Traducción Word Trabajo Topicos

Este artículo fue publicado en una revista de Elsevier.
La copia
adjunta se proporciona al autor para uso no comercial de
investigación y educación, incluso para instrucción en la
institución del autor, compartir con colegas y proporcionar a la
administración de la institución.
Otros usos, incluida la reproducción y distribución, o la venta o licencia de
copias, o la publicación en sitios web personales, institucionales o de
terceros están prohibidos.
En la mayoría de los casos, a los autores se les permite publicar
su versión del artículo (por ejemplo, en forma de Word o Tex) en
su sitio web personal o repositorio institucional. Se recomienda a
los autores que necesiten más información sobre las políticas de
archivo y manuscritos de Elsevier que visiten:
http://www.elsevier.com/copyright
Copia personal del autor
Investigación de Transporte Parte E 44 (2008) 47–65

www.elsevier.com/locate/tre
Desigualdades válidas para la relajación

lagrangiana en un problema de localización de
inventario con capacidad estocástica
,2
Pablo A. Miranda a.1, Rodrigo A. Garrido b,*
a Escuela de Ingenieros Industriales, Pontificia Universidad Cat o ' l i c a de Valpara ı'so. Av. Brasil 2241, Casilla 4059, Valpara ı'so,
b
Chile Departamento de Ingeniería de Transporte, Pontificia Universidad Cat o ' l i c a de Chile, Vicun ̃ a Mackenna 4860, Macul,
Casilla 306, Santiago 22, Codigo 105, Chile
Recibido el 21 de diciembre de 2005; aceptado el 11 de abril de 2006
Abstracto
Desarrollamos una heurística eficiente para resolver un modelo conjunto de ubicación, distribución e inventario para
una cadena de suministro de tres capas. Una empresa debe ubicar centros de distribución para suministrar un
producto básico a minoristas distribuidos espacialmente con demanda estocástica. El enfoque de la solución se basa en
la relajación lagrangiana, mejorada con restricciones de validez derivadas del conjunto exacto de todas las
combinaciones posibles de demanda media y varianza. El límite inferior de la solución óptima se encuentra a través de
la solución óptima del problema dual. La brecha dual da un umbral al error de la heurística. La heurística se aplicó a
98 instancias con un umbral de error promedio del 3%.
© 2006 Elsevier Ltd. Todos los derechos reservados.
Palabras clave: Modelos de inventario-ubicación; Problemas de ubicación de las instalaciones; Diseño de redes de distribución;
Relajación lagrangiana; Desigualdades válidas
1. Introducción y revisión de la literatura
El problema del diseño de la red de distribución (DNDP) es uno de los temas principales en la
logística y la gestión de la cadena de suministro. El problema es el siguiente. Un conjunto de plantas y
clientes están dispersos espacialmente en una región geográfica. Por lo general, los clientes se enfrentan a
la demanda estocástica de una variedad de productos ofrecidos por las plantas. De manera óptima, un
conjunto de instalaciones de distribución debe estar ubicado en la red de distribución y los clientes deben
estar asignados a al menos una instalación. La literatura ha abordado este problema desde diferentes
ángulos. Dos de los enfoques más comunes son la aproximación continua (ver Daganzo, 2004) y el problema
de la ubicación de las instalaciones y sus muchas variantes. Para una revisión exhaustiva de
losproblemas de localización de la facil (FLP), véase Hamacher y Drezner (2002); Bramel y Simchi-Levi
(2000); Daskin (1995), y Garrido (2001). El enfoque seguido en este
*
Autor para correspondencia. Teléfono: +56 2 686 4270; Fax: +56 2 553 0281.
Dirección de correo electrónico: rgarrido@ing.puc.cl (R.A. Garrido).
1 Apoyado por Universidad Andr e's Bello, Chile, bajo la Subvención 31-05/R, y la Fundación Nacional de Ciencia y Tecnología de
Chile (FONDECYT) bajo la Subvención 1060945.
2
Apoyado por la Fundación Nacional de Ciencia y Tecnología de Chile (FONDECYT) bajo grant 1050673, y la Iniciativa de
Transporte de Maryland en la Universidad de Maryland.
48 P.A. Miranda, R.A. Garrido / Transportation Research Parte E 44 (2008) 47–65
el papel pertenece a la clase de modelos FLP. Estos modelos suelen concebirse a nivel estratégico,
considerando estructuras de costos lineales, incorporando costos de instalación y transporte. Sin embargo,
en muchas situaciones, las decisiones estratégicas (a largo plazo) están muy influenciadas por decisiones
tácticas (a corto plazo) y, por lo tanto, descuidar el efecto de estas últimas puede conducir a decisiones
subóptimas. Además, cuando las decisiones estratégicas y tácticas interactúan entre sí, la estructura de
costos lineal ya no se sostiene. Ejemplos de estas interacciones son el efecto del inventario en las
decisiones de ubicación y el efecto del enrutamiento en las decisiones de inventario. Recientemente,
algunos autores han incorporado decisiones de control de inventario en FLP. Por ejemplo, Jayaraman
(1998) incorpora el inventario del modelo EOQ y los costos de pedido en una estructura FLP, asumiendo
tamaños de lote y demandas deterministas. Nozick y Turnquist (1998, 2001) incorporan los costos de
inventario asumiendo las demandas para llegar de manera Poisson y una política de inventario de stock
base (que consiste en un sistema de pedidos uno por uno). Nozick y Turnquist (1998) aproximan una
función lineal de los costos totales de inventario, en función del número de centros de distribución
instalados; esta aproximación se incorpora a la función objetiva del modelo FLP. Nozick y Turnquist
(2001) minimizan los costos de inventario y las demandas incumplidas , incorporándolos iterativamente en
los costos de instalación de fixed.
Miranda y Garrido (2004a), Daskin et al. (2002) y Shen et al. (2003), presentan versiones similares de un
modelo FLP con decisiones de control de inventario. En estos trabajos, las decisiones de pedido se basan
en el modelo EOQ. Un factor común es la estrategia de control de inventario (Q, R), considerando el tamaño del
lote como una variable de decisión. Esas estructuras modelo asumen normalidad e independencia para el
patrón de demanda. Sin embargo, difieren mucho en los métodos de solución. De hecho, mientras Daskin
eta l. (2002) y Miranda y Garrido (2004a) aplican diferentes versiones del método de relajación lagrangiana,
Shen et al. (2003) reformulan el problema como un problema de cobertura de conjunto, que luego se
resuelve a través de una mezcla heurística híbrida de generación de columnas y branch y métodos enlazados.
En Shen et al. (2003) y en Daskin et al. (2002) los clientes representan a los minoristas, donde cada uno de ellos
es un candidato potencial para un centro de distribución. En Miranda y Garrido (2004a) cada cliente
representa un cúster de entidades de demanda final. Además, Miranda y Garrido (2004a) presentan una
evaluación numérica de los beneficios de este enfoque simultáneo (decisiones de localización de
inventarios), en lugar del enfoque secuencial tradicional, en el que decisiones de localizacióna re tomada
independientemente de las decisiones de control de inventario.
Miranda y Garrido (2004b), proponen un modelo que incorpora un nuevo conjunto de restricciones que
añaden más realismo al problema. Normalmente, las restricciones de capacidad en los modelos FLP
limitan la demanda promedio que se asociará a cada centro de distribución. El significado práctico de este
conjunto de restricciones no siempre está claro. Por ejemplo, si la capacidad está asociada al tamaño de la
flota, esta última podría fluctuar (a un costo determinado), lo que hace que el descansono sea práctico. Por
otro lado, si la capacidad está asociada a la capacidad de almacenamiento, las restricciones están realmente
vinculadas al nivel de inventario en lugar de a la demanda promedio atendida en un período determinado
(de hecho, es posible operar de manera JIT o cross-docking evitando el mantenimiento de inventario para
cualquier volumen de demanda por período). En el caso de que la capacidad esté asociada al suministro de un
proveedor ascendente (por ejemplo, una planta de producción), nuevamente la capacidad debe expresarse
en función de los tamaños de lote de aguas arriba, en lugar de una función de la demanda media servida.
La literatura presenta diferentes enfoques para resolver los modelos FLP. Por ejemplo, Barceló y
Casanovas (1984), Klincewicz y Luss (1986), Nozick (2001) y Bramel y Simchi-Levi (2000) aplican la
relajación lagrangiana además de la heurística básica incrustada para obtener soluciones factibles en cada
iteración. Chung et al. (1992) resuelven un FLP a través de B&B considerando el problema dual de un
conjunto de relajaciones lineales. Neebe y Rao (1983) aplican un método de generación de columnas
incrustado en un esquema B&B, reformulando el problema como un conjunto que cubre el problema.
Kratica et al. (2001) aplicar a los lgoritmos genéticos para resolver la FLP.
El problema a resolver en este artículo es el de ubicar un conjunto de instalaciones con capacidades de
almacenamiento y pedido restringidas, para atender a un conjunto de clientes conocidos y fijos distribuidos
espacialmente con demandas estocásticas, que deben satisfacerse a un determinado nivel de servicio. El
modelo matemático correspondiente es altamente complejo debido a la incorporación de terms no lineales
en las restricciones y la función objetiva, lo que hace que los métodos FLP estándar sean difíciles de aplicar.
Por esta razón, se desarrolla un nuevo método de solución basado en la relajación lagrangiana junto con
una heurística compleja (que, debido a su complejidad, se utiliza solo en una fracción de las iteraciones). La
heurística se basa en un procedimiento codicioso y métodos de mejora local del tipo k-opt . Para una
revisión exhaustiva de los métodos k-opt y otros métodos y aplicaciones de búsqueda locales, véase
Miranda y Garrido (2005), Garrido (2001), Wolsey (1998), Nemhauser y Wolsey (1988) y Koskosidis y Powell
(1992). Por último, proponemos un conjunto de desigualdades que ayudan a estrechar los límites duales
como parte de la
P.A. Miranda, R.A. Garrido / Transportation Research Parte E 44 (2008) 47–65 49
proceso de relajación. Estas desigualdades surgen de los límites factibles que emergen de todas las posibles
combinaciones de medios y variaciones de diferentes grupos de puntos de demanda .
La formulación del problema se presenta en la Sección 2. El método de solución se describe en detalle en
la Sección 3. La sección 4 presenta una heurística lagrangiana, diseñada para obtener soluciones factibles
para el problema original. La sección 5 presenta los principales resultados de una aplicación numérica de los
métodos propuestos. Las principales conclusiones se presentan en la Sección 6.
2. Formulación de problemas
Miranda y Garrido (2004a, 2005a) desarrollaron un modelo de programación matemática para localizar
de forma óptima un conjunto de instalaciones, capacitadas tanto en tamaño de almacenamiento como de
pedido. Estas instalaciones deben servir a un conjunto de clientes espacialmente desprestigiados con
demandas estocásticas, para satisfacer un nivel dado de servicio al costo mínimo del sistema. Ese modelo se
resolvió a través de la relajación lagrangiana. En este trabajo, se han agregado dos nuevas restricciones de
capacidad, una para el inventario y otra para el proceso de pedido, para mejorar los límites duales. El modo
de localizaciónde inventario l con limitaciones de capacidad (ILMCC) desarrollado por Miranda y Garrido
(2004a) se puede resumir de la siguiente manera:
Parámetros y variables:
M número de clientes a atender

