16/06/2010

Investigación Operativa

DESARROLLO DE MODELOS

El problema

Los recursos
L Los sistemas
L i t son cada
d
son escasos vez más complejos

C d vez es más
Cada á difí
difícilil asignar
i llos
recursos o actividades de la forma más eficaz

1
 16/06/2010

Investigación operativa (I.O.)
• Es la aplicación del método científico para 
asignar los recursos o actividades de forma 
i l ti id d d f
eficaz, en la gestión y organización de sistemas 
complejos
• Su objetivo es ayudar a la toma de decisiones
• Requiere un enfoque interdisciplinario
Requiere un enfoque interdisciplinario

Historia de la I.O.
• Se aplica por primera vez en 1780
• Antecedentes:
Antecedentes
– Matemáticas: modelos lineales (Farkas, Minkowski) 
(s.XIX)
– Estadística: fenómenos de espera (Erlang, Markov) 
(años 20)
– Economía: Quesnay (x.XVIII), Walras (s.XIX), Von 
Neumann (años 20)
• El origen de la I.O. moderna se sitúa en la 2ª 
Guerra Mundial

2
 16/06/2010

Historia de la I.O.
• Al terminar la guerra, sigue el desarrollo en la 
i d t i d bid
industria, debido a:
– competitividad industrial
– progreso teórico
• RAND (Dantzig)
• Princeton (Gomory, Kuhn, Tucker)
• Carnegie Institute of Technology (Charnes, Cooper)
– gran desarrollo de los ordenadores

Actualidad de la I.O.
• Sigue habiendo un gran desarrollo, en muchos 
sectores, con grandes avances sobre todo en el 
campo de la Inteligencia Artificial
• Más información:
– Sociedad Española de  Estadística e Inv. Op. (SEIO)
• www.cica.es/aliens/seio
– Association of European O.R. Societies (EURO)
• www.ulb.ac.be/euro/euro_welcome.html
– Institute for O.R. and the Management Sci. (INFORMS)
• www.informs.org
– International Federation of O.R. Societies (IFORS)
• www.ifors.org

3
 16/06/2010

El método de la I.O.
• Definición del problema
• Formulación del problema y construcción del 
modelo
• Resolución
• Verificación, validación, refinamiento
• Interpretación y análisis de resultados
• Implantación y uso extensivo
A lo largo de todo el proceso debe haber una interacción
constante entre el analista y el cliente

El modelado
• Es una ciencia
– análisis de relaciones
– aplicación de algoritmos de solución
• Y a la vez un arte
– visión de la realidad
– estilo, elegancia, simplicidad
estilo elegancia simplicidad
– uso creativo de las herramientas
– experiencia

4
 16/06/2010

Definición del problema
• Consiste en identificar los elementos de 
decisión
– objetivos (uno o varios, optimizar o satisfacer)
– alternativas
– limitaciones del sistema
• Hay que recoger información relevante (los 
d t
datos pueden ser un grave problema)
d bl )
• Es la etapa fundamental para que las 
decisiones sean útiles

Formulación del problema
• Modelo: representación simplificada de la 
realidad que facilita su comprensión y el estudio
realidad, que facilita su comprensión y el estudio 
de su comportamiento
• Debe mantener un equilibrio entre sencillez y 
capacidad de representación
• Modelo matemático: modelo expresado en 
términos matemáticos
términos matemáticos
– hace más claras la estructura y relaciones
– facilita el uso de técnicas matemáticas y ordenadores
– a veces no es aplicable

5
 16/06/2010

Construcción del modelo
• Traducción del problema a términos 
matemáticos
– objetivos: función objetivo
– alternativas: variables de decisión
– limitaciones del sistema: restricciones
• Pero a veces las relaciones matemáticas son 
d
demasiado complejas
i d l j
– heurísticos
– simulación

Tipos de modelos

• Determinísticos • Probabilísticos
– Programación  – Programación
matemática estocástica
• Programación lineal
• Programación entera – Gestión de inventarios
• Programación dinámica – Fenómenos de espera
• Programación no lineal (colas)
• Programación
Programación 
multiobjetivo – Teoría de juegos
– Modelos de transporte – Simulación
– Modelos de redes

