Optimización con Metaheurísticas de Trayectoria en Python

Name: Optimización con Metaheurísticas de Trayectoria en Python
Rating: 4.9 (27 reviews)

Implementación de algoritmos Hill Climbing, Simulated Annealing, Tabu Search aplicados a problemas de VRP, TSP o JSP

Highest Rated

Created byGerardo Fuentes

Last updated 7/2024

Spanish

Spanish [Auto],

What you'll learn

Comprender los conceptos y técnicas de metaheurísticas aplicadas a problemas de optimización combinatoria, incluyendo su planteamiento matemático.
Adquirir habilidades en la implementación de algoritmos metaheurísticos como Hill Climbing, Simulated Annealing, entre otros, utilizando Python.
Aprender a aplicar y adaptar diferentes estrategias metaheurísticas para resolver problemas de optimización complejos en diversos contextos.
Desarrollar la capacidad de analizar y comparar la eficiencia y efectividad de distintos algoritmos metaheurísticos en problemas de optimización.
Obtener experiencia práctica en la solución de problemas de optimización combinatoria reales, utilizando técnicas y herramientas de programación avanzadas.

Course content

10 sections • 104 lectures • 12h 9m total length

Estructura del Curso2:33
Se propone la estructura y la secuencia de los módulos que se estarán cubriendo durante el desarrollo del curso.
Motivación4:35
Se expone la motivación de por qué la optimización es necesaria en cualquier área del conocimiento aplicado.
Optimización10:01
Se plantea el concepto básico de optimización y distintos elementos.
Función Objetivo7:38
Se describe la función objetivo con ejemplificaciones.
Restricciones10:30
Se define qué es una restricción, qué tipo de restricciones existen y cómo se modelan dentro de un problema de optimización.
Espacio de Búsqueda9:20
Se plantea el concepto de espacio de búsqueda y se da una ejemplificación de cómo este se expande con la dimensión del problema.
Complejidad Computacional18:18
Se da un breve estudio sobre el tema de complejidad computacional con diagramas y ejemplos gráficos.
Clasificación de Algoritmos22:41
Se describe la clasificación de los distintos tipos de algoritmos de optimización para dar una idea de en qué parte se ubican los algoritmos metaheurísticos.
Problemas de Estudio13:11
Se describen brevemente los problemas de estudio que se estarán abordando en el curso y las herramientas de desarrollo.
Recursos descargables0:02
Recursos descargables de esta sección
Fundamentos de Metaheurísticas

Introducción al TSP y elementos de la función objetivo8:57
Se elabora matemáticamente la función objetivo del problema del TSP, describiendo a detalle todas las variables involucradas y se plantean las restricciones del problema básico.
Restricciones de ruteo del TSP6:04
Se elabora matemáticamente la función objetivo del problema del TSP, describiendo a detalle todas las variables involucradas y se plantean las restricciones del problema básico.
Restricción de cardinalidad del TSP9:31
Se elabora matemáticamente la función objetivo del problema del TSP, describiendo a detalle todas las variables involucradas y se plantean las restricciones del problema básico.
Introducción, TSP asimétrico y TSP dependiente del tiempo5:21
Se describen algunas de las variantes del TSP más estudiadas en la literatura.
Flying Sidekick TSP7:18
Se describen algunas de las variantes del TSP más estudiadas en la literatura.
TSP con ventanas de tiempo y Doble TSP8:16
Se describen algunas de las variantes del TSP más estudiadas en la literatura.
TSP con tiempos de trabajo6:13
Se describen algunas de las variantes del TSP más estudiadas en la literatura.
Solución TSP Fuerza Bruta10:46
Se plantea una solución al problema básico utilizando un método de fuerza bruta.
Recursos Descargables0:09
Traveling Salesman Problem

Introducción al VRP y elementos de la función objetivo7:00
Se elabora matemáticamente la función objetivo del problema del VRP, describiendo a detalle todas las variables involucradas y se plantean las restricciones del problema básico.
Planteamiento del problema de optimización del VRP8:32
Se elabora matemáticamente la función objetivo del problema del VRP, describiendo a detalle todas las variables involucradas y se plantean las restricciones del problema básico.
Restricciones de Ruteo y Capacidad del VRP7:54
Se elabora matemáticamente la función objetivo del problema del VRP, describiendo a detalle todas las variables involucradas y se plantean las restricciones del problema básico.
Restricción de vehículos6:29
Se elabora matemáticamente la función objetivo del problema del VRP, describiendo a detalle todas las variables involucradas y se plantean las restricciones del problema básico.
Introducción a variantes, Capacitated VRP y VRP con ventanas de tiempo8:09
Se describen algunas de las variantes del VRP más estudiadas en la literatura
VRP con Pickup & Delivery y VRP heterogéneo7:12
Se describen algunas de las variantes del VRP más estudiadas en la literatura
VRP con recargas, VRP multi-depot y VRP abierto5:38
Se describen algunas de las variantes del VRP más estudiadas en la literatura
Recursos Descargables0:09
Vehicle Routing Problem

