Escuela Normal Rural Justo Sierra Mndez Hecelchakn, Campeche.

Materia: Investigacin de operaciones II

Trabajo: Unidad IV y V

Maestra: Ing. Arturo I. Garca Delgado

Alumno: Jess Armando Prez Aguilar

Grado: Quinto semestre

Grupo: A nico.

Fecha: 25 de enero de 2012

ndice

TEMAS

PG.

LNEAS DE ESPERAS
INTRODUCCIN Y CASOS DE APLICACIN. DEFINICIONES CARACTERSTICAS Y SUPOSICIONES. TERMINOLOGA Y NOTACIN. PROCESO DE NACIMIENTO Y MUERTE. MODELOS POISSON. UN SERVIDOR, COLA INFINITA, FUENTE INFINITA. SERVIDORES MLTIPLES, COLA INFINITA, FUENTE INFINITA. UN SERVIDOR, FUENTE FINITA, COLA FINITA.

3
3 3 4 5 6 8 9

CADENAS DE MARKOV
INTRODUCCIN. CASOS DE APLICACIN FORMULACIN DE LAS CADENAS DE MARKOV. PROCESOS ESTOCSTICOS.

11
11 11 13 14

PROGRAMACIN DINMICA
CARACTERSTICAS DE LOS PROBLEMAS DE PROGRAMACIN DINMICA: ETAPAS, ESTADOS, FRMULA RECURSIVA, PROGRAMACIN EN AVANCE Y EN RETROCESO

15
15

Lneas de esperas
INTRODUCCIN Y CASOS DE APLICACIN.

Las lneas de espera, filas de espera o colas, son realidades cotidianas: Personas esperando para realizar sus transacciones ante una caja en un banco, Estudiantes esperando por obtener copias en la fotocopiadora, vehculos esperando pagar ante una estacin de peaje o continuar su camino, ante un semforo en rojo, Mquinas daadas a la espera de ser rehabilitadas. Los anlisis de colas ayudan a entender el comportamiento de estos sistemas de servicio (la atencin de las cajeras de un banco, actividades de mantenimiento y reparacin de maquinaria, el control de las operaciones en planta, etc.). Desde la perspectiva de la Investigacin de Operaciones, los pacientes que esperan ser atendidos por el odontlogo o las prensas daadas esperando reparacin, tienen mucho en comn. Ambos (gente y mquinas) requieren de recursos humanos y recursos materiales como equipos para que se los cure o se los haga funcionar nuevamente.
DEFINICIONES CARACTERSTICAS Y SUPOSICIONES.

Una cola es una lnea de espera y la teora de colas es una coleccin de modelos matemticos que describen sistemas de lnea de espera particulares o sistemas de colas. Los modelos sirven para encontrar un buen compromiso entre costes del sistema y los tiempos promedio de la lnea de espera para un sistema dado. Los sistemas de colas son modelos de sistemas que proporcionan servicio. Como modelo, pueden representar cualquier sistema en donde los trabajos o clientes llegan buscando un servicio de algn tipo y salen despus de que dicho servicio haya sido atendido. Podemos modelar los sistemas de este tipo tanto como colas sencillas o como un sistema de colas interconectadas formando una red de colas La teora de colas es el estudio matemtico del comportamiento de lneas de espera. Esta se presenta, cuando los clientes llegan a un lugar demandando un servicio a un servidor, el cual tiene una cierta capacidad de atencin. Si el servidor no est disponible inmediatamente y el cliente decide esperar, entonces se forma la lnea de espera. A lo largo del tiempo se producen llegadas de clientes a la cola de un sistema desde una determinada fuente demandando un servicio. Los servidores del sistema seleccionan miembros de la cola segn una regla predefinida denominada disciplina de la cola. Cuando un cliente seleccionado termina de recibir su servicio (tras un tiempo de servicio) abandona el sistema, pudiendo o no unirse de nuevo a la fuente de llegadas. Fuente Recibe el nombre de fuente el dispositivo del que emanan las unidades que piden un servicio. Si el nmero de unidades potenciales es finito, se dice que la fuente es finita; en caso contrario se dice que es infinita. Cuando la fuente es finita se suele asumir que la probabilidad de que se produzca una llegada en un intervalo de tiempo es proporcional al tamao de la fuente en ese instante. En general, nos restringiremos al estudio de sistemas de colas con fuentes infinitas.

