Está en la página 1de 7

Propuesta para el desarrollo de algoritmos de optimizacion de

servicios de acopio o distribucion


Wankar Fulguera Condori1
1

Dpto. de Administraci
on de sistemas industriales,

WFC Ideas con Imaginaci


on, Cochabamba, Bolivia.
1

wankarfc@wfc.uni.me
1 de agosto de 2014

Resumen
Usando grafos, conjunto de nodos y aristas de una red, estudiaremos la evoluci
on de criterios de optimizaci
on para la asignaci
on de vehculos, que tienen caractersticas limitantes de servicio, para recorrer
todo el grafo de tal modo que el sistema satisfaga determinado requerimiento en cada nodo, un servicio
de distribuci
on o acopio puede ser modelado; har
a falta definir dimensiones apropiadas para la calidad y
agregar funciones aleatorias para el an
alisis mediante de simulaci
on computacional.
Palabras clave: Programaci
on matem
atica, modelos de transporte, teora de grafos, simulaci
on estoc
astica.
Abstract
Using graphs, set of nodes and edges of a network, we study the evolution of optimization criteria for
assigning vehicles, which have limiting characteristics of the service, to go all the graph so that the system
meets certain requirements in each node, a service distribution or collection can be modeled; will be necessary
to define appropriate quality and add random functions for analysis by computer simulation dimensions.
keywords: Mathematical programming, transport model, graph theory, stochastic simulation.

1.

INTRODUCCION

mento de usar los instructivos de las operaciones


industriales importadas del extranjero nos vemos en
la incapacidad de realizar ajustes a las tablas, f
ormulas de ingeniera o correlaciones por la dificultad que
hoy en nuestro pas no hemos podido superar, de tal
modo que los centros de produccion industrial est
an
envueltos a funcionar, muchas veces sin saberlo, en
condiciones de ineficiencia. Desde luego que la normas de estandarizacion colaboran en la producci
on
mas eficiente y con parametros de calidad ajustados y comunes, pero esto es paliativo puesto que
establecer un estandar es como una poltica social y
que cuando no se dispone del aparato estatal suficiente para hacer cumplir la norma, mas a
un cuando
los ciudadanos no la comprenden como natural, la
norma tiene efectos adversos, en la industria ocurre
lo mismo, se exceden las condiciones de operaci
on

Las matem
aticas constituyen una herramienta indispensable para el desarrollo de la ciencia, no se puede
pensar en estudiar Fsica, Biologa o Economa prescindiendo de ella, entre otras ciencias mas se encuentra la Industrial, las ciencias de produccion industrial usan operaciones qumicas y fsicas que son
acondicionadas para dise
nar procesos industriales
que involucra construir m
aquinas para un rango de
operaci
on, disponerlas optimizando espacios y tiempos, abastecerlas de insumos y energa, ambos nunca
constantes sino de naturaleza variable, sin duda, estas actividades naturales de la producci
on industrial
involucran matem
aticas, pero se parte del supuesto
de que los modelos son acondicionados, esto desde
luego se convierte en una dificultad cuando al mo1

de un modelo lo que lleva a producir controlando


de manera paliativa los desfaces en la b
usqueda de
cumplir est
andares.

servicio de acopio o distribucion, como exigencias


definidas en calidad para el servicio, evoluci
on temporal del proceso u oposiciones externas al proceso
ideal, todo esto funcionando iterativamente, verificando la evolucion del sistema y detectar los escenarios mas adversos o favorables con la finalidad de
programar estas disposiciones en verdaderas tareas
operativas, optimizando de este modo el servicio.

Los modelos formales de administraci


on de operaciones de distribuci
on o acopio tienen las mismas
deficiencias, puesto que e.g. supone flujo de vehculos en autopistas, en nuestro caso la probabilidad de
un bloqueo es latente; suponen vehculos eficientes,
en nuestro caso esto puede ser estoc
astico, como
se ve, hay dificultad considerando que los administradores deben enfocarse en atender los paliativos
antes mencionados, despues de todo de ello depende
la supervivencia.