N número de posibles almacenes
i índice para el sitio de almacén i
j índice para el cliente j
Xi variable binaria, tomando el valor 1 si un almacén está instalado en el sitio i, y 0 en caso contrario
(decisión var - iable)
Variable binaria Y ij, tomando el valor 1 si almacén i sirve al cliente j, y 0 en caso contrario (variable de
decisión)
Di significa demanda diaria a asignar al almacén i (variable dependiente)
Vi varianza de la demanda diaria asignada al almacén i (variable dependiente)
dj demanda diaria media para cada cliente j (parámetro)
vj variación de la demanda diaria para cada cliente j (parámetro)
Qi tamaño del pedido en el almacén i (variable de decisión)
QCapacidad máxima de tamaño del pedido (parámetro)
Capacidad de inventario del almacén ICap (parámetro)
FC igastos diarios de instalación y funcionamiento para el almacén i
(parámetro) TCij coste total diario de transporte desde el almacén i hasta
el cliente j (parámetro)
UOCi coste unitario por pedido a transportar de una planta a almacén i
(parámetro) OCi fixed costes de pedido para almacén i (parámetro)
HCi coste diario de mantenimiento por unidad de producto en el almacén i (parámetro)
1 — un nivel de servicio vinculado al nivel de existencias de seguridad en cada almacén (parámetro de control)
1 — b nivel de servicio vinculado a la limitación de la capacidad de inventario en cada almacén (parámetro de
control)
Valor Zh de la distribución normal estándar acumulativa hasta una probabilidad de h

LTi plazo de entrega determinista al realizar el pedido desde el almacén i (parámetro)
El modelo está formulado de la siguiente manera:

