Algoritmo progressive hedging con descomposición en clusters para optimización estocástica de gran escala

Este trabajo presenta una extensión del algoritmo Progressive Hedging para mejorar la resolución de problemas de optimización estocástica de gran escala. La propuesta principal, denominada Progressive Hedging con Descomposición en Clusters, incorpora una etapa de reducción de escenarios mediante téc...

Descripción completa

Detalles Bibliográficos
Autores principales: Viana, Víctor, Cancela, Héctor, Prádenas, Lorena
Formato: Artículo revista
Lenguaje:Español
Publicado: Escuela de Perfeccionamiento en Investigación Operativa 2025
Materias:
optimization
progressive hedging
clustering
parallel computing
scenario reduction
optimización
computación paralela
reducción de escenarios
Acceso en línea:https://revistas.unc.edu.ar/index.php/epio/article/view/49000
Aporte de:
Revista de la Escuela de Perfeccionamiento en Investigación Operativa de Universidad Nacional de Córdoba
id I10-R359-article-49000
record_format ojs
spelling I10-R359-article-490002025-05-31T20:27:14Z Algoritmo progressive hedging con descomposición en clusters para optimización estocástica de gran escala Viana, Víctor Cancela, Héctor Prádenas, Lorena optimization progressive hedging clustering parallel computing scenario reduction optimización progressive hedging clustering computación paralela reducción de escenarios Este trabajo presenta una extensión del algoritmo Progressive Hedging para mejorar la resolución de problemas de optimización estocástica de gran escala. La propuesta principal, denominada Progressive Hedging con Descomposición en Clusters, incorpora una etapa de reducción de escenarios mediante técnicas de clustering antes de aplicar el algoritmo Progressive Hedging. Se presenta también una implementación paralela utilizando la librería mpi-sppy. Los resultados muestran que el algoritmo propuesto logra una reducción significativa en el tiempo de cómputo, manteniendo la calidad de las soluciones. Este enfoque permite abordar problemas estocásticos de mayor dimensionalidad que los métodos convencionales, con aplicaciones potenciales en planificación de producción, gestión de cadenas de suministro y optimización en la asignación de recursos.   ARK CAICYT: https://id.caicyt.gov.ar/ark:/s18539777/9mk8srwnc This paper presents an extension of the Progressive Hedging algorithm to improve the solution of large-scale stochastic optimization problems. The main proposal, called Progressive Hedging with Cluster Decomposition, includes a scenario reduction stage using clustering techniques before applying the Progressive Hedging algorithm. A parallel implementation using the mpi-sppy library is also presented. The results show that the proposed algorithm achieves a significant reduction in computation time while maintaining the quality of the solutions. This approach allows to tackle stochastic problems of higher dimensionality than conventional methods, with potential applications in production planning, supply chain management, and resource allocation optimization. Escuela de Perfeccionamiento en Investigación Operativa 2025-05-31 info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion application/pdf https://revistas.unc.edu.ar/index.php/epio/article/view/49000 Revista de la Escuela de Perfeccionamiento en Investigación Operativa; Vol. 33 Núm. 57 (2025): MAYO 1853-9777 0329-7322 spa https://revistas.unc.edu.ar/index.php/epio/article/view/49000/49121 https://creativecommons.org/licenses/by-nc-sa/4.0
institution Universidad Nacional de Córdoba
institution_str I-10
repository_str R-359
container_title_str Revista de la Escuela de Perfeccionamiento en Investigación Operativa
language Español
format Artículo revista
topic optimization
progressive hedging
clustering
parallel computing
scenario reduction
optimización
progressive hedging
clustering
computación paralela
reducción de escenarios
spellingShingle optimization
progressive hedging
clustering
parallel computing
scenario reduction
optimización
progressive hedging
clustering
computación paralela
reducción de escenarios
Viana, Víctor
Cancela, Héctor
Prádenas, Lorena
Algoritmo progressive hedging con descomposición en clusters para optimización estocástica de gran escala
topic_facet optimization
progressive hedging
clustering
parallel computing
scenario reduction
optimización
progressive hedging
clustering
computación paralela
reducción de escenarios
author Viana, Víctor
Cancela, Héctor
Prádenas, Lorena
author_facet Viana, Víctor
Cancela, Héctor
Prádenas, Lorena
author_sort Viana, Víctor
title Algoritmo progressive hedging con descomposición en clusters para optimización estocástica de gran escala
title_short Algoritmo progressive hedging con descomposición en clusters para optimización estocástica de gran escala
title_full Algoritmo progressive hedging con descomposición en clusters para optimización estocástica de gran escala
title_fullStr Algoritmo progressive hedging con descomposición en clusters para optimización estocástica de gran escala
title_full_unstemmed Algoritmo progressive hedging con descomposición en clusters para optimización estocástica de gran escala
title_sort algoritmo progressive hedging con descomposición en clusters para optimización estocástica de gran escala
description Este trabajo presenta una extensión del algoritmo Progressive Hedging para mejorar la resolución de problemas de optimización estocástica de gran escala. La propuesta principal, denominada Progressive Hedging con Descomposición en Clusters, incorpora una etapa de reducción de escenarios mediante técnicas de clustering antes de aplicar el algoritmo Progressive Hedging. Se presenta también una implementación paralela utilizando la librería mpi-sppy. Los resultados muestran que el algoritmo propuesto logra una reducción significativa en el tiempo de cómputo, manteniendo la calidad de las soluciones. Este enfoque permite abordar problemas estocásticos de mayor dimensionalidad que los métodos convencionales, con aplicaciones potenciales en planificación de producción, gestión de cadenas de suministro y optimización en la asignación de recursos.   ARK CAICYT: https://id.caicyt.gov.ar/ark:/s18539777/9mk8srwnc
publisher Escuela de Perfeccionamiento en Investigación Operativa
publishDate 2025
url https://revistas.unc.edu.ar/index.php/epio/article/view/49000
work_keys_str_mv AT vianavictor algoritmoprogressivehedgingcondescomposicionenclustersparaoptimizacionestocasticadegranescala
AT cancelahector algoritmoprogressivehedgingcondescomposicionenclustersparaoptimizacionestocasticadegranescala
AT pradenaslorena algoritmoprogressivehedgingcondescomposicionenclustersparaoptimizacionestocasticadegranescala
first_indexed 2025-06-10T05:12:11Z
last_indexed 2025-06-10T05:12:11Z
_version_ 1834517614358953984

Ejemplares similares