Tarea III

Gestin de Operaciones I
ICN-343 - 1s2016

Integrantes:
Sergio Felipe Silva Uribe
201260130-4

Ignacio Andrs Verdugo Montecinos

201254009-7

Profesores:
Pablo Escalona R. - Raul Stegmaier
Ayudante:
Kevin Urbina

julio, 2016
Casa Central

Tabla de Contenidos
1 Introduccin

2 Desarrollo
2.1 Modelo de programacin lineal . . . . . . . . . . . . . . . . . .
2.2 Descripcin del modelo . . . . . . . . . . . . . . . . . . . . . . .
2.2.1 Descomposicin de Benders: . . . . . . . . . . . . . . . .
2.2.2 Relajacin Lagrangiana: . . . . . . . . . . . . . . . . . .
2.2.3 Greedy adding . . . . . . . . . . . . . . . . . . . . . . .
2.2.4 Branch and bound . . . . . . . . . . . . . . . . . . . . .
2.2.5 Greedy randomized adaptive search procedure(GRASP)
2.3 Programacin en AMPL . . . . . . . . . . . . . . . . . . . . . .
2.4 Tratamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.5 Alternativo . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3 Conclusin

Gestin de Operaciones I

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

3
3
6
7
8
8
8
9
9
9
10
11

SS/IV

Introduccin

La planificacin agregada de la produccin consiste en especificar la razn de servicios o productos,

sus niveles de fuerza laboral y los niveles de inventario para satisfacer la demanda en el corto
y mediano plazo (entre 6 y 18 meses). Para esto se utilizan las polticas administrativas de
la organizacin y considerando las restricciones de capacidad.El objetivo del plan agregado es
conciliar la produccin (oferta) con los pedidos (demanda). Para hacer esto posible, se pueden
utilizar diferentes estrategias segn el foco al que ataquen:
Opciones de capacidad: Se consideran las variables manejables desde la propia empresa,
tanto con restricciones internas como externas. Se optimizan mediante un programa de
planificacin o de programacin. Se tiene por ejemplo la utilizacin de inventario, ajuste de
la fuerza de trabajo, utilizacin de tiempo extra, subcontratacin, etc.
Opciones de demanda: Se consideran las variables un poco ms independiente de la
empresa, pero que pueden ser condicionadas por sta. Como por ejemplo la acumulacin de
pedidos, orden atrasadas y faltantes, promociones, etc.
El proceso de planificacin de un plan agregado es dinmio y continuo, puestos que diversos
aspectos del plan debern actualizarse peridicamente. Es por esto que deben determinarse los
requisitos de la demanda, identificar alternativas y restricciones, y los costos relevantes de los
parmetros y las variables.
En el caso de estudio, KONLAPERA S.A se encarga de la produccin y comercializacin en
productos en base a las mejores frutas del mundo comercializando 6 tipos diferentes de productos,
de los cuales 3 son congelados y los otros perecibles. Para esto, se ocupan 6 tipos de fruta
diferentes. Esta empresa quiere obtener un modelo de programacin lineal (P P L) para planificar
la produccin ptima, donde se consideran todas las entradas de materias primas y las salidas
de productos y subproductos, restricciones de capacidad, costes, entre otras consideraciones
entregadas por esta en los precedentes al trabajo, las cuales son incorporadas a los parmetros.
Se solicita adems, la obtencin de variables como las ventas, flujos y cantidades ptimas para
maximizar las utilidades obtenidas por la empresa en un horizonte de 6 perodos.
Entre las caractersticas del lenguaje utilizado para resolver el PPL es AMPL, el cual posee una
serie de ventajas y desventajas por sobre otros lenguajes resolutivos. Algunas de estas son:
Ventajas: Tiene una gran capacidad para manejar un gran nmero de variables y restricciones,
para entregar un valor ptimo a los requerimientos del programador.
Desventaja: Todas las relaciones entre variables deben ser lineales, y los valores ptimos
pueden ser fraccionarios.
Especficamente, para resolver este problema se utiliza el solver Gurobi, el cual sirve para los
linear and nonlinear optimization problem y soporta las restricciones y funcin objetivo para la
obtencin del valor ptimo para las condiciones actuales de la empresa.

