Metodologías para La Toma de Decisiones, Apoyadas en Lógica Difusa

ensa de Tesis de Maestría
APROXIMACIONES
METODOLÓGICAS PARA LA
TOMA DE DECISIONES,
APOYADAS EN MODELOS
DIFUSOS
AUTOR:
Gabriel Jaime Correa Henao
DIRECTORA:
Gloria Elena Peña Zapata, PhD(c)
UNIVERSIDAD NACIONAL DE COLOMBIA JURADOS:

SEDE MEDELLÍN Hernán Darío Álvarez Zapata, PhD
FACULTAD DE MINAS Gloria Patricia Jaramillo Álvarez, PhD
ESCUELA DE SISTEMAS
POSGRADO EN INGENIERÍA DE SISTEMAS
Abril 29 de
APROXIMACIONES METODOLÓGICAS PARA LA TOMA DE DECISIONES,
APOYADAS EN MODELOS DIFUSOS
I VO SS OBJETIVOS ESPECÍFICOS
ET
BJ TI V O
OBJE
O
Presentar un marco teórico que soporte una

OBJETIVO PRINCIPAL
metodología para la toma de Decisiones que
Formular una involucre Modelos Difusos .
aproximación
metodológica para el  Diseñar la herramienta computacional,
apoyo al proceso de implementando la construcción de un prototipo de
toma de decisiones, a software que implemente la metodología
partir del uso de
modelos difusos de desarrollada en el objetivo anterior
programación lineal, que Comparar resultados de un caso práctico de
incorpore componentes
de incertidumbre para la aplicación entre la metodología tradicional y
solución de problemas metodología difusa.
multiobjetivo de tipo
discreto y de tipo
continuo
Uso de Fuzzy
Fuzzy
Elección
Elección
Incertidumbre
Evaluación
en las
Alternativas
R R OOLLLLO
O Restricciones
S A R
DDEESARETIVVO SS Formulaciones
J
B T I O Evaluación con Números Planeación
DDEEOOBJE de Difusos de Recursos
Alternativas
Ingeniería de
En el siguiente esquema Agregación Requerimientos para
se puede verificar el de la Fuzzy Elección
desarrollo del trabajo de Decisión
tesis, lo cual permite
cumplir con los objetivos Metodologías Estudio de Casos de
Difusas Continuas Aplicación
propuestos
Metodologías
Difusas Discretas
Implementación de las
Formulación Metodológica Metodologías para Apoyar la Toma
de Decisiones
E NNID OO
N T
CCOONTE I D
RELEVANCIAS
DEFINICIONES Y
ESTADO DEL ARTE
El Desarrollo de la
Metodología y su
Implementación se
realiza mediante el
siguiente proceso
DESARROLLO DE
METODOLOGÍAS INGENIERÍA DE
(DISCRETAS Y CONTINUAS) SOFTWARE
Grados de Satisfacción, mediante P.L. Difusa
140 0.8
x1
x2
0.7
120 lambda
0.6
100
0.5
80
0.4
60
0.3
40
0.2
20
0.1
0 0
x(1)
Alternativas Región de Pareto
CASO APLICATIVO CASO APLICATIVO CONCLUSIONES

DISCRETO CONTINUO AGRADECIMIENTOS
E NNID OO
N T
CCOONTE I D
RELEVANCIAS
DEFINICIONES Y
ESTADO DEL ARTE
El Desarrollo de la
Metodología y su
Implementación se
realiza mediante el
siguiente proceso
DESARROLLO DE
METODOLOGÍAS INGENIERÍA DE
(DISCRETAS Y CONTINUAS) SOFTWARE
140 0.8
x1
x2
0.7
120 lambda
0.6
100
0.5
80
0.4
60
0.3
40
0.2
20
0.1
0 0
x(1)
CASO APLICATIVO CASO APLICATIVO CONCLUSIONES

DISCRETO CONTINUO AGRADECIMIENTOS
RELEVANCIAS
Metodologías
Metodologíaspara
paralalatoma
tomade
dedecisiones
decisionesen
enProblemas
Problemas
Discretos
Discretos
N C I ASSDDEE
VA CI A
RREELLEEVATN SIS
LLAA TEESIS
Identificación
Identificacióndedeniveles
nivelesde
deconsistencia
consistenciaen
enlala
La aproximación emisión
emisióndedejuicios
juiciospor
porparte
partede
deun
undecisor,
decisor,en
enlala
metodológica constituye calificación
calificaciónde
delos
losobjetivos
objetivosde
desu
suproblema.
problema.
la recopilación y
mejoramiento de Escenarios
diversas metodologías Escenarioscon
conaversión/propensión
aversión/propensiónalalriesgo
riesgopor
por
parte de cualquier decisor.
parte de cualquier decisor.
publicadas en artículos,
revistas y libros
especializados Métodos
Métodosmás
mássencillos
sencillospara
paralalacuantificación
cuantificaciónde
de
operadores difusos
operadores difusos
Se destaca la extracción
de algoritmos de
implementación, así Robustez
Robustezde
delalaMetodología
MetodologíaDifusa
Difusa
como el mejoramiento
en la eficiencia
computacional de cada Evaluación
Evaluaciónde
deAlternativas
Alternativas
metodología.
Metodologías
Metodologíaspara
paralalatoma
tomade
dedecisiones
decisionesen
enProblemas
Problemas
de tipo Continuo
de tipo Continuo
N C I ASSDDEE
VA CI A
RREELLEEVATN SIS
LLAA TEESIS
Generalización
Generalizaciónde
delalateoría
teoríade
desolución
soluciónde
deproblemas
problemas
La solución de modelos de
deprogramación
programaciónlineal
linealcon
concoeficientes
coeficientesdifusos
difusos
de programación
multiobjetivo, a partir del
Validación
Validaciónde
delas
lasmetodologías,
metodologías,mediante
mediantelala
uso de lógica difusa, se
considera como una solución
soluciónde
deproblemas
problemasmodelos.
modelos.
herramienta blanda en la
Investigación de Formulación
Operaciones FormulaciónMetodológica
Metodológicapara
paracualquier
cualquiertipo
tipode
de
problema
problemalineal
linealcon
conm
mobjetivos,
objetivos,nnrestricciones,
restricciones,kk
Para la formulación de variables
variablesde
dedecisión.
decisión.
este tipo de modelos, no
es necesario definir de
Método
Métodode
delos
lossubproblemas
subproblemasóptimos,
óptimos,optimista
optimista
manera exacta las
yypesimista,
pesimista,
matrices de restricciones
que componen el
problema.
Otras
OtrasRelevancias
Relevanciasse
secentran
centranen
en
N C I ASSDDEE
VA CI A
RREELLEEVATN SIS
LLAA TEESIS
En
Enelelárea
áreadedeIngeniería
Ingenieríade
deSoftware,
Software,ya
yaque
quese
se
ejemplifica el proceso de creación de software.
ejemplifica el proceso de creación de software.
El desarrollo de este
trabajo de tesis ha sido En
muy atractivo desde el Enelelárea
áreade deInvestigación
Investigaciónde
deOperaciones,
Operaciones,ya yaque
que
se
seilustra
ilustraeleluso
usode
deherramientas
herramientasdedelalainteligencia
inteligencia
punto de vista
artificial
artificial como son los conjuntos borrososyysu
como son los conjuntos borrosos su
académico, y
aplicación práctica
aplicación práctica
posiblemente, comercial.
Desarrollo
Desarrollode
deotros
otrostrabajos
trabajosdirigidos
dirigidosde
degrado.
grado.
DEFINICIONES
Teorema de Bellman y Zadeh

C E PTTOOSSYY
P
CCOONNCEEMASS
TTEEOORREMA
m Metas u Objetivos y n restricciones del problema

Algunos conceptos que formulado con el implicador AND, evaluado para una
son esenciales en la alternativa dada, x :
comprensión del
desarrollo metodológico
para concebir la lógica {
D ( x ) = M 1 ( x ) ∩ M 2 ( x ) ∩  ∩ M m ( x ) ∩ R m +1 ( x ) ∩ R m + 2 ( x ) ∩  ∩ R m + n ( x ) }
difusa como herramienta
blanda de la
{ }
Investigación de
Operaciones. x * = arg max D ( x )
x ∈X
Objetivos y Restricciones se mapean en el mismo espacio difuso

[0 , 1]
Teorema de Bellman y Zadeh

C E PTTOOSSYY
P
CCOONNCEEMASS
TTEEOORREMA
µ (x) x* = arg{max D(x)}
1
Las metas y
restricciones en un
problema de decisión se
tratan en un mismo R1(x)
M1(x)
nivel.
El teorema de Bellman y
Zadeh, es la base para
efectuar el desarrollo
metodológico.
x
D(x)= min{M1(x), R1(x)}
Concepto de Número Difuso

