Journal homepage    http://revistas.unitru.edu.pe/index.php/SSMM

SELECCIONES MATEMÁTICAS

Universidad Nacional de Trujillo

ISSN: 2411-1783(Online)

Vol. 02(02): 76-82(2015)

Modelos y Métodos de Optimización Lineal con Incertidumbre: Una breve revisión del estado del arte.

Models and Methods of Linear Optimization with Uncertainty: A brief review of the state of the art.

Edith Malca Arroyo [*]

Edmundo Vergara Moreno [*]

Flabio Gutiérrez Segura [*]

Rafael Asmat Uceda[*]

This work is licensed under the Creative Commons Attribution-NoComercial-ShareAlike 4.0.


Received, Jul. 20, 2015 - Accepted, Nov. 15, 2015.

DOI: http://dx.doi.org/10.17268/sel.mat.2015.02.02


Resumen
En la modelación de muchos problemas de optimización lineal no es posible considerar el modelo clásico determinista, porque el conjunto de los parámetros no son completamente conocidos debido a que los datos varían en forma significativa a lo largo del tiempo o porque no hay homogeneidad en los valores. Estos problemas son conocidos como problemas con incertidumbre, para los cuales existen diversos enfoques en la modelación y en los métodos de solución. En este artículo se revisa tales enfoques, incidiendo fundamentalmente en la optimización estocástica, optimización difusa, optimización intervalar y optimización híbrida. La diferencia entre estos enfoques se perciben en la naturaleza de los datos, nociones de factibilidad y optimalidad, requerimientos computacionales, entre otros.

Palabras clave. Optimización, incertidumbre.

Abstract
In the modeling of many problems on linear optimization is not possible to consider the classic deterministic model because the set of parameters is not fully known due to the significant variation of the data along time or because there is no uniformity on the values. These kind of problems are known as problems with uncertainty and there are different approaches about modeling and methods of solution to resolve them. In this paper we make a review of such approaches focusing basically in stochastic optimization, fuzzy optimization, intervaling optimization and hybrid optimization. The difference between these approaches is perceived in the nature of the data, notions of feasibility and optimality and computational requirements, among others.

Keywords. Optimization, uncertainty.