Gestin de Operaciones I

SS/IV

Desarrollo

2.1

Modelo de programacin lineal

Conjuntos:
F : Conjunto de productos congelados.
R : Conjunto de productos perecibles.
P :F R
I : Conjunto de frutas.
C : Conjunto de contratos.
M : Conjunto de mercados.
T : Conjunto de perodos.
K : Conjunto de tratamientos.
Parmetros:
Dc,p,t : Demanda del producto p en en el contrato c en el perodo t.
M Pi,t : Cantidad de materia prima de fruta i en el perodo t.
ini : Inventario incial para cada producto p y fruta i
Ip,i
Bi,t : Cantidad en kilos que se estima de desperdicio de fruta i en el perodo t
P B : Precio de los desechos que se vende a granjas para abonos.
Qrm : Capacidad mxima de almacenamiento de materia prima.
Qprep : Capacidad mxima de preparacin.
Qfp in : Capacidad mxima en etapa final del producto p.
U F : Capacidad mxima de almacenamiento de producto congelado.
(

Xi,k,p =

1
0

, Si el tratamiento k permite producir el producto p con la fruta i.

, eoc

V Cc,p,t : Precio unitario de venta del producto p del contrato c en el periodo t

V Mm,p,t : Precio unitario de venta del producto p del mercado local m en el periodo t
Ht : Costo de almacenamiento por unidad y unidad de tiempo en perodo t en bodega de materias
primas.
Ctprep : Costo unitario de preparacin en el perodo t
Ctf in : Costo unitario de produccin en la etapa final en el perodo t
CIp,t : Costo de almacenamiento por unidad y unidad de tiempo del producto p en el perodo t
en bodega de productos terminados
CBi,t : Costo de reingreso por kilogramo de fruta i en el perodo t
RRi : Razn de recuperacin de fruta i desperdiciada destinada a reingreso
REi,p : Receta en kilogramos de fruta i utilizados en cada producto p
c,p,t : Costo unitario de penalizacin por demanda insatisfecha de producto p en contrato c en el
perodo t.

Gestin de Operaciones I

SS/IV

Variables:
scc,t,f : Ventas por contrato c en cada perodo t por cada producto f
smm,t : Venta en mercado local m en cada perodo t
if fi,t : Inventario de fruta i al final del perodo t
f fi,t : Flujo de bodega de fruta i a preparacion de cada perodo t
qdi,t : Cantidad desperdicio de fruta i vendido en cada perodo t
f ri,t : Fraccin de desperdicio de la fruta i reinsertada al proceso en perodo t
qni,t,k : Cantidad de fruta i usada para tratamiento k en cada perodo t
f pp,t : Flujo de producto p terminado en cada periodo t
ipf,i,c : inventario de producto f terminado al final de cada periodo i del contrato c
Funcin objetivo:

m
ax

sc,sm,if f,f f,qd,f r,qn,f p,ip

X
X

smmtr V Mmtr

m,t,r

c,t,f

scctf V Cctf +

CBitit RRii Bitit

Bitit (1 RRi )P B

i,t

i,t

i,t

Ctprep f fit

Ctf in f pcpt

p,t

i,t

if fit Ht
(1)

CBitit f fit f rit

i,t

Apctf ct (Dpctf ct scf ct )

CIptpt icpt

f,t

f,c,t

Restricciones:

1. Conservacion de flujo de Materias Primas:

if fit = if fi,t1 + M P itit f fit

(2)

2. No sobrepasa capacidad almacenamiento Materias Primas:

X

if fit Qrm

(3)

f fit Qprep

(4)

3. No sobrepasa capacidad preparacion:

X
i

4. Conservacion de flujo de preparacion y etapa final:

X

qnikt = f fit (1 RRi )qdit

(5)

5. Conservacion del flujo en etapa final:

X

qnikt Xikpikp =

f pcpt REipip

(6)

i,k

Gestin de Operaciones I

SS/IV

6. La venta no supera demanda en los contratos:

sccpt Dpctcpt

(7)

f pcpt Qf inpp

(8)

