Avances en Ciencias e Ingeniera - ISSN: 0718-8706 Av. cien. ing.

: 3(4), 25-35 (Octubre/Diciembre, 2012)

Morales

FORMULACIN DE ALIMENTO BALANCEADO PARA ANIMALES CON EMPLEO DE MODELOS ESTOCSTICOS E IMPRECISOS
FORMULATION OF BALANCED FOOD FOR ANIMALS USING STOCHASTIC AND IMPRECISE MODELS
David M. Morales1

(1) Universidad Vladimir I. Lenin, Facultad de Ciencias Tcnicas, Departamento de Informtica, Las Tunas - Cuba
(e-mail: moralesrey@ult.edu.cu)

Recibido: 02/08/2011 - Evaluado: 19/10/2011 - Aceptado: 19/01/2012

RESUMEN El objetivo del presente trabajo constituy la construccin de un modelo matemtico con datos imprecisos en sus componentes del denominado problema de la dieta. Este modelo es el soporte del sistema informtico ForCan, versin ampliada del sistema Piensos- LT, empleado en la Repblica de Cuba en la industria productora de alimento balanceado para animales. Como resultado de la aplicacin del modelo se logran frmulas a ms bajo costo y cumplimiento de las especificaciones nutricionales establecidas para diferentes animales que con los denominados modelos de programacin estocstica del problema de la dieta desarrollados por investigadores norteamericanos a partir de la dcada del 80 del siglo pasado. Adems, se logr establecer que el empleo de modelos con imprecisin general en sus componentes para el clculo de la frmula proporciona un menor consumo de Soya que cuando se utilizan modelos con datos precisos en sus componentes en la mayora de los casos. ABSTRACT The objective of the present work constituted the construction of a mathematical model with inaccurate data in your components of the denominated diet problem. This model is the support of the computer system ForCan, enlarged version of the system Piensos - LT, used in the Republic of Cuba in the balanced food industry for animals. As a result of the application of the pattern lower cost formulas are achieved as well as fulfillment of the nutritional specifications established for different animals in comparison with those denominated problem of the diet models of stochastic programming developed by North American investigators from last centurys 80 decade. Also, it was possible to determine that in most cases, the use of models with general components inaccuracy for the calculation of the formula provides a smaller consumption of Soya than models using precise data in their components. Palabras clave: datos imprecisos; programacin lineal fuzzy; problema de la dieta; modelo matemtico Keywords: imprecise data; fuzzy lineal programming; diet problem; mathematical model

http://www.exeedu.com/publishing.cl/av_cienc_ing/

25

Avances en Ciencias e Ingeniera - ISSN: 0718-8706 Av. cien. ing.: 3(4), 25-35 (Octubre/Diciembre, 2012)

Morales

INTRODUCCIN El conocimiento y cuantificacin precisa de los niveles de nutrientes en los ingredientes de la racin, infirindose su influencia en el producto final, es considerado por varios autores como esencial, pero en la mayora de las ocasiones no es posible determinarlo con la precisin requerida dada su variabilidad cuestin esta probada, entre otros, por Duncan (1986; 1988), DAlfonso et al. (1992a; 1992b), Tozer (2000), Roush (2004) y Guevara (2004). En consecuencia su determinacin se realiza va experimental y estadstica para realizar la formulacin. Si a este hecho real se adiciona la variabilidad en la prdida de los ingredientes (sobre todo en las que ocupan un gran porcentaje en frmula, tales como cereales y soya) y tolerancias permisibles de nutrientes en las especificaciones nutricionales de los piensos, la solucin matemtico nutricional del problema se torna sumamente engorrosa. Los modelos de Programacin Lineal propuestos en Tozer (2000), tienen la forma:
Min = {Z =

j=1 n

c j x j };

sujeto a :

j =1
n

[aij - z ij ]x j {; =; } b i ; i = 1, m
n

(Modelo I)

(1)

Min = {Z =

j=1

c j x j };

sujeto a :

j =1

2 ]x j {; =; } b i ; i = 1, m [aij - z ij j =1

(Modelo II)

(2)

Donde c j es el costo del ingrediente j ; x j cantidad del ingrediente j en la racin; aij contenido reportado del nutriente i en el ingrediente j ; z nivel de significacin demandado (probabilidad); ij desviacin tpica
2 del nutriente i en el ingrediente j ; ij varianza del nutriente i en el ingrediente j ; bi cantidad

requerida del nutriente i en la racin y ( > 1 ) es el incremento deseado en la restriccin del nutriente i . Evidentemente, se demuestra que el contenido del nutriente i en el ingrediente j sigue una distribucin normal. Finalmente, sin que medie alguna transformacin en los modelos, la bsqueda de la solucin de los modelos I y II puede realizarse utilizando cualquier algoritmo clsico de Programacin Lineal. Ntese que en los modelos expuestos no se incluyen posibles prdidas en el proceso de manufactura, por tanto, las cantidades netas y brutas de ingredientes resultan ser iguales (proceso perfecto), tampoco son considerados gastos de produccin, tales como salarios, electricidad, transporte y almacenamiento, entre otros. Adems, surge la interrogante: puede afirmarse que la solucin obtenida es la mejor desde los puntos de vista econmico y nutricional? El sistema informtico Piensos-LT Versin 6.0 sobre MSDOS (Morales, 2005), aborda el problema de la influencia de la prdida en los ingredientes de la racin en el costo final de la frmula de forma puntual y por criterio de clculo empleado en el objetivo basndose en la optimizacin de un modelo con datos imprecisos, pero es necesario el desarrollo de un modelo matemtico que aproxime ms a ste con las exigencias nutricionales de la racin tomndose en consideracin prdidas en el proceso de manufactura, variabilidad inherente de nutrientes en los ingredientes y tolerancias nutricionales permisibles en las especificaciones nutricionales de los diferentes animales al menor costo posible. En virtud de ello se lleva a cabo un proceso de investigacin cuyo objetivo principal consisti en la creacin de un modelo matemtico con datos imprecisos en sus componentes del denominado Problema de la Dieta soporte del sistema informtico ForCan, versin ampliada sobre Windows del sistema Piensos-LT empleado en la Repblica de Cuba en la industria productora de pienso (Morales, 2008).
METODOLOGA

