Documentos de Académico
Documentos de Profesional
Documentos de Cultura
RESEARCH
A2 – G1
Abregú Tuesta, Juan Gabriel
Bulnes Castro, Roberth Frank
Rivera Calle, Angello Giuseppe
2. APLICACIONES
5. CONCLUSIONES
Dynamic Programming
2
AGENDA
1. PLANTEAMIENTO DEL MODELO
2. APLICACIONES
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
Dynamic Programming 6
1. PLANTEAMIENTO DEL MODELO
DESVENTAJAS VENTAJAS
Dynamic Programming 7
AGENDA
1. PLANTEAMIENTO DEL MODELO
2. APLICACIONES
5. CONCLUSIONES
Dynamic Programming 8
2. APLICACIONES
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
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
Dynamic Programming 11
2. APLICACIONES
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
¡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.
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
2 A, 1 B y 3 C
AGENDA
1. PLANTEAMIENTO DEL MODELO
2. APLICACIONES
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
5. CONCLUSIONES
Dynamic Programming 39
4. THE LERCHS-GROSSMANN 2-D ALGORITHM
Programación Dinámica 40
4. THE LERCHS-GROSSMANN 2-D ALGORITHM
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.
Programación Dinámica 45
4. THE LERCHS-GROSSMANN 2-D ALGORITHM
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
5. CONCLUSIONES
Dynamic Programming 48
5. CONCLUSIONES
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.
Million $
Year 1 5 10
Periods (years)
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
Sim. 1
s=1
Sim. 2
s=2
… …
Sim. S
s=S Year 1 5 10
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
Dynamic Programming
OPERATION
RESEARCH
THANK
YOU!!!
Dynamic Programming
OPERATION
RESEARCH
QUESTIONS?
?
Dynamic Programming