6
 16/06/2010

Resolución
• Determinar los valores de las variables de 
d i ió d
decisión de modo que la solución sea óptima 
d l l ió ó ti
(o satisfactoria) sujeta a las restricciones
• Puede haber distintos algoritmos y formas de 
aplicarlos

Verificación y validación
• Eliminación de errores
• Comprobación de que el modelo se adapta a 
la realidad

7
 16/06/2010

Interpretación y análisis
• Robustez de la solución óptima obtenida: 
A áli i d
Análisis de sensibilidad
ibilid d
• Detección de soluciones cuasi‐óptimas 
atractivas

Implantación
• Sistema de ayuda y mantenimiento
• Documentación
• Formación de usuarios

8
 16/06/2010

Ejemplo nº1
En una fábrica de cerveza se producen dos tipos: rubia y
negra.
eg a Su p precio
ec o de venta
e a es de 50 pptas/l
as/ y 30 p
ptas/l,
as/ ,
respectivamente. Sus necesidades de mano de obra son de
3 y 5 empleados, y de 5.000 y 2.000 ptas de materias primas
por cada 1000 l.
La empresa dispone semanalmente de 15 empleados y
10.000 ptas para materias primas, y desea maximizar su
beneficio. ¿Cuántos litros debe producir?

Formulación

Max z = 50.000 x1 + 30.000 x2

s .a .
3 x1 + 5 x2 ≤ 15
5.000 x1 + 2.000 x2 ≤ 10.000
x1 , x2 ≥ 0

9
 16/06/2010

El modelo de P.L.
Opt z = c1 x1 + c2 x2 + K + cn xn
s .a .
a11 x1 + a12 x2 + K + a1n xn ≤ b1
M
a m1 x1 + a m 2 x2 + K + a mn xn ≤ bm

x1 , x2 ,K , xn ≥ 0

El modelo de P.L.
z: función objetivo
CT ((c1,,...,c
, n)): vector de coeficientes de la f.o.
T
X (x1,...,xn): vector de variables de decisión
A (...,aij,...): matriz de coeficientes técnicos
b (b1,...,bm): vector de demandas
Matricialmente,

Opt CTX
s.a. Forma canónica
AX b
x≥0

10
 16/06/2010

Propiedades del modelo lineal
• Proporcionalidad
– LLa contribución al coste y a las restricciones es 
ib ió l l i i
directamente proporcional al valor de cada variable
• Aditividad
– El coste y las restricciones son la suma directa de las 
variables
• Divisibilidad
– Las variables pueden dividirse en cualquier tipo de 
fracción

Modelos de prog. entera
• El modelo matemático es el modelo de P.L., pero 
con algunas variables enteras
– Programación entera mixta (MIP)
• x ∈ R+, y ∈ Z+
– Programación entera pura (IP)
• x ∈ Z+
– Programación binaria ó 0‐1 (0‐1 MIP, 0‐1 IP, BIP)
• x ∈ {0,1}: variables de asignación, lógicas
• Son
Son problemas más complicados de resolver que 
problemas más complicados de resolver que
los de P.L.
• El primer algoritmo de resolución se planteó en el 
año 1958 (Gomory)

11
 16/06/2010

Problemas típicos
• Problema del transporte
• Problema de flujo con coste mínimo en red
Problema de flujo con coste mínimo en red
• Problema de asignación
• Problema de la mochila (knapsack)
• Problema del emparejamiento (matching)
• Problema del recubrimiento (set‐covering)
• Problema del empaquetado (set‐packing)
• Problema de partición (set partitioning)
Problema de partición (set‐partitioning)
• Problema del coste fijo (fixed‐charge)
• Problema del viajante (TSP)
• Problema de rutas óptimas

