IOP1

Programación
Dinámica
Unidad: 3
Docente: Ing. CIP Mauricio Azálgara Bedoya

Escuela Profesional de Ingeniería Industrial
Rules for towers of Hanoi
The goal of the puzzle is to move all the disks from the leftmost peg to the
rightmost peg, adhering to the following rules:
1) Move only one disk at a time.

2) A larger disk may not be placed ontop of a smaller disk.
3) All disks, except the one being moved, must be on a peg.
Source: Smyth, T. (2007). Recursion. Sourced: https://www.cs.sfu.ca/~tamaras/recursion/Rules_Towers_Hanoi.html

Image sourced from Wikimedia Commons
https://commons.wikimedia.org/wiki/File:Iterative_algorithm_solving_a_6_disks_Tower_of_Hanoi.gif
0. Introducción (1/2)
« La técnica de Investigación de Operaciones más importante es la Programación
Técnicas de Investigación
Lineal
programación lineal. Está diseñada para modelos con funciones objetivo
y restricciones lineales. Otras técnicas incluyen la programación entera Programación
de Operaciones
(en la cual las variables asumen valores enteros), la programación Entera
dinámica (en la cual el modelo original puede descomponerse en Programación
subproblemas más pequeños y manejables), la programación de red (en no lineal
la cual el problema puede modelarse como una red), y la programación
Programación
no lineal (en la cual las funciones del modelo son no lineales).» de red
« Una peculiaridad de la mayoría de las técnicas de Investigación de Programación

Operaciones es que por lo general las soluciones no se obtienen en formas dinámica
cerradas (como si fueran fórmulas), sino que más bien se determinan
mediante algoritmos. Un algoritmo proporciona reglas fijas de cálculo que
se aplican en forma repetitiva al problema, y cada repetición (llamada
iteración) acerca la solución a lo óptimo. Como los cálculos asociados con
cada iteración suelen ser tediosos y voluminosos, es recomendable que estos Computadora
algoritmos se ejecuten con la computadora. » Heurística
« Algunos modelos matemáticos pueden ser tan complejos que es imposible

resolverlos con cualquiera de los algoritmos de optimización disponibles. En
esos casos quizá sea necesario abandonar la búsqueda de la solución óptima Iteración Algoritmo
y simplemente buscar una buena solución aplicando la heurística, y la

metaheurística, o bien reglas empíricas. »
0. Introducción (2/2)
« La programación dinámica es una técnica muy útil para tomar

una sucesión de decisiones interrelacionadas. »
« Requiere la formulación de una relación recursiva apropiada para

cada problema individual. »
1. Ejemplo prototipo de programación dinámica (1/10)
« La programación dinámica es una técnica matemática útil para la toma de decisiones secuenciales
interrelacionadas. Proporciona un procedimiento sistemático para determinar la combinación óptima
de decisiones. »
Conocimiento
de la
Estructura
Conocimiento Problema
Terminología Prototípico
de la
Creatividad
variedad de
aplicaciones
Resolución
de Problema de la
Problemas diligencia
PD
« El problema de la diligencia se construyó

especialmente para ilustrar las características e
introducir la terminología de la programación
dinámica. »
El problema de la diligencia
Este paradigma se refiere a un caza fortunas mítico de Missouri que decide ir al oeste a
sumergirse en la fiebre del oro que surgió en California a mediados del siglo xix. Tiene que hacer
el viaje en diligencia a través de territorios sin ley, donde existen serios peligros de ser atacado
por merodea dores. A pesar de que su punto de partida y su destino son fijos, tiene muchas
opciones en cuanto a qué estados —o territorios— debe elegir como puntos intermedios. En la
figura se muestran las rutas posibles, en donde cada estado se representa mediante un círculo
con una letra; además, en el diagrama, la dirección del viaje es siempre de izquierda a derecha.
Sistema de caminos y costos del problema de la diligencia

El problema de la diligencia
Posibles
soluciones
Ruta más
Prueba y Programación
barata en
error dinámica
cada etapa
ABFIJ
Sistema de caminos y costos del problema de la diligencia

