OPERATION

RESEARCH

Dynamic Programming (DP)

APPLIED TO A MINING OPERATION

Ph. D. Carlos Agreda Turriate

A2 – G1
Abregú Tuesta, Juan Gabriel
Bulnes Castro, Roberth Frank
Rivera Calle, Angello Giuseppe

October 30th, 2018

Dynamic Programming
AGENDA

1. PLANTEAMIENTO DEL MODELO

2. APLICACIONES

3. MODELO DE REEMPLAZO DE EQUIPO

4. THE LERCHS-GROSSMANN 2-D ALGORITHM

5. CONCLUSIONES

Dynamic Programming
2
AGENDA
1. PLANTEAMIENTO DEL MODELO

2. APLICACIONES

3. MODELO DE REEMPLAZO DE EQUIPO

4. THE LERCHS-GROSSMANN 2-D ALGORITHM

5. CONCLUSIONES

Dynamic Programming 3
1. PLANTEAMIENTO DEL MODELO

Es la técnica matemática de optimización más apropiada para resolver problemas que requieren
decisiones interrelacionadas, es decir, decisiones que se deben tomar en forma secuencial y las cuales
influyen en las decisiones futuras de esa secuencia.

d1

Dynamic Programming 4
1. PLANTEAMIENTO DEL MODELO
El matemático estadounidense Richard Bellman inventó la programación dinámica en 1953, técnica que
se utiliza para optimizar problemas complejos que pueden ser discretizados y secuencializados.

Los conceptos que este matemático desarrolló permiten la optimización parcial de una parte de la
secuencia y luego relacionan las unidades optimizadas con la siguiente en línea, hasta que toda la
secuencia queda optimizada.

Dynamic Programming 5
1. PLANTEAMIENTO DEL MODELO
Principio de Optimalidad de Bellman
“Una política es optima si en un periodo o
etapa dada, cualquiera que sean las
decisiones precedentes, las decisiones que
queden por tomar constituyen una política
optima teniendo en cuenta los resultados de
las decisiones precedentes”. (De atrás hacia
adelante).
Dynamic Programming
Dual Correspondiente (Bhavannani Y Chen)
“Una política optima tiene la propiedad de
que cualquiera que sean los estados y
decisiones que sean los estados y
decisiones, las decisiones precedentes
deben constituir una política optima con
respecto al estado que sigue a la ultima
decisión” (De adelante hacia atrás).
6
1. PLANTEAMIENTO DEL MODELO
DESVENTAJAS VENTAJAS

Dynamic Programming 7
AGENDA
1. PLANTEAMIENTO DEL MODELO

2. APLICACIONES

3. MODELO DE REEMPLAZO DE EQUIPO

4. THE LERCHS-GROSSMANN 2-D ALGORITHM

5. CONCLUSIONES

Dynamic Programming 8
2. APLICACIONES

Al estudiar cada aplicación ponga atención especial a los tres elementos

básicos de un modelo de programación dinámica:

1. Definición de las etapas.

2. Definición de las alternativas en cada etapa.

3. Definición de los estados para cada etapa.

Dynamic Programming 9
2. APLICACIONES
Se considera que el estado del sistema en la etapa i es la información que enlaza,
conecta o vincula las etapas, de tal modo que se puedan tomar las decisiones para las
etapas restantes sin volver a examinar cómo se llegó a las decisiones de las etapas
anteriores.

Etapa n

ESTADO n ESTADO n+1

Contribución de la alternativa n

Dynamic Programming 10
 2. APLICACIONES
Para efectos de comunicación, la terminología y la notación se vuelven muy importantes:
𝑆𝑖 = 𝐶𝑜𝑛𝑑𝑖𝑐𝑖𝑜𝑛𝑒𝑠 𝑑𝑒 𝑒𝑛𝑡𝑟𝑎𝑑𝑎 𝑒𝑛 𝑙𝑎 𝑒𝑡𝑎𝑝𝑎 𝑖

𝑥𝑖 = 𝑑𝑖 = 𝐷𝑒𝑐𝑖𝑠𝑖ó𝑛 𝑒𝑛 𝑙𝑎 𝑒𝑡𝑎𝑝𝑎 𝑖

𝑥𝑖∗ = 𝐷𝑒𝑐𝑖𝑠𝑖ó𝑛 𝑜𝑝𝑡𝑖𝑚𝑎𝑙 𝑒𝑛 𝑙𝑎 𝑒𝑡𝑎𝑝𝑎 𝑖

𝑟𝑖 = 𝑓(𝑆𝑖 , 𝑑𝑖 ) = 𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑖𝑛𝑚𝑒𝑑𝑖𝑎𝑡𝑜 𝑜 𝑟𝑒𝑡𝑜𝑟𝑛𝑜 𝑒𝑛 𝑙𝑎 𝑒𝑡𝑎𝑝𝑎 𝑖 𝑝𝑎𝑟𝑎 𝑢𝑛𝑎 𝑐𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑒𝑛𝑡𝑟𝑎𝑑𝑎 𝑆𝑖