La situacin en producciones industriales de pienso en fbricas cubanas puede quedar resumida de la siguiente forma: se dispone de un conjunto de ingredientes, de los cuales se conoce, en porcentaje, su contenido aproximado en nutrientes y el intervalo de variacin de uno o ms de ellos. Son conocidos los requerimientos
http://www.exeedu.com/publishing.cl/av_cienc_ing/ 26

Avances en Ciencias e Ingeniera - ISSN: 0718-8706 Av. cien. ing.: 3(4), 25-35 (Octubre/Diciembre, 2012)

Morales

nutricionales (mnimos y mximos) de cada especfico del surtido (en porcentaje) as como lmites de inclusin o niveles de uso (mnimo y mximo) de cada ingrediente por especfico, pudiendo surgir la necesidad de establecer relaciones de porcentaje entre dos o ms ingredientes de la mezcla. Son conocidas las dosis de medicamentos (en g/ton) indicadas por facultativos, cantidades de los concentrados de vitaminas y minerales a incluir por tonelada en cualquier pienso, el nivel de produccin para un determinado pienso, los valores de los coeficientes de prdida de cada ingrediente y sus respectivos rangos (intervalos) de variacin y los precios de ingredientes disponibles, desendose obtener la frmula que produzca una combinacin de ingredientes disponibles al ms bajo costo. Puesto que el modelo matemtico no se desprende de la descripcin del problema, siempre resulta provechoso poner en duda cualquiera de los modelos y comparar los resultados de diferentes modelos. En este caso un mismo problema (clculo de la frmula) se resolvi varias veces utilizando diversos modelos, lo que permiti apreciar que se produjo una disminucin del costo de las frmulas producto a que, con la introduccin de nmeros fuzzy en los diferentes componentes del modelo matemtico, se reduce el consumo de cantidades brutas necesarias de ingredientes componentes de la mezcla con parecidos balances nutricionales finales. En cada caso de estudio, como es caracterstico en la Investigacin de Operaciones y tras llevar la primera ronda de clculos, se volvi a estudiar el modelo para introducir correcciones necesarias en el mismo. En cada caso se estableci una correspondencia entre la precisin del modelo y los detalles que lo caracterizan: precisin necesaria para solucionar el problema e informacin necesaria y disponible para el trabajo. Se determin que el modelo matemtico para la formulacin en la industria resulta ser ms exacto y las recomendaciones derivadas de los resultados poseen un mayor grado de utilidad si se asumen imprecisiones en los aportes nutricionales de los ingredientes (en especial de la protena bruta total), coeficientes de prdidas de ingredientes y, en los casos necesarios, tolerancias permisibles en los requerimientos nutricionales de los piensos. Para el caso de tolerancias permisibles en los requerimientos nutricionales se aplic similar procedimiento que el de imprecisin en los aportes nutricionales de ingredientes; es decir, si un requerimiento nutricional posee un lmite inferior, superior o ambos y cada uno de ellos puede variar en un intervalo, entonces para ese lmite se genera un nmero fuzzy trapezoidal en funcin de los valores extremos del intervalo de variacin. Una vez que se obtuvo el modelo matemtico se procedi a disear y programar el algoritmo de solucin. El procedimiento de optimizacin se program en C++ Builder Versin 6.0; se tomaron 20 modelos de Programacin Lineal con diversos grados de complejidad y se valid el resultados de las soluciones con los sistemas Linear Optimization (LO), Jame Ignizio, ACME Computer Company, Microsoft, 1983, sobre MSDOS; Lindo, Lindo Systems Inc, Chicago, IL, 1992, sobre MSDOS; Corte, Universidad Las Tunas, Vctor Pino, 1997, sobre Windows; QSB, Linear and Integer Programming (Versin 1.0), Yih Long Chang, Department of Systems Engineering United State of American 1996 -1997, sobre Windows; Solver, Universidad Leon Lasdon de Austin (Texas) y Universidad Allan Waren (Cleveland), Microsoft Excel 2003-2007, sobre Windows. Estas validaciones se realizaron con los objetivos de determinar precisin en los clculos de las variables, anlisis posptimo correspondiente y nmero de iteraciones para obtener la solucin. Con Statgraphics Plus versiones 2.1 (1994-1996) y 5.1, (1994-2001) Statistical Graphics Corporation se realiz un anlisis estadstico respecto al nmero de iteraciones de los sistemas para encontrar la solucin de los modelos de prueba, ste incluy modelos de Regresin Simple, Exponencial, Inversa de Y, Inversa de X, Doble Inversa, Logaritmo de X, Multiplicativo, Raz cuadrada de X, Curva S y Raz Cuadrada de Y. Adems, con el sistema Gretl Versin 1.5.1 (2000-2005) de Allin Cottrell, se realiz un anlisis con correccin de heteroscedasticidad considerndose que el modelo final de regresin no tuviera constante independiente. En un perodo de 40 meses se realiz el diseo y programacin de las versiones 1.0 - 5.0 del sistema ForCan en C++ Builder Versin 6.0, validndose sus resultados con el sistema Piensos-LT Versin 6.0, sistema que se emplea en todas las fbricas de piensos del pas desde el ao 2000 (Morales, 2005). La etapa final del proceso
http://www.exeedu.com/publishing.cl/av_cienc_ing/ 27