XN XN XM X
Qy
DNy
Q
Min i1/4
1 FC
N i · Xi þ laUOCi · dj t tc ij Y ij you
i1/4
1 d1/
41 i1/4
1 OCi þ HCi
i
X a p ffiffiffi 2 i ffipffiffiff
ffþ HCi · Z 1— L i
s:t:: i1/4
1
1T
X
N
Y ij 1/4 1 8j 1/4 1; . . . ; M 2Th
i1/41
Y ij 6 X i 8i 1/4 1; . . . ; N ; 8j 1/4 1; . . . ; Mð 3T
X M
Di 1/4 Y ij · dj 8i 1/4 1; . . . ; N 4T
j¼1
X
M
V i 1/4 Y ij · vj 8i 1/4 1; . . . :; Nð 5T
d1/41
0 6 Qi 6 QMáximo 8i ¼ 1; . . . ; N ð6Þ
pffiffiffiffiffiafirthonorario
Qen ti Z1—a t Z 1—b pffiLT
ffiafirthonorariio · V i 6 ICap · X i 8i 1/4 1; . . . ; N 7T
X i; Y ij 2 f0; 1g 8i 1/4 1; . . . ; N ; 8j 1/4 1; . . . ; Md 8T
La expresión (1) representa los costos diarios totales del sistema. El primertérmino es el costo de
configuración y operación de fixed al abrir almacenes. El segundo término es el costo diario de transporte entre
cada almacén y sus cus- tomers asignados, más los costos de transporte y pedido entre la planta y los almacenes.
El tercer término contiene los costos fijos de pedido e inventario para el tamaño de pedido de almacén
correspondiente. El cuarto término representa el costo de almacenamiento asociado al stock de seguridad en
cada almacén. Eq. (2) garantiza que cada cliente sea atendido por un solo almacén. La expresión (3) evita
que los clientes sean asignados a almacenes inexistentes. Las expresiones (4) y (5) vinculan la media y la
varianza de la demanda de cada almacén, a la media y la varianza de la demanda de cada cliente asignado a
eso. Eq. (6) establece el rango aceptado para el tamaño del lote (no negatividad y restricciones de
capacidad). La expresión (7) es la restricción de la capacidad de inventario estocástico. Esta desigualdad se
obtiene asegurando que la probabilidad de exceder la capacidad de inventario es menor que un valor dado
(ver Miranda y Garrido (2004a,2005a) para más detalles). Finalmente, la expresión (8) especifica que las
variables de diseño son binarias.
3. Enfoque de solución
3.1. Relajación y descomposición
Para resolver el modelo de ubicación de inventario con restricciones de capacidad (ILMCC en expresiones
(1)–(8) es conveniente relajar las restricciones que vinculan la media y la varianza de la demanda del
almacén con la media y la varianza de la demanda de los clientes (restricciones (4) y (5)). Después de la
relajación, Di y Vi se convierten en variables de decisión independientes de la ubicación de los almacenes y
las variables de asignación. Además, para transformar el problema relajado en una estructura separable,
las restricciones (2) también deben relajarse.
Sea w, k y x los vectores variables duales de restricciones (2), (4) y (5) respectivamente. La función objetivo
relajada se puede reescribir de la siguiente manera:
XN X NX M X N Di XN Qi
Fc · X þ UOC · d þ Tc þ k · d þ x · v — w · Y þ Oc Hc ·
Y
d1/
41 i j Y i1/41 o 2
j
i1/41 Yo
N Y i j N ij i j M Ij i1/41 y · þo
o i1/41 Q
X p ffiffiffiffi ffiffiffi ffi p ffiffiffiffi ffi X X
þ Hci · Z 1—a · L T i · V i — ðki · Di þ xi · V i Þ þ wj ð9Þ
i1/4 i1/4 d1/
1 1 41
Notablemente, la expresión (9) es separable para el índice i (uno para cada almacén). El subproblema para
cada almacén i es el siguiente:
X
M
SPi : Min UOCi · dj t tc ij you ki · dj x i · vj — w j J D· Y ij
j1/41
Di Qi
þ Oc t Hc i · Hc Y· Z Y Y
y·
1—
ú
Q o
Y o a ·pff o o
Segun
i ffiffiffi
L
Tffiffiffi
ffiffi i ffiffiffi
· ffiv
pff
— ðki · Di x i · V i TH FCi · X i
s:t::
Y ij 6 X i 8j 1/4 1; . . . ; M
0 6 Qi 6 QMáximo
pffiffiffiffiffiafirthonorario
Qen ti Z1—a t Z 1—b pffiLT ffiaftirhonorariio · V i 6 ICap · X i
X i; Y ij 2 f0; 1g 8j 1/4 1; . . . ; M 10Th
Debido a la naturaleza combinatoria de agrupar clientes para ser atendidos por un almacén, no todos los
valores de Di y Vi son factibles. De hecho, como la media y la varianza de cada almacén reflejan las de los
clientes atendidos, solo D i y Vi pueden tomar ciertos valores discretos. Esta característica no afecta al
problema original, ya que la definición de Di y Vi se escribe explícitamente como un conjunto de
restricciones. Sin embargo, la versión relajada SP i no refleja la naturaleza combinatoria de Di y Vi y, por lo
tanto, debe hacerse explícita para encontrarsoluciones factibles al problema original. Esto último se realiza
a través de la restricción (11),que representa un conjunto de desigualdades de validez para Di y Vi, en el que
es el dominio de todos los valores factibles para cada combinación de clientes.
ðDi; V i T 2 X 11Th
La caracterización del espacio (11) se describe y discute en la Sección 3.2.
El subproblema (10) se puede resolver para todos los sitios posibles a través de la subrutina DELTA de la
siguiente manera:
Algoritmo 3.1. DELTA(w,k,x)
para 8
i 1/4 1 a N
>D P M d kd x v w
P
t
1/4 FCi ú
Yo d1/41 Mín. f0; UOCi ·
i j t tc ij i · j th y · j - jg
þ
> donde D Q
pffiffiffiffiffiLt afirthonorarioipffiffita
: ; V ;
y y
r if a h
ono
a
r
i t arif a V Yo — ki · Di — xi · En
D y y
>< P 1/4 Min
s:t::
i OCi Q þ HCi 2 þ HCi · Z1: a Yo
ð1Þ
do> 0 6 Q 6 Q
i
> i
p p
Qi þ Z1—a Máximo þ Z1—b LT ffiffiffiffiiffiafirthonor
· ario V i 6 ICap
>:ðDi; Vffiffiafirthonory Þario 2 X
si Di < 0
8
Xi ¼1
>
>< para j 1/4 1
entoun n
nces 0 UOCi · dj t tc ij you ki · dj x i · vj — wj P 0
Y
> del Ij ¼ 1 UOCi · dj t tc ij you ki · dj x i · vj — wj < 0
>
: Di; V i; y Qi conserva los valores obtenidos de ð1Þ
> X y 1/4 Dy 1/4 V y 1/4 Qy 1/4 0
else Y ij ¼ 0 8j:
La resolución y el cálculo de Pi se abordan en la Sección 3.3.
La kªvez que se invoca DELTA, con los parámetros wk, kk y xk, encontramos valores para las variables
primarias, Xk, Yk, Dk, Vk y Qk. Las variables duales vinculadas a las restricciones relajadas (es decir, los
parámetros wk, k k y xk) se actualizan en cada paso a través de un subgrado esquema de optimización,
que utiliza el vector de holgura de las restricciones relajadas como dirección ascendente (para más detalles
ver Miranda y Garrido, 2004a o Nozick, 2001). Para actualizar los multiplicadores lagrangianos, se requiere
una solución factible del problema original. Para encontrar tal solución, se propone un método urístico en
la Sección 4.
En la convergencia, DELTA proporcionará el límite inferior al valor óptimo del ILMCC. Por lo tanto, si
el esquema de subgrado converge sin alcanzar la viabilidad de las restricciones relajadas, entonces el método
propuesto proporciona una solución factible y una estimación del límite superior del error para esa solución.
Este límite es siempre igual o inferior a la diferencia realentre la solución factible actual y la solución óptima.
De hecho, la brecha dual en la optimalidad en los programas enteros mixtos no siempre es cero, de ahí la
diferencia entre
la solución dual y la solución factible primaria actual es igual o mayor que el error real (diferencia entre las
soluciones factibles y óptimas actuales). Por otro lado, si el esquema de subgrado converge alcanzando la
viabilidad para las restricciones relajadas, entonces el método propuesto da la solución óptima (ya que la
brecha dual sería cero).
3.2. Caracterización del espacio factible X
Las variables Di y Vi representan la media y la varianza de la demanda atendida por el almacén i. Por lo
tanto, dependen de la demanda de aquellos clientes agrupados bajo el almacén i. Como tal, estas dos
variables sólo pueden tomar un conjunto de valores precisos, dado por las diferentes opciones de
agrupamiento para los clientes M (de naturaleza combinatoria). En consecuencia, X representa el dominio
de todas las combinaciones posibles para Di y Vi. Por lo tanto, los límites superior e inferior de estas variables
son los siguientes:
0 6 Dy 6 Dtodo
0 6 Vi El12
De 6
Va
Dónde Dhasta y Vhasta son el significar y el varianza de el total demanda. Entonces para cada valor de Di, el
máx- imum y mínimo valores mosto ser Computada para su correspondiente varianza Vi. Dejar estos Límites ser
V MáximoðDiÞ Y
o
min
y V ðD Y iÞ, respectivamente. Posteriormente Restricciones (13) son el Fronteras de el espacio X.
o
V YminðDiÞ 6 En i 6 En Máximo
Y ðDiÞ 8Di 6 Dhasta ð13Þ
o o
Dado que Dtot ocurre cuando todos los clientes están agrupados, su varianza solo puede tomar el valor Vtot y,
por lo tanto, Eq. (14) es una condición límite para el espacio X.
V max men
Y ðDParat Þ ¼ V Y ðDParat Þ ¼ V hasta ð14Þ
o o
Para un valor dado de Di, los valores V maxðDiÞ y V minðDiÞ se pueden calcular de la siguiente manera:
i i
P M
V º
Máximo
Yo D 1/4 Máximo
d1/41 El15
v · PM
Yi j Ij
s:t: : dj · Y ij 6 Di; Y ij 2 f0; 1g 8días
d1/
P 41 M
V º D 1/4 Min
min
Yo
d1/41 El16
v· P
Yi
M
j Ij
s:t: : dj · Y ij P Di; Y ij 2 f0; 1g 8días
d1/
41
Dada la complejidad de resolver problemas (15) y (16) a la optimalidad, sus relajaciones lineales se utilizarán
en su lugar (ampliando artificialmente el espacio factible). Los dos problemas (15) y (16) son independientes de
cada almacén específico (sólo la variable de decisión Di depende del emplazamiento). Por lo tanto, hay una
solución para cada valor numérico de Di independientemente de dónde se encuentre el almacén i.
Las relajaciones lineales de (15) y (16) se resuelven para cada valor de Di, por las subrutinas
UPPER_VARIANCE y LOWER_VARIANCE, que se derivan directamente de la método de solución para un problema
de mochila relajada , cuya validez se puede establecer a través de las condiciones de optimalidad del
método simplex. Véase Bradley et al. (1977); Bazaraa y Shetty (1976) o Bazaraa y Jarvis (1977).
Algoritmo 3.2. VARIANZA_SUPERIOR(Di)
para i 1/4 1 a n
Organice los clientes en una lista L en orden
ascendente de dj=vj: El17
del Agregar Elementos de L Para a Nuevo lista R;
mientras satisfactorio :
>:
P dr 6 Dy
r2R
Sea r* el próximo cliente en L que violaría (17).
Dejar a1 ser el proporción de el cliente r*'s demanda drω , ese Satisface el siguiente condición:
X
dr þ a1 · drω 1/4 Di
18Este
r2R
Calcule la relajación lineal de (15) de la siguiente manera:

X
V~Y perox ðDi Þ ¼ vr þ a1 · vrω
o r2R
~Yo
Regreso
máx.
En
19Ésimo
El subrutina BAJAR_VARIANZA, cuál Da el valor de V~ minðDiÞ, es no
Y presentado aquí desde eso es equivalente
a UPPER_VARIANCE. o
Conceptualmente el Subrutinas BAJAR_VARIANZA y SUPERIOR_VARIANZA Podría ser ejecutado para varios

valores de Di, obtención a poner de ~ min ~ MáximoðDiÞ, para a1 = 1. Éste Sería proporcionar a
Y valores V Y ðDiÞ y V
poner de límite Puntos o o
~
(Di, V Y Máximo ~ min
Þ y (Di, V Y Þ. Todo intermedio Soluciones caer en el recto lineas conectivo estos Puntos. Estos
las líneas
o definen el casco
o convexo de todas las combinaciones posibles Di, Vi. Por lo tanto, la forma de X se
muestra en 1 2
Fig. 1 donde v , v , . . . , vm y v1, v2, . . . , vm son el conjunto de valores V max y V min respectivamente para a1 = 1, donde
i i
m es el número de clientes.
3.3. Un procedimiento exacto para calcular P i
En la Sección 3.1, la subrutina DELTA necesitaba la solución del siguiente problema:

Qi pff
P 1/4 min OC Dy HC HC · Z — x · En Eldía
20
Tffiffiffi
pff
Yo y · þ i · y 1—a i i i iii
Dy ; V y ; Qy
Q 2º y
El 21
s:t: :
Qi 6 QMáx.
p ffiffiffiffi ffiffiffi ffi pffiffiffiffi ffi
Qi þ ðZ 1—a þ Z 1—b Þ L T i · i 6 ICap ð22Þ
ðD ; En T 2 X 23I
Figura 1. Espacio factible para Di, dado Vi.
Además del espacio X, existen las siguientes cuatro posibilidades para el óptimo de este problema:
Caso 1: No hay restricciones activas .

