Créditos ECTS Créditos ECTS: 6
Horas ECTS Criterios/Memorias Horas de Tutorías: 1 Clase Expositiva: 30 Clase Interactiva: 20 Total: 51
Lenguas de uso Castellano, Gallego
Tipo: Materia Ordinaria Grado RD 1393/2007 - 822/2021
Departamentos: Estadística, Análisis Matemático y Optimización
Áreas: Estadística e Investigación Operativa
Centro Escuela Técnica Superior de Ingeniería
Convocatoria: Primer semestre
Docencia: Con docencia
Matrícula: Matriculable
El objetivo principal de esta materia es familiarizar al alumnado con los conceptos y técnicas básicas de la optimización matemática.
Como objetivos más específicos el alumnado tiene que:
- Saber identificar y modelizar problemas de optimización matemática.
- Saber resolver problemas de optimización matemática mediante las técnicas y algoritmos adecuados.
- Conocer e identificar la estructura y propiedades de los problemas de optimización matemática.
- Familiarizarse con las interrelaciones entre optimización matemática y aprendizaje automático.
TEMA 1. INTRODUCCIÓN A LA OPTIMIZACIÓN MATEMÁTICA
TEMA 2. MODELIZACIÓN Y RESOLUCIÓN PRÁCTICA DE PROBLEMAS DE OPTIMIZACIÓN
TEMA 3. PROGRAMACIÓN LINEAL
TEMA 4. PROGRAMACIÓN ENTERA
TEMA 5. PROBLEMAS DE OPTIMIZACIÓN EN REDES
TEMA 6. FUNDAMENTOS DE OPTIMIZACIÓN NO LINEAL CON RESTRICCIONES
TEMA 7. OPTIMIZACIÓN Y APRENDIZAJE AUTOMÁTICO
Bibliografía básica
- Bazaraa, M., Jarvis, J., Sherali, H. (2010). Linear Programming and Network Flows. Wiley and Sons.
- Hillier, F., Lieberman, G. (2002). Investigación de operaciones. McGraw-Hill.
Bibliografía complementaria
- Ahuja, R. K., Magnanti, T. L., Orlin, J. B. (1993). Network Flows. Theory, Algorithms and Applications. Prentice-Hall.
- Bazaraa, M., Jarvis, J., Sherali, H. (2005). Programación lineal y flujo en redes. Limusa.
- Bazaraa, M. S., Sherali, H. D., Shetty, C. M. (2013). Nonlinear programming: theory and algorithms. John Wiley & Sons.
- Boyd, S., Vandenberghe, L. (2004). Convex optimization. Cambridge university press.
- Hillier, F.S., Lieberman, G. J. (2006). Introducción a la Investigación de Operaciones. McGraw-Hill.
- Papadimitriou, C. H., Steiglitz, K. (1998). Combinatorial optimization: algorithms and complexity. Courier Corporation.
- Winston, W. (2004). Investigación de Operaciones. Paraninfo.
- Salazar González, J.J. (2001). Programación Matemática. Díaz de Santos.
- Taha, H. A. (2004). Investigación de Operaciones. Pearson, Prentice Hall.
En esta materia se trabajarán las competencias básicas, generales y transversales recogidas en la memoria del título de Grado en Inteligencia Artificial. A continuación, se detallan aquellas competencias que se potenciarán específicamente en esta materia: CE1, CE5, CE15, CG2, CG4, CB2, CB5, TR3
Sesiones expositivas (30 horas). Para la transmisión del conocimiento, se hará uso de diapositivas y pizarra y se resolverán problemas estándar, para que el alumnado pueda trabajar en los boletines de ejercicios proporcionados. En cuanto al material para el seguimiento de la materia, más allá de la bibliografía recomendada, el alumnado contará con la ayuda de material en el Campus Virtual de la USC. En las sesiones de enseñanza expositiva se trabajarán las siguientes habilidades: habilidades básicas (CB2 e CB5), generales (CG2 e CG4), transversales (TR3) y específicas de la materia (CE1, CE5 y CE15).