Avances en Ciencias e Ingeniera - ISSN: 0718-8706 Av. cien. ing.: 3(4), 25-35 (Octubre/Diciembre, 2012)

Morales

de modelacin culmin con la determinacin de todas las frmulas del surtido con empleo de un modelo con datos precisos en el objetivo pero imprecisin en la protena bruta total de los ingredientes. En virtud de que los sistemas informticos disponibles en el rea internacional para resolver el clculo de la frmula basan su funcionamiento en modelos del Problema de la Dieta que no tienen en cuenta prdidas en los ingredientes (o posibles rangos de variacin) e imprecisin en nutrientes de ingredientes que intervienen en la mezcla, se opt por realizar este anlisis con los sistemas Piensos-LT Versin 6.0 (Morales, 2005) y ForCan Versin 5.0 (Morales, 2008), cuyo diseo y programacin aborda tambin el problema de la solucin de modelos matemticos con datos imprecisos en sus componentes. Los datos correspondientes a lmites de inclusin, aportes nutricionales de ingredientes y especificaciones nutricionales de piensos se toman de tablas confeccionadas por especialistas en Nutricin Animal de la Unin de Empresas del Combinado Avcola Nacional de la Repblica de Cuba. Los rangos de prdidas, coeficientes de prdidas ( k ), variabilidad del nutriente protena bruta total en ingredientes y producciones realizadas se toman aleatoriamente en las 13 fbricas existentes en el pas. Del surtido total de piensos producidos se seleccionan aleatoriamente seis: Ponedora (Fase I y II), Crecimiento Pollonas, Inicio Polluelos, Ceba Porcino y Vaca Lechera. El Modelo III de Programacin Lineal Fuzzy (MDIN: Modelo con Datos Imprecisos en Nutrientes) que se propone para el clculo de la frmula se expone a continuacin.
Min{Z = 0,1 pk x k + C T } (A) o k =1100 - k
n

Min{Z = 0,1 [fk (p k ; k )]x k + C T } (B)

k =1

(3)

Con x k 0; 1, n y sujeto a: (a) Restricciones Nutricionales del Pienso: 10 if (w i ) 0.01 if (a ik ) x j 10if (Wi ); i = 1, s; (b) Lmites de
k =1 n

Inclusin: 10 linf k x k 10 L k ; k = 1, n; (c) Medicamentos: x k = 0,1 porcentaje de ingredientes en frmula:

sup

r ; r = 1, t; t < n; (d) Relaciones de r

k =1

( k

- k P) x k {; =} 0 donde los pesos del grupo de ingredientes

en mezcla (conjunto A) que representan un por ciento P de otro conjunto de ingredientes pertenecientes tambin a la mezcla (conjunto B) se expresa mediante las relaciones:
Peso( A) =

k =1
n

k x k ;

k =1 si x k es un elemento de A y k = 0 si x k no es un elemento de A

(4)

Peso( B) =

k =1

k x k ; k =1
n

si x k es un elemento de B y k = 0 si x k no es un elemento de B

(5)

y (e) Peso Final:

j=1

x j = 1000.

El significado de los distintos componentes del nuevo modelo se ofrece a continuacin.

p k : Precio de una tonelada del ingrediente k . x k : Cantidad neta (en kilogramos) del ingrediente k por tonelada de pienso. C T : Total de otros costos de produccin (electricidad, transporte, salario, almacenamiento, etc.).
http://www.exeedu.com/publishing.cl/av_cienc_ing/ 28

Avances en Ciencias e Ingeniera - ISSN: 0718-8706 Av. cien. ing.: 3(4), 25-35 (Octubre/Diciembre, 2012)

Morales

if ( w i ) y if ( Wi ) : nmeros fuzzy trapezoidales asociados a los lmites inferior y superior de la especificacin

del nutriente i . if (aik ) : Nmero fuzzy trapezoidal asociado al nutriente i para el ingrediente k .
sup l inf k y L k : Lmites inferior y superior de inclusin del ingrediente k en frmula.

r y r : dosis y concentracin del medicamento r .

fk (p k ; k ) : Nmero fuzzy triangular asociado al precio p k y coeficiente de prdida k del ingrediente k .