C E PTTOOSSYY
P
CCOONNCEEMASS
TTEEOORREMA
Número difuso
Número difuso trapezoidal
El concepto de Número triangular
Difuso se entiende b = (m, n, α , β )
como un subconjunto
difuso sobre el conjunto a = (m - α , m, m +β )
de los números reales,
y puede usarse para 1
representar los valores ui
1
cercanos a un número ui
determinado
0
m- a m n n+ b
0
m- a m m+ b
DESARROLLO DE
METODOLOGÍAS
(DISCRETAS Y CONTINUAS)
Propuesta Metodológica
Propuesta Metodológica (1)
(1)
DE
TTOOMMAA DECONN
IS IO NNEESS CO
C O
DDECIS ADORREESS
E I
OOPPEERRAS DO
OS
DDIFIFUUSOS 1. Determinar las alternativas consideradas en el problema
B L EMMAASS de decisión, y qué se pretende.
PPRROOBL TOSSE
CRE TO
DDISISCRE
2. Establecer los objetivos que se persiguen en la solución
del problema.
Para efectuar la Toma
de Decisiones en
3. Especificar las diferentes retricciones que impiden
ambientes discretos, se solucionar el problema.
propuso la siguiente
formulación 4. Asignar los grados de importancia de cada objetivo y de
metodológica, en la cual cada restricción. Lo anterior, se puede efectuar mediante
intervienen operadores el método de pareamientos. El decisor estará en
difusos
capacidad de corroborar la efectividad de su
razonamiento mediante el cálculo del Índice de
Consistencia.
(2)
DE
TTOOMMAA DECONN
IS IO NNEESS CO
C O
DDECIS ADORREESS
E I
OOPPEERRAS DO
OS
DDIFIFUUSOS 5. Informar los grados de satisfacción en que cada
B L EMMAASS alternativa permite cumplir con cada objetivo. Dicha
PPRROOBL TOSSE
CRE TO información queda contenida en la Matriz de
DDISISCRE
Satisfacciones.
Para efectuar la Toma 6. Indicar el grado en que cada alternativa se ve afectada

de Decisiones en por las restricciones previamente definidas. Dicha
ambientes discretos, se información se anexa a la Matriz de Satisfacciones.
propuso la siguiente
formulación 7. Generar la Matriz de Satisfacciones Relativas, la cual
metodológica, en la cual tiene en cuenta el grado de satisfacción de cada
intervienen operadores
difusos
objetivo, elevado a su respectivo grado de importancia.
(3)
DE
TTOOMMAA DECONN
IS IO NNEESS CO
C O
DDECIS ADORREESS
E I
OOPPEERRAS DO
OS
DDIFIFUUSOS 8. Declarar la percepción que el decisor tiene acerca de su
B L EMMAASS ambiente de decisión, es decir, el grado de
PPRROOBL TOSSE
CRE TO Optimismo/Pesimismo. Lo anterior permitirá agregar la
DDISISCRE
decisión a través de cualquiera de los operadores
determinados en la propuesta metodológica (MEOWA,
Para efectuar la Toma EZOWA, Ponderador Geométrico).
de Decisiones en
ambientes discretos, se 9. La Matriz de Decisión contiene la agregación de la
propuso la siguiente Matriz de Satisfacciones de Relativas y corresponde a la
formulación
metodológica, en la cual evaluación de cada una de las alternativas consideradas
intervienen operadores por el decisor.
difusos
10. Se sugiere que el decisor elija la alternativa de mayor
calificación. Dicha elección se considera como la
solución de su problema de decisión.
La suposición la Toma de Decisiones con Lógica

Difusa, consiste en un parlamento conocido presente
“Aquí y Ahora” (Restricciones), una esperanza de
DE
TTOOMMAA DECONN
futura “Allá y Entonces” (Objetivos) y varias rutas
IS IO NNEESS CO (Alternativas) para ir de un presente “Aquí y Ahora” a
C O
DDECIS ADORREESS
E I
OOPPEERRAS DO un futuro “Allá y Entonces”.
OS
DDIFIFUUSOS
B L EMMAASS
PPRROOBL TOSSE
CRE TO
DDISISCRE
El problema es elegir
una Alternativa, que de
manera óptima soporte RESTRICCIONES OBJETIVOS DESEADOS
CONJUNTO DE
las presentes ALTERNATIVAS
Restricciones y los
futuros Objetivos.
TOMA DE DECISIONES
Importancia de
Importancia de Objetivos
Objetivos
DE
TTOOMMAA DECONN
IS IO NNEESS CO
C O
DDECIS ADORREESS
E I
OOPPEERRAS DO
OS
DDIFIFUUSOS
B L EMMAASS
PPRROOBL TOSSE
CRE TO Para identificar la importancia de los objetivos (α i),
DDISISCRE
se recurre al método pareamientos, similar a la
Se considera que los
metodología AHP [Saaty, 1977]
objetivos y las
restricciones tienen
distintas importancias.
Se sugiere el grado de importancia en el rango
[YAGER, 1978]
entre 1 y 9.
Escala Criterios
Sistema Jerárquico
Sistema Jerárquico –– Escala
Escala de
de Criterios
Criterios
DE
TTOOMMAA DECONN
IS IO NNEESS CO
C O
DDECIS ADORREESS
E I
OOPPEERRAS DO Valor de Definición
OS
DDIFIFUUSOS importancia
1 Juicios de igual importancia
B L EMMAASS
PPRROOBL TOSSE
CRE TO 2 Juicio de importancias intermedias
DDISISCRE
3 Juicio de débil importancia del uno sobre el otro
4 Juicio de importancias intermedias

Se complementa con el
procedimiento 5 Juicio de fuerte importancia del uno sobre el otro
desarrollado por T.L
Saaty 6 Juicio de importancias intermedias
7 Juicio de importancia demostrada de uno sobre el otro

n ⋅ ( n − 1)
2
8 Juicio de importancias intermedias
comparaciones para un
total de n elementos 9 Juicios de absoluta dominación de uno sobre el otro
Valoración
Valoración de
Valoración de Importancias
Importancias
DE
TTOOMMAA DECONN
IS IO NNEESS CO
E C I O
DDECIS ADORREESS Se conforma una Matriz, B, cuyas entradas son:
OOPPEERRAS DO
OS bij = 1/bji y bii = 1
DDIFIFUUSOS
B L EMMAASS
PPRROOBL TOSSE
CRE TO
Finalmente, se soluciona el problema de valores
DDISISCRE propios (eigenvalores) para el caso B⋅ W =
λ máx ⋅ W
Y se obtiene el eigenvector, o vector propio de la
Ejemplo de Valoración matriz normalizado correspondiente a λ máx para esa
ecuación matricial.
1 5 3 1  Obj. 1 0.37 Obj.1 1.48  Obj.1
1 1 1 1  Obj. 2 0.05 Obj. 2 0.20 Obj. 2
B= 5 7 7 W=  A= 
1 7 1 1  Obj. 3 0.19 Obj. 3 0.74 Obj. 3
 3 3    
 1 7 3 1  Obj. 4  0.39  Obj. 4 1.58  Obj. 4
Matriz de
Matriz de Satisfacciones
Satisfacciones
DE
TTOOMMAA DECONN
IS IO NNEESS CO
E C I O
DDECIS ADORREESS El decisor debe informar el rango de desempeño, o
OOPPEERRAS DO
OS Grado de Pertenencia (µij ) de la i-ésima alternativa, Ai,
DDIFIFUUSOS
B L EMMAASS con respecto al j-ésimo objetivo, Mj
PPRROOBL TOSSE
CRE TO
DDISISCRE
M1 M2  Mm
La Satisfacción
simultánea de Objetivos
A1  µ11 µ12  µ1m 
y Restricciones puede
A2 µ µ 22  µ 2 m 
expresarse en formato  21
matricial
     
 
Ak  µ k1 µk 2  µ km 
Decisión teniendo
Decisión teniendo en
en cuenta
cuenta la
la
Importancia de
Importancia de Objetivos
Objetivos
DE
TTOOMMAA DECONN
IS IO NNEESS CO
C O
DDECIS ADORREESS
E I
OOPPEERRAS DO
OS
Asociado a cada objetivo se encuentra el parámetro
DDIFIFUUSOS
EMMAASS
de importancias α , restringido a Σ i α i = m + n
B L E
PPRROOBL TOSS
DDIS CRE TO
ISCRE
{
D ( x ) = m in M 1α 1 ( x ) , M 2α 2 ( x ) ,, M mα m ( x ) , R mα m+ 1+ 1 ( x ) , R mα m+ +22 ( x ) ,, R mα m+ +nn ( x )
i = 1, m
}
j = m + 1,m + n
Lo que se hace es
emplear el concepto de
exponenciación para
Elevado a
cada uno de los grados
de satisfacción.
[YAGER, 1978]
Obsérvese el siguiente
ejemplo:
Decisión = máx(0.31,
0.31
0.033, 0.17)
Agregación
Agregación Difusa
Difusa de
de la
la Decisión
Decisión
DE
TTOOMMAA DECONN
IS IO NNEESS CO
C O
DDECIS ADORREESS
E I
OOPPEERRAS DO Pesimismo Extremo < Decisión (x) < Optimismo Extremo
OS
DDIFIFUUSOS
B L EMMAASS
PPRROOBL TOSSE
CRE TO
DDISISCRE
Agregación con operador geométrico (Zimmerman, 1985)
La toma de decisiones,
empleando el operador Agregación MEOWA por entropía (O’Hagan, 1993)
MIN (Una conjunción
severa AND) es Agregación EZ-OWA sencilla (Yager, Correa, 2002)
bastante extrema. En
realidad la conjunción
del operador MIN
corresponde al caso
extremo o caso
“pesimista”.
[YAGER, 1988] Op. Geométrico
Agregación
Agregación con
con Operador
Operador Geométrico
Geométrico
DE
TTOOMMAA DECONN
IS IO NNEESS CO
C O
DDECIS ADORREESS
E I
OOPPEERRAS DO
OS
DDIFIFUUSOS 1−γ γ
 p
  p