Caso 2: Solo la restricción (21) está
activa. Caso 3: Sólo la restricción (22)
está activa. Caso 4: Ambas
restricciones están activas.
3.3.1. Solución para cada caso de restricciones activas

Caso 1: El problema Se convierte el especial caso (24). Si el solución de problema (24) Satisface (21) y (22)
entonces su solución Resuelve Pi. De otra manera el restante Tres Casos have Para ser Analizado.
Min Allí · Qi
Z Y · HC k · D — x · En El24
o
pff
i ffiffiffi
L
Tffiffiffi
ffiffi
·
pff
i ffiffiffi
V
ffi Di
þ OCY Y t Y Y Y Y
1—
· · —
Q ú
a o o y i o o o o
2
s:t: : ðDi; V i Þ2 X
Nota ese Qi es irrestricto por lo tanto su óptimo es el siguiente:
pffiffiffiffiffiffihonorariohonorariotarifa
Qωy 1/4 2 · OCy · Di =HCy El25
Sustituyendo (25) por (24), el problema se convierte:
pffiffiffiffi ffiffiffi ffi p ffiffiffiffi ffi p ffiffiffiffi ffiffi ffiffiffiffi ffiffiffi ffiffiffi ffiffi ffiffiffi ffiffiffiffi pffiffiffiffi
Min HCi · Z 1—a · T i · V i þ 2 ·O C i ·H C · i — ki ·
El26
s:t:
D : d ; En T 2 X
i — xi · V i
ii
La solución del problema (26) llega al borde del espacio X, porque su función objetiva es estrictamente cóncava
(excepto en el origen). Además, debido a que el borde es lineal por partes (ver Fig. 1), existirá al menos una
solución óptima en los vértices de X. Esta propiedad fue identificada por primera vez en un modelo similar por
Miranda y Garrido (2004a).
Caso 2: El problema Considera solamente restricción (21) Para ser activo en optimalidad. Por lo tanto el
Problem Se convierte el siguiente:
Min Hc · Z Qi
Y · HC k · D — x · En El27
o
pff
i ffiffiffi
L
Tffiffiffi
ffiffi
·
pff
i ffiffiffi
V
ffi Di
1— þ OCY Y
· t · — Y Y Y Y
Q ú
a o o y i o o o o
2
s:t: : Qi ¼ QMáximo; ðDi; V i Þ 2 X
Sustituyendo Qi = QMáximo en el objetivo función:
Min Hc · Z Dy QMaxy
Y · Y· þ Hc Y· — k Y· D — x · En El28
o o Q Máx. o 2 o
pff Yo
i ffiffiffi
L
Tffiffiffi
ffiffi
·
pff
i ffiffiffi
V
1—
ffi Y Y Y Y Y
a þ OCo o o o o
s:t: : ðDi; V i Þ 2 X
Esta función objetiva es cóncava, por lo tanto, de nuevo existirá al menos una solución óptima en los vértices de
X.
Caso 3: El problema considera sólo (22) como activo en la optimalidad. Por lo tanto, el problema se convierte
en el siguiente:
Min HC · Z Qi
HC k · D — x · En
pff
·
Tffiffiffi
pff
s:t: : i 1— i i · þ i· —i ii
y El29
a pffiffiffiffiffiffi Q ii 2
ffiffi pffiffiffi
ffiffi
Qen ti Z1–a tú Z1—bTh LTi · V i 1/4 ICap
ðDi; V y Þ 2 X
pffiffiffiffi ffiffiffi ffi p ffiffiffiffi ffi
Sustitutoide Qi ¼ Icap — Z 1—a þ Z 1—b T i · V i en el objectIve functien:
Min HC ·Y Z 1— Y Y Y pffiffiffiffiffiffiffiffi pffiffiffiffi ffi
o a o o o 1— T Lt · E Y
·pff b ú n
o
i ffiffiffi Y Y Y
TffiLffiffi o o o
ffiffi pffiffiffiffi
ffiþ · Di
OC · ICap —
EdZ
1— þ
a Co
1 Y Y Y
þ Yo
HC · ICap — ðZ iiþpff ffiffiffiffiZffffi ffi o o
o
1—
pff
iÞLffiffiffi — 1—b El30
2 T ·
a V k · D — x · En
s:t: : ðDi; V i Þ2 X
Nótese que para cada valor de Vi, la función objetivo es lineal en Di, de modo que existirá al menos una
solución óptima en el borde de X. Manteniendo Vi constante, la arista de X está formada por los valores mínimo
y máximo de Di, es decir, D min(V) y Dmax(V) como representado en la Fig. 2.
Caso 4: El problema considera tanto (21) como (22) activos en óptimas condiciones. Por lo tanto, el problema
se convierte en el siguiente:
Qi
Min CO Dy CI IC ·
Con — x · En
pff
·
Effiffiffi
pff
s:t: y · þ i · i 1— i i i iii El31

: Q 2 a
p ffiffiffiffi ffiffiffi ffi pffi ffiffiffi ffi
Qi ¼ QPerox ; Qi þ Z 1—a þ Z 1—b T E i · V i ¼ ICap
ðD ; En T 2 X
ii
Las restricciones de (31) determinan Qi y Vi de la siguiente manera:
ω
Q i ¼ QMáximo
ICap — Q2
Vωi ð32Th pffiffiffiffiffiffiffi
Má
1/4 ffiffi
Z1–a t Z 1—b Ta
m
Sustituyendo (32) en el objetivo función (31) Convierte el problema en un instancia de Caso 3 (véase Higo.
2), entonces otra vez el óptimo solución es situado en el frontera de X.
El procedimiento de optimización para resolver Pi ((20)–(23)) se basa en los cuatro casos anteriores. En lugar de
buscar el
todo el espacio X, el procedimiento se concentra únicamente en el borde de X respetando las restricciones (21) y
(22). Una vez resuelto el problema (20)–(23)) (en la kª iteración), las variables
i Pik; Dki; V k y Qik son deter-
Minado para cada almacénouso i. El delal variosables De Restricciones (21) y (22), /ωi y uωi , son updaTed
como Sigue:
Oci ·Di
Q
— Hci if Qk 1/4 Q ^ Q k< Qi
2
2
< Máx. en Max en
k
/h 1/4 OC2·
i · Di
— si Qk 1/4 Q 1/4 Qy
HCiQ
Q
El 33
en Max en
i 2 4
:> 0
Máximo Y Máx
Sí Qko < Q
Figura 2. Espacio factible para Di, dado Vi.