El problema de la diligencia – Resolución mediante programación dinámica
Formulación
Sean xn (n = 1, 2, 3, 4) las variables de decisión que representan el destino inmediato de la etapa n (el n-ésimo
viaje que se hará en diligencia). La ruta seleccionada es A → x1 → x2 → x3 → x4, donde x4 = J.
Sea fn(s, xn) el costo total de la mejor política global para enfrentar las etapas restantes, mientras el agente de
ventas se encuentra en el estado s, listo para iniciar la etapa n y elige xn como destino inmediato.
Dados s y n, sea xn* el valor de xn —no necesariamente único— que minimiza fn(s, xn), y sea f*n(s) el valor
mínimo correspondiente de fn(s, xn). Entones,
fn*(s) = mín fn(s, xn) = fn(s, xn*),
donde
fn(s, xn) = costo inmediato (etapa n) + costo futuro mínimo (etapas n + 1 en adelante)
= csxn + f *n + 1(xn)
Objetivo: Encontrar f1* (A) y la ruta correspondiente.
Programación dinámica: Determinar de manera sucesiva f4*(s), f3*(s), f2*(s), para cada uno de los estados
posibles s y usar después f2*(s) para encontrar f1*(A).
Procedimiento de solución
En el problema de la diligencia, el procedimiento de solución se basa en

construir una tabla de cada etapa (n) que prescribe la decisión óptima
(x*n) para cada estado posible (s).
Caso: s = C
Términos
Política Especiales
Estado Etapa
Descripción gráfica de la solución de programación

dinámica del problema dela diligencia. Cada flecha
muestra una política de decisión óptima.
Soluciones:
A→C→E→H→J
A→D→E→H→J
A→D→F→I→J
« El problema de la diligencia es un prototipo literal de los problemas de programación dinámica. »
 Los problemas de programación dinámica se pueden

interpretar en términos de las redes.
 Cada nodo corresponde a un estado.
 La red consistiría en columnas de nodos, donde cada

columna corresponde a una etapa, en forma tal que
el flujo que sale de un nodo sólo puede ir a un nodo
de la siguiente columna a la derecha.
 El valor asignado a cada rama que conecta dos

nodos puede interpretarse algunas veces como la
contribución inmediata a la función objetivo que se
obtiene al tomar esa política de decisión.
« En la mayor parte de los casos, el objetivo corresponde a encontrar la trayectoria más corta o bien la más larga
a través de la red. »
fn(s, xn) = costo inmediato (etapa n) + costo futuro mínimo o máximo (etapas n + 1 en adelante)
= csxn + f *n + 1(xn).
Relación recursiva: La relación recursiva recurre constantemente a las etapas posteriores a medida que se
trabaja hacia atrás una etapa a la vez.
NB El fundamento de la relación es que fn*(sn) está definida en términos de fn+1*(sn+1)

Para todos los problemas de programación dinámica, se obtiene una tabla como la siguiente para
cada etapa (n 5 N, N 2 1, . . . , 1).
fn(s, xn) = costo inmediato (etapa n) + costo futuro mínimo ó máximo (etapas n + 1 en adelante)
= csxn + f *n + 1(xn).
2. Características de los problemas de los PD (1/2)
1. El problema se puede dividir en etapas, cada una de las cuales requiere de una política de
decisión (serie de decisiones interrelacionadas).
2. Cada etapa tiene cierto número de estados asociados con su inicio (distintas condiciones
posibles en las que se puede encontrar el sistema en cada etapa del problema).
3. El efecto de la política de decisión en cada etapa es transformar el estado actual en un estado

asociado con el inicio de la siguiente etapa.
4. El procedimiento de solución está diseñado para encontrar una política óptima para manejar
el problema completo (una política de decisión óptima para cada etapa en cada uno de los
estados posibles).
5. Principio de optimalidad de la PD: La decisión inmediata óptima depende sólo del estado
actual y no de cómo se llegó ahí.
2. Características de los problemas de los PD (2/2)
6. Propiedad Markoviana: Consiste en que el conocimiento del estado actual del sistema
expresa toda la información sobre su comportamiento anterior, información que es necesaria
para determinar la política óptima de ahí en adelante.
7. El procedimiento de solución comienza cuando se determina la política óptima para la última

