Escolar Documentos
Profissional Documentos
Cultura Documentos
Facultad de Ingeniera
Maestra de Investigacin de Operaciones
Teora de Toma de Decisiones
Tarea 3
Integrantes:
Jos Alirio Cardoza
Yusnaibeth Gomez
Para el problema planteado, se tiene que las variables de decisin sern las siguientes:
11 : 1 1
12 : 2 1
13 : 3 1
21 : 1 2
22 : 2 2
23 : 3 2
31 : 1 3
32 : 2 3
33 : 3 3
Se tiene en el problema planteado que todas las restricciones sern consideradas metas, por
lo tanto las metas quedan de la siguiente forma:
min = 1+ + 2+ + 3+ + 4+ + 5+ + 6+ + 7 + 8 + 9 + 10
. :
11 + 12 + 13 + 1 1+ = 750
21 + 22 + 23 +2 2+ = 300
31 + 32 + 33 + 3 3+ = 450
3011 + 2012 + 1513 + 4 4+ = 12000
3021 + 2022 + 1523 + 5 5+ = 10000
3031 + 2032 + 1533 + 6 6+ = 6500
11 + 21 + 31 + 7 7+ = 900
12 + 22 + 32 + 8 8+ = 1000
13 + 23 + 33 + 9 9+ = 700
+
1511 + 1812 + 1213 + 1521 + 1822 + 1223 + 1531 + 1832 + 1233 + 10 10
= 3000
11 , 12 , 13 , 21 , 22 , 23 , 31 , 32 , 33 , , + 0 , = 1,2, ,10
Como condicin adicional se coloc que los valores de las variables debern ser nmeros
enteros.
Se busc la solucin al modelo planteado a travs del software de programacin R
utilizando el paquete Rglpk y se obtuvieron los siguientes resultados:
Solucin: No se cumplen con todas las metas establecidas, la planta 2 necesitara producir
200 productos ms de lo que su capacidad lo permite, no se elabora ningn producto del tipo
1 y se esperaba vender 900 de este tipo, se elaboran 100 productos menos del tipo 2 con
respecto a lo esperado.
2. PROGRAMACIN META CUADRTICA
La programacin meta en su forma bsica asume la linealidad de la funcin objetivo y de las
restricciones. Por lo tanto el incremento en cualquier desviacin, siempre adiciona una
cantidad igual a la funcin objetivo independiente del nivel de todas las otras desviaciones
metas. La programacin meta cuadrtica modela la funcin objetivo de forma cuadrtica
sujeta a restricciones lineales.
En el paper Quadratic Preferences and goal programming los autores expresan varias
ventajas de suponer un comportamiento cuadrtico de la funcin objetivo, el primero de ellos
vendra dado por el hecho de que un comportamiento lineal no aplica de forma realista en
muchos casos, entre ellos los autores mencionan los decrecimientos marginales(El nmero
de unidades de un bien a las que est dispuesto a renunciar un consumidor a cambio de una
unidad adicional de otro bien, es decir, mide la relacin de intercambio entre dos bienes que
mantiene constante el nivel de utilidad) utilizados en las teoras econmicas.
Adicional al comportamiento realista del sistema los autores mencionan las siguientes
ventajas de suponer un comportamiento cuadrtico: Es simple desde un punto de vista
computacional. Cuando se tiene un problema de programacin cuadrtica que envuelve
restricciones lineales, la formulacin cuadrtica es generalmente ms fcil de resolver que
suponer varios problemas de programacin no lineal. Existen varios algoritmos conocidos
cuando se asume preferencias cuadrticas en la formulacin del objetivo. Es ms sencillo
realizar anlisis de sensibilidad y dual cuando se usa la forma cuadrtica con respecto a
formas no lineales. Por ltimo la programacin cuadrtica proporciona una buena
aproximacin para muchas funciones que asumen un valor cero en un punto particular.
