilidades medias en el manejo de ordenadores, y en concreto de software especializado de modelizaci贸n de problemas de optimizaci贸n.
Se aconseja participar activamente en el proceso de aprendizaje: asistencia y participaci贸n en clases te贸ricas y pr谩cticas. Utilizaci贸n de tutor铆as y realizaci贸n de un esfuerzo responsable de trabajo y asimilaci贸n personal de los m茅todos estudiados.
Es recomendable que el alumno haya cursado alguna materia de Programaci贸n Matem谩tica en general y de Programaci贸n Lineal y Entera en particular.
En el desarrollo de la materia se tendr谩 en cuenta que las competencias a adquirir deben cumplir con el nivel MECES3. El 茅nfasis te贸rico predominante en esta asignatura se complementar谩 con el estudio de alg煤n lenguaje de modelado algebraico (como AMPL o GAMS), que permita un r谩pido prototipado y resoluci贸n de problemas complejos, as铆 como la implementaci贸n 谩gil de algoritmos especializados.
Para los casos de realizaci贸n fraudulenta de ejercicios o pruebas, ser谩 de aplicaci贸n lo recogido en las respectivas normativas de las universidades participantes en el 惭谩蝉迟别谤 en T茅cnicas Estad铆sticas.
Esta gu铆a y los criterios y metodolog铆as en ella descritos est谩n sujetos a las modificaciones que se deriven de normativas y directrices de las universidades participantes en el 惭谩蝉迟别谤 en T茅cnicas Estad铆sticas.
Balbina Virginia Casas Mendez
Coordinador/a- Departamento
- Estad铆stica, An谩lisis Matem谩tico y Optimizaci贸n
- 脕谤别补
- Estad铆stica e 滨苍惫别蝉迟颈驳补肠颈贸苍 Operativa
- 罢别濒茅蹿辞苍辞
- 881813180
- Correo electr贸nico
- balbina.casas.mendez [at] usc.es
- 颁补迟别驳辞谤铆补
- Profesor/a: Titular de Universidad
Julio Gonzalez Diaz
- Departamento
- Estad铆stica, An谩lisis Matem谩tico y Optimizaci贸n
- 脕谤别补
- Estad铆stica e 滨苍惫别蝉迟颈驳补肠颈贸苍 Operativa
- 罢别濒茅蹿辞苍辞
- 881813207
- Correo electr贸nico
- julio.gonzalez [at] usc.es
- 颁补迟别驳辞谤铆补
- Profesor/a: Titular de Universidad
| 10.01.2025 16:00-20:00 | Grupo /CLE_01 | Aula 04 |
| 23.06.2025 16:00-20:00 | Grupo /CLE_01 | Aula 04 |