B L E
PPRROOBL TOSS
MMAASS
E µ comp ( x ) =  ∏ µ i ( x )  × 1 − ∏ (1 − µ i ( x ) ) 
CRE TO  i =1   
DDISISCRE i =1
x∈ X
0≤γ ≤1
Una media geométrica 0≤ µ i ( x ) ≤1
es un modelo
adecuado para
V
V
No Compensación
Compensación Plena
modelar la agregación
humana de conjuntos
difusos cuando existe
un efecto
Grado de Compensación
compensatorio. Se
utiliza el factor γ de 0 1
compensación del
decisor.
OWA
[ZIMMERMANN, 1985]
Agregación
Agregación OWA
OWA
DE
TTOOMMAA DECONN
IO NNEESS CO
E C IS I O
DDECIS ADORREESS Un OWA corresponde básicamente a un vector de pesos,
OOPPEERRAS DO
OS cuya dimensión corresponde al número total de objetivos y
DDIFIFUUSOS
L EMMAASS restricciones en el problema de decisión, el cual se asocia
B
PPRROOBL TOSSE
CRE TO con la función de decisión µ D. El vector ω resultante
DDISISCRE
cumple las siguientes condiciones
Los promedios ωi ∈ I
ponderados ordenados
p
(OWA, según la sigla
en inglés de “ordered
weighted averages”),
∑ω
i =1
i =1
se fundamentan en p
cuantificadores difusos µ D ( a1 ,, a n ) = ∑ ω i ⋅ bi = ω ' ⋅ B
i =1
[YAGER, 1988]
Aquí, bi corresponde al i-ésimo elemento mayor en la colección
ordenada a1, …, an
MEOWA
Agregación
Agregación MEOWA
MEOWA
DE
TTOOMMAA DECONN
IS IO NNEESS CO
E C I O
DDECIS ADORREESS p
OOPPEERRAS DO
OS
DDIFIFUUSOS max − ∑ Wi ⋅ ln (Wi )
B L EMMAASS
PPRROOBL TOSSE i =1
CRE TO
DDISISCRE  p ( p − i)
∑ ⋅ Wi = ( Factor de optimismo )
Se realiza el cálculo de  i =1 ( p − 1)
promedios ponderados 
ordenados de Máxima sujeto a : 
 n
Entropía.
 ∑ Wi = 1
[O’HAGAN, 1993]  i =1

 Wi ≥ 0, i ∈ N
EZ-OWA
Agregación
Agregación EZ-OWA
EZ-OWA
Para α > 0.5: Sea i* = entero((2α − Decisión Optimista
DE
TTOOMMAA DECONN 1)⋅ p).
IS IO NNEESS CO  1 1 
E C I O
DDECIS ADORREESS  

OOPPEERRAS DO
OS  p  2( 1 − α )  para 1 ≤ i ≤ i *
DDIFIFUUSOS  1  1 
MMAASS wi = 1 − i * ⋅ ⋅   para i = i * +1
B L E
PPRROOBL TOSSE  p  2 ( 1 − α ) 
para i * +2 ≤ i ≤ p
CRE TO  0
DDISISCRE 

Se encuentra una 1
alternativa que permite Para α = 0.5: wi = Decisión Neutra
evitar la resolución de p
un problema
complicado de Para α < 0.5: sea k* = entero((1 − Decisión Pesimista
optimización no lineal 2α )⋅ p)

[YAGER, CORREA, 
2002]  0 para 1 ≤ i ≤ k *
 p − k * −1
wi = 1 − para i = k * +1
 2 ⋅α ⋅ p
1 para k * +2 ≤ i ≤ p

 2 ⋅α ⋅ p

Formulación
Formulación de
de los
los Problemas
Problemas Continuos
Continuos
DE
TTOOMMAA DECONN
IS IO NNEESS CO
C O
DDECIS ADORREESS
E I
OOPPEERRAS DO Problema No Difuso Problema Difuso
OS
DDIFIFUUSOS
B L EMMAASS
PPRROOBL UOSSE n n
IN O
CCOONNTTINU max z i = ∑ g ij ⋅ x j , i = 1, 2,  , p ∑g
j =1
ij ⋅ x j ≤ ~ Z 0 , i = 1, 2, , p
j =1
Los modelos de
optimización en I.O.
asumen que la
información es  n
 n
conocida de manera 

∑A
j =1
ij ⋅ x j ≤ bi , i = 1, 2,  , m, 

∑A
j =1
ij ⋅ x j ≤~ bi , i = 1, 2,  , m,
precisa, que las  x j ≥~ 0
 xj ≥ 0 
restricciones delimitan 
un conjunto concreto
de soluciones factibles,
además que los
criterios deben ser
bien definidos y fácil
de formular
APROXIMACIONES
APROXIMACIONES
METODOLÓGICAS DIFUSAS
METODOLÓGICAS DIFUSAS PARA
PARA
PROBLEMAS MULTIOBJETIVO
PROBLEMAS MULTIOBJETIVO
DE
TTOOMMAA DECONN
IS IO NNEESS CO
C O
DDECIS ADORREESS
E I
OOPPEERRAS DO
OS
DDIFIFUUSOS
B L EMMAASS
PPRROOBL UOSSE Optimización Difusa con Violación en las Restricciones
IN O
CCOONNTTINU
Programación Lineal con Coeficientes Difusos

En la vida real, es
posible considerar la
violación de una Aproximación Metodológica con Coeficientes Difusos
simple restricción, o en las funciones Objetivo y en las Restricciones
también tener en
cuenta que todas las
restricciones NO Aproximación Metodológica con Coeficientes Difusos y
tienen igual peso con Restricciones de Igualdad
Optimización
Optimización Difusa
Difusa con
con Violación
Violación en
en las
las
Restricciones
Restricciones
DE
TTOOMMAA DECONN
IS IO NNEESS CO
C O
DDECIS ADORREESS
E I
DO 1
OOPPEERRAS OS ui
DDIFIFUUSOS
B L EMMAASS
PPRROOBL UOSSE
IN O
CCOONNTTINU 0 di di + pi
Defuzzificación de la
Solución mediante la maximización en el nivel de
Función de
Restricción, usando los aspiración del decisor
valores de la función
objetivo con y sin max λ
violaciones,
formulando un
problema de P.L. 
( )
λ ⋅ zi + − zi − − zi ( x ) ≤ − zi −
Auxiliar.  λ ⋅ p + A⋅ x ≤ b + p
sujeto a: 
[ZIMMERMANN, 1978]
 λ ≤1
 x, λ ≥ 0

Optimización
Difusa con
con Violación
Violación en
en las
las
Restricciones
Restricciones
DE
TTOOMMAA DECONN
IS IO NNEESS CO
C O
DDECIS ADORREESS
E I
OOPPEERRAS DO Zi+ y de Zi− son conocidas como las mejores y peores
OS
DDIFIFUUSOS
EMMAASS soluciones individuales sobre la Frontera de Pareto
B L E
PPRROOBL UOSS
IN O
CCOONNTTINU
u i ( zi )
Es necesario trabajar
con la Función
Objetivo fuzzificada
como una Función de
Pertenencia del tipo
z i-
z i+
Lineal
Optimización
Difusa con
con Coeficientes
Coeficientes
Difusos
Difusos en
en las
las Restricciones
Restricciones
DE
TTOOMMAA DECONN n
NNEESS CO
E C IS IO
I O
DDECIS ADORREESS max Z i = ∑ g ij ⋅ x j , j = 1, 2, , n
OOPPEERRAS DO
OS j =1
DDIFIFUUSOS
MMAASS  m
B L E
PPRROOBL UOSSE
IN O

sujeto a:  ∑A kj ⋅ x j ≤~ bk , k = 1, 2,  , m,
CCOONNTTINU j =1
 x j ≥~ 0

Se puede abordar la
incertidumbre,
mediante la definición Se emplean las siguientes transformaciones
de aproximaciones en
la formulación de la [MALEKI, TATA, MASHINCHI, 2000]
matriz de coeficientes
técnicos
 
a~k1 ⋅ x1 +  + a~kn ⋅ x n =  ∑ ( mkj − α kj ) ⋅ x j , ∑ mkj ⋅ x j , ∑ ( mkj + β kj ) ⋅ x j 
 j j j 
 a = (m− α , m, m + β )  b = (p− γ , p, p + δ )
Optimización
Difusa con
con Coeficientes
Coeficientes
Difusos
Difusos en
en las
las Restricciones
Restricciones
DE
TTOOMMAA DECONN
IO NNEESS CO
E C IS I O
DDECIS ADORREESS El problema converge, aún cuando se aborde la
OOPPEERRAS DO
OS separación de las componentes de cada número difuso,
DDIFIFUUSOS
L EMMAASS gracias a la resolución del siguiente problema de P.L.
B
PPRROOBL UOSSE
IN O Auxiliar
CCOONNTTINU
max λ
Se puede abordar ( )
 Z i+ − Z i− ⋅ λ − g ij ⋅ x j ≤ − Z i
incertidumbre en la 
mkj ⋅ x j ≤ p i i = 1,  , # objetivos
formulación de los 
coeficientes de costo y sujeto a: ( mkj − α kj ) ⋅ x j ≤ p k − γ k j = 1, , # variables

