Documentos de Académico
Documentos de Profesional
Documentos de Cultura
2010
Profesor: Pamela lvarez M.
25/03/2010
Objetivos
Modelar matemticamente problemas diversos de toma de decisiones. Explicar claramente y con sus propias palabras el funcionamiento del algoritmo Simplex y de otros algoritmos para problemas no lineales. Explicar adecuadamente el algoritmo Branch and Bound (y sus variantes) para problemas con variables discretas. Identificar los paradigmas de flujo en redes y de programacin dinmica como esquemas alternativos de modelamiento de ciertos problemas de toma de decisiones y las ventajas y desventajas de estos paradigmas respecto al enfoque ms estndar de modelamiento. Utilizar software para resolver modelos de optimizacin.
ICS1113. Prof.: Pamela lvarez M. 3
Contenidos
PARTE I: Motivacin y preliminares Qu es la investigacin operativa? Modelos de optimizacin Mximos, mnimos, modelos equivalentes y definiciones bsicas PARTE II: Programacin lineal Formulacin y forma estndar de problemas lineales Geometra de problemas lineales y propiedades de poliedros Mtodo Simplex Anlisis de sensibilidad Teora de dualidad PARTE III: Extensiones de Programacin Lineal Optimizacin de flujo en redes Programacin lineal entera Programacin dinmica PARTE IV: Programacin no lineal Optimizacin con restricciones de igualdad y desigualdad Condiciones necesarias y suficientes para un mnimo local o global Mtodos de bsqueda de soluciones ptimas sin restricciones (Gradiente, ICS1113. Prof.: Pamela lvarez M. 4 Newton) y mtodos con restricciones
25/03/2010
Metodologa
Clases expositivas Lectura de textos gua Guas de ejercicios con problemas Actividades grupales durante la clase Uso de software para resolucin de problemas Trabajos grupales Ayudantas y talleres
Aspectos Administrativos
Interrogaciones. Examen.
Nota mnima: 3,0
25/03/2010
Fechas importantes
Sbado 17 de abril Sbado 8 de mayo Jueves 27 de mayo Sbado 26 de junio : : : : I1 I2 I3 Examen
Bibliografa
Si bien en el programa impreso el listado es ms extenso, los libros fundamentales son los siguientes: [FM] Ferrer, J.C. y Muoz, J.C. Apuntes de Optimizacin. Marzo 2006. (Estar disponible en la pgina web). [OVV] Ortiz, C.; S. Varas; J. Vera. (2000) Optimizacin y Modelos para la Gestin. Dolmen ediciones. (Disponible en Biblioteca Central).
25/03/2010
10
25/03/2010
11
Cul es la caracterstica en comn? Tomar una decisin Lograr un objetivo Presencia de restricciones
ICS1113. Prof.: Pamela lvarez M. 12
25/03/2010
Un poco de historia
Un poco de historia La IO nace en Inglaterra durante la Segunda Guerra Mundial, para solucionar algunos problemas militares. Luego de la guerra se comenz a aplicar en otras reas como control de inventarios, asignacin de recursos, listas de espera, etc. En los 50s y 60s se perfeccionan las tcnicas para obtener soluciones, tanto analticas como deductivas, hasta su formalizacin en la actualidad. Actualmente, uso de modelos matemticos para apoyar a tomadores de decisiones en las ms diversas reas.
ICS1113. Prof.: Pamela lvarez M. 13
Enfoque de la IO
Variables relevantes
Sistema Real
Sistema Asumido
Relaciones relevantes
Modelo cuantitativo
Implementacin
Mtodo de solucin
Decisiones
Solucin al modelo
14
25/03/2010
Modelacin
Todos los das, todos los individuos se ven enfrentados a problemas. Un problema es la diferencia entro lo que es (situacin actual) y lo que debe ser (objetivo). Si un problema no tiene solucin no es problema, y si la tiene, entonces tampoco lo es. Una solucin son las actividades a desarrollar para ir desde el estado actual al estado deseado.
15
Modelacin
Los problemas por lo general poseen ms de una solucin. Se dice que una solucin es efectiva si permite ir desde el estado actual al estado deseado. Una solucin es eficiente si abate el problema mediante el empleo mnimo de recursos. El proceso de elegir la mejor alternativa de solucin se conoce como Toma de Decisiones.
