Documentos de Académico
Documentos de Profesional
Documentos de Cultura
) Io1 Prblemas PDF
) Io1 Prblemas PDF
Begoa Vitoriano
Septiembre 2009
NDICE
1 MODELOS DE PROGRAMACIN MATEMTICA PARA GESTIN...................................... 1
28/09/2009
2.1.4 Utilidad: concepto y funciones de utilidad...................................................................................... 100
2.3 Referencias.....................................................................................................128
2.4 Biblioteca de problemas ................................................................................129
2.5 Resultados de la biblioteca de problemas .....................................................137
3 TCNICAS DE PLANIFICACIN Y CONTROL DE PROYECTOS ......................................141
3.1 Introduccin...................................................................................................141
3.2 Red de actividades .........................................................................................142
3.3 Mtodo del camino crtico (CPM) .................................................................144
3.4 Mtodo PERT.................................................................................................150
3.5 Penalizaciones en mtodo PERT: el problema de establecer una fecha de
finalizacin ante riesgo o incertidumbre .............................................................154
3.5.1 Situacin de riesgo.......................................................................................................................... 155
28/09/2009
4.2 Medidas de desarrollo y objetivos................................................................. 197
4.2.1 Criterios basados en los instantes de finalizacin ........................................................................... 200
28/09/2009
MODELOS OPERATIVOS DE GESTIN
28/09/2009 1
Para ello analizamos y organizamos los datos del problema. Sean los alimentos
disponibles (pienso y forraje) y sean j los nutrientes (protenas, calcio y vitaminas).
Sea b j la cantidad mnima diaria requerida de cada nutriente. Sea aij la cantidad de
nutriente por kg de alimento correspondiente a los valores de la tabla dada. Sea ci el
coste unitario de cada alimento. A continuacin definimos las variables. Sea xi la
cantidad diaria en kg de cada alimento . Adems indicamos la funcin objetivo y
las restricciones del problema. La funcin objetivo es la minimizacin del coste
diario de la dieta
min ci xi (1.1)
xi
i
a x
i
ij i b j j (1.2)
Adems hay que aadir la restriccin natural de que la cantidad de cada alimento ha
de ser no negativa.
xi 0 (1.3)
30 x1 + 45 x2 700
2 x1 + x2 28
10 x1 + 5 x2 150
x1 0
x2 0
28/09/2009
MODELOS OPERATIVOS DE GESTIN
1 b1
a1 1
a2 2 2 b2
am m
n bn
28/09/2009 3
El problema de optimizacin consiste en determinar las unidades de producto xij 0
transportadas desde i hasta j , i, j , que minimizan los costes de transporte sujeto a
las restricciones de oferta disponible en cada origen i ( m restricciones de oferta) y
demanda en cada destino j ( n restricciones de demanda)
m n
min cij xij
xij
i =1 j =1
n
x j =1
ij = ai i = 1, , m
(1.4)
m
x i =1
ij = b j j = 1, , n
xij 0
1 1 1 1
2 1 1 1
m 1 1 1
1 1 1 1
2 1 1 1
n 1 1 1
28/09/2009
MODELOS OPERATIVOS DE GESTIN
Si tanto las ofertas ai como las demandas de los productos b j son nmeros enteros,
entonces el valor ptimo de xij es entero por ser la matriz totalmente unimodular 1, por
lo que no se necesita recurrir a mtodos especficos de resolucin de problemas de
programacin entera.
Consiste en determinar en una red con n nodos las cantidades ptimas para llevar
unidades de un producto desde sus orgenes a sus destinos pasando por puntos de
transbordo intermedios.
Cada origen genera bi > 0 unidades, cada destino consume bi < 0 unidades y cada
transbordo ni genera ni consume unidades bi = 0 . El coste unitario de transporte desde
el origen i hasta el destino j en dicho sentido es cij .
x x
j =1
ij
k =1
ki = bi i = 1, , n (1.5)
xij 0
n
del producto, es decir, b = 0.
i =1 i
Esta matriz tambin es totalmente unimodular por lo que el problema tambin puede
ser resuelto mediante programacin lineal.
1
Una matriz es totalmente unimodular si toda submatriz cuadrada tiene determinante 0, 1 1. Si la
matriz de un problema lineal es totalmente unimodular y las cotas de las restricciones son enteras,
entonces todos los puntos extremos del poliedro tienen coordenadas enteras (se denomina politopo
entero).
28/09/2009 5
1.1.4 Problema de asignacin
Consiste en minimizar el coste total de realizar las tareas sabiendo que cada tarea i
debe ser hecha por una sola persona y cada persona j debe realizar una nica tarea,
siendo cij el coste de realizar la tarea i por la persona j . Las variables del problema
x
j =1
ij = 1 i = 1, , n
(1.6)
n
x
i =1
ij = 1 j = 1, , n
xij 0
28/09/2009
MODELOS OPERATIVOS DE GESTIN
n
max v j x j
xj
j =1
n
c xj =1
j j b (1.7)
x j {0,1}
a x
j =1
ij j 1 i = 1, , m (1.8)
x j {0,1}
28/09/2009 7
Figura 1.1 Representacin grfica de un recubrimiento, una particin y un empaquetado,
respectivamente.
Secuencias factibles
1 2 3 4 5 6 7 8 9 10 11 12
SF LA 1 1 1 1
SF Denver 1 1 1 1
SF Seattle 1 1 1 1
2
LA Chicago 2 3 2 3
LA SF 2 3 5 5
Chicago Denver 3 3 4
Chicago Seattle 3 3 3 3 4
Denver SF 2 4 4 5
Denver Chicago 2 2 2
Seattle SF 2 4 4 5
Seattle LA 2 2 4 4 2
28/09/2009
MODELOS OPERATIVOS DE GESTIN
Coste (M) 2 3 4 6 7 5 7 8 9 9 8 9
1 si se asigna la secuencia j
Se definen las variables del problema como x j = ,
0 en cualquier otro caso
x j {0,1} j = 1, ,12
x1 + x4 + x7 + x10 1 (SF-LA)
x2 + x5 + x8 + x11 1 (SF-Denver)
x3 + x6 + x9 + x12 1 (SF-Seatlle)
x
j =1
j =3
28/09/2009 9
n
max c j x j
xj
j =1
n
a x
j =1
ij j 1 i = 1, , m (1.9)
x j {0,1}
a x
j =1
ij j = 1 i = 1, , m (1.10)
x j {0,1}
El problema consiste en hacer un recorrido que pase por n ciudades sin repetir
ninguna y volviendo a la ciudad de partida de manera que la distancia (o tiempo o coste)
total sea mnima. Es un problema de asignacin pero con la condicin de que la
asignacin sea un ciclo. Es uno de los problemas ms importantes en la historia de la
programacin matemtica por todas las investigaciones a las que ha dado lugar y por
todas las aplicaciones que tiene, tanto directamente o apareciendo como subproblema
dentro de otros ms complejos. En una noticia de OR/MS Today (publicada por el
Institute of Operations Research and the Management Sciences (INFORMS)) de junio
de 2004, mencionaba que se haba conseguido resolver un problema del viajante con
24978 ciudades. Los problemas de enrutamiento de vehculos (expedicin o recogida de
mercancas) pueden ser formulados de esta manera.
Una de las caractersticas ms interesantes de este problema es que existen muchas
formulaciones conocidas para el mismo, ver [Williams, 1999] y [Nemhauser, 1999].
Una de ellas es la siguiente. Sea cij la distancia entre las ciudades i y j .
28/09/2009
MODELOS OPERATIVOS DE GESTIN
1 si se va de la ciudad i a la ciudad j
xij =
0 en otro caso
x
i
ij = 1 j
xj
ij = 1 i (1.11)
T j Ti + cij m(1 xij ) i, j
T j c1 j m(1 x1 j ) j 1
xij {0,1} , T j 0
La primera restriccin indica que a una ciudad j slo se puede llegar una vez desde
cualquier ciudad i . La segunda dice que desde una ciudad i slo se puede salir una vez
a cualquier otra ciudad j . Slo con estas variables no es suficiente para formular el
problema, ya que se pueden formar subciclos. La forma de evitarlos es aadiendo las
variables continuas.
Los problemas de coste fijo aparecen cuando el coste de una variable tiene un
trmino fijo con valor diferente de 0 si la variable toma un valor estrictamente positivo.
Es una funcin no lineal y discontinua.
fj
cj
0 xj = 0 kj
f j (x j ) =
k j + c j x j xj > 0
xj
Este coste se puede modelar con ayuda de una variable binaria auxiliar y j {0,1}
1 x j > 0
definida como y j = , que indica la realizacin de la actividad x j .
0 x j = 0
28/09/2009 11
Introduciendo la condicin x j My j , , siendo M una constante, cota superior de x j ,
cuyo valor depender del problema, se distingue entre no realizar la actividad y
realizarla al menos infinitesimalmente. El valor de la constante M debe ser el menor
posible ya que esto es computacionalmente beneficioso. El problema lineal entero se
formula como sigue
min f j ( x j ) = ( k j y j + c j x j )
n n
xj ,yj
j =1 j =1
x j My j
xj 0
y j {0,1}
x A 1 xB 1
Las disyunciones implican una pareja de restricciones donde slo una (cualquiera de
las dos) debe satisfacerse, mientras que la otra no es necesario que se cumpla. Debe
cumplirse una al menos pero no necesariamente las dos.
f ( x) 0 g ( x) 0
28/09/2009
MODELOS OPERATIVOS DE GESTIN
3x1 + 2 x2 18 0 x1 + 4 x2 16 0
3 x1 + 2 x2 18 0 3x1 + 2 x2 18 M
x1 + 4 x2 16 M x1 + 4 x2 16 0
3x1 + 2 x2 18 My
x1 + 4 x2 16 M (1 y )
f ( x) > 0 g ( x) 0
es equivalente a
f ( x) 0 g ( x) 0
28/09/2009 13
f1 ( x1 , , xn ) 0
f 2 ( x1 , , xn ) 0
f N ( x1 , , xn ) 0
aadiendo una constante M y una variable binaria yi para cada ecuacin tenemos
f1 ( x1 , , xn ) My1
f 2 ( x1 , , xn ) My2
f N ( x1 , , xn ) My N
y i =1
i = N k
yi {0,1} i = 1, , N
Sea una funcin con mltiples posibles valores y se desea elegir uno de ellos.
d1
d
f ( x1 , , xn ) = 2
d N
y
i =1
i =1
yi {0,1} i = 1, , N
28/09/2009
MODELOS OPERATIVOS DE GESTIN
= 0 x 0
x M
x > 0 = 1
= 0 x 0
x m
x < 0 = 1
28/09/2009 15
A continuacin, vamos a generalizar la representacin de implicaciones para
cualquier tipo de restriccin genrica.
1.1.11.5 Implicaciones de una restriccin
La implicacin
=1 ajxj b
j
es equivalente a
a x
j
j j b + M (1 )
j
a j x j b M . Efectivamente de manera directa se deduce que si = 1 se impone la
a xj
j j > b = 0
La implicacin
a xj
j j b =1
equivalente a
a x
j
j j b + + (m )
j
ajxj b m .
28/09/2009
MODELOS OPERATIVOS DE GESTIN
La implicacin
=1 aj xj b
j
es equivalente a
a x
j
j j b + m(1 )
j
a j x j b m . Efectivamente de manera directa se deduce que si = 1 se impone la
a xj
j j < b = 0
La implicacin
a xj
j j b =1
equivalente a
a x
j
j j b + ( M + )
j
aj xj b M .
=1 aj xj = b
j
es equivalente a
28/09/2009 17
=1 ajxj b
j
=1 ajxj b
j
a x
j
j j b + M (1 )
a x
j
j j b + m(1 )
a x j
j j = b =1
a x j j b =1
y adems = 1 y = 1 = 1
j
a j x j b = 1
j
a x
j
j j b + + (m )
a x
j
j j b + ( M + )
= 1 a j x j b
= 1 a j x j b es equivalente a
j
j a j x j b = 1
j
28/09/2009
MODELOS OPERATIVOS DE GESTIN
Si, adems, la empresa tiene una funcin semejante para cada uno de los n
productos que puede fabricar la funcin objetivo global sera una suma de funciones no
lineales.
n n
f ( x) = Pj ( x) = x j p j ( x j ) c j x j
j =1 j =1
Otra razn por la que pueden surgir no linealidades en la funcin objetivo es a causa
de los costes de produccin, ya que stos pueden variar con el nivel de produccin. Por
ejemplo, el coste puede decrecer cuando aumenta el nivel de produccin gracias al
efecto de una curva de aprendizaje (mayor eficiencia con ms experiencia) o aumentar
por necesidad de tiempos extra o instalaciones ms costosas.
Las restricciones tambin se pueden ver afectadas por estos tipos de no linealidades.
Una que surge inmediatamente es la restriccin de presupuesto, si existe, cuando los
costes de produccin varan como se ha descrito anteriormente. Tambin sern
funciones no lineales las asociadas a los recursos, siempre que el uso de un determinado
recurso no sea proporcional a los niveles de los respectivos productos.
28/09/2009 19
la cantidad mandada. Sin embargo, una situacin muy habitual es que se disponga de
descuentos por cantidad para volmenes grandes, con lo que la funcin de coste
unitaria sera una funcin no lineal con pendiente no creciente. Una alternativa es
aproximar esta funcin no lineal por una poligonal.
As pues, el coste de embarcar x unidades viene dado por una funcin poligonal,
C ( x) , continua, con pendiente en cada tramo igual al coste unitario de transporte. En
consecuencia, si cada combinacin de origen y destino tiene una funcin semejante, la
funcin objetivo sera
m n
f ( x) = Cij ( xij )
i =1 j =1
28/09/2009
MODELOS OPERATIVOS DE GESTIN
donde se denomina factor de aversin al riesgo, ya que cuanto mayor sea mayor
importancia (negativa) se le da en la funcin objetivo a la variabilidad (la volatilidad del
rendimiento no es ms que su desviacin estndar) de la inversin final.
Como restriccin se incluye la restriccin del presupuesto y la no negatividad de las
variables ( Pj representa el coste de cada accin de tipo j y B es el presupuesto):
P x
j =1
j j B
x j 0 j = 1,..., n
1.1.15 Referencias
V1 V2 V3 V4 V5
A1 10 8 6 9 12 50
A2 5 3 8 4 10 90
28/09/2009 21
A3 7 9 6 10 4 60
100 80 70 40 20
28/09/2009
MODELOS OPERATIVOS DE GESTIN
PROBLEMA: LOGSTICA
Una empresa tiene dos factoras, F1 y F2, con las que abastece a tres almacenes de
distribucin, D1, D2 y D3, de dos artculos, A1 y A2.
Los costes de transporte de una unidad de cualquiera de los dos artculos desde cada
factora a cada almacn se dan en la tabla izquierda, en tanto que los precios de venta
unitarios de cada artculo en cada almacn se dan en la tabla derecha.
Coste Tr D1 D2 D3 Precio D1 D2 D3
F1 4 7 5 A1 17 20 18
F2 6 5 7 A2 19 17 21
Tiempo A1 A2 Coste Fb A1 A2
F1 6 7.5 F1 8 6
F2 10 5 F2 5 10
28/09/2009 23
Las demandas mnimas de cada uno de los artculos que en cada almacn deben ser
satisfechas son expresadas en la tabla siguiente.
D1 D2 D3
Los turnos de autobuses funcionan durante ocho horas seguidas y pueden comenzar
al principio de cualquiera de los seis periodos descritos anteriormente. Adems, si en el
turno que comienza a las 8:00 p.m. hay estrictamente ms de 4 autobuses, en el
siguiente ha de haber tambin estrictamente ms de 4. Plantear un problema de
programacin lineal entera para determinar el mnimo nmero de autobuses diario que
satisface las necesidades anteriores.
28/09/2009
MODELOS OPERATIVOS DE GESTIN
L1 P1 P2 P3 P4 4
L2 P1 P3 P5 P7 4
L3 P2 P3 P4 P6 4
L4 P5 P7 P9 P10 4
L5 P2 P7 P8 3
L6 P1 P4 P5 P10 4
L7 P3 P8 P9 3
L8 P2 P6 P10 3
Adems, por el punto P2 han de pasar al menos dos lneas; y, si los puntos P3 y P7
no quedan conectados por una lnea directa, entonces debe existir un transbordo en P8
de modo que pase una lnea que una este punto con el P3 y otra con el P7. Plantear
como un problema de programacin lineal entera el problema de decidir qu lneas
construir de la forma ms econmica con estas restricciones teniendo en cuenta que por
cada punto clave debe pasar al menos una lnea.
28/09/2009 25
PROBLEMA: OFICINA DE CORREOS
Una oficina de correos necesita distinto nmero de empleados de jornada completa
para cada da de la semana, tal como se da en la tabla adjunta. Las reglas sindicales
sealan que cada empleado de jornada completa tiene que trabajar durante cinco das
consecutivos y, a continuacin, descansar dos das. Por ejemplo, un empleado que
trabaje de lunes a viernes tiene que descansar sbado y domingo. La oficina de correos
quiere cumplir con sus requerimientos diarios y utilizar slo empleados de jornada
completa. Formular mediante programacin matemtica un modelo que pueda utilizar la
oficina de correos para minimizar el nmero de empleados de jornada completa a
contratar.
Empleados
Lunes 17
Martes 13
Mircoles 15
Jueves 19
Viernes 14
Sbado 16
Domingo 11
PROBLEMA: ABASTECIMIENTO
Una empresa abastecedora de agua tiene que llevar agua de un punto s a un punto t
y para realizar la conexin entre ambos puntos ha de pasar por unos puntos intermedios.
Cada conexin entre un par de puntos tiene un coste estimado de construccin y, una
vez construida, un coste unitario de envo de cada litro y una capacidad por hora que se
recogen en la siguiente tabla:
Conexin
Coste Coste envo Capacidad
construccin l/min l/min
s1 100000 40 100
28/09/2009
MODELOS OPERATIVOS DE GESTIN
s2 200000 50 200
13 80000 60 50
1t 100000 70 30
23
200000 40 20
2t 200000 70 100
3t 150000 60 60
Tipo 1 20 99 2.00
Tipo 2 15 95 1.75
Tipo 3 10 99 1.50
Cada da (8 horas) se deben procesar por lo menos 3500 piezas y hay disponibles 8
mquinas del tipo 1, 10 del tipo 2 y 20 del tipo 3.
Si cada pieza errnea le cuesta a la compaa 1 cntimo. Cuntas mquinas de cada
tipo se deben utilizar para minimizar los costes?
28/09/2009 27
Tarea T1 T2 T3 T4
Tiempo de proceso 9 12 7 14
Fecha de entrega 15 19 23 31
PROBLEMA: PRODUCCIN II
En una empresa familiar se producen dos tipos de productos, 1 y 2, procesando
materia prima. Se pueden comprar hasta 90 kg de materia prima a un coste de 10 /kg.
Se puede usar 1 kg de materia prima para producir 1 kg de producto 1 o para producir
1/2 kg del producto 2. Usar 1 kg de materia prima para producir el producto 1 requiere 2
horas de mano de obra. Usar 1 kg de materia prima para procesar el producto 2 requiere
3 horas de mano de obra. Se dispone de 300 horas de mano de obra a 3 /hora. Se
pueden vender a lo sumo 40 kg del producto 2. El producto 1 se vende a 29 /kg y el
producto 2 a 69 /kg.
Adems existe una limitacin inferior y superior en caso de que se produzca alguna
cantidad de cada artculo. Es decir, si se produce algo del producto 1 ha de ser ms de
15 y menos de 30 kg y si se produce algo del producto 2 ha de ser ms de 10 y menos
de 20 kg. Plantear el problema y obtener la solucin ptima.
28/09/2009
MODELOS OPERATIVOS DE GESTIN
Espaol 2 5 4 3
Francs 4 4 2
Italiano 5 4
Griego 3
Por otra parte, estas mismas relaciones internacionales hacen que si una tripulacin
est formada por el aviador espaol y el italiano la otra ha de estar formada por el
aviador francs y el griego. Formular el problema de programacin lineal entera.
2 6 2.0
28/09/2009 29
Los clientes de Sunco actualmente demandan 3000 barriles de la gasolina 1 y 2000
de la gasolina 2. Sin embargo, Sunco tiene la posibilidad de estimular la demanda
mediante la publicidad, de modo que cada euro invertido en la publicidad de cada tipo
de gasolina, aumenta la demanda diaria de ese tipo de gasolina en 0.1 barriles (si por
ejemplo gasta 1000 en publicidad de la gasolina 1 aumenta la demanda de gasolina 1
en 100 barriles). Formular un problema de programacin lineal que permita a Sunco
maximizar sus ganancias diarias.
PROBLEMA: PRODUCCIN VI
b) Sobre la formulacin anterior supngase ahora que cuando una mquina para, ha
de hacerlo al menos dos semanas consecutivas por razones tcnicas, cmo se
modelara esta nueva condicin?
28/09/2009
MODELOS OPERATIVOS DE GESTIN
1 350 15
28/09/2009 31
2 300 32
3 160 20
4 310 25
5 260 35
6 250 10
7 400 40
8 100 34
9 520 24
10 170 16
11 300 36
12 360 26
Los lotes van a ser grabados en una serie de CDs, cada uno con una capacidad
mxima de 700 MB. Adems, para que el CD funcione en el mercado, se estima que
debe tener un ndice de marketing superior a 45. Por otro lado, y dado el contenido de
sus canciones, los lotes 1, 2 y 3 se han de grabar en CDs distintos. El objetivo de la
compaa es maximizar el nmero de CDs editados, utilizando todos los lotes de
canciones y sin editar ms de una vez el mismo lote.