( mkj + β kj ) ⋅ x j ≤ p k + δ k
en los coeficientes k = 1,  , # restricciones
técnicos, incluyendo
 xi ≥ 0
toda la información
contenida en los
números difusos
Aquí, Zi+ y Zi− indican las soluciones óptimas particulares de cada función
[CORREA, PEÑA,
objetivo sobre la frontera de Pareto, del problema defuzzificado
2003]
Aproximación
Aproximación Metodológica
Metodológica concon
Coeficientes
Coeficientes Difusos
Difusos enen las
las funciones
funciones
Objetivo
Objetivo yy en
en las
las Restricciones
Restricciones
DE
TTOOMMAA DECONN n
NNEESS CO
E C IS IO
I
OOPPEERRAS
O
DDECIS ADORREESS
DO
max ∑g ij ⋅ xj , j = 1, 2,  , n
OS j =1
DDIFIFUUSOS
MMAASS  m
B L E
PPRROOBL UOSSE
IN O

sujeto a:  ∑A kj ⋅ x j ≤~ bk , k = 1, 2,  , m,
CCOONNTTINU j =1
 x j ≥~ 0

Se puede abordar la
incertidumbre, Los coeficientes de costo y coeficientes técnicos se representan
mediante la definición de conformidad con la notación antes establecida.
de aproximaciones en  
la formulación de la g ij = g i1 ⋅ x1 +  + g in ⋅ x n =  ∑ ( cij − ε ij ) ⋅ x j , ∑ cij ⋅ x j , ∑ ( cij + ϕ ij ) ⋅ x j 
~ ~ ~ 
matriz de coeficientes  j j j 
técnicos.
~ = a~ ⋅ x +  + a~ ⋅ x =  ( m − α ) ⋅ x , m ⋅ x , ( m + β ) ⋅ x 
Se enfrenta un Akj k1 1 kn n  ∑ kj kj j ∑ kj j ∑ kj kj j 
procedimiento  j j j 
ordenado, en el que se
~  
bkj =  ∑ ( p kj − γ kj ), ∑ p kj , ∑ ( p kj + δ kj ) ⋅ x j 
resuelve el problema
por partes  j j j 
Aproximación
Coeficientes
Difusos enen las
las funciones
funciones
Objetivo
Objetivo yy en
en las
las Restricciones
Restricciones
DE
TTOOMMAA DECONN
IO NNEESS CO
E C IS I O
DDECIS ADORREESS Formulación de los tres Subproblemas que permiten encontrar
OOPPEERRAS DO
OS las funciones de pertenencia de cada Función Objetivo
DDIFIFUUSOS
B L EMMAASS
PPRROOBL UOSSE
IN O
CCOONNTTINU
PESIMISTA, ÓPTIMO y OPTIMISTA

[ ] ( x ) ≤ z i− pesimista
0 ; zi
pesimista

Se debe verificar el µ pesimista ( x ) =  ( ci − ε i ) ⋅ x j − z i
−
(z ) ( x ) ≤ z i+
pesimista

pesimista
+ − ; z i− < zi
hecho que el i
 −z pesimista pesimista
( x ) > z i+ pesimista
i pesimista i pesimista pesimista
problema soporte las  ; zi
1
soluciones más

extremas (Límites
[ ] ( x ) ≤ z i− optimo
0 ; zi
optimo
 (c ) ⋅ x − z−
izquierdos y ( x ) =  i j i
µi
(z ) ( x ) ≤ z i+ óptimo
optimo
optima optimo
+ ; z i− < zi
derechos de los  − z i− optimo
( x ) > z i+ óptimo
i optimo optimo óptimo
 ; zi
números difusos). 1
[CORREA, PEÑA, 
[ ] ( x ) ≤ z i− optimista
0 ; zi
optimista
2003]  (c + ϕ ) ⋅ x − z−
( x ) =  i i j i
(z ) ( x ) ≤ z i+ optimista
optimista
µioptimista optimista
+ ; z i− < zi
 − z i− optimista
( x ) > z i+ optimista
i optimista optimista optimista
 ; zi
1
Aproximación
Coeficientes
Difusos enen las
las funciones
funciones
Objetivo
Objetivo yy en
en las
las Restricciones
Restricciones
DE
TTOOMMAA DECONN
IO NNEESS CO
E C IS I O
DDECIS ADORREESS Se halla el nivel mínimo que tienen que alcanzar todas
OOPPEERRAS DO
OS las funciones de pertenencia, lo cual se interpreta como
DDIFIFUUSOS
L EMMAASS el nivel de aspiración o de satisfacción del decisor.
B
PPRROOBL UOSSE
IN O
CCOONNTTINU max λ
(
 Z i+

− Z i− )
⋅ λ − ( cij − ε ij ) ⋅ x j ≤ − Z i−
( )
La solución de dicho pesimista pesimista pesimista
i óptimo − Z i óptimo ⋅ λ − ( c ij ) ⋅ x j ≤ − Z i óptimo

Z+ − −
problema arroja unas 
variables de decisión
con números sujeto
 +
a: 
( −
)
 Z i optimista − Z i optimista ⋅ λ − ( cij + ϕ ij ) ⋅ x j ≤ − Z i optimista
− i = 1,  , # objetivos
j = 1,  , # variables
concretos ( m kj − α kj ) ⋅ x j ≤ p k − γ k k = 1,  , # restricciones
m ⋅ x ≤ p
 kj j k
( m kj + β kj ) ⋅ x j ≤ p k + δ k

 xi ≥ 0
Aquí, Zi+ y Zi− indican las soluciones óptimas particulares de cada función
objetivo sobre la frontera de Pareto, del problema defuzzificado
Aproximación
Metodológica con
con
Coeficientes
Difusos yy con
con Restricciones
Restricciones de
de
Igualdad
Igualdad
DE
TTOOMMAA DECONN
IS IO NNEESS CO
C O
DDECIS ADORREESS
E I
OOPPEERRAS DO
OS
DDIFIFUUSOS
n
B L E
PPRROOBL UOSS
MMAASS
E
max ∑g
j =1
ij ⋅ xj , j = 1, 2,  , n
IN O
CCOONNTTINU
 m
 ∑A kj ⋅ x j ~ ≤ bk , k = 1, 2,  , m,
Aquí se formula una  j =1
aproximación sujeto a:  m
metodológica que  ∑ A eq kj ⋅ x j ~ = b eq k
permita abordar la  j =1
solución de este tipo  x j ~≥ 0

de problemas, los
cuales se puedan
expresar como
números difusos Aeq⋅ x = beq, es equivalente a −Aeq⋅ x ≤ −beq y Aeq⋅ x ≤ beq
Aproximación
Metodológica con
con
Coeficientes
Difusos yy con
con Restricciones
Restricciones de
de
Igualdad
Igualdad
DE
TTOOMMAA DECONN n
NNEESS CO
E C IS IO
I
OOPPEERRAS
O
DDECIS ADORREESS
DO
max ∑g ij ⋅ xj , j = 1, 2,  , n
OS j =1
DDIFIFUUSOS
B L EMMAASS  m
PPRROOBL UOSSE
IN O
CCOONNTTINU  ∑A kj ⋅ x j ~ ≤ bk
 j =1
 m
− ∑ A eq kj ⋅ x j ~ ≤ −b eq k
Es necesario
sujeto a:  j =1
reformular el problema,  m
ampliándolo de 
 ∑ A eq kj ⋅ x j ~ ≤ b eq k
manera que acepte la j =1
adición de una nueva  x j ~≥ 0

cantidad de
restricciones
[CORREA, PEÑA, En este tipo de problemas, la verificación del cumplimiento de las
2003] Restricciones de Igualdad quedará contenida dentro de la
incertidumbre del Vector de Recursos.
INGENIERÍA DE SOFTWARE
PARA LA IMPLEMENTACIÓN
COMPUTACIONAL
Implementación de la
Metodología Formulada
RRÍA DDEE
G E NI E
IE REÍA
INGEFNTW
IN A E
SSOOFTWAR
Intercambio
Computación con Dinámico de Datos
palabras, teniendo en
cuenta las vaguedades
e incertidumbres del
lenguaje humano, para
realizar la mejor Interacción con el Decisor
decisión (optimización
difusa). Algoritmos de Desarrollo en Matlab.
De esa manera se le
1. Toolbox de Compilación
facilitará a un decisor
el análisis e 2. Genera archivos en C++.
interpretación de
fenómenos de 3. Potencialidad
múltiples objetivos.
Implementación de la
Metodología Formulada
RRÍA DDEE
G E NI E
IE REÍA
INGEFNTW
IN A E
SSOOFTWAR MATLAB ofrece alta capacidad de
procesamiento matemático.
Genera algoritmos de alta capacidad
computacional, los cuales tienen alta dificultad de
implementar en plataforma C++.
Plataforma en lenguaje, Borland C++ Builder,
con interfaces VCL (Visual Components
Library)
Se realiza el intercambio dinámico de datos, de
archivos compilados, con el lenguaje de
Programación Borland C++ Builder.
Módulos considerados
para la
DDEE
implementación de la
RRÍA
Metodología Discreta
G E NI E
IE REÍA
INGEFNTW
IN A E
SSOOFTWAR Planteamiento de
Restricciones
Planteamiento de Definición del

