Optimización de sistemas I:

Introducción a la investigación de operaciones

Juan-Pablo Contreras

Facultad de Ingenierı́a.
Universidad del Desarrollo.

Segundo semestre 2019.

1 / 16
 La Investigación Operativa

Investigación operativa

Investigación operativa: modelos y métodos

Investigación operativa (OR) es la disciplina de la toma de decisiones mediante la
aplicación de métodos analı́ticos avanzados.
OR abarca una amplia gama de técnicas y métodos de resolución de problemas que
son aplicados con el fin de mejorar la toma de decisiones y eficiencia, por ejemplo:
Programación matemática,
Teorı́a de colas,
Simulación, etc.
La elección de la técnica más adecuada depende de la naturaleza del problema, pero
casi todas estas técnicas implican la construcción de un modelo matemático que
intenta describir la dinámica del sistema estudiado.

2 / 16
 La Investigación Operativa

Investigación operativa

Modelos de investigación operativa

Estos tipos de modelos matemáticos han sido utilizados durante mucho tiempo para
apoyar la toma de decisiones en varios tipos de problemas. Algunos ejemplos:
Planificación de la producción.
Análisis de sustentabilidad.
Problemas de eficiencia.
Localización de recursos.
Reemplazo de equipos.
Note que estos problemas no son especı́ficos de una industria.

3 / 16
 La Investigación Operativa

Investigación operativa

En los últimos 5 años la enseñanza de la investigación operativa ha experimentado

un boom en las universidades de Chile y el mundo:
Optimización.
Logı́stica.
Inventario.
Simulación.
En este curso tenemos varios grandes objetivos:
Fundamentos matemáticos de la optimización.
Modelar situaciones de la vida real como problemas de optimización.
Uso de software para resolver problemas.
Foco en problemas lineales.

4 / 16
 Modelos de optimización

Modelos simples de optimización

Problema simple de transporte

Supongamos que una empresa de camisas tiene dos bodega y tres tiendas. En
cada bodega hay una cantidad conocida de camisas y en cada tienda hay una
necesidad, también conocida, de camisas. Para transportar una camisa desde una
cierta bodega a una tienda se tiene que pagar un costo (unitario) de transporte.
La siguiente tabla muestra los datos:
Costos Tienda 1 Tienda 2 Tienda 3 Disponibilidad
Bodega 1 300 250 110 800
Bodega 2 230 180 310 1200
Demanda 700 500 450 -

Construyamos el modelo definiendo:

(Variables de decisión) ¿Cuáles son las decisiones que deben tomarse?
(Restricciones) ¿De qué manera estas decisiones están relacionadas entre sı́
y restringidas?
(Función objetivo) ¿Cuál es el objetivo que deben alcanzar las decisiones?
5 / 16
 Modelos de optimización

Modelos simples de optimización

Definamos xij como el número de unidades que se mueven desde la bodega i a la tienda
j.
mı́n 300x11 + 250x12 + 110x13 + (desde Bodega 1)
230x21 + 180x22 + 310x23 (desde Bodega 2)
s.a.
x11 + x21 ≥ 700 (demanda Tienda 1)
x12 + x22 ≥ 500 (demanda Tienda 2)
x13 + x23 ≥ 450 (demanda Tienda 3)
x11 + x12 + x13 ≤ 800 (capacidad Bodega 1)
x21 + x22 + x23 ≤ 1200 (capacidad Bodega 2)
xij ≥ 0 (no negatividad)
Estudiaremos estos modelos en profundidad más adelante...

6 / 16
 Modelos de optimización

Modelos simples de optimización

Problema simple de producción
Una industria del área quı́mica fabrica tres productos diferentes los cuales se ob-
tienen a partir de procesos productivos que se aplican a tres tipos diferentes de
arenas, las que son traı́das a la fábrica desde distintos lugares.
De cada arena se pueden obtener porcentajes conocidos de cada uno de los pro-
ductos y la fábrica puede usar cualquier mezcla de las tres arenas para obtener los
productos.
Existen ciertas cantidades mı́nimas de estos productos y que deben ser fabricadas
para cumplir con el plan de ventas. El problema está en que según cuál arena se
use, el proceso industrial genera contaminación.
La siguiente tabla muestra datos relativos a la producción que se obtiene de cada
una de las arenas, la cantidad de contaminantes generados y también los requeri-
mientos mı́nimos que deben cumplirse.
Arena 1 Arena 2 Arena 3 Requerimiento (min)
SO2 generado (ton/ton) 0.01 0.04 0.05
Producto 1 0.5 0.3 0 120
Producto 2 0.1 0.3 0.6 200
Producto 3 0.2 0.3 0.3 30
7 / 16
 Modelos de optimización
Modelos simples de optimización
mı́n 0,01x1 + 0,04x2 + 0,05x3
s.a.
0,5x1 + 0,3x2 ≥ 120
0,1x1 + 0,3x2 + 0,6x3 ≥ 200
0,2x1 + 0,3x2 + 0,3x3 ≥ 30
x1 , x2 , x3 ≥ 0
(Emisión de SO2 )
(requerimientos producto 1)
(requerimientos producto 2)
(requerimientos producto 3)
(no negatividad)
8 / 16
 Modelos de optimización