Tipo 1 2 3 4 5
A 11 20 30 40 50
B 9 17 24 34 45
C 8 15 21 26 31
28/09/2009
MODELOS OPERATIVOS DE GESTIN
Adems la compaa area incurre en un coste fijo adicional de 6 k por cada tipo
de aviones que utilice.
Proponer un modelo de programacin lineal entera cuyo objetivo sea determinar la
composicin ptima de la flotilla de aviones que va a realizar el transporte para
minimizar los costes de la operacin.
PROBLEMA: PROVEEDORES
Tres almacenes deben abastecer a cuatro mercados de cierto nmero de unidades de
un producto. Los costes unitarios de transporte (en ), las existencias en los almacenes y
las necesidades de los mercados se dan en la tabla siguiente.
M1 M2 M3 M4 Existencias en almacenes
A1 6 7 9 5 220
A2 7 10 9 6 350
A3 5 8 7 5 270
28/09/2009 33
Un pequeo ganadero alimenta sus reses con una mezcla de dos piensos
compuestos, P1 y P2, que l mismo elabora, y en los que es posible encontrar tres
nutrientes N1, N2 y N3, de acuerdo con lo reflejado en la tabla, donde se da el
contenido, en gramos, de cada nutriente por kilo de pienso compuesto.
N1 N2 N3 Aditivos
Los costes de fabricacin de un kilo de cada pienso son de 0.3 para P1 y de 0.36
para P2. Las necesidades diarias de una res respecto a los nutrientes considerados son:
N1: entre 250 y 300 gramos, con una cantidad ptima de 250 gramos
N2: entre 325 y 460 gramos, con una cantidad ptima de 400 gramos
Vacas Cerdos
28/09/2009
MODELOS OPERATIVOS DE GESTIN
M1 M2 M3 Disponibilidad M1 M2 M3 Disponibilidad
G1 25 21 20 25 6 7 8 130
G2 27 19 25 32 8 6 7 100
Demanda 17 6 22 45 85 76
1 1500 6
2 1200 10
28/09/2009 35
3 800 7
4 750 8
5 915 8
6 315 10
7 1450 5
8 650 4
9 725 7
10 1800 12
28/09/2009
MODELOS OPERATIVOS DE GESTIN
A: origen B C D
3 4 5.5 6.5
Se pide formular un problema de programacin lineal en los siguientes supuestos:
1. En cada conexin hay un coste unitario de transporte: A-B: 0.75 , B-C: 1 , C-D:
0.75 . Para este apartado, dar adems la solucin ptima.
2. Adems del coste variable, en cada conexin hay un coste fijo de transporte: A-B:
300 , B-C: 400 , C-D: 250
3. Adems del coste variable, el coste fijo de transporte depende de la cantidad
transportada, siendo los valores anteriores si se transportan por la conexin menos de
300 kg, y de 100 menos si se transportan 300 o ms kg.
28/09/2009 37
4. Adems del coste fijo del apartado anterior, el coste variable es funcin de lo
transportado, siendo los valores del primer apartado si son menos de 300 kg, o 0.25
menos si se transportan 300 o ms kg.
28/09/2009
MODELOS OPERATIVOS DE GESTIN
A2h
A1h V2
V1 E2
E1
~
1.1.17 Resultados de la biblioteca de problemas
x
j
ij ai i
x
i
ij v j j
xij 0
xj
ij ci yi i
x
i
ij dj j
xij 0, yi {0,1}
28/09/2009 39
min cij xijk
xijk
i , j ,k
x
j
ijk aik i, k
x
i
ijk b jk j , k
x
k
ijk tij i, j
xijk 0
Frigorficos
Barcelona A Corua Valencia
Lavadoras
Barcelona A Corua Valencia
t
j ,k
x hi
ik ijk i
x
i
ijk b jk j , k
xijk 0
A1
D1 D2 D3
F1 600 0 500
F2 0 840 0
28/09/2009
MODELOS OPERATIVOS DE GESTIN
A1
D1 D2 D3
F1 0 0 1200
F2 700 500 0
min x1 + x2 + x3 + x4 + x5 + x6
x1 + x6 4
x1 + x2 8
x2 + x3 10
x3 + x4 7
x4 + x5 12
x5 + x6 4
x5 + x6 4 + 12
x1 + x6 5
xi Z + , {0,1}
28/09/2009 41
min 4 x1 + 4 x2 + 4 x3 + 4 x4 + 3 x5 + 4 x6 + 3 x7 + 3 x8
x1 + x2 + x6 1
x1 + x3 + x5 + x8 2
x1 + x2 + x3 + x7 1
x1 + x3 + x6 1
x2 + x4 + x6 1
x3 + x8 1
x2 + x4 + x5 1
x5 + x7 1
x4 + x7 1
x4 + x6 + x8 1
x2 + 1
o bien { x5 + x7 2 2 x2
x5 + x7 2 0
xi , {0,1}
x1 + x4 + x5 + x6 + x7 17
x1 + x2 + x5 + x6 + x7 13
x1 + x2 + x3 + x6 + x7 15
x1 + x2 + x3 + x4 + x7 19
x1 + x2 + x3 + x4 + x5 14
x2 + x3 + x4 + x5 + x6 16
x3 + x4 + x5 + x6 + x7 13
xi Z +
28/09/2009
MODELOS OPERATIVOS DE GESTIN
Se eligen las conexiones (s1), (s2), (13), (1t), (2t) y (3t) y pasa un flujo de
80, 100, 50, 30, 100 y 50 respectivamente. El coste total es 853300.
28/09/2009 43
Definimos las variables del problema como
1
min pi
4 i
x i
ij = 1 j
x j
ij = 1 i
Por otra parte, el trabajo j que acaba en esa posicin acaba en el instante
dj j k i
xkj . Las variables ni y pi , cuentan si acaba antes de tiempo (adelantado) o
d x
j
j
k i
kj + ni pi = rj xij
j
i
ni , pi 0 xij {0,1}
28/09/2009
MODELOS OPERATIVOS DE GESTIN
max 29 y1 + 69 y2 6 y1 18 y2 10 y1 20 y2
y1 + 2 y2 90
2 y1 + 6 y2 300
y2 40
15u1 y1 30u1
10u2 y2 20u2
y1 , y2 0, u1 , u2 = {0,1}
max pk yk e tk xk c xk
k k k
x
k
k x
t x
k
k k t
yk = ak xk , k
uk y k yk uk y k , k
xk , yk 0, uk = {0,1} , k
min ( c i j + cj p j )
j
i j + p j d j = i j +1
pj pj
i j ij
i1 = 250, i5 = 100
ij , pj 0
28/09/2009 45
max 2 xef + 5 xei + 4 xeg + 3xep + 4 x fi + 4 x fg + 2 x fp + 5 xig + 4 xip + 3xgp
xef + xei + xeg + xep 1
xef + x fi + x fg + x fp 1
xei + x fi + xig + xip 1
xeg + x fg + xig + xgp 1
xep + x fp + xip + xgp 1
xef + xei + xeg + xep + x fi + x fg + x fp + xig + xip + xgp = 2
xei x fg
xef , xei , xeg , xep , x fi , x fg , x fp , xig , xip , xgp {0,1}
max 7000( x11 + x21 ) + 6000( x12 + x22 ) - 4500( x11 + x12 ) - 3500( x21 + x22 )
-400( x11 + x12 + x21 + x22 ) - y1 - y2
x11 + x12 5000
x21 + x22 5000
x11 + x12 + x21 + x22 9000
12 x11 + 6 x21 10( x11 + x21 )
12 x12 + 6 x22 8( x12 + x22 )
0.5 x11 + 2 x21 x11 + x21
0.5 x12 + 2 x22 2( x12 + x22 )
x11 + x21 = 3000 + 0.1 y1
x12 + x22 = 2000 + 0.1 y2
x11 , x12 , x21 , x22 , y1 , y2 0
28/09/2009
MODELOS OPERATIVOS DE GESTIN
min calmAl j + ( cvij Pij + cfi ij + carri Arrij )
j i
Pij + Al j 1 = dem j + Al j j ( Al0 = 0)
i
Pij pmi ij i, j
Arrij Parij = ij ij 1 i, j 2
i 0 = 1
Pij , Al j 0, ij {0,1}
Arrij {0,1} Arrij 0
b)
ij 1 + ij +1 ij 1 i, 2 j n 1
o bien
ij + ij +1 2 2 Parij i,1 j n 1
max z = (bi ci ) xi
i
v x
i
i i V
px
i
i i P
0 xi mxi i
28/09/2009 47
max z = (ai gi xi ci ) xi
i
v x
i
i i V
px
i
i i P
0 xi mxi i
c)
v x
i
i ij Vy j j
px
i
i ij Py j j
x
j
ij mxi i
xij 0, y j {0,1}
o bien
v x
i
i i Vy
px
i
i i Py
0 xi mxi i
+
y
max y j
j
xj
ij = 1 i
tam x
i
i ij 700 y j j
indi x
i
i ij 45 y j j
x1 j + x2 j + x3 j 1 j
xij , y j {0,1}
28/09/2009
MODELOS OPERATIVOS DE GESTIN
CAP j x i ij D CAP j xi ij D
i j o bien i j
x
j
ij yi i x
j
ij 1 i
X
j
ij ai i
X
i
ij = dj j
2.
X
j
ij ai i
X
i
ij = dj j
X ij mij Z i i, j
X ij+ mij (1 Z i ) i, j (mij cota suf. grande, por ejemplo, d j )
X ij , X ij , X ij+ 0, Yij , Z ij {0,1}
28/09/2009 49
RESULTADO DEL PROBLEMA COMPOSICIN DE PIENSO
a)
min ci X i + p j ( D j + E j )
i j
ai
ij X i min j j
ai
ij X i max j j
ai
ij X i + D j E j = opt j j
Xi , Dj , E j 0
a
i
ij X i min j j
a
i
ij X i max j j
a
i
ij X i + D j E j = opt j j
X 1 = X 1 + X 1+
X1 2 X 2 M
X 1 M (1 )
X 1+ M
X i , X 1 , X 1+ , D j , E j 0 {0,1}
28/09/2009
MODELOS OPERATIVOS DE GESTIN
min ci X i + Extra + p j ( D j + E j )
i j
a
i
ij X i min j j
a
i
ij X i max j j
a
i
ij X i + D j E j = opt j j
X1 2 X 2 M
Extra 0.05 X 1 M (1 )
X i , D j , E j , Extra 0 {0,1}
FIJOk coste fijo de uso del camin para transportar animales tipo k
28/09/2009 51
zijk vehculos para animales tipo k usados entre explotacin i y matadero j
min ( COSTE x + FIJOk zijk )
ijk ijk
k i, j
x
j
ijk DISPik i, k
x
i
ijk DEM jk j , k
z
j
ijk N ik i, k
b)
n vehculo
FIJOk coste fijo de uso del camin para transportar animales tipo k
Variables
28/09/2009
MODELOS OPERATIVOS DE GESTIN
kn
xijk cantidad de animales de tipo k transportados entre la explotacin ganadera i y
el matadero j transportados en el vehculo nmero n del tipo k
k n
yijk cantidad de animales de tipo k transportados entre la explotacin ganadera i y
el matadero j transportados en el vehculo nmero n del tipo k (en este caso k y k
son diferentes)
vijnk uso o no del vehculo n diseado para el transporte del animal k para
transportar animales entre la explotacin ganadera i y el matadero j
(x
nj
kn
ijk
k n
+ yijk ) DISPik ik
v
j
kn
ij 1 ikn
+
kn
xijk kn
, yijk
vijkn {0,1}
La solucin ptima con una tolerancia relativa del 3 % tiene un coste de 4943 .
Vehculos Vehculos
de vacas de cerdos
M1 M2 M3 M1 M2 M3
28/09/2009 53
madre posibles (una cota superior es el nmero de pedidos). Ai es la anchura de cada
pedido, Fi es la fecha de entrega de cada pedido y A es la anchura de la bobina madre.
Definimos la variable
X
j =1
ij = 1 i
AX
i =1
i ij AY j j
AX
i =1
i ij + D j = AY j j
28/09/2009
MODELOS OPERATIVOS DE GESTIN
6 jX
j =1
ij + ADi RTi = Fi i o bien 6 jX
j =1
ij RTi Fi i
min cij X ij + w jk Y jk
ij jk
X
j
ij ei i
Y
j
jk = dk k
X
i
ij = Y jk
k
j
X ij , Y jk 0 X ij , Y jk ??
1 le provee distribuidor 1
2. Nueva variable: Z =
0 le provee distribuidor 2
Y11 MZ
Y21 M (1 Z )
Z {0,1}
3. Entiendo por el enunciado que las m primeras siempre cuestan lo mismo y las que
se pasen son las que tienen descuento (no todas una vez se pasan).
Nuevas variables
N jk , Pjk : exceso y defecto sobre el valor m
28/09/2009 55
1 si N jk > 0
jk =
0 si Pjk > 0
(Estas dos ltimas son necesarias pues si no pueden ser distintas de 0 ambas a la
vez, para un mismo valor de Y y lograr menor coste).
P
4. Sea cap = nmero de artculos que caben en un camin. Sean las variables:
p
Modificar la funcin objetivo aadiendo el trmino +C Tij + S jk
ij jk
X ij capTij i, j
Y jk cap S jk j , k
28/09/2009
MODELOS OPERATIVOS DE GESTIN
3.
max f3 = f 2 + 100(Y1 + Y2 + Y3 )
A + B + C + D 1000
B + C + D 10001 C + D 1000 2 D 1000 3
B + C + D 300Y1 C + D 300Y2 D 300Y3
A, B, C , D 0 i {0,1} Yi {0,1}
4.
max f 4 = f3 + E1 + E2 + E3
A + B + C + D 1000
B + C + D 10001 C + D 1000 2 D 1000 3
B + C + D 300Y1 C + D 300Y2 D 300Y3
E1 0.25( B + C + D) E2 0.25(C + D) E3 0.25 D
E1 250Y1 E2 250Y2 E3 250Y3
A, B, C , D, Ei 0 i {0,1} Yi {0,1}
h : horas, 1 a 24.
Parmetros
28/09/2009 57
CE1 , CE2 : coeficiente energtico [MWh/hm3].
Variables
Funcin objetivo
Maximizacin de la remuneracin de la turbinacin de la central
Restricciones
Continuidad en el volumen de cada embalse
peh
veh 1 + Aeh veh eh
CEe
ve 0 = VI e e
ve 24 = VFe e
0 peh P eh
p
e
eh P h
0 veh Ve eh
b)
Se necesita crear una variable binaria que indique si se turbina desde un embalse o
desde otro pero no de ambos simultneamente.
28/09/2009
MODELOS OPERATIVOS DE GESTIN
t1h + t2 h 1 h
t1h + t2 h +1 1 h y t2 h + t1h +1 1 h
t1h + t2 h + 2 1 h t2 h + t1h + 2 1 h
0 peh Pteh eh
c)
Parmetros
Funcin objetivo
Restricciones
Continuidad en el volumen de cada embalse
p1h b
v1h 1 + A1h h v1h h
CE1 CB12
p2 h b
v2 h 1 + A2 h + h v2 h h
CE2 CB12
0 bh B h
28/09/2009 59
1.2 Codificacin de problemas de optimizacin
28/09/2009
MODELOS OPERATIVOS DE GESTIN
28/09/2009 61
Scheduler, Solver, CPLEX 2, estando los dos primeros basados en la programacin
de restricciones 3 y el ltimo en programacin matemtica.
Los lenguajes algebraicos son lenguajes de alto nivel que han sido diseados
especficamente para el desarrollo e implantacin de modelos de optimizacin de forma
ms directa para los programadores y ms inteligible para los usuarios. En
2
CPLEX es problablemente el mejor optimizador existente en la actualidad para problemas LP y
MIP.
3
Se denomina programacin de restricciones a un tipo de programacin lgica donde el dominio de
las variables viene definido por relaciones lgicas y por restricciones.
28/09/2009
MODELOS OPERATIVOS DE GESTIN
Separan de manera natural los datos de la estructura del modelo y sta de los
algoritmos de solucin
4
Una manera habitual de desarrollar es utilizar una maqueta (caso ejemplo) para la depuracin y
verificacin del modelo y una vez comprobada su validez utilizar el caso real a ser resuelto.
28/09/2009 63
Permiten la implantacin de algoritmos avanzados, que incluyan varias llamadas al
optimizador o procedimientos especficos para el problema (como por ejemplo los
mtodos de descomposicin)
28/09/2009
MODELOS OPERATIVOS DE GESTIN
1.2.2.1 Referencias
Brooke, A., Kendrick, D., Meeraus, A. and Raman, R. (1998) GAMS A Users Guide.
GAMS Development Co.
Fourer, R., Gay, D.M. and Kernighan, B.W. (2000) AMPL: A Modeling Language for
Mathematical Programming. The Scientific Press. 2nd ed.
Ragsdale, C. T. (1998) Spreadsheet modeling and decision analysis: a practical
introduction to management science. South-Western College. 2nd ed.
Gass, S.I., Hirshfeld, D.S. and Wasil, E.A. (1995) Model World: The Spreadsheeting
of OR/MS Interfaces pp. 72-81. September-October.
McCarl, B.A. and Spreen, Th.H. (1998) Applied Mathematical Programming using
Algebraic Systems. Technical Report.
Mochol, M. y Sala, R. (1996) Decisiones de optimizacin Tirant lo Blanch. Valencia.
Sharda, R. and Rampal, G. (1995) Algebraic Modeling Languages on PCs OR/MS
Today pp. 58-63. June.
Van Hentenryck, P. (1999) The OPL Optimization Programming Language. The MIT
Press.
tiempo de creacin
formulacin del problema de optimizacin especfico, es decir, creacin de las
variables y de las restricciones.
tiempo de interfaz
5
Esta clasificacin del tiempo de ejecucin de un modelo en tres componentes es relevante para los
modelos escritos en GAMS. Quiz con otros lenguajes de modelado alguno de estos tiempos puede ser
despreciable.
28/09/2009 65
escritura del problema de optimizacin en disco para su lectura por el optimizador y
viceversa.
tiempo de optimizacin
resolucin del problema de optimizacin por parte del optimizador.
Adems de stos hay que aadir el tiempo de compilacin del modelo. Sin embargo,
este tiempo se da nicamente una vez al comienzo y habitualmente es despreciable
frente al resto.
El valor e importancia de cada uno de estos tiempos se puede conocer con las
opciones stepsum, que resume el consumo de tiempo entre llamadas al optimizador, y
profile, que informa sobre el consumo de tiempo y memoria en cada instruccin del
cdigo. Antes de iniciar las acciones de mejora es necesario realizar un anlisis de los
consumos de tiempo del modelo y de cmo se reparten.
x j
ij ai para cada fbrica i
x
i
ij b j para cada mercado j
28/09/2009
MODELOS OPERATIVOS DE GESTIN
c x
i j
ij ij
SETS
I fbricas de envasado / VIGO, ALGECIRAS /
J mercados de consumo / MADRID, BARCELONA, VALENCIA /
PARAMETERS
A(i) capacidad de produccin de la fbrica i [cajas]
/ VIGO 350
ALGECIRAS 700 /
TABLE C(i,j) coste unitario transporte entre i y j [miles de euros por caja]
MADRID BARCELONA VALENCIA
VIGO 0.06 0.12 0.09
ALGECIRAS 0.05 0.15 0.11
VARIABLES
X(i,j) cajas transportadas entre fbrica i y mercado j [cajas]
CT coste de transporte [miles de euros]
POSITIVE VARIABLE X
EQUATIONS
COSTE coste total de transporte [miles de euros]
CAPACIDAD(i) capacidad mxima de cada fbrica i [cajas]
DEMANDA(j) satisfaccin demanda de cada mercado j [cajas] ;
28/09/2009 67
COMPILATION TIME = 0.000 SECONDS 0.7 Mb WIN-19-115
- 0.05*X(ALGECIRAS,MADRID) - 0.15*X(ALGECIRAS,BARCELONA)
(LHS = 0)
X(VIGO,MADRID)
(.LO, .L, .UP = 0, 0, +INF)
-0.06 COSTE
1 CAPACIDAD(VIGO)
1 DEMANDA(MADRID)
X(VIGO,BARCELONA)
(.LO, .L, .UP = 0, 0, +INF)
-0.12 COSTE
1 CAPACIDAD(VIGO)
1 DEMANDA(BARCELONA)
X(VIGO,VALENCIA)
(.LO, .L, .UP = 0, 0, +INF)
-0.09 COSTE
1 CAPACIDAD(VIGO)
1 DEMANDA(VALENCIA)
CT
(.LO, .L, .UP = -INF, 0, +INF)
1 COSTE
MODEL STATISTICS
28/09/2009
MODELOS OPERATIVOS DE GESTIN
SOLVE SUMMARY
GAMS/Cplex May 18, 2000 WIN.CP.CP 19.3 016.014.038.WAT For Cplex 6.6
Cplex 6.6.1, GAMS Link 16, Using a GAMS/Cplex demo license installed at runtime.