Sesiones de laboratorio (20 horas). En este tipo de enseñanza, se resolverán ejercicios prácticos, haciendo énfasis en la aplicación práctica de los conceptos teóricos y favoreciendo el empleo de software específico para la resolución de problemas de optimización. Objetivos desarrollados: habilidades básicas (CB2 e CB5), generales (CG2 e CG4), transversales (TR3) y específicas de la materia (CE1, CE5 y CE15).
Tutorías (2 horas). Las tutorías estarán destinadas al seguimiento del aprendizaje del alumnado. Se realizarán actividades que permitan alcanzar una visión del conjunto de la materia e identificar en que aspectos deben mejorar. Objetivos desarrollados: habilidades básicas (CB2 e CB5), generales (CG4), transversales (TR3) y específicas de la materia (CE1).
La distribución de las horas de docencia expositiva (30 horas) y de laboratorios (20 horas), por temas, es la siguiente:
Tema 1. Introducción a la optimización matemática (2 horas expositivas y 2 horas seminarios).
Tema 2. Modelización y resolución práctica de problemas de optimización (2 horas expositivas y 2 horas seminarios).
Tema 3. Programación lineal (8 horas expositivas y 4 horas seminarios).
Tema 4. Programación entera (3 horas expositivas y 2 horas seminarios).
Tema 5. Problemas de optimización en redes (5 horas expositivas y 4 horas seminarios).
Tema 6. Fundamentos de optimización no lineal con restricciones (5 horas expositivas y 2 horas seminarios).
Tema 7. Optimización y aprendizaje automático (5 horas expositivas y 4 horas seminarios).
El material del curso se pondrá a disposición del alumnado a través del Campus Virtual de la USC.
Durante el curso se evaluarán continuamente el grado en el que el alumnado alcanzó los objetivos propuestos para esta materia, terminando con un examen teórico-práctico. A continuación, se detalla el peso de cada parte de la evaluación.
Evaluación continua (30%): la evaluación continua se realizará en función de la participación en diferentes tipos de tareas. Las actividades de evaluación continua incluirán la resolución de casos prácticos (individualmente o en grupo), que puedan incluir el empleo del software específico. Concretamente, se propondrán dos pruebas de resolución individual que se realizarán de manera presencial: la primera, una vez impartidos los contenidos de los temas 1, 2, 3 e 4 y, la segunda, con los contenidos de temas 5,6 y 7. Al finalizar el tema 5 se planteará una tarea entregable (no presencial). La nota obtenida se mantendrá entre oportunidades del mismo curso académico (ordinario y extraordinario). Durante esta parte también se evaluará la participación e implicación del alumnado en el aula. Para optar a la evaluación continua, siempre que sea posible, es necesario asistir como mínimo al 75% de las sesiones prácticas. Competencias evaluadas: CE1, CE5, CE15, CG2, CG4, CB2, CB5 y TR3.
Examen final (70%): el examen final consistirá en varias preguntas y ejercicios teórico-prácticos que versarán sobre los contenidos de la materia, dentro de los cuales se puede incluir la interpretación de los resultados obtenidos con el software empleado en la docencia interactiva. Competencias evaluadas: CE1, CE5, CE15, CG2, CG4, CB2, CB5 y TR3.
El peso de la evaluación continua en la oportunidad de recuperación será el mismo que en la convocatoria ordinaria del cuatrimestre. Para los estudiantes repetidores, la evaluación se llevará a cabo de la misma manera, y no se conservará ninguna nota obtenida en el curso pasado (incluida la nota de evaluación continua).
Se tendrá condición de no presentado cuando no se asista al examen teórico y no se presente a ninguna de las actividades de evaluación continua.