P: porcentaje, deseado por el usuario, entre ingredientes de la racin. Para el estudio se consider que la funcin objetivo del modelo posee la forma (A), es decir, modelo del Problema de la Dieta con precisin en el objetivo e imprecisin en nutrientes de ingredientes y especificaciones nutricionales, en este caso la funcin objetivo toma la forma
Min{ Z = 0,001[
k=1

pk xk ] }

en virtud de que se

consider, al igual que en los modelos propuestos en Tozer (2000), que no existe prdida en ninguno de los ingredientes en el proceso de manufactura ni se toman en consideracin otros gastos de produccin; la aparicin del coeficiente 0,001 se debe a la conversin de p k en $/kg. Adems, al no establecerse relacin de porcentaje entre ingredientes en mezcla el sistema de restricciones est formado por (a), (b), (c) y (e). La restriccin (c) se toma en consideracin slo en el caso de Inicio Polluelos donde se incluye Coccicn (500g/ton). Tampoco se incluyeron en el costo final otros gastos de produccin, es decir que C T = 0 . En la Figura 1 se ilustra la concepcin de bsqueda de la solucin del modelo propuesto. En principio ella se basa en la no utilizacin de la distribucin normal (con media (a ik ) ) sino que sta se remplaza por un nmero fuzzy trapezoidal y normalizado asociado a los ingredientes a ik con funcin de pertenencia ( x ) y recorrido en el intervalo [0; 1] (anlogo a la distribucin normal). Al llevar a cabo los diferentes -cortes ( [0; 1] ) se recorre el intervalo [r j (a ik ); R j (a ik )] , lo que permite obtener un nmero superior de soluciones (para cada

- corte se obtiene un modelo y su solucin) y la realizacin de un anlisis ms detallado del problema. Ntese que ahora el trabajo se basa en la determinacin del rango de variacin del nutriente (mnimo y mximo: r j (a ik ) y R j (a ik ) ). Los valores de uk (aik ) y uk (aik ) son elementos tomados en consideracin por los diferentes criterios de solucin y se determinan automticamente por el sistema informtico; los - cortes se seleccionan por el usuario, pudindose lograr incrementos equivalentes a 10-4 y obtener soluciones de forma puntual o entre rango de valores.

Fig. 1: Grfico ilustrativo sobre los algoritmos de solucin para modelos con datos imprecisos en los coeficientes de la matriz de nutrientes y mediante el empleo de la denominada Programacin Estocstica. http://www.exeedu.com/publishing.cl/av_cienc_ing/ 29

Avances en Ciencias e Ingeniera - ISSN: 0718-8706 Av. cien. ing.: 3(4), 25-35 (Octubre/Diciembre, 2012)

Morales

Los precios de los diferentes ingredientes se exponen en la Tabla 1. Se considera una tolerancia de un 5% en la especificacin nutricional de Protena Bruta Total para la formulacin de los siguientes piensos: Ponedora Fase I (17,00), Ponedora Fase II (16,00), Inicio Polluelos (21,00), Crecimiento Pollonas (18,50), Ceba Comercial Porcino (19,00) y Vaca Lechera (20,00), donde los valores entre parntesis indican el porcentaje de Protena Bruta Total que se establece para cada animal. Los coeficientes de prdidas por ingredientes y sus posibles rangos de variacin, as como los rangos de variacin de la Protena Bruta Total por ingredientes y los nmeros fuzzy correspondientes, generados por el sistema informtico ForCan son expuestos en la Tabla 2. Tabla 1: Precios de ingredientes
Ingredientes Ncleo Mineral Avcola Ncleo Vitamnico Ponedora Ncleo Vitamnico Inicio Polluelo Ncleo Vitamnico Crecimiento Avcola Premezcla Uso Mltiple Porcino Premezcla Vaca Lechera Sal Comn Soya 42 Precio ( p k ) ($/ton) 832.80 1992.80 4124.10 2190.10 1691.00 1245.70 28.45 474.00 Ingredientes Carbonato de Calcio Coccicn Cloruro de Colina Maz 7 Aceite Vegetal Fosfato Monoclcico Metionina DL Precio ( p k ) ($/ton) 16.50 8701.60 1464.00 191.80 889.00 1385.00 6170.00

Tabla 2: Coeficientes de prdidas, rangos de variacin y nmeros fuzzy asociados a coeficientes de prdida y protena bruta total de ingredientes
Ingrediente

k
(%) 0,25 0,25 0,25 0,25 0,25 0,25 0,50 2,50 1,50 0,00 0,25 3,00 0,30 1,00 0,5

k
(%) 0,25-0,50 0,25-0,50 0,25-0,50 0,25-0,50 0,25-0,50 0,25-0,50 0,50-1,00 2,50-3,00 1,50-2,00 0,25-0,50 2,50-3,50 0,30-0,75 1,00-1,50 0,50-0,75

Nmero Fuzzy

PBT

fk (p k ; k
[0,8310; [1,9903; [4,1190; [2,1874; [1,6889; [1,2441; [0,0284; [0,4728; [0,0165;

a ik
(%)

a ik
(%)

Nmero Fuzzy

if (aik )

N. Mineral Avcola N. Vit. Ponedora N. Vit. Inicio Polluelo N. Vit. Crec. Avcola P. Uso Mltiple Porcino P. Vaca Lechera Sal Comn Soya 42 C. de Calcio Coccicn C. de Colina Maz 7 Aceite Vegetal Fosfato Monoclcico Metionina DL

0,8341; 0,8372] 1,9978; 2,0053] 4,1344; 4,1500] 2,1956; 2,2039] 1,6952; 1,7016] 1,2488; 1,2535] 0,0286; 0,0288] 0,4862; 0,5003] 0,0168; 0,0171] [1,4622; 1,4677; 1,4732] [0,1918; 0,1977; 0,204] [0,887; 0,8917; 0,8964] [1,3815; 1,399; 1,4169] [6,1623; 6,201; 6,2402]

42,00 7,00

41-43 6,5-7,5

[41; 41,5; 42,5; 43] [7,0; 6,75; 7,25; 7,5]

k : Intervalo de variacin del

variacin del aporte

coeficiente de prdida

k que se

considera para el estudio; PBT: Contenido en Protena Bruta Total ; a ik : Intervalo de

a ik

que se considera para el estudio.