16
25/03/2010
Modelacin
Existen barreras u obstculos para alcanzar el objetivo de un problema, lo que se denomina restricciones. Si una solucin cumple con las restricciones del problema, se dice que es una solucin factible. Una solucin ptima es la mejor de las soluciones factibles. Es inmejorable. Proceso de Toma de Decisiones
17
Modelacin
Algunos principios bsicos de la modelacin: No se debe elaborar un modelo complicado cuando uno simple es suficiente. La fase deductiva (supuestos) de la modelacin debe realizarse rigurosamente. Los modelos deben validarse antes de su implementacin. Nunca debe pensarse que el modelo es el sistema real. Un modelo nunca debe criticarse por algo para lo que no fue hecho. Un modelo es tan bueno o tan malo como la informacin con la que se trabaja. Los modelos no pueden reemplazar al tomador de decisiones.
18
25/03/2010
Modelacin
Por qu se construyen modelos?: Clarifica las relaciones existentes
Se comprende mejor el sistema.
Permite experimentar en l
No siempre es posible en un sistema real (avin, planta manufacturera, economa de un pas, etc.).
Modelos Matemticos
Experimentar con sistemas complejos de gran tamao. Considerar muchas alternativas simultneamente (sin enumerar a priori). Identificar un mejor (ptimo) curso de accin.
ICS1113. Prof.: Pamela lvarez M. 19
Modelacin
Algunos ejemplos de modelos: Modelos de Inventario Modelos de Lnea de Espera Modelos de Reemplazo Modelos de Mantenimiento Modelos de Asignacin de Recursos Modelos de Competencia
20
10
25/03/2010
Modelacin
En general usaremos un Modelo Matemtico de Optimizacin, que tiene la siguiente estructura:
Funcin Objetivo
Modelo de Optimizacin
Min s.a
f ( x) gi ( x ) b x C
i, i = 1,..., m
Restricciones
21
Modelacin
Dependiendo del tipo de relaciones, el modelo puede ser: Modelo Lineal Modelo No Lineal Modelo Lineal Entero Modelo Lineal Entero Binario Modelo Lineal Entero Mixto Etc.
Min s.a
f ( x) gi ( x ) b xC i, i = 1,..., m
22
11
25/03/2010
Modelacin
En resumen: Variables de decisin:
Cantidades que se pueden controlar para mejorar el objetivo. Limitaciones en los valores para las variables de decisin. Medida para comparar las alternativas. Se busca maximizar o minimizar este objetivo
Es necesario: Definir claramente las variables de decisin Escribir restricciones y funcin objetivo NO HAY UN METODO SISTEMTICO Modelar es ms un arte que una ciencia
ICS1113. Prof.: Pamela lvarez M. 23
Modelacin
En general usaremos un Modelo Matemtico de Optimizacin, que tiene la siguiente estructura:
Funcin Objetivo
Modelo de Optimizacin
Min s.a
f ( x) gi ( x ) b x C
i, i = 1,..., m
Restricciones
24
12
25/03/2010
Modelacin
Veamos algunos ejemplos: Se dispone dos tipos de insumos para la elaboracin de dos productos (A y B). Se dispone de 8 insumos tipo P y 6 insumos tipo G. Estos insumos son utilizados para elaborar cada producto: A B :2 Py1G : 2 de cada tipo
El beneficio neto es de U$ 15 por unidad de producto A y U$ 20 por cada producto B. Hay que decidir cunto producto A y B fabricar de modo de obtener la mxima utilidad.
25
Modelacin
A
0 0 0 2 2.5 1
B
0 1 3 2 0 3
P
0 2 6 4+4=8 2*2.5=5 2+6=8
G
0 2 6 2+4=6 2.5 1+6=7
Beneficio 0 20 60 70 37.5 75
13
25/03/2010
Modelacin
A
0 0 0 2 2.5 1
B
0 1 3 2 0 3
P
0 1 6 4+4=8 2*2.5=5 2+6=8
G
0 2 6 2+4=6 2.5 1+6=7
Beneficio 0 20 60 70 37.5 75
Hay ms?
ICS1113. Prof.: Pamela lvarez M. 27
Modelacin
Ms soluciones factibles
Producto Final Insumos
A
0 0 0 0,5 0,5 0,5 1 1 1 1,5 1,5 1,5 2
B
0,5 1 1,5 0,5 1 1,5 0,5 1 1,5 0,5 1 1,5
P
1 2 3 2 3 4 3 4 5 4 5 6
G
0,5 1 1,5 1,5 2 2,5 2,5 3 3,5 3,5 4 4,5 4,5
14
25/03/2010
Modelacin
Min s.a
f ( x) gi ( x ) b x C i, i = 1,..., m
Variables de decisin:
29
Modelacin
Funcin objetivo:
Max 15 x + 20 y
Restricciones:
2x + 2 y 8 1x + 2 y 6
30
15
25/03/2010
Modelacin
Min s.a
f ( x) gi ( x ) b x C i, i = 1,..., m
Max s.a.