Alternativas del Planteamiento de
Problema
Problema Objetivos o Metas
Se concibe la Multicriterio
Multicriterio
programación de la Optimismo del Agregación EZOWA

Decisor
herramienta Ayudas al Decisor
Ordenamiento de las
computacional, Opciones de la Resultados de la
Decisiones
Módulo Principal
teniendo en cuenta los Metodología Metodología
siguientes módulos, en Matrices de Decisión
el ámbito discreto Ordenamiento de

las Decisiones Agregación MEOWA
Valoración de la
Información
Compensación Geométrica
(Zimmermann)
Pareamiento Pareamiento
paralelo de Pareamiento paralelo de
Metas paralelo de Restricciones
Alternativas
Métodos
gráficos de
valoración
Módulos para la
implementación de la
G E NI E RRÍA
IE REÍA
DDEE Metodología Continua
INGEFNTW
IN A E
SSOOFTWAR
Restricciones con números
concretos Restricciones con números
difusos
Tolerancias Funciones
Sin
de
La herramienta Violaciones
Violaciones
Planteamiento de
Objetivo con
Números
computacional se Restricciones Difusos
diseñó de tal forma

Funciones
que sea fácil de Planteamiento de
variables del Definición del Problema Planteamiento de Objetivo con
manejar, aún para Problema Multicriterio Objetivos o Metas Números
Concretos
Multicriterio
decisores que no sean
versados en el tema. Problemas de Múltiples Objetivos
Ayudas al Decisor
Dicha herramienta
procura estar siempre
dispuesta de ayudas, Opciones de la Metodología Módulo Principal Resultados de la Metodología
para orientar la
decisión en el
Ordenamiento de Programación Lineal Difusa
problema. las Decisiones
Valoración de la Información
Características de
DDEE
Fuzzy Elección (1)
E NI E RRÍA
ÍA
G IE RE
INGEFNTW
IN A E
SSOOFTWAR
 La metodología difusa, por tratarse de una herramienta
blanda, contemplará en su formulación y en el
La herramienta procesamiento, implícitamente el manejo de riesgo e
computacional se incertidumbre.
diseñó de tal forma
que sea fácil de  En las etapas de construcción del problema, los métodos
manejar, aún para
decisores que no sean
difusos, resultados y análisis de sensibilidad son claramente
versados en el tema. identificables.
Dicha herramienta  El decisor no ilustrado no percibe que Fuzzy Elección v 1.0
procura estar siempre
es un programa para expertos y los expertos no perciben que
dispuesta de ayudas,
para orientar la Fuzzy Elección v 1.0 es un programa para inexpertos.
decisión en el
problema.
 La mayoría de los resultados ofrecen la opción de verse
gráficamente.
Características de
DDEE
Fuzzy Elección (2)
E NI E RRÍA
ÍA
G IE RE
INGEFNTW
IN A E
SSOOFTWAR
 El programa por ser escrito en un lenguaje Borland C++
Builder, puede ser multiplataforma (Versiones de Windows)
La herramienta
computacional se  La herramienta computacional proporciona una combinación
diseñó de tal forma sinérgica de palabras, imágenes y algoritmos
que sea fácil de computacionales.
manejar, aún para
decisores que no sean  Se procura dividir una decisión en piezas simples y fáciles de
versados en el tema.
visualizar.
Dicha herramienta
procura estar siempre  Se sobreentiende que la solución de un problema con un solo
dispuesta de ayudas, objetivo continuo, corresponde a un problema de
para orientar la Programación Lineal.
decisión en el
problema.
CASO APLICATIVO
DISCRETO
ALIANZAS ESTRATÉGICAS
Y CANALES DE
LICAA
TTIV
IV
OO DISTRIBUCIÓN
AP LIC
CCAASSOO ACPRETTOO
ISCRE
DDIS El Canal de Distribución representa entre un 20% y un 50% del
costo total del producto, lo cual se asocia a:
Se plantea un modelo
 Inadecuado planteamiento de las rutas de distribución para
de decisión que ayude cada empresa.
en la planeación de
alianzas entre  Sobrecostos asociados a la operación y mantenimiento de los
pequeñas empresas vehículos de distribución, incluyendo el alto gasto de
del Valle de Aburrá, en combustible (ACPM y Gasolina).
la ciudad de Medellín y
su Área Metropolitana.  Selección de rutas de corto recorrido y excesivo tráfico,
[ASUEMPRESA – causando demoras en la entrega de pedidos e
SENA, 2003] incumplimientos ante los clientes.
 Aumento de pedidos urgentes, los cuales deben ser
priorizados.
 Subutilización de los vehículos de distribución.
A TTIV OO
LIC A IV
AP LIC
CCAASSOO ACPRETTOO
ISCRE
DDIS
IDENTIFICACIÓN DE OBJETIVOS
Se propone un método
Incrementar poder: La alianza busca aumentar el
eficiente para la poder de negociación frente clientes y proveedores
evaluación de
alternativas de en la Reducir costos: La creación de la alianza busca
conformación de
Alianzas, así como en reducir costos de distribución las empresas
el mejoramiento del
canal de distribución. Ingresar a mercados: Con la creación de las alianzas
se puede llegar a penetrar mercados
Compartir recursos: La alianza permite compartir
recursos complementarios
A TTIV OO
LIC A IV
AP LIC
CCAASSOO ACPRETTOO
ISCRE
DDIS
IDENTIFICACIÓN DE RESTRICCIONES
Se propone un método
Tamaño Empresas: Las empresas que crean la
eficiente para la alianza deben ser de tamaño similar.
evaluación de
alternativas de en la Necesidad de Clientes comunes: Los clientes de las
conformación de
Alianzas, así como en empresas que conforman la misma alianza, en su
el mejoramiento del mayoría, deben ser comunes
canal de distribución.
Relaciones personales entre socios: La relación
entre las empresas participantes debe propiciar el
éxito de la Alianza.
A TTIV OO
LIC A IV
AP LIC
CCAASSOO ACPRETTOO
ISCRE
DDIS
ALTERNATIVAS
Se analiza la factibilidad
Alianza Estratégica 1: Empresa 1 en asocio con la
de alianza estratégica Empresa 2
para la Empresa
identificada como Alianza Estratégica 2: Empresa 1 en asocio con la
Empresa 1.
Empresa 3
Alianza Estratégica 3: Empresa 1 en asocio con la
Empresa 4.
A TTIV OO
LIC A IV
AP LIC
CCAASSOO ACPRETTOO
ISCRE
DDIS
VALORACIÓN DE LA INFORMACIÓN
Mediante la valoración de criterios y pareamiento de juicios, se

La valoración de la
Infromación se efectuó
determina la siguiente importancia relativa de los objetivos y
según la metodología restricciones en el problema de decisión.
de Pareamientos de Objetivo Grado de Importancia
criterios.
Incrementar poder 0.686
Para el efecto, se Reducir costos 1.539
tuvieron en cuenta los Ingresar a mercados 1.588
conocimientos Índice de
Compartir recursos 0.536
suministrados por el
grupo de asesoría de
Consistencia
Canales de Distribución Restricción 0.097
de ASUEMPRESA - Tamaño empresas 0.884
SENA Clientes Comunes 0.884
Relación socios 0.884
A TTIV OO
LIC A IV
AP LIC
CCAASSOO ACPRETTOO
ISCRE
DDIS
MATRIZ DE SATISFACCIONES
Los grados de pertenencia definidos son consecuencia del

entendimiento a partir del procesamiento de las encuestas a las
empresas bajo asesoría para la conformación de alianzas
estratégicas.
Incrementar Reducir Ingresar a Compartir Tamaño Clientes Relación

poder costos mercados recursos empresas comunes socios
Alianza 1 0.74 0.44 0.75 0.14 0.29 0.76 0.27
Alianza 2 0.72 0.14 0.97 0.74 0.11 0.32 0.28
Alianza 3 0.51 0.38 0.31 0.38 0.16 0.27 0.12
A TTIV OO
LIC A IV
AP LIC
CCAASSOO ACPRETTOO
ISCRE
DDIS
AGREGACIÓN DE LA DECISIÓN
La agregación de la Ordenamiento mayor a menor y

decisión se efectúa operación con Vector de OWAS
mediante el uso de
operadores MEOWA,
los cuales interactúan
con la Matriz de
Satisfacciones X
Relativas
(Factor Optimismo ≈ 40%)