etapa.
8. Se dispone de una relación recursiva que identifica la política óptima para la etapa n, dada la
política óptima para la etapa n + 1.
9. El procedimiento de solución comienza al final y se mueve hacia atrás etapa por etapa para
encontrar cada vez la política óptima para esa etapa hasta que encuentra la política óptima
desde la etapa inicial.
3. Programación Dinámica Determinística y
Probabilística (1/3)
PD
PD Probabilística
Determinística
El estado de la siguiente
etapa está determinado
El estado de la siguiente etapa no está determinado por completo por el estado y la
por completo por el estado
política de la etapa actual.
y la política de decisión de
la etapa actual.
La distribución de
Se tiene una distribución probabilidad queda
de probabilidad para completamente Se genera un árbol de
determinar cuál será el determinada por el estado decisiones
siguiente estado. y la política de decisión de
la etapa actual.
PD Determinística PD Probabilística
S = número de estados posibles en la etapa n + 1

pi = probabilidad en el estado i dados el estado sn y la decisión xn
en la etapa n.
Ci = Contribución en la etapa n dado el estado i
Relación de Recursividad
Clasificación de problemas de PD Determinística
Maximización de
operaciones
Forma de función
objetivo
Minimización de
Operaciones « Una variable discreta es una variable que solo
puede tomar algunos valores dentro de un mínimo
conjunto numerable, quiere decir, no acepta
Clasificación de
problemas Representados por cualquier valor, únicamente aquellos que pertenecen
una variable de al conjunto. Como ejemplo, el número de animales en
estado discreta una granja (0, 1, 2, 3, 4, 5, 6, 7,......) »
Representados por « Una variable continua puede tomar un valor fijo

Conjunto de dentro de un intervalo determinado. Y siempre entre
una variable de
estados
estado continua dos valores observables va a existir un tercer valor
intermedio que también podría tomar la variable
continua. Como ejemplo, la estatura de una persona
Representados por (1.71m, 1.719m, 1.7154m....) »
un vector de estado
Wikipedia (2017). Variable discreta y variable
continua
4. Información adicional sobre PD
Ahorros computacionales
« La PD proporciona grandes ahorros computacionales en comparación con la enumeración exhaustiva para
encontrar la mejor combinación de decisiones, en especial cuando se trata de problemas grandes. »
Por ejemplo, si un problema tiene 10 etapas con 10 estados y l0 decisiones posibles en cada etapa, la enumeración
exhaustiva tendría que considerar hasta 10 mil millones de combinaciones, mientras que la programación dinámica
necesita hacer como máximo mil cálculos (10 para cada estado en cada etapa).
Principio de optimalidad (Formulación alternativa)

« Las decisiones futuras para todas las etapas futuras constituyen una política óptima independientemente de la
política adoptada en todas las etapas precedentes. »
Recursividad hacia adelante (avance) y hacia atrás (retroceso)

« En la recursividad hacia adelante, los cálculos proceden desde la etapa 1 a la n; en la recursividad hacia atrás, los
cálculos proceden hacia atrás. »
NB La recursividad hacia atrás puede ser más eficiente desde el punto de vista computacional.
Problema de la dimensionalidad
« El aumento en la cantidad de variables de estado incrementa los cálculos en cada etapa. Esta dificultad
computacional en ocasiones se conoce en la literatura como el maleficio de dimensionalidad. »
5. Aplicaciones de PD seleccionadas
Aplicación 1: Modelo de la mochila / equipo de vuelo / carga de contenedor
« El modelo de la mochila tiene que ver clásicamente con el hecho de determinar los artículos más valiosos que
un combatiente carga en una mochila. »
« El problema representa un modelo de asignación de recursos general en el cual se utilizan recursos limitados
por varias actividades económicas. El objetivo es maximizar el rendimiento total. »
Modelo
Sujeto a
La solución óptima tiene la forma:

(m1*; m2*; m3*; …; mn*)
W = Capacidad de la mochila (peso)
mi = Cantidad de unidades del artículo i
mi* = Alternativa óptima
ri = Ingreso unitario
wi = Peso del artículo i
Elementos clave
Etapa i Artículo i i = 1, 2,…, n
Alternativas en la etapa Cantidad de unidades

mi = 0, 1, . . . , [W/wi]
i del artículo i
xi; El peso total asignado

Estado en la etapa i a las etapas (artículos) i,
i + 1,…, y n
El rendimiento para mi es rimi

