Pamela Alejandra Bustamante Faúndez

La optimización matemática es la selección de la mejor alternativa con respecto a algún criterio, entre un conjunto de opciones candidatas. Existen múltiples aplicaciones de optimización matemática. Por ejemplo, en optimización de carteras de inversión se busca la mejor manera de invertir un capital, dadas diferentes alternativas. En este caso, un problema de optimización nos permitirá elegir una cartera que minimice el riesgo (o maximice la ganancia), entre todas las asignaciones posibles que cumplan con los requisitos definidos. En la mayoría de los casos, la optimización matemática se utiliza como herramienta para facilitar la toma de decisiones. En ocasiones, estas decisiones pueden ser tomadas automáticamente en tiempo real. En esta charla se explorará cómo formular y solucionar problemas de optimización matemática con Python, utilizando diferentes librerías de optimización.

La optimización matemática se constituye como una herramienta importante en la toma de decisiones. Con ella, es posible optimizar el beneficio económico, el tiempo, la distancia, o cualquier variable que se desee. El primer paso de la optimización es la construcción de un modelo. Una buena elección del modelo es esencial. Si el modelo es demasiado simple, no proporcionará información útil sobre el problema. Si es demasiado complejo, puede ser demasiado difícil de resolver. Posterior a la creación del modelo, es posible solucionar el problema, normalmente con la ayuda de un ordenador. Es importante notar que no existe un algoritmo de optimización universal, sino que existen diferentes algoritmos que se adaptan a diversos problemas de optimización. La elección correcta del algoritmo adecuado para una aplicación específica suele recaer en el usuario. Esta elección es importante, ya que puede determinar si el problema se resuelve rápida o lentamente y, de hecho, si se encuentra la solución. En esta charla aprenderemos a solucionar problemas de optimización matemática, utilizando Python y diferentes librerías de optimización.

Mathematical optimization is the selection of the best alternative with respect to some criterion, among a set of candidate options. There are multiple applications of mathematical optimization. For example, in investment portfolio optimization, we search for the best way to invest capital given different alternatives. In this case, an optimization problem will allow us to choose a portfolio that minimizes risk (or maximizes profit), among all possible allocations that meet the defined requirements. In most cases, mathematical optimization is used as a tool to facilitate decision-making. Sometimes these decisions can be made automatically in real-time. This talk will explore how to formulate and solve mathematical optimization problems with Python, using different optimization libraries.

Mathematical optimization is an important tool in decision-making. With it, it is possible to optimize the economic benefit, time, distance, or any desired variable. The first step in optimization is the construction of a model. A good choice of model is essential. If the model is too simple, it will not provide useful information about the problem. If it is too complex, it may be too difficult to solve. After the model has been created, it is possible to solve the problem, usually with the help of a computer. It is important to note that there is no universal optimization algorithm; rather, there are different algorithms that are adapted to different optimization problems. The correct choice of the right algorithm for a specific application usually rests with the user. This choice is important, as it can determine whether the problem is solved quickly or slowly and, indeed, whether the solution is found. In this talk we will learn how to solve mathematical optimization problems, using Python and different optimization libraries.