Problema del transporte
Minimizar el coste total de transporte entre los centros de origen 
y los de destino, satisfaciendo la demanda, y sin superar la
y los de destino, satisfaciendo la demanda, y sin superar la 
oferta
m n
Min ∑∑ c
i = 1 j =1
ij xij
xij: unidades a enviar de origen i a destino j
cij: coste unitario de transporte de i a j
s.a .
ai: unidades de oferta en el punto origen i
m

∑x
bj: unidades de demanda en el punto destino j
ij = b j , j = 1..n
i =1
n
Se supone oferta total igual a demanda total

∑x
j =1
ij = ai ,i = 1..m

xij ≥ 0 , xij ∈ Z

12
 16/06/2010

Flujo con coste mínimo en red
Embarcar los recursos disponibles a través de la red
para satisfacer la demanda a coste mínimo

m n
Min ∑∑ c
i = 1 j =1
ij xij
xij: unidades enviadas de i a j (flujo)
cij: coste unitario de transporte de i a j
s.a . bi:recursos disponibles en un nodo i
m m oferta: bi>0
∑x −∑x
j =1
ij
k =1
ki = bi , j = 1..m demanda: bi<0
transbordo: bi=0
xij ≥ 0 , xij ∈ Z
Se supone oferta total igual a demanda total

Problema de asignación
Minimizar el coste total de operación de modo que:
- cada tarea se asigne a una y sólo una máquina
- cada máquina realice una y sólo una tarea
m n
Min ∑∑ c
i =1 j =1
ij xij
xij: 1 si la tarea i se hace con la máquina j
cij: coste de realizar la tarea i con máquina j
s.a . n tareas
m

∑x
m máquinas
ijj = 1, j = 1..n
i =1
Si hay más máquinas que tareas se formula
n

∑x
con desigualdades, y se resuelve con tareas
ij = 1,i = 1..m
ficticias
j =1

xij ∈ {0 ,1}

13
 16/06/2010

Problema de la mochila
Escoger un grupo de productos que maximice el valor
total sin exceder el espacio disponible

∑c x
n objetos
Max j j
j =1
aj: espacio que ocupa el objeto j
s.a . cj: valor del objeto j
n

∑a x
j =1
j j ≤b b: volumen de la mochila

x j ∈ {0,1} xj: 1 si se escoge el objeto j

Problema de emparejamiento
Distribuir un conjunto por parejas de tal forma que el
valor sea máximo. Si hay elementos sin pareja:
emparejamiento imperfecto
imperfecto. Si están en dos conjuntos
conjuntos,
emparejamiento bipartito.

2n -1 2n
Max ∑ ∑ c ij xij
i =1 j=1+1 xij=1 si los elementos i y j son pareja
s.a. cij: valor de la pareja i-j
i -1 2n

∑ xki +
k =1
∑x
j =i +1
ij = 1, i = 1..2n i<j

xij ∈ {0,1}

14
 16/06/2010

Problema de recubrimiento
Minimizar el coste de las actividades que en su conjunto
cubren todas las características al menos una vez

n
Min ∑ c j x j m características
j=1 n actividades
s.a.
xj=1 si la actividad j se realiza
n

∑a x
j=1
ij j ≥ 1, i = 1..m
cj: coste unitario de la actividad j

x j ∈ {0,1} aij=1 si la característica i está en la actividad j

A: matriz de incidencia

Problema de empaquetado
Maximizar el beneficio total de forma que hay que elegir
conjuntos completos de actividades, y que no se realice
una actividad dos veces
n
Min ∑ c j x j m actividades
j=1 n conjuntos de actividades
s.a.
xj=1 si se elige el subconjunto j
n

∑a x
j=1
ij j ≤ 1, i = 1..m
cj: beneficio por realizar el conjunto j

x j ∈ {0,1} aij=1 si el conjunto j incluye la actividad i

A: matriz de incidencia

15
 16/06/2010

Problema de partición
Si en el problema de recubrimiento o en el de
empaquetado las desigualdades se cambian por
igualdades
n
Min ∑ c j x j m actividades
j=1 n conjuntos de actividades
s.a.
xj=1 si se elige el subconjunto j
n

