Udemy
    •  
    •  
    •  
    •  
    •  
    •  
    •  
    •  
Subscribe
Turn what you know into an opportunity and reach millions around the world.
Learn More
Your cart is empty.
Keep shopping
Estrategias de búsqueda local en problemas de optimización.
Highest Rated
Rating: 4.6 out of 5(10 ratings)
86 students

Estrategias de búsqueda local en problemas de optimización.

Estrategias de búsqueda local en problemas de optimización con Python.
Highest Rated
Created byDr. Javier Sanz-Corretge
Last updated 11/2021
Spanish
Spanish [Auto],

What you'll learn

  • Implementar estrategias de búsqueda local para resolver problemas combinatorios y no convexos, implementando con Python distintos códigos de solución.
  • Entender las estrategias de búsqueda puramente aleatorias, las heurísticas y meta-heurística como alternativas de solución.
  • Mejorar algoritmos con técnicas de aleatoriedad, diversificación, intensificación y reinicio.
  • Bases teóricas (cadenas discretas de Markov) sobre las que se apoyan las búsquedas aleatorias.

Course content

5 sections • 25 lectures • 3h 54m total length

  • Lección 1. Objetivos.6:18
  • Lección 2. Bases.7:46

Requirements

  • Experiencia básica en programación con Python 3.0. Conocimiento de las librerías Pandas, Numpy y Matplotlib.
  • Conocimientos básicos de estadística y cálculo.

Description

Este es un curso monográfico sobre algoritmos de búsqueda local en problemas de optimización no convexos y combinatorios. En estos problemas de optimización de complejidad NP donde los algoritmos convencionales (basados en estrategias de tipo Newton, programadores lineales..etc.) no proporcionan soluciones adecuadas, las estrategias de búsqueda local cobran cierta relevancia y son usados con frecuencia.

En este curso, las estrategias de búsqueda local son explicadas desde un punto de vista teórico-práctico. Así, en cada sección se empiezan explicando las bases de teóricas de un determinado algoritmo de búsqueda local, luego se presenta un problema de optimización particular donde poder aplicar dicho algoritmo y por último se implementa y codifica en el entorno de programación Python (Jupyter Notebook).

Los algoritmos se agrupan y clasifican en tres grupos principales, siendo estos:

  1. Algoritmos puramente aleatorios.

  2. Algoritmos basados en funciones heurísticas.

  3. Algoritmos basados en funciones meta-heurísticas.

Hay tres bloques didácticos donde se estudian en profundidad dichos algoritmos. Al final del curso el alumno será capaz con muy pocas lineas de código (20-50) resolver estos problemas de optimización complejos. Este curso, sólo requiere conocimientos básicos de programación en Python , cálculo y estadística; por tanto es un curso genérico abierto a una amplia gama de profesionales que tengan enfrentarse a problemas NP para desarrollo de sus productos, procesos y diseños.

Who this course is for:

  • Profesionales en logística, Ingeniería, diseño, economía que deban optimizar sus procesos,diseños y productos.
  • Profesionales que tengan que resolver problemas no-convexos y combinatorios.
  • Profesionales de Machine Learning con interés en optimizadores (ajuste de hiper-parámetros).

Report abuse