Tiempo entre llegadas Existen dos clases bsicas de tiempo entre llegadas: Determinstico, en el cual clientes sucesivos llegan en un mismo intervalo de tiempo, fijo y conocido. Un ejemplo clsico es el de una lnea de ensamble, en donde los artculos llegan a una estacin en intervalos invariables de tiempo. Probabilstico, en el cual el tiempo entre llegadas sucesivas es incierto y variable. Los tiempos entre llegadas probabilsticos se describen mediante una distribucin de probabilidad. Mecanismos de servicio Se llama capacidad del servicio al nmero de clientes que pueden ser servidos simultneamente. Si la capacidad es uno, se dice que hay un solo servidor (o que el sistema es monocanal) y si hay ms de un servidor, multicanal. El tiempo que el servidor necesita para atender la demanda de un cliente (tiempo de servicio) puede ser constante o aleatorio. Disciplina de la cola En sistemas monocanal, el servidor suele seleccionar al cliente de acuerdo con uno de los siguientes criterios (prioridades):

El que lleg antes. El que lleg el ltimo. El que menos tiempo de servicio requiere. El que ms requiere. Supuestos El modelo simple de teora de colas que se ha definido, se basa en las siguientes suposiciones: a) Un solo prestador del servicio y una sola fase. b) Distribucin de llegadas de poisson donde l = tasa de promedio de llegadas. c) Tiempo de servicio exponencial en donde m = tasa de promedio del servicio. d) Disciplina de colas de servicio primero a quien llega primero; todas las llegadas esperan en lnea hasta que se les da servicio y existe la posibilidad de una longitud infinita en la cola.

TERMINOLOGA Y NOTACIN.

Caractersticas operativas.- Medidas de desempeo para una lnea de espera que incluyen la probabilidad de que no haya unidades en el sistema, la cantidad promedio en la lnea, el tiempo de espera promedio, etc.

Operacin de estado estable.- Operacin normal de la lnea de espera despus de que ha pasado por un periodo inicial o transitorio. Las caractersticas operativas de las lneas de espera se calculan para condiciones de estado estable. Tasa media de llegada.- Cantidad promedio de clientes o unidades que llegan en un periodo dado. Tasa media de servicio.- Cantidad promedio de clientes o unidades que puede atender una instalacin de servicio en un periodo dado. Lnea de espera de canales mltiples.- Lnea de espera con dos o ms instalaciones de servicio paralelas. Bloqueado.- Cuando las unidades que llegan no pueden entrar a la lnea de espera debido a que el sistema est lleno. Las unidades bloqueadas pueden ocurrir cuando no se permiten las lneas de espera o cuando las lneas de espera tienen una capacidad finita. Poblacin infinita.- Poblacin de clientes o unidades que pueden buscar servicio, no tiene un lmite superior especificado. Poblacin finita.- Poblacin de clientes o unidades que pueden buscar servicio, tiene un valor fijo y finito.

Usualmente siempre es comn utilizar la siguiente terminologa estndar: P0= Probabilidad de que no haya clientes en el sistema Lq= Nmero de clientes promedio en una lnea de espera L= Nmero de clientes promedio en el sistema (Clientes en cola y clientes que estn siendo atendidos). Wq= Tiempo promedio que un cliente pasa en la lnea de espera. W= Tiempo total promedio que un cliente pasa en el sistema. Pn= Probabilidad de que haya n clientes en el sistema. Pw= Probabilidad de que un cliente que llega tenga que esperar por el servicio. Todas estas caractersticas operativas de estado estable se obtienen mediante formulas que dependen del tipo de modelo de lnea de espera que se est manejando. Para calcular stas, se necesitan los siguientes datos: = la cantidad promedio de llegadas por periodo (la tasa media de llegadas) = la cantidad promedio de servicios por periodo (la tasa media de servicio).
PROCESO DE NACIMIENTO Y MUERTE. MODELOS POISSON.