A TTIV OO
LIC A IV
AP LIC
CCAASSOO ACPRETTOO
ISCRE
DDIS
DECISIÓN Y RECOMENDACIÓN
Considerando indiferencia al riesgo, se elige agregación de la

decisión mediante operadores MEOWA.
(Factor Optimismo ≈ 40%)
Mejor calificación para
establecer la Alianza 1,
es decir, la Empresa 1
con la Empresa 2.
A TTIV OO
LIC A IV
AP LIC
CCAASSOO ACPRETTOO
ISCRE
DDIS
RECOMENDACIÓN
La Alianza 1, en su conjunto, es la que mejores oportunidades
brinda, en términos de la reducción de costos y la penetración
La creación de un canal de mercados, los cuales fueron determinados previamente
de distribución
como los objetivos más importantes
compartido mejorará
notablemente la
eficiencia dentro de la
cadena productiva, lo
cual se percibirá en
mejores utilidades
económicas y mayor
posicionamiento de las
empresas
CANALES DE
DISTRIBUCIÓN
A TTIV OO
LIC A IV
AP LIC
CCAASSOO ACPRETTOO
ISCRE
DDIS
IDENTIFICACIÓN DE OBJETIVOS
Minimizar distancias: Es importante minimizar la distancia o

número desplazamientos en el recorrido.
Uno de las mayores
problemas que se Priorizar Urgencias: Lograr un alto grado de satisfacción por
pretenden solucionar en
parte de los clientes cumpliendo con la entrega rápida de los
la conformación de las
Alianzas Estratégica, se pedidos más urgentes.
refiere a la mejora en la
eficiencia del canal de Evitar congestiones: Evitar congestiones y retrasos.
distribución de los
productos
Satisfacer al conductor: Buscar un mayor grado de aceptación
de parte del conductor hacia la ruta.
Una visita por zona: Tiene como objetivo evitar volver a
visitar una zona para llevar el pedido a otro cliente.
CANALES DE
DISTRIBUCIÓN
A TTIV OO
LIC A IV
AP LIC
CCAASSOO ACPRETTOO
ISCRE
DDIS
ALTERNATIVAS
Ruta 1 Esta ruta tiene como objetivo atender primero a los clientes codificados
con los números 4 y 6 (los más importantes para la empresa) para luego atender
Previa zonificación de los pedidos de los clientes restantes.
los recorridos Ruta 2 Con esta ruta lo que se pretende es realizar el recorrido en forma
necesarios en el Valle poligonal.
de Aburrá y en la
Ciudad de Medellín, se Ruta 3 Busca visitar en primer lugar los clientes que no se encuentran en el
han identificado las sector del centro para así evitar congestiones que podrían retrasar la entrega de
siguientes rutas los otros pedidos.
Ruta 4 Busca atender con prioridad a los clientes cuyo pedido es mas urgente
(clientes 4, 6, 7) para luego hacer entrega de pedidos a los demás clientes.
Ruta 5 Tiene como objetivo evitar llevar el vehículo muy cargado a la zona de
ubicación de los clientes codificados con los números 8 y 10, por razones de
seguridad, desgaste del vehículo o maltrato de la mercancía.
CANALES DE
DISTRIBUCIÓN
A TTIV OO
LIC A IV
AP LIC
CCAASSOO ACPRETTOO
ISCRE
DDIS
VALORACIÓN DE LA INFORMACIÓN
Objetivo Importancia
Minimizar distancias 0.330

Los datos obtenidos a
partir de encuestas con Priorizar Urgencias 0.962
las microempresas,
Evitar congestiones 2.430
permiten inferir las
siguientes Satisfacer al conductor 0.181
calificaciones de los
objetivos del problema Una visita por zona 1.097
de decisión
Índice de Consistencia
0.090 < 0.10
CANALES DE
DISTRIBUCIÓN
A TTIV OO
LIC A IV
AP LIC
CCAASSOO ACPRETTOO
ISCRE
DDIS
MATRIZ DE SATISFACCIONES
La asignación de los calificativos (grados de pertenencia) se
efectúan a partir del análisis con que cada ruta impacta en
determinadas zonas, con ayudas de mapas locales.
Minimizar Priorizar Evitar Satisfacer al Una visita por
distancias Urgencias congestiones conductor zona
Ruta
Poco Mucho Algo Insuficiente Bastante
1
Ruta Algo
Insuficiente Insuficiente Demasiado Poco
2
Ruta
Demasiado Insuficiente Significativo Significativo Bastante
3
Ruta
Mínimo Demasiado Significativo Poco Insuficiente
4
Ruta
Demasiado Insuficiente Insuficiente Moderado Algo
5
CANALES DE
DISTRIBUCIÓN
A TTIV OO
LIC A IV
AP LIC
CCAASSOO ACPRETTOO
ISCRE
DDIS
EVALUACIÓN DE LAS RUTAS
Para un ambiente perfil indiferente, con un poco de cautela en la
percepción del entorno, se estima un ajuste de los Pesos MEOWA
con un factor optimista de 38%
En este caso, el Canal
de Distribución deberá
desarrollarse alrededor
de la Ruta 3
A TTIV OO
LIC A IV
AP LIC
CCAASSOO ACPRETTOO
ISCRE
DDIS
EVALUACIÓN DE
EVALUACIÓN DE
ALTERNATIVAS DE
ALTERNATIVAS DE
INVERSIÓN DE
INVERSIÓN DE PEQUEÑOS
PEQUEÑOS
En un ambiente como
la economía CAPITALES
CAPITALES
colombiana, un decisor
que desee efectuar la
inversión de pequeños
capitales de dinero, se
verá avocado a
considerar aspectos
que van mucho más
allá que la rentabilidad
de su inversión.
140 0.8
x1
x2
0.7
120 lambda
0.6
100
0.5
80
0.4
60
0.3
40
0.2
20
0.1
0 0
x(1)
CASO APLICATIVO CONTINUO

PRODUCCIÓN AGREGADA
A TTIV OO
L IC A IV
AP LIC
CCAASSOO APT IN UUOO
O N
CCONT IN Se deben tomar decisiones dentro de un horizonte temporal en
el cual pueden cambiar las condiciones de demanda
DEMANDA Período 1 Período 2
Aproximadamente 500
Aproximadamente 400
Una empresa de Producto A unidades, más o menos un
unidades, hasta 25% más
manufacturas 10%
metalmecánicas, debe Aproximadamente 350
Aproximadamente 300
Producto B unidades, más o menos un
decidir qué tipo de unidades, hasta 13% más
20%
productos y en que
cuantía deben El problema específicamente se refiere a una empresa que
fabricarse, de modo
que, satisfaciendo la fabrica varios productos a partir de la unión de diferentes
demanda existente se componentes. La empresa puede subcontratar la fabricación de
utilicen los recursos de parte de los componentes.
la forma más
eficientemente posible
A TTIV OO
L IC A IV
AP LIC
O N
CCONT IN Los centros de producción requieren determinado número de
horas, y pueden acudir a horas extras. La empresa también
admite la subcontratación
Existencias Costo
Existencias Margen Bruto
La empresa fabrica y finales Estándar
iniciales (unidades
requeridas (unidades
vende dos productos A (unidades) monetarias)
(unidades) monetarias)
y B a partir del montaje
Producto A Aprox. 300 Aprox. 200 30 30
de dos componentes
cada uno de ellos. Producto B Aprox. 200 Aprox. 150 26 24
La empresa dispone de
Comp. A1 Aprox. 30 Aprox. 20 5 -
dos centros de montaje:
uno para cada uno de Comp. A2 Aprox. 70 Aprox. 20 7 -
los productos, así como
la fabricación de los Comp. B1 Aprox. 40 Aprox. 20 8 -
componentes
requeridos. Comp. B2 Aprox. 40 Aprox. 20 4 -
VARIABLES DE
VARIABLES DE DECISIÓN
DECISIÓN
A TTIV OO
L IC A IV
AP LIC
O N
CCONT IN
Variables de Significado
decisión
qi(t) unidades del producto i montadas en el periodo de tiempo t
yi-(t) # de productos i faltantes en t
yi+(t) existencias finales de i en t
rij (t) unidades de j para i fabricadas en la empresa en t
sij (t) unidades de j para i subcontratadas a otra empresa en t
zij +(t) existencias finales del componente j del producto i en t
xk-(t) número de horas ociosas en el centro de montaje k en t
xk+(t) número de horas extras en el centro de montaje k en t