La efectividad de este modelo se ve limitada por


el grado de correlacion que podamos lograr en la funciones probabilsticas, esto depende solo de reunir un
volumen de datos suficiente para dos finalidades, la
primera de generar la funcion de probabilidad con
intervalos de confianza estadstica aceptables; segundo, disponer de un volumen de datos para realizar
pruebas de validacion y asegurar que la funci
on representa los datos.

El poder computacional hoy es accesible, la informaci


on es abundante y proviene de diferentes
plataformas, la programaci
on matem
atica de operaciones industriales puede verse potenciada al usar
este poder computacional y esta informacion para
convertirse en un par de algoritmos sensatos al entorno pr
oximo de empresas.

2.

Este es un modelo de simulacion computacional


que incorpora algoritmos deterministas para el c
alculo de las mejores formas de asignar recursos a un
servicio de distribucion o acopio, supeditado a las
condiciones aleatorias del entorno donde opera el
modelo; al ser fundamentalmente computacional el
metodo, los requerimientos de operaciones de punto
flotante son todos acotados, de modo tal que, sin representar una limitacion, los procesos son paralelizados y abordados sin exceder los recursos de computo
disponibles: un cluster de cuatro ordenadores1 escalable hasta un maximo de ocho, funcionando en arquitectura de 64Bits con sistemas operativos Linux
acondicionados.

FORMULACION

El modelo lo componen cuatro elementos, dos de


ellos ser
an procedimientos que verifican la disponibilidad de grafos y de vehculos, esto tienen en general naturaleza estoc
astica y por ello ambos procesos
necesitan ser alimentados por funciones probabilsticas antes de poner operativos estos procedimientos.
Otro elemento del modelo, el tercero, es un algoritmo de agrupamiento de nodos, su tarea sera el de
definir el tama
no del grafo y las opciones de dimensionamiento posibles, de tal modo que este procedimiento entrega una partici
on adecuada a las condiciones de disponibilidad y accesibilidad de vehculos
y grafos. El cuarto elemento es el algoritmo de optimizaci
on de recorrido de grafo, este encuentra la
mejor forma en la que un n
umero de vehculos recorre
optimamente el grafo.

3.

OBJETIVOS

Tomamos como General el objetivo de desarrollar


un sistema de planificacion como propuesta en la
disposicion de recursos en servicios de distribuci
on o
acopio, bajo restricciones de calidad definidas, sobre
un entorno aleatorio definido en la disponibilidad
de grafos a recorrer y de vehculos al servicio, usando algoritmos de simulacion estocastica acotados,
algoritmos deterministas y de procesamiento paralelo. Completando cronogramas, productos y presupuestos previstos y que servira como asistente en
las decisiones operativas empresariales.

Estos cuatro componentes forman parte de la simulaci


on general de las operaciones junto con otras
funciones pertinentes y condiciones limitantes del

1 un cluster es un grupo interconectado de ordenadores que comparten funcionalidades que potencian el poder de computo
general.

figura 1 demuestra un ejemplo facil.


Los objetivos Especficos son:
Entre los campos de mayor desarrollo en Programacion Matematica son la programaci
on: convexa, cuyas variables todas son lineales; entera, de
soluciones enteras exclusivamente; no lineal, implica restricciones no lineales; estocastica que involucra
variables o coeficientes estocasticos; heurstica, brinda soluciones aproximadas; dinamica, que divide al
problema principal como estrategia de b
usqueda.
La teora de grafos es el estudio de grafos
o graficas, las cuales son lineas que unen nodos
o vertices, un grafo G es un par (V, E), donde
ambos son los conjuntos de vertices y lados o
aristas respectivamente; junto con una aplicaci
on
: E {(u, v) : u, v V } llamada de incidencia,
estos componen un grafo. Tambien dado el conjunto
de vertices V = {v1 , v2 , ..., vn } se define la matriz de
adyacencias como la matriz A Mn (R) cuyo coeficiente (i, j) es igual al n
umero de lados que unen
vi , vj , debe notar que es una matriz simetrica y que
no es u
nica para un mismo grafo, esto implica la
existencia de una matriz de permutacion para relacionar diferentes matrices de adyacencia. As mismo
es facil demostrar que An contiene en cada elemento el n
umero de caminos de longitud n que unen
vi convj .