Objective : 93.500000
28/09/2009 69
0 UNBOUNDED
INPUT D:\TR.GMS
OUTPUT D:\TR.LST
SETS
M mquinas / maquina1 * maquina3 /
P tipos de papel / prensa, folio, imprenta, reciclado /
28/09/2009
MODELOS OPERATIVOS DE GESTIN
maquina3 480 /
VARIABLES
PRODUCC(p,m) produccin de cada tipo papel en cada mquina (t por mes)
BENEFICIO beneficio ( por mes)
EQUATIONS
CAPACMAQ(m) capacidad de cada mquina (h por mes)
DEMANDAP(p) demanda de cada tipo de papel (t por mes)
BENEF beneficio ( por mes) ;
Dada una mquina y 5 trabajos que hay que realizar en ella, en cualquier orden, se
dispone del tiempo de ejecucin de cada trabajo
15 13 12 14 16
y del tiempo de ajuste de la mquina para pasar de ejecutar el trabajo i (fila) a ejecutar
el trabajo j (columna)
TR1 2 5 1 6
TR2 3 4 2 5
TR3 4 2 3 4
TR4 5 3 6 5
TR5 4 4 4 3
28/09/2009 71
$TITLE Secuenciacin de rdenes de trabajo
SETS
I trabajos que se van a ejecutar / TR1 * TR5 /
ALIAS (i,j)
PARAMETERS
m cota superior de tiempo del problema;
VARIABLES
X(i,j) paso del trabajo i al trabajo j
T(i) instante de comienzo de trabajo i
TT tiempo total en completar los trabajos
BINARY VARIABLE X
POSITIVE VARIABLE T
EQUATIONS
TIEMPOTOT tiempo total de trabajo
ANTERIOR(i) de cada trabajo se parte una vez
POSTERIOR(j) a cada trabajo se llega una vez
TIEMPO(i,j) tiempo inicio trabajo j despues de i
TINICIO(j) tiempo inicio segundo trabajo;
Veamos tres posibles formulaciones del problema del viajante de comercio escritas
en GAMS. La primera formulacin es la denominada de Miller, Tucker y Zemlin
28/09/2009
MODELOS OPERATIVOS DE GESTIN
x
i
ij = 1 j
x
j
ij = 1 i (1.12)
SETS
I Ciudades
K Etapas
ALIAS(I,J)
PARAMETER
COSTE(i,j) Coste de ir de la ciudad i a la ciudad j []
m COTA PARA EL MXIMO TIEMPO
VARIABLE
FOBJ Funcin objetivo []
BINARY VARIABLES
X(i,j) Indica si se viaja de la ciudad i a la ciudad j
POSITIVE VARIABLE
T(i) Instante en que llega a una cierta ciudad
EQUATIONS
E_FOBJ1 Funcin objetivo
E_ORIGEN1(i) Cada ciudad es origen una sola vez
E_DESTINO1(j) Cada ciudad es destino una sola vez
E_TIEMPO(i,j) Restricciones para eliminar subciclos relacionando tiempo
E_TINICIO(j) la primera en visitar...
;
********************************************************************************
* Caso ejemplo: Schrage (1997) p. 319
* Esta informacin se podra introducir mediante ficheros de texto
* utilizando la instruccin $INCLUDE nombrefichero
SETS
I Ciudades
/ Atl, Chi, Cin, Hou, LA, Mon, NY, Phi, Pit, StL, SD, SF /
28/09/2009 73
TABLE COSTE(i,j) Coste de ir de la ciudad i a la ciudad j []
Atl Chi Cin Hou LA Mon NY Phi Pit StL SD SF
Atl 0 702 454 842 2396 1196 864 772 714 554 2363 5679
Chi 702 0 324 1093 2136 764 845 764 459 294 2184 2187
Cin 454 324 0 1137 2180 798 664 572 284 338 2228 2463
Hou 842 1093 1137 0 1616 1857 1706 1614 1421 799 1521 2021
LA 2396 2136 2180 1616 0 2900 2844 2752 2464 1842 95 405
Mon 1196 764 798 1857 2900 0 396 424 514 1058 2948 2951
NY 864 845 664 1706 2844 396 0 92 386 1002 2892 3032
Phi 772 764 572 1614 2752 424 92 0 305 910 2800 2951
Pit 714 459 284 1421 2464 514 386 305 0 622 2512 2646
StL 554 294 338 799 1842 1058 1002 910 622 0 1890 2125
SD 2363 2184 2228 1521 95 2948 2892 2800 2512 1890 0 500
SF 2679 2187 2463 2021 405 2951 3032 2951 2646 2125 500 0 ;
m=SUM((i,j),COSTE(i,j)) ;
OPTION OPTCR = 0
28/09/2009
MODELOS OPERATIVOS DE GESTIN
Variables
P
t =1
ht = Dh H
T
(P A
t =1
t ht Pht ) = RDh H
SETS
T grupos trmicos /GALICIA, CATALUNA, MADRID, VALENCIA,
EXTREMAD, ANDALUCI, CASTLEON/
H hora h /h1 * h5/
SCALAR
r porcentaje de reserva rodante sobre la demanda [p.u.] /0.2/
PARAMETERS
d(h) demanda cada hora [MW]
/h1 1000 , h2 1400 , h3 2400 , h4 2000 , h5 1000/
pmax(t) pot mxima de cada trmico [MW]
/GALICIA 400, CATALUNA 500, MADRID 700, VALENCIA 400,
EXTREMAD 300, ANDALUCI 800, CASTLEON 800/
pmin(t) pot mnima de cada trmico [MW]
/GALICIA 100, CATALUNA 150, MADRID 150, VALENCIA 50,
28/09/2009 75
EXTREMAD 50, ANDALUCI 400, CASTLEON 200 /
rs(t) rampa de subida [MW por hora]
/GALICIA 200, CATALUNA 300, MADRID 500, VALENCIA 300,
EXTREMAD 100, ANDALUCI 500, CASTLEON 400/
rb(t) rampa de bajada [MW por hora]
/GALICIA 300, CATALUNA 300, MADRID 200, VALENCIA 100,
EXTREMAD 100, ANDALUCI 500, CASTLEON 400/
c(t) coste lineal de produccin [ por MWh]
/GALICIA 4, CATALUNA 4, MADRID 4, VALENCIA 4,
EXTREMAD 3, ANDALUCI 2, CASTLEON 7/
b(t) coste fijo de produccin []
/GALICIA 50, CATALUNA 30, MADRID 30, VALENCIA 25,
EXTREMAD 30, ANDALUCI 80, CASTLEON 70/
ca(t) coste de arranque
/GALICIA 10, CATALUNA 20, MADRID 10, VALENCIA 15,
EXTREMAD 20, ANDALUCI 10, CASTLEON 15/
cp(t) coste de parada
/GALICIA 5, CATALUNA 10, MADRID 5, VALENCIA 10,
EXTREMAD 5, ANDALUCI 15, CASTLEON 10/
VARIABLES
CT coste variable total del sistema [M]
A(t,h) acoplamiento del grupo t a las h horas [0-1]
AR(t,h) arranque del grupo t a las h horas [0-1]
PR(t,h) parada del grupo t a las h horas [0-1]
P(t,h) generacin producida por el grupo t a las h horas [MW]
EQUATIONS
COSTE costes variables de generacin-funcin objetivo []
DEMANDA(h) abastecimiento de la demanda [MW]
RESERVA(h) reserva rodante del sistema [MW]
COTASUP(t,h) cota superior de produccin del grupo t [MW]
COTAINF(t,h) cota inferior de produccin del grupo t [MW]
RAMPASUB(t,h) limitacin de rampa de subida del grupo t [MW]
RAMPABAJ(t,h) limitacin de rampa de bajada del grupo t [MW]
LOGICA(t,h) relacin lgica entre variables de acoplamiento arranque y parada ;
P.UP(t,h) = pmax(t)
OPTION OPTCR = 0
28/09/2009
MODELOS OPERATIVOS DE GESTIN
MODULARIDAD
Estructurar el modelo en diversos mdulos con diferentes propsitos. Por ejemplo,
la inclusin de los datos 7 y la escritura de resultados deben separarse en diferentes
ficheros que son convenientemente insertados mediante la instruccin $include en el
mdulo principal, que contiene la formulacin del problema de optimizacin.
6
Se entiende por mantenibilidad la reutilizacin, reparacin o modificacin de un modelo.
7
Se recomienda la introduccin de los datos tal como son recogidos y entendidos por el usuario y se
hacen en el modelo los clculos auxiliares que sean necesarios.
28/09/2009 77
Utilizacin de las entidades (parmetros, escalares, etc.) con el mismo propsito y
significado en las diferentes partes del cdigo. Es decir, mantener la definicin y uso de
cada parmetro y escalar en todo el cdigo para evitar la confusin del lector.
Comprobacin de la pertenencia de un subconjunto a un conjunto de forma explcita
en su definicin, es decir, evitar el uso de ndices comodn en vectores y matrices. Esta
es una manera de validar y evitar errores en la introduccin de los datos.
28/09/2009
MODELOS OPERATIVOS DE GESTIN
x
j =1
j =1
r x
j =1
j j = r0
n n
min xi q x ij j
i =1 j =i +1
n
x
j =1
j =1
r x
j =1
j j = r0
28/09/2009 79
n
min xi wi
i =1
n
wi = q x
j = i +1
ij j
x
j =1
j =1
r x
j =1
j j = r0
Caso 1 Caso 2
8
El desarrollo de las tcnicas de preproceso y reformulacin han originado avances muy importantes
en la resolucin de problemas MIP.
28/09/2009
MODELOS OPERATIVOS DE GESTIN
28/09/2009 81
Se puede hacer mediante sustitucin, definicin de nuevas variables, reformulacin
en general se debe intentar reducir el nmero de restricciones y/o de elementos de la
matriz.
Como norma general para la formulacin de problemas lineales es conveniente
saber que el tiempo necesario para su solucin por el mtodo simplex depende
aproximadamente del cubo del nmero de restricciones, no siendo demasiado
influyente el nmero de variables. En el mtodo de punto interior el tiempo de
ejecucin depende principalmente del nmero de elementos (densidad) de la matriz
de restricciones.
28/09/2009
MODELOS OPERATIVOS DE GESTIN
especfica. Las cotas pueden tener sentido fsico (y, por tanto, forman parte de la
naturaleza del problema) o ser algortmicas (es decir, cotas superfluas que nunca
deben ser activas en la solucin ptima pero que reducen el tiempo de
optimizacin).
El preproceso generalmente incluye procedimientos para el fortalecimiento de las
cotas de las variables (reduccin de las cotas superiores y aumento de las inferiores).
28/09/2009 83
Como recomendacin general, para problemas de tamao medio (hasta
aproximadamente de 10000 x 10000) el mtodo ms adecuado es el simplex y para
problemas de gran tamao (desde 10000 x 10000 hasta 100000 x 100000) el mejor
mtodo es el de punto interior (especialmente en problemas degenerados). Para
problemas de tamao superior se requiere el uso de tcnicas de optimizacin especficas
(como, por ejemplo, las de descomposicin entre otras [Ramos, 1996]). La seleccin de
un mtodo u otro se debe realizar principalmente en funcin del tamao del problema.
[Bixby, 2000] es un artculo prctico reciente donde se presentan algunas
comparaciones entre mtodos de solucin del optimizador CPLEX tanto para problemas
lineales como enteros mixtos.
El mtodo simplex tambin resulta adecuado en la realizacin de anlisis de
sensibilidad, es decir, cuando se trata de resolver problemas similares disponiendo de
una solucin prxima y una base previa, como sucede en el mtodo de ramificacin y
acotamiento para resolver problemas lineales enteros.
A continuacin se presenta la tabla 1.4 de comparacin entre varios optimizadores y
mtodos de optimizacin. En la tabla 1.5 se muestra la diferencia de funcionamiento
entre las opciones de preproceso de dos optimizadores.
Caso 1 Caso 2
Caso 1 Caso 2
28/09/2009
MODELOS OPERATIVOS DE GESTIN
28/09/2009 85
USO DE SOLUCIONES INICIALES Y/O BASES PREVIAS
El uso de puntos iniciales es particularmente importante en el caso de problemas no
lineales, donde se debe ejecutar un problema lineal cuya solucin resulte cercana a la
previsible solucin del problema no lineal.
Cuando se trata de ejecuciones sucesivas es conveniente, desde el punto de vista de
clculo, aprovechar en el algoritmo del simplex las bases de soluciones previas del
mismo problema u otro similar que haya sido resuelto previamente. La base contiene la
informacin relativa a las variables primales y duales del problema. El aprovechamiento
se controla con la opcin bratio que marca un criterio de aceptacin o rechazo de la
misma.
Como ejemplo del impacto en el tiempo de optimizacin del aprovechamiento de la
base, un problema LP de 8000 restricciones, 10000 variables y 30000 elementos
requiere 10.3, 4.4, 4.7 y 2.6 segundos en sucesivas resoluciones.
A pesar de ello esta ventaja puede no ser suficiente para ciertos tamaos como para
superar al mtodo de punto interior. Por ejemplo, aproximadamente a partir de 20000
restricciones por 20000 variables el mtodo de punto interior resulta ms competitivo
que el simplex aun comenzando ste con una base previa de un problema anterior.
DETECCIN DE INFACTIBILIDADES
Un mtodo muy sencillo aunque laborioso y que puede producir problemas de
consistencia y de dimensiones, es introducir variables de holgura en cada restriccin y
penalizarlas en la funcin objetivo. Este procedimiento hace las restricciones elsticas.
Alternativamente algunos optimizadores tienen un parmetro que detecta el ncleo
menor de restricciones infactibles de un problema (parmetro Irreducible Infeasible
Subsets iis) y, por consiguiente, ayudan a localizar su posible causa. Una vez conocidas
el desarrollador debe modificar o eliminar alguna del conjunto para que el problema se
haga factible. Un artculo reciente de John W. Chinneck sobre algoritmos para encontrar
este conjunto mnimo es [Guieu, 1999]
ANLISIS DE SENSIBILIDAD
Proporciona informacin adicional sobre la solucin de un problema de
optimizacin lineal.
Algunos optimizadores permiten realizar directamente un anlisis de sensibilidad a
cambios en los coeficientes de la funcin objetivo que no producen una alteracin de la
28/09/2009
MODELOS OPERATIVOS DE GESTIN
1.2.5 Referencias
Bixby, R.E., Fenelon, M., Gu, Z., Rothberg, E. and Wunderling, R. (2000) MIP: Theory
and Practice - Closing the Gap. Technical Report.
Guieu, O. and Chinneck, J.W. (1999) Analyzing Infeasible Mixed-Integer and Integer
Linear Programs, INFORMS Journal on Computing, vol. 11, no. 1, pp. 63-77.
Fourer, R. (2003) Linear Programming OR/MS Today. December.
McCarl, B. A. (1998) So Your GAMS Model Didnt Work Right. A Guide to Model
Repair. Technical Report.
Jacobs, J., Freeman, G., Grygier, J., Morton, D., Schultz, G., Staschus, K. and
Stedinger, J. (1995) SOCRATES: A system for scheduling hydroelectric
generation under uncertainty Annals of Operations Research 59. pp. 99-133.
Ramos, A., Muoz, L., Ruprez, I., Martnez-Crcoles, F. and Martn-Corrochano, V.
(1996) Computational Experience with Optimization for a Bulk Production Cost
Model 12th PSCC. Dresden, Germany.
28/09/2009 87
MODELOS OPERATIVOS DE GESTIN
2 Teora de la decisin
28/09/2009 89
2.1 Teora de la decisin con incertidumbre o riesgo
Una de las situaciones que ms dificultad lleva a la hora de tomar una decisin es
aquella en la que las consecuencias de las decisiones no pueden ser controladas, sino
que estn sujetas a la aleatoriedad; esta aleatoriedad puede provenir, tanto porque el
proceso pueda estar gobernado por el azar, como por una falta de informacin que nos
impida determinar con exactitud cules son esas consecuencias.
El contexto en que nos encontramos por lo tanto, es aqul en que el decisor ha de
tomar una decisin ante una situacin con diversos estados gobernados por el azar.
Los elementos que intervienen en un proceso de decisin de estas caractersticas son
E1 E2 Em
p1 p2 pm
A1 X 11 X 12 X 1m
A2 X 21 X 22 X 2m
An X n1 X n2 X nm
28/09/2009
MODELOS OPERATIVOS DE GESTIN
La mayor dificultad en este contexto es cmo valorar una decisin o alternativa para
poder compararla con otras. As se presentan distintos criterios para valorar las
alternativas y, segn sea el criterio adoptado, decidir cul es la decisin ptima.
Los criterios se clasifican segn utilicen las probabilidades de los distintos estados o
no. Los primeros est claro que slo pueden ser utilizados cuando estas probabilidades
son conocidas, mientras que los segundos pueden ser aplicados en cualquier caso.
Criterios utilizando las probabilidades de los estados de la naturaleza.
Criterio de lo ms probable
Este criterio supone elegir la alternativa con mejor valor para el estado ms
probable, es decir, visto cul es el estado ms probable elegir la alternativa con
mejor valor en ese estado.
Este criterio se suele utilizar ms cuando el proceso de decisin no es iterativo,
es decir, se lleva a cabo una nica vez.
28/09/2009 91
(espacio de estados infinito). Si las consecuencias son proporcionales al estado,
este criterio es equivalente al del valor esperado. No es un criterio muy
aconsejable, pues, el escenario medio puede distar mucho de los escenarios
reales, aunque en ocasiones se utilice para simplificar el procedimiento.
Criterio optimista
Es el criterio justamente opuesto al anterior, para cada alternativa se supone que
pasar lo mejor, y se elige la que d mejor valor. Este criterio apenas es utilizado
ya que no tiene en cuenta en ningn momento los riesgos que se corren al tomar
una decisin.
Criterio de Hurwicz
28/09/2009
MODELOS OPERATIVOS DE GESTIN
E1 = 1 E2 = 2 E3 = 3 E4 = 4
28/09/2009 93
A4 = 4 -1500 1000 3500 6000
Las esperanzas de ganancia son las siguientes: para A1 1500, para A2 2750, para A3
3250 y para A4 2750. Con lo que la decisin ptima es producir 3 artculos.
Criterio de lo ms probable
Criterio de Wald.
Los mnimos para cada decisin son 1500, 500, -500 y 1500, respectivamente,
luego, la alternativa preferida sera producir 1 artculo.
Criterio optimista.
En este caso los mximos son 1500, 3000, 4500, -1500, y por lo tanto, se elegira
producir 4 artculos.
Criterio de Hurwicz
Criterio de Savage
El primer paso es construir la matriz de penalizaciones o costes de oportunidad. La
matriz la formamos por columnas, obteniendo el mximo de la columna y restndole
a este valor el pago de cada alternativa. As la matriz obtenida es:
28/09/2009
MODELOS OPERATIVOS DE GESTIN
28/09/2009 95
decisiones posteriores. Esta situacin es absolutamente anloga a la de la programacin
estocstica, y en particular, a la de la programacin dinmica estocstica.
Para representan la aleatoriedad por etapas se suele utilizar los denominados rboles
de escenarios. Sin embargo, para nuestro contexto no es suficiente representar la
aleatoriedad, ya que las decisiones tomadas en el proceso condicionan lo que puede o no
darse posteriormente, representndose en un rbol de decisin la secuencia de
aleatoriedad y decisiones que conforman el proceso. Esta representacin es apropiada
cuando tanto el espacio de estados como el de las decisiones es discreto.
Para representar grficamente en un rbol de decisin el proceso se utilizan los
siguientes elementos y notacin:
Vrtice de azar: son vrtices que representan puntos en los que la naturaleza
elige un estado. De estos vrtices salen tantos arcos como estados de la
naturaleza posibles hay en ese punto, y se representan mediante un crculo.
Vrtice de decisin: son vrtices que representan puntos en los que hay que
tomar una decisin. De ellos salen tantos arcos como alternativas posibles hay en
ese punto, y se representan mediante un cuadrado.
Vrtice inicial o raiz: es la raz del rbol, de donde salen tantos arcos como
decisiones iniciales hay, ya que en un proceso de estas caractersticas lo primero
es tomar una decisin.
Vrtice terminal u hoja: son los vrtices finales de una rama que es sucesin de
estados y decisiones. Se les asigna el coste o beneficio (segn sea la funcin
objetivo a evaluar) del camino seguido para llegar a l, y se representan por un
tringulo.
El rbol se construye de la raz a las hojas, mostrando el proceso secuencial que es
seguido. Una vez acabado se valora de las hojas a la raz de la siguiente forma:
Nodos de azar: se valoran con alguno de los criterios mostrados para valorar
decisiones, en general, suele ser el del valor medio, pero, no tiene por qu ser
as.
28/09/2009
MODELOS OPERATIVOS DE GESTIN
D2
Buen tiempo
0'7 D.Alta 0'3 65.000
A'2 95.000
A1 P. Pequeo D.Media 0'5
permiso
D.Baja 0'2 -10.000
D1 Mal tiempo
0'3 -40.000
No permiso 0
Nodo A2: habr que valorarlo segn alguno de los criterios vistos, por ejemplo si
utilizamos el del valor medio se valorar con 59.000, si fuera el de Wald con
28/09/2009 97
40.000. En cualquier caso hay que definir uno de ellos para todos los nodos, as
que lo desarrollaremos segn el criterio del valor medio.
Nodo A2: puesto que se ha decidido hacerlo segn el criterio del valor medio,
ser 65.000.