OBJETIVOS ESTABLECIDOS
A TTIV OO
L IC A IV
AP LIC
O N
CCONT IN
( )
2
mín ∑ 30 ⋅ YA− ( t ) + 24 ⋅ YB− ( t )
t =1
Se minimizan rupturas de stock, teniendo en cuenta que hay

faltantes respecto a la demanda, menos los beneficios netos
que se ofrecen.
( )
2
mín ∑ x 1− ( t ) + x −2 ( t )
t =1
Se minimizan horas ociosas que implican infrautilización de

las mismas.
A TTIV OO
L IC A IV
AP LIC
O N
CCONT IN
( )
2
mín ∑ x 1+ ( t ) + x +2 ( t )
t =1
Se minimizan horas extra sobre el tiempo de montaje normal
( )
2
mín ∑ 5 ⋅ Z +A1 ( t ) + 7 ⋅ Z +A 2 ( t ) + 8 ⋅ Z +B1 ( t ) + 4 ⋅ Z +B 2 ( t ) + 30 ⋅ YA+ ( t ) + 26 ⋅ YB+ ( t )
t =1
Se minimiza sobreproducción de productos y de componentes,

tal que se reduzcan las existencias no vendidas, considerando
más importante minimizar los sobrantes de los productos y
componentes más costosos.
FORMULACIÓN DE
FORMULACIÓN DE RESTRICCIONES
RESTRICCIONES
A TTIV OO
L IC A IV
AP LIC
CCAASSOO APT IN UUOO Equilibrio de inventario, producción y demanda
O N
CCONT IN
( 300 ± 5%) + q A (1) + y A− (1) ≅ ( 400 ± 25%) + y A+ (1)

La ecuación de y A+ (1) + q A ( 2) + y A− ( 2) ≅ ( 500 ± 10% ) + y A+ ( 2 )
equilibrio de
inventarios, deamanda y A+ ( 2 ) ≈ ≤200 + 7%
y producción, permite
formular las
restricciones
( 200 ± 5%) + q B (1) + y B− (1) ≅ ( 300 ± 13%) + y B+ (1)
I i ( t ) + qi ( t ) + y i− ( t ) ≅ Di ( t ) + y i+ ( t ) y B+ (1) + q B ( 2 ) + y B− ( 2 ) ≅ ( 350 ± 20% ) + y B+ ( 2)
y B+ ( 2) ≈ ≤150 + 6%
FORMULACIÓN DE
RESTRICCIONES
A TTIV OO
L IC A IV
AP LIC
CCAASSOO APT IN UUOO Elaboración de Componentes de Producto A
O N
CCONT IN
30 + rA1 (1) + s A−1 (1) + y A− (1) ≅ ( 400 ± 25% ) + z A+1 (1)
z A+1 (1) + rA1 ( 2 ) + s A−1 ( 2 ) + y A− ( 2 ) = ( 500 ± 10% ) + z A+1 ( 2 )
z A+1 ( 2 ) ≈ ≤20 + 3%
Capacidad de
producción de productos 70 + rA 2 (1) + s A− 2 (1) + y A− (1) ≅ ( 400 ± 25% ) + z A+ 2 (1)
y componentes, z A+ 2 (1) + rA 2 ( 2 ) + s A− 2 ( 2 ) + y A− ( 2 ) ≅ ( 500 ± 10% ) + z A+ 2 ( 2 )
teniendo en cuenta las
existencias iniciales y la z A+ 2 ( 2 ) ≈ ≤20 + 3%
demanda esperada
Elaboración de Componentes de Producto B
40 + rB1 (1) + s B−1 (1) + y B− (1) ≅ ( 300 ± 13% ) + z B+1 (1)
z B+1 (1) + rB1 ( 2 ) + s B−1 ( 2 ) + y B− ( 2 ) ≅ ( 350 ± 20% ) + z B+1 ( 2 )
z +B1 ( 2) ≤ 40
40 + rB 2 (1) + s B− 2 (1) + y B− (1) = ( 300 ± 13% ) + z B+ 2 (1)
z B+ 2 (1) + rB 2 ( 2 ) + s B− 2 ( 2 ) + y B− ( 2 ) ≅ ( 350 ± 20% ) + z B+ 2 ( 2 )
z +B 2 ( 2 ) ≤ 40
FORMULACIÓN DE
RESTRICCIONES
A TTIV OO
L IC A IV
AP LIC
CCAASSOO APT IN UUOO Operación de horas por periodo
O N
CCONT IN
2 ⋅ rB1 ( 2 ) + 4 ⋅ rB 2 ( 2 ) + x 2− ( 2 ) − x 2+ ( 2 ) ≅ 1000 ± 5%
2 ⋅ rB1 (1) + 2 ⋅ rB 2 (1) + x 2− (1) − x 2+ (1) ≅ 1000 ± 5%
Horas de trabajo,
incluyendo horas extras.
1 ⋅ rA1 ( 2 ) + 4 ⋅ rA 2 ( 2 ) + x1− ( 2 ) − x1+ ( 2 ) ≅ 1200 ± 3%
1 ⋅ rA1 (1) + 4 ⋅ rA 2 (1) + x1− (1) − x1+ (1) ≅ 1200 ± 3%
Horas totales de producción

x1+ (1) ~ ≤ 120 + 3% x 2+ (1) ~ ≤ 100 + 2.1%
x1+ ( 2) ~ ≤ 120 + 3.2% x 2+ ( 2) ~ ≤ 100 + 2.3%
FORMULACIÓN DE
RESTRICCIONES
A TTIV OO
L IC A IV
AP LIC
CCAASSOO APT IN UUOO Subcontratación en la producción de componentes.
O N
CCONT IN
s B1 ~ ≤ 70 + 10% s A1 ~ ≤ 52 + 10%
s A 2 ~ ≤ 80 + 7% s B2 ≤ 0
No negatividad de las variables de decisión
qi(t) ≥ 0 sij (t) ≥ 0

yi-(t) ≥ 0 zij +(t) ≥ 0
yi+(t) ≥ 0 xk-(t) ≥ 0
rij (t) ≥ 0 xk+(t) ≥ 0
SOLUCIÓN AL
SOLUCIÓN AL PROBLEMA
PROBLEMA CON
CON
INCERTIDUMBRE
INCERTIDUMBRE
OO x1 = yA−(1) = 68 (−) Cantidad de productos i
L IC A TTIV
IV
AP LIC A x
= yB−(1) = 0 faltantes en el periodo t x25 = qA(1) = 69 unidades del producto i
CCAASSOO AP
2
NT IN UUOO x
= yA+(1) = 36 x26 = qB(1) = 122 montadas en el periodo
O
CCONT IN 3
(+) existencias finales de i de tiempo t
x
= yB+(1) = 22 x27 = qA(2) = 380
4 en el periodo t
x
= yA−(2) = 74 x28 = qB(2) = 351
5
x
6
= yB−(2) = 0
x
7
= yA+(2) = 19
x
= yB+(2) = 20
Problema Multiobjetivo 8
x9 = x1−(1) = 0 (−) número de horas ociosas x29 = rA1 (1) = 276 unidades de j fabricadas
con 43 variables de x
= x2−(1) = 84 en el centro de montaje k x30 = rA2 (1) = 246 en la empresa i en el
10
decisión, cuya solución x
= x1+(1) = 50 en el periodo t x31 = rB1 (1) = 568 periodo t
11
arroja: x
= x2+(1) = 0 x32 = rB2 (1) = 174
12 (+) número de horas extras
x
13
= x1−(2) = 0 en el centro de montaje k x33 = rA1 (2) = 303
x
14
= x2−(2) = 83 en el periodo t x34 = rA2 (2) = 239
x
15
= x1+(2) = 48 x35 = rB1 (2) = 285
x
16
= x2+(2) = 0 x36 = rB2 (2) = 307
x17 = zA1 (1) = 54 existencias finales del x37 = sA1 (1) = 53 unidades de j para i
x18 = zA2 (1) = 89 componente j del producto x38 = sA2 (1) = 81 subcontratadas a otra
x19 = zB1 (1) = 46 i en el periodo t x39 = sB1 (1) = 38 empresa en el periodo t
x20 = zB2 (1) = 7 x40 = sB2 (1) = 94
x21 = zA1 (2) = 0 x41 = sA1 (2) = 53
x22 = zA2 (2) = 0 x42 = sA2 (2) = 82
x23 = zB1 (2) = 10 x43 = sB1 (2) = 31
x = z (2) = 10 x = s (2) = 146
OO
LOGRO DE
LOGRO DE OBJETIVOS
OBJETIVOS
L IC A TTIV
IV
AP LIC A
O N
CCONT IN
En el caso particular de
la producción agregada,
es posible verificar una
menor satisfacción en
la decisión que tome el
decisor cuando un
problema tenga
mayores componentes
de incertidumbre
Satisfacción para el Decisor = 71%

OO
LOGRO DE
LOGRO DE OBJETIVOS
OBJETIVOS
L IC A TTIV
IV
AP LIC A
O N
CCONT IN
En el caso particular de
la producción agregada,
es posible verificar una
menor satisfacción en
la decisión que tome el
decisor cuando un
problema tenga
mayores componentes
de incertidumbre
Satisfacción para el Decisor = 87.5%