La mayor parte de los modelos elementales de colas suponen que las entradas (llegada de clientes) y las salidas (clientes que se van) del sistema ocurren de acuerdo al proceso de nacimiento y muerte. Este importante proceso de teora de probabilidad tiene aplicaciones en

varias reas. Sin embrago en el contexto de la teora de colas, el trmino nacimiento se refiere a llegada de un nuevo cliente al sistema de colas y el trmino muerte se refiere a la salida del cliente servido. El estado del sistema en el tiempo t (t 0), denotado por N (t), es el nmero de clientes que hay en el sistema de colas en el tiempo t. El proceso de nacimiento y muerte describe en trminos probabilsticos cmo cambia N (t) al aumentar t. En general, dice que los nacimientos y muertes individuales ocurren aleatoriamente, en donde sus tasas medias de ocurrencia dependen del estado actual del sistema. De manera ms precisa, las suposiciones del proceso de nacimiento y muerte son las siguientes: SUPOSICIN 1. Dado N (t) = n, la distribucin de probabilidad actual del tiempo que falta para el prximo nacimiento (llegada) es exponencial con parmetro (n=0,1,2,.). SUPOSICIN 2. Dado N (t) = n, la distribucin de probabilidad actual del tiempo que falta para la prxima muerte (terminacin de servicio) es exponencial con parmetro (n=1,2,.). SUPOSICIN 3. La variable aleatoria de la suposicin 1 (el tiempo que falta hasta el prximo nacimiento) y la variable aleatoria de la suposicin 2 (el tiempo que falta hasta la siguiente muerte) son mutuamente independientes. Excepto por algunos casos especiales, el anlisis del proceso de nacimiento y muerte es complicado cuando el sistema se encuentra en condicin transitoria. Se han obtenido algunos resultados sobre esta distribucin de probabilidad de N (t) pero son muy complicados para tener un buen uso prctico. Por otro lado, es bastante directo derivar esta distribucin despus de que el sistema ha alcanzado la condicin de estado estable (en caso de que pueda alcanzarla). Distribucin de llegadas. Definir el proceso de llegada para una lnea de espera implica determinar la distribucin de probabilidad para la cantidad de llegadas en un periodo dado. Para muchas situaciones de lnea de espera, cada llegada ocurre aleatoria e independientemente de otras llegadas y no podemos predecir cundo ocurrir. En tales casos, los analistas cuantitativos has encontrado que la distribucin de probabilidad de Poisson proporciona una buena descripcin del patrn de llegadas. La funcin de probabilidad de Poisson proporciona la probabilidad de x llegadas en un periodo especfico. La funcin de probabilidad es como sigue: P(x)= xe- x! para x= 0,1,2,
UN SERVIDOR, COLA INFINITA, FUENTE INFINITA.

Las frmulas que pueden usarse para determinar las caractersticas operativas de estado estable para una lnea de espera de un solo canal se citarn ms adelante. Las frmulas son aplicables si las llegadas siguen una distribucin de probabilidad de Poisson y los tiempos de servicio siguen una distribucin de probabilidad exponencial. Mostramos cmo pueden usarse las frmulas para determinar las caractersticas de operacin de un sistema de un servidor, cola infinita y fuente infinita, y por tanto, proporcionarle a la administracin informacin til para la toma de decisiones. La metodologa matemtica usada para derivar las frmulas para las caractersticas operativas de las lneas de espera es bastante compleja. Sin embargo, el propsito no es

proporcionar el desarrollo terico de estos modelos, sino mostrar cmo las frmulas que se han elaborado pueden dar informacin acerca de las caractersticas operativas de la lnea de espera. Caractersticas operativas. Las frmulas siguientes pueden usarse para calcular las caractersticas operativas de estado estable para una lnea de espera de un solo canal con llegadas de Poisson y tiempos de servicio exponenciales, donde: = la cantidad promedio de llegadas por periodo (la tasa media de llegada). = la cantidad promedio de servicios por periodo (la tasa media de servicio).

P0= Probabilidad de que no haya clientes en el sistema:

Lq= Nmero de clientes promedio en una lnea de espera:

L= Nmero de clientes promedio en el sistema (Clientes en cola y clientes que estn siendo atendidos):

Wq= Tiempo promedio que un cliente pasa en la lnea de espera:

W= Tiempo total promedio que un cliente pasa en el sistema.

Pn= Probabilidad de que haya n clientes en el sistema.

Pw= Probabilidad de que un cliente que llega tenga que esperar por el servicio.

SERVIDORES MLTIPLES, COLA INFINITA, FUENTE INFINITA.