7. No sobrepasa capacidad final:

8. No sobrepasa capacidad de los productos congelados

X

icf t U f r

(9)

smpmt = f pcpt

(10)

9. Conservacin de los flujos de mercado:

X
m

10. Conservacin de los flujos de contratos:

icf t = icf, t 1 + f pcf t

sccf t

(11)

11. World class condition:

0,16[

smrmt V M pmtrmt +

r,m,t

f ct

scf ct V Cpctf ct +

P B RRii qdit ]

Htt if fit +

i,t

it

(12)
icf t CIptf t

f,t

12. Receta:
if fit

sccf t REipif +

smrmt REipir

(13)

r,m

f,c

13. Inventario inicial materias primas:

IM 0i = if fi0

(14)

IP 0f = icf 0

(15)

sc, sm, if f, f f, qd, f r, qn, f p, ip 0

(16)

14. Inventario inicial productos:

15. Naturaleza de las variables:

Gestin de Operaciones I

SS/IV

2.2

Descripcin del modelo

A partir del modelo propuesto por el equipo, el cual representa la optimizacin de las utilidades
de la empresa, considerando los datos propuestos por esta, se logra observar que el software
AMPL da la opcin de resolver mediante diversos mtodos el problema. Estos programas estan
compuestos por tres tipos de lineas resolutivas, las cuales quedan descritas a continuacin:
1. Solvers lineales: Este tipo solver maneja los problemas lineales y cuadrticos convexos en
variables continuas y enteros. Teniendo adems extensiones que permiten resolver tipos de
problemas adicionales, incorporando adems simplex primal y dual, mtodos de programacin
interiores con un sofisticado Branch and Bound, y bsquedas Heursticas para problemas
enteros y mixtos. Estos solver son:
CPLEX(Desarrollado por IBM )
Gurobi (Optimizacin Gurobi)
Xpress(FICO)
2. Solvers no-lineales: Los solvers en esta categora provee la forma ms efectiva de encontrarsoluciones ptimas locales a los problemas que afectan a las funciones no lineales
lisas(incluyendo ratios, polinomios, exponenciales, logaritmos y formas trigonomtricas).
Para estos casos se ofrecen los siguientes algoritmos:
CONOPT(ARKI): Arquitectura multimtodo basada en un gradiente reducido.
KNITRO(Optimizacin Ziena) Eleccin de mtodos de punto interior, con soporte
para variables enteras.
LOQO: Mtodo de punto interior aplicada a una secuencia de aproximaciones cuadrticas.
MINOS: mtodo de punto interior del gradiente aplicado y basado en un simplex
primal lineal.
SNOPT: Mtodo de aproximacin de secuencia cuadrtica. Por lo general en un
problema dado, ms de una vez resulta ms conveniente utilizar uno de estos solvers,
por lo que son los solvers por defecto para la resolucin de PPL.
3. Solvers alternativos: Estos solvers combinan una serie de enfoques para enfrentar a los
problemas con mltiples soluciones ptimas, no lisas, funciones discretas. A partir de estos
se describen las siguientes opciones:
BARON: optimizacin global no convexa no-lineal en las variables continuas y enteras.
LGO: Optimizacin global y local sobre formas funcionales generales.
Solver Local: busca los puntos ptimos sobre las Heursticas, para encontrar ptimos
local.

Gestin de Operaciones I

SS/IV

Luego de la definicin de alguno de los tipos de solvers existentes en el universo de AMPL,

