Escolar Documentos
Profissional Documentos
Cultura Documentos
Gestin de Operaciones I
ICN-343 - 1s2016
Integrantes:
Sergio Felipe Silva Uribe
201260130-4
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
Gestin de Operaciones I
SS/IV
Desarrollo
2.1
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
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
X
X
smmtr V Mmtr
m,t,r
c,t,f
scctf V Cctf +
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)
i,t
CIptpt icpt
f,t
f,c,t
Restricciones:
(2)
if fit Qrm
(3)
f fit Qprep
(4)
(5)
qnikt Xikpikp =
f pcpt REipip
(6)
i,k
Gestin de Operaciones I
SS/IV
(7)
f pcpt Qf inpp
(8)
icf t U f r
(9)
smpmt = f pcpt
(10)
sccf t
(11)
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
(14)
IP 0f = icf 0
(15)
(16)
Gestin de Operaciones I
SS/IV
2.2
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
2.2.1
Descomposicin de Benders:
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
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
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
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
Gestin de Operaciones I
11
SS/IV