No hay comentarios.

CURSO : Optimizacion bajo incertidumbre
TRADUCCION : Optimization under uncertainty
SIGLA : ICS3151
CREDITOS : 10 UC / 6 SCT
MODULOS : 02 y 01 Ayudantia
REQUISITOS : ICS1113 Optimizacion o
ICS113H Optimizacion Honors
RESTRICCIONES : no tiene
CARACTER : Optativo
TIPO : Catedra
CALIFICACION : Estandar
PROFESOR : Gustavo Angulo Olivares
VACANTES : 60
SEMESTRE : I


I. DESCRIPCION

Este curso explora la teoria, modelos y metodos de solucion para problemas de optimizacion donde no existe certeza respecto a los datos que definen el problema en cuestion. Esta situacion incide directamente en la definicion de una funcion objetivo adecuada y en la incorporacion de restricciones que permitan una representacion apropiada de la incertidumbre y su dinamica. El curso aborda problemas de dos y multiples etapas, restricciones probabilisticas y medidas de riesgo, entre otros temas.


II. OBJETIVOS

1. Comprender distintos enfoques para el modelamiento de problemas de optimizacion bajo incertidumbre y entender el valor que ellos agregan a la toma de decisiones.
2. Interpretar y formular modelos de optimizacion de acuerdo a la forma en que la incertidumbre se presenta en un problema dado.
3. Aplicar metodos de solucion para problemas que incorporan incertidumbre en sus modelos.


III. CONTENIDOS

1. Introduccion
1.1 Aspectos generales de la optimizacion bajo incertidumbre
1.2 Revision de conceptos matematicos requeridos
1.3 Modelamiento bajo supuestos diversos
2. Programacion lineal estocastica de dos etapas
2.1 Dinamica del problema
2.2 Propiedades
2.3 Metodos de solucion exactos (descomposicion)
2.5 Metodos de solucion aproximados (muestreo)
2.6 Extensiones a problemas multi-etapas
3. Problemas con restricciones probabilisticas
3.1 Conceptos y definiciones
3.2 Propiedades y dificultades
3.2 Metodos de muestreo para soluciones aproximadas
4. Programacion entera estocastica
4.1 Propiedades y dificultades
4.2 Metodos de solucion para clases particulares de problemas
5. Optimizacion con aversion al riesgo
5.1 Motivacion
5.2 Medidas de riesgo coherentes
5.3 Optimizacion robusta

6. Topicos especificos y/o avanzados (articulos de investigacion)


IV. METODOLOGIA

Clases expositivas. Los estudiantes deberan implementar computacionalmente alguno de los metodos de solucion vistos en clases como parte de las tareas. Ademas, los estudiantes deberan leer, entender y presentar un articulo de investigacion del area hacia el final del semestre.


V. EVALUACION

- Interrogaciones: 40%
- Presentacion articulo: 10%
- Examen: 20%
- Tareas: 30%


VI. BIBLIOGRAFIA

Minima:

- John Birge y Francois Louveaux. Introduction to stochastic programming (segunda edicion). Springer Science & Business Media, 2011.

- Alexander Shapiro, Darinka Dentcheva y Andrzej Ruszczynski. Lectures on stochastic programming: modeling and theory (segunda edicion). Vol. 16. SIAM, 2014.