se logra analizar el posible mtodo de resolucin dadas las caractersticas del modelo obtenido.
Este tiene como resultado variables continuas y enteras, dada por las salidas, flujos e inventario
en los conjuntos indexados, adems de poseer todas las variables de manera unidimensional, por
lo que sera lineal. Por lo tanto se tiene que es un modelo de programacin mixta y linear, por lo
que servira para la resolucin los solvers lineales, de cual se elige Gurobi. Se elige este dada la
capacidad que tiene para resolver variables enteras por el mtodo de Branch and bound.
Por otra parte, si este modelo no es resuelto por un software como AMPL, se deben buscar
mtodos de resolucin dada la dificultad de la naturaleza y extensin del problema. Es por esto
que se averiguan mtodo de resolucin para este tipo de problemas, teniendo como mtodo la
descomposocin del problema primal.
Las tcnicas de descomposicin tiene sentido aplicarlas a un problema de optimizacin cuya
estructura especfica permite identificar partes del mismo que son fcilmente resolubles de modo
individual. Los problemas multietapa y los problemas estocsticos de gran tamao son ejemplos de
problemas cuya resolucin se puede abordar mediante tcnicas de descomposicin. Los problemas
enteros mixtos tales que la relajacin de un conjunto de restricciones reduce la dificultad del
mismo son tambin ejemplos en los que el uso de tcnicas de descomposici n puede ser preferible
a la resolucin del problema de un modo directo. A partir de esto, se definen los siguientes
algoritmos de descomposicin:

2.2.1

Descomposicin de Benders:

La tcnica de descomposicin de benders puede describirse como una manera inteligiente de

separar variables "dificiles"de algn problema aprovechando las caractersticas estructurales de
ste. El mtodo requiere que una vez fijadas estas variables "dificiles", el problema pueda plantearse
en una forma conocida y de fcil solucin, parametrizando en funcin de las variables "difciles".
El problema propone la aproximacin del problema simple parametrizado a travs de planos
cortantes que representen los valores extremos de ste. Para encontrar la expresin de estos planos
Benders recurre a la teora dual. Posteriormente, se desarroll una generalizacin del mtodo
para permitir mayor holgura al problema a parametrizar, nicamente exigiendo convexidad,
aplicndose a la teora de la dualidad convexa no-lineal. En problemas no convexos el mtodo no
converge al ptimo global debido a la existencia de quebraduras de dualidad en la descripcin de
planos cortantes de la funcin parametrizada. Sin embargo, an as puede ser recomendadocomo
mtodo aproximado en problemticas en que no existen otras alternativas de desarrollo.
En este caso, la relajacin u optimaly-gap del problema es totalmente vlida, dado a que la
diferencia con el valor real con el relajado no pasan del 12,5 %, por lo que se dice que este
algoritmo se encuentra certificado.

Gestin de Operaciones I

SS/IV

2.2.2

Relajacin Lagrangiana:

La Relajacin Lagrangiana (RL) es una tcnica que utiliza conceptos de la teora de la dualidad
para tratar el conjunto de restricciones de un problema de manera especial. Las restricciones
consideradas complicadas son transferidas a la funcin objetivo, las cuales son ponderadas a
travs de parmetros de penalidades especiales denominados Multiplicadores de Lagrange. As el
problema original se transforma en un problema relajado, donde la estructura de las restricciones
resultantes, en general, origina subproblemas que pueden ser resueltos con mayor facilidad en
comparacin al problema original.
La tcnica de RL, es empleada tambin con funciones de mltiples variables que buscan ser
maximizadas o minimizadas, sujetas a ciertas restricciones. Estas funciones pueden emplearse en
la gestin de operaciones, entre otras disciplinas.
El objetivo de esta relajacin es buscar y remover las malas restricciones, o las que imposibilitan
la obtencin del ptimo. Se remueve la restriccin y se coloca en la funcin objetivo en forma de
penalizacin, se le asigna un peso a esta con un multiplicador de Lagrange. Este mtodo se usa
generalmente en problemas de optimizacin discreta, particularmente en problemas de redes. En
este caso, la relajacin u optimaly-gap del problema es totalmente vlida, dado a que la diferencia
con el valor real con el relajado no pasan del 12,5 %, por lo que se dice que este algoritmo se
encuentra certificado.
2.2.3

Greedy adding

A veces es preferible buscar una aproximacin rpida. Una de las formas de conseguirlo es lo que
se conoce como .algoritmos voraces"(greedy methods), que consisten en esperar que un mximo
local nos lleve a un mximo global, o al menos a un valor suficientemente bueno.
Los algoritmos avaros funcionan en fases. En cada fase se toma una decisin que parece ser la
mejor, sin tener en cuenta las consecuencias futuras de esa decisin. Cuando el algoritmo termina,
se espera que la solucin sea la ms optima para el problema planteado, si es as, el algoritmo es
correcto, si no, el algoritmo produce una respuesta sub-optima muy cercana a la mejor solucin,
estos algoritmos son usados si la solucin de un problema es demasiado compleja y solo se quiere
una respuesta rpida aproximada a la mejor opcin.
2.2.4