1. Desarrollar los modelos matem


aticos para resolver el problema de optimizaci
on de agrupaci
on de nodos y del recorrido de grafos.
2. Desarrollar los modelos apropiados de caracterizaci
on de grafos y de vehculos y las funciones
probabilsticas.
3. Desarrollar la estructura de datos para grafos
y vehculos.
4. Llenar las bases de datos y ajustar las funciones probabilsticas en intervalos de confianza
aceptables para su uso.
5. Escribir el c
odigo para la simulaci
on estocastica, paralelizada, acotada y superar pruebas de
consistencia.
6. Dise
nar la exploraci
on: configuraciones optimas y criterios de sensibilidad.
4.

MARCO TEORICO

La programaci
on matem
atica es la seleccion del
mejor elemento (con respecto a alg
un criterio) de un
conjunto de elementos disponibles, puede ser representado de la siguiente forma:

Un recorrido sobre un grafo en el que aparecen


todos los lados una sola vez se llama camino de Euler, un circuito de Euler es un camino de Euler que
es cerrado, un grafo con un circuito de Euler es un
grafo de Euler. Cuando se dice que un vertice tiene
un grado se hace referencia al n
umero de lados que
inciden en el. Ahora si un grafo tiene un circuito de
Euler, el grado de de cada vertice es par, mientras
que si se tiene un camino de Euler, contamos exactamente dos vertices de grado impar, con esto es f
acil
demostrar con suficiencia que un grafo de Euler lo
es si cada vertice tiene grado par. Un algoritmo muy
conocido para calcular caminos o circuitos de Euler
en un grafo, es el de Fleury.

Dada: una funci


on f : A R donde A es un
conjunto de n
umeros reales. Buscar: un elemento x0
en A tal que f (x0 ) f (x) o tal que f (x0 ) f (x)
para todo x A en ambos casos.
El dominio A de f es alg
un subconjunto del espacio Euclidiano Rn y llamado el espacio de b
usqueda,
mientras que los elementos de A son llamados soluciones factibles. El espacio Rn es especificado por un
conjunto de restricciones, igualdades o desigualdades
que los elementos de A tienen que satisfacer.
El caso general de minimizaci
on puede contemplar varios mnimos locales, donde un mnimo local
x se define como un punto para el cual existe alg
un
> 0, donde para todo x tal que: kx x k , la
expresi
on f (x ) f (x), es verdadera; es decir, en
alguna regi
on alrededor de x todos los valores de
la funci
on son mayores que o iguales al valor en ese
punto. El m
aximo local se define de modo similar, la

Un recorrido sobre cada vertice una sola vez, se


llama camino de Hamilton, un circuito de Hamilton
es un camino cerrado que recorre todos los vertices
una sola vez, un grafo con un circuito de Hamilton se denomina grafo de Hamilton. Ahora es f
acil
probar condiciones en las que un grafo es o puede
3

Figura 1: La gr
afica 3D de un paraboloide dado por f (x, y) = (x2 + y 2 ) + 4. Mostrando el maximo global de
la superficie en (0,0,4) indicada por el punto rojo
ser convertido a Hamiltoniano, (1)como en el caso
en que la cantidad de lados sea mayor o igual a
1
2 (n 1)(n 2) + 2 o (2) mayor o igual a 3 y menor o
igual a la suma de cada par de vertices no adyacentes.

una funcion con dominio en el conjunto de aristas


f : E R, ei,j E, entonces el grafo G(V, E) sobre
el que se encontrara el camino
optimo P sobre todos
Pn1
los posibles, minimizando i=1 f (ei,i+1 ).