Una lnea de espera con canales mltiples consiste en dos o ms canales de servicio que se supone son idnticos desde el punto de vista de su capacidad. En el sistema de canales mltiples, las unidades que llegan esperan en una sola lnea y luego pasan al primer canal disponible para ser servidas. La operacin de un solo canal de Burger Dome puede expandirse a un sistema de dos canales al abrir un segundo canal de servicio. La siguiente figura muestra un diagrama de la lnea de espera de dos canales de Burger Dome. En esta seccin presentamos frmulas que pueden usarse para determinar las caractersticas operativas de estado estable para una lnea de espera de varios canales. Estas frmulas son aplicables si existen las siguientes condiciones. 1.-Las llegadas siguen una distribucin de probabilidad de Poisson. 2.-Tiempo de servicio para cada canal sigue una distribucin de probabilidad exponencial. 3.- La tasa media de servicio es la misma para cada canal. 4.- Las llegadas esperan en una sola lnea de espera y luego pasan al primer canal disponible para el servicio.

Caractersticas Operativas Pueden usarse las siguientes frmulas para calcular las caractersticas operativas de estado estable para lneas de espera con canales mltiples, donde: .- la tasa media de llegada para el sistema. .- la tasa media de servicio para cada canal. k.- la cantidad de canales.

P0= Probabilidad de que no haya clientes en el sistema

Lq= Nmero de clientes promedio en una lnea de espera

L= Nmero de clientes promedio en el sistema (Clientes en cola y clientes que estn siendo atendidos).

Wq= Tiempo promedio que un cliente pasa en la lnea de espera.

W= Tiempo total promedio que un cliente pasa en el sistema.

Pn= Probabilidad de que haya n clientes en el sistema.

Pw= Probabilidad de que un cliente que llega tenga que esperar por el servicio:

Debido a que es la tasa media de servicio para cada canal, k es la tasa media de servicio para el sistema de canales mltiples. Como sucedi con el modelo de lnea de espera de un solo canal, las frmulas para las caractersticas operativas de las lneas de espera con mltiples canales slo pueden aplicarse en situaciones donde la tasa media de servicio para el sistema es mayor que la tasa media de llegadas; en otras palabras, las frmulas son aplicables slo si k es mayor que .

UN SERVIDOR, FUENTE FINITA, COLA FINITA.

Para los modelos de lnea de espera introducidos hasta ahora, la poblacin de unidades o clientes que llegan para servicio se han considerado ilimitadas. En trminos tcnicos, cuando no se pone lmite respecto a cuntas unidades pueden buscar servicio, se dice que el modelo tiene una poblacin infinita. Bajo esta suposicin, la tasa media de llegada permanece constante sin importar cuntas unidades hay en el sistema de lnea de espera. Esta suposicin de una

poblacin infinita se hace en la mayora de los modelos de lnea de espera. En otros casos, se asume que la cantidad mxima de unidades o clientes que pueden buscar servicio es finita. En esta situacin, la tasa media de llegada para el sistema cambia, dependiendo de la cantidad de unidades en la lnea de espera y se dice que el modelo de lnea de espera tiene una poblacin finita. Las frmulas para las caractersticas operativas de los modelos de lnea de espera anteriores deben modificarse para explicar el efecto de la poblacin finita. El modelo de poblacin finita que se expone en esta seccin se basa en las siguientes suposiciones.
1. 2. 3.

Las llegadas para cada unidad siguen una distribucin de probabilidad de Poisson, con una tasa media de llegada . Los tiempos de servicio siguen una distribucin de probabilidad exponencial, con una tasa media de servicio . La poblacin de unidades que pueden buscar servicio es finita. Con un solo canal, el modelo de lnea de espera se conoce como modelo M/M/1 con una poblacin finita.

La tasa de llegada media para el modelo M/M/1 con una poblacin finita se define en funcin de cun a menudo llega o busca servicio cada unidad. Esta situacin difiere de la de modelos de lnea de espera anteriores en los que denotaba la tasa media de llegada para el sistema. Con una poblacin finita, la tasa media de llegada para el sistema vara, dependiendo de la cantidad de unidades en el sistema. En lugar de ajustar para la tasa de llegada del sistema cambiante, en el modelo de poblacin finita indica la tasa media de llegada para cada unidad.