Branch and bound

La tcnica de Branch and bound se suele interpretar como un rbol de soluciones, donde cada
rama nos lleva a una posible solucin posterior a la actual. La caracterstica de esta tcnica es que
el algoritmo se encarga de detectar en qu ramificacin las soluciones dadas ya no estn siendo
ptimas, para eliminar esa rama del rbol y no continuar malgastando recursos y procesos en
casos que se alejan de la solucin ptima. La eficiencia de este mtodo depende fundamentalmente
del procedimiento de expansin de nodos, o de la estimacin de los nodos padres e hijos. Es
mejor elegir un mtodo de expansin que provea que no se solapen los subconjuntos para ahorrar
problemas de duplicacin de ramas. Idealmente, el procedimiento es para cuando todos los nodos
del rbol de bsqueda estn podados o resueltos. En ese punto, todas las subregiones no podadas,
tendrn un nodo padre e hijo iguales a una funcin global mnima. En la prctica el procedimiento
a menudo termina, cuando finaliza un tiempo dado, hasta el punto que el mnimo de nodos hijos
y el mximo de nodos padres sobe todas las secciones no podadas, definen un rango de valores
que contienen el mnimo global. Alternativamente, sin superar un tiempo restringido, el algoritmo
debe terminar cuando un criterio de error, cae bajo un valor especfico.
Este mtodo est pensado para resolver un problema de programacin entera, dados los resultados
Gestin de Operaciones I

SS/IV

que entregaran al eliminar las ramas de las otras posibles soluciones. Entrega la opcin ms alta
de un segmento, por lo que es una heurstica.
2.2.5

Greedy randomized adaptive search procedure(GRASP)

El procedimiento codicioso aleatorizado adaptativo de bsqueda (tambin conocido como GRASP)

es un algoritmo de metaheurstico comnmente aplicado a problemas de optimizacin combinatoria. GRASP consiste tpicamente de iteraciones realizadas a partir de construcciones sucesivas
de una solucin aleatorizado codiciosos y mejoras iterativos subsiguientes de la misma a travs
de una bsqueda local. Las soluciones aleatorios codiciosos se generan mediante la adicin de
elementos a conjunto solucin del problema de una lista de elementos clasificados por una funcin
codicioso de acuerdo con la calidad de la solucin que lograrn. Para obtener la variabilidad en el
conjunto de candidatos de soluciones codiciosos, elementos candidatos as clasificados-a menudo
se colocan en una lista de candidatos restringido (tambin conocido como RCL), y elegidos al
azar cuando la construccin de la solucin. Este tipo de mtodo de construccin aleatorizado
codicioso tambin se conoce como una heurstica semi-codiciosos. En este caso, la relajacin u
optimaly-gap del problema es totalmente vlida, dado a que la diferencia con el valor real con el
relajado no pasan del 12,5 %, por lo que se dice que este algoritmo se encuentra certificado.
Donde finalmente se elige que el algoritmo que ms representa al modelo es el mtodo de Benders,
ya que considera las variables enteras y continuas a diferencia de las dems que solo consideran
variables enteras. Por simplicidad tambien conviene, ya que simplifica el problema padre en varios
sub-problemas el cual simplifica el problema primal, dada la convexidad y linealidad de este.
Adems este mtodo tiene una relajacin vlida, ya que asegura el Optimaly-gap de un 12,5 %,
por lo que es un mtodo certificado para el uso.

2.3

Programacin en AMPL

El modelo del AMPL es adjuntado en el .RAR del trabajo, dando el detalle que corresponde a
cada parmetro, variable y restriccin.
El valor ptimo obtenido en el programa se adjunta en las Conclusiones del informe, adems de
adjuntar un archivo llamado resolucion.txt con los resultados obtenidos.