Los medicamentos (en este caso el Coccicn) no se someten a los clculos realizados por razones, segn Zinn (2002), de seguridad para la salud animal.

Las especificaciones nutricionales para cada animal se presentan en la Tabla 3. Es importante advertir que se utilizaron dos grandes mtodos para encontrar las soluciones de los modelos con datos imprecisos: (I) Comparacin de nmeros fuzzy y (II) Teorema de Representacin, pero la esencia de ambos gira alrededor de la bsqueda de un problema o modelo auxiliar de Programacin Lineal asociado al
http://www.exeedu.com/publishing.cl/av_cienc_ing/ 30

Avances en Ciencias e Ingeniera - ISSN: 0718-8706 Av. cien. ing.: 3(4), 25-35 (Octubre/Diciembre, 2012)

Morales

modelo de Programacin Lineal Fuzzy que se genera en cada caso. El mtodo I conduce a la aplicacin de los ndices 1ro y 3ro de Yager, as como a los ndices de Adamo y Promedio; el mtodo (II) consiste en que si no todas las funciones tienen igual importancia en la funcin objetivo, entonces pueden ser empleadas las aproximaciones Intervalar, Posibilstica y Estratificada a Trozos. Estos mtodos se exponen en Cadenas y Verdegay (1999). Tabla 3: Requerimientos nutricionales por especfico
Requerido
PBT (%) EM (Mcal) ED (Mcal) Fibra Bruta (%) Grasas Bruta (%) A. Lin (%) Calcio (%) PT (%) PA (%) Lis. Total (%) Met. Total (%) Met+Cist (%) Treo. Total (%) Trip. Total (%) Colina (%) Cloro (%) Sodio (%) L. Digestible (%) M+C. Digestible (%) P.FaseI (1) 17.00 2.78 2.00-8.00 2.00-6.00 1.00 3.80 0.80 0.40 0.80 0.40 0.73 0.65 0.19 0.044 0.15 0.15 0.66 0.60 P.FaseII (2) 16.00 2.75 2.00-8.00 2.00-6.00 0.95 4.00 0.90 0.35 0.78 0.36 0.70 0.55 0.18 0.044 0.15 0.15 0.66 0.60 C.Pollonas(3) 18.50 2.80-2.85 2.00-10.00 2.00 1.40 1.00-1.30 0.80 0.45-0.55 1.00 0.38 0.67 0.70 0.21 0.07 0.16 0.16 0.82 0.55

Especficos

I.Polluelos(4) 21.00 2.90 2.00-5.00 2.00-10.00 1.40 1.05-1.35 0.80 0.48-0.60 1.20 0.48 0.80 0.80 0.23 0.07 0.16 0.16 0.98 0.68

C.Porcino(5) 19.00 2.99 6.00 0.80-1.10 0.60-0.90 1.10 0.66 0.06

V.Lechera(6) 20.00 2.50 10.00 1.30-1.50 1.00-1.20

PBT: Protena Bruta Total; EM: Energa Metabolizable Aves; ED: Energa Digestible; Mcal: Mega calora; : significa como mnimo; : significa como mximo; A. Lin: cido Linoleico; PT: Fsforo Total; PA: Fsforo Asimilable; Lis. Total: Lisina Total; Met. Total: Metionina Total; Met+Cist: Metionina + Cistina Total; Treo. Total: Treonina Total; Trip. Total: Triptfano Total; L. Digestible: Lisina Digestible; M+C. Digestible: Metionina + Cistina Digestible. (1): Ponedora Fase I, (2): Ponedora Fase II, (3): Crecimiento Pollonas, (4): Inicio Polluelos, (5): Ceba Porcino, (6): Vaca Lechera.

RESULTADOS Y DISCUSIN

La validacin del procedimiento de optimizacin para la solucin del modelo propuesto const del anlisis del nmero de iteraciones que efectuaron los sistemas informticos para encontrar la solucin de 20 modelos de Programacin Lineal de diferente complejidad propuestos (la Tabla 4 muestra estos resultados). La calidad de las soluciones (en cuanto a valores alcanzados y precisin) es uniforme en todos los sistemas as como los anlisis posptimo correspondientes, sin embargo el procedimiento SPL, con excepcin de un caso, descubre de forma ms rpida las soluciones no factibles reducindose con ello el tiempo de ejecucin. El anlisis estadstico efectuado con Statgraphics sobre el nmero de iteraciones entre los sistemas informticos arroja que el nmero de iteraciones efectuadas con el procedimiento SPL puede expresarse segn SPL = 0,718727 * LO1,13219 y el Anlisis de Regresin con correccin de heteroscedasticidad en Gretl (sin constante) permite establecer que SPL = 1,02817 * LO . Por tanto, en cuanto al tiempo de ejecucin para resolver un mismo modelo el sistema LO y el procedimiento SPL resultan ser aproximadamente equivalentes.
http://www.exeedu.com/publishing.cl/av_cienc_ing/ 31

Avances en Ciencias e Ingeniera - ISSN: 0718-8706 Av. cien. ing.: 3(4), 25-35 (Octubre/Diciembre, 2012)

