- ES Español (Latinoamérica)

- EN English

7.60. Optimización I (Electivo)
- Semestre: 9no Sem. Créditos: 4
- Horas del curso: Teoría: 2 horas; Práctica: 2 horas; Laboratorio: 2 horas;
- Sílabo:
- htmlonly

Español (Latinoamérica)

English - Prerrequisitos:
- MA221 Análisis Numérico I (5to Sem)
7.60.1. Justificación ↑ Volver arriba
Este curso introduce los fundamentos matemáticos de la optimización, cubriendo tanto problemas sin restricciones como con restricciones. Se estudian métodos clásicos de optimización continua, condiciones de optimalidad, algoritmos numéricos y aplicaciones en diversos campos. El curso proporciona las bases teóricas y computacionales para formular y resolver problemas de optimización en ciencia, ingeniería y economía, desarrollando habilidades analíticas para caracterizar y encontrar soluciones óptimas.
7.60.2. Objetivos Generales ↑ Volver arriba
- Comprender los conceptos fundamentales de optimización y clasificar diferentes tipos de problemas de optimización.
- Aplicar condiciones de optimalidad para caracterizar soluciones en problemas de optimización continua.
- Implementar algoritmos numéricos para resolver problemas de optimización sin restricciones y con restricciones.
- Analizar la convergencia y eficiencia de diferentes métodos de optimización.
- Formular y resolver problemas de optimización del mundo real en diversos contextos aplicados.
7.60.3. Contribución a los resultados (Outcomes) ↑ Volver arriba
- ABET-1) Habilidad para identificar, formular y resolver problemas técnicos o científicos ampliamente definidos mediante la aplicación de conocimientos de matemáticas y ciencias y/o temas técnicos en áreas relevantes para la disciplina. (Usage)
- ABET-3) Habilidad para desarrollar y llevar a cabo experimentos o probar hipótesis, analizar e interpretar datos y utilizar el juicio científico para obtener conclusiones. (Usage)
7.60.4. Contenido ↑ Volver arriba
7.60.4.1. Optimización Convexa y No Convexa (20 horas) [Habilidades ABET-1,ABET-3] ↑ Volver arriba
Referencias Bibliográficas: (Nocedal and Wright, 2006; Boyd and Vandenberghe, 2004)
Temas
- Conjuntos y funciones convexas
- Condiciones de optimalidad
- Métodos de gradiente para optimización convexa
- Desafíos de optimización no convexa
- Análisis de convergencia
Aprendizaje esperado (Learning Outcomes)
- Caracterizar problemas de optimización convexa [Evaluar]
- Aplicar condiciones de optimalidad para verificar soluciones [Usar]
- Implementar métodos basados en gradiente para problemas convexos [Usar]
- Analizar desafíos en optimización no convexa [Evaluar]
7.60.4.2. Optimización con Restricciones (20 horas) [Habilidades ABET-1,ABET-3] ↑ Volver arriba
Referencias Bibliográficas: (Nocedal and Wright, 2006; Boyd and Vandenberghe, 2004)
Temas
- Programación lineal (método simplex)
- Programación entera
- Multiplicadores de Lagrange y condiciones KKT
- Métodos de penalización y barrera
- Teoría de dualidad
Aprendizaje esperado (Learning Outcomes)
- Resolver problemas de programación lineal [Usar]
- Formular y resolver problemas de programación entera [Usar]
- Aplicar condiciones KKT a problemas con restricciones [Usar]
- Usar métodos de penalización para optimización con restricciones [Usar]
7.60.4.3. Optimización para Aprendizaje Automático (20 horas) [Habilidades ABET-1,ABET-3] ↑ Volver arriba
Referencias Bibliográficas: (Nocedal and Wright, 2006; Bertsekas, 2016)
Temas
- Descenso de gradiente estocástico
- Momentum y métodos adaptativos (Adam, RMSProp)
- Regularización y dispersidad
- Optimización distribuida para AA
- Métodos de segundo orden para AA
Aprendizaje esperado (Learning Outcomes)
- Implementar variantes de descenso de gradiente estocástico [Usar]
- Aplicar métodos de optimización adaptativos [Usar]
- Usar regularización para generalización de modelos [Usar]
- Diseñar estrategias de optimización distribuidas [Usar]
7.60.4.4. Metaheurísticas y Optimización Bioinspirada (20 horas) [Habilidades ABET-1,ABET-3] ↑ Volver arriba
Referencias Bibliográficas: (Talbi, 2009; Mirjalili, 2019)
Temas
- Algoritmos genéticos y estrategias evolutivas
- Inteligencia de enjambre (PSO, colonia de hormigas)
- Temple simulado
- Búsqueda tabú
- Metaheurísticas híbridas
Aprendizaje esperado (Learning Outcomes)
- Implementar algoritmos genéticos [Usar]
- Aplicar métodos de inteligencia de enjambre [Usar]
- Usar temple simulado para optimización global [Usar]
- Diseñar enfoques metaheurísticos híbridos [Usar]
7.60.5. Referencias Bibliográficas ↑ Volver arriba
Nocedal, J. and Wright, S. J. (2006). Numerical Optimization. Springer, 2nd edition.
Boyd, S. and Vandenberghe, L. (2004). Convex Optimization. Cambridge University Press, 1st edition.
Bertsekas, D. P. (2016). Nonlinear Programming. Athena Scientific, 3rd edition.
Talbi, E.-G. (2009). Metaheuristics: From Design to Implementation. Wiley, 1st edition.
Mirjalili, S. (2019). Evolutionary Algorithms and Neural Networks: Theory and Applications. Springer, 1st edition.