8 ·
Oci Di Hci k
> — if Qken< Q ^Q
Máximo 1/4 Qi
>
< Q2 2
en
k
en y ω
Sí Q 1/4 k
Máx Q 1/4 Qy
2· 4
1/4 Preg Q
Oc · D
i
— i Hci El34Y Y
o o
>:
Y
0 if Qko < Qi
Dónde:
pffi ffiffiffi ffiffiffi ffi
Qi ¼ Icap — ðZ 1—a þ Z 1—b Þ L T i · El35
q ffiffiffiffi ffi Y
o
k
V
Eqs. (33) y (34) se derivan de las Condiciones de Optimalidad de Karush-Kuhn-Tucker (o alternativamente

de la Propiedad de Holgura Complementaria ), dados los valores D k; V k y Qk. Véase Bazaraa et al. (1993) o
Bradley i i i
et al. (1977).
4. Heurística lagrangiana
Esta sección describe el enfoque heurístico utilizado para obtener soluciones factibles en cada iteración.
El enfoque asume que las soluciones óptimas (Xk, Yk, Dk, Vk, Qk, /k y uk) de los subproblemas SP i, y las
variables duales (wk, kk y xk) son conocidos. Hay tres subrutinas en esta heurística: SITE_SELECTION,
CLIENT_ASSIGNMENT y LOCAL_IMPROVEMENTS.
Para la selección del sitio (almacén), los costos óptimos de los subproblemas SP i se toman como valores
iniciales. Entonces, los mejores sitios P (6N) son chosen.
Algoritmo 4.1. SITE_SELECTION (P, Xk, Yk, Dk, Vk, Qk, /k, u k, wk, kk, xk)
para i 1/4 1 a n
P 1/4 OCV k HC Qk HC · ·pffiffiffiff
Y
o C i ffiffiffi
o
qtffiffiff
i ffi
k
— kk i· Dk — xk ·i V k
>> i iii
< i 1—
i i
Q 2
a
i k i
Yo
del
P>
tú k kk
d1/41
ASCi
1/4
wCopia
CUOi · dj TC:ij þ ki · dj þ xi · kvj — personal del autor
k kj
Sci ¼ Fci þ Pi D ; VY ; Q
Y
þ
Y
Asci
o o o
Y Máx
Hc Y t 2 · / kYt 2 · En k
Y o
o o o
Y 1— 1—b Y Y
Hc Y t 2 · / kYt 2 · En k
Y o a o o
o o o
devolución ðP Sitios en ascendente orden de SciÞ
Los clientes son asignados a los almacenes de manera codiciosa a su almacén más cercano. En el kth iter-
ation, las variables duales, /k y uk, fueron fixed. En consecuencia, las restricciones correspondientes se
expresan por
i i
M
sffiffiffiffiffiffiffiffiffiffi
pff
2ffiffiffiff
i ffiffiffi
D
i ffiffi ffiffi ffiffi

· O ffiffi
þZ
Cffiffiffi ffiffiffiffiffiffiffiffiffi ffiffi

i
·
pff Tffiffiffi
i ffiffiffi
þZ Copiaffiffiffi6 personal
p ffiffiffiffi del autor
L · ICap;
V i 1/4 1; . . . ; NÐ 37T
Algoritmo 4.2. ASIGNACIÓN_CLIENTE (/k, uk)
para j 1/4 1 a m
del
Mientras que el cliente J no está asignado

del
Entre todo potencial Sitios :
8
Seleccione el sitio I a una distancia mínima del cliente J
> si Expresionesð36Tú y ð37Þ sostener
>
< ento
nces
asignarj un
más Yo
>
:
eliminar i del grupo de sitios potenciales
Y
Cuando/kse
duales y uencuentra
k una solución factible (es decir, X k ; Y k; Dk; V k y QkÞ la restricción de capacidadY variables
o
se actualizan desde Eqs. (33) y (34). Luego, un ajuste k-opt de la solución actual, X k ; Y k; Dkk; V kk, yo Qk es
Realizado. Se supone que (después de ser actualizados al final de CLIENT_ASSIGNMENT) / y u permanecen
con-
i i
stant durante esta etapa de mejora local . La primerabúsqueda de mejora local ( 1-OPT) toma cada cliente y
intenta reasignarlo a otro almacén si las limitaciones de capacidad lo permiten. Si el costo total disminuye,
entonces la reasignación es permanente. La segunda búsqueda de mejora local ( 2-OPT) toma pares de clientes en
diferentes almacenes y los intercambia (si las restricciones de capacidad lo permiten); nuevamente, si el costo
total disminuye, el swap se vuelve permanente.
Algoritmo 4.3. 1-OPT (X k; Y k; Dk; En k; Qk; /i ; ui )
k k
para j = 1 a m
del
para i = 1 a n
del
si las expresiones (36) y (37) se mantienen y el costo total disminuye
entonces
asignar J a I
Algoritmo 4.4. 2-OPT (X k; Y k; Dk; En k; Qk; /i ; ui )
k k
para cada par de Clientes {u,v}/u,v 2 5 Almacenes

hacer swap u y v
si las expresiones (36) y (37) se mantienen y el costo total disminuye
A continuación , haga que el intercambio sea permanente
De lo contrario , invierta el intercambio
Los procedimientos 1-OPT y 2-OPT se invocan hasta que no se detecte ningún cambio en el costo total.
Finalmente, se actualizan las variables duales /k y uk.
i i
Toda la heurística se resume de la siguiente manera:
Algoritmo 4.5. LR_HEURÍSTICA ()
Mientras que no se cumplen los criterios de detención 1

do for p 1/4 1 a n
sITE selecDIEZnðÞ
del
clIEnT a ssIgnMEnTðÞ
Mientras que no se cumplen los criterios de detención 2
1-oPTðÞ
a 2-oVIEðÞ
La mejor solución se elige en términos de la función objetivo (1), y se define de la siguiente manera:
X k ; Y k; DkY ktú; V Y k Y ktú; QkðDk; /k; ukTú 38T