2.4

Tratamiento

Con los datos obtenidos con el modelamiento matematico en el software, se logra observar que
para que la funcin objetivo sea un mximo, explicado por los beneficios de la empresa, sta debe
llevar a cabo los dos tratamientos dentro del perodo de evaluacin. Esto porque en la planta
se elaboran distintos tipos de productos, los cuales son elaborados con dos distintos objetivos y
seis frutas distintas. Por lo que indica que en algunos casos los procedimientos deben ser llevados
simultneamente por los procesos productivos, por lo que se debe llevar a cabo una planificacin
exhaustiva con tal de disminuir los tiempos muertos, aumentar la eficiencia y disminuir los costos
asociados a la produccin. Adems en cuanto a los tratamientos, ya que no poseen ningn costo
y restriccin conviene llevarlos a cabo simultneamente, ya que no son un problema para el
modelamiento y permitira la entrada de ms recursos ya que aumentara el flujo de venta de
productos terminados y de perecibles.
Finalmente, es aconsejable para la empresa llevar los dos tratamientos a la vez por los argumentos
Gestin de Operaciones I

SS/IV

expuestos anteriormente, y que finalmente es partcipe del mximo beneficio en el punto de

produccin y planificacin de esta.

2.5

Alternativo

Al quedar de una manera genrica la formulacin del problema, ya que se trabajara con conjuntos
indexeados, permitira la entrada de nuevos perodos, frutas y productos al modelo de programacin
lineal por lo que claramente sera favorable para la empresa ya que no tendra que realizar cada
vez que necesite un modelo para obtener sus beneficios ptimos. Por lo que sera un plus para
este modelo ser indexeado por cada conjunto incorporado en este modelo, ya que no necesitara
una modificacin en el futuro.

Gestin de Operaciones I

10

SS/IV

Conclusin

Para gestionar de manera satisfactoria la planificacin agregada de la produccin, se desarroll

un modelo de programacin matemtica (PPL) considerando las entradas proporcionadas por la
empresa KONLAPERA S.A en las tablas de datos, adems de las variables de salida, almacenamiento,ventas, capacidades, desperdicio, que necesita la empresa para el clculo de utilidad por
perodo de tiempo. Para esto se utilizaban las polticas administrativas de esta organizacin y
considerando las restricciones a las que est adscrita la empresa.
En la primera parte, el modelo luego de ser desarrollado , es programado en el software AMPL
para ser luego ser ejecutado con el solver Gurobi, para obtener el valor de la utilidad de los seis
perodos el cual resulta ser $10,293,800[$]. Este valor significa que se est obteniendo un beneficio
por la eficiencia del sistema de recuperacin de fruta descompuesto y la venta para abono de la
parte que no se logra recuperar. Por lo que muestra que es una empresa con una gestiona de
manera eficiente y no posee prdidas.
Despus de investigar sobre los tipos de modelos y la resolucin de estos, se llega a la conclusin a
que pertenece a un modelo de Bender, dada la naturaleza de las variables que es mixta (continua y
entera) y que es un problema lineal. Adems, se pueden simplificar las restricciones del problema,
dado a que el algoritmo de Bender se encuentra certificado, o sea, que la relajacin se encuentra
bajo un 12,5 % de diferencia con el valor no relajado, por lo que resulta mas conveniente que las
otras opciones y resolverlo de una manera ms directa.
En cuanto a los tratamientos, ya que no poseen ningn costo y restriccin conviene llevarlos a
cabo simultneamente, ya que no son un problema para el modelamiento y permitira la entrada
de ms recursos ya que aumentara el flujo de venta de productos terminados y de perecibles.
Al quedar de una manera genrica la formulacin del problema, ya que se trabajara con conjuntos indexeados, permitira la entrada de nuevos perodos, frutas y productos al modelo de
programacin lineal por lo que claramente sera favorable para la empresa ya que no tendra que
realizar cada vez que necesite un modelo para obtener sus beneficios ptimos. Por lo que sera un
plus para este modelo ser indexeado por cada conjunto incorporado en este modelo, ya que no
necesitara una modificacin en el futuro.

Gestin de Operaciones I

11

SS/IV