De acuerdo con lo recogido en el artículo 1 del Regulamiento de asistencia a clase en las enseñanzas oficiales de grado y máster de la USC, la asistencia a clase no tendrá ninguna valoración específica en esta materia, ni será requisito para superar la materia ni para presentarse a las pruebas de evaluación.
Para los casos de realización fraudulenta de ejercicios o pruebas será de aplicación lo recogido en la “Normativa de evaluación del rendimiento académico de los estudiantes y de revisión de cualificaciones”.
En esta materia, el alumnado cuenta con la siguiente docencia impartida por el profesorado: 30 horas de docencia expositiva y 20 horas de laboratorios. Se recomienda dedicar dos horas de trabajo adicional por cada hora de clase expositiva y de laboratorio, además de las horas de tutorías. Durante estas horas, sus conocimientos adquiridos deberían ahondarse a través de la revisión de conceptos, la práctica de la resolución de problemas y la consulta de la bibliografía recomendada. De esta manera, el trabajo autónomo del alumno aproximado es 99 horas y 1 hora de tutoría presencial.
El seguimiento de las sesiones expositivas e interactivas es esencial para la superación de la materia. El alumnado deberá realizar todas las actividades recomendadas por el profesorado (resolución de problemas, revisión de bibliografía y ejercicios prácticos) para superar con éxito la materia. Además, se recomienda hacer uso de las horas de tutoría para resolver las dudas que puedan surgir. Se recomienda haber cursado las materias: "Álgebra", "Cálculo y Análisis Numérico" y "Matemática Discreta".
Esta guía y los criterios y metodologías en ella descritos están sujetos a las modificaciones que se deriven de normativas y directrices de la USC
Angel Manuel Gonzalez Rueda
- Departamento
- Estadística, Análisis Matemático y Optimización
- Área
- Estadística e Investigación Operativa
- Correo electrónico
- angelmanuel.gonzalez.rueda [at] usc.es
- Categoría
- Profesor/a: Profesor Ayudante Doctor LOU
Alejandro Saavedra Nieves
Coordinador/a- Departamento
- Estadística, Análisis Matemático y Optimización
- Área
- Estadística e Investigación Operativa
- Correo electrónico
- alejandro.saavedra.nieves [at] usc.es
- Categoría
- Profesor/a: Profesor Ayudante Doctor LOU
| Lunes | |||
|---|---|---|---|
| 15:00-16:30 | Grupo /CLE_01 | Gallego | IA.11 |
| Martes | |||
| 17:00-19:00 | Grupo /CLIL_03 | Gallego | IA.14 |
| Miércoles | |||
| 16:00-17:30 | Grupo /CLE_01 | Gallego | IA.11 |
| 17:30-19:30 | Grupo /CLIL_01 | Gallego | IA.13 |
| Viernes | |||
| 15:30-17:30 | Grupo /CLIL_02 | Gallego | IA.14 |
| 18.12.2025 09:15-14:00 | Grupo /CLE_01 | IA.01 |
| 18.12.2025 09:15-14:00 | Grupo /CLIL_01 | IA.01 |
| 18.12.2025 09:15-14:00 | Grupo /CLIL_02 | IA.01 |
| 18.12.2025 09:15-14:00 | Grupo /CLIL_03 | IA.01 |
| 18.12.2025 09:15-14:00 | Grupo /CLE_01 | IA.02 |
| 18.12.2025 09:15-14:00 | Grupo /CLIL_01 | IA.02 |
| 18.12.2025 09:15-14:00 | Grupo /CLIL_02 | IA.02 |
| 18.12.2025 09:15-14:00 | Grupo /CLIL_03 | IA.02 |
| 25.06.2026 16:00-20:30 | Grupo /CLIL_01 | IA.01 |
| 25.06.2026 16:00-20:30 | Grupo /CLIL_02 | IA.01 |
| 25.06.2026 16:00-20:30 | Grupo /CLIL_03 | IA.01 |
| 25.06.2026 16:00-20:30 | Grupo /CLE_01 | IA.01 |