Entonces un superior límite de el objetivo función es Computada como Ubk = Min(Ubk—1Ubk), Dónde Ubk es
fundar como Sigue:
N N M N
ubk X X qff
pff
1/4 FCi · Xk x laUOCi · dj þ TC ij Þ· Y k x HCi · Z1—a · i ffiffiffi i ffiffiffi
i L V
Y Ij Y
1/41
o i1/41
d1/
i1/41 Tffiffiff kffi o
41
i ffi ff
X i · i
N
þ Dki k
Oci · þ Hci · Qi El39
i¼1
Qk Yo 2
La heurística lagrangiana directa estándar se aplica en cada paso de la optimización del subgrado. El
3
LR_HEURISTIC es pseudopolinomio con una complejidad de O(CNM ), donde C es el valor más alto de
UOCi Æ dj + TCij en el sistema (ver Miranda, 2004).
5. Resultados computacionales y discusión
En la siguiente aplicación numérica se utilizó un procesador PENTIUM IV de 1,72 GHz con 256 MB de
RAM. Los experimentos numéricos consistieron en 20 almacenes y 40 clientes (840 variables binarias). El tiempo
promedio de ejecución para los ejemplos de prueba fue de 65 s. El objetivo principal de presentar estos
experimentos es mostrar la calidad de las soluciones heurísticas en terms de sus diferencias con los valores
óptimos duales, que proporcionan límites inferiores para la solución óptima del problema original.
El modelo y el enfoque heurístico se validaron a través de un análisis de sensibilidad de los siguientes
parámetros clave: capacidad de pedido, variabilidad de la demanda y costos fijos. Los parámetros de costo se
expresan en una unidad de costo general, CU. Los costos fijos, FC, costos de pedido, OC y plazos de entrega,
LT, para cada almacén se informan en la Tabla 1. Para los costes unitarios de pedido, UOC, y los costes
de mantenimiento, HC, se asumió un valor de 100 CU. Se dio un valor de 1200 para la capacidad de
almacenamiento, mientras que la capacidad del tamaño del pedido se estableció en 600. La media del cliente, la
varianza y el coeficiente de variación (VC) se muestran en la Tabla 2. Tanto los clientes como los posibles
sitios de almacenamiento se distribuyeron aleatoriamente en una plaza con lados de 2000 km. Los costos
de transporte CT se asumieron como 56 CU / km.
Las variaciones de la demanda y los costos fijos variaron ±10%, ±20% y ±30%; la capacidad de pedido,
QMax, se incrementó en 300 unidades, lo que permitió 98 instancias de prueba . Higo. 3 muestra la función
objetiva tanto para la heurística
Cuadro 1
Parámetros de modelado en cada centro de distribución potencial
DC 1 2 3 4 5
FC (CU) 73.8 68.9 70.2 64.1 69.5
OC (CU/Orden) 1249.1 979.8 1112.2 955.5 1132.3
LT (días) 0.5 0.5 0.5 0.5 0.5
6 7 8 9 10
FC (CU) 70.0 76.0 61.7 63.9 74.3
OC (CU/Orden) 1152.9 1380.3 837.4 946.1 1192.0
LT (días) 0.5 0.5 0.5 0.5 0.5
11 12 13 14 15
FC (CU) 73.5 67.6 69.0 70.6 63.3
OC (CU/Orden) 1304.2 1129.9 1188.8 1166.8 900.0
LT (días) 0.5 0.5 0.5 0.5 0.5
16 17 18 19 20
FC (CU) 76.0 66.7 66.5 68.3 72.4
OC (CU/Orden) 1378.8 958.4 1026.3 1029.2 1153.6
LT (días) 0.5 0.5 0.5 0.5 0.5
Cuadro 2
Datos de demanda
Cliente 1 2 3 4 5
Significar 73.8 68.9 70.2 64.1 69.5
Varianza 1249.1 979.8 1112.2 955.5 1132.3
C. de V. 0.5 0.5 0.5 0.5 0.5
6 7 8 9 10
Significar 70.0 76.0 61.7 63.9 74.3
Varianza 1152.9 1380.3 837.4 946.1 1192.0
C. de V. 0.5 0.5 0.5 0.5 0.5
11 12 13 14 15
Significar 73.5 67.6 69.0 70.6 63.3
Varianza 1304.2 1129.9 1188.8 1166.8 900.0
C. de V. 0.5 0.5 0.5 0.5 0.5
16 17 18 19 20
Significar 76.0 66.7 66.5 68.3 72.4
Varianza 1378.8 958.4 1026.3 1029.2 1153.6
C. de V. 0.5 0.5 0.5 0.5 0.5
21 22 23 24 25
Significar 57.7 82.9 58.0 65.3 62.0
Varianza 737.1 1565.5 776.2 1035.7 908.6
C. de V. 0.5 0.5 0.5 0.5 0.5
26 27 28 29 30
Significar 78.0 63.0 75.1 60.8 64.7
Varianza 1428.0 922.6 1403.0 931.7 999.5
C. de V. 0.5 0.5 0.5 0.5 0.5
31 32 33 34 35
Significar 69.3 73.0 71.0 72.0 81.3
Varianza 1053.1 1104.9 1146.8 1170.9 1439.6
C. de V. 0.5 0.5 0.5 0.5 0.5
36 37 38 39 40
Significar 72.6 73.1 65.2 52.7 69.9
Varianza 1334.4 1314.5 1022.6 783.5 1215.6
C. de V. 0.5 0.5 0.5 0.5 0.5
soluciones (límite superior) y las soluciones óptimas duales (límite inferior) y las diferencias entre ellas (como
medida del límite superior para errores). El eje de la abscisa en la Fig. 3 muestra las variaciones en los costes de
financiación. Cada punto de la Fig. 3 corresponde a un promedioe de las 14 instancias (siete niveles de varianza
de demanda y dos capacidades de orden). Higo. 4 es análogo a la Fig. 3 pero muestra los resultados contra los
cambios en las varianzas.
Como era de esperar, los costos del sistema aumentaron junto con los costos fijos y la variabilidad de la
demanda, tanto para la optimización dual como para las soluciones heurísticas. En segundo lugar, la
función objetiva es más sensible a los cambios en los costes de financiación que a la variabilidad de la
demanda. Larazón es que los costes de las existencias de seguridad (incluidos en la función objetivo) son
proporcionales a la desviación estándar de la demanda (raíz cuadrada de la varianza), por lo que existe un
efecto de concavidad (leve) notable en la Fig. 4. Las figs. 3 y 4 también revelan una tendencia en la UBE.
Para los costos fijos, se observan ligeras disminuciones en los errores debido a cambios relativamente
menores en los errores absolutos en comparación con los mayores aumentos en los costos totales. Para las
varianzas, las disminuciones en el UBE son más pronunciadasd y reflejan el impacto que el espacio factible
tiene en el UBE, así como la estanqueidad de doble límite de la relajación lagrangiana. Como se explica en
la sección 3, el espacio factible se construyó a partir de las variaciones de la demanda. Los dos resultados se
consideran enla Fig. 5, que muestra que las reducciones de la UBE absoluta para los cambios en los costes
financieros son insignificantes en comparación con la fuerte reducción en términos de variaciones en
varianza. Para las 98 instancias, el mínimo
Figura 3. La sensibilidad de la solución a los costos de financiación cambia.
Figura 4. Sensibilidad de la solución a los cambios de varianza.
La UBE fue de 2,89% y la máxima de 4,92%. La Fig. 6 muestra un histograma de los errores que denota la
calidad tanto de las soluciones como del procedimiento heurístico.
El impacto de la capacidad de pedido se presenta en la Fig. 7; muestra la función objetivo y el UBE para
las soluciones heurísticas considerando los dos nivelesde capacidad de pedido frente a los siete costos de fixed.
La Fig. 8 es análoga pero en contra de los cambios en la varianza de la demanda. En ambas figuras, como era de
esperar, cuando la capacidad de pedido aumenta la función objetivo disminuye.
Cuadros 3–5 resumir los resultados para tres niveles de varianzas:
— 30%, 0% y +30%, y la capacidad de dos
pedidos Niveles. Estos Mesas mostrar para el heurístico Soluciones cuál Dcs son seleccionado, el valores de
el dual Multiplicadores (vinculado a los contras de capacidad de pedido e inventariotraints), / y u. QW es el
tamaño óptimo de pedido sin restricciones, cuál Toma el promedio demanda cada DC Sirve como fiXed (Eq.
40). Eso es Además conocido como el Wilson lote tamaño. QH es el tamaño del orden encontrado por la
heurística, y QIb es el saldo de inventario en cada uno DC una vez que el stock de seguridad tiene sido Resta,
Eq. (41).
W
QY ¼ 8en el40
pffi o ffiffiffi ffiffi ffiffiffiffi ffiffiffi ffiffiffi ffiffi ffiffiffi ffiffi ffiffi ffi
2 ·O C i ·D i=H
ffiffiffi ffiffiffi ffi
C i
Figura 5. Sensibilidad del valor absoluto de los errores límite superior.
Figura 6. Se observaron límites superiores para los errores de solución en las 98 instancias
analizadas.
pffi ffiffiffi ffiffiffi ffi pffiffiffiffi ffi

QIb
Y ¼ ICap — ðZ 1—a þ Z 1—b Þ L T i · i 8i
o
ð41Þ
Para el —30% cambio en Varianzas (Mesa 4) el orden capacidad restricción es activo para todo Cuatro
seleccionado Dcs (/ > 0) cuando el orden capacidad es 600. QW y QIb son mayor que el orden capacidad
QMax (es decir, / > 0) por lo tanto solo la restricción de tamaño máximo de pedido está activa. Para una
capacidad de pedido de 900, esta restricción no está activa para todos Cuatro Dcs (/ = 0), mientras el inventario
capacidad restricción es activo para Dos de el Dcs (u > 0); QW Iguales QH, pero es más pequeño que la
capacidad del pedido y QIb para los países en desarrollo en los que ambas restricciones están inactivas. Para los
otros dos Dcs su QH adoptar el inventario equilibrar por lo tanto el inventario capacidad es activo (u > 0).
Los efectos anteriores también son evidentes en los otros dos niveles de varianza (0% y +30%). Por
ejemplo, al +30% (cuadro 5) cuando la capacidad se eleva de 600 a 900, las restricciones de capacidad de
pedido en los centros de distribución 8 y 13 ya no están activas y la capacidad de inventario se mantiene
estable. las lluvias se activan. Por el contrario, la restricción de inventario en los países en desarrollo 2 y 3
ya estaba activa, por lo que no se ve afectada por ningún aumento en la capacidad de pedidos.
Figura 7. La sensibilidad de las soluciones heurísticas a los cambios en los costes

financieros.
Figura 8. Sensibilidad de las soluciones heurísticas a los cambios de varianza.
Cuadro 3
Análisis de sensibilidad para las limitaciones de capacidad con varianzas al inicio