Sea G = (V, E) un grafo, se dir


a bipartido si podemos descomponer V en dos subconjuntos distintos
V1 yV2 de forma que todo lado incide en un vertice
de cada subconjunto. Ser
a completamente bipartido
si para cada v1 V1 yv2 V2 e E : (e) = (v1 , v2 ).
La bipartici
on nos permite encontrar subconjuntos
sobre un grafo sobre los cuales podemos operar independientemente del grafo mayor.
Los Modelos de transporte en teora de grafos
son an
alogos a la situaci
on real de recorrer de un
vertice a otro, considerando que en cada vertice y
cada arista existe alguna exigencia positiva o negativa, que al paso recorrido se suma o se resta sobre
el costo al final del proceso.

Sobre este modelo inicial podemos plantear modificaciones sobre:


1. vinicial yvf inal haciendo que existan varios puntos de salida y uno de llegada o viceversa.
Poniendo restricciones de circulacion por algunos vertices intermedios.
2. Tomando m
ultiples funciones asociadas a cada
arista de modo que el problema se extienda a
optimizarla en lugar de solamente minimizarla.
3. Ampliando el
f (ei,j , vi , ...).

dominio

de

la

funci
on,

Algunos algoritmos conocidos son: Dijkstra para


resolver el camino mas corto, BellmanFord para el
modelo inicial con pesos negativos sobre las aristas;
FloydWarshall para el camino mas corto por pares,
alternativamente el algoritmo de Johnson; Viterbi
para una seleccion estocastica en la funcion, sobre

Dos vertices son adyacentes cuando estan conectados por una arista. Un camino de longitud nes
una secuencia de vertices P = (v1 , v2 , ..., vn )
V : vi adyacenteavi+1 , 1 i n. Permitamos
que ei,j sea la arista vinculante de vi avj . Demos
4

Figura 2: Si todo vertice de un grafo tiene un grado par, entonces es un grafo de Euler
da claro que el rango de F queda entre cero y uno.
Sea p [0, 1] una secuencia uniforme de n
umeros
aleatorios2 , asignemos p = F (x) y aplicando la funcion inversa de la distribucion acumulada obtenemos
x = F 1 (p) y conseguimos generar una variable
aleatoria como funcion de una secuencia uniforme
de n
umeros aleatorios, la teora basica de probabilidades prueba la existencia de F, F 1 yp, podemos
emplear este metodo para ensamblar multiples variables aleatorias, continuas o discretas, en un proceso y conocer como evolucionara. Esto es usado en
matematicas, para el calculo de integrales, en fsica
experimental de partculas, en el gerenciamiento del
riesgo entre otras disciplinas.

las aristas y cada nodo.


La Simulaci
on estoc
astica es un tipo de simulaci
on que opera con variables que pueden cambiar
con el cierta probabilidad. Estoc
astica significa que
factores particulares son variables o aleatorios. Con
modelos estoc
asticos creamos una proyecci
on basada
en un conjunto de valores aleatorios, los resultados
son guardados y la proyecci
on se repite con un nuevo grupo de valores aleatorios; estos pasos se repiten
un n
umero razonable de veces hasta recopilar datos
suficientes, generalemente millones de veces, al cabo,
la distribuci
on de los resultados muestra las estimaciones m
as probables que se puedan esperar.