Caractersticas operativas para, el modelo M/M/1 con una poblacin finita de demandantes. Las siguientes formulas se usan para determinar las caractersticas operativas de estado estable para el modelo M/M/1 con una poblacin finita donde: = la tasa media de llegada para cada unidad = la tasa media de servicio N = el tamao de la poblacin 1. Probabilidad de que no haya unidades en el sistema:

2. Cantidad de unidades promedio en la lnea de espera:

3. Cantidad promedio de unidades en el sistema:

4. Tiempo promedio que pasa una unidad en la lnea de espera:

5. Tiempo promedio que pasa una unidad en el sistema:

6. Probabilidad de que una unidad que llega tenga que esperar por el servicio:

7. Probabilidad de n unidades en el

sistema:

CADENAS DE MARKOV
INTRODUCCIN.

En los problemas de toma de decisiones, con frecuencia surge la necesidad de tomar decisiones basadas en fenmenos que tienen incertidumbre asociada a ellos. Esta incertidumbre proviene de la variacin inherente a las fuentes de esa variacin que eluden el control o proviene de la inconsistencia de los fenmenos naturales. En lugar de manejar esta variabilidad como cualitativa puede incorporarse al modelo matemtico y manejarse en forma cuantitativa. Por lo general este tratamiento se puede lograr si el fenmeno natural muestra un cierto grado de regularidad de manera que sea posible describir la variacin mediante un modelo probabilstico. Este captulo presenta modelos de probabilidad para procesos que evolucionan en el tiempo de una manera probabilstica. Tales procesos se llaman procesos estocsticos. El captulo est dedicado a un tipo especial llamado cadena de Markov. Las cadenas de Markov tienen la propiedad particular de que las probabilidades que describen la forma en que el proceso evolucionar en el futuro dependen slo del estado actual en que se encuentra el proceso y, por tanto son independientes de los eventos ocurridos en el pasado. Muchos procesos se ajustan a esta descripcin por lo que las cadenas de Markov constituyen una clase de modelos probabilsticos de gran importancia.
CASOS DE APLICACIN

los casos de aplicacin mayormente estn en la decisiones de muchas empresas hoy en da este es un ejemplo de donde se puede aplicar las cadenas de Markov. Los administradores de la empresa New Fangled Sofdrink Company consideran que la probabilidad de que un cliente compre la bebida Red Rot Pop, o el principal producto de competencia, Sper Cola, se basan en la compra ms reciente del cliente. Supngase que son apropiadas las siguientes probabilidades de transicin: Red Rot Pop Super Cola 0.9 0.1 0.1 0.9

Red Rot Pop Sper Cola

a) Trace el diagrama de rbol de dos periodos para un cliente que compro la ultima vez Red Rot Pop. Cul es la probabilidad de que este cliente compre Red Rot Pop en una segunda compra? b) Cul es la participacin de mercado a largo plazo para cada uno de estos dos productos? c) Se est planeando una importante campaa de publicidad para aumentar la probabilidad de atraer a los clientes de Sper Cola. Los administradores consideran que la nueva compaa aumentara a 0.15 la probabilidad de que un cliente cambie de Sper Cola a Red Rot Pop. Cul es el efecto proyectado de la campaa de publicidad sobre las participaciones del mercado?

a) Primera Segunda compra compra Red Rot Pop

0.9 = 0.81

0.9

0.1 Red Rot Pop 0.1

Sper Cola = 0.09 Red Rot Pop = 0.01

0.1 1
Red Rot Pop

0.9 Sper Cola 0.9

Sper Cola = 0.09 Red Rot Pop = 0

0
Sper Cola

0.1

0.1 Red Rot Pop 0.1

Sper Cola = 0 Red Rot Pop = 0

0.9

Sper Cola 0.9

Sper Cola = 0

[0.82, 0.18] La probabilidad de que un cliente compre dos veces consecutivas la marca de refresco Red Rod Pop es de 0.82.

b) =

0.9 x + 0.1 y = x 0.1 x + 0.9 y = y -0.1 x + 0.1y = 0 0.1x 0.1y = 0 x+ y= 1 x=1y

0.1(1 y) 0.1y = 0 0.1 0.1y 0.1y = 0 0.1 0.2y = 0 - 0.2y = -0.1 y = -0.1/-0.2 y = 0.5

x=1y x = 1 0.5 x = 0.5

La participacin en el mercado a largo plazo de ambas marcas es de 0.5 para cada una de ellas. c)

= 0.9x + 0.15y = x 0.1x + 0.85y = y x+y=1 -0.1x + 0.15y = 0 0.1x 0.15y = 0 x+ y=1 x=1y 0.1(1 y) 0.15y = 0 0.1 0.1y 0.15y = 0 0.1 0.25y = 0 -0.25y = -0.1 y = -0.1 / -0.25 y = 0.4 x=1y x = 1 0.4 x = 0.6

Se espera que con la publicidad realizada, el mercado para Red Rot Pop aumente a 0.6, mientras que la fidelidad de la marca Sper Cola caer a 0.40.