QMax = 600 Q Max = 900
DC / u QW QH QIB DC / u QW QH QIB
2 64.2 0.0 906.8 600.0 650.7 2 0.0 47.1 906.8 650.7 650.7
3 62.2 0.0 899.0 600.0 623.3 3 0.0 54.0 899.0 623.3 623.3
5 24.4 0.0 732.0 600.0 808.6 5 0.0 0.0 732.0 732.0 808.6
8 34.7 0.0 781.1 600.0 788.6 11 0.0 14.4 789.9 696.1 696.1
Cuando el demanda Varianzas son aumentado De—30% Para 0% (para a fiXed orden capacidad de 900), el
DC 8 es no más tiempo seleccionado (Mesas 5 y 3), cuál es reemplazado por DC 11, el inventario equilibrar
Disminuye De 855.8 Para
696.1 mientras que el tamaño del lote Wilson aumenta de 781.1 a 789.9, de modo que el efecto neto de los
dos turnos es la activación de la restricción de capacidad de inventario (u > 0).
Cuadro 4
Análisis de sensibilidad para las restricciones de capacidad con varianzas 30% por debajo de la línea de base
QMax = 600 Q Max = 900
DC / u QW Q
H
Q
IB DC / u QW QH QIB
2 55.7 0.0 872.3 600.0 757.5 2 0.0 25.0 906.8 740.4 740.4
3 62.2 0.0 899.0 600.0 717.5 3 0.0 28.5 899.0 717.5 717.5
5 35.7 0.0 785.4 600.0 849.8 5 0.0 0.0 732.0 732.0 872.5
11 36.7 0.0 789.9 600.0 778.4 8 0.0 0.0 781.1 781.1 855.8
Cuadro 5
Análisis de sensibilidad para las restricciones de capacidad con varianzas 30% por encima de la línea de base
QMáx . = QMáx . = 900
600
DC / u QW QH QIB DC / u QW QH QIB
2 0.0 97.7 942.5 548.4 548.4 2 0.0 97.7 942.5 548.4 548.4
3 0.0 48.4 832.6 593.6 593.6 3 0.0 48.4 832.6 593.6 593.6
8 34.7 0.0 781.1 600.0 730.9 8 0.0 7.1 781.1 730.9 730.9
13 46.5 0.0 833.6 600.0 610.6 13 0.0 43.2 833.6 610.6 610.6
Para una capacidad de pedido fijo de 600, un aumento en las variaciones de — demanda del 30% al +30%
(Cuadros 4 y 5) Activa el inventario capacidad Restricciones (u > 0) en Dos de el Cuatro Dcs porque un
incremento en varios- ances es equivalente Para a reducción en el inventario Saldos. El más restrictivo
inventario capacidad restricción es activo porque el inventario equilibrar es bajar que el orden capacidad.
En los FLP clásicos, normalmente se requieren DC adicionales cuando las capacidades se reducen, o
equivalen, el consumo aumenta. Quizás el hallazgo más sorprendente en esta prueba numérica es que una
reducción en la capacidad de inventario, o alternativamente un aumento en las variaciones, no conduce
(necesariamente) a abrir más DC. Sin embargo, este resultado, capturado por el Modelo de ubicación de
inventario con capacidad Cosntraints (ILMCC), no se puede lograr con FLP y modelos de ubicación de
inventario anteriores. En el ILMCC, la reducción del tamaño de los lotes de pedidos aumenta la
disponibilidad de espacio para el inventario, de modo que el mismo DC puede manejar una mayor variación
en la demanda sin tener que aumentar la capacidad de inventario. La expresión (42), derivada de la
restricción de la capacidad de inventario, ilustra este fenómeno: la reducción del tamaño del pedido Qi, en
el lado derecho, permite un aumento de las varianzas, Vi, que cada DC i puede manejar.
2
pffiffiffiffi ffi ICap — Q
pffiffiffiffiffiffiffi Yo
ff
iffi Z
1: a þ Z1—b LTi · V i 6 ICap — Qi ! V i 6 El42
z 1—a t Z 1—
iffi
En términos de eficacia de los costes, el aumento de los costes de pedido e inventario (tercer término de la
función objetivo (1)) derivado de la reducción del tamaño de los pedidos es inferior a los costes de apertura
de más centros de distribución (el primer término en (1)). La estructura de costos de EOQ asumida en el
control de inventario (el tercer término en (1)), es semanalmente sensible en torno al tamaño óptimo de
pedido sin tensión. Véase Anderson (1994) y Miranda (2004). A pesar de que se incurre en mayores costos de
inventario y pedidos al reducir eltamaño del lote, la costosa necesidad de más dcl se elimina efectivamente al
reasignar las variaciones a cada DC abierto.
Cuadro 6
Incremento en el número de países en desarrollo como resultado de un aumento del 200% en la variación de la demanda
QMáx . = 600
DC / En Q
W
Q
H
Q
IB
2 0.0 259.2 830.2 333.8 333.8

3 0.0 73.7 683.1 434.3 434.3
5 0.0 132.8 833.0 435.6 435.6
8 0.0 78.4 781.1 487.4 487.4
14 0.0 17.1 620.3 535.3 535.3
Sin embargo, una reducción significativa en la capacidad de inventario (o un aumento en las variaciones de la
demanda) restringiría el tamaño del pedido y, por lo tanto, aumentaría los costos asociados de inventario y
pedidos a un punto en el que el aumento del número de países en desarrollo sería más eficaz. Por ejemplo, si la
variabilidad de la demanda aumenta en un 200%, el número de países en desarrollo sólo aumenta de cuatro a
cinco, véase el cuadro 6.
El costo del stock de seguridad varía según el número de países en desarrollo. Esta relación se conoce en
laactualidad como el fenómeno de la agrupación de riesgos , que establece que una disminución en el
número de países en desarrollo conduce a una reducción del stock total de seguridad del sistema. Véase
Miranda y Garrido (2004a), Daskin et al. (2002) y Simchi-Levi et al. (2000). Aunque el ILMCC incorpora esta
relación, el stock de seguridad se gestiona implícitamente en este experimento numérico.
6. Resumen y conslusiones
Introdujimos un modelo de inventario y ubicación de instalaciones, ILMCC, que incorpora ciertas