CONCLUSIONES
AGRADECIMIENTOS
USI O NNEESS
L IO
CCOONNCCLUS
Se realizó la aproximación metodológica que
complementa los paradigmas de la Toma de Decisiones
en ambientes difusos, y que a su vez aporta al
mejoramiento de los fundamentos de la Teoría de
Decisiones bajo incertidumbre.
Se verifica la capacidad de la lógica difusa para la
solución de problemas que usualmente involucran
mucha vaguedad y ambigüedad (Y por lo tanto, una
forma borrosa) en los objetivos y en las restricciones.
En programación matemática se ha ilustrado una
formulación metodológica que se aparta de los
conceptos en los cuales se fundamentan las
herramientas duras de la investigación de operaciones,
en el sentido que se procuran encontrar las
satisfacciones más eficientes para un decisor, dentro de
una solución completa para un problema de decisión
continuo.
USI O NNEESS
L IO
CCOONNCCLUS Se realizaron recomendaciones a los decisores
encargados de poner en marcha sus decisiones,
teniendo en cuenta consideraciones de incertidumbre
en la formulación de las restricciones de un problema
de análisis multiobjetivo.
Otra de las utilidades de las técnicas planteadas en el
trabajo de tesis, radica en que el uso de conjuntos
difusos, y específicamente, números difusos, permite
incluir directamente dentro del número, la
incertidumbre. Así por ejemplo, un valor exacto de 100
puede ser sustituido por el número difuso definido
como “cercano a 100”.
Debido a la complejidad de las operaciones
matemáticas ejecutadas en Fuzzy Elección v 1.0, ha
sido preferible desarrollar los programas numéricos en
MATLAB. Lo anterior se ve traducido en un aumento
significativo de la productividad en la programación de
la herramienta computacional.
I M IE NNTTOOSS
DEC IMIE
AAGGRRAADEC
A la Dirección de Investigaciones de la Sede (DIME), por el

apoyo para el desarrollo del proyecto.
Al Grupo de asesoría ASUEMPRESA-SENA, por la valiosa

información suministrada en el desarrollo del proyecto.
Al Grupo de Investigación en Sistemas e Informática, y a todos

aquellos que hacen parte de la Escuela de Sistemas, por su
importante trabajo y constante colaboración.
CORREA, Gabriel & PEÑA, Gloria. “Propuesta Metodológica para la

Solución de Problemas Multiobjetivo Continuos, Mediante el uso
de conjuntos y de Operadores Difusos”. En: Encuentro Investigativo
de Tecnologías de la Información. EITI. Universidad Nacional de
ACIO NNEESS
I C I O Colombia, Sede Medellín. Nº3. 2003
PPUUBBLLICAC
CORREA, Gabriel & PEÑA, Gloria. “Propuesta Metodológica para
Apoyo a La Toma de Decisiones Discretas, Mediante el Uso de
Operadores Difusos”. En: Encuentro Investigativo de Tecnologías de
la Información. EITI. Universidad Nacional de Colombia, Sede
Medellín. Nº3. 2003
CORREA, Gabriel & PEÑA, Gloria: “APROXIMACIONES

METODOLÓGICAS A LA TOMA DE DECISIONES DISCRETAS,
MEDIANTE EL USO DE OPERADORES DIFUSOS” En: III Congreso
Latinoamericano de Investigación de Operaciones. Cartagena. Marzo
2004
CORREA, Gabriel, PEÑA, Gloria & ÁLVAREZ, Hernán:

“APROXIMACIONES METODOLÓGICAS A LA SOLUCIÓN DE
PROBLEMAS LINEALES MULTIOBJETIVO CONTINUOS,
MEDIANTE EL USO DE OPERADORES Y DE CONJUNTOS
DIFUSOS” En: III Congreso Latinoamericano de Investigación de
Operaciones. Cartagena. Marzo 2004
CORREA, Gabriel, MEDINA, Santiago & PEÑA, Gloria (2004):

ACIO NNEESS
I C I O “EVALUACIÓN DE OPORTUNIDADES DE INVERSIÓN DE
PPUUBBLLICAC PEQUEÑOS CAPITALES, MEDIANTE EL USO DE METODOLOGÍAS
DIFUSAS”. Artículo Aceptado. Revista EPICICLOS, Pontificia
Universidad Javeriana, Cali.
CORREA, Gabriel, PEÑA, Gloria & ÁLVAREZ, Hernán (2004):

“Methodological Approach for Solving Multicriteria Linear
Programming with Fuzzy Coefficients in Constrainsts and in
Objective Functions” Artículo en Evaluación. International Journal of
Neural, Soft and Parallel Computing. Atlanta (USA) ISSN: 0165-0114
CORREA, Gabriel, PEÑA, Gloria & ÁLVAREZ, Hernán (2004):

“METHODOLOGICAL APPROACH FOR MULTICRITERIA LINEAR
PROGRAMMING UNDER FUZZY COEFFICIENTS IN
CONSTRAINSTS AND IN OBJECTIVE FUNCTIONS” Artículo en
Evaluación. Revista Técnica de la Universidad del Zulia (Venezuela).
ISSN 0254-0770
ACI ÓNNDDEE
STR ACI Ó
DDEEMMOOSFTTRWAARREE
SSOOFTW
En la siguiente dirección de internet, se
puede obtener toda la documentación y se
puede bajar el software Fuzzy Elección v
1.0, el cual es de dominio público.
http://pisis.unalmed.edu.co/cursos/s4405/
ACI ÓNNDDEE
STR ACI Ó
DDEEMMOOSFTTRWAARREE
SSOOFTW
Sistema de Soporte para

el apoyo a la Toma de Decisiones
Solución de Problemas en Ambientes
Discretos y Continuo

Metodologías para La Toma de Decisiones, Apoyadas en Lógica Difusa

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Metodologías para La Toma de Decisiones, Apoyadas en Lógica Difusa

Uploaded by

Copyright:

Available Formats

ensa de Tesis de Maestría

UNIVERSIDAD NACIONAL DE COLOMBIA JURADOS:

Presentar un marco teórico que soporte una

Grados de Satisfacción, mediante P.L. Difusa

Alternativas Región de Pareto

CASO APLICATIVO CASO APLICATIVO CONCLUSIONES

Grados de Satisfacción, mediante P.L. Difusa

Alternativas Región de Pareto

CASO APLICATIVO CASO APLICATIVO CONCLUSIONES

Teorema de Bellman y Zadeh

m Metas u Objetivos y n restricciones del problema

Objetivos y Restricciones se mapean en el mismo espacio difuso

Teorema de Bellman y Zadeh

Concepto de Número Difuso

Para efectuar la Toma 6. Indicar el grado en que cada alternativa se ve afectada

La suposición la Toma de Decisiones con Lógica

4 Juicio de importancias intermedias

7 Juicio de importancia demostrada de uno sobre el otro

Programación Lineal con Coeficientes Difusos

i óptimo − Z i óptimo ⋅ λ − ( c ij ) ⋅ x j ≤ − Z i óptimo

solución de este tipo  x j ~≥ 0

Planteamiento de Definición del

programación de la Optimismo del Agregación EZOWA

siguientes módulos, en Matrices de Decisión

el ámbito discreto Ordenamiento de

diseñó de tal forma

Mediante la valoración de criterios y pareamiento de juicios, se

Los grados de pertenencia definidos son consecuencia del

Incrementar Reducir Ingresar a Compartir Tamaño Clientes Relación

La agregación de la Ordenamiento mayor a menor y

(Factor Optimismo ≈ 40%)

Considerando indiferencia al riesgo, se elige agregación de la

Minimizar distancias: Es importante minimizar la distancia o

Minimizar distancias 0.330

Grados de Satisfacción, mediante P.L. Difusa

Alternativas Región de Pareto

CASO APLICATIVO CONTINUO

yi-(t) # de productos i faltantes en t

yi+(t) existencias finales de i en t

rij (t) unidades de j para i fabricadas en la empresa en t

sij (t) unidades de j para i subcontratadas a otra empresa en t

zij +(t) existencias finales del componente j del producto i en t

xk-(t) número de horas ociosas en el centro de montaje k en t

xk+(t) número de horas extras en el centro de montaje k en t

Se minimizan rupturas de stock, teniendo en cuenta que hay

Se minimizan horas ociosas que implican infrautilización de

Se minimizan horas extra sobre el tiempo de montaje normal

Se minimiza sobreproducción de productos y de componentes,

( 300 ± 5%) + q A (1) + y A− (1) ≅ ( 400 ± 25%) + y A+ (1)

Horas totales de producción

No negatividad de las variables de decisión

qi(t) ≥ 0 sij (t) ≥ 0

Satisfacción para el Decisor = 71%

Satisfacción para el Decisor = 87.5%

A la Dirección de Investigaciones de la Sede (DIME), por el

Al Grupo de asesoría ASUEMPRESA-SENA, por la valiosa

Al Grupo de Investigación en Sistemas e Informática, y a todos

CORREA, Gabriel & PEÑA, Gloria. “Propuesta Metodológica para la

CORREA, Gabriel & PEÑA, Gloria: “APROXIMACIONES

CORREA, Gabriel, PEÑA, Gloria & ÁLVAREZ, Hernán:

CORREA, Gabriel, MEDINA, Santiago & PEÑA, Gloria (2004):

CORREA, Gabriel, PEÑA, Gloria & ÁLVAREZ, Hernán (2004):

CORREA, Gabriel, PEÑA, Gloria & ÁLVAREZ, Hernán (2004):