15 x + 20 y 2x + 2 y 8 1x + 2 y 6
Qu falta?
Max s.a.
15 x + 20 y 2x + 2 y 8 1x + 2 y 6 x, y 0
ICS1113. Prof.: Pamela lvarez M. 31
Modelacin
Vemoslo grficamente
15 x + 20 y 2x + 2 y 8 1x + 2 y 6 x, y 0
Max s.a.
(2,2)
32
16
25/03/2010
Modelacin
Solver de Excel
Max s.a. 15 x + 20 y 2x + 2 y 8 1x + 2 y 6 x, y 0
33
Modelacin
Y si adems queremos hacer una planificacin temporal, o bien queremos minimizar costos, o si hay capacidad de almacenar la produccin excedente, o slo podemos fabricar por lotes, o hay costos de set-up muchas alternativas Veremos algunos modelos bsicos para distintos problemas genricos
34
17
25/03/2010
Modelacin
Planificacin de la Produccin Definir la produccin de modo de maximizar el beneficio neto o bien minimizar el costo de produccin. Variables de decisin: cantidad a fabricar del producto j (j=1,, n). Funcin objetivo: Maximizar beneficio neto o minimizar costos. Restricciones:
35
Modelacin
bj
cj
ri aij
36
18
25/03/2010
Modelacin
xj :
37
Modelacin
Funcin objetivo:
Max
b x
j j =1
Min
c x
j j =1
Restricciones:
a x
ij j =1
ri
i, i = 1,..., m
xj 0
j , j = 1,..., n
19
25/03/2010
Modelacin
Y si lo hacemos ms real? Problema de Planificacin de la Produccin con Inventario La realidad es dinmica, y muchas veces esta planificacin se hace para varios meses seguidos. Supongamos hay una demanda especfica de los clientes a lo largo de los meses la cual debe ser completada exactamente. Supongamos que:
La demanda debe ser entregada en cada periodo. Hay recursos escasos, como en el caso anterior. Hay costos asociados a la produccin de los productos. Se pueden guardar en bodega los productos de un periodo a otro a un cierto costo. La bodega tiene una capacidad finita y cada producto tiene un determinado volumen asociado.
ICS1113. Prof.: Pamela lvarez M. 39
Modelacin
dit : demanda por el producto i en el perodo t. bjt : disponibilidad del recurso j en el perodo t. cit : costo de producir una unidad de i en t. aij : cantidad del recurso j consumido en la produccin de una unidad del producto i. hi : costo que se debe pagar por dejar una unidad del producto i de un mes al siguiente (inventario en bodega). V: Volumen de la bodega. vi : Volumen utilizado por el producto i.
40
20
25/03/2010
Modelacin
Cantidad a fabricar de cada producto en cada periodo xit : monto a producir del producto i en periodo t. Con
i (1,.., n ) t (1,.., T )
Cunto almacenar de un periodo al otro Iit : monto a almacenar del producto i del periodo t al t+1. Con i (1,.., n ) t (1,.., . T)
Funcin Objetivo:
Modelacin
42
21
25/03/2010
Modelacin
Min s.a.
a x
i =1
ij it
b jt
j (1,.., m ) t (1,.., T ) i (1,.., n ) t (1,.., T ) t (1,.., T 1) i (1,.., n ) t (1,.., T ) i (1,.., n ) t (1,.., T 1) i (1, .., n )
I it + dit = I it 1 + xit
v I
i =1
i it
xit 0 I it 0 I iT = 0
43
Modelacin
Por ejemplo si se pudiese asumir un costo unitario por unidad de tiempo fi por cada unidad del producto i entregado atrasado.
44
22
25/03/2010
Modelacin
I it + d it = I it 1 + xit
c x + h I + f y
it it i it i t =1 i =1 t =1 i =1 t =1 i =1
it
45
Modelacin
Min s.a.
c x + h I + f y
it it i it i t =1 i =1 n t =1 i =1 t =1 i =1
it
a x
i =1
ij it
b jt
j (1,.., m ) t (1,.., T ) i (1,.., n ) t (1,.., T ) t (1,.., T 1) i (1,.., n ) t (1, .., T ) i (1,.., n ) t (1,.., T 1) i (1,.., n )
46
v I
i =1
i it
xit 0 I it 0 I iT = 0, yiT = 0
23
25/03/2010
Modelacin
Consideremos el modelo de Planificacin de la Produccin con Inventario (sin considerar capacidad de inventario) Se tiene la siguiente situacin: se incurre en un costo fijo (set-up o partida) Kjt cuando el producto j se fabrica y no depende del nivel de produccin. Cmo lo modelamos?