+ + = , = 1,2,3, ,
=1
, = 1,2,3, ,
=1
, , + 0
Donde:
:
:
:
:
:
:
:
, + :
++
, , :
Ejemplo ilustrativo:
Una planta de produccin de bicicletas tiene una capacidad mxima de operacin de 8 horas
en un da. Con esta capacidad, la compaa produce dos productos: bicicletas de pista y
bicicletas regulares. La produccin de bicicletas de pista o bicicletas regulares requiere de
una hora en la fbrica. Segn el lmite de capacidad de ventas se espera que las ventas de las
bicicletas de pista y regulares sean 6 y 5 respectivamente. La utilidad por la venta de una
bicicleta de pista es de 20 unidades y por una regular es de 10 unidades. El director de la
compaa ha listado las siguientes metas en orden de importancia:
1. Evitar cualquier tipo de sub-produccin de la planta
2. Lograr las ventas esperadas de ambos tipos de bicicletas.
Motivado a que las ventas de las bicicletas de pista generan el doble de utilidad que las
bicicletas regulares, el director de la planta est ms preocupado por alcanzar la meta de las
bicicletas de pista que de las bicicletas regulares (esta meta pudiese ser no lineal).
= 1 1+ 22 3
1 + 2 + 1 1+ =8
+
1 + 2 2 =6
+
2 + 3 3 = 5
+ + +
1 , 2 , 1 , 1 , 2 , 2 , 3 , 3 0
1 :
2 :
1 :
1+ :
( = 2,3):
+ ( = 2,3): (En esta situacin se
considera imposible)
= (1 )2 (1+ )2 2(2 )2 (3 )2
Se har otra formulacin considerando que hay interacciones entre los trminos de la funcin
objetivo:
La interaccin entre los trminos puede ser usada para obtener una formulacin que refleje
una naturaleza asimtrica en la funcin de costos. Las preferencias asimtricas implican que
la utilidad marginal de cada variable de desviacin depende en principio de otra variable.
= (1 )2 (1+ )2 2(2 )2 (3 )2 1+ 2 1+ 3
3. PROGRAMACIN DINAMICA
En base a los costos de traslado de cada etapa se desea realizar el viaje minimizando los
costos totales de viaje, los costos de movilizarse de una etapa a otra se muestra en la figura
de estados anterior, abajo se colocar una tabla resumen de los costos de cada etapa extrada
del libro de Hillier-Lieberman.
Entonces la pregunta de este problema ser: Cul es la ruta que minimiza el costo total del
viaje?
En caso del problema de la diligencia se comenzara con la ltima parte del problema
suponiendo que el viajero ya se encuentra en la ltima etapa del viaje y solo resta seleccionar
la ltima ruta. La solucin ptima ser la que le presente el menor costo de ir desde el estado
actual (an desconocido) hasta el punto de llegada J.
En cada una de las iteraciones siguientes, el problema aumenta en una el nmero de etapa
que les queda por recorrer para completar el viaje. En cada problema aumentado se debe
considerar los resultados obtenidos en las iteraciones anteriores.
Sea (, ) el costo total de la mejor poltica global para enfrentar las etapas restantes,
como el viajero se encuentra en el estado , listo para iniciar la etapa y elige como
destino inmediato. Dado y , sea el valor de que minimiza (, ), y sea ()
el valor minimo correspondiente de (, ). Entonces:
() = min (, ) = (, )
Donde:
(, ) = ( )
+ ( + 1 )
= + +1 (, )
Aplicando esto en el problema tenemos que. Cuando el cazafortunas tiene una solo etapa por
recorrer ( = 4), su ruta de ah en adelante ser perfectamente determinada por su estado
actual s (ya sea H I), as como su destino final, 4 = , por lo tanto la ruta de esta ltima
jornada es s-J. Por lo tanto 4 () = 4 (, ) = , , la solucin inmediata al problema para
= 4 es, 4 () = 3 4 () = 4.
Cuando el cazafortunas tiene dos etapas por recorrer ( = 3), el procedimiento de solucin
requiere unos cuantos clculos. Suponiendo que nos encontramos en el estado , solo hay
dos posibles ruta I, si se decide seleccionar la ruta que nos lleva a tendremos que el
costo por movernos de a es de 6 y si se adiciona el costo por moverse de a es de 3
dando un costo total de 9, si se decide seleccionar la ruta que nos lleva a , el costo por
moverse de a es de 3 dando un costo total de 7, bajo esta suposicin la ruta a seleccionar
seria F-I-J debido que es la que me genera el menor costo.