restricciones de capacidad realistas que estudios anteriores han ignorado. Las restricciones típicas de
capacidad FLP (que limitan la demanda media) se sustituyen aquí por una restricción de tamaño de pedido,
así como una restricción estocástica para la capacidad de inventación(disponibilidad de espacio para el
stock). Estas limitaciones son muy relevantes en el contexto urbano donde el espacio es escaso (y costoso) y
el tipo y la capacidad de los vehículos de reparto están definidos por las normas reglamentarias.
También desarrollamos una heurística eficiente basada en la relajación lagrangiana que, además de la
solución (heurística), está ligada a la función objetivo en la optimalidad. El límite inferior se obtiene maxi-
mizing el lagrangiano dual, a través de un esquema de optimización de subgrado. Nuestro enfoque utiliza la
diferencia entre el límite inferior y el costo de la solución heurística para estimar un error máximo posible para
cada solución heurística disponible. La solución heurística se encuentra a través de un procedimiento
basado en búsquedas locales de tipo k-opt. Se realizó un examen numérico del ILMCC y su solución
heurística. Se analizaron un total de 98 instancias (formadas por la variación de los parámetros clave de
costo y demanda). Los principales resultados fueron analizados y presentados en este trabajo. Los
resultados numéricos muestran el valor de incorporar la estocasticidad a las decisiones de pedido e
inventario en un marco FLP. Las restricciones de capacidad de pedidos e inventario pueden tener un
impacto considerable en el diseño de la red. El uso de tamaños de pedido más pequeños en combinación
con decisiones óptimas de asignación de varianza puede reducir significativamente los costos de los
sistemas, a pesar de los costos de pedido y almacenamiento. El problema se debe al hecho de que una
solución con menos DC compensaría estos costos adicionales al reducir los asociados
Costes de stock de fixed y de seguridad para todo el sistema.
Una característica novedosa del procedimiento heurístico desarrollado para resolver el ILMCC es la
definición de los límites espaciales de la solución. Esto último se hace a través de un conjunto de
desigualdades de validez que estrechan el espacio factible para todas las combinaciones posibles de
demanda y varianza que cualquier DC puede enfrentar. Esta técnica de reducción de espacio tiene un
impacto significativo en la velocidad heurística, así como en el tamaño de los errores máximos (entendidos
como la diferencia entre una solución heurística y su óptimo dual máximo). Este efecto se hizo visible en
los ejemplos numéricos como una reducción de los errores absolutos máximos cuando se aumentaron las
varianzas de demanda.
El modelo actual, aunque más complejo que el FLP tradicional: los modelos de ubicación de inventario, se
puede resolver de manera eficiente combinando técnicas clásicas de optimización de enteros ycomitatorios
con un modesto esfuerzo computacional.
Los ejemplos numéricos mostraron buenos resultados tanto para las soluciones heurísticas como para
las soluciones óptimas duales , en términos de las tendencias de la función objetivo (costo), cuando los
parámetros clave fueron variados. El límite superior de errores para la solución heurística fue en promedio
de 2.9% (sobre las 98 instancias analizadas), con un mínimo de 1.4% y un máximo de 4.9%. Estas cifras,
aunque no concluyentes para casos generales, dan una buena pista del tipo de respuesta que podemos
esperar del modelo ILMCC y su solución. acercarse.
Referencias
Anderson, E.J., 1994. La gestión de la fabricación, los modelos y el análisis. Addison-Wesley, Wokingham.
Barceló, J., Casanovas, J., 1984. Un algoritmo heurístico de Lagrangean para el problema de ubicación de la planta capacitada.
Revista Europea de Investigación Operativa 15, 212–226.
Bazaraa, M.S., Jarvis, J.J., 1977. Programación lineal y flujos de red. Nueva York.
Bazaraa, M.S., Shetty, C.M., 1976. Fundamentos de la optimización. Nueva York.
Bazaraa, M.S., Sherali, H.D., Shetty, C.M., 1993. Programación no lineal. John Wiley, Nueva York.
Bradley, Hax, Magnanti, 1977. Programación Matemática Aplicada. Addison-Wesley, Nueva York.
Bramel, J., Simchi-Levi, D., 2000. La lógica de la logística. Springer-Verlag, Nueva York.
Chung, S.-h., Myung, Y.-s., Tcha, D.-w., 1992. Diseño óptimo de una red distribuida con una estructura jerárquica de dos niveles.
Revista Europea de Investigación Operativa 62 (1), 105–115.
Daganzo, C.F., 2004. Sobre la estabilidad de las cadenas de suministro. Operaciones Research 52, 909–921.
Daskin, M.S., 1995. Red y ubicación discreta: modelos, algoritmos y aplicaciones. Wiley-Interscience, Nueva York.
Daskin, M.S., Coullard, C., Shen, Z.-J.M., 2002. Un modelo de inventario-ubicación: formulación, algoritmo de solución y resultados
computacionales. Anales de Investigación Operativa 110 (1), 83–106.
Garrido, R.A. , 2001. Modelaci o' n de Sistema s de Distribuci o'n de Carga. Ediciones Universidad Cat o'l ic a de Chile,
Santiago. Hamacher, H., Drezner, Z., 2002. Ubicación de las instalaciones: Aplicaciones y teoría. Springer-Verlag, Berlín.
Jayaraman, V., 1998. Problemas de transporte, ubicación de instalaciones e inventario en el diseño de redes de distribución.
International Journal of Physical Distribution and Logistics Management 18 (5), 471–494.
Klincewicz, J.G., Luss, H., 1986. Una heurística de relajación de Lagrangean para la ubicación de instalaciones capacitadas con
restricciones de una sola fuente . Revista de la Sociedad de Investigación Operativa 37 (5), 495–500.
Koskosidis, Y.A., Powell, W.B., 1992. Algoritmos de clustering para la consolidación del cliente en envíos de vehículos.
Investigación sobre el transporte, Parte B 26 (5), 365–379.
Kratica, J., Tosic, D., Filipovic, V., Ljubic, I., 2001. Resolver el problema simple de la ubicación de la planta mediante un
algoritmo genético. RAIRO Operation Research 35, 127–142.
Miranda, P.A., 2004. Un Enfoque Integrado para el Disen˜ o Estrate´gico de Redes de Distribucio´ n de Carga. Departamento de Ingenier
´ıa de Transporte, Escuela de Ingenier´ıa. Santiago, Pontificia Universidad Cato´lica de Chile.
Miranda, P.A., Garrido, R.A., 2004a. Incorporar decisiones de control de inventario en un modelo estratégico de diseño de redes
de distribución con demanda estocástica. Investigación sobre el transporte , Parte E 40 (3), 183–207.
Miranda, P.A., Garrido, R.A., 2004b. Enrutamiento de vehículos multidepot con demanda incierta: un enfoque limitado por el
azar. Transportation Research Record, Journal of the Transportation Research Board 1882, págs. 150–158.
Miranda, P.A., Garrido, R.A., 2005. Un modelo simultáneo de control de inventario y ubicación de instalaciones con restricción
estocástica de la capacidad de inventario. Redes y Economía Espacial próximamente.
Neebe, A.W., Rao, M.R., 1983. Un algoritmo para el problema de la asignación de usuarios a las fuentes. Revista de la Sociedad de
Investigación Operativa 34 (11), 1107–1113.
Nemhauser, G., Wolsey, L., 1988. Optimización de enteros y combinatoria. Wiley, Nueva York.
Nozick, L.K., 2001. El problema de ubicación de la instalación de carga fixed con la restricción de cobertura . Investigación de
transporte 37E (4), 281–296. Nozick, L.K., Turnquist, M., 1998. Integración de los impactos del inventario en un modelo de carga
adicional para localizar centros de distribución.
Transportation Research, Part E, Logistics and Transportations Review 34 (3), págs. 173–186.
Nozick, L.K., Turnquist, M., 2001. Un análisis de ubicación del centro de distribución y asignación de inventario de dos escalones.
Transportation Research, Part E, Logistics and Transportations Review 37 (6), 425–441.
Shen, Z.-J.M., Coullard, C., Daskin, M.S., 2003. Un modelo conjunto de ubicación-inventario. Ciencias del transporte 37 (1), 40–55.
Simchi-Levi, D., Kaminsky, P., Simchi-Levi, E., 2000. Diseño y Gestión de la Cadena de Suministro. Irwin/McGraw-Hill,
Nueva York. Wolsey, L., 1998. Programación entera. John Wiley & Sons, Inc, Nueva York.

Traducción Word Trabajo Topicos

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Traducción Word Trabajo Topicos

Cargado por

Copyright:

Formatos disponibles

Este artículo fue publicado en una revista de Elsevier.

Investigación de Transporte Parte E 44 (2008) 47–65

Desigualdades válidas para la relajación

Recibido el 21 de diciembre de 2005; aceptado el 11 de abril de 2006

1. Introducción y revisión de la literatura

48 P.A. Miranda, R.A. Garrido / Transportation Research Parte E 44 (2008) 47–65

P.A. Miranda, R.A. Garrido / Transportation Research Parte E 44 (2008) 47–65 49

M número de clientes a atender

Valor Zh de la distribución normal estándar acumulativa hasta una probabilidad de h

El modelo está formulado de la siguiente manera:

50 P.A. Miranda, R.A. Garrido / Transportation Research Parte E 44 (2008) 47–65

3.1. Relajación y descomposición

P.A. Miranda, R.A. Garrido / Transportation Research Parte E 44 (2008) 47–65 51

52 P.A. Miranda, R.A. Garrido / Transportation Research Parte E 44 (2008) 47–65

3.2. Caracterización del espacio factible X

P.A. Miranda, R.A. Garrido / Transportation Research Parte E 44 (2008) 47–65 53

Calcule la relajación lineal de (15) de la siguiente manera:

Conceptualmente el Subrutinas BAJAR_VARIANZA y SUPERIOR_VARIANZA Podría ser ejecutado para varios

3.3. Un procedimiento exacto para calcular P i

En la Sección 3.1, la subrutina DELTA necesitaba la solución del siguiente problema:

54 P.A. Miranda, R.A. Garrido / Transportation Research Parte E 44 (2008) 47–65

Caso 1: No hay restricciones activas .

3.3.1. Solución para cada caso de restricciones activas

P.A. Miranda, R.A. Garrido / Transportation Research Parte E 44 (2008) 47–65 55

s:t: y · þ i · i 1— i i i iii El31

Figura 2. Espacio factible para Di, dado Vi.

56 P.A. Miranda, R.A. Garrido / Transportation Research Parte E 44 (2008) 47–65

Eqs. (33) y (34) se derivan de las Condiciones de Optimalidad de Karush-Kuhn-Tucker (o alternativamente

i ffiffi ffiffi ffiffi

Cffiffiffi ffiffiffiffiffiffiffiffiffi ffiffi

Algoritmo 4.2. ASIGNACIÓN_CLIENTE (/k, uk)

Mientras que el cliente J no está asignado

P.A. Miranda, R.A. Garrido / Transportation Research Parte E 44 (2008) 47–65 57

para cada par de Clientes {u,v}/u,v 2 5 Almacenes

Mientras que no se cumplen los criterios de detención 1

58 P.A. Miranda, R.A. Garrido / Transportation Research Parte E 44 (2008) 47–65

X k ; Y k; DkY ktú; V Y k Y ktú; QkðDk; /k; ukTú 38T

5. Resultados computacionales y discusión

P.A. Miranda, R.A. Garrido / Transportation Research Parte E 44 (2008) 47–65 59

60 P.A. Miranda, R.A. Garrido / Transportation Research Parte E 44 (2008) 47–65

Figura 3. La sensibilidad de la solución a los costos de financiación cambia.

Figura 4. Sensibilidad de la solución a los cambios de varianza.

P.A. Miranda, R.A. Garrido / Transportation Research Parte E 44 (2008) 47–65 61

Figura 5. Sensibilidad del valor absoluto de los errores límite superior.

pffi ffiffiffi ffiffiffi ffi pffiffiffiffi ffi

62 P.A. Miranda, R.A. Garrido / Transportation Research Parte E 44 (2008) 47–65

Figura 7. La sensibilidad de las soluciones heurísticas a los cambios en los costes

Figura 8. Sensibilidad de las soluciones heurísticas a los cambios de varianza.

Análisis de sensibilidad para las limitaciones de capacidad con varianzas al inicio

P.A. Miranda, R.A. Garrido / Transportation Research Parte E 44 (2008) 47–65 63

2 0.0 259.2 830.2 333.8 333.8

64 P.A. Miranda, R.A. Garrido / Transportation Research Parte E 44 (2008) 47–65

Introdujimos un modelo de inventario y ubicación de instalaciones, ILMCC, que incorpora ciertas

P.A. Miranda, R.A. Garrido / Transportation Research Parte E 44 (2008) 47–65 65

También podría gustarte