𝑟𝑖∗ = 𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑖𝑛𝑚𝑒𝑑𝑖𝑎𝑡𝑜 𝑜𝑝𝑡𝑖𝑚𝑎𝑙 𝑒𝑛 𝑙𝑎 𝑒𝑡𝑎𝑝𝑎 𝑖 𝑝𝑎𝑟𝑎 𝑢𝑛𝑎 𝑐𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑒𝑛𝑡𝑟𝑎𝑑𝑎 𝑆𝑖

∗
𝑓𝑖 = 𝑟𝑖 (𝑆𝑖 , 𝑑𝑖 ) + 𝑓𝑖+1 (𝑆𝑖 , 𝑑𝑖 ) = 𝐹𝑢𝑛𝑐𝑖ó𝑛 𝑜𝑏𝑗𝑒𝑡𝑖𝑣𝑜 𝑒𝑛 𝑙𝑎 𝑒𝑡𝑎𝑝𝑎 𝑖

𝑓𝑖∗ = 𝐹𝑢𝑛𝑐𝑖ó𝑛 𝑜𝑏𝑗𝑒𝑡𝑖𝑣𝑜 𝑒𝑛 𝑙𝑎 𝑒𝑡𝑎𝑝𝑎 𝑖 𝑎 𝑝𝑎𝑟𝑡𝑖𝑟 𝑑𝑒 𝑙𝑎𝑠 𝑑𝑒𝑐𝑖𝑠𝑖𝑜𝑛𝑒𝑠 𝑜𝑝𝑡𝑖𝑚𝑎𝑙𝑒𝑠

Dynamic Programming 11
2. APLICACIONES

Etapa 1 Etapa 2 Etapa 3

Dynamic Programming 12
 2. APLICACIONES

El modelo clásico de la mochila tiene que ver con el caso de un soldado (o un montañista) que debe
decidir cuáles son los artículos más valiosos que debe llevar en su mochila. Antes de presentar el
modelo de programación dinámica, haremos notar que en las publicaciones, al problema de la mochila
también se le llama problema de conjunto de fuga o equipo de vuelo, en el que un piloto de un avión a
reacción debe determinar los artículos más valiosos (de emergencia) que debe llevar a bordo, y el
problema de carga de flete o del contenedor, en el que un barco con capacidad limitada de volumen o
peso se carga con los fletes más valiosos.

Programación Dinámica 13
2. APLICACIONES

Ejército Fuerza Aérea La Marina

Mochila Equipo de vuelo Carga de Flete

¡Parece que estos tres nombres se acuñaron en las tres ramas de las fuerzas armadas
estadounidenses: la fuerza aérea, el ejército y la marina!

Programación Dinámica 14
2. APLICACIONES
La ecuación recursiva (en reversa) se desarrolla para el problema general de una mochila
de 𝑊 libras, con 𝑛 artículos. Sea 𝑚𝑖 la cantidad de unidades del artículo 𝑖 en la mochila, y
defínanse 𝑟𝑖 y 𝑤𝑖 como el ingreso y el peso por unidad del artículo 𝑖. El problema general se
representa por el siguiente programa lineal entero:
Maximizar: 𝑛

z = ෍ 𝑟𝑖 𝑚𝑖
𝑖=1

෍ 𝑤𝑖 𝑚𝑖 ≤ 𝑊
𝑖=1

𝑚𝑖 ≥ 0

Programación Dinámica 15
2. APLICACIONES
Los tres elementos del modelo son
1. La etapa 𝑖 se representa con el artículo 𝑖, 𝑖 = 1,2, … , 𝑛
2. Las alternativas en la etapa 𝑖 se representan por 𝑑𝑖 , la cantidad de
unidades del artículo 𝑖 que entran en la mochila. El ingreso correspondiente
𝑊
es 𝑟𝑖 = 𝑑𝑖 𝑣𝑖 . Se observa que 𝑑𝑖 = 0, 1, 2, … ,
𝑤𝑖
3. El estado en la etapa 𝑖 se representa por 𝑆𝑖 , el peso total asignado a
las etapas (artículos) 𝑖, 𝑖 + 1, … y n. Esta definición refleja el que la
restricción del peso es la única que vincula entre sí a todas las n etapas.
Definiremos a 𝑓𝑖 (𝑆𝑖 ) = ingreso máximo para la etapa 𝑖 dado el estado 𝑆𝑖

Programación Dinámica 16
 2. APLICACIONES

Ejemplo: Un camión puede transportar un total de 10 toneladas de productos. Hay tres clases de
productos para transportar. Sus pesos y valores están tabulados. Suponiendo que por lo menos debe
transportarse un artículo de cada clase, determinar el cargamento que maximiza el valor total.