Modelos simples de optimización

El problema de Machine Learning

Dado un conjunto de datos (X i , Y i )N p

i=1 , con Xi ∈ R , queremos determinar una función f
que aproxime bien los datos.
La estrategia de regresión consiste en proponer una función f (X .θ) con parámetros des-
conocidos θ.
Los parámetros se estiman resolviendo un problema de optimización.
PN
mı́nŶ ,θ i=1 Error (Ŷ i , Y i )
s.a.
Ŷ i = f (Xi , θ)
En este problema la función objetivo es minimizar la suma de los errores entre la estimación
y los valores reales. La forma en que se mida el error definirá la estructura del problema.

9 / 16
 Modelos de optimización

Modelos simples de optimización

Por ejemplo, la regresión lineal propone una función de la forma

f (X , θ) = θ0 + θ1 X1 + · · · + θp Xp

El problema de optimización a resolver es

PN i i
mı́nŶ ,θ i=1 |Ŷ − Y |
s.a.
Ŷ i = β0 + β1 X1i + · · · + βp Xpi

Otra forma puede ser

PN i
mı́nŶ ,θ i=1 (Ŷ − Y i )2
s.a.
Ŷ i = β0 + β1 X1i + · · · + βp Xpi

10 / 16
 Modelos de optimización

Modelos simples de optimización

El problema de la mochila

Dado un conjunto de n objetos con valores y pesos conocidos se debe decidir que
objetos llevar en una mochila (cuya capacidad es limitada), con tal de maximizar el
valor de la mochila.
Sean v1 , ..., vn los valores de los objetos.
Sean w1 , ..., wn los pesos de los objetos.
Sea K la capacidad máxima de la mochila.
La decisión en este caso es binaria, el objeto va o no a la mochila.

1 si el objeto i se mete en la mochila
xi =
0 si no

El problema a resolver es
máx x1 v1 + x2 v2 + · · · xn vn
s.a.
x1 w1 + x2 w2 + · · · + xn vn ≤ K
xi ∈ {0, 1}.

11 / 16
 Modelos de optimización

Modelos simples de optimización

El problema de Fermat
Supongamos que tenemos m puntos en el plano, a1 , a2 , . . . , an . El problema es de-
terminar las coordenadas de un punto c que esté a la menor distancia acumulada
de todos los n puntos.
Este problema puede ser, por ejemplo, el que se tendrı́a si se quiere ubicar una
central eléctrica que debe alimentar a n pueblos. El objetivo debe ser minimizar el
gasto por conectar los pueblos a la central.
Supongamos, para ser precisos, que ai = (ai1 , ai2 ) y que el punto que se debe en-
contrar es c = (x, y ). Entonces, la formulación que buscamos requiere calcular la
distancia de c a ai y esa es igual a:
q
dist(c, ai ) = (ai1 − x)2 + (ai2 − y )2

Luego el problema es:

n q
X
min (ai1 − x)2 + (ai2 − y )2
i=1

Note que este problema no tiene ninguna restricción.

12 / 16
 Modelos de optimización

Modelos simples de optimización

El problema del vendedor viajero

Supongamos tenemos n ciudades y un vendedor debe visitarlas todas haciendo un
tour con retorno. Es decir, la ruta comienza en la ciudad 1 y pasa una única vez
por cada ciudad hasta retornar a la ciudad 1.
Como dato consideremos dij la distancia entre las ciudades i y j.
Definamos xij como una variable binaria que vale 1 si el vendedor viaja de la
ciudad i a la ciudad j, y vale 0 si no.
Pn Pn
mı́n i=1 j=1 xij dij
s.a. P
n
Pni=1 xij = 1 (entra a cada ciudad j una vez)
j=1 xij = 1 (sale de cada ciudad i una vez)
Nociclos (No ciclado)
xij ∈ {0, 1}.

¿Qué podrı́a pasar si sacamos las restricciones de no ciclado?

13 / 16
 Modelos de optimización

Lectura obligatoria

Carmen Ortiz, Samuel Varas, Jorge Vera (2000). Optimización y Modelos para la Gestión.
Capı́tulo I.
Definición del problema.
Construcción del modelo.
Resolución del modelo.
Validación del modelo.