FORMULACIN DE LAS CADENAS DE MARKOV.

Una cadena de Markov es una serie de eventos, en la cual la probabilidad de que ocurra un evento depende del evento inmediato anterior. En efecto, las cadenas de este tipo tienen memoria. "Recuerdan" el ltimo evento y esto condiciona las posibilidades de los eventos futuros. Esta dependencia del evento anterior distingue a las cadenas de Markov de las series de eventos independientes, como tirar una moneda al aire o un dado. En la figura se muestra el proceso para formular una cadena de Markov; el generador de Markov produce uno de n eventos posibles. E j. donde j = 1, 2, . . . , n, a intervalos discretos de tiempo (que no tiene que ser iguales ). Las probabilidades de ocurrencia para cada uno de estos eventos dependen del estado del generador. Este estado se describe por el ltimo evento generado. En la figura 4.1.1, el ltimo evento generado fue E j. de manera que el generador se encuentra en el estado Mj .

La probabilidad de que Ek sea el siguiente evento generado es una probabilidad condicional: P ( Ek / Mj ). Esto se llama probabilidad de transicin del estado Mj al estado Ek. Para describir completamente una cadena de Markov es necesario saber el estado actual y todas las probabilidades de transicin.

Probabilidades

de

transicin. describir una cadena de Markov es con estados, como el que se muestra en la sta se ilustra un sistema de Markov con posibles : M1, M2 , M3 y M4 . La condicional o de transicin de moverse

Una forma de un diagrama de figura de abajo. En cuatro estados probabilidad

de un estado a otro se indica en el diagrama:

Otro mtodo para exhibir las probabilidades de transicin es usar una matriz de transicin. . La matriz de transicin para el ejemplo del diagrama de estados se muestra en la tabla siguiente .

Otro mtodo para exhibir las probabilidades de transicin es usar una matriz de transicin. . Para n = 0, 1, 2, ....

El superndice n no se escribe cuando n = 1.

PROCESOS ESTOCSTICOS.

Un proceso estocstico se define sencillamente como una coleccin indexada de variables aleatorias { X1 }, donde el subndice t toma valores de un conjunto T dado. Con frecuencia T se toma como el conjunto de enteros no negativos y X, representa una caracterstica de inters medible en el tiempo t. Por ejemplo, el proceso estocstico, X 1 , X2 , X3, .., Puede representar la coleccin de niveles de inventario semanales (o mensuales) de un producto dado, o puede representar la coleccin de demandas semanales (o mensuales) de este producto. Un estudio del comportamiento de un sistema de operacin durante algn periodo suele llevar al anlisis de un proceso estocstico con la siguiente estructura. En puntos especficos del tiempo t , el sistema se encuentra exactamente en una de un nmero finito de estados mutuamente excluyentes y exhaustivos, etiquetados 0, 1, . . , S. Los periodos en el tiempo pueden encontrarse a intervalos iguales o su esparcimiento puede depender del comportamiento general del sistema en el que se encuentra sumergido el proceso estocstico. Aunque los estados pueden constituir una caracterizacin tanto cualitativa como cuantitativa del sistema, no hay prdida de generalidad con las etiquetas numricas 0, 1, . . , M , que se usarn en adelante para denotar los estados posibles del sistema. As la representacin matemtica del sistema fsico es la de un proceso estocstico {Xi}, en donde las variables aleatorias se observan en t = 0, 1, 2,. . ., y en donde cada variable aleatoria puede tomar el valor de cualquiera de los M + 1 enteros 0, 1, .. , M . Estos enteros son una caracterizacin de los M + 1 estados del proceso.