Clase Valor Peso (toneladas)

A 20 1
B 50 2
C 60 2

Programación Dinámica 17
 2. APLICACIONES

En este caso hay 3 decisiones básicas, el número de unidades de A, B y C respectivamente, que deben
transportarse.

𝑑1 𝑑2 𝑑3

𝑠1 = 10 𝑠2 = 𝑠1 − 𝑑1 𝑤1 𝑠3 𝑠4
1 2 3

𝑟1 𝑟2 𝑟3

Programación Dinámica 18
2. APLICACIONES
Para n = 3

Matriz de Retorno en n = 3
𝒔𝟑 𝒅𝟑 𝒅∗𝟑 𝑓𝟑∗
1 2 3 𝑓3∗ = 𝑀á𝑥 𝒓𝟑
2 𝒇1(60)
𝟑𝟔𝟎
= 𝒓𝟑 NF NF 1 60
3 60 NF NF 1 60
4 60 2(60)=120
120 NF 2 120
5 60 120 NF 2 120
6 60 120 3(60)
180=180 3 180
7 60 120 180 3 180

Programación Dinámica 19
2. APLICACIONES
Para n = 2

Matriz de Retorno en n = 2
𝒔𝟐 𝒅𝟐𝟏 𝒅∗𝟐 𝑓𝟐∗
1 2 3 𝑓2∗∗ = 𝑀á𝑥 𝒓𝟐 + 𝑓3∗∗
4 50 +𝟐 𝑓3∗
𝒓50
1(50)
50+60
110 100
2(50)=100
NF NF 1 110
5 50
1(50)
50+60
110 100
NF NF 1 110
6 1(50)
50
50+120
170 100
100+60
160 150
3(50)
NF=150 1 170
7 1(50)
50
50+120
170 100
100+60
160 150
NF 1 170
8 50
1(50)
50+180
230 100
100+120
220 150
150+60
210 1 230
9 50
1(50)
50+180
230 100
100+120
220 150
150+60
210 1 230

Programación Dinámica 20
 2. APLICACIONES
Para n = 1

Matriz de Retorno en n = 1

𝒔𝒔𝟏𝟏 𝒅𝟏𝟏
𝒅 𝒅∗𝑖∗𝑖
𝒅 𝑓𝑓𝟏𝟏∗∗ 𝒔𝟐 𝑓𝟐∗
∗
1 2 3 44 55 6 𝑓𝑓11∗ =
= 𝑀á𝑥 + 𝑓𝑓22∗∗
𝑀á𝑥 𝒓𝒓𝟏𝟏 + 4 110
10 𝒓+𝑓
1(20)∗ 2(20) 3(20) 4(20) 5(20) 6(20)
20
20+230
250
𝟏 2 40
40+230
270 60
60+170
230 80
80+170
250 100
100+110
220 120
120+110
230 2 270 5 110
6 170
7 170
8 230
9 230

Programación Dinámica 21
2. APLICACIONES

𝒔𝟐 𝒅∗𝟐 𝑓𝟐∗ 𝒔𝟑 𝒅∗𝟑 𝑓𝟑∗

𝒔𝟏 𝒅∗𝑖 𝑓𝟏∗
4 1 110 2 1 60
10 2 270 5 1 110 3 1 60
6 1 170 4 2 120
7 1 170 5 2 120
8 1 230 6 3 180
9 1 230 7 3 180
2. APLICACIONES

Los resultados del análisis mostrado en las tablas anteriores indican la

siguiente secuencia óptima de decisiones.