Morales

Los valores de

ij (desviacin tpica) que se obtienen para el Maz 7 y la Soya 42 son 0,28232429 y

2 0,49590679 respectivamente; para el caso de ij

(varianza) resultaron 0,031737811 y 0,024384036

respectivamente y el valor de z = 0,83 (probabilidad o margen de seguridad). Tabla 4: Nmero de iteraciones que realizan sistemas informticos para resolver modelos de Programacin Lineal
Modelos LO Lindo Corte QSB Solver SPL

1.- [2;3] 2.- [10;28] 3.- [11;22] 4.- [11;31] 5.- [6;23] 6.- [3;6] 7.- [10;29] 8.- [10;29] 9.- [8;17] 10.- [7;15] 11.- [7;16] 12.- [6;12] 13.- [10;25] 14.- [10;25] 15.- [10;24] 16.- [4;3] 17.- [5;5] 18.- [12;12] 19.- [3;3] 20.- [4;4]

2 15 17a 14 9a 3 14 10 17 6 8 5 14 14 10 2 7 12 3 3a

2 18 10a 19 7a 4 16 21 17 8 9 10 15 15 11 2 5 5 3 6a

5 32 31a 23 17a 5 39 35 23 13 16 12 29 33 >40b 3 8 2c 4 10a

6 30 24a 26 18a 6 35 32 23 14 16 13 28 28 26 >40b 9 15 5 6a

5 29 21a 21 16a 5 32 31 4 13 15 12 27 27 15 3 7 8 4 5a

1 19 14a 12 7a 2 15 13 11 7 7 9 13 13 14 4 6 19 2 1a

Los valores entre corchetes indican nmero de variables y restricciones respectivamente; a: indica solucin no factible; b: indica que el sistema no encuentra solucin; c: indica que el sistema encuentra una solucin errnea. SPL: es el nombre del procedimiento de optimizacin que se diseo y program para la solucin del modelo de Programacin Lineal asociado al modelo con datos imprecisos propuesto (modelo de Programacin Lineal Fuzzy).

Los resultados de los costos de frmulas a costo mnimo con precisin en el objetivo e imprecisin en la Protena Bruta Total de la Soya 42, Maz 7 y variacin de un 5% en esta especificacin en los diferentes piensos objetos de investigacin se exponen en la Tabla 5, donde se aprecia la ventaja econmica (menores costos de las frmulas) con la aplicacin de MDIN sobre los modelos propuestos en Tozer (2000) (Modelos I y II), evidencindose que la solucin puede obtenerse a partir de imprecisin y tolerancias con MDIN; por tanto, si el rango de variacin del nutriente se selecciona convenientemente, puede inferirse que la solucin de los Modelos I y II estn contenidas dentro del conjunto de soluciones que se obtiene al aplicar MDIN (Modelo III). La Tabla 6 contiene los resultados de los consumos de cantidades brutas (por tonelada de pienso) del Maz 7 y Soya 42. Ntese que con el uso de MDIN se producen, exceptuando el caso de Crecimiento Pollonas, ms bajos consumos en la Soya 42 (1 kg/Ton ms), la que posee mayor valor nutritivo y ms alto costo que el Maz 7. En el resto de los piensos el ahorro por tonelada de la Soya 42 es de consideracin.

http://www.exeedu.com/publishing.cl/av_cienc_ing/

32

Avances en Ciencias e Ingeniera - ISSN: 0718-8706 Av. cien. ing.: 3(4), 25-35 (Octubre/Diciembre, 2012)

Morales

Tabla 5: Costos de las frmulas segn modelo en uso

Especfico Costos

Modelo I
Ponedora Fase I Ponedora Fase II Crecimiento Pollonas Inicio Polluelos Ceba Porcino Vaca Lechera ($) 308.88(a) 283.47(b) 317.32(a) 367.64(c) 324.38(c) 324.44(d)

Modelo II
($) 308.88(a) 283.47(b) 317.32(a) 367.64(c) 324.38(c) 323.87(e)

MDIN (Modelo III) ($) 303.49 281.81 316.49 363.61 317.57 318.77

MDIN: Modelos con Datos Imprecisos en Nutrientes y 5% de variacin en la especificacin Protena Bruta Total. (a): igual solucin se logra con MDIN con ndice Promedio y =0,5 y con Aproximacin Posibilstica. (b): igual solucin se logran con MDIN e ndice de Adamo y =0,457. (c): igual solucin se logra con MDIN y Aproximacin Posibilstica. (d): igual solucin se logra con MDIN e ndice Promedio y =0,372. (e): igual solucin se logra con MDIN e ndice Promedio y =0,451. ndice Promedio (o Gonzlez), Aproximacin Posibilstica e ndice de Adamo son, entre otros, criterios para la bsqueda de la solucin en la Optimizacin de Modelos de Programacin Lineal Fuzzy.