Nodo D2: al ser un nodo de decisin se valora con el mejor valor de los nodos
conectados a l, es decir, el mejor de A2 y A2, con 65.000
Nodo A1: es un nodo de azar, luego se valora por el criterio adoptado con la
media del nodo 45.500.
Nodo D1: es un nodo de decisin en el que se elige entre 45.500 y 0, con lo que
resulta valorado 3n 45.500. Adems es el nodo inicial, con lo que ya se ha
valorado todo el rbol.
As la poltica ptima resulta ser pedir el permiso en Enero, y si hace buen tiempo ir
con pedido pequeo. Esta poltica ptima nos da una ganancia esperada de 45.500
euros.
En bastantes situaciones es posible incorporar informacin al rbol de decisin de
manera parcial. Para llevar a cabo esta incorporacin ha de utilizarse el anlisis
bayesiano. Este anlisis modifica las probabilidades de los escenarios en funcin de la
nueva informacin de que se dispone.
El anlisis bayesiano se fundamenta en los dos resultados de probabilidad ms
utilizados en el clculo de probabilidades condicionadas: el teorema de Bayes y el
teorema de la probabilidad total.
El teorema de la probabilidad total permite calcular la probabilidad de un suceso a
partir de las probabilidades de este suceso condicionadas a otros sucesos que formen un
sistema completo, es decir, cuya unin sea todo el espacio muestral y sean disjuntos.
As si { B1 ,..., Bn } son tales que Bi = y Bi B j = i j , para cualquier suceso
(no necesariamente sobre el mismo espacio) se tiene
P ( A) = P( A / Bi ) P( Bi )
i
28/09/2009
MODELOS OPERATIVOS DE GESTIN
P( A / B) P( B)
P( B / A) =
P( A)
Supngase que en el ejemplo anterior, el vendedor dado la suma tan alta que est en
juego busca desesperadamente alguien que pueda darle informacin adicional en Enero
acerca de lo que va a ocurrir con el clima en septiembre. Al fin encuentra a un experto
meteorlogo que le dice que l puede hacer una prediccin por 10.000 euros de nada, y
que ya lo ha hecho ms veces con los siguientes resultados:
- cuando hizo bueno acert 3 de cada 5 veces
- cuando hizo malo acert 2 de cada 5 veces.
Al vendedor entonces se le presenta una decisin previa a decidir si va a pedir el
permiso que es si consultar al experto. As ahora el nodo inicial es otro del que salen
dos arcos, uno que es consultar al experto y otro que es no hacerlo. En el caso de que no
le consulte todo se mantiene igual exactamente que antes, con lo que el nodo que sale de
ah ya estara valorado: 45.500. Quedara por valorar el otro nodo, pero hay que tener en
cuenta que tras la consulta viene un nodo de azar acerca del resultado de la consulta, y
que adems segn sea este resultado modifica las posteriores probabilidades de
ocurrencia de buen tiempo y mal tiempo (todo ello findonos de lo que dice el experto,
claro est).
As, primero necesitamos obtener las probabilidades de lo que dir el experto.
Empecemos por recopilar y denotar la informacin disponible. Llamaremos B al
suceso hace buen tiempo en septiembre y M al suceso hace mal tiempo. Llamaremos
DB al suceso el experto dice que va a hacer buen tiempo, y DM al suceso el experto
dice que va a hacer mal tiempo.
28/09/2009 99
Este ltimo valor poda haberse obtenido directamente por complementariedad.
Estas sern las probabilidades de los arcos que salen del nodo del experto, pero
segn sea una u otra afectar a las probabilidades que habr que poner en los arcos
posteriores cuando se llegue al nodo de la previsin meteorolgica de septiembre, ya
que las probabilidades han de ser probabilidades condicionadas a los valores que la
aleatoriedad haya tomado previamente. As en los arcos posteriores al que dice que el
experto dice que har bueno, las probabilidades que hay que situar son P( B / DB) y
P ( M / DB) , mientras que en las que derivan del estado dice el experto que har malo
sern condicionadas al suceso DM . Por lo tanto, hay que calcular estas probabilidades
condicionadas ya que no las tenemos y para ello se utiliza el teorema de Bayes:
P( DB / B ) P ( B ) 0.6 0.7
P ( B / DB) = = = 0.7
P( DB) 0.6
P( DB / M ) P( M ) 0.6 0.3
P ( M / DB) = = = 0.3
P( DB) 0.6
P( DM / B) P ( B ) 0.4 0.7
P ( B / DM ) = = = 0.7
P( DM ) 0.4
P( DM / M ) P( M ) 0.4 0.3
P ( M / DM ) = = = 0.3
P( DM ) 0.4
Estas probabilidades son las que habra que poner entonces en las ramas
correspondientes y valorar de nuevo toda esta parte del rbol. Sin embargo, en este caso
no es necesario, ya que resulta evidente que las probabilidades de que haga buen o mal
tiempo no se ven afectadas por lo que diga el experto, de modo que ste no es ms que
un embaucador que pretende engaar al vendedor y aprovecharse de su buena fe. Suerte
que nuestro vendedor sabe de clculo de probabilidades y de teora de la decisin.
28/09/2009
MODELOS OPERATIVOS DE GESTIN
1/4 500
3/4 0
28/09/2009 101
que se recibe con probabilidad qi el valor ms favorable de la lotera de referencia y
con probabilidad 1 qi el resultado menos favorable.
La funcin de utilidad sera la funcin que especifica todos los pagos de la lotera, y
la utilidad esperada de una lotera sera p u (r ) . As pues, las alternativas de un
i
i i
problema de decisin se pueden ver como loteras, ya que se tienen unos pagos con
ciertas probabilidades cuando es decisin bajo riesgo.
Dadas estas definiciones, se pueden mostrar los axiomas que Von Neumann y
Morgestern establecieron para que una relacin de preferencia/indiferencia pueda
definir una funcin de utilidad.
De continuidad
De independencia
De probabilidad desigual
De probabilidad desigual
Dada una lotera compuesta existe una equivalente simple. Por ejemplo, son
equivalentes las siguientes dos loteras:
0.3 10 0.15 10
0.5
0.7 -5
0.5 -5 0.85 -5
28/09/2009
MODELOS OPERATIVOS DE GESTIN
Por ltimo, restara saber como estimar la funcin de utilidad de un individuo. Para
ello, se propone ir comparando loteras, de modo que en unas se obtenga un valor
seguro y en otras ciertos valores con determinadas probabilidades, o viceversa. Por
ejemplo, se parte de u (min( x)) = 0 y u (max( x)) = 1 . A continuacin, para saber qu
valor tendr utilidad , se pide que el individuo diga cul es la cantidad en que para l
es indiferente recibir esa cantidad con seguridad frente a jugar una lotera en que puede
obtener el mximo con probabilidad y el mnimo con probabilidad tambin (es
decir, sera la lotera (1/ 2, max( x);1/ 2, min( x )) ). A continuacin, hacer lo mismo con el
de (pero utilizando en la lotera de comparacin en lugar de el mximo el valor
obtenido antes de utilidad ), con el de ,... y as sucesivamente, hasta describir la
funcin de utilidad.
Una funcin de utilidad de un individuo ha de representar la conducta ante el riesgo
de este individuo. Para ello, se define el equivalente de certeza de una lotera (CE(L))
como el valor en que es indiferente ese valor seguro a la lotera L, y ventaja de riesgo
(RP(L)) a la diferencia entre el valor esperado de la lotera y su equivalente de certeza,
es decir, E[L] CE(L). Segn sea el signo de este valor supondr que hay preferencia
por el riesgo o por el contrario aversin al riesgo. Ms concretamente, se puede resumir
en los siguientes tres tipos de actitud ante el riesgo:
Contrario a los riesgos o aversin al riesgo: RP(L) > 0 (la funcin de utilidad sera
cncava)
Neutral frente a riesgos: RP(L) = 0 (la funcin de utilidad sera una lnea recta)
Preferencia por el riesgo: RP(L) < 0 (la funcin de utilidad sera convexa)
Una grfica de una posible funcin de utilidad es la que se tiene a continuacin. Las
zonas cncavas (en la grfica las extremas) suponen zonas de aversin al riesgo ya que
28/09/2009 103
dados dos puntos la cuerda que los une, que representara la neutralidad queda por
debajo, lo que supone valorar ms la cantidad que su propio valor. Sin embargo las
zonas convexas representan preferencia por el riesgo ya que valoran por debajo las
cantidades.
U tilid a d
V a lo r re a l
Es muy habitual aplicar todos los conceptos de decisin vistos previamente con
utilidades ms que con las cantidades reales para reflejar claramente el carcter del
decisor.
Se puede decir que un problema general de decisin consiste en elegir lo mejor entre
lo posible. Esta definicin, como ya se ha visto, implica definir qu es lo mejor y qu es
lo posible.
Respecto a lo posible, se trata de establecer las alternativas o puntos factibles
existentes. El conjunto puede ser discreto o continuo. En general, se considera discreto
y se aplica la metodologa apropiada cuando es factible enumerar y tratar explcitamente
cada uno de las alternativas posibles. En el caso continuo o caso discreto donde no
viene explcitamente definido el conjunto de alternativas es cuando se habla de conjunto
o regin factible. Este conjunto o regin factible, a su vez, puede venir definido de
forma rgida mediante restricciones o de forma ms flexible mediante lo que se conoce
como niveles de aspiracin.
Respecto a lo mejor, se puede definir segn un nico criterio o segn varios
criterios. Los problemas de decisin con un nico criterio y conjunto factible continuo
(entendiendo por ste la extensin a conjuntos discretos no definidos explcitamente)
28/09/2009
MODELOS OPERATIVOS DE GESTIN
9
No tiene sentido sin aleatoriedad, ya que si el conjunto est definido explcitamente y no hay
aleatoriedad, basta una exploracin de las alternativas para ver cul es la mejor.
28/09/2009 105
Meta: es la combinacin de un atributo con su nivel de aspiracin.
Criterio: son los atributos, objetivos o metas relevantes en un problema de decisin.
z2
Espacio de objetivos
Alternativas dominadas
z1
Sin embargo, en la mayora de las situaciones, el fin ltimo es dar una nica
solucin, no un conjunto de posibles soluciones. Se denomina solucin de mejor
compromiso a la solucin del conjunto eficiente que es seleccionada por el decisor.
A continuacin, vamos a ver diferentes mtodos usados en decisin multicriterio
continua. Bsicamente hay dos enfoques dentro de estos mtodos: los mtodos de
optimizacin multiobjetivo y los mtodos satisfacientes o programacin por metas.
28/09/2009
MODELOS OPERATIVOS DE GESTIN
Coste Calidad
donde m11 es el mnimo coste que se puede lograr con las restricciones impuestas en el
problema y m12 es la calidad para la composicin que da el mnimo coste; en la
siguiente fila sera al revs, es decir, m22 sera la mxima calidad que se puede lograr de
28/09/2009 107
la mezcla, y m21 sera el coste de esa mezcla. As, si el espacio de objetivos fuera el
siguiente, donde el conjunto eficiente est marcado en negrita,
3500 C
D
Coste
2000
E B
1000
A
2 C alid a d 9 11
Coste Calidad
Coste 1000 2
Calidad 3500 11
Por otra parte, las tasas de intercambio (trade-offs o costes de oportunidad) entre los
atributos representan lo que se est dispuesto a empeorar de un objetivo por mejorar en
una unidad otro objetivo. Seran las pendientes de los segmentos que forman el conjunto
eficiente. As, en el segmento AB la tasa de intercambio entre el coste y la calidad ser
2000 1000
TA ' B ' = = 142.86 , es decir, en ese segmento cada unidad ms de calidad
92
cuesta 142.86 unidades. Anlogamente, para el segmento BC la tasa ser
3500 2000
TB 'C ' = = 750 . Es decir, cada unidad ms de calidad cuesta 750 unidades
11 9
monetarias.
Son tcnicas de carcter mecnico, en las que no se incluyen las preferencias del
decisor. El fin para el que estn diseadas es la obtencin de todo el conjunto eficiente,
en general, tras aplicar mtodos de programacin paramtrica.
28/09/2009
MODELOS OPERATIVOS DE GESTIN
Uno de los resultados en que se fundamenta este mtodo dice que si i > 0 i ,
entonces cualquier solucin ptima del problema P( ) es eficiente. El recproco es
cierto slo bajo ciertas condiciones (por ejemplo, si todas las funciones objetivo y las
restricciones son lineales).
En cualquier caso, hay que tener en cuenta que para aplicar este mtodo (y no slo
ste) es conveniente haber normalizado previamente los criterios (para que no influya la
diferencia de unidades de los criterios).
max zl ( x)
xF Pl ( )
zk ( x ) k k = 1,..., l 1, l + 1,..., p
28/09/2009 109
Mtodo simplex multiobjetivo [Zeleny, 1973]
Este mtodo slo es aplicable para objetivos y restricciones lineales. Se trata de una
extensin del mtodo simplex que evala en cada iteracin la eficiencia de las
soluciones bsicas obtenidas (puntos extremos), obteniendo as todos los puntos
extremos eficientes. El conjunto eficiente sern todas las combinaciones lineales
convexas de puntos extremos eficientes que sean adyacentes.
punto ancla.
Se define la solucin ptima o mejor solucin compromiso, como la solucin
eficiente ms prxima al punto ideal (axioma de [Zeleny, 1973]).
La cuestin ahora es definir una distancia que ha de ser minimizada sobre el
conjunto eficiente. Para ello se define el grado de proximidad del objetivo i-simo
zi* zi ( x)
normalizado como di ( x) = , siendo z*i el antiideal del objetivo, es decir, el
zi* z*i
peor valor posible para el objetivo sobre el conjunto eficiente.
Estos grados de proximidad son agregados para definir una mtrica:
1/
p
zi zi ( x )
*
min L = wi *
xF
i =1 zi z*i
donde el conjunto de los pesos wi suponen una ponderacin preferencial de los criterios
(ponderacin subjetiva dada por el decisor, este sistema de ponderacin se puede
intentar obtener del decisor por varios mtodos descritos en la literatura, como son el
mtodo de ordenacin, el mtodo de Saaty, ...).
28/09/2009
MODELOS OPERATIVOS DE GESTIN
Sin embargo, dado que son niveles de aspiracin, una restriccin meta, en general,
no puede ser incluida como una restriccin rgida en el problema, ya que soluciones que
no logren ese nivel de aspiracin tambin son soluciones admisibles. As, una
restriccin meta se formula utilizando variables de desviacin: zi ( x) + ni pi = zi . De
estas variables, una de ellas es una variable no deseada: si la meta es al menos un
28/09/2009 111
valor, la variable no deseada ser ni , y si es del tipo a lo sumo, la variable de
desviacin no deseada ser pi .
Este procedimiento se puede aplicar tambin a las restricciones del problema para
relajarlas, admitiendo soluciones cercanas a la regin factible (el mismo concepto se
ha aplicado en lgica difusa para resolver problemas de programacin lineal).
La programacin por metas aplicada en la realidad muestra que se estn obteniendo
valiosos resultados, siendo una de las tcnicas de decisin multicriterio que est
proporcionando mejores resultados. Sin embargo, no est exenta de detractores que
critican aparentes debilidades del modelo que se presentarn ms adelante.
Algunas variantes de este mtodo se han desarrollado con gran xito y se exponen a
continuacin.
zi ( x) + ni pi = z i = 1,..., p
xF
ni 0, pi 0 i = 1,..., p
La idea bsica es ponderar las variables de desviacin, ya que pueden tener diferente
relevancia las metas o diferentes unidades si no han sido previamente normalizados los
criterios.
Los distintos criterios, en general, vendrn dados en distintas unidades, as que la
funcin objetivo estara agregando valores de distintas unidades. Una primera medida,
muy deseable, es ponderar las desviaciones dividiendo por el nivel de aspiracin, con lo
que seran desviaciones porcentuales que no tienen unidades y que corrigen el efecto de
las distintas magnitudes de stas.
28/09/2009
MODELOS OPERATIVOS DE GESTIN
Para resolver el problema, se resolvera primero con las dos primeras metas.
Obtenidos los valores de las variables de desviacin no deseadas para stas, se fijan y se
resuelve el problema para la tercera meta (segundo nivel de prioridad). Una vez
resuelto, se fija el valor de la variable no deseada tambin para esta meta, y se resuelve
el tercer nivel incluyendo las tres ltimas metas.
28/09/2009 113
2.2.4.2 Temas crticos en programacin por metas
28/09/2009
MODELOS OPERATIVOS DE GESTIN
nivel de prioridad. As es comn ver que se plantea una funcin objetivo como
en el procedimiento de metas ponderadas donde se multiplica cada variable de
desviacin por un peso asignado a su nivel de prioridad (as para el primer nivel
el peso es mucho mayor que para el segundo, etc.). En general, este
planteamiento, adems de ser lgicamente incorrecto, puede llevar a obtener
soluciones que difieran mucho de las que se obtendran con el modelo
lexicogrfico, y por lo tanto, si se intenta razonar sobre ellas como si fueran
soluciones del modelo lexicogrfico, a conclusiones claramente incorrectas.
28/09/2009 115
5. Incompatibilidad entre ordenaciones lexicogrficas y la existencia de una
funcin de utilidad
Una de las crticas ms fuertes al modelo lexicogrfico ha sido su
incompatibilidad con una funcin de utilidad del decisor. Esta incompatibilidad
demostrada, que aqu no se niega, se deriva de la incompatibilidad con uno de
los axiomas que se atribuye a una funcin de utilidad. Los axiomas que se
supone que deben ser cumplidos por una funcin de utilidad son comparabilidad,
reflexividad, transitividad y continuidad. De ellos, el que resulta incompatible
con las ordenaciones lexicogrficas es el de la continuidad. Segn este axioma,
los conjuntos de nivel de la funcin de utilidad son superficies continuas, es
decir, dada una combinacin de dos elecciones posibles de un decisor, siempre
se podr reducir la cantidad de una eleccin encontrando un incremento de la
otra eleccin que compense exactamente la reduccin. Es fcil comprobar que
en las metas lexicogrficas los conjuntos de nivel o superficies de indiferencia
estn formadas por un nico punto (ver estos conjuntos como interseccin del
conjunto mejor y el peor respecto a un punto), por lo tanto, no es posible obtener
el mismo valor con dos puntos distintos, lo que supone que no se cumple el
axioma. Sin embargo, la continuidad de las preferencias dista mucho de ser un
hecho, ni tan siquiera una hiptesis corroborada de forma emprica. Es tan slo
una hiptesis necesaria para axiomatizar la teora neoclsica del consumo y
asegurar la existencia de un equilibrio competitivo. Es ms, hay situaciones en
las que suponer vlido este axioma puede ser un disparate; por ejemplo,
supngase un problema de planificacin forestal donde se tienen en cuenta
varios criterios, por ejemplo, uno econmico que fuera la produccin de madera
y otro que fuera un ndice que mida el riesgo de colapso ecolgico del bosque.
En este caso el supuesto de continuidad dira que siempre existe un incremento
en el volumen de madera producida que compense un incremento del riesgo de
colapso del bosque, por alto que ste sea, lo que puede ser un autntico
disparate. Es obvio, que en este caso y en otros muchos, las preferencias no son
continuas y por lo tanto no existe una funcin de utilidad para representarlas. Es
decir, no es absolutamente necesario aceptar la continuidad de las preferencias
para poder representar el problema de decisin.
28/09/2009
MODELOS OPERATIVOS DE GESTIN
Z1
f2
Z2
Z
f1
28/09/2009 117
De aqu se deriva un procedimiento para resolver modelos de programacin por
metas si se desea que adems la solucin sea eficiente:
1. Resolver el modelo de metas inicial. Si no hay ptimos alternativos la
solucin es eficiente, en otro caso ir al paso 2.
2. Si se desea una nica solucin eficiente ir a 3, si se desea explorar un
conjunto de soluciones eficientes ir a 4.
3. Maximizar la suma de las variables desviacionales opuestas sin empeorar los
valores alcanzados. La solucin ser eficiente
4. Transformar el modelo de metas en uno multiobjetivo con el procedimiento
de Hannan para obtener todos los puntos eficientes del correspondiente
modelo de metas.
28/09/2009
MODELOS OPERATIVOS DE GESTIN
Este mtodo fue introducido por Saaty en 1977, y tuvo un gran impacto terico y
aplicado. Este mtodo considera el problema dividido en 3 niveles o jerarquas:
Nivel 1: Propsito del problema
Nivel 2: Criterios
Nivel 3: Alternativas
Por ejemplo, si el problema es elegir el trazado de una carretera con tres posibles
alternativas A, B, C, evaluadas por su coste, impacto medioambiental y tiempo de
ejecucin, los tres niveles seran:
Nivel 1: trazado de una carretera
Nivel 2: Coste, Impacto medioambiental, tiempo ejecucin
Nivel 3: A, B, C
Una vez conceptualizada la estructura jerrquica del problema, se establece una
fuerte interaccin con el decisor en cada uno de los niveles para que emita su juicio de
valor o preferencias. Esto supone hacer comparaciones por parejas de criterios y
alternativas:
28/09/2009 119
Nivel 2:
La interaccin con el decisor consiste en comparar por parejas los criterios. El
procedimiento es el que se describi de Saaty en el punto 1 del mtodo Electre:
construye una matriz de comparacin de criterios asignando un 1 si ambos son de la
misma importancia, un 3 si hay una moderada importancia de un criterio respecto a
otro, un 7 si hay una demostrada importancia y un 9 si hay extrema importancia.