Introducción al JSP4:11
Se elabora matemáticamente la función objetivo del problema del JSP, describiendo a detalle todas las variables involucradas y se plantean las restricciones del problema básico
Análisis de un problema ejemplo del JSP7:09
Se elabora matemáticamente la función objetivo del problema del JSP, describiendo a detalle todas las variables involucradas y se plantean las restricciones del problema básico
Cálculo del makespan de una solución y solución alternativa3:35
Se elabora matemáticamente la función objetivo del problema del JSP, describiendo a detalle todas las variables involucradas y se plantean las restricciones del problema básico
Modelo de Grafo Disyuntivo para el JSP6:05
Se elabora matemáticamente la función objetivo del problema del JSP, describiendo a detalle todas las variables involucradas y se plantean las restricciones del problema básico
Elementos del problema de Optimización del JSP7:15
Se elabora matemáticamente la función objetivo del problema del JSP, describiendo a detalle todas las variables involucradas y se plantean las restricciones del problema básico
Variables de decisión del JSP4:32
Se elabora matemáticamente la función objetivo del problema del JSP, describiendo a detalle todas las variables involucradas y se plantean las restricciones del problema básico
Función Objetivo y Restricciones del JSP9:34
Se elabora matemáticamente la función objetivo del problema del JSP, describiendo a detalle todas las variables involucradas y se plantean las restricciones del problema básico
Introducción a las variantes del JSP4:09
Se describen dos principales variantes del JSP: JSP Flexible y JSP Flexible con vehículos automáticos guiados (AGV´s)
Introducción al JSP Flexible y carga de trabajo7:07
Se describen dos principales variantes del JSP: JSP Flexible y JSP Flexible con vehículos automáticos guiados (AGV´s)
Cálculo de cargas de trabajo y funciones objetivo8:34
Se describen dos principales variantes del JSP: JSP Flexible y JSP Flexible con vehículos automáticos guiados (AGV´s)
Análisis de un problema ejemplo del FJSP4:24
Se describen dos principales variantes del JSP: JSP Flexible y JSP Flexible con vehículos automáticos guiados (AGV´s)
Introducción al JSP con AGVs4:37
Se describen dos principales variantes del JSP: JSP Flexible y JSP Flexible con vehículos automáticos guiados (AGV´s)
Elementos del problema de Optimización del FJSP + AGV5:18
Se describen dos principales variantes del JSP: JSP Flexible y JSP Flexible con vehículos automáticos guiados (AGV´s)
Funciones Objetivo y Restricciones del FJSP + AGV8:02
Se describen dos principales variantes del JSP: JSP Flexible y JSP Flexible con vehículos automáticos guiados (AGV´s)
Análisis de Restricción de traslape de AGVs, caso 16:11
Se describen dos principales variantes del JSP: JSP Flexible y JSP Flexible con vehículos automáticos guiados (AGV´s)
Análisis de Restricción de traslape de AGVs, caso 22:57
Se describen dos principales variantes del JSP: JSP Flexible y JSP Flexible con vehículos automáticos guiados (AGV´s)
Análisis de Restricción de traslape de AGVs, caso 31:31
Se describen dos principales variantes del JSP: JSP Flexible y JSP Flexible con vehículos automáticos guiados (AGV´s)
Análisis de Restricción de traslape de AGVs, caso 44:13
Se describen dos principales variantes del JSP: JSP Flexible y JSP Flexible con vehículos automáticos guiados (AGV´s)
Análisis de un problema de ejemplo del FJSP + AGVs, parte 18:34
Se describen dos principales variantes del JSP: JSP Flexible y JSP Flexible con vehículos automáticos guiados (AGV´s)
Análisis de un problema de ejemplo del FJSP + AGVs, parte 29:07
Se describen dos principales variantes del JSP: JSP Flexible y JSP Flexible con vehículos automáticos guiados (AGV´s)
Conclusión de problema ejemplo y caso real8:29
Se describen dos principales variantes del JSP: JSP Flexible y JSP Flexible con vehículos automáticos guiados (AGV´s)
Recursos Descargables0:10
Jobshop Scheduling Problem

Problemas de Estudio a resolver en esta sección1:44
Se detallan los problemas a ser tratados por el algoritmo que se implementará en esta sección.
Cómo instalar el IDE Spyder: Standalone + Anaconda0:43
Se explica de forma detallada cómo instalar el IDE que utilizaremos en esta sección.
Resumen sobre formulación y elementos del TSP5:50
Se da un resumen sobre el problema del TSP
Entrada de Datos del TSP7:10
Implementación de la Clase TSP23:02
Representación de la solución del TSP7:25
Implementando la función del costo del TSP9:10
Validando las Restricciones del TSP6:57
Graficando el TSP utilizando matplotlib4:48
Código Final implementado para el TSP0:02