La Computaci
on paralela es una forma de
computo en la cual muchos calculos son realizados simultaneamente, operando bajo el principio
de que problemas largos pueden ser divididos en
peque
nos y resueltos concurrentemente. El paralelismo es inherente a la computacion de alto rendimiento3 que ha tenido crecimiento latente debido a re-

Una variable x, aleatoria, sigue una funcion P (x)


si entrega valores entre 0 y 1, siendo P (x = 0), P (a
x b) la probabilidad de que ocurran x = 0, a x
b respectivamente; sea, entonces, F (b) = f (0 x
b) la funci
on de distribuci
on acumulada, que entrega la probabilidad de que ocurra 0 x b, que-

2 En realidad, al ser producida por un ordenador, que trabaja bajo condiciones determin
sticas, lo que se consigue es una secuencia
larga de n
umeros pseudoaleatoria, el m
etodo empleado para generar estos debe ser acondicionado y pasar pruebas de rigor
3 High Performance Computing HPC en ingl
es

stricciones fsicas en el escalamiento de la frecuencia


de c
omputo, arquitectura del computador y procesadores de muchos n
ucleos, que afortunadamente se
est
an superando y permitiendo incluso su programaci
on.

pa conlleva actividades de laboratorio, comienzan


con la recoleccion, acondicionamiento y correlaci
on
de datos. La tercera etapa entrega como resultado
las propuestas de disposicion del servicio m
as adecuadas, que es el principal producto de aplicaci
on
practica inmediata; en esta etapa se desempe
nan
corridas computacionales, iterando sobre el modelo
en situaciones extremas de operacion.

Podemos clasificar el paralelismo en acuerdo al


soporte de equipamiento: con varios n
ucleos y procesadores tenemos multiple procesamiento en una
m
aquina, mientras que racimos4 , MPPs y redes5
usan m
ultiples computadores para trabajar en una
misma tarea. Los programas de computacion paralela tienen m
as dificultad en ser escritos que los
secuenciales porque la concurrencia representa potenciales problemas, sin embargo superarlo involucra
significativo nivel de procesamiento masivo de datos.

Para la primera etapa se usaran metodos de demostracion por induccion matematica, pruebas directas y pruebas asistidas por ordenador, estos procedimientos afirmaran que el trabajo realizado es
consistente. Las actividades finales de la etapa de
laboratorio, entregan rangos de operacion y validez
de las funciones probabilsticas, aceptamos estos resultados gracias a la aplicacion de pruebas estadsticas de ajuste y correlacion. Los datos para esta etapa
pueden ser obtenidos de Sistemas de Informaci
on Geografica, en la medida de su formato, completitud y
fiabilidad seran usados, no hace falta fijar un procedimiento de tratamiento, al ser datos estructurados
son facilmente saneados. En la tercera etapa, metodos heursticos para la b
usqueda del conjunto
optimo
de soluciones seran empleados.

Beowulf es un sistema de c
omputo paralelo que
conecta ordenadores a traves de redes informaticas
usuales. Dentro el paradigma de la computacion distribuida, esta forma de conectar las computadoras
supera obt
aculos de plataforma, funciona con productos de f
acil acceso en el mercado y ampliar los
racimos de nodos no es problema. En el paradigma
del multiprocesamiento, la computaci
on de proposito
general sobre la unidad gr
afica de procesamiento, GPGPU, es una tecnologa realtivamente nueva, fabricantes de tarjetas gr
aficas han desarrollado
aplicaciones informaticas que permiten aprovechar
el poder de c
omputo que poseen, comparada con el
CPU6 , los n
ucleos de la GPU7 son de la mitad de
velocidad pero son bastantes en cantidad,muchos , lo
que hace atractivo su uso para realizar operaciones
de punto flotante u
tiles en las simulaciones de alto
requerimiento; las GPU comerciales cuentan con esta potencialidad.

5.

6.

PROPUESTA Y RESULTADOS

Los objetivos especficos ahora constituyen las actividades que se desarrollan en dos meses y una semana,
se dedica especial cuidado a las dos primeras actividades puesto que su definicion amplia y bien estudiada provee estabilidad en la b
usqueda de resultados;
el monto total requerido asciende a Bs.- 6200 (Seis
mil cien bolivianos 00/100)8 distribuido como se
muestra en la cuadro 1 en la tercera columna, se
han destinado montos superiores en las actividades
de operaciones sobre los datos y la experimentaci
on
sobre el modelo computacional final, objetivos cuatro
y seis, son actividades de despliegue laboral superior de personas y de equipos para la adquisici
on y
generacion de datos.
Los resultados parciales pueden clasificarse en
tres tipos, los modelos son el primer tipo, estos son

