Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
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
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.
Copia personal del autor
Copia personal del autor
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
Copia personal del autor
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
Copia personal del autor
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:
s:t:: i1/4
1
Copia personal del autor
1T
X
N
Y ij 1/4 1 8j 1/4 1; . . . ; M 2Th
i1/41
Copia personal del autor
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
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
Copia personal del autor
Tffiffiffi
ffiffi i ffiffiffi
· ffiv
pff
— ðki · Di x i · V i TH FCi · X i
Copia personal del autor
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 ori- ginal. 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.
Copia personal del autor
De hecho, la brecha dual en la optimalidad en los programas enteros mixtos no siempre es cero, de ahí la
diferencia entre
Copia personal del autor
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).
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
Copia personal del autor
Sea r* el próximo cliente en L que violaría (17).
Copia personal del autor
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
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
Copia personal del autor
Figura 1. Espacio factible para Di, dado Vi.
Copia personal del autor
Además del espacio X, existen las siguientes cuatro posibilidades para el óptimo de este problema:
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
Copia personal del autor
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
Copia personal del autor
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
:> 0
Máximo Y Máx
Sí Qko < Q
Copia personal del autor
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
Copia personal del autor
expresan por
Copia personal del autor
i i
Copia personal del autor
Copia personal del autor
Copia personal del autor
Copia personal del autor
Copia personal del autor
Copia personal del autor
Copia personal del autor
Copia personal del autor
Copia personal del autor
Copia personal del autor
M
Copia personal del autor
Copia personal del autor
Copia personal del autor
Copia personal del autor
Copia personal del autor
sffiffiffiffiffiffiffiffiffiffi
pff
2ffiffiffiff
i ffiffiffi
D
para j 1/4 1 a m
del
Copia personal del autor
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
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 ()
La mejor solución se elige en términos de la función objetivo (1), y se define de la siguiente manera:
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
Copia personal del autor
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
Copia personal del autor
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
Copia personal del autor
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
Copia personal del autor
Figura 6. Se observaron límites superiores para los errores de solución en las 98 instancias
analizadas.
Cuadro 3
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).
Copia personal del autor
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
Copia personal del autor
DC / En Q
W
Q
H
Q
IB
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
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.
Copia personal del autor
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.