2 A, 1 B y 3 C
AGENDA
1. PLANTEAMIENTO DEL MODELO

2. APLICACIONES

3. MODELO DE REEMPLAZO DE EQUIPO

4. THE LERCHS-GROSSMANN 2-D ALGORITHM

5. CONCLUSIONES

Dynamic Programming 24
3. MODELO DE REEMPLAZO DE
EQUIPO

Programación Dinámica 25
3. MODELO DE REEMPLAZO DE
EQUIPO

Programación Dinámica 26
3. MODELO DE REEMPLAZO DE
EQUIPO

Programación Dinámica 27
3. MODELO DE REEMPLAZO DE
EQUIPO

Programación Dinámica 28
3. MODELO DE REEMPLAZO DE
EQUIPO

Programación Dinámica 29
3. MODELO DE REEMPLAZO DE
EQUIPO

Programación Dinámica 30
3. MODELO DE REEMPLAZO DE
EQUIPO

Programación Dinámica 31
3. MODELO DE REEMPLAZO DE
EQUIPO

Programación Dinámica 32
3. MODELO DE REEMPLAZO DE
EQUIPO

Programación Dinámica 33
3. MODELO DE REEMPLAZO DE
EQUIPO

Programación Dinámica 34
3. MODELO DE REEMPLAZO DE
EQUIPO

Programación Dinámica 35
3. MODELO DE REEMPLAZO DE
EQUIPO

Programación Dinámica 36
3. MODELO DE REEMPLAZO DE
EQUIPO

Programación Dinámica 37
3. MODELO DE REEMPLAZO DE
EQUIPO

Programación Dinámica 38
AGENDA
1. PLANTEAMIENTO DEL MODELO

2. APLICACIONES

3. MODELO DE REEMPLAZO DE EQUIPO

4. THE LERCHS-GROSSMANN 2-D ALGORITHM

5. CONCLUSIONES

Dynamic Programming 39
4. THE LERCHS-GROSSMANN 2-D ALGORITHM

OPTIMIZACION EN LA EXPLOTACION DE UN OPEN PIT

Programación Dinámica 40
 4. THE LERCHS-GROSSMANN 2-D ALGORITHM

Para optimizarla, usaremos el modulo Lerch-grossmann, que corresponde

a un algoritmo de PD que permite determinar la configuración optima de
bloques, previamente valorizados en una sección

Programación Dinámica 41
4. THE LERCHS-GROSSMANN 2-D ALGORITHM

Programación Dinámica 42
4. THE LERCHS-GROSSMANN 2-D ALGORITHM

Programación Dinámica 43
4. THE LERCHS-GROSSMANN 2-D ALGORITHM

Programación Dinámica 44
 4. THE LERCHS-GROSSMANN 2-D ALGORITHM
El ultimo paso, como se muestra en la figura. Es calcular los valores de la matriz de beneficio de Pij. Estos valores,
corresponden al beneficio neto o perdida generados al caer uno de los bloques del modelo sobre el limite del pit con
todos los bloques de la izquierda que se han extraídos para crear una pendiente con el ángulo total deseado.

Comience con el bloque superior de la columna

izquierda y repase cada columna. Coloque una
flecha en el bloque, apuntando hacia el valor más
alto o máximo en:
1.- El bloque a la izquierda y arriba.
2.- El bloque a la izquierda.
3.- El bloque a la izquierda y debajo.
Calcule el valor inferior del bloque, sumando el
valor superior con el valor inferior del bloque hacia
el cual apunta la flecha. El valor inferior del bloque
representa el valor neto del material del bloque.

Programación Dinámica 45
4. THE LERCHS-GROSSMANN 2-D ALGORITHM

Busque el valor máximo total

de la fila superior. Este es el
retorno neto total del pit
óptimo.

Programación Dinámica 46
4. THE LERCHS-GROSSMANN 2-D ALGORITHM

La figura ilustra los valores de Vij para todos los bloques incluidos dentro del pit final. Se muestra el valor total de
cada columna como también l suma de todos los bloques en el pit, que es 93. este valor, representa el beneficio
total según lo determinado en la figura anterior. Además será imposible encontrar otro diseño de pit que pueda
generar un mayor beneficio.

Programación Dinámica 47
AGENDA
1. PLANTEAMIENTO DEL MODELO

2. APLICACIONES

3. MODELO DE REEMPLAZO DE EQUIPO

4. THE LERCHS-GROSSMANN 2-D ALGORITHM

5. CONCLUSIONES

Dynamic Programming 48
5. CONCLUSIONES

• El método no considera factores geológicos y geomecánicos, entre otros, los

cuales pueden influir de manera significativa en el diseño del pit final.

• La metodología es conveniente y relativamente fácil de programar para el

procesamiento computacional.

• Fácil de aplicar y rápido procesamiento, dependiendo de la cantidad de bloques.

• La PD es muy importante para la explotación minera.