14 / 16
 Conceptos de optimización

Conceptos de optimización

El problema general de optimización es

mı́n f (x)
(PG)
s.a. x ∈X

En este problema
f : X → R es llamada la función objetivo.
x representa las variables del problema.
X es un conjunto que representa las restricciones que deben satisfacer las variables.

15 / 16
 Conceptos de optimización

Conceptos de optimización
Definiciones fundamentales
Un punto x se dice factible si satisface todas las restricciones. Frecuentemente
abusamos del lenguaje y llamamos a x una solución factible.

16 / 16
 Conceptos de optimización

Conceptos de optimización
Definiciones fundamentales
Un punto x se dice factible si satisface todas las restricciones. Frecuentemente
abusamos del lenguaje y llamamos a x una solución factible.
El conjunto X se denomina conjunto de factibilidad o región factible.

16 / 16
 Conceptos de optimización

Conceptos de optimización
Definiciones fundamentales
Un punto x se dice factible si satisface todas las restricciones. Frecuentemente
abusamos del lenguaje y llamamos a x una solución factible.
El conjunto X se denomina conjunto de factibilidad o región factible.
Una solución x ∗ ∈ X se denomina mı́nimo local si f (x ∗ ) ≤ f (x) para todo x ∈ X
cercano a x ∗ .

16 / 16
 Conceptos de optimización

Conceptos de optimización
Definiciones fundamentales
Un punto x se dice factible si satisface todas las restricciones. Frecuentemente
abusamos del lenguaje y llamamos a x una solución factible.
El conjunto X se denomina conjunto de factibilidad o región factible.
Una solución x ∗ ∈ X se denomina mı́nimo local si f (x ∗ ) ≤ f (x) para todo x ∈ X
cercano a x ∗ .
Una solución x ∗ ∈ X se denomina mı́nimo global si f (x ∗ ) ≤ f (x) para todo x ∈ X
factible. En este caso se dice que x ∗ es la solución óptima del problema.

16 / 16
 Conceptos de optimización

Conceptos de optimización
Definiciones fundamentales
Un punto x se dice factible si satisface todas las restricciones. Frecuentemente
abusamos del lenguaje y llamamos a x una solución factible.
El conjunto X se denomina conjunto de factibilidad o región factible.
Una solución x ∗ ∈ X se denomina mı́nimo local si f (x ∗ ) ≤ f (x) para todo x ∈ X
cercano a x ∗ .
Una solución x ∗ ∈ X se denomina mı́nimo global si f (x ∗ ) ≤ f (x) para todo x ∈ X
factible. En este caso se dice que x ∗ es la solución óptima del problema.
Se denomina valor óptimo al valor que toma la función objetivo en la solución
óptima. Es decir, el valor óptimo es f (x ∗ ) donde x ∗ es la solución óptima.

16 / 16
 Conceptos de optimización

Conceptos de optimización
Definiciones fundamentales
Un punto x se dice factible si satisface todas las restricciones. Frecuentemente
abusamos del lenguaje y llamamos a x una solución factible.
El conjunto X se denomina conjunto de factibilidad o región factible.
Una solución x ∗ ∈ X se denomina mı́nimo local si f (x ∗ ) ≤ f (x) para todo x ∈ X
cercano a x ∗ .
Una solución x ∗ ∈ X se denomina mı́nimo global si f (x ∗ ) ≤ f (x) para todo x ∈ X
factible. En este caso se dice que x ∗ es la solución óptima del problema.
Se denomina valor óptimo al valor que toma la función objetivo en la solución
óptima. Es decir, el valor óptimo es f (x ∗ ) donde x ∗ es la solución óptima.
El valor óptimo siempre es único!.

16 / 16
 Conceptos de optimización

Conceptos de optimización
Definiciones fundamentales
Un punto x se dice factible si satisface todas las restricciones. Frecuentemente
abusamos del lenguaje y llamamos a x una solución factible.
El conjunto X se denomina conjunto de factibilidad o región factible.
Una solución x ∗ ∈ X se denomina mı́nimo local si f (x ∗ ) ≤ f (x) para todo x ∈ X
cercano a x ∗ .
Una solución x ∗ ∈ X se denomina mı́nimo global si f (x ∗ ) ≤ f (x) para todo x ∈ X
factible. En este caso se dice que x ∗ es la solución óptima del problema.
Se denomina valor óptimo al valor que toma la función objetivo en la solución
óptima. Es decir, el valor óptimo es f (x ∗ ) donde x ∗ es la solución óptima.
El valor óptimo siempre es único!.
La solución óptima puede o no ser única. El conjunto de soluciones óptimas se
denota por argminx∈X f (x).

x ∗ ∈ argminf (x) ⇔ f (x ∗ ) = mı́n f (x)

16 / 16