Tabla 6: Consumo de Soya y Maz segn modelo en uso

Especfico Consumo Bruto de Maz 7 (kg/ton de Pienso) Modelo I Modelo II MDIN (Modelo III) 554 554 563 608 608 612 598 598 598 503 503 516 540 540 566 577 579 598 Consumo Bruto de Soya 42 (kg/ton de Pienso) Modelo I Modelo II MDIN (Modelo III) 308 308 295 267 267 263 351 351 352 415 415 402 420 420 394 359 357 338

Ponedora I Ponedora II Crecimiento Pollonas Inicio Polluelos Ceba Porcino Vaca Lechera

Tabla 7: Balance nutricional resultante con aplicacin del Modelo I

P.FaseI(1) 17 2.78 2.65 4.63 2.31 3.91 0.64 0.40 0.93 0.46 0.73 0.65 0.20 0.044 0.31 0.18 0.91 0.68 P.FaseII (2) 16 2.75 2.55 3.50 1.70 4.00 0.58 0.35 0.83 0.43 0.70 0.59 0.18 0.044 0.31 0.17 0.80 0.64 C.Pollonas(3) 18.99 2.85 2.95 2.92 1.40 1.30 0.71 0.45 1.05 0.38 0.68 0.73 0.23 0.15 0.28 0.18 1.02 0.63 Especficos I.Polluelos(4) 21.06 2.94 3.08 5.57 2.81 1.35 0.75 0.48 1.20 0.48 0.81 0.82 0.26 0.07 0.27 0.18 1.18 0.76 C.Porcino(5) 21.40 3.42 3.18 1.10 0.60 1.22 0.66 0.06 V.Lechera(6) 20.00 2.82 2.95 1.50 1.00

PBT (%) EM (Mcal) ED (Mcal) Fibra Bruta (%) Grasas Bruta (%) A. Lin (%) Calcio (%) PT (%) PA (%) Lis. Total (%) Met. Total (%) Met+Cist (%) Treo. Total (%) Trip. Total (%) Colina (%) Cloro (%) Sodio (%) L. Digestible (%) M+C. Digestible (%)

PBT: Protena Bruta Total; EM: Energa Metabolizable Aves; ED: Energa Digestible; Mcal: Mega calora; A. Lin: cido Linoleico; PT: Fsforo Total; PA: Fsforo Asimilable; Lis. Total: Lisina Total; Met. Total: Metionina Total; Met+Cist: Metionina + Cistina Total; Treo. Total: Treonina Total; Trip. Total: Triptfano Total; L. Digestible: Lisina Digestible; M+C. Digestible: Metionina + Cistina Digestible. (1): Ponedora Fase I, (2): Ponedora Fase II, (3): Crecimiento Pollonas, (4): Inicio Polluelos, (5): Ceba Porcino, (6): Vaca Lechera.

http://www.exeedu.com/publishing.cl/av_cienc_ing/

33

Avances en Ciencias e Ingeniera - ISSN: 0718-8706 Av. cien. ing.: 3(4), 25-35 (Octubre/Diciembre, 2012)

Morales

Tabla 8: Balance nutricional resultante con aplicacin del Modelo II

P.FaseI(1)
PBT (%) EM (Mcal) ED (Mcal) Fibra Bruta (%) Grasas Bruta (%) A. Lin (%) Calcio (%) PT (%) PA (%) Lis. Total (%) Met. Total (%) Met+Cist (%) Treo. Total (%) Trip. Total (%) Colina (%) Cloro (%) Sodio (%) L. Digestible (%) M+C. Digestible (%) 17 2.78 2.65 4.63 2.31 3.91 0.64 0.40 0.93 0.46 0.73 0.65 0.20 0.044 0.31 0.18 0.91 0.68

P.FaseII (2)
16 2.75 2.55 3.50 1.70 4.00 0.58 0.35 0.83 0.43 0.70 0.59 0.18 0.044 0.31 0.17 0.80 0.64

Especficos C.Pollonas(3) I.Polluelos(4)

18.99 2.85 2.95 2.92 1.40 1.30 0.71 0.45 1.05 0.38 0.68 0.73 0.23 0.15 0.28 0.18 1.02 0.63 21.06 2.94 3.08 5.57 2.81 1.35 0.75 0.48 1.20 0.48 0.81 0.82 0.26 0.07 0.27 0.18 1.18 0.76

C.Porcino(5)
21.40 3.42 3.18 1.10 0.60 1.22 0.66 0.06

V.Lechera(6)
20.00 2.82 2.94 1.50 1.00

PBT: Protena Bruta Total; EM: Energa Metabolizable Aves; ED: Energa Digestible; Mcal: Mega calora; A. Lin: cido Linoleico; PT: Fsforo Total; PA: Fsforo Asimilable; Lis. Total: Lisina Total; Met. Total: Metionina Total; Met+Cist: Metionina + Cistina Total; Treo. Total: Treonina Total; Trip. Total: Triptfano Total; L. Digestible: Lisina Digestible; M+C. Digestible: Metionina + Cistina Digestible. (1): Ponedora Fase I, (2): Ponedora Fase II, (3): Crecimiento Pollonas, (4): Inicio Polluelos, (5): Ceba Porcino, (6): Vaca Lechera.