47
Modelacin
Min s.a.
c
t =1 j =1
jt
x jt + h j I jt + K jt y jt
t =1 j =1 t =1 j =1
a x
ij j =1
jt
bit
i, t ; i = 1,..., m, t = 1,..., T j , t ; j = 1,..., n, t = 1,..., T j , t ; j = 1,..., n, t = 1,..., T j , t ; j = 1,..., n, t = 1,..., T j , t ; j = 1,..., n, t = 1,..., T j , t ; j = 1,..., n, t = 1,..., T
48
I jt = I jt 1 + x jt d jt x jt My jt x jt 0 I jt 0 y jt {0,1}
24
25/03/2010
Modelacin
Un excursionista slo puede cargar un total de b kilos en su mochila. Debe determinar las cantidades a llevar de n diferentes tarros con alimento. Un tarro del tipo j pesa aj kilos y tiene un valor nutricional de cj unidades. Cuntas unidades de cada tarro debe llevar para maximizar el aporte nutricional y no exceder el peso mximo?
49
Modelacin
Variables de decisin:
Funcin Objetivo:
Max
c x
j j =1
Restricciones:
a x
j j =1
x j 0, enteros
ICS1113. Prof.: Pamela lvarez M. 50
25
25/03/2010
Modelacin
Max s.a
3x1 + 2 x2 + 2 x3 2,9 x1 + 2, 5 x2 + 2, 4 x3 5 x1 , x2 , x3 0
Requiere explcitamente que se exija que las variables tomen valores enteros. Asumir valores continuos y luego redondear no ayuda a obtener una buena solucin.
51
Modelacin
Problema de Transporte:
Planificar el transporte de productos desde m orgenes a n destinos de modo de minimizar los costos de transporte.
Orgenes
.........
i
.........
j
Variables de decisin xij= unidades transportadas desde el origen i (i=1,,m) hasta el destino j (j=1,,n) Funcin objetivo: Minimizar los costos de transporte.
.........
Destinos
.........
n
Min
c x
i =1 j =1
ij ij
52
26
25/03/2010
Modelacin
Problema de Transporte:
Planificar el transporte de productos desde m orgenes a n destinos de modo de minimizar los costos de transporte. Restricciones: Demanda.
Orgenes
.........
i
.........
j
x
i =1
ij
= bj
j = 1,..., n
.........
2 j 1 i 3 n
Destinos
.........
n
Oferta.
x
j =1
ij
= ai
i = 1,..., m
No negatividad.
Modelacin
Min
c x
i j
ij ij
54
27
25/03/2010
Modelacin
Problema General de Flujo:
Dada una red con n puntos (nodos) ya sean de oferta o demanda, planificar el flujo de modo de satisfacer la demanda a mnimo costo.
j 1 i
xij xki = bi
j =1 j i k =1 k i
i = 1,..., n
No negatividad.
xij 0
i, j
55
Modelacin
Problema de Asignacin:
Se tienen dos conjuntos de igual nmero de objetos y se desea determinar pares de objetos tales que un objeto del par pertenezca a un conjunto y el otro objeto al otro conjunto. Variables de decisin: si un objeto i es asignado o no a un objeto j.
.........
i
.........
j
.........
n
.........
n
Min
t x
i =1 j =1
ij ij
56
28
25/03/2010
Modelacin
Problema de Asignacin:
Se tienen dos conjuntos de igual nmero de objetos y se desea determinar pares de objetos tales que un objeto del par pertenezca a un conjunto y el otro objeto al otro conjunto.
1 1
Restricciones: Cada objeto i debe ser asignado a un elemento del otro conjunto.