Con ello se forma una matriz cuadrada aij que valora la importancia del criterio i
respecto al j. Si la importancia de un criterio respecto a otro es aij , a la inversa ser
1/ aij . Obtenida esta matriz, se busca un vector de pesos para los criterios que sea
Wi
solucin del sistema = aij , o lo que es lo mismo, Wi aijW j = 0 con la condicin
Wj
aadida de que sumen 1 para evitar la solucin trivial de todos los pesos iguales a 0.
Lamentablemente, ese sistema no suele tener solucin dadas las normales
inconsistencias del decisor y hay que buscar los que ms se aproximen, por ejemplo
mediante la programacin por metas.
En el ejemplo del trazado de la autopista, supngase que el centro decisor ha
emitido sus juicios de valor obteniendo la siguiente matriz de comparaciones
Coste 1 2 5
A partir de esta matriz se buscan los pesos preferenciales de los criterios resolviendo
el siguiente problema donde se han introducido las variables de desviacin para
resolverlo:
28/09/2009
MODELOS OPERATIVOS DE GESTIN
3
min (ni + pi )
i =1
w1 2 w2 + n1 p1 = 0
w1 5w3 + n2 p2 = 0
w2 3w3 + n3 p3 = 0
w1 + w2 + w3 = 1
La solucin obtenida es ( w1 , w2 , w3 ) = (.588,.294,.118) , siendo las variables de
desviaciones n1 = p1 = p2 = n2 = p3 = 0, n3 = 0.06 .
Nivel 3:
La interaccin con el decisor en este nivel supone que el decisor emita sus
juicios de valor cuando se comparan las alternativas por parejas para un
determinado criterio. De esta forma se obtiene una tabla de comparaciones de
alternativas para cada criterio. Estas comparaciones se valoran igual que en el
caso anterior. Supongamos que para el ejemplo, se han obtenido las siguientes
tres tablas:
A B C A B C A B C
A 1 6 3 . A 1 1/9 1/5 . A 1
B 1/6 1 B 9 1 2 B 2 1
C 1/3 2 1 C 5 1 C 4 2 1
Coste
Imp. Medioamb. Tiempo ejecuc.
28/09/2009 121
C 0.222 0.310 0.571
Por ltimo, se obtienen los pesos globales de las alternativas para ambos niveles
jerrquicos mediante una agregacin multiplicativa, es decir, para cada alternativa se
suman los productos de los pesos de sta por el peso del criterio correspondiente. As,
para la alternativa A se obtendra 0.667x0.588+0.069x0.294+0.143x0.118=0.429. De
esta forma se obtienen los pesos globales 0.429 para A, 0.282 para B y 0.289 para C. De
este modo se obtiene una ordenacin de las alternativas, resultando la A la preferida.
28/09/2009
MODELOS OPERATIVOS DE GESTIN
transitividad, es decir, una alternativa puede sobreclasificar a otra y sta a una tercera, y
sin embargo, la primera no sobreclasificar a la tercera. Esta falta de transitividad se
presenta como una ventaja ya que las razones por las que un centro decisor puede
preferir la primera alternativa a la segunda y las que llevan a preferir la segunda a la
tercera pueden ser muy diferentes y no llevar a que la primera sea preferida a la tercera.
El mtodo Electre puede recogerse en el siguiente algoritmo.
Algoritmo Electre
1.- Formar la matriz decisional (Ei,Aj), es decir, una matriz donde las filas son las
posibles elecciones y las columnas los atributos, siendo el valor de un elemento de
la matriz el valor de ese atributo para esa eleccin.
Dar un vector de pesos preferencial de los atributos W, es decir, dar un vector que
ordene la importancia de los criterios. La forma ms sencilla de obtenerlo es pedirle
al decisor que clasifique los criterios por orden de importancia, de modo que si hay
n criterios, al ms importante le asigne el valor 1 y al menos importante el valor n ;
a continuacin, con el fin de que la suma de los pesos sea 1 se le asigna al criterio en
1/ rj n rj + 1
posicin j-sima el peso W j = n
o el peso W j = n
. El problema de
r
i =1
i (n r + 1)
i =1
i
28/09/2009 123
Aunque no puede hablarse de cul es el mejor mtodo para estimar pesos
preferenciales, siempre que la situacin lo permita parecen tener ms solidez los
mtodos propuestos por Saaty que los anteriores.
2.- Clculo de la matriz de ndices de concordancia, c(i,k):
c(i,k) = suma de los pesos de los atributos en que Ei es mejor que Ek
(en caso de empate en un atributo se suma la mitad del peso)
3.- Normalizacin de la matriz decisional: consiste en normalizar los criterios para
evitar el posible efecto de trabajar con distintas unidades. Hay varios mtodos para
la normalizacin: dividir los valores por el mejor que haya en ese criterio, o dividir
por el rango o recorrido del criterio, o restar al mejor valor del criterio el de esa
alternativa y dividir despus por el rango (con este procedimiento los valores quedan
entre 0 y 1, siendo 0 el mejor y 1 el peor).
4.- Clculo de la matriz de decisin normalizada y ponderada: Multiplicar cada
columna (atributo) de la matriz de decisin por el peso preferencial correspondiente
a ese atributo.
5.- Clculo de la matriz de ndices de discordancia, d(i,k):
d(i,k) = diferencia mayor entre los criterios en que Ei es dominada por Ek dividida
entre la diferencia mayor en valor absoluto entre los valores de un criterio
cualquiera.
28/09/2009
MODELOS OPERATIVOS DE GESTIN
10.- Obtener el ncleo: se eliminan las alternativas que estn sobreclasificadas por
alguna otra, es decir, las que tienen al menos un 1 en su columna en la matriz de
dominancia agregada. Si se representa en un grafo en los nodos las alternativas y en
los arcos las sobreclasificaciones (el origen es la alternativa que sobreclasifica a otra
que es el destino), el ncleo ser nico si este grafo no tiene circuitos.
Coste 1 2 5
A partir de esta matriz se buscan los pesos preferenciales de los criterios resolviendo
el siguiente problema donde se han introducido las variables de desviacin para
resolverlo:
28/09/2009 125
3
min (ni + pi )
i =1
w1 2 w2 + n1 p1 = 0
w1 5w3 + n2 p2 = 0
w2 3w3 + n3 p3 = 0
w1 + w2 + w3 = 1
La solucin obtenida es ( w1 , w2 , w3 ) = (.588,.294,.118) , siendo las variables de
desviaciones n1 = p1 = p2 = n2 = p3 = 0, n3 = 0.06 .
A B C D E
A .71 .71 .71 .71
B .29 .88 .65 .71
C .29 .12 .71 .71
D .29 .35 .29 .71
E .29 .29 .29 .29
3.- Normalizacin de la matriz decisional: se selecciona que el rango sea 0 a 1, y que 0
sea siempre el peor valor.
4.- Clculo de la matriz de decisin normalizada y ponderada: Multiplicar cada
columna (atributo) de la matriz de decisin por el peso preferencial correspondiente
a ese atributo.
C. E. I.
A 0 .29 0
B .19 .19 .08
C .29 .24 .04
D .39 .10 .08
E .59 0 .12
5.- Clculo de la matriz de ndices de discordancia, d(i,k):
d(i,k) = diferencia mayor entre los criterios en que Ei es dominada por Ek dividida
entre la diferencia mayor en valor absoluto entre los valores de un criterio.
28/09/2009
MODELOS OPERATIVOS DE GESTIN
A B C D E
A 0.16 .08 .33 .5
B .33 .07 .16 .33
C .5 .16 .25 .42
D .66 .33 .16 .16
E 1 .66 .5 .33
A B C D E
A 1 1 1 1
B 0 1 0 1
C 0 0 1 1
D 0 0 0 1
E 0 0 0 0
8.- Calcular la matriz de dominancia discordante: poner un 1 si el ndice de
discordancia es menor que el umbral, un 0 si no.
A B C D E
A 1 1 0 0
B 0 1 1 0
C 0 1 0 0
D 0 0 1 1
E 0 0 0 0
9.- Calcular la matriz de dominancia agregada: multiplicar trminos homlogos de las
matrices de dominancia concordante y discordante.
28/09/2009 127
A B C D E
A 1 1 0 0
B 0 1 0 0
C 0 0 0 0
D 0 0 0 1
E 0 0 0 0
10.- Obtener el ncleo: es nico y est formado por las alternativas A y D. Segn el
grafo:
C
A
E D
2.3 Referencias
Benayoun, R., Roy, B., Sussman, B. Electre: Une Mthode pour Guider le Choix en
Prsence de Vue Multiples. Sema (Metra International), Direction Scientifique.
Note de travail, 49.
Charnes, A., Cooper, W.W (1961) Management Models and Industrial Applications of
Linear Programming. John Wiley and Sons.
Cournot, A. (1838) Recherches su le Principes Mathmatiques de la Thorie des
Richesses.
DeGroot, M.H. (1970) Optimal Statistical Decisions, McGraw Hill, New York
French, S. (1986) Decision Theory: An introduction to the mathematics of rationality,
Ellis Horwood, Chichester.
Hannan, E.L. (1980) Nondominance in Goal Programming. INFOR, Canadian Journal
of Operational Research and Information Processing 18
Ignizio, J. P. (1976) Goal Programming and Extensions. Lexington Books.
Lee, S. M. (1972) Goal Programming for Decision Analysis. Auerbach Publishers.
28/09/2009
MODELOS OPERATIVOS DE GESTIN
Keeney, R.L. and Raiffa, H. (1976) Decisions with Multiple Objectives: Preferences
and Value Trade-Offs. John Wiley and Sons.
Ros, S., M.J. Ros-Insa, S. Ros-Insa. (1989) Procesos de Decisin Multicriterio.
Eudema.
Romero, C. (1991) Handbook of Critical Issues in Goal Programming. Pergamon Press.
Romero, C. (1993) Teora de la Decisin Multicriterio: Conceptos, Tcnicas y
Aplicaciones. Alianza Universidad.
Saaty, T. L. (1977) A Scaling Method for Priorities in Hierarchical Structures. Journal
of Mathematical Psychology, 15, 234-281.
Saaty, T.L. (1980) The Analytic Hierarchy Process. McGraw Hill
Simon, H. A. (1955) A Behavioral Model of Rational Choice. Quarterly Journal of
Economics, 69, 99-118.
Yu, P.L. (1973) A Class of Solutions for Group Decision Problems. Management
Science, 19, 936-946.
Yu, P.L. (1985) Multiple criteria decision making: Concepts, techniques and
extensions. Plenum, New York.
Zadeh, L.A. (1963) Optimality and Non-Scalar-Valued Performance Criteria. IEEE
Transactions on Automatic Control, 8, 59-60.
Zeleny, M. (1973) Compromise Programming, in Multiple Criteria Decision Making
(Cochrane, J.L. and Zeleny, M. ed.). University of South Carolina Press, 262-301
Zeleny, M. (1974) A Concept of Compromise Solutions and the Method of the
Displaced Ideal. Computers and Operations Research, 1, 479-496.
Zeleny, M. (1982) Multiple criteria decision making. McGraw-Hill, New York.
PROBLEMA 1
El vendedor de peridicos Chema Pamundi vende en la esquina de la Avenida de
Roquetas y la Avenida de Aletas de la Frontera, y cada da debe determinar cuntos
peridicos pedir. Chema compra a 100 cntimos de euro cada peridico y lo vende a
125. Los peridicos que no vende al final del da no tienen valor. Chema sabe que cada
28/09/2009 129
da puede vender entre 6 y 10 peridicos, siendo igual cada probabilidad. Dar la
decisin ptima segn cada uno de los criterios.
PROBLEMA 2
Una compaa ha diseado un nuevo circuito integrado que le permitir entrar en el
mercado de los microordenadores si as lo desea. En otro caso, puede vender sus
derechos por 80 millones. Si elige construir ordenadores, la rentabilidad de este
proyecto depende de la habilidad de la compaa para comercializarlas durante el primer
ao. Tiene suficiente acceso a los distribuidores para asegurar la venta de 1000
ordenadores. Por otro lado, si tiene xito puede llegar a vender hasta 10000 mquinas.
La compaa piensa que ambas alternativas de venta son igualmente probables y que
cualquier otra puede ignorarse. El coste de instalar la lnea de produccin es de 60
millones. La diferencia entre el precio de venta y el coste de cada ordenador es de
60000 euros. Determinar segn los diferentes criterios cul es la decisin ptima.
Supngase ahora que se puede realizar un estudio de mercado a un coste de 40
millones para predecir cul de los dos niveles de demanda es ms probable que se d.
La experiencia indica que esta investigacin de mercado es correcta dos tercios de las
veces. Determinar la poltica ptima a seguir, segn el criterio del valor medio.
PROBLEMA 3
Colaco tiene en la actualidad activos de 15 millones de euros y desea decidir si
vende o no un refresco con sabor a chocolate, la Chocola. Colaco tiene tres opciones: 1)
Probar en forma local el mercado de Chocola y, a continuacin, usar los resultados del
estudio de mercado para decidir si vende la Chocola a nivel nacional o no. 2)
Directamente vender la Chocola a nivel nacional. 3) Decidir directamente no vender la
Chocola.
A falta de un estudio de mercado, Colaco cree que Chocola tiene un 55% de
posibilidades de xito nacional, y 45% de fracaso absoluto. Si es un xito nacional, el
beneficio ser de 30 millones y si es un fracaso, se perdern 10.
Si Colaco decide hacer el estudio previo a un coste de 3 millones, hay un 60% de
posibilidades de que sea un xito local y un 40% de fracaso local. Si obtiene xito local
hay un 85% de posibilidades de que Chocola sea xito nacional. Si se obtiene un fracaso
local hay slo un 10% de que Chocola sea xito nacional. Si Chocola es neutral respecto
28/09/2009
MODELOS OPERATIVOS DE GESTIN
PROBLEMA 4
Una compaa es duea de unos terrenos en los que puede haber petrleo. Un
gelogo consultor ha informado a la gerencia que piensa que existe una posibilidad de 1
entre 4 de encontrar petrleo. Debido a esta posibilidad, otra compaa petrolera ha
ofrecido comprar las tierras por 9 millones de euros. Sin embargo, la compaa est
considerando conservarla para perforar ella misma. Si encuentra petrleo, espera ganar
aproximadamente 70 millones, pero perder 10 si el pozo est seco.
1. Dar la decisin ptima segn los distintos criterios de decisin. Para el criterio de
Hurwicz determinar el grado de optimismo que separa cada una de las decisiones.
Cul daras como solucin si sabes que la empresa est operando con poco capital
y la prdida de 10 millones resulta importante?
2. A la empresa, se le ofrece una opcin anterior a tomar una decisin que consiste en
llevar a cabo una exploracin ssmica detallada en el rea para obtener una mejor
estimacin de la probabilidad de encontrar petrleo, y cuyo coste es de 3 millones.
Se sabe que ste sondeo cuando hay petrleo lo predice correctamente seis de cada
10 veces, mientras que si no lo hay, acierta 8 de cada 10.
Dar la poltica ptima de estas decisiones, y dar el beneficio esperado de esa
poltica.
3. Dado que hay problemas de capital, se observa que la prdida de 10 millones, y
otros 3 si se encarg el sondeo previo, puede resultar muy grave para la empresa.
Por ello se plantea la posibilidad de sustituir los beneficios/costes reales por
utilidades de stos. El dueo de la compaa da la siguiente tabla de utilidades:
28/09/2009 131
4. Antes de llevar a cabo la poltica de decisiones, la empresa es vendida a un
empresario con mayor aversin al riesgo que plantea una nueva tabla de utilidades:
PROBLEMA 5
La empresa HeladoSA desea lanzar un nuevo producto al que permita introducirle
en nuevos mercados. En la siguiente tabla se muestra los beneficios (o prdidas en su
caso) esperados de los tres productos candidatos dependiendo del impacto de la
campaa publicitaria.
Chocolight 25 10 15
Chocochufa 15 15 15
Chocodisco 20 10 -10
PROBLEMA 6
Hay un concurso de televisin que funciona como sigue: primero se me pregunta
algo acerca de Stupid Videos. Si contesto bien gano 10000 euros. Creo tener una
probabilidad de 0.8 de contestar bien esa pregunta. Si la contesto mal, se acab y no
gano nada. Si contesto bien me puedo quedar las 10000 euros o proseguir el juego y
contestar alguna pregunta de Stupid TV Shows. Si contesto bien gano otras 30000
28/09/2009
MODELOS OPERATIVOS DE GESTIN
euros, pero si contesto mal pierdo lo anterior. Creo poder responder bien con una
probabilidad de 0.6. Si la contesto bien, puedo irme con mi ganancia o proseguir y
responder a una pregunta de Estadstica. Si la contesto bien gano otras 50000 euros,
pero si contesto mal pierdo todo lo anterior. La probabilidad de acertar esta pregunta es
de 0.4. Cmo puedo maximizar mi ganancia esperada y cul es esta ganancia? Usar
resultados de decisin.
PROBLEMA 7
Una empresa de suministros, Sumis, S.A. desea analizar varias opciones de
expansin de la empresa, fundamentalmente asociadas a su proceso productivo. Por una
parte, tiene la opcin de mejorar el material que est utilizando haciendo una fuerte
inversin en investigacin sobre materiales, logrando un mayor beneficio unitario
posterior de los productos. Por otra parte, tiene la opcin de ampliar la capacidad de
produccin haciendo una ampliacin de la planta de produccin ya existente. Adems
tiene otra posibilidad para ampliar la capacidad que consiste en abrir una nueva planta
de produccin. El presupuesto disponible no le permite abordar varias estrategias de
expansin a la vez, de modo que ha de elegir una de las alternativas.
Por otra parte, las consecuencias derivadas de cada una de las decisiones son
distintas segn sea la coyuntura que rodee al momento de la expansin. As, pueden
darse distintos escenarios de demanda de los suministros en funcin fundamentalmente
de lo que una empresa competidora, Multi pueda hacer. La otra empresa puede
construir una nueva fbrica en el pas, construir una nueva fbrica fuera del pas, o no
aumentar su produccin.
Los beneficios que considera la empresa para cada una de sus opciones segn se den
las opciones de la otra empresa se recogen en la siguiente tabla, donde las filas
representan las opciones de la empresa Sumis, S.A. y los nmeros su beneficio.
Nuevo material 10 -1 10
Ampla planta 0 3 10
Nueva planta 5 -2 6
28/09/2009 133
Qu aconsejaras a la empresa Sumis, S.A. hacer si las estrategias de la otra
empresa son conocidas pero se desconoce absolutamente la valoracin que esta empresa
puede hacer de ellas, ya que adems opera en otros mercados? Cambiaras la opinin si
supieras que las probabilidades de que la otra empresa lleve a cabo cada una de sus
estrategias son de 0.1, 0.8 y 0.1, respectivamente? Justificar.
PROBLEMA 8
El gestor de las lneas de ferrocarril de un pas desea instalar un sistema de
seguridad en una nueva lnea frrea en construccin. Para ello ha recibido la oferta de 5
empresas. Cada una de las ofertas est compuesta por tres partes: la oferta tcnica, la
oferta econmica y el plan de desarrollo. Cada oferta es evaluada por expertos, y tras un
anlisis en que se considera que la oferta de la Empresa 5 no es viable, y s las del resto,
conceden una puntuacin en cada una de las tres partes.
Se asigna una puntuacin a cada parte y empresa, desestimando la mejor y la peor
de las puntuaciones obtenidas, y haciendo la media de las otras. A continuacin se
muestra la tabla de puntuaciones asignadas:
Empresa 1 10 4 8
Empresa 2 6 9 5
Empresa 3 8 6 7
Empresa 4 7 7 9
28/09/2009
MODELOS OPERATIVOS DE GESTIN
O. Tcnica 1 3 5
O. Econmica 1/3 1 3
PROBLEMA 9
La planificacin energtica se ha venido realizando tradicionalmente, en funcin de los
costes del productor. Sin embargo, la asignacin de recursos en base a este criterio no
siempre es eficiente, ya que existen otros costes asociados a las distintas opciones, que
no aparecen reflejados en el coste de generacin.
Este es el caso de los costes medioambientales. La generacin elctrica conlleva
unos impactos sobre el medio ambiente que, sin embargo, no son tenidos en cuenta a la
hora de asignar eficientemente los recursos, desde un punto de vista social. Esta
ineficiencia hace que la alteracin del medio se siga produciendo, a pesar de la cada vez
mayor sensibilizacin por parte de la opinin pblica, sin que las fuerzas del mercado
sean capaces de impedirlo.
Para evitar estas debilidades del mercado, es necesario introducir otros criterios para
la toma de decisiones econmicas. Una de las formas de hacerlo es la aplicacin de la
decisin multicriterio. Esta metodologa presenta la ventaja de que no es necesario
determinar un valor monetario para los impactos medioambientales. Su desventaja, sin
embargo, radica en que esta heterogeneidad hace necesario analizar cada caso por
separado, con la complejidad analtica que ello supone, lo que sera innecesario si todos
los costes estuvieran medidos en las mismas unidades.
En este caso se presenta una planificacin elctrica muy simplificada, ya que ha sido
necesario hacer supuestos, no siempre evidentes, para reducir la complejidad operativa.
Esta simplificacin se debe a que el objetivo buscado es simplemente mostrar cmo los
resultados de una planificacin elctrica tradicional pueden verse alterados si se
introducen otros criterios. La introduccin de los costes medioambientales se ha hecho a
28/09/2009 135
travs de una variable asociada, como las emisiones de CO2, ya que estas emisiones son
un aspecto medioambiental de gran relevancia en la actualidad.