Programación Dinámica 49
5. CONCLUSIONES

Llegado el presente siglo hay un renovado interés en desarrollar metodologías para el Plan Minero en el
caso del Tajo Abierto, que sean optimizantes, que incorporen el máximo de variables y que enfrenten
todas las restricciones posibles. Desgraciadamente para los mineros (enseñados en una secuencia de
matemáticas, física, química, cálculo, geología, mecánica de rocas, perforación, tronadura, carguío,
transporte, métodos subterráneos, concentración y metalurgia, economía, legislación, etc.), este interés
pasa por métodos matemáticos y lenguajes de alto nivel, que normalmente están más allá de las
matemáticas universitarias y en consecuencia son desarrollados por especialistas en Investigación de
Operaciones o en matemáticas.
5. CONCLUSIONES

Llegado el presente siglo hay un renovado interés en desarrollar metodologías para el Plan Minero en el
caso del Tajo Abierto, que sean optimizantes, que incorporen el máximo de variables y que enfrenten
todas las restricciones posibles. Desgraciadamente para los mineros (enseñados en una secuencia de
matemáticas, física, química, cálculo, geología, mecánica de rocas, perforación, tronadura, carguío,
transporte, métodos subterráneos, concentración y metalurgia, economía, legislación, etc.), este interés
pasa por métodos matemáticos y lenguajes de alto nivel, que normalmente están más allá de las
matemáticas universitarias y en consecuencia son desarrollados por especialistas en Investigación de
Operaciones o en matemáticas.
PLANEACION MINERA
ESTOCASTICA
PH. D. LUIS MONTIEL PETRO
COSMO – McGill University
 ¿Qué es COSMO?
COSMO es un laboratorio dedicado al desarrollo de nuevas
metodologías de optimización estocástica y modelamiento geológico
que añaden beneficios en toda la cadena de valor de un complejo
minero.

COSMO esta patrocinado por el gobierno canadiense y compañías

mineras con presencia global.
Compañías patrocinadoras
Flujo de trabajo determinístico
Modelamiento Diseño de mina & Pronósticos de
geológico secuenciamiento producción y VPN

Modelo estimado del deposito Diseño determinístico Pronósticos de producción

Million $
Year 1 5 10
Periods (years)

Puede un solo modelo Cumpliremos los pronósticos en

Seremos
mineral, capaces de cumplir
metal, VPN, …? los
representar un depósito Es este el diseño optimo?
pronósticos?
Estamos realmente maximizando el
mineral?
(variabilidad de leyes, VPN?
incertidumbre) Cual es el riesgo de desviarnos de
los pronósticos?
55
 % Deviation

0%

-80%
-60%
-40%
-20%
20%
40%
60%
80%
100%
120%
Asia

New Celebration
Jundee
Mt Morgans

Red Dome

Union Reefs
Plutonic

Gwalia

Nimary

Yilgarn Star

Boddington

Bluebird

Kidston
Macraes Flat
Mt Muro

Tanami Mine

Copperhead

Big Bell
Paddington

Granites

Sunrise Dam
Kanowna Belle
Ejemplos de proyectos en Australia y

Lihir

Lawlers
56

Yandan
 Flujo de trabajo estocástico
Modelamiento Diseño de mina estocástico Pronósticos financieros
geológico estocástico y secuenciamiento y de producción

Modelos simulados del deposito Diseño y secuenciamiento estocástico Reporte probabilístico

Sim. 1
s=1

Sim. 2
s=2
… …

Sim. S
s=S Year 1 5 10

Un grupo de simulaciones Un UNICO diseño de mina y Un mayor VPN es siempre obtenido

describen la incertidumbre secuenciamiento que tiene en durante la planeación minera
geológica y la variabilidad de las cuenta y controla la estocástica en comparación con los
leyes incertidumbre métodos convencionales
Mining schedule
Ejemplo: Un superpit en Australia

Solo 2% de probabilidad de obtener el VPN

estimado deterministamente

Prob.
25,000,000
NPV A$ (i = 8%)

20,000,000

15,000,000

10,000,000
VPN mas probable es
5,000,000
A$16.5M, 25 % menos que lo
CS Realisations
estimado deterministamente
Estimate

0
0 5 10 15 20 25 30 35 40 45 50
Pit Shells
OPERATION
RESEARCH

Referencias
J. Shamblin (1974). Investigación de Operaciones: Un enfoque fundamental

H. Taha (2004). Investigación de Operaciones

Dynamic Programming
OPERATION
RESEARCH

THANK
YOU!!!

Dynamic Programming
OPERATION
RESEARCH

QUESTIONS?
?

Dynamic Programming