.........
i
.........
j
x
j =1 n
ij
=1
i = 1,..., n
.........
n
.........
n
x
i =1
ij
=1
j = 1,..., n
Binariedad.
xij {0,1}
i, j
57
Modelacin
29
25/03/2010
Modelacin
Problema del Vendedor Viajero:
Min s.a.
c x
i =1 j =1
ij ij
x
j =1
ij
=1
i = 1,..., n
x
i =1
ij
=1
ij
j = 1,..., n
card (T ) 1 T
x
iT jT
{1,..., n}
xij {0,1}
i, j
59
Modelacin
Modelar con variables enteras Las variables enteras ofrecen la oportunidad de modelar situaciones ms amplias que la programacin lineal Las variables enteras pueden representar: La naturaleza indivisible de un problema Condiciones lgicas No linealidad
60
30
25/03/2010
Modelacin
Ejemplo:
Se debe decidir en qu proyectos invertir de una cartera de alternativas. Se tiene la ganancia (gi) y el capital requerido ci (en millones de dlares) para un listado de proyectos. Se cuenta con 100 millones de dlares. Los proyectos 1 y 2 son mutuamente excluyentes. Los proyectos 3y 4 son mutuamente excluyentes. Para realizar el proyecto 3 se debe realizar uno de los dos primeros proyectos. Lo mismo para el proyecto 4. Qu proyectos realizar de modo de maximizar las ganancias?
61
Modelacin
Ejemplo: Variable de decisin:
1 si se ejecuta el proyecto i xi = 0 si no
Los proyectos 1 y 2 son mutuamente excluyentes Los proyectos 3y 4 son mutuamente excluyentes. Para realizar el proyecto 3 se debe realizar uno de los dos primeros. Lo mismo para el proyecto 4.
62
31
25/03/2010
Modelacin
Modelar con variables binarias a. b. c. d. e. f. Produccin acotada Produccin acotada inferiormente Costo fijo Variables que toman un conjunto de valores Restricciones una o la otra al menos Restricciones si .. entonces
63
Modelacin
Modelar con variables binarias a. Produccin acotada
Variable que indica el nivel de produccin de j
Lj y j x j U j y j
b. Produccin acotada inferiormente
Variable binaria que indica si se fabrica o no el producto j
Lj y j x j M j y j
64
32
25/03/2010
Modelacin
Modelar con variables binarias c. Costo fijo
0 C ( xj ) = f j + vjxj
si si
xj = 0 xj > 0
1 si yj = 0 si
xj > 0 xj = 0
Formulacin no lineal
C ( xj ) = f j yj + vjxj
xj M j yj
ICS1113. Prof.: Pamela lvarez M.
C ( xj ) = f j y j + vj xj y j
65
Modelacin
Modelar con variables binarias d. Variables que toman un conjunto de valores: La variable slo puede tomar un valor dentro de un conjunto de valores
1 si yij = 0 si
x j = ai x j ai
j
y
i =1
ij
=1
n
x j = ai yij
i =1
66
33
25/03/2010
Modelacin
Modelar con variables binarias e. Restricciones una o la otra al menos Se tienen 2 posibles restricciones
f ( x) 0 o bien g ( x) 0
Notar que en los modelos de optimizacin se exige que se cumplan todas las restricciones para que el punto sea factible. Esto equivale a condicin lgica y.
f ( x ) M (1 y ) g ( x ) My
ICS1113. Prof.: Pamela lvarez M. 67
Modelacin
Modelar con variables binarias e. Restricciones una o la otra al menos
Supongamos que se deben cumplir k de un conjunto de m restricciones (k<m).
Siguiendo una lgica anloga, se definen variables auxiliares y para cada restriccin que corresponde a 1 si no se satisface la restriccin i, y 0 si s se satisface. En que M es un nmero suficientemente grande.
68
34
25/03/2010
Modelacin
Modelar con variables binarias e. Restricciones una o la otra al menos Ejemplo:
x1 0 x1 1000
x1 M (1 y ) 1000 x1 My
ICS1113. Prof.: Pamela lvarez M. 69
Modelacin
Modelar con variables binarias f. Restricciones si .. entonces Si f(x)>0 se satisface entonces g(x)0 se tiene que cumplir.
g ( x ) My f ( x ) M (1 y )
Ejemplo:
1 si el cliente i enva sus pagos a la ciudad j xij = 0 si no x11 > 0 Si x11 = 1 entonces x21 = x31 = x41 = 0
f ( x ) >0
70
35
25/03/2010
Modelacin
Problema de Localizacin de Instalaciones
Se debe localizar un conjunto de plantas de entre un conjunto de posibles n sitios de modo de servir a m clientes. Existe un costo fi por instalarse en el sitio i. Cada cliente demanda dj. El costo unitario de despachar productos de i a j es cij yi=1 si se instala planta en i, 0 en otro caso xij= cantidad a enviar del sitio i al cliente j
71
Modelacin
min s.a :
k x + c
i =1 i =1 j =1
y
i =1 m j =1
ij
=1 M xi
ij
min s.a :
k x + c
i i i =1 i =1 j =1
ij
yij j = 1,..., m
y
i =1
ij
=1
72
36