Tabla 9: Balance nutricional resultante con aplicacin de MDIN (Modelo III)

P.FaseI(1)
PBT (%) EM (Mcal) ED (Mcal) Fibra Bruta (%) Grasas Bruta (%) A. Lin (%) Calcio (%) PT (%) PA (%) Lis. Total (%) Met. Total (%) Met+Cist (%) Treo. Total (%) Trip. Total (%) Colina (%) Cloro (%) Sodio (%) L. Digestible (%) M+C. Digestible (%) 17 2.78 2.65 4.64 2.31 3.94 0.64 0.40 0.93 0.46 0.73 0.65 0.20 0.044 0.31 0.18 0.90 0.68

P.FaseII (2)
16 2.75 2.54 3.44 1.67 4.00 0.58 0.35 0.82 0.43 0.70 0.59 0.18 0.044 0.31 0.17 0.79 0.63

Especficos C.Pollonas(3) I.Polluelos(4)

19.00 2.85 2.95 2.92 1.40 1.30 0.71 0.45 1.05 0.38 0.67 0.73 0.23 0.14 0.28 0.18 1.02 0.62 21.00 2.96 3.04 5.61 2.83 1.35 0.75 0.48 1.20 0.48 0.80 0.80 0.25 0.07 0.27 0.18 1.14 0.74

C.Porcino(5)
20.49 3.42 3.10 1.10 0.60 1.16 0.66 0.06

V.Lechera(6)
20.00 2.83 2.88 1.50 1.00

PBT: Protena Bruta Total; EM: Energa Metabolizable Aves; ED: Energa Digestible; Mcal: Mega calora; A. Lin: cido Linoleico; PT: Fsforo Total; PA: Fsforo Asimilable; Lis. Total: Lisina Total; Met. Total: Metionina Total; Met+Cist: Metionina + Cistina Total; Treo. Total: Treonina Total; Trip. Total: Triptfano Total; L. Digestible: Lisina Digestible; M+C. Digestible: Metionina + Cistina Digestible. (1): Ponedora Fase I, (2): Ponedora Fase II, (3): Crecimiento Pollonas, (4): Inicio Polluelos, (5): Ceba Porcino, (6): Vaca Lechera.

Las tablas 7, 8 y 9 muestran los balances nutricionales resultantes al calcular las frmulas segn los modelos I, II y III. Puede apreciarse que con el empleo de los distintos modelos para el clculo de la frmula se logran, en todos los casos, balances nutricionales que satisfacen los requerimientos especificados en la Tabla 3.
http://www.exeedu.com/publishing.cl/av_cienc_ing/ 34

Avances en Ciencias e Ingeniera - ISSN: 0718-8706 Av. cien. ing.: 3(4), 25-35 (Octubre/Diciembre, 2012)

Morales

CONCLUSIONES

Del anlisis de los resultados obtenidos, es posible extraer las siguientes conclusiones: 1. El modelo propuesto no est en contradiccin con el criterio de consideracin de la variabilidad de nutrientes en los ingredientes, por el contrario lo emplea, pero con un tratamiento matemtico totalmente diferente al planteado por otros investigadores e incluye dentro de sus soluciones las que emplean un mtodo estadstico - experimental para determinar el valor del nutriente protena bruta total de ingredientes. 2. Al obtenerse frmulas con equivalente calidad nutricional y ms bajo costo, los modelos con datos imprecisos en sus componentes poseen superioridad econmico nutricional sobre los que emplean un mtodo estadstico - experimental para determinar el valor del nutriente protena bruta total de ingredientes. 3. El empleo del modelo con datos imprecisos para encontrar la frmula, respecto a cuando se utilizan modelos basados en la determinacin del valor proteico de ingredientes va estadstico experimental, puede proporcionar ahorro de ingredientes de alto costo y valor nutritivo tales como la Soya.
REFERENCIAS

1. Cadenas Figueredo, J.L. & Verdegay, J.L. (1999). Modelos de Optimizacin con Datos Imprecisos. Universidad de Murcia. Espaa. 169p. 2. DAlfonso, T.H., Roush, W.B. & Ventura, J.A. (1992a). Least Cost Poultry Rations with Nutrient Variability: A comparison of Linear Programming with a margin of Safety and Stochastic Programming Models. Poultry Science, 71, 255-262. 3. DAlfonso, T.H., Roush, W.B. & Cravener, T.L. (1992b). Reducing feed costs. Stochastic Programming. Feed Management, 43 (6), 11-13. 4. Duncan, M.S. (1986). How to deal with ingredient variability. Porc. AFIA Nutr. Symp. Am. Feed Mfg. Assn. Arlington, Va., USA, pp. 67. 5. Duncan, M.S. (1988). Problems of dealing with raw ingredient variability. Recent Advances in Animal Nutrition. University of Nottingham School of Agricultura, USA, pp. 3-11. 6. Guevara, V.R. (2004). Use of Nonlinear Programming to Optimize Performance Response to Energy Density in Broiler Feed Formulation. Education and Production. Poultry Science, 83, 147-151. 7. Morales, D.M. (2005). Sistema de ayuda a la decisin para el desarrollo de raciones ptimas en la alimentacin animal basado en optimizacin. La Habana, EDUNIV, p. 318. 8. Morales, D.M. (2008). Modelos y sistema de ayuda a la decisin para producciones industriales de alimento animal en la Repblica de Cuba. La Habana, EDUNIV, p. 167. 9. Roush, W.B. (2004). Stochastic Programming: Addressing Risk Due to Variability. Aqua Feeds: Formulation & Beyond, 1 (3), 6-8. 10. Tozer P.R. (2000). Least-Cost Ration Formulations for Holstein Dairy Heifers By Using Linear and Stochastic Programming. J. Dairy Sci., 83, 443-451.
http://www.exeedu.com/publishing.cl/av_cienc_ing/ 35

Avances en Ciencias e Ingeniera - ISSN: 0718-8706 Av. cien. ing.: 3(4), 25-35 (Octubre/Diciembre, 2012)

Morales

http://www.exeedu.com/publishing.cl/av_cienc_ing/

36