PROGRAMACIN DINMICA
CARACTERSTICAS DE LOS PROBLEMAS DE PROGRAMACIN DINMICA: ETAPAS, ESTADOS, FRMULA RECURSIVA, PROGRAMACIN EN AVANCE Y EN RETROCESO

La programacin dinmica es una tcnica matemtica que se utiliza para la solucin de problemas matemticos seleccionados, en los cuales se toma una serie de decisiones en forma secuencial. Proporciona un procedimiento sistemtico para encontrar la combinacin de decisiones que maximice la efectividad total, al descomponer el problema en etapas, las que pueden ser completadas por una o ms formas (estados), y enlazando cada etapa a travs de clculos recursivos. La programacin dinmica es un enfoque general para la solucin de problemas en los que es necesario tomar decisiones en etapas sucesivas. Las decisiones tomadas en una etapa condicionan la evolucin futura del sistema, afectando a las situaciones en las que el sistema se encontrar en el futuro (denominadas estados), y a las decisiones que se plantearn en el futuro. La programacin dinmica parte de una pequea porcin del problema y llega a la solucin ptima para esa pequea parte del problema, entonces gradualmente se agranda el problema hallando la solucin ptima en curso a partir de la anterior. Este proceso se repite hasta obtener la solucin ptima del problema original. El problema de la diligencia es un prototipo literal de los problemas de programacin dinmica. Por tanto una manera de reconocer una situacin que se puede formular como un problema de programacin dinmica es poder identificar una estructura anloga a la del problema de la diligencia.

Caractersticas bsicas. 1.- El problema se puede dividir en etapas que requieren una poltica de decisin en cada una de ellas. 2.- Cada etapa tiene cierto nmero de estados asociados con su inicio. Los estados son las distintas condiciones posibles en las que se puede encontrar el sistema en cada etapa del problema. 3.- El efecto de la poltica de decisin en cada etapa es transformar el estado actual en un estado asociado con el inicio de la siguiente etapa. 4.- El procedimiento de solucin est diseado para encontrar una poltica ptima para el problema completo. 5.- Dado el estado actual, una poltica ptima para las etapas restantes es independiente de la poltica adoptada en etapas anteriores. Este es el principio de optimalidad para programacin dinmica. 6.- El procedimiento de solucin se inicia al encontrar la poltica ptima para la ltima etapa.

7.- Se dispone de una relacin recursiva que identifica la poltica ptima para la etapa n, dada la poltica ptima para la etapa n+1. La forma precisa de relacin recursiva difiere de un problema a otro de programacin dinmica, pero usaremos una notacin anloga a la siguiente: N = nmero de etapas. n = etiqueta para la etapa actual ( n = 1,2,...,N) sn = estado actual para la etapa n xn = variable de decisin para la etapa n xn* = valor ptimo de xn (dado sn) fn(sn,xn) = contribucin a la funcin objetivo de las etapas n, n+1,...,N, si el sistema se encuentra en el estado sn en la etapa n, la decisin inmediata es xn y en adelante se toman decisiones ptimas. fn*(sn) = fn(sn,xn*) La relacin recursiva siempre tendr la forma: fn*(sn) = mn fn(sn,xn) fn*(sn) = max fn(sn,xn) 8.- Cuando se usa esta relacin recursiva, el procedimiento de solucin comienza al final y se mueve hacia atrs etapa por etapa, hasta que encuentra la poltica ptima desde la etapa inicial.

Procedimiento de solucin. 1. Se construye una relacin recursiva que identifica la poltica ptima para cada estado en la etapa n, dada la solucin ptima para cada estado en la etapa n + l. 2. Se encuentra la decisin ptima en la ltima etapa de acuerdo a la poltica de decisin establecida. Comnmente la solucin de esta ltima etapa es trivial, es decir, sin ningn mtodo establecido, tomando en cuenta solamente la "contribucin" de la ltima etapa. 3. La idea bsica detrs de la relacin recursiva es trabajar "hacia atrs", preguntndose en cada etapa: qu efecto total tendra en el problema si tomo una decisin particular en esta etapa y acto ptimamente en todas las etapas siguientes? Si se resolviera el problema "hacia adelante", es decir, de la primera etapa hacia la sera necesario realizar una enumeracin exhaustiva de todas las alternativas, que resolvindolo "hacia atrs" reducimos el nmero de alternativas a analizar, simplificando la solucin del problema. Cuando se llega a la etapa inicial se encuentra la solucin ptima.