METODOLOGIA

Dise
no metodol
ogico de la investigaci
on Se distingues tres etapas, la primera es b
asicamente un
proceso creativo o de acondicionamiento de la teora
matem
atica prevista, son b
asicamente cl
asicas actividades de abstracci
on cientfica. La segunda eta4 M
as

bien Clusters
Parallel y Grids son los t
erminos apropiados
6 Unidad de procesamiento central
7 Unidad de procesamiento gr
afico
8 No incluye cargas laborales o tributarias
5 Massively

Actividad
Objetivo 1
Objetivo 2
Objetivo 3
Objetivo 4
Objetivo 5
Objetivo 6

Duraci
on
2 semana
2 semana
1 semana
2 semana
1 semana
1 semana

Presupuesto Bs.
800
800
800
1500
800
1500

Resultados
Modelos matematicos algebraicos
Modelos matematicos ajustados
Modelo de estructura de datos
Datos sobre intervalos de confianza
Codigo de simulacion
Datos de optima configuracion

Cuadro 1: Duracion de las actividades planificadas.


abstractos, singularmente funciones matematicas o
grafos y representaciones matriciales, presentadas en
formato escrito y usando alg
un sistema de calculo algebraico; del segundo tipo son relativos al tratamiento computacional de datos, producto de la actividad
usual de laboratorio matem
atico, los objetivos cuatro
y cinco pertenecen a esta categora, estos productos
poseen la ventaja de ser complementados, es decir, el
rango de los datos puede ser ampliado (aumentando
el alcance del modelo), el c
odigo puede ser reescrito u
optimizado (haciendo flexible su utilizaci
on en otras

arquitecturas y funcionalidades computacionales); el


tercer tipo, resultado de aplicar los modelos, adquirir
los datos, operar sobre ellos y obtener, finalmente,
las configuraciones optimas que sirven como propuesta administrativa de asignacion de los recursos
involucrados en el servicio modelado de distribuci
on
o acopio, estos resultados interact
uan con el usuario
final por medio de una interfaz mnima soportada
sobre Linux9 en primera instancia.

Referencias
[1] R. Bellman. On a Routing Problem. P (Rand Corporation). Rand Corporation, 1956.
[2] S.P. Bradley, A.C. Hax, and T.L. Magnanti. Applied mathematical programming. Addison-Wesley Pub.
Co., 1977.
[3] G. Chartrand and O.R. Oellermann. Applied and Algorithmic Graph Theory. International Series in Pure
and Applied Mathematics. McGraw-Hill, 1993.
[4] G. Chartrand and P. Zhang. A First Course in Graph Theory. Dover books on mathematics. Dover
Publications, 2012.
[5] C.H. Chen, Q.S. Jia, and L.H. Lee. Stochastic Simulation Optimization for Discrete Event Systems: Perturbation Analysis, Ordinal Optimization, and Beyond. World Scientific Publishing Company Incorporated,
2013.
[6] A. Dolan and J. Aldous. Networks and algorithms: an introductory approach. J. Wiley & Sons, 1993.
[7] B.S. Gottfried. Elements of Stochastic Process Simulation. Prentice-Hall, 1984.
[8] P.K. MacKeown. Stochastic simulation in physics. Springer, 1997.
[9] M. Minoux. Mathematical programming: theory and algorithms. Wiley-Interscience series in discrete mathematics and optimization. Wiley, 1986.
[10] G.H. Pe
nalver. Grafos: teora y algoritmos. Fundacion General de la U.P.M., 2003.
[11] G. Strang. Introduction to Applied Mathematics. Wellesley-Cambridge Press, 1986.
9 Sistema

operativo de c
odigo abierto basado en el n
ucleo UNIX, configurado para el desarrollo de aplicaciones