Se supone una demanda elctrica anual de 150000 GWh, que puede ser satisfecha
mediante el empleo de las siguientes fuentes de energa: carbn, energa nuclear, gas
natural, energa elica, biomasa procedente de cultivos energticos, y energa hidrulica.
El coste de generacin, as como los costes medioambientales producidos deben ser
mnimos.
Las posibilidades de utilizacin de cada una de las opciones estn determinadas por
el potencial existente, o por condicionantes de otro tipo, que se detallan a continuacin:
- la energa nuclear est sujeta a una moratoria que impide la expansin de la potencia
instalada, con una produccin anual de 53000 GWh.
- respecto al gas natural, se supone una potencia mxima instalada de 1.835 MW,
establecida por el Plan Energtico Nacional. Suponiendo una utilizacin de 7.000 h
al ao, la produccin potencial sera de 12.845 GWh.
- el potencial de la energa elica en nuestro pas ha sido evaluado en unos 2.000
MW, que, para una utilizacin media de 2.500 h, producira un mximo de 5.000
GWh.
- los recursos de biomasa para produccin energtica han sido estimados en 22 Mtep,
que equivaldran a unos 40000 GWh de produccin elctrica.
- por ltimo, se supone un potencial hidrulico de 31.755 GWh.
Estos supuestos simplifican bastante la operacin del problema, aunque se ajustan
bastante a la realidad. En primer lugar, se considera que toda la demanda debe ser
satisfecha con estas opciones, sin tener en cuenta otras como el fuel-oil, la energa solar,
la cogeneracin, etc. En segundo lugar, la planificacin se va a realizar en base a la
produccin, no a la potencia instalada. Para ello se consideran unas horas de utilizacin
determinadas, lo que en lgica, debera venir definido por la posterior optimizacin de
los costes de generacin, ya que es a partir de sta cuando debe calcularse el tiempo de
funcionamiento, y no antes. En cualquier caso, es de esperar que los supuestos no
alteren demasiado el carcter ilustrativo de este ejercicio
Los costes de generacin que se van a utilizar son costes medios aproximados de la
generacin elctrica en Espaa, para una utilizacin normal durante el ao, segn la
planificacin tradicional. En la tabla 1, aparecen los costes de generacin, y emisiones
de CO2 para las opciones consideradas. Para poder referirlas a la produccin de
28/09/2009
MODELOS OPERATIVOS DE GESTIN
electricidad, ambos vienen establecidos con relacin al kWh generado. Hay que
recordar que algunos costes son simplemente estimaciones. El coste del carbn
corresponde al carbn importado.
Las tecnologas consideradas para estimar las emisiones son, para el carbn,
combustin con combustible pulverizado, para el gas natural, un ciclo combinado, y
para la biomasa, combustin en lecho fluidizado. En este ltimo caso, aunque hay
emisiones de CO2 en la combustin, las emisiones netas se consideran nulas debido a la
fijacin previa del CO2 por los cultivos energticos empleados para la produccin de
electricidad.
Por el criterio de Hurwicz, para < 0.8 se piden 6 peridicos y para > 0.8 se
piden 10 peridicos.
28/09/2009 137
Por el criterio del valor esperado, se elige construir con un beneficio esperado de
270 millones de euros.
Por el criterio de Wald, se venden los derechos.
Por el criterio de Savage, elige construir con una posible prdida de 80 millones.
Por el criterio de Hurwicz, para < 0.148 se venden los derechos y para > 0.148
se construyen ordenadores.
Si tiene la posibilidad de encargar el estudio, al fin decide no encargarlo e invertir
directamente, con el beneficio esperado de 270 millones.
Por el criterio de Hurwicz, para < 0.2375 vende los terrenos y para > 0.2375
decide perforar.
2. Decide hacer el sondeo previo y si resulta favorable perforar, y si no, vender,
esperando ganar 12.3 millones.
3. Decide seguir la misma estrategia, aunque ahora su utilidad es de 10.65.
El nuevo dueo, decide vender recibiendo los 9 millones.
28/09/2009
MODELOS OPERATIVOS DE GESTIN
28/09/2009 139
MODELOS OPERATIVOS DE GESTIN
3.1 Introduccin
Las tcnicas que vamos a ver en esta seccin se utilizan cuando se desea planificar
un proyecto con mltiples actividades, permitiendo no slo llevar a cabo la
programacin de las actividades que configuran el proyecto, sino adems detectar
cuellos de botella, estimar la probabilidad de cumplir los plazos de entrega establecidos,
evaluar el impacto en la planificacin de realizar cambios de programa, etc.
Se entiende por proyecto un conjunto de actividades interrelacionadas, cada una con
una duracin y unos recursos necesarios para llevarla a cabo. As el primer paso para
28/09/2009 141
planificar un proyecto es definirlo. Esto supone definir todas las actividades que
configuran el proyecto, sus relaciones de precedencia y sus requerimientos de tiempo y
recursos para llevarlas a cabo.
Estas condiciones configuraran las restricciones que la planificacin debe cumplir,
pero es necesario determinar cul es el objetivo de la planificacin. Se pueden plantear
distintos objetivos, siendo fundamentalmente dos: objetivos de tiempo y objetivos de
coste. Las tcnicas bsicas se plantean el objetivo de encontrar el tiempo mnimo en que
puede ser completado el proyecto, sin embargo veremos algunas variantes donde se
incluyen objetivos de coste o de asignacin de los recursos.
Para resolver el problema del tiempo mnimo en los aos 50 se desarrollaron dos
tcnicas que difieren en la consideracin de la duracin de las actividades, siendo una
para duraciones deterministas y otra para duraciones estocsticas. Estas tcnicas son:
28/09/2009
MODELOS OPERATIVOS DE GESTIN
En la red cada actividad se representa por un arco con orientacin la de progreso del
proyecto. La duracin de la actividad o su duracin media, segn el caso, determina la
longitud del arco.
Los nodos establecen las relaciones de precedencia, de modo que los arcos que
llegan a un nodo son las actividades que tienen que haber terminado para que puedan
comenzar aqullas que vienen representadas por arcos que salen de ese nodo. As pues
un nodo es identificado con un evento, entendindose por ste el fin de las tareas que
llegan a ese nodo o el inicio de las tareas que salen de ese nodo.
Como tales eventos que son considerados los nodos, en toda red deben existir un
nodo inicial y un nodo final que representan el inicio del proyecto y su finalizacin.
Despus de estas consideraciones se construye la red de actividades manteniendo
dos propiedades:
A C
A C
1 1 3 4
2 3
B
B
CORRECTO
INCORRECTO 2
28/09/2009 143
Otro caso donde tambin sera necesario introducir actividades ficticias es si dos
actividades tienen distintos predecesores pero al menos uno comn. Veamos el
siguiente ejemplo de proyecto y su red de actividades correspondiente.
Un determinado artculo est compuesto por dos productos ensamblados. Se desea
hacer la planificacin para saber cundo ser posible disponer del artculo ya terminado
habindose determinado que las actividades a realizar, sus precedencias y sus
duraciones son las que se recogen en la siguiente tabla:
A Capacitar trabajadores 6
D Fabricar producto 1 A, B 8
E Fabricar producto 2 A, C 7
F Probar producto 2 E 10
G Ensamblar productos 1 y 2 D, F 12
2
B 9 D 8
A 6 G 12
1 3 6 7
F 10
C 5 E 7
5
4
28/09/2009
MODELOS OPERATIVOS DE GESTIN
(tanto porque empezara ms tarde que el instante previsto como porque se alargara su
duracin) supone un retraso en el final del proyecto.
Una actividad no crtica, sin embargo, tendr holgura, pudiendo ser adelantada o
retrasada dentro de unos lmites sin afectar a la duracin total del proyecto.
Se denomina camino crtico a un camino en la red desde el inicio hasta el fin
formado por actividades crticas. Obsrvese que en una red puede haber ms de un
camino crtico.
El mtodo del camino crtico se lleva a cabo en dos pasadas, una hacia delante en la
red y otra hacia atrs. En la primera se determinan los instantes ms tempranos en que
pueden comenzarse las actividades y termina determinando la duracin total del
proyecto. En la segunda se calculan, yendo hacia atrs, los instantes ms tardos en que
pueden acabar las actividades. Una vez obtenidos estos valores es fcil determinar
cules son las actividades crticas.
Se usar la siguiente notacin:
Ti : instante ms tardo del nodo i (es el instante ms tardo en que pueden acabar
las actividades que llegan a ese nodo)
2. Elegir un nodo j tal que todos los nodos anteriores unidos directamente a l por un
arco ya hayan sido etiquetados ( p, q,..., v ). Etiquetar el nodo j con el mximo de
las etiquetas de estos nodos ms la longitud del arco que los une, es decir,
t j = max {t p + d pj , tq + d qj ,..., tv + d vj } .
28/09/2009 145
Fase hacia atrs (determinacin de instantes ms tardos):
2. Elegir un nodo j tal que todos los nodos posteriores unidos directamente a l por un
arco ya hayan sido etiquetados ( p, q,..., v ). Etiquetar el nodo j con el mnimo de
las etiquetas de estos nodos menos la longitud del arco que los une, es decir,
T j = min {Tp d jp , Tq d jq ,..., Tv d jv } .
3. Repetir el paso 2 hasta etiquetar el nodo inicial (que debe ser etiquetado con T0 = 0 ,
pues si no fuera as no sera correcto y se habra cometido algn error).
B 6 3 F 11
E 2 5 6
1 C 3 G 12
A 5 2 4 H 1
D 8
A 5
B 6
28/09/2009
MODELOS OPERATIVOS DE GESTIN
C A 3
D A 8
E B, C 2
F B, C 11
G D, E 12
H D 1
1. t1 = 0
2. t2 = t1 + d12 = 0 + 5 = 5
2. t4 = t2 + d 24 = 5 + 8 = 13
1. T6 = 25
2. T5 = T6 d56 = 25 12 = 13
28/09/2009 147
2. T1 = min {T3 d13 , T2 d12 } = min {11 6,5 5} = 0
t3 = 8
t1 = 0 T3 = 1 1
3 F 11
T1 = 0 B 6
E 2 t6 = 2 5
t5 = 1 3 5 6
1 G 12 T6 = 2 5
C 3 T5 = 1 3
A 5 H 1
t2 = 5 2 4 t4 = 1 3
D 8
T2 = 5 T4 = 1 3
Holgura total de la actividad (i, j ) , denotada por TFij : cantidad en que se puede
retrasar el inicio de la actividad (i, j ) ms all de su instante ms temprano posible
sin retrasar el proyecto (suponiendo que no se retrasan otras actividades). Su valor
viene dado por la expresin TFij = T j ti dij . Tambin se interpreta como lo que
puede ser incrementada la duracin de la actividad en esas condiciones.
Holgura libre de la actividad (i, j ) , denotada por FFij : cantidad en que se puede
retrasar el inicio de la actividad (i, j ) (o su duracin) ms all de su instante ms
temprano posible sin afectar al inicio de cualquier actividad posterior. Su valor
viene dado por FFij = t j ti d ij . Por definicin, se verifica FFij TFij .
28/09/2009
MODELOS OPERATIVOS DE GESTIN
Por lo tanto si para una actividad se cumple que FFij = TFij , entonces la actividad
puede ser programada en cualquier instante del intervalo de tiempo [ti , Ti ] sin afectar a
ninguna otra actividad. Si por el contrario se cumple que FFij < TFij , entonces cualquier
retraso superior a FFij afectar a todos los eventos y actividades posteriores, teniendo
que retrasar en la cantidad que exceda a la holgura libre el comienzo de todas las
actividades que salen del nodo j .
Act. no crticas Duracin dij Holgura total TFij Holgura libre FFij
B (1,3) 6 11 0 6 = 5 806=2
C (2,3) 3 11 5 3 = 3 853=0
E (3,5) 2 13 8 2 = 3 13 8 2 = 3
F (3,6) 11 25 8 11 = 6 25 8 11 = 6
H (4,6) 1 25 13 1 = 11 25 13 1 = 11
28/09/2009 149
retraso es menor o igual que 3 se podrn reprogramar las actividades sin alargar la
duracin del proyecto y si es superior necesariamente se acabar ms tarde el proyecto.
Para visualizar claramente la planificacin obtenida y las holguras de las actividades
se utiliza un formato grfico, denominado diagrama de Gantt. En este diagrama, el eje
X representa el tiempo y cada actividad se representa mediante una barra horizontal que
comienza en su instante ms temprano y de longitud la duracin. Las actividades
crticas se colocan arriba y las no crticas debajo. Adems, en ocasiones, se alarga la
barra aadiendo al final de la duracin la holgura libre y detrs la diferencia entre la
holgura total y la libre. Estos valores aadidos se representan con lneas de otro color.
Veamos el diagrama de Gantt para el ejemplo anterior.
A 5
D 8
G 12
B 6
C 3
E 2
F 11
H 1
5 10 15 20 25
D u ra c i n H o lg u ra lib re H o lg u ra to ta l
En este contexto la duracin de cada actividad, Dij , es una variable aleatoria con
esperanza E Dij y varianza V Dij y la duracin total del proyecto ser otra variable
28/09/2009
MODELOS OPERATIVOS DE GESTIN
El mtodo asume ciertas hiptesis que pueden ser muy discutidas. stas son:
Por otra parte, como la duracin total de un proyecto viene dada por la duracin de
un camino crtico cc , es decir, CP = (i , j )cc Dij , se tiene de forma inmediata que
Esta hiptesis, en principio arbitraria, viene justificada porque al ser una variable
que es suma de otras, aplicando el teorema central del lmite, su distribucin se
aproxima suficientemente por una distribucin normal. Por lo tanto, de las tres
hiptesis se concluye que la distribucin de la variable aleatoria CP es
N ( = (i , j )cc E Dij , 2 = ( i , j )cc V Dij ) .
28/09/2009 151
Por lo tanto, el procedimiento para obtener la distribucin de la duracin del
proyecto sera el siguiente:
PASO 1: Determinar las esperanza y varianza de todas las actividades del proyecto.
PASO 2: Encontrar el camino crtico utilizando las duraciones esperadas de las
actividades (en caso de haber ms de uno, se elige el de mayor varianza).
PASO 3: Obtener la varianza del camino crtico sumando las varianzas de las actividades
que formen el camino.
As, por ejemplo, si se obtiene una ruta crtica formada por cinco actividades (una de
ellas ficticia) cuyas esperanzas son 9, 0, 7, 10 y 12 y sus varianzas son 1.78, 0, 4, 0.44 y
1, la distribucin de la duracin del proyecto ser N(38,7.22). Con esta conclusin se
puede dar respuesta a preguntas como cul es la probabilidad de acabar el proyecto
antes de 35 das? Para responder, se calcula esta probabilidad por los mtodos clsicos,
siendo Z una variable con distribucin normal de media 0 y varianza 1:
CP 38 35 38
P (CP 35) = P( ) = P( Z 1.12) = 0.13
7.22 7.22
Otra posible pregunta sera, qu duracin debo decir para tener una probabilidad
del 97.5 % de acabar a tiempo? Si x es la incgnita, el planteamiento y la solucin sera
P (CP x) = 0.975
CP 38 x 38 x 38
P( ) = 0.975 P( Z ) = 0.975
7.22 7.22 7.22
x 38
= 1.96 x = 38 + 1.96 7.22 = 43.27
7.22
28/09/2009
MODELOS OPERATIVOS DE GESTIN
28/09/2009 153
4. La hiptesis de seguir una distribucin beta las duraciones de las actividades es,
probablemente, la hiptesis ms fcil de asumir. Por una parte, esta hiptesis no
siempre es necesaria, ya que si la esperanza y varianza de la distribucin es
conocida o estimada no es necesario hacerla. Realmente, slo es necesaria cuando
los datos que se conocen son el tiempo mnimo, el mximo y el ms probable, e
incluso en estos casos, la distribucin beta se presenta como la ms apropiada para
ajustar una distribucin de una variable que toma valores en un intervalo acotado, ya
que sus dos parmetros y su expresin la hacen muy flexible, pudiendo tomar
formas muy diversas.
28/09/2009
MODELOS OPERATIVOS DE GESTIN
mayor sea el plazo de entrega. Sin embargo, si la empresa realiza el proyecto y por
causas aleatorias acaba antes de la fecha prevista, pensar que ha dejado de ganar una
cierta suma de dinero, lo que se conoce como coste de rebaja. Cul ser la duracin
que establezca el mejor compromiso entre los costes de penalizacin y de rebaja?
Esta duracin ser la que minimice la suma del coste de rebaja ms el coste de
penalizacin. Sin embargo, esta minimizacin dado que las duraciones no son exactas
se puede plantear en dos contextos muy distintos:
28/09/2009 155
Sea f ( x) la funcin de densidad conocida de la distribucin de la duracin del
proyecto (en el mtodo PERT esta distribucin se asume como normal). Sea a su vez Z
la duracin establecida de antemano que se desea determinar como ptima para
minimizar la suma de los costes esperados de rebaja y penalizacin.
(Z x) f ( x)dx
Por otra parte, si la duracin real es posterior a la fecha establecida ( x > Z ), el coste
por penalizacin ser ( x Z ) y su coste esperado por lo tanto ser
( x Z ) f ( x)dx
Z
Para obtener el valor ptimo de Z basta con derivar respecto a esta variable e
igualar a 0. Aplicando la regla de Leibnitz (dado que en ambos casos la funcin dentro
de la integral es 0 en Z ) la ecuacin resultante es:
Z
f ( x)dx f ( x)dx = 0
Z
Reordenando trminos y dado que
f ( x)dx = 1 por ser funcin de densidad, el
Este valor en el caso de la normal puede ser buscado en las tablas o calculado por
algn programa estadstico. Para cualquier otra distribucin puede buscarse en sus
tablas, si est tabulada, o calculada directamente.
28/09/2009
MODELOS OPERATIVOS DE GESTIN
Escenarios 40 41 42 43 44 45 46 47 48 49 50
Decisiones
44 40 30 20 10 0 20 40 60 80 100 120
28/09/2009 157
45 50 40 30 20 10 0 20 40 60 80 100
46 60 50 40 30 20 10 0 20 40 60 80
47 70 60 50 40 30 20 10 0 20 40 60
48 80 70 60 50 40 30 20 10 0 20 40
49 90 80 70 60 50 40 30 20 10 0 20
50 100 90 80 70 60 50 40 30 20 10 0
Decisiones 40 41 42 43 44 45 46 47 48 49 50
200
Valor 180 160 140 120 100 80 70 80 90 100
A la vista de esta tabla, la decisin ptima sera dar una duracin prevista de 47
unidades de tiempo.
El criterio optimista no tendra sentido ya que en el mejor de los casos todas las
opciones tienen una penalizacin de 0.
Por ltimo, aplicar el criterio de Savage tampoco tiene sentido ya que es el mismo
de Wald, puesto que dado un escenario la solucin ptima para l tiene valor 0 y, por lo
tanto, los valores que aparecen en la tabla ya son de por s, penalizaciones o costes de
oportunidad, por lo que la tabla no cambia.
28/09/2009
MODELOS OPERATIVOS DE GESTIN
Las tareas tienen asociado un coste a su duracin, que vamos a suponer lineal, de
modo que cuanto menor sea esta duracin mayor ser su coste, es decir, la funcin de
coste es de la forma Bi + Ai di ( Ai 0 ) dentro de un intervalo Di , Di .
Bi c o s te
B i + Aid i
D u ra c i n d i
D i D i
Se supone adems que existe una duracin total de proyecto que no puede ser
superada T y el objetivo es obtener una planificacin de mnimo coste que cumpla las
precedencias establecidas y no supere el tiempo mximo de proyecto.
28/09/2009 159
min ( Bi + Ai di )
iI
xi + d i x j (i, j ) P
D i di D i i I
xi + di T i I
xi , di 0 i I
Este problema se plantea cuando, aun existiendo los recursos sin ser una restriccin,
stos son utilizados de forma desigual en el tiempo. El objetivo es nivelar o repartir el
uso de estos recursos en el tiempo de la forma ms equilibrada posible sin alargar la
duracin del proyecto, es decir, la duracin dada por el camino crtico.
Para abordar este problema, dada una programacin de un proyecto, lo primero es
hacer una representacin grfica y clara de la carga a lo largo del tiempo del recurso que
se est analizando. Para ello, en el grfico Gantt que representa el calendario del
proyecto se aade una fila final en la que se contabiliza esta carga por periodos (das,
por ejemplo) y a partir de esta fila se hace una representacin grfica en la que en el eje
de abcisas se representa el tiempo y en el eje de ordenadas la carga de trabajo.