Ecuación Recursiva
fi(xi) como una

función de fi(xi+1)
Paso 1
Paso 2
Xx+1 como una

función de xi
Ejemplo / Aplicación 1: Modelo de la mochila / equipo de vuelo / carga de contenedor
W = 4 tn
Etapa 3
El peso exacto a ser asignado a la

etapa 3 (artículo 3) no se conoce
con anticipación pero puede
suponer uno de los valores 0, 1,…,
y 4 (porque W = 4 toneladas y w3 =
1 tonelada).
Etapa 2
Etapa 1
Solución óptima Teniéndose una capacidad de W = 4 tn
Etapa 1: Etapa 2:
x 1 = 4 → m1 * = 2 x2 = x1 – 2m1* = 4 – 2x2 = 0 → m2* = 0 La solución óptima tiene la forma:
→ w1m1* = 2 x 2 = 4; r1m1 = 31 x 2 = 62 → w2m2* = 3 x 0 = 3; r2m2* = 47 x 0 = 0 (m1*; m2*; m3*)
→ 62 mil dólares → 0 mil dólares = (4; 0; 0)
NB No hay más capacidad disponible La restricción tiene la forma:

para los artículos 2 y 3. Etapa 3: w1m1* + w2m2* + w3m3 ≤ W
x3 = x2 – 3m2* = 3 – 3x0 = 3 → m3* = 0 2x2 + 3x0 + 1x0 ≤ 4
→ w3m3* = 3 x 0 = 3; r3m3* = 14 x 0 = 0 4 ≤ 4 [Si cumple]
→ 0 mil dólares
Aplicación 2: Modelo de tamaño de la fuerza de trabajo
« Las necesidades de mano de obra en proyectos de construcción pueden satisfacerse contratando

y despidiendo trabajadores. Ambas actividades incurren en un costo. El objetivo es minimizar el
costo total de la mano de obra requerida para el proyecto. »
n = duración del proyecto (semanas)

bi = Fuerza de mano de obra mínima requerida en la semana i
Se excede el El costo de mantener una fuerza de trabajo xi mayor que la mínima bi en la

requerimiento semana i incurre en costo excedente:
mínimo C1(xi - bi).
Costo adicional
Contratación Si xi > xi-1, ocurre contratación a un costo adicional de:
adicional C2(xi – xi-1)
Elementos clave
Etapa i Semana i i = 1, 2,…, n
Alternativas en la etapa Cantidad de

xi = 0, 1, . . . , [W/wi]
i trabajadores i
Xi-1; Cantidad de
Estado en la etapa i trabajadores en la
semana i-1
Ecuación Recursiva
fn+1(xn)
Paso 1
Paso 2
fi(xi-1) como una

función de fi+1(xi)
El costo de mantener una fuerza de trabajo xi mayor que la mínima bi

en la semana i incurre en costo excedente: Si xi > xi-1, ocurre contratación a un costo adicional de:
C1(xi + bi). C2(xi – xi-1)
Ejemplo / Aplicación 2: Modelo de tamaño de la fuerza de trabajo
Un contratista estima que el tamaño de la fuerza de trabajo necesaria durante las siguientes 5 semanas es
de 5,7,8,4 y 6 trabajadores, respectivamente. La mano de obra excedente conservada en la fuerza de trabajo
costará $300 por trabajador por semana, y una nueva contratación en cualquier semana incurrirá en un
costo fijo de $400 más $200 por trabajador por semana.
Las funciones de costo C1 y C2 están en cientos de dólares.

Etapa 5
Etapa 4
Si xi > xi-1, ocurre contratación a un costo adicional de:

C2(xi – xi-1)
Etapa 3
Etapa 2

C2(xi – xi-1)
Etapa 1

C2(xi – xi-1)
Solución óptima:
x0 = 0
→ x1 = 5
→ x2 = 8
→ x3 = 8
→ x4 = 6
→ x5 = 6
Programa de trabajo:
Aplicación 3: Modelo de reemplazo de equipo
« Las máquinas que permanecen mucho tiempo en servicio incurren en un alto costo de
mantenimiento y pueden ser reemplazadas después de una cierta cantidad de años en operación.
La situación tiene que ver con determinar la edad más económica de una máquina. »
Supuesto: El problema de reemplazo abarca n años
r(t) = Ingreso anual

c(t) = Costo de operación
s(t) = Valor de desecho
I = Costo de adquisición de una máquina
Elementos clave
Etapa i Año i i = 1, 2,…, n
Conservar (K) /
Alternativas en la etapa i reemplazar (R) la
máquina al inicio del año i
Edad de la máquina al
Estado en la etapa i
inicio del año i
Ecuación Recursiva
fn (t)
Paso 1
Paso 2
fi(t) como una