Revisión de la clase TSP4:56
Inicializando la clase HillClimbingTSP5:02
Implementando el método 2-opt15:51
Implementando el método 3-opt0:10
Construcción de los casos del 3-opt7:29
Generando las combinaciones del 3-opt8:35
Calculando los cambios de costo y generando los vecinos11:05
Buscando el mejor vecino5:48
Implementando el algoritmo principal5:02
Ejecución del programa0:06
Ejecución del programa completo4:02
Ejecución paso a paso: método 2-opt8:49
Ejecución paso a paso: método 3-opt8:42
Código Final del Hill Climbing para el TSP0:03

Revisión de la clase VRP e inicialización de la clase HillClimbingVRP4:29
Implementación de los movimientos para el VRP0:04
Implementando Adjacent Swap7:31
Implementando General Swap4:47
Implementando Single Insertion3:05
Implementando Block Insertion12:13
Implementando Reverse Location8:28
Implementando el algoritmo principal4:59
Ejecución del programa12:53
Código Final del Hill Climbing para el VRP0:03

Requirements

Conocimientos Básicos de Programación en Python: Familiaridad con estructuras de datos, bucles, funciones y sintaxis básica en Python.
Fundamentos de Matemáticas y Estadística: Entender conceptos de probabilidad, estadística, álgebra y cálculo básico.
Comprensión Básica de Algoritmos y Estructuras de Datos: Conocer algoritmos de búsqueda y ordenación, pilas, colas, listas y árboles.
Motivación para Aprender sobre Metaheurísticas: Interés y curiosidad por aprender métodos avanzados de solución de problemas.

Description

Este curso de Udemy profundiza en el mundo de las metaheurísticas, demostrando su utilidad para resolver problemas complejos de optimización combinatoria. Está dirigido a estudiantes, investigadores y profesionales en matemáticas y ciencias de la computación, brindando una perspectiva práctica de técnicas avanzadas mediante Python.

El estudiante comenzará con una base teórica sólida, explorando los principios y teorías que sustentan las metaheurísticas. A continuación, enfrentará problemas como el Traveling Salesman Problem (TSP), el Vehicle Routing Problem (VRP) y el Jobshop Scheduling Problem (JSP), tanto en sus formas clásicas como en variantes más complejas. Esta aplicación práctica permitirá reforzar conocimientos en matemáticas combinatorias y en problemas típicos de la Investigación de Operaciones, comprendiendo conceptos clave como la complejidad computacional, el espacio de búsqueda, la función objetivo y las restricciones, lo que facilitará el desarrollo de modelos aproximados basados en problemas reales.

El curso pone un énfasis especial en la implementación práctica de algoritmos metaheurísticos de trayectoria en Python, como Hill Climbing, Simulated Annealing y Tabu Search. Cada algoritmo se estudiará en detalle, lo que permitirá al estudiante entender no solo cómo implementarlos, sino también cuándo y por qué son efectivos.

Además, se fomentará el pensamiento crítico y el análisis detallado en el contexto de la optimización combinatoria, discutiendo las ventajas y limitaciones de diferentes estrategias metaheurísticas. Al completar el curso, el estudiante habrá adquirido habilidades avanzadas en metaheurísticas, preparándose para abordar y resolver problemas de optimización en ámbitos académicos, de investigación o profesionales que requieren soluciones avanzadas.

Who this course is for:

Desarrolladores de Software: Profesionales interesados en mejorar su habilidad para resolver problemas complejos de optimización.
Estudiantes de Ciencias de la Computación: Alumnos universitarios o de posgrado que buscan ampliar sus conocimientos en algoritmos avanzados.
Analistas de Datos: Profesionales que requieren técnicas de optimización para mejorar el análisis y la interpretación de grandes conjuntos de datos.
Ingenieros en Diversas Áreas: Especialistas que enfrentan problemas de optimización en campos como ingeniería industrial, sistemas, telecomunicaciones, etc.
Investigadores en Inteligencia Artificial: Individuos interesados en aplicar metaheurísticas en IA y aprendizaje automático.
Profesionales de Operaciones y Logística: Personas que buscan optimizar procesos y recursos en cadenas de suministro y logística.
Hobbyistas en Programación: Aficionados que disfrutan aprendiendo nuevos enfoques y técnicas de programación para proyectos personales o desafíos de codificación.
Consultores en Optimización de Procesos: Expertos que asesoran a empresas en la mejora y eficiencia de sus operaciones mediante técnicas de optimización.

Optimización con Metaheurísticas de Trayectoria en Python

What you'll learn

Explore related topics

Course content

Fundamentos de Metaheurísticas10 lectures • 1hr 39min

Traveling Salesman Problem9 lectures • 1hr 3min

Vehicle Routing Problem8 lectures • 51min

Jobshop Scheduling Problem22 lectures • 2hr 6min

Implementación en python del TSP10 lectures • 1hr 7min

Implementación en python del VRP9 lectures • 1hr 40min

Introducción al Algoritmo Hill Climbing7 lectures • 57min

Implementación del Hill Climbing para el TSP14 lectures • 1hr 26min

Implementación del Hill Climbing para el VRP10 lectures • 59min

Análisis e Implementación del Algoritmo Tabu Search5 lectures • 24min

Requirements

Description

Who this course is for: