Ctedras Investigacin Operaciones II

Previo a Investigacin de Operaciones debemos conocer la teora de las decisiones: A) Decisiones bajo Certidumbre: Se conocen con certeza los resultados o consecuencias de seleccionar cada alternativa (P(A)=1.0) Ejemplo 1: Se tienen 1000$ a invertir en un ao, se los puede poner en una libreta de ahorros al 3.0% de inters anual o comprar un certificado de depsito que paga el 5% anual. Asumiendo que ambas alternativas son seguras el certificado de depsito nos da un retorno mayor. La decisin ptima est clara, fcil de obtener! Ejemplo 2: Se tienen 100 clientes, a los cuales se debe entregar cierto producto en determinado intervalo de tiempo, se conoce la ubicacin, la demanda y la ventana de tiempo de los clientes. Tambin se tiene un depsito, desde donde deben salir los vehculos (que tienen una capacidad q conocida) cargados para satisfacer la demanda de los clientes. Se debe decidir cuntos vehculos enviar y por donde enviarlos. B) Decisiones bajo Incertidumbre: No se conocen las probabilidades asociadas con los diferentes resultados de cada alternativa. (P(A)=?) Ejemplo 1: Un empresa estudia la posibilidad de aadir un nuevo producto a su lnea de produccin. Las alternativas que se estudian son: hacer una ampliacin grande, hacer una ampliacin pequea, o no hacer ninguna ampliacin a las actuales instalaciones para producir el nuevo producto. Si no conocemos las probabilidades asociadas con cada uno de los resultados para las distintas alternativas tenemos que tomar una decisin bajo una completa incertidumbre. C) Decisiones bajo Riesgo: Se conocen las probabilidades asociadas con los diferentes resultados de cada alternativa. (0 P(A) 1.0) Ejemplo 1: Si en el ejemplo anterior se conocen estimaciones de las probabilidades asociadas a la posible demanda del nuevo producto, por ejemplo a travs de un estudio de mercado, tenemos un problema de decisin bajo riesgo. Resumen Investigacin Operaciones I: Se observo que la investigacin de operaciones es un conjunto de tcnicas matemticas especialmente estructuradas para tomar decisiones en ambientes de incertidumbre o de manera ms efectiva. Las races de la investigacin de operaciones se remontan a cuando se hicieron los primeros intentos para emplear el mtodo cientfico en la administracin de una empresa. Sin embargo, el inicio de esta disciplina se atribuye a los servicios militares prestados a principios de la segunda guerra mundial. La investigacin de operaciones se aplica a problemas que se refieren a la conduccin y coordinacin de operaciones (o actividades) dentro de una organizacin. La investigacin de operaciones intenta encontrar una mejor solucin, (llamada solucin ptima) para el problema bajo consideracin. Se observo adems los varios criterios objetivos para decidir analticamente sobre las situaciones a las que se enfrenta rutinariamente u ordinariamente en las actividades industriales y comerciales, por medio de aplicacin de programacin lineal, el mtodo simplex, anlisis de sensibilidad y modelos de transportacin y asignacin.

Se entiende que cada tipo de modelo matemtico est diseado para manejar situaciones especficas, por lo que se podra decir que son restringidos en uso. Si tomamos por ejemplo la programacin lineal supone que todas las funciones del modelo sean lineales o puedan linearse. CUL ES LA REALIDAD? Existen situaciones que hacen complicado el modelar un problema de tipo matemtico. Por ejemplo, cuando se quiere tomar decisiones sobre un nuevo producto, el fabricante debe considerar precio, calidad, nombre de marca, reaccin competitiva, reaccin del cliente, promocin, distribucin y otros factores. El problema incluye eventos aleatorios, muchas variables que tienen relaciones complejas y fenmenos dinmicos Ante esta y otras situaciones nos vemos obligados a Crecer en Conocimientos y buscar de mtodos un poco ms elaborados.

Parte I: Unidad I: Introduccin a La Simulacin

Es una tcnica de experimentacin en que se usan modelos lgico matemticos. Puede ser determinstica o probabilstica.

Puede pensarse en la experimentacin como en un mtodo organizado de prueba y error que usa un modelo del mundo para obtener informacin. La simulacin acorta tiempo y es menos costosa. La repeticin es comn en simulacin. El riesgo ms importante al experimentar se refiere a resultados del experimento; estos pueden diferir de los resultados de la puesta en prctica. El modelo que se usa debe ser una representacin vlida del mundo real.

La simulacin es quiz la herramienta ms verstil para tratar con los sistemas complicados. Posee flexibilidad, la cual parte de la sencillez de construir un modelo de simulacin. No hay principios ni teoremas de simulacin. Pero, por fortuna existen aspectos de la simulacin que pueden estudiarse con grandes beneficios. Metodologa Para la Simulacin PASO 1: DEFINICION DEL PROBLEMA Y LOS OBJETIVOS La primera actividad a realizar es el estudio del sistema relevante y el desarrollo de un resumen bien definido del problema que se va a analizar. Esto incluye determinar los objetivos apropiados, las restricciones sobre lo que se puede hacer, las interrelaciones del rea bajo estudio con otras reas de la organizacin, los diferentes cursos de accin posibles, los lmites de tiempo para tomar una decisin, etc. Este proceso de definir el problema es crucial ya que afectar en forma significativa la relevancia de las conclusiones del estudio. Es difcil extraer una respuesta "correcta" a partir de un problema "equivocado"! Las condiciones fundamentales para que exista un problema es que se establezca una diferencia entre lo que es (situacin actual) y lo que debe ser (situacin deseada u objetivo) y adems exista cuando menos una forma de eliminar o disminuir esa diferencia. Los componentes de un problema son: a) el tomador de decisiones o ejecutivo; b) los objetivos de la organizacin; c) el sistema o ambiente en el que se sita el problema; d) Los cursos de accin alternativos que se pueden tomar para resolverlo. Para formular un problema se requiere; a) identificar las componentes y variables controlables y no controlables del sistema; b) identificar los posibles cursos de accin, determinados por las componentes controlables; c) definir el marco de referencia dado por las componentes no controlables; d) definir los objetivos que se busca alcanzar y clasificarlos por orden de importancia; e) identificar las interpelaciones importantes entre las diferentes partes del sistema y encontrar las restricciones que existen. Una simulacin puede llevarse a cabo como ayuda para entender un sistema existente o como apoyo para disear un nuevo sistema. PASO 2: FORMULACION DEL MODELO La tarea es desglosar en trminos lgico matemticos precisos: 1. Las componentes que deben incluirse. 2. Comportamiento de las componentes 3. Sus relaciones La meta es formular un modelo vlido y seguro con un mnimo de complejidad. Una vez definido el problema del tomador de decisiones, la siguiente etapa consiste en reformularlo de manera conveniente para su anlisis. La forma convencional en que la investigacin de operaciones realiza esto es construyendo un modelo matemtico que represente la esencia del problema. Antes de analizar como formular los modelos de este tipo, se explorar la naturaleza general de los modelos y, en particular, la de los modelos matemticos. El modelo matemtico est constituido por relaciones matemticas (ecuaciones y desigualdades) establecidas en trminos de variables, que representa la esencia el problema que se pretende solucionar.

Para construir un modelo es necesario primero definir las variables en funcin de las cuales ser establecido. Luego, se procede a determinar matemticamente cada una de las dos partes que constituyen un modelo: a) la medida de efectividad que permite conocer el nivel de logro de los objetivos y generalmente es una funcin (ecuacin) llamada funcin objetivo; b) las limitantes del problema llamadas restricciones que son un conjunto de igualdades o desigualdades que constituyen las barreras y obstculos para la consecucin del objetivo. Un modelo siempre debe ser menos complejo que el problema real, es una aproximacin abstracta de la realidad con consideraciones y simplificaciones que hacen ms manejable el problema y permiten evaluar eficientemente las alternativas de solucin. Los modelos matemticos tienen muchas ventajas sobre una descripcin verbal del problema. Una ventaja obvia es que el modelo matemtico describe un problema en forma mucho ms concisa. Esto tiende a hacer que toda la estructura del problema sea ms comprensible y ayude a revelar las relaciones importantes entre causa y efecto. De esta manera, indica con ms claridad que datos adicionales son importantes para el anlisis. Tambin facilita simultneamente el manejo del problema en su totalidad y el estudio de todas sus interpelaciones. Por ltimo, un modelo matemtico forma un puente para poder emplear tcnicas matemticas y computadoras de alto poder, para analizar el problema. Sin duda, existe una amplia disponibilidad de paquetes de software para muchos tipos de modelos matemticos, para micro y minicomputadoras. Por otro lado, existen obstculos que deben evitarse al usar modelos matemticos. Un modelo es, necesariamente, una idealizacin abstracta del problema, por lo que casi siempre se requieren aproximaciones y suposiciones de simplificacin si se quiere que el modelo sea manejable (susceptible de ser resuelto). Por lo tanto, debe tenerse cuidado de que el modelo sea siempre una representacin vlida del problema. El criterio apropiado para juzgar la validez de un modelo es el hecho de si predice o no con suficiente exactitud los efectos relativos de los diferentes cursos de accin, para poder tomar una decisin que tenga sentido. En consecuencia, no es necesario incluir detalles sin importancia o factores que tienen aproximadamente el mismo efecto sobre todas las opciones. Ni siquiera es necesario que la magnitud absoluta de la medida de efectividad sea aproximadamente correcta para las diferentes alternativas, siempre que sus valores relativos (es decir, las diferencias entre sus valores) sean bastante preciso. Entonces, todo lo que se requiere es que exista una alta correlacin entre la prediccin del modelo y lo que ocurre en la vida real. Para asegurar que este requisito se cumpla, es importante hacer un nmero considerable de pruebas del modelo y las modificaciones consecuentes. Aunque esta fase de pruebas se haya colocado despus en el orden del libro, gran parte del trabajo de validacin del modelo se lleva a cabo durante la etapa de construccin para que sirva de gua en la obtencin del modelo matemtico PASO 3: DISEO DEL EXPERIMENTO Se ahorra mucho tiempo y esfuerzo, si se trabaja en los procedimientos experimentales antes de corre el modelo. Qu medidas se tiene que tomar? Qu incrementos de tiempo se usaran? Cul ser la duracin total? Deben tomarse en cuenta las respuestas a estas y otras preguntas al desarrollar un plan para el experimento?

Resolver un modelo consiste en encontrar los valores de las variables dependientes, asociadas a las componentes controlables del sistema con el propsito de optimizar, si es posible, o cuando menos mejorar la eficiencia o la efectividad del sistema dentro del marco de referencia que fijan los objetivos y las restricciones del problema. La seleccin del mtodo de solucin depende de las caractersticas del modelo. Los procedimientos de solucin pueden ser clasificados en tres tipos: a) analticos, que utilizan procesos de deduccin matemtica; b) numricos, que son de carcter inductivo y funcionan en base a operaciones de prueba y error; c) simulacin, que utiliza mtodos que imitan o, emulan al sistema real, en base a un modelo. Muchos de los procedimientos de solucin tienen la caracterstica de ser iterativos, es decir buscan la solucin en base a la repeticin de la misma regla analtica hasta llegar a ella, si la hay, o cuando menos a una aproximacin PASO 4: REALIZACION DEL EXPERIMENTO Esto es de hecho correr el modelo. Aqu se debe marcar el tiempo apropiado, hacer las observaciones necesarias y registras los datos para el anlisis. El desarrollo de un modelo matemtico grande es anlogo en algunos aspectos al desarrollo de un programa de computadora grande. Cuando se completa la primera versin, es inevitable que contenga muchas fallas. El programa debe probarse de manera exhaustiva para tratar de encontrar y corregir tantos problemas como sea posible. Eventualmente, despus de una larga serie de programas mejorados, el programador (o equipo de programacin) concluye que el actual da, en general, resultados razonablemente vlidos. Aunque sin duda quedarn algunas fallas ocultas en el programa (y quiz nunca se detecten, se habrn eliminado suficientes problemas importantes como para que sea confiable utilizarlo. De manera similar, es inevitable que la primera versin de un modelo matemtico grande tenga muchas fallas. Sin duda, algunos factores o interpelaciones relevantes no se incorporaron al modelo y algunos parmetros no se estimaron correctamente. Esto no se puede eludir dada la dificultad de la comunicacin y la compresin de todos los aspectos y sutilezas de un problema operacional complejo, as como la dificultad de recolectar datos confiables. Por lo tanto, antes de usar el modelo debe probarse exhaustivamente para intentar identificar y corregir todas las fallas que se pueda. Con el tiempo, despus de una larga serie de modelos mejorados, el equipo de IO concluye que el modelo actual produce resultados razonablemente vlidos. Aunque sin duda quedarn algunos problemas menores ocultos en el modelo (y quiz nunca se detecten), las fallas importantes se habrn eliminado de manera que ahora es confiable usar el modelo. Este proceso de prueba y mejoramiento de un modelo para incrementar su validez se conoce como validacin del modelo. Debido a que el equipo de IO puede pasar meses desarrollando todas las piezas detalladas del modelo, es sencillo "no ver el bosque por buscar los rboles". Entonces, despus de completar los detalles ("los rboles") de la versin inicial del modelo, una buena manera de comenzar las pruebas es observarlo en forma global ("el bosque") para verificar los errores u omisiones obvias. El grupo que hace esta revisin debe, de preferencia, incluir por lo menos a una persona que no haya participado en la formulacin. Al examinar de nuevo la formulacin del problema y comprarla con el modelo pueden descubrirse este tipo de errores. Tambin es til asegurarse de que todas las expresiones matemticas sean consistentes en las dimensiones de las unidades que emplean. Adems, puede obtenerse un mejor conocimiento de la validez

del modelo variando los valores de los parmetros de entrada y/o de las variables de decisin, y comprobando que los resultados del modelo se comporten de una manera factible. Con frecuencia, esto es especialmente revelador cuando se asignan a los parmetros o a las variables valores extremos cercanos a su mximo o a su mnimo. Un enfoque ms sistemtico para la prueba del modelo es emplear una prueba retrospectiva. Cuando es aplicable, esta prueba utiliza datos histricos y reconstruye el pasado para determinar si el modelo y la solucin resultante hubieran tenido un buen desempeo, de haberse usado. La comparacin de la efectividad de este desempeo hipottico con lo que en realidad ocurri, indica si el uso del modelo tiende a dar mejoras significativas sobre la prctica actual. Puede tambin indicar reas en las que el modelo tiene fallas y requiere modificaciones. Lo que es ms, el emplear las alternativas de solucin y estimar sus desempeos histricos hipotticos, se pueden reunir evidencias en cuanto a lo bien que el modelo predice los efectos relativos de los diferentes cursos de accin. Cuando se determina que el modelo y la solucin no son vlidos, es necesario iniciar nuevamente el proceso revisando cada una de las fases de la metodologa de la investigacin de operaciones. PASO 5: EVALUACION DE LOS RESULTADOS Casi siempre la simulacin da resultados estadsticos: promedios y distribuciones de probabilidad En la prctica, estos 5 pasos se traslapan considerablemente. El orden de los pasos es menos significativo que el que se ejecuten por completo. Una solucin establecida como vlida para un problema, permanece como tal siempre y cuando las condiciones del problema tales como: las variables no controlables, los parmetros, las relaciones, etc., no cambien significativamente. Esta situacin se vuelve ms factible cuando algunos de los parmetros fueron estimados aproximadamente. Por lo anterior, es necesario generar informacin adicional sobre el comportamiento de la solucin debido a cambios en los parmetros del modelo. usualmente esto se conoce como anlisis de sensibilidad. En pocas palabras, esta fase consiste en determinar los rangos de variacin de los parmetros dentro de los cuales no cambia la solucin del problema. El paso final se inicia con el proceso de "vender" los hallazgos que se hicieron a lo largo del proceso a los ejecutivos o tomadores de decisiones. Una vez superado ste obstculo, se debe traducir la solucin encontrada a instrucciones y operaciones comprensibles para los individuos que intervienen en la operacin y administracin del sistema. La etapa de implantacin de una solucin se simplifica en gran medida cuando se ha propiciado la participacin de todos los involucrados en el problema en cada fase de la metodologa. Preparacin para la aplicacin del modelo Esta etapa es crtica, ya que es aqu, y slo aqu, donde se cosecharn los beneficios del estudio. Por lo tanto, es importante que el equipo de IO participe, tanto para asegurar que las soluciones del modelo se traduzcan con exactitud a un procedimiento operativo, como para corregir cualquier defecto en la solucin que salga a la luz en este momento. El xito de la puesta en prctica depende en gran parte del apoyo que proporcionen tanto la alta administracin como la gerencia operativa. Es ms probable que el equipo de IO obtenga este apoyo si ha mantenido a la administracin bien informada y ha fomentado la gua de la gerencia durante el estudio. La buena comunicacin ayuda a asegurar que el estudio logre

lo que la administracin quiere y por lo tanto merezca llevarse a la prctica. Tambin proporciona a la administracin el sentimiento de que el estudio es suyo y esto facilita el apoyo para la implantacin. La etapa de implantacin incluye varios pasos. Primero, el equipo de investigacin de operaciones de una cuidadosa explicacin a la gerencia operativa sobre el nuevo sistema que se va a adoptar y su relacin con la realidad operativa. En seguida, estos dos grupos comparten la responsabilidad de desarrollar los procedimientos requeridos para poner este sistema en operacin. La gerencia operativa se encarga despus de dar una capacitacin detallada al personal que participa, y se inicia entonces el nuevo curso de accin. Si tiene xito, el nuevo sistema se podr emplear durante algunos aos. Con esto en mente, el equipo de IO supervisa la experiencia inicial con la accin tomada para identificar cualquier modificacin que tenga que hacerse en el futuro. A la culminacin del estudio, es apropiado que el equipo de investigacin de operaciones documento su metodologa con suficiente claridad y detalle para que el trabajo sea reproducible. Poder obtener una rplica debe ser parte del cdigo de tica profesional del investigador de operaciones. Esta condicin es crucial especialmente cuando se estudian polticas gubernamentales en controversia

Definicin y Construccin de Modelos de Simulacin Al tratar de definir el concepto de simulacin, nos encontramos con una variada gama de posibilidades dependiendo, en gran medida, del campo o la actividad en la cual se encuadre la aplicacin de dicha metodologa. Desde el punto de vista de Investigacin De Operaciones algunas de las definiciones son: a) Del diccionario de la real academia espaola: La accin de simular. Alteracin aparente de la
causa, la ndole o el objeto verdadero de un acto o contrato b) Representacin de la realidad y por tanto la descripcin verbal y la representacin esquemtica o grafica de alguna parte del mundo real constituye una simulacin c) Es, esencialmente, una analoga que significa similitud de relaciones o propiedades sin que haya identidad. Cuando podemos construir sistemas anlogos, las medidas u observaciones efectuadas sobre uno de ellos pueden ser utilizados para predecir las respuestas de los otros

d) El uso de un modelo de sistema que tiene la caracterstica deseada de la realidad, a fin de

reproducir la esencia de las operaciones reales e) Una representacin de la realidad mediante el empleo de un modelo u otro mecanismo que reaccionara del mismo modo que la realidad bajo una serie de condiciones dadas Pero aquellas que recogen las caractersticas fundamentales de su utilizacin en la investigacin Operativa, como son: El empleo de modelos matemticos, procesos estocsticos, hechos, hiptesis y cursos alternativos de accin. a) Diccionario de Econmica Planta: Es la utilizacin de tcnicas de programacin, con exclusin de cualquier otro mtodo o recurso, para duplicar en un sistema de proceso de datos el funcionamiento de otro. Representacin de sistemas y de fenmenos fsicos por medio de ordenadores, de modelos o de cualquier otro tipo de equipo. b) Es un proceso numrico diseado para experimentar el comportamiento de cualquier sistema en un ordenador, a lo largo de la dimensin del tiempo. c) Es una tcnica cuantitativa que se emplea para evaluar cursos alternativos de accin, basada en hechos e hiptesis, con un modelo matemtico de ordenador, a fin de representar la toma real de decisiones en condiciones de incertidumbre d) Es un medio de conocer las consecuencias previsibles derivadas de las decisiones que se tomen en cada momento, utilizando un modelo implementado en un ordenador, que de forma simplificada representen la realidad del sistema objeto de estudio y su entorno especifico y genrico a travs de descripciones de las relaciones existentes entre ellos. La simulacin sustituye al mtodo analtico y se vale de determinados algoritmos de los mtodos numricos para su funcionamiento en la resolucin de los problemas que se planteen Aqu se recogen los cuatro elementos fundamentales: 1) Objetivo fundamental de la simulacin es prever que ocurrira ante alteraciones de las condiciones de partida 2) La realidad objeto de estudio va a estar representada por un sistema del mismo, que va a poseer sus caractersticas ms relevantes de acuerdo con el objetivo del estudio con la tcnica a utilizar. 3) El sistema va a estar simplificado por un modelo que va a formalizar las caractersticas del mismo. 4) Ante la complejidad de la realidad que se pretende estudiar, la simulacin sustituye a otros mtodos, por su mayor facilidad en la aplicacin, aunque tambin se vale de aquellos en la medida de lo posible.

LOS MODELOS:

A) Dinmico: aquel que incluye la variable tiempo en el mismo, mas no todo sistema que tenga incorporada dicha variable tiene porque ser un sistema dinmico, para que sea dinmico debe aparecer explicitado cmo evoluciona este, es decir, deber existir una sistema diferencial o en diferencias que siga el mismo, que sern denominadas ecuaciones del movimiento. Modelo En Ecuaciones Diferenciales o en Diferencias. B) Esttico: cuando las relaciones entre los elementos son inmutables. Modelos con Ecuaciones Algebraicas C) Cerrado: el que no tiene actividades exgenas. D) Abierto: el que las tiene E) Deterministico: aquel donde los efectos de una actividad se explican completamente en funcin de sus inputs. Cuando es posible describir completamente el resultado de una actividad. F) Estocstico: atendiendo a los efectos aleatorios producidos por una actividad. Cuando los efectos de la actividad varan aleatoriamente en distintas salidas. Simulacin Montecarlo. G) Continuo: cuando las variables del modelo adoptan valores continuos o nmeros reales. H) Discretos: cuando los efectos de una actividad no son continuos y producen cambios en el estado del mismo. Caractersticas Estructurales: a) Elementos: componentes fundamentales del sistema. Representacin simplificada de alguna caracterstica de la realidad objeto de estudio. b) Relaciones entre elementos o redes de comunicacin c) Que posean unos lmites precisos, claramente determinadas tanto las variables endgenas y las exgenas. Caractersticas Funcionales: a) Flujo, que circulan entre las variables del estado b) Vlvulas, que controlan los diversos flujos c) Retardos, resultantes de las discrepancias entre unidades de tiempo y velocidades de circulacin de los flujos d) Bucles de realimentacin (Feedback) o cadenas de causalidad o influencia circulares entre elementos En los procesos de simulacin de cualquier sistema se deben definir determinados parmetros, cada uno de los cuales tiene propiedades de inters, as como determinadas interacciones en el sistema que producen cambios en el mismo, como son: - Entidad o Componente: objeto de inters en un sistema - Atributo: propiedad o propiedades de una Entidad - Suceso o Evento: proceso que provoca cambios en el sistema - Estado del Sistema: descripcin de todas las Entidades, Atributos y Sucesos en valores numricos, en un determinado periodo de tiempo. El Estado del Sistema cambia cuando cambia el valor de algunos de estos parmetros relevantes del sistema.

Que logramos con el uso de un planteamiento sistemtico: - La facilidad para representar hechos y acontecimientos de la empresa con la ayuda de modelos descriptivos - La aclaracin intelectiva que entraan estos modelos propician decisiones ms prontas y acertadas.

MODELO DE REDES LINEAL DETERMINISTICO PROGRAMACION LINEAL PROGRAMACION DINAMICA PROGRAMACION HEURISTICA MODELO MATEMATICO NO LINEAL PROGRAMACION NO LINEAL SIMULACION ESTOCASTICO TEORIA DE JUEGOS PROCESO MARKOV ARBOLES DE DECISION

CONTINUA ENTERA BINARIA

VARIABLES DE DECISIN Y PARMETROS Las variables de decisin son incgnitas que deben ser determinadas a partir de la solucin del modelo. Puede hablarse de distintos tipos de variable: las variables dependientes, que son aquellas que dependen del valor que asuman otros fenmenos o variables; las variables independientes, cuyos cambios en los valores determinan cambios en los valores de otra; variables cualitativas, que expresan distintas cualidades, caractersticas o modalidades; y variables cuantitativas, que se enuncian mediante cantidades numricas, entre otras. Los parmetros representan los valores conocidos del sistema o bien que se pueden controlar.
Un valor que ya est "incluido" en una funcin.

Ejemplo: Si una funcin que calcula la altura de un rbol es h(aos) = 20 aos, entonces "aos" es una variable y "20" es un parmetro.

TIPOS DE PROGAMACIONES: Las tcnicas para resolver los problemas matemticos y los resultados de los
algoritmos de optimizacin dependen de la naturaleza de la funcin objetivo y de las restricciones. Programacin Convexa estudia el caso en que la funcin objetivo es convexa

(minimizacin) o cncava (maximizacin) y el conjunto de restricciones es convexo. Este puede ser visto como un caso particular de la programacin no lineal o como la generalizacin de la programacin lineal o de la convexa cuadrtica. o Programacin Lineal (PL) es un tipo de programacin convexa, estudia el caso en el que la funcin objetivo f es lineal y el conjunto de restricciones se especifica usando solamente ecuaciones e inecuaciones lineales. Dicho conjunto es llamado poliedro o politipo si est limitado. o Programacin de Cono de Segundo Orden(PCSO) es un programa convexo e incluye ciertos tipos de programas cuadrticos. o Programacin Semidefinida(PSD) es un subcampo de la optimizacin convexa donde las variables fundamentales son matrices semidefinidas. Es una generalizacin de la programacin lineal y la programacin cuadrtica convexa. o Programacin Cnica es una forma general de la programacin convexa. PL, PCSO y PSD pueden todos ser vistos como programas cnicos con el tipo de cono apropiado. o Programacin Geomtrica es una tcnica por medio de la cual el objetivo y las restricciones de desigualdad expresados como polinomios y las restricciones de igualdad como monomios, pueden ser transformados en un programa convexo. Programacin con Enteros estudia programas lineales en los cuales algunas o todas las variables estn obligadas a tomar valores enteros. Esta no es convexa y en general es mucho ms difcil que la programacin lineal regular. Programacin Cuadrtica permite a la funcin objetivo tener trminos cuadrticos, mientras que el conjunto factible pueda ser especificado con ecuaciones e inecuaciones

lineales. Para formas especficas del trmino cuadrtico, esta es un tipo de programacin convexa. Programacin Fraccionaria estudia la optimizacin de razones de dos funciones no lineales. La clase especial de programas fraccionarios cncavos puede ser transformada a un problema de optimizacin convexa. Programacin No Lineal estudia el caso general en el que la funcin objetivo, o las restricciones, o ambos, contienen partes no lineales. Este puede o no, ser un programa convexo. En general, si el programa es convexo afecta la dificultad de resolucin. Programacin Estocstica estudia el caso en el que alguna de las restricciones o parmetros depende de variables aleatorias. Programacin Robusta es, como la programacin estocstica, un intento por capturar la incertidumbre en los datos fundamentales del problema de optimizacin. Esto se hace mediante el uso de variables aleatorias, pero en cambio, el problema es resuelto teniendo en cuenta imprecisiones en los datos de entrada. Optimizacin Combinatoria se preocupa de los problemas donde el conjunto de soluciones factibles es discreto o puede ser reducido a uno discreto. Optimizacin Estocstica para usar con mediciones de una funcin aleatoria (ruidosa) o entradas aleatorias en el proceso de bsqueda. Optimizacin Dimensional-Infinita estudia el caso donde el conjunto de soluciones factibles es un subconjunto de un espacio de dimensin infinita, por ejemplo un espacio de funciones. Heursticas y Metaheurstica hacen pocas suposiciones o no, sobre el problema que est siendo optimizado. Usualmente, las heursticas no garantizan que cualquier solucin ptima necesita ser encontrada. Luego, las heursticas son usadas para encontrar soluciones aproximadas para muchos problemas de optimizacin complicados. Satisfaccin de Restriccin estudia el caso en el cual la funcin objetivo f es constante (esta es usada en inteligencia artificial, particularmente en razonamiento automatizado) o Programacin con restriccin Programacin Disyuntiva se usa cuando al menos una restriccin puede ser satisfecha pero no todas. Esta es de uso particular en la programacin En un nmero de subcampos, las tcnicas son diseadas principalmente para la optimizacin en contextos dinmicos (es decir, toma de decisiones con el transcurso del tiempo): Clculo de Variaciones busca optimizar un objetivo definido sobre muchos puntos con el tiempo, considerando como la funcin objetivo cambia si el cambio es pequeo en el camino de eleccin. Teora del Control ptimo es una generalizacin del clculo de variaciones. Programacin Dinmica estudia el caso en el que la estrategia de optimizacin se basa en la divisin del problema en subproblemas ms pequeos. La ecuacin que describe la relacin entre estos subproblemas se llama ecuacin de Bellman. Programacin Matemtica con Restricciones de Equilibrio es donde las restricciones incluyen desigualdades variables o complementarias.

La mayora de los mtodos de programacin no lineales utilizan el concepto de gradiente de las funciones f(x) y gj(x) para calcular direcciones de descenso, es decir de mejora de la funcin objetivo. Cuando las funciones son convexas (caso por ejemplo de la programacin lineal continua), los algoritmos de descensos convergen hacia un ptimo global. En general, estos algoritmos y los software correspondientes convergen solamente hacia un ptimo local. Siempre que sea posible, es importante ejecutar estos algoritmos a partir de varias soluciones iniciales diferentes con el fin de seleccionar la mejor solucin entre todas las encontradas. Una problemtica no lineal con restricciones puede convertirse en un problema sin restricciones con la ayuda del multiplicador de Lagrange: este mtodo consiste en efecto en introducir en la funcin objetivo variables de holgura y un coste que aumenta cuando disminuye la desviacin (es decir, restriccin saturada). ROBUSTEZ : Existen dos grandes lneas de pensamiento en las investigaciones respecto a la Robustez en la Teora de la Decisin. Por un lado la Escuela Franco-Belga en la cual la robustez an se encuentra en una fase de anlisis de qu es lo que tiene que ser robusto, respecto de qu y por qu debe ser robusto. Y la escuela Anglo-Americana que propone un anlisis de robustez para la presencia de incertidumbre o imprecisin respecto del futuro, tratando de encontrar una medida del grado de robustez a travs de un ndice numrico. Robustez Estadstica: El trmino robustez se utiliza, a menudo en Estadstica para hacer referencia a ciertas caractersticas deseables de los procesos estadsticos. Se dice que un proceso es robusto respecto de las desviaciones de los supuestos del modelo, cuando el proceso contina trabajando bien, an cuando, en mayor o menor extensin, los supuestos no se mantienen. El anlisis de sensibilidad es un proceso sistemtico utilizado para explorar cmo una solucin considerada como ptima en el sentido paretiano, responde a los cambios introducidos en las condiciones de partida las cuales tpicamente sern o sea valores conocidos que podrn variar en el futuro o parmetros cuyos valores estarn expuestos a cuestionamiento. De este modo, el anlisis se sustenta alrededor del supuesto previo de que la optimizacin es el escenario principal, con la incertidumbre considerada como un factor potencialmente perjudicial. El anlisis tiene como objetivo estudiar y descubrir el grado de sensibilidad de la solucin ptima ante cambios en los factores esenciales. Una solucin insensible es considerada como ventajosa y para aadir ms confusin lingstica, a veces se la denomina con el trmino robusta. De la misma forma que el anlisis de sensibilidad, el anlisis de la robustez pretende incorporar la experiencia del mundo real respecto de la incertidumbre dentro del entendimiento y la comprensin de los resultados derivados matemticamente. Podemos sealar dos diferencias importantes con relacin al anlisis de sensibilidad. La primera diferencia es que su objetivo consiste, no solamente, en utilizar la optimizacin sino tambin un rango ms amplio y concreto de resultados informticos por ejemplo, que una cierta solucin sea factible, o que sea casi ptima. La segunda diferencia es que la perspectiva del anlisis de robustez se considera virtualmente, como la imagen reflejada en el espejo del anlisis de sensibilidad. Eso es, identificar cul es el dominio de puntos en el espacio de soluciones para el cual un resultado

particular contina perpetundose. La incertidumbre, sin embargo, permanece asociada a los valores de los parmetros, ms que al conjunto de incertidumbres intangibles que podran resistirse a una cuantificacin que encierre en s misma un alto grado de credibilidad. Y a diferencia del anlisis de sensibilidad, la idea de una explotacin secuencial para alcanzar mayor flexibilidad est ausente. Un anlisis de robustez no es viable en cualquier situacin de decisin, sino que resulta aplicable cuando: 1) La incertidumbre es un factor que dificulta la toma de decisiones seguras; 2) las decisiones deben ser o pueden ser llevadas a cabo; es decir que las condiciones establecidas inicialmente en el proceso de decisin no definen necesariamente el estado futuro y completo del sistema. Tendrn que existir una o ms oportunidades futuras para modificarlo o redefinirlo. El primer elemento nos asegura que la incertidumbre es importante, mientras que el segundo nos confirma que hay algo que podemos hacer con ella. Es importante reconocer que el proceso que conduce a la decisin final depende de la identificacin de escenarios futuros a los que el sistema en consideracin debera afrontar. Esta apreciacin es objeto de crtica puesto que el futuro es infinitamente enrevesado y no podemos conocer, en consecuencia, si alguno de nuestros escenarios futuros identificados podr capturar los aspectos claves del escenario actualmente vigente. Evidentemente, el proceso de obtencin y seleccin preliminar tendera a reducir este riesgo, por ejemplo, seleccionando un amplio rango de posibles estados o entornos futuros contrastables. Sin embargo, esta aproximacin no requiere que ese eventual escenario futuro sea identificado actualmente con absoluta certeza. As, por ejemplo, si consideramos una alternativa inicial cualquiera, que es el primer paso para llegar a una solucin ptima, en un nico escenario futuro previsto, mantendr una flexibilidad limitada. Por el contrario, una alternativa robusta, mantendr la flexibilidad a travs de un amplio rango de escenarios futuros concebibles. PROGRAMACION ENTERA: Un modelo de programacin entera es un modelo que contiene restricciones y una funcin objetivo idnticas a las formuladas por planeacin lineal. La nica diferencia es que una o ms de las variables de decisin tienen que tomar un valor entero en la solucin final. Existen tres tipos de modelos de programacin entera: PURA - BINARIA MIXTA Programacin Entera Pura Un modelo entero puro (PLE) es, como su nombre lo indica, un problema en el que se exige que todas las variables de decisin tengan valores enteros. Por ejemplo: Min 61 + 52 + 43 s.a. 1081 + 922 + 583 576 71 + 182 + 223 83 x1, x2, x3 >= 0 y enteros Es un modelo entero puro. Sin las restricciones adicionales de que x1, x2, x3 sean enteros (o sea las condiciones de integralidad) sera un problema de programacin lineal

Ejemplo Corte de Madera. Una sala de arte debe enmarcar 175 cuadros de 119x96 cm. En el mercado puede comprar varillas de la moldura indicada con longitud de 300 cm. Cmo deben cortarse las varillas para obtener los marcos requeridos, obteniendo el menor sobrante posible? Solucin:

Programacin entera mixta: Algunas de las variables de decisin tienen valores enteros. Las dems cumplen con la suposicin de divisibilidad. Un problema en el que solo se requieren que algunas variables tengan valores enteros mientras que otras pueden asumir cualquier numero no negativo (es decir, cualquier valor continuo) se llama programacin lineal entera mixta (PLEM). Por ejemplo, supngase que en el problema solo x1 y x2 deben ser enteros y x3 no. El problema resultante es: Programacin de la Produccin de un Ensamble: Cierta empresa produce un artculo que se forma con cuatro piezas del componente A y tres piezas del componente B. Las piezas se pueden fabricar en cualquiera de las tres mquinas diferentes que posee la compaa, las cuales transforman las dos materias primas en las piezas que van al ensamble del producto final. La tabla siguiente muestra el nmero de gramos de cada materia prima que deben utilizarse en cada mquina para realizar un ciclo de produccin de las componentes. La misma tabla muestra el nmero de componentes de cada tipo que se obtienen en cada ciclo de produccin de cada una de las maquinas, as como el nmero de gramos disponibles de las materias primas.

Cmo debe programarse la produccin para obtener la mxima cantidad de artculos? Construccin del modelo: Para un mejor entendimiento elaboremos un diagrama de la situacin.

Definicin de variables Xi = Nmero de tandas de produccin que realiza la mquina i. Cada tanda de produccin de las mquinas utiliza cierta cantidad de las materias primas y produce cierta cantidad de los componentes A y B, con los cuales se obtiene el ensamble del producto final. Como para cada unidad del ensamble se utilizan cuatro unidades del componente A y tres del componente B, se concluye que el nmero total de ensambles obtenidos ser el resultado de dividir por cuatro el nmero de componentes tipo A, pero tambin debe ser igual al nmero de componentes tipo B, dividido por tres. Necesitamos entonces definir tambin que XA = nmero de componentes de tipo A obtenidas. XB = nmero de componentes de tipo B obtenidas.

Programacin binaria. La programacin binara hace referencia a aquella cuyo conjunto de soluciones slo puede tomar uno de dos posibles valores: 1 0. Es un caso especial de la Programacin Entera. Esta herramienta matemtica es especialmente til para enfrentar

problemas de tipo de toma de decisiones dicotmicas Si o No. El Problema de la asignacin, es un caso particular de esta metodologa, dnde se debe asignar unos recursos limitados a unas tareas especficas de manera ptima. Existen dos mtodos para generar las restricciones especiales que fuercen la solucin ptima del problema, hacia la solucin ptima entera deseada: - Mtodo de ramificar y acotar. - Mtodo de planos de corte. Desafortunadamente, ninguno de los dos mtodos es efectivo en la solucin de problemas de programacin lineal entera.