función de fi+1(t +1)
Ejemplo / Aplicación 3: Modelo de reemplazo de equipo
« Una compañía necesita determinar la política de reemplazo para una máquina que a la fecha
tiene tres años de edad, durante los siguientes 4 años (n 5 4). Una máquina de 6 años de edad
debe ser reemplazada. El costo de una máquina nueva es de $100,000. La siguiente tabla da los
datos del problema. »
La lógica del problema
« Al inicio del año 1 tenemos una máquina de 3 años de edad. Podemos o reemplazarla (R), o bien conservarla
(K) durante otro año. Si el reemplazo ocurre, la nueva máquina tendrá un año de edad al inicio del año 2; de lo
contrario, la máquina conservada tendrá 4 años de edad. »
Etapa 4
Etapa 3
Etapa 2
Etapa 1
Solución
(R, K, K, R) $55,300
Política
óptima
(R, R, K, K) $55,300
Aplicación 4: Modelo de Inversión
Suponga que desea invertir las cantidades P1, P2,…, Pn, al inicio de cada uno de los siguientes n
años. Tiene dos oportunidades de inversión en dos bancos. First Bank paga una tasa de interés r1
y Second Bank paga r2, ambos compuestos anualmente. Para fomentar los depósitos, ambos
bancos pagan bonos sobre nuevas inversiones en la forma de un porcentaje de la cantidad
invertida. Los porcentajes de los bonos respectivos para First Bank y Second Bank son qi1 y qi2
para el año i.
NB1 Los bonos se pagan al final del año en que se hizo la inversión y pueden reinvertirse en
cualquiera de los bancos en el año inmediatamente subsiguiente. Esto significa que sólo pueden
invertirse bono y dinero nuevo fresco en cualquiera de los bancos.
NB2 Una vez que se deposita una inversión, debe permanecer en el banco hasta el final del año n.
P1, P2, …, Pn = Cantidades a invertir

r1 = Tasa de interés – First Bank
r2 = Tasa de interés – Second Bank
qi1 = Porcentaje de bono – First Bank
qi2 = Porcentaje de bono – Second Bank
Planteamiento
P1, P2, …, Pn = Cantidades a invertir fi(xi) = Valor óptimo de las inversiones en los años i, i + 1, …, y
r1 = Tasa de interés – First Bank n, dada xi.
r2 = Tasa de interés – Second Bank si = Suma acumulada (de inversiones) al final del año n
qi1 = Porcentaje de bono – First Bank Ii= Inversión realizada en el año i en First Bank
qi2 = Porcentaje de bono – Second Bank [ (xi – I) = Ī ] = Inversión realizada en el año i en Second Bank
αk = (1 + rk); k= 1, 2
Los términos qn1 y qn2 en sn se agregan porque los bonos para el año n forman parte de la suma de dinero final acumulada a
partir de la inversión.
Elementos clave
Etapa i Año i i = 1, 2,…, n
Cantidades invertidas
Alternativas en la etapa
en First Bank y en Ii e Īi
i
Second Bank
Cantidad disponible
Estado en la etapa i para inversión al inicio
del año i
Por definición se tiene:
La cantidad reinvertida xi incluye sólo dinero nuevo más cualesquier bonos de inversiones
realizadas en el año i - 1.
Ecuación Recursiva
fn+1 (xn+1)
Paso 1
Paso 2
fi(x) como una

función de fi+1(xi+1)
Ejemplo / Aplicación 4: Modelo de Inversión
Suponga que desea invertir $4000 ahora y $2000 al inicio de los años 2 a 4. La tasa de interés
ofrecida por First Bank es 8% compuesto anualmente, y los bonos a lo largo de los 4 años
siguientes son 1.8%, 1.7%, 2.1% y 2.5%, respectivamente. La tasa de interés anual ofrecida por
Second Bank es .2% más baja que la de First Bank, pero sus bonos son .5% más altos. El objetivo
es maximizar el capital acumulado al cabo de 4 años.
P1, P2, …, Pn = Cantidades a invertir

r1 = Tasa de interés – First Bank
r2 = Tasa de interés – Second Bank
qi1 = Porcentaje de bono – First Bank
qi2 = Porcentaje de bono – Second Bank
αk = (1 + rk); k= 1, 2
Etapa 4
Donde:
La función s4 es lineal en I4 en el intervalo 0 ≤ I4 ≤ x4, y su valor máximo ocurre en I4 = 0 debido al