Para ilustrar esta representacin, supongamos que en el ejemplo de la seccin 3.3 se
considera la mano de obra como un recurso que se desea que est nivelado y los
requerimientos de mano de obra de cada una de estas tareas son los que se recogen en la
siguiente tabla:
28/09/2009
MODELOS OPERATIVOS DE GESTIN
Tareas
A B C D E F G H
Mano de obra 5 5 5 5 10 10 5 5
A 5
D 8
G 12
B 6
C 3
E 2
F 11
H 1
5 10 15 20 25
Das 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Carga 10 10 10 10 10 15 10 10 25 25 15 15 15 20 15 15 15 15 15 5 5 5 5 5 5
28/09/2009 161
25
20
15
10
5 10 15 20 25
PASO 1:
28/09/2009
MODELOS OPERATIVOS DE GESTIN
Das 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Carga 10 10 10 10 10 15 10 10 25 25 15 15 15 20 15
Carga2 100 100 100 100 100 225 100 100 625 625 225 225 225 400 225
Das 16 17 18 19 20 21 22 23 24 25 SUMA
Carga 15 15 15 15 5 5 5 5 5 5
28/09/2009 163
Das 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Carga 10 10 10 10 10 15 10 10 15 25 15 15 15 20 15
Carga2 100 100 100 100 100 225 100 100 225 625 225 225 225 400 225
Das 16 17 18 19 20 21 22 23 24 25 SUMA
Carga 15 15 15 15 15 5 5 5 5 5
Das 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Carga 10 10 10 10 10 15 10 10 15 15 15 15 15 20 15
Carga2 100 100 100 100 100 225 100 100 225 225 225 225 225 400 225
Das 16 17 18 19 20 21 22 23 24 25 SUMA
15
Carga 15 15 15 15 15 5 5 5 5
Das 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
15
Carga 10 10 10 10 10 15 10 10 15 5 5 5 10 15
Carga2 100 100 100 100 100 225 100 100 225 225 25 25 25 100 225
Das 16 17 18 19 20 21 22 23 24 25 SUMA
28/09/2009
MODELOS OPERATIVOS DE GESTIN
15 15
Carga 15 15 15 15 15 15 15 15
Carga2 225 225 225 225 225 225 225 225 225 225 4025
De todas las opciones se toma la ltima ya que es la que resulta en una suma de
cuadrados menor. De este modo la carga de trabajo queda as:
25
20
15
10
5 10 15 20 25
Das 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
15
Carga 10 10 10 10 10 15 10 10 15 5 5 5 5 20
Carga2 100 100 100 100 100 225 100 100 225 225 25 25 25 25 400
Das 16 17 18 19 20 21 22 23 24 25 SUMA
15 15
Carga 15 15 15 15 15 15 15 15
Carga2 225 225 225 225 225 225 225 225 225 225 4125
28/09/2009 165
La siguiente actividad sera la E. Es fcil comprobar que moverla dentro de su
holgura no modifica la suma de cuadrados, luego la dejamos como est.
A continuacin sera la C. Si se retrasa esta actividad en una unidad la nueva tabla
(teniendo en cuenta que habra que retrasar la E y la F, aunque esta ltima ya est
retrasada) resulta ser:
Das 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
10 10
Carga 10 10 10 10 10 10 10 10 15 15 5 5 15
Carga2 100 100 100 100 100 100 100 100 100 225 225 25 25 100 225
Das 16 17 18 19 20 21 22 23 24 25 SUMA
15 15
Carga 15 15 15 15 15 15 15 15
Carga2 225 225 225 225 225 225 225 225 225 225 3975
28/09/2009
MODELOS OPERATIVOS DE GESTIN
25
20
15
10
5 10 15 20 25
A 5
D 8
G 12
B 6
C 3
E 2
F 11
H 1
5 10 15 20 25
PASO 3: Hay que repetir el proceso anterior sobre esta nueva programacin para ver
si se puede reducir la suma de los cuadrados de las cargas. Es fcil comprobar que este
resultado no es mejorable.
28/09/2009 167
Utilizaremos la siguiente notacin:
k : recursos a nivelar
d j : duracin de la actividad j
carjk : carga del recurso k que utiliza la actividad j por unidad de tiempo
G = ( J , Q) : grafo de precedencias, de modo que los nodos son las actividades y los
arcos las relaciones de precedencia directas, es decir, existe un arco en Q si el nodo
inicial corresponde a una actividad que ha de acabar antes que la correspondiente al
nodo final.
Como variables vamos a considerar:
Xp
jp = dj j
X
p< p
j p d j X jp p, ( j , j ) Q
c) Las actividades se han de hacer sin interrupcin. Obsrvese que esta hiptesis est
subyacente en todo lo visto anteriormente, pero dada la flexibilidad de la
programacin matemtica, podra no incluirse en este caso. As pues, para las
actividades para las que sea un requisito imprescindible se aadirn las siguientes
restricciones:
X jp + X j p + d j 1 j , p
28/09/2009
MODELOS OPERATIVOS DE GESTIN
Por ltimo, hay que expresar la funcin objetivo en trminos de nuestras variables.
Como se vio al principio de esta seccin, el objetivo puede ser minimizar la suma de los
cuadrados de las cargas, es decir,
2
min carjk X jp
p k j
car
j
jk X jp + N pk S pk = car k p, k
donde car k representa la carga media del recurso k . Con esta formulacin la funcin
objetivo sera:
min ( N pk + S pk )
p k
Para el caso ejemplo que estamos tratando, la formulacin en GAMS de este modelo
se presenta a continuacin.
OPTION OPTCR = 0
SETS J / A, B, C, D, E, F, G, H /
K / MOBRA /
P / p1*p25 /
28/09/2009 169
ALIAS (jj,j), (pp,p)
PARAMETERS
MOBRA
A 5
B 5
C 5
D 5
E 10
F 10
G 5
H 5
variables objetivo
EQUATIONS
precedencias(p,preced(jj,j))..
sum(j, car(j,k)*d(j))/card(p) ;
28/09/2009
MODELOS OPERATIVOS DE GESTIN
Al resolver el problema del ejemplo con este modelo se obtiene una planificacin
alternativa a la obtenida mediante el algoritmo de Burgess-Killebrew, con igual suma de
cuadrados.
28/09/2009 171
3.7.2.1 Algoritmo heurstico para el problema de asignacin de recursos
A 5
D 8
G 12
B 6
C 3
E 2
F 11
H 1
5 10 15 20 25
Das 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Carga 10 10 10 10 10 15 10 10 25 25 15 15 15 20 15 15 15 15 15 5 5 5 5 5 5
28/09/2009
MODELOS OPERATIVOS DE GESTIN
28/09/2009 173
Da 19: Sigue G.
Da 20: Sigue G.
Da 21: Sigue G.
Da 22: Sigue G.
Da 23: Sigue G.
Da 24: Sigue G.
Da 25: Sigue G.
Da 26: Sigue G.
Da 27: Sigue G y acaba.
Da 28: Empieza F, carga de 10.
Da 29: Sigue F.
Da 30: Sigue F.
Da 31: Sigue F.
Da 32: Sigue F.
Da 33: Sigue F.
Da 34: Sigue F.
Da 35: Sigue F.
Da 36: Sigue F.
Da 37: Sigue F.
Da 38: Acaba F y el proyecto.
Existen diversas formulaciones para este problema. Una de ellas sera plantear un
modelo similar al de la seccin de nivelacin de recursos pero con variantes. En
28/09/2009
MODELOS OPERATIVOS DE GESTIN
concreto, la duracin del proyecto para a ser un objetivo en lugar de una restriccin y el
uso de los recursos una restriccin en lugar de un objetivo.
La formulacin podra ser la siguiente:
k : recursos a nivelar
d j : duracin de la actividad j
carjk : carga del recurso k que utiliza la actividad j por unidad de tiempo
G = ( J , Q) : grafo de precedencias, de modo que los nodos son las actividades y los
arcos las relaciones de precedencia directas, es decir, existe un arco en Q si el nodo
inicial corresponde a una actividad que ha de acabar antes que la correspondiente al
nodo final.
Como variables vamos a considerar:
Xp
jp = dj j
X
p< p
j p d j X jp p, ( j , j ) Q
X jp + X j p + d j 1 j , p
28/09/2009 175
d') No superar la disponibilidad de los recursos:
car
j
jk X jp dispk p, k
Por ltimo, hay que expresar la funcin objetivo en trminos de nuestras variables.
Una forma es ponderar los periodos de tiempo, de modo que se penalice la
programacin de una tarea en los periodos altos. Esto se puede hacer ponderando de
menos a ms las variables correspondientes a los periodos, es decir, el objetivo sera:
min p ( X jp )
p j
Con estas nuevas variables habra que aadir una restriccin que las ligue con las
anteriores
X
j
jp MYp p
siendo M una cota que no se pueda superar y la nueva funcin objetivo sera
min pYp
p
OPTION OPTCR = 0
SETS J / A, B, C, D, E, F, G, H /
K / MOBRA /
28/09/2009
MODELOS OPERATIVOS DE GESTIN
P / p1*p38 /
PARAMETERS
alfa(p) = ord(p)
MOBRA
A 5
B 5
C 5
D 5
E 10
F 10
G 5
H 5
variables objetivo
EQUATIONS
28/09/2009 177
precedencias(p,preced(jj,j))..
Al resolver este ejemplo, se observa que no se puede obtener una duracin inferior a
los 38 das obtenidos con el mtodo heurstico. Por otra parte, siendo un proyecto tan
sencillo, el tiempo de resolucin del modelo fue de 18 segundos con el optimizador
CPLEX 9.0 en un PC a 1.1 GHz, lo que hace suponer que el tiempo para proyectos
mayores puede ser inviable. Una reformulacin del problema puede ser ms eficiente.
A su vez, hay formulaciones alternativas cuando los recursos se consideran
individualmente (por ejemplo, una mquina concreta) que resultan ms eficientes que
aplicar esta formulacin.
PROBLEMA 1
Considrese la lista (simplificada) de actividades que intervienen en la construccin
de una casa.
A Cimientos 5
B Muros y Techos A 8
C Tejado B 10
D Cables Elctricos B 5
E Ventanas B 4
F Revestimiento E 6
28/09/2009
MODELOS OPERATIVOS DE GESTIN
G Pintar C, F 3
1. Dibujar la red del proyecto, determinar la ruta crtica, obtener la holgura total de
cada actividad y la holgura libre de cada una.
2. Supngase que se puede reducir la duracin de cada actividad contratando ms
trabajadores. En la tabla siguiente se dan los costes diarios de la reduccin de la
duracin de las actividades. Establecer el problema de programacin lineal que hay
que resolver para minimizar el coste total de la terminacin del proyecto en 20 das.
Cimientos 3000 2
Tejado 2000 1
Ventanas 2000 2
Revestimiento 3000 3
Pintar 4000 1
PROBLEMA 2
El promotor de un concierto de rock en una ciudad debe realizar las tareas que se
dan a continuacin antes de poder realizar el concierto.
A Encontrar lugar 2 4 3
B Encontrar ingenieros A 1 3 2
D Anunciar radio y TV C 1 3 2
28/09/2009 179
E Instalar venta billetes A 1 5 3
F Instal. elctricas B 2 4 3
G Imprimir publicidad C 3 7 5
I Ensayos F, H 1 2 1.5
PROBLEMA 3
Las actividades que configuran un proyecto, sus precedencias, as como sus
duraciones ms optimistas, pesimistas y ms probables vienen recogidas en la siguiente
tabla:
A 2 2.5 6
B 1 1.5 5
C 2 5.5 6
D A 3 4 5
E A, B 3 5 7
F A, B 7 9 11
G C 5 6 7
28/09/2009
MODELOS OPERATIVOS DE GESTIN
H D, E 10 10 10
I F 9 9 9
J F, G 7 8 9
1. Suponiendo que las distribuciones de las duraciones son todas de tipo beta, para
qu valor la probabilidad de que el proyecto est terminado antes de esa fecha es de
0.8? (Nota: El valor de una N(0,1) que deja 0.8 de probabilidad a su izquierda es
0.84).
2. Dar las holguras libres y totales de todas las actividades, suponiendo duraciones
medias.
PROBLEMA 4
Un proyecto consiste en las siguientes actividades, siendo posible realizar cada una
de las mismas de tres formas diferentes con una duracin y un coste distinto para cada
una. Las actividades, sus predecesores y sus duraciones (en semanas) y costes se
reflejan en la siguiente tabla:
A 9 3 7 4 5 6
B A 8 3 6 4 4 5
C A 7 2 5 3 3 5
D C 10 3 8 4 6 6
E B, D 12 4 10 5 7 7
F D 10 4 8 5 6 6
1. Dar la duracin mnima del proyecto y las holguras libre y total de las actividades
con una duracin normal de stas.
2. Plantear un problema de programacin lineal para resolver el problema de elegir
cmo llevar a cabo cada actividad de entre las tres formas posibles y en qu instante,
28/09/2009 181
de modo que se minimice el coste, se respeten las precedencias, el proyecto no dure
ms de 25 semanas y teniendo en cuenta que si la actividad A se lleva a cabo de
forma urgente la F tambin ha de llevarse a cabo de forma urgente.
PROBLEMA 5
Las estimaciones de la duracin mnima, ms probable y mxima de las distintas
actividades que configuran un proyecto se dan en la siguiente tabla:
Actividad A, B C D, G, I E, H, J, K F, L M N, O P Q R, S T U
Mnima 2 1 3 1 2 1 4 5 7 4 5 1
Ms probable 5 4 6 3 3 2 6 6 9 5 8 5
Mxima 7 5 9 5 4 3 10 7 10 6 9 6
A Precede a D, C, F J, L Precede a N
B, C Precede a E, G, H K Precede a O, P, Q, R
D Precede a I M Precede a O
E, F, I Precede a L, J, K, M N, P Precede a S
G Precede a J, K, M Q, O Precede a U
H Precede a K, M R, S Precede a T
1. Se pide dibujar un grfico que represente las actividades y sus prelaciones, el tiempo
medio mnimo en que puede ser acabado el proyecto y los eventos y actividades
crticas, suponiendo distribuciones tipo beta.
2. Caracterizar la distribucin de probabilidad del tiempo de realizacin del proyecto.
PROBLEMA 6
28/09/2009
MODELOS OPERATIVOS DE GESTIN
Actividad A B C D E F G H I
Mnima 3 2 1 2 2 3 3 8 2
Ms probable 6 6 3 3 3 5 5 9 3
Mxima 15 10 5 10 4 7 7 10 4
A, B Preceden a C, D, E
C Precede a F, G, H
D Precede a G, H
E Precede a H
F, G Precede a I
a) Dibujar la red del proyecto, determinar la duracin media mnima del proyecto, el
camino crtico y las holguras de las actividades suponiendo duraciones medias y
distribuciones beta.
b) Qu duracin debera decirse para tener una probabilidad de 0.8 de acabar el
proyecto a tiempo?
PROBLEMA 7
Un proyecto de investigacin consta de una serie de actividades, que se recogen en
la tabla siguiente, junto con sus relaciones y sus duraciones en meses.
A Asignacin de tareas 1
28/09/2009 183
B Bsqueda bibliogrfica A 6
C Diseo de experimentos A 5
D Programacin de software A 5
F Realizacin de experimentos B, C 1
G Anlisis de resultados F 1
H Simulacin informtica B, C, D 4
I Validacin de resultados E, G 1
PROBLEMA 8
Una red de actividades tiene las siguientes caractersticas
28/09/2009
MODELOS OPERATIVOS DE GESTIN
L 8
PROBLEMA 9
En la siguiente tabla se presentan cinco actividades, sus precedencias y duraciones.
A D 10
C D 5
D Triangular [4,6,8]
E 5
28/09/2009 185
2. Suponiendo duraciones medias de las actividades determinar la duracin mnima del
proyecto, los mrgenes (holguras) libres y totales.
3. Describir un procedimiento que permita simular la duracin del proyecto teniendo
en cuenta las duraciones aleatorias de algunas actividades. Realizar la simulacin
utilizando estas series de nmeros aleatorios:
Serie 1: 0.34, 0.56, 0.18, 0.86, 0.05
Serie 2: 0.53, 0.07, 0.62, 0.59, 0.32
4. Determinar la probabilidad de que el camino crtico obtenido para las duraciones
medias sea el camino crtico en la ejecucin del proyecto.
5. Suponer ahora que D tiene distribucin Uniforme en [4,8]. Dar la distribucin
exacta de la duracin del proyecto, y comparar los resultados de la probabilidad de
que el proyecto se extienda ms de 17, 18, 19, 20 y 21 das segn el mtodo PERT y
segn la distribucin exacta.
6. Dada la siguiente formulacin de programacin lineal para el problema con
duraciones medias, y la correspondiente tabla ptima, responder a las siguientes
cuestiones.
min TOT
TD TA 10
TC TB 6
TE TB 6
TD TC 5
TOT TD 6
TOT TE 5
Ti , TOT 0
TA TB TC TD TE TOT S1 S 2 S 3 S 4 S5 S 6
cj z j 0 1 0 0 0 0 0 1 0 1 1 0 17
TD 0 1 0 1 0 0 0 1 0 1 0 0 11
TC 0 1 1 0 0 0 0 1 0 0 0 0 6
TE 0 1 0 0 1 0 0 0 1 0 0 0 6
S1 1 1 0 0 0 0 1 1 0 1 0 0 1
TOT 0 1 0 0 0 1 0 1 0 1 1 0 17
S6 0 0 0 0 0 0 0 1 1 1 1 1 6
28/09/2009
MODELOS OPERATIVOS DE GESTIN
28/09/2009 187
RESULTADO DEL PROBLEMA 3
2. Para 21.8.
3. A-FF=TF=0; B-FF=TF=1; C-FF=0, TF=2; D-FF=1, TF=4; E-FF=0, TF=3; F-
FF=TF=0; G-FF=1, TF=2; H-FF=TF=3; I-FF=TF=0; J-FF=TF=1.
min 3 X A1 + 3 X B1 + 2 X C1 + 3 X D1 + 4 X E1 + 4 X F 1 +
+4 X A 2 + 4 X B 2 + 3 X C 2 + 4 X D 2 + 5 X E 2 + 5 X F 2 +
+6 X A 3 + 5 X B 3 + 5 X C 3 + 6 X D 3 + 7 X E 3 + 6 X F 3
3
X
i =1
ji = 1 j { A, B, C , D, E , F }
TB TA + 9 X A1 + 7 X A 2 + 5 X A3
TC TA + 9 X A1 + 7 X A 2 + 5 X A3
TD TC + 7 X C1 + 5 X C 2 + 3 X C 3
TE TB + 8 X B1 + 6 X B 2 + 4 X B 3
TE TD + 10 X D1 + 8 X D 2 + 6 X D 3
TF TD + 10 X D1 + 8 X D 2 + 6 X D 3
TE + 12 X E1 + 10 X E 2 + 7 X E 3 25
TF + 10 X F 1 + 8 X F 2 + 6 X F 3 25
X A3 X F 3
X ji {0,1} , T j 0 i = 1, 2,3 j { A, B, C , D, E , F }
28/09/2009
MODELOS OPERATIVOS DE GESTIN
1. El camino crtico es A-D-H, con una duracin media de 20 y una varianza de 5.888.
Las holguras son: B(FF=0 1, TF= 1), C(0,1), E(1,1), F(1,2), G(0,1), I(1,1).
b.
5 5 D 10
15 15
A 5 K N (1 1 ,3 )
0 E 4
H 6
0 B 7 21 J 4 26
9
22
0 11 26
F 5 I2
0 L 8
C 9
16 18
11 G N (7 ,2 )
9
28/09/2009 189
c. El camino crtico est formado por las actividades A, D y K.
E[CP] = E[ DA ] + E[ DD ] + E[ DK ] = 5 + 10 + 11 = 26
V [CP] = A2 + D2 + K2 = 0 + 0 + 9 = 9
d f 26
CP = N (26,3) 0.025 P(CP f ) = P( Z )
3
f 26
= 1.96 f = 26 + 3 1.96 32
3
d.
A10 DT(4,6,8)
1 C5 4
BU(4,8) E5
A 10
B 6
C 5
D 6
E 5
1 t1 = 0 T1 = min {T2 d A , T3 d B } =
max {11 10, 6 6} = 0
28/09/2009
MODELOS OPERATIVOS DE GESTIN
3 t3 = t1 + d B = 0 + 6 = 6 T3 = min {T4 d E , T2 d C } =
max {17 5,11 5} = 6
2 t2 = max {t1 + d A , t3 + dC } = T2 = T4 d D = 17 6 = 11
max {0 + 10, 6 + 5} = 11
4 t2 = max {t3 + d E , t2 + d D } = T4 = 17
max {6 + 5,11 + 6} = 17
A 1
B 0
C 0
D 0
E 6
0.25d D 1 4 d D 6
f (d D ) =
0.25d D + 2 6 d D 8
0.125d D2 d D + 2 4 d D 6
F (d D ) =
0.125d D + 2d D 7 6 d D 8
2
28/09/2009 191
0.125d D2 d D + 2 = u u 0.5
0.125d D + 2d D 7 = u u 0.5
2
1 1 4 0.125(2 u )
dD = u 0.5
0.25
2 4 4 0.125(7 + u )
d = u 0.5
0.25
D
Por el mtodo de aceptacin rechazo simple (AR). Con el primer nmero aleatorio
obtengo una muestra de la duracin d D = (8 4)u1 + 4 = 4 0.53 + 4 = 6.12 . Con el
segundo una muestra de la altura y = 0.5 0.07 = 0.035 . Como
0.035 = y f (d D ) = 0.25 6.12 + 2 = 0.47 acepto la muestra. Otra muestra
d D = (8 4)u1 + 4 = 4 0.62 + 4 = 6.48 , valor de la ordenada y = 0.5 0.59 = 0.295 , Como
0.295 = y f (d D ) = 0.25 6.58 + 2 = 0.38 acepto la muestra.
4. Para que el camino crtico calculado para duraciones medias siga siendo crtico es
necesario que la duracin total de B ms C sea superior a la de A. Esta probabilidad
viene dada por la condicin de que
28/09/2009
MODELOS OPERATIVOS DE GESTIN
Ti : A y B empiezan en 0, C en 6, D en 11 y E en 6.
