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...
Guardado en:
| Autores principales: | , , |
|---|---|
| Formato: | Artículo revista |
| Lenguaje: | Español |
| Publicado: |
Escuela de Perfeccionamiento en Investigación Operativa
2025
|
| Materias: | |
| Acceso en línea: | https://revistas.unc.edu.ar/index.php/epio/article/view/49000 |
| Aporte de: |
| Sumario: | 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 |
|---|