∑a x
j=1
ij j = 1, i = 1..m
cj: beneficio por realizar el conjunto j

x j ∈ {0,1} aij=1 si el conjunto j incluye la actividad i

A: matriz de incidencia

Problema del coste fijo
Decidir la cantidad de cada producto de modo que se
minimicen los costes de producción y se satisfaga la
demanda
n m
Min ∑ c j x j + ∑ f k yk xij: unidades del producto j
j=1 k =1 cj: coste unitario de producción de j
s.a.
yk=1 si se usa la instalación k
n

∑x
j=1
ij ≥ bj fk: coste de arranque de la instalación k
akj=1 si el producto j usa la instalación k
n

∑a
bj: demanda del producto j
kj x j ≤ M k yk , k = 1..m M: número lo suficientemente grande
j=1

xij ≥ 0, yk ∈ {0,1}

16
 16/06/2010

Problema del viajante
Encontrar un circuito que visite exactamente una vez
cada ciudad empezando en la primera y que tenga
longitud mínima

Min ∑c
(i, j)∈ A
ij xij
xij=1 si de i va directamente a j
cij: distancia entre i y j
s.a .
A: conjunto de arcos

∑x
i/(i, j)∈A
ij = 1 ,∀j ∈ V
V: conjunto de nodos

∑ xij ≥ 1,∀U ⊂V / 2≤ U ≤ V −2
∑ xij = 1,∀i ∈ V ( i , j )∈ A / i∈U , j∈V −U
j/(i, j)∈ A

xij ∈ {0 ,1}
∑ xij ≤
( i , j )∈ A / i∈U , j∈U
U − 1,∀U ⊂ V / 2 ≤ U ≤ V − 2

n
Min ∑ ∑c
k =1 (i, j)∈ A
ij xijk

s.a .
n

∑ ∑x
i/(i, j)∈A k =1
ijk = 1,∀j ∈ V

∑ ∑x
j/(i, j)∈ A k =1
ijk = 1,∀i ∈ V

∑x
(i, j)∈ A
ijk =1

∑x
i/(i, j)∈A
ijk = ∑x
r/(j,r)∈A
jrk +1 ,∀j ∈ V ,∀k

xijk ∈ {0,1}

17
 16/06/2010

n n m m
Problema de rutas
n
Min ∑∑ c ∑ x + ∑ c ∑ x
i =0 j =0
ij
k =1
ijk
k =1
k
j =1
ojk Minimizar el coste total,
s .a. visitando todos los clientes
n m

∑∑ x
i = 0 k =1
ijk = 1, j = 1..n
N: clientes
n n M: vehículos
∑x −∑x
i =0
ijk
i =0
jik = 0 ,∀j ,∀k
xijk=1 si el vehículo k visita j después de i
n n

∑q ∑ x
cij: coste unitario de transporte de i a j
i ijk ≤ Qk ,∀k
i =1 j =0
dij: distancia de i a j
n n n n tij: tiempo de i a j
∑∑ t
i =0 j =0
ij xijk + ∑s ∑x
i =1
i
j =0
ijk ≤ d 0k − r0k ,∀k
qi: demanda
n si: tiempo de descarga
∑x
j =1
ojk ≤ 1, k = 1..m
δi: prioridad
m
Qk: capacidad
∑∑∑ x
i∈S j∈S k =1
ijk ≤ S − 1,2 ≤ S ≤ N − 2 rok, dok: período tiempo disponible
ck: coste fijo por uso

Formulación con var. binarias
Restricciones disyuntivas
f ( x) ≤ 0 f ( x) ≤ δ f
ó
g ( x) ≤ 0 g ( x ) ≤ (1 − δ ) g
K de N alternativas deben darse
f1 ( x) ≤ δ 1 f1
N
f 2 ( x) ≤ δ 2 f 2 ∑δ j = N − K ,δ ∈ {0,1}
j =1
f n ( x) ≤ δ n 2 f n

Restricciones condicionales
f ( x) > 0 ⇒ g ( x) ≤ 0 equiv. a f ( x) ≤ 0 ó g ( x) ≤ 0

Decisiones contingentes
x⇒y y≤x

18