Es necesario hacer este mismo clculo para los estados = y = , considerando dos
jornadas por delante. Este procedimiento se deber repetir hasta obtener la ruta total para el
cazafortunas. Una ruta ptima obtenida es A-C-E-H.-J.
Caractersticas de problemas de programacin dinmica
- El problema se puede dividir en etapas, cada una de las cuales requiere una poltica
de decisin.
- Cada etapa tiene cierto nmero de estados asociados con su inicio.
- 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 (pudiese ser segn una
distribucin de probabilidad).
- El procedimiento de solucin est diseado para encontrar una poltica ptima para
manejar el problema completo, es decir, una receta para elaborar la poltica de
decisin ptima para cada etapa en cada uno de los estados posibles.
- Dado el estado actual, una poltica ptima para las etapas restantes es independiente
de la poltica adoptada en etapas anteriores. Por lo tanto, la decisin inmediata ptima
depende solo del estado actual y no de cmo se lleg ah. Este es el principio de
optimalidad de la programacin dinmica.
- El procedimiento de solucin inicia cuando se determina la poltica ptima para la
ltima etapa.
- Se dispone de una relacin recursiva que identifica la poltica ptima para la etapa n,
dada la poltica ptima para la etapa n+1.
- 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 optima desde
la etapa inicial. Esta poltica ptima lleva de inmediato a una solucin ptima.
Una manera de clasificar los problemas de programacin dinmica determinstica es con base
en la forma de la funcin objetivo. Por ejemplo, el objetivo puede ser minimizar la suma de
las contribuciones en cada etapa individual o maximizar esa suma, o bien minimizar el
producto de los trminos. Otra clasificacin se puede hacer en trminos de la naturaleza del
conjunto de los estados en las respectivas etapas. En particular, los estados pueden estar
representados por una variable de estado discreta como en el problema de la diligencia-, o
por una variable de estado continua, o tal vez se requiere un vector de estado (ms de una
variable). De manera similar, las variables de decisin (1 , 2 , , ) tambin pueden ser
discretas o continas.
Cuando se expande la imagen de la figura mostrada anteriormente para incluir todos los
estados y las decisiones posibles en todas las etapas, se obtiene la que se conoce como un
rbol de decisiones.
El siguiente ejemplo es extrado del libro de Hillier- Liberman y se conoce como ganadora
de Las Vegas:
Una joven emprendedora experta en estadstica cree haber desarrollado un sistema para ganar
un popular juego en Las Vegas. Sus colegas no piensan que ese sistema sea tan bueno, por
lo que le apuestan que si comienza con tres fichas ella no tendrs al menos cinco fichas
despus de tres jugadas. Cada jugada incluye apostar cualquier cantidad de fichas disponibles
y ganar o perder el mismo nmero de fichas. La joven cree que su sistema le dar una
probabilidad de 2/3 de ganar una jugada dada.
Suponiendo que la muchacha est en lo correcto se quiere determinar cuntas fichas deber
apostar en cada jugada. La decisin deber tomar en cuenta los resultados de las jugadas
anteriores. El objetivo es maximizar la probabilidad de ganar la apuesta.
( , ) =
( ) = max ( , )
La expresin para ( , ) debe refljar el eco de que en un momento dado, es posible
acumular 5 fichas aun cuando pierda la siguiente jugada. Si pierde el estado en la siguiente
etapa ser y la probabilidad de terminar al menos con cinco fichas ser entonces
+1 ( ). Por el contrario si gana la siguiente jugada el estado del sistema ser
+ y la probabilidad correspondiente ser +1 ( + ). Como se supone que la
probabilidad de ganar una jugada dada es 2/3, se concluye que
1 2
( , ) = +1 ( ) + +1 ( + )
3 3
Donde:
4 (4 ) = 0 4 < 5 1 4 5
El resultado obtenido es que la experta en estadstica tiene una probabilidad de 20/27 de ganar
la apuesta a sus colegas.
4. BIBLIOGRAFIA