coeficiente negativo de I4
Por lo tanto:
Etapa 3
Donde:
Por lo tanto:
Etapa 2
Donde:
Por lo tanto:
Etapa 1
Donde:
Por lo tanto:
Revisión hacia atrás
I1* = 4000
→ I2* = x2
→ I 3 * = I4 * = 0
Solución óptima
Bibliografía
Hillier, F. (2010). Investigación de Operaciones. Capítulo 10
Taha, H. (2012). Investigación de Operaciones. Capítulo 12

IOP1

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

IOP1

Transféré par

Droits d'auteur :

Formats disponibles

Programación

Docente: Ing. CIP Mauricio Azálgara Bedoya

1) Move only one disk at a time.

Source: Smyth, T. (2007). Recursion. Sourced: https://www.cs.sfu.ca/~tamaras/recursion/Rules_Towers_Hanoi.html

« Una peculiaridad de la mayoría de las técnicas de Investigación de Programación

« Algunos modelos matemáticos pueden ser tan complejos que es imposible

y simplemente buscar una buena solución aplicando la heurística, y la

« La programación dinámica es una técnica muy útil para tomar

« Requiere la formulación de una relación recursiva apropiada para

« El problema de la diligencia se construyó

Sistema de caminos y costos del problema de la diligencia

Sistema de caminos y costos del problema de la diligencia

fn*(s) = mín fn(s, xn) = fn(s, xn*),

Objetivo: Encontrar f1* (A) y la ruta correspondiente.

En el problema de la diligencia, el procedimiento de solución se basa en

Descripción gráfica de la solución de programación

 Los problemas de programación dinámica se pueden

 Cada nodo corresponde a un estado.

 La red consistiría en columnas de nodos, donde cada

 El valor asignado a cada rama que conecta dos

NB El fundamento de la relación es que fn*(sn) está definida en términos de fn+1*(sn+1)

3. El efecto de la política de decisión en cada etapa es transformar el estado actual en un estado

7. El procedimiento de solución comienza cuando se determina la política óptima para la última

S = número de estados posibles en la etapa n + 1

Representados por « Una variable continua puede tomar un valor fijo

Principio de optimalidad (Formulación alternativa)

Recursividad hacia adelante (avance) y hacia atrás (retroceso)

La solución óptima tiene la forma:

Etapa i Artículo i i = 1, 2,…, n

Alternativas en la etapa Cantidad de unidades

xi; El peso total asignado

El rendimiento para mi es rimi

fi(xi) como una

Xx+1 como una

El peso exacto a ser asignado a la

Solución óptima Teniéndose una capacidad de W = 4 tn

NB No hay más capacidad disponible La restricción tiene la forma:

« Las necesidades de mano de obra en proyectos de construcción pueden satisfacerse contratando

n = duración del proyecto (semanas)

Se excede el El costo de mantener una fuerza de trabajo xi mayor que la mínima bi en la

Etapa i Semana i i = 1, 2,…, n

Alternativas en la etapa Cantidad de

fi(xi-1) como una

El costo de mantener una fuerza de trabajo xi mayor que la mínima bi

Las funciones de costo C1 y C2 están en cientos de dólares.

Si xi > xi-1, ocurre contratación a un costo adicional de:

Si xi > xi-1, ocurre contratación a un costo adicional de:

Si xi > xi-1, ocurre contratación a un costo adicional de:

Supuesto: El problema de reemplazo abarca n años

r(t) = Ingreso anual

Etapa i Año i i = 1, 2,…, n

fi(t) como una

La lógica del problema

P1, P2, …, Pn = Cantidades a invertir

Etapa i Año i i = 1, 2,…, n

Por definición se tiene:

fi(x) como una

P1, P2, …, Pn = Cantidades a invertir

La función s4 es lineal en I4 en el intervalo 0 ≤ I4 ≤ x4, y su valor máximo ocurre en I4 = 0 debido al

Revisión hacia atrás

Taha, H. (2012). Investigación de Operaciones. Capítulo 12

Vous aimerez peut-être aussi

fn(s) = mín fn(s, xn) = fn(s, xn),

NB El fundamento de la relación es que fn(sn) está definida en términos de fn+1(sn+1)