S6= 6 desde que acaba E hasta el final del proyecto hay 6 das (holgura de E que
no precede a nadie)
28/09/2009 193
TA TB TC TD TE TOT S1 S 2 S 3 S 4 S5 S 6
cj z j 0 1 0 0 0 0 0 1 0 1 1 0 17
TD 0 1 0 1 0 0 0 1 0 1 0 0 11
TC 0 1 1 0 0 0 0 1 0 0 0 0 6
TE 0 1 0 0 1 0 0 0 1 0 0 0 6
TA 1 1 0 0 0 0 1 1 0 1 0 0 1
TOT 0 1 0 0 0 1 0 1 0 1 1 0 17
S6 0 0 0 0 0 0 0 1 1 1 1 1 6
TA TB TC TD TE TOT S1 S 2 S3 S 4 S5 S 6
cj z j 0 1 0 0 0 0 0 1 0 1 1 0 17
TD 0 1 0 1 0 0 0 1 0 1 0 0 11
TC 0 1 1 0 0 0 0 1 0 0 0 0 6
TE 0 1 0 0 1 0 0 1 0 0 0 0 12
S1 1 1 0 0 0 0 1 1 0 1 0 0 1
TOT 0 1 0 0 0 1 0 1 0 1 1 0 17
S3 0 0 0 0 0 0 0 1 1 1 1 1 6
TA TB TC TD TE TOT S1 S 2 S3 S 4 S5 S 6
cj z j 0 1 0 0 0 0 0 1 0 1 1 0 17
TD 0 1 0 1 0 0 0 1 0 1 0 0 11
TC 0 1 1 0 0 0 0 1 0 0 0 0 6
TE 0 1 0 0 1 0 0 1 0 0 0 0 12
TA 1 1 0 0 0 0 1 1 0 1 0 0 1
TOT 0 1 0 0 0 1 0 1 0 1 1 0 17
S3 0 0 0 0 0 0 0 1 1 1 1 1 6
TA 0 1 0 1 2 + 4
0
TB 0 0 0 0 0
TC = 1 6 + 2 6 + 3 6 + 4 6 = 6 = 6
TD 11 11 11 11 11 11
T 6 6 12 12 6 + 6( + ) 6 +
E 3 4
1 + 2 + 3 + 4 = 1 i 0 o , [ 0,1]
28/09/2009
FIABILIDAD, MANTENIMIENTO Y DISPONIBILIDAD
Cada operacin oij requiere un cierto tiempo pij para ser desarrollada, denominado
tiempo de proceso. Por convenio, en este tiempo se incluye cualquier tiempo requerido
para ajustar la mquina para este trabajo o tiempo de transporte hasta la mquina. Este
tiempo se supone fijo y conocido con antelacin. Igualmente, todos los datos se suponen
deterministas y conocidos por el planificador.
10
Algunos autores se refieren a las mquinas como procesadores, especialmente cuando se trata este
tipo de problemas en planificacin de trabajos informticos.
28/09/2009 195
Tambin se supone que las mquinas estn siempre disponibles, aunque no se
supondr lo mismo para los trabajos, es decir, se considerar que los trabajos pueden no
estar disponibles para ser procesados al principio del periodo de planificacin. Se
denominar release date o ready time y se denotar por ri al instante en el que el trabajo
J i puede empezar a ser procesado o el pedido puede empezar a ser preparado.
a) Asumiendo ciertas hiptesis, sea una planificacin compatible con las restricciones
tecnolgicas, es decir, sea factible, y
b) Sea ptima respecto a algn criterio de desarrollo.
1. Cada trabajo es una entidad y, por lo tanto, no pueden procesarse dos operaciones de
un mismo trabajo simultneamente.
2. No existe interrupcin, es decir, cada operacin una vez empezada debe ser
completada antes de que otra operacin pueda empezar en esa mquina.
3. Cada trabajo incluye una y slo una operacin en cada mquina, por lo que todos los
trabajos incluyen exactamente m operaciones.
28/09/2009
FIABILIDAD, MANTENIMIENTO Y DISPONIBILIDAD
di instante en que el trabajo J i debera ser terminado (due date) o fecha de entrega
28/09/2009 197
ai amplitud del periodo de planificacin del trabajo J i o plazo de entrega;
ai = di ri
Wik tiempo de espera del trabajo J i antes de realizarse su k -sima operacin (que
no implica que sea en la mquina k )
m
Wi tiempo total de espera del trabajo J i ; claramente, Wi = Wik
k =1
28/09/2009
FIABILIDAD, MANTENIMIENTO Y DISPONIBILIDAD
M 1
o ij ( m 1 )
M o ij ( m )
2
W im p ij ( m )
M j
o ij ( 2 )
W i2 p ij ( 2 )
M o ij (1 )
m 1
M W i 1 p ij (1 ) o ij ( 3 )
m
ri di Ci
ai Li = Ti
Fi
28/09/2009 199
4.2.1 Criterios basados en los instantes de finalizacin
Es muy habitual que el coste de una programacin de trabajos est relacionado con
lo que se desva del objetivo de entregar en plazo los trabajos y, por lo tanto, las
medidas que se utilizan son L , Lmax , T y Tmax . Minimizar los dos primeros es
apropiado cuando existe una recompensa por entregar un trabajo antes de tiempo,
mientras que si sta no existe sino que slo existe penalizacin en caso de demora, lo
apropiado es utilizar alguna de las ltimas.
Hay casos en los que la penalizacin en que se incurre por terminar un trabajo fuera
de plazo no es proporcional a la cantidad, de modo que es lo mismo entregarlo un
minuto tarde que un siglo. Una situacin de este tipo puede darse por ejemplo si un
vuelo es programado para aterrizar despus del tiempo mximo para el que dispone de
combustible, las consecuencias son igual de catastrficas tanto si es un minuto o una
hora lo que se pasa de ese instante. Por lo tanto, en ocasiones ms que plantear un
objetivo que sea funcin de la cantidad en que se sobrepasa la fecha de entrega, se busca
minimizar el nmero de trabajos fuera de plazo, siendo entonces preferible, por
28/09/2009
FIABILIDAD, MANTENIMIENTO Y DISPONIBILIDAD
ejemplo, retrasar un trabajo mucho y mantener los dems en plazo que retrasar todos un
poquito y que se salgan muchos de plazo.
Entre todas las medidas que se han nombrado anteriormente existen relaciones por
las cuales unas son equivalentes a otras, es decir, que las secuencias ptimas son las
mismas si se plantea un objetivo o se plantea otro equivalente. Estas equivalencias
permiten reformular un problema pudiendo cambiar un objetivo por otro ms sencillo o
cuya formulacin matemtica tenga mejores propiedades a la hora de resolverlo. A
continuacin, se recogen algunas relaciones entre las medidas consideradas:
b) No son equivalentes las medidas anlogas a las anteriores pero para el mximo,
excepto en casos particulares. Dos de estos casos son:
b.1) Si los instantes de posible inicio (release dates) son 0 para todos los trabajos,
son equivalentes Cmax y Fmax .
28/09/2009 201
b.2) Si todos los trabajos tienen una misma fecha de entrega son equivalentes
Cmax y Lmax .
c) Una programacin que es ptima segn el criterio Lmax tambin lo es para Tmax , sin
embargo al revs no tiene por qu ser cierto. En cualquier caso, nos permite
resolver el problema con el criterio Lmax , cuya formulacin y resolucin son ms
sencillas que las del otro criterio.
g) Por ltimo, para problemas de secuenciacin en una sola mquina son equivalentes
C , F , W , L , NU y NW .
Los problemas ms sencillos que se pueden plantear son los problemas que
involucran a una nica mquina. Estos problemas son ms habituales de lo que se pueda
pensar en un primer momento: desde la secuenciacin de programas a ser procesados
por un ordenador con un nico procesador, a operaciones en una seccin de un hospital
en la que se dispone de un nico quirfano o equipo quirrgico o secciones dentro de un
proceso productivo en que hay una nica mquina para desarrollar una determinada
tarea.
En lo que se refiere a estos problemas vamos a suponer que todas las release dates
son cero, es decir, se supone para este tipo de problemas que ri = 0 i y una sola
mquina, luego m = 1 .
El primer resultado que se tiene para este tipo de problemas y fcil de inferir, es que
para cualquiera de los objetivos que se plantee que sea regular, es decir, que sea no
decreciente con los instantes de cumplimentacin (la mayora de los considerados),
28/09/2009
FIABILIDAD, MANTENIMIENTO Y DISPONIBILIDAD
28/09/2009 203
3. Encontrar el trabajo de mayor tiempo de proceso secuenciado antes de J i (l ) ,
includo J i (l ) , y quitarlo de la secuencia. Volver al paso 2 con la secuencia
actual (que tiene un trabajo menos que la anterior).
4. Formar una secuencia ptima con la secuencia que se tiene actual y aadiendo al
final todos los trabajos que han sido rechazados en las iteraciones anteriores en
cualquier orden.
Esos trabajos rechazados sern los nicos demorados (se entregarn fuera de
plazo).
Otro elemento que suele aparecer en problemas con una mquina es la existencia de
condiciones de precedencia entre los trabajos, algunas veces debidas a la importancia
relativa que puedan tener stos. Es decir, es posible que se planteen condiciones de
orden, de modo que un trabajo no pueda empezar mientras otro no ha sido completado.
No deben ser confundidas estas condiciones con las restricciones tecnolgicas; las
restricciones tecnolgicas imponen condiciones de orden a las operaciones de un
trabajo, mientras que las condiciones de precedencia restringen la secuencia de
operaciones de distintos trabajos.
Aadir estas condiciones, aunque reduce las permutaciones que son factibles, en
general, supone una complicacin en la formulacin ms que una ventaja, por ello se
suele evitar, si es posible, reformulando las fechas de entrega de los trabajos ms que
aadiendo restricciones. Sin embargo no siempre es posible modelarlo haciendo tal
reformulacin, por lo que se han desarrollado algoritmos especficos para algunos de
estos problemas. En esta introduccin slo vamos a ver un caso particular, para otros
casos es posible plantear un problema de programacin matemtica formulando las
correspondientes restricciones o buscar algoritmos especficos 11.
11
Pueden verse la mayora de ellos en French, S. (1982) Sequencing and Scheduling. An Introduction
to the Mathematics of the Job-Shop. Ellis-Horwood.
28/09/2009
FIABILIDAD, MANTENIMIENTO Y DISPONIBILIDAD
Trabajos J1 J 2 J 3 J 4
Tiempos proceso 8 6 10 7
Fecha entrega 14 9 16 16
28/09/2009 205
trabajo hay que programar en esa posicin y para saber cules son posibles y evaluar la
funcin objetivo con el coste de esa etapa y el coste futuro, la informacin que es
necesaria de etapas anteriores, los estados, son los trabajos que ya han sido
programados. Obsrvese que no es necesario saber en qu orden, pero s qu trabajos. A
continuacin se muestran las tablas de las diferentes etapas con recursividad hacia atrs,
4
siendo el objetivo max {C d , 0} , ya que se dividir por 4 al final para facilitar los
i =1
i i
clculos.
Etapa 4
J1 , J 2 , J 3 3116 J 44 15
J1 , J 2 , J 4 3116 J 34 15
J1 , J 3 , J 4 319 J 24 22
J2 , J3 , J 4 3114 J14 17
Etapa 3
J1 , J 2 2416+15 2116+15 J 43 20
J1 , J 3 249+15 2516+22 J 23 30
J1 , J 4 219+15 2516+22 J 23 27
J2 , J3 2414+15 2316+17 J 43 24
J3 , J 4 2514+22 239+17 J 23 31
28/09/2009
FIABILIDAD, MANTENIMIENTO Y DISPONIBILIDAD
Etapa 2
Etapa 1
En esta seccin vamos a ver primero algunos algoritmos constructivos para ciertos
problemas con varias mquinas. Despus veremos tcnicas ms generales aplicadas a
otros problemas con estas caractersticas.
Para los algoritmos constructivos supondremos que todas las release dates son
iguales, es decir, ri = 0, i = 1,..., n .
El primer caso que vamos a considerar es el problema flow-shop con dos mquinas y
minimizando el mximo tiempo de cumplimentacin, es decir, un problema con n
trabajos, 2 mquinas, en el que todos los trabajos han de pasar primero por la mquina 1
y luego por la 2 y en que se desea minimizar el mximo tiempo de cumplimentacin
Cmax . Para este tipo de problemas, tanto para dos mquinas como para tres, se puede
28/09/2009 207
demostrar que podemos limitarnos a buscar una secuencia ptima entre las
programaciones permutacin, es decir, que existe una programacin ptima en la que el
orden en el que cada mquina procesa los trabajos es el mismo para todas las mquinas.
Para obtener la secuencia ptima se definen ai = pi1 (tiempo de proceso del trabajo
J i en la mquina 1) y bi = pi 2 (tiempo de proceso del trabajo J i en la mquina 2). El
algoritmo, conocido como algoritmo de Johnson de tipo constructivo y que asegura que
se alcanza el ptimo, es el siguiente:
1. Sea k = 1 y l = n .
4.3. Incrementar k a k + 1
4.4. Ir al paso 6
5.3. Reducir l a l 1
5.4. Ir al paso 6
6. Si hay trabajos todava sin programar volver al paso 3. En otro caso, parar.
28/09/2009
FIABILIDAD, MANTENIMIENTO Y DISPONIBILIDAD
mquinas, sino, adems se puede aplicar si hay trabajos que no tienen que pasar por
ambas mquinas sino slo por una de ellas. El objetivo es el mismo, minimizar el
tiempo mximo de cumplimentacin. As el algoritmo de Johnson para dos mquinas
extendido supone que existen cuatro tipos de trabajos: los trabajos de tipo A que son los
que tienen que ser procesados slo por la mquina M 1 ; los trabajos de tipo B que son
los que nicamente han de pasar por la mquina M 2 ; los trabajos tipo C que han de
pasar primero por la mquina M 1 y luego por la M 2 ; y los trabajos tipo D que han de
pasar por ambas mquinas pero en el orden inverso a los anteriores.
En estas condiciones para construir una programacin ptima de los trabajos se debe
seguir el siguiente procedimiento:
3. Secuenciar los trabajos tipo C segn el algoritmo de Johnson anterior, visto para el
problema flow-shop, para dar la secuencia SC .
4. Secuenciar los trabajos tipo D segn el algoritmo de Johnson anterior, visto para el
problema flow-shop, intercambiando los papeles de las mquinas, para dar la
secuencia S D .
M1 ( SC , S A , S D )
M2 ( S D , S B , SC )
28/09/2009 209
la dificultad para modelarlo y una formulacin para l mediante programacin lineal
entera mixta de tipo general que es fcilmente aplicable para casos ms complejos.
Sea un problema con dos trabajos y 3 mquinas, cuyo objetivo es minimizar la
mxima demora. Los tiempos de proceso, las fechas de entrega y las condiciones
tecnolgicas se muestran en la tabla siguiente.
J1 10 15 18 50 M1 , M 2 , M 3
J 2 20 12 15 55 M 3 , M 2 , M1
(Obsrvese que por transitividad slo es necesario poner los rdenes inmediatos)
28/09/2009
FIABILIDAD, MANTENIMIENTO Y DISPONIBILIDAD
como
siendo M una cota para el valor del lado izquierdo de las restricciones.
As para nuestro caso particular las restricciones sern:
M1 M2 M3
min Tmax
T1 Tmax
T2 Tmax
T13 + 18 T1 50
T21 + 20 T2 55
Carcter de las variables. Hay que definir el carcter no negativo de las variables y
el binario de las auxiliares definidas:
Por ltimo, comentar que todos los algoritmos y tcnicas planteadas son de
optimizacin, es decir, se garantiza que alcanzan la programacin ptima segn el
criterio considerado. Sin embargo, dado que la formulacin mediante programacin
28/09/2009 211
entera o no lineal entera es la nica alternativa en algunos de los casos y dada la
dificultad para resolver sta en cuanto el tamao de un problema es elevado (lo cual
puede ocurrir incluso con no muchas mquinas y trabajos) tambin existen algoritmos
de tipo heurstico para resolverlos, aunque no se incluirn en este captulo introductorio.
PROBLEMA 1
Encontrar la forma ptima de secuenciar las siguientes 8 tareas en una mquina para
minimizar el tiempo medio de cumplimentacin.
Tarea 1 2 3 4 5 6 7 8
Tiempo de proceso 10 2 4 7 3 1 3 2
PROBLEMA 2
Encontrar la forma ptima de secuenciar las siguientes 7 tareas en una mquina para
minimizar la desviacin mxima respecto a la fecha de entrega y dar para esta secuencia
la mxima desviacin en que se incurre.
Tarea 1 2 3 4 5 6 7
Tiempo de proceso 29 13 31 20 7 3 9
PROBLEMA 3
Encontrar la forma ptima de secuenciar las siguientes 10 tareas en una mquina
para minimizar el nmero de trabajos demorados.
Tarea 1 2 3 4 5 6 7 8 9 10
Tiempo de proceso 5 3 1 2 4 4 2 1 1 4
Fecha de entrega 19 16 25 3 8 14 31 23 2 15
28/09/2009
FIABILIDAD, MANTENIMIENTO Y DISPONIBILIDAD
PROBLEMA 4
Supngase que la ESA tiene una nica lanzadera con la que situar en rbita
estaciones espaciales. Se desea situar 8 estaciones, cada una de ellas especficamente
diseada para desarrollar ciertas observaciones astronmicas. Cada estacin debe ser
situada en posicin y construida antes de cierta fecha o si no, ser intil. Dados los
datos siguientes, en qu orden deberan ser situadas las estaciones? Suponer que se
empieza el 1 de enero de 2002.
PROBLEMA 5
Minimizar el tiempo medio de cumplimentacin de los 12 trabajos siguientes si hay
dos cadenas de trabajos que hay que respetar (3, 6, 9, 12) y (1, 2, 4, 8, 10).
Trabajo 1 2 3 4 5 6 7 8 9 10 11 12
Tiempo de proceso 2 1 5 6 3 4 1 2 5 6 1 6
PROBLEMA 6
28/09/2009 213
Minimizar el make-span para el siguiente problema flow-shop con 8 trabajos y 2
mquinas.
Mquinas
Trabajos 1 2
1 2 10
2 3 7
3 8 2
4 7 5
5 9 3
6 4 4
7 1 9
8 6 8
PROBLEMA 7
Encontrar una secuencia que minimice el tiempo mximo de cumplimentacin para
los siguientes 14 trabajos y dos mquinas. Representarlo en un diagrama de Gantt.
1 1 8 2 7
2 2 12 1 14
3 1 13 2 9
4 1 6
5 1 7 2 13
6 2 9 1 8
7 2 12
28/09/2009
FIABILIDAD, MANTENIMIENTO Y DISPONIBILIDAD
8 1 4 2 10
9 1 10 2 6
10 2 10 1 11
11 2 6
12 2 8
13 1 5 2 13
14 1 7
PROBLEMA 8
Encontrar la secuencia que minimiza el retraso o demora media con que los trabajos
son entregados, con los siguientes datos:
Tarea 1 2 3 4
Tiempo de proceso 9 12 7 14
Fecha de entrega 15 19 23 21
PROBLEMA 9
1. Formular un problema de programacin matemtica para encontrar la programacin
que minimiza el tiempo mximo de cumplimentacin de los siguientes tres trabajos,
si no hay restricciones tecnolgicas, es decir, no hay un orden establecido entre las
operaciones de cada trabajo. Los tiempos de proceso se dan a continuacin
1 6 8 3
2 9 5 2
3 4 8 17
28/09/2009 215
2. Hacer lo mismo pero si adems se supone que las mquinas han de procesar todos
los trabajos en el mismo orden
PROBLEMA 10
Seis alcaldes de pueblo acuden juntos a la capital de la provincia para visitar las
delegaciones de Industria y Hacienda, segn la siguiente tabla.
Cmo se organizan para volver cuanto antes a sus pueblos, sabiendo que los
alcaldes no pueden ser atendidos simultneamente en la misma Delegacin y que han de
volver juntos? Cunto tiempo pasarn en la capital? Cundo podrn los funcionarios
de las respectivas delegaciones irse a comer por haber acabado de atenderles?
Representar en un diagrama la secuencia sobre cada una de las delegaciones.
28/09/2009
FIABILIDAD, MANTENIMIENTO Y DISPONIBILIDAD
28/09/2009 217
Alcalde Tipo Mquina 1 Mquina 2
Industria Hacienda
1 Villamochuelos D 25 60
2 Valdealpargatas C 20 40
3 Caaveras B 70
4 Montaraces C 25 60
5 Conejera de Arriba A 30
6 Belloteros de Abajo D 30 52
Se deben secuenciar los trabajos de cada uno de los tipos independientemente. Slo
los tipos C y D tienen ms de un trabajo luego requieren secuenciacin. Los de tipo C se
ordenan segn el algoritmo de Johnson y los de tipo D por el mismo algoritmo pero
intercambiando la posicin de las mquinas.
Industria 2 2 2 2
4 4 4 44
555555
6 6 6666
11111
Hacienda6 6 6 6 6 6 6 66 6
1 1 1 1 1 1 1 11111
28/09/2009
FIABILIDAD, MANTENIMIENTO Y DISPONIBILIDAD
33333333333333
22222222
444444444444
28/09/2009 219