Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
INVESTIGACION DE OPERACIONES I DOCENTE: M.A. Ana María Gutiérrez Cruz OBJETIVO: El alumno formulara y aplicara modelos lineales a la realidad y determinara la solución óptima con la ayuda de la programación lineal y de algoritmos especiales. 1. Introducción a las técnicas de Optimización 2. Diseño de Modelos de Programación Lineal 3. Programación Lineal 4. Algoritmos Especiales 5. Redes Temario HISTORIA En la Segunda Guerra Mundial, cuando la Investigación de Operaciones empezó a tomar auge. Primero se le utilizó en la logística estratégica para vencer al enemigo (Teoría de Juegos) y, más tarde al finalizar la guerra, en la logística de distribución de todos los recursos militares de los aliados dispersos de por todo el mundo. El nombre de Investigación de Operaciones fue dado aparentemente porque el equipo estaba llevando a cabo la actividad de investigar operaciones (militares). HISTORIA Al término de la guerra y atraídos por los buenos resultados obtenidos por los estrategas militares, los administradores industriales empezaron a aplicar las herramientas de la Investigación de Operaciones a la resolución de sus problemas que empezaron a originarse debido al crecimiento del tamaño y la complejidad de las industrias. La palpable dificultad de tomar decisiones ha hecho que el hombre se aboque en la búsqueda de una herramienta o método que le permita tomar las mejores decisiones de acuerdo a los recursos disponibles y a los objetivos que persigue. Tal herramienta recibió el nombre de Investigación de Operaciones DEFINICION "La aplicación del método científico a problemas relacionados con el control de las organizaciones o sistemas a fin de que se produzcan soluciones que mejor sirvan a los objetivos de toda la organización" OBJETIVO Decidir mediante métodos científicos el diseño que optimiza el funcionamiento del proceso analizado, generalmente bajo condiciones que implican la utilización de recursos escasos. ENFOQUE DE LA INVESTIGACIÓN DE OPERACIONES SOLUCIÓN AL PROBLEMA DEL SISTEMA REAL SISTEMA REAL SOLUCIÓN AL MODELO MODELO CUANTITATIVO SISTEMA ASUMIDO JUICIOS Y EXPERIENCIAS VARIABLES RELEVANTES RELACIONES RELEVANTES MÉTODO DE SOLUCIÓN INTERPRETACIÓNDECISIONES TÉCNICAS DE OPTIMIZACIÓN En la investigación de operaciones no se tiene una sola técnica general con la que se resuelvan todos los modelos matemáticos que surgen en la práctica. La complejidad del modelo matemático determina la naturaleza del método de solución. 1. Método Determinístico: Son aquéllos donde se supone que todos los datos pertinentes se conocen con certeza. Es decir, en ellos se supone que cuando el modelo sea analizado se tendrá disponible toda la información necesaria para tomar las decisiones correspondientes. Un ejemplo de modelo determinístico sería la asignación de la tripulación de una aerolínea para cada uno de sus vuelos diarios del mes próximo. 1. Programación lineal. 2. Probabilidad de transporte. 3. Teoría de la localización o redes. 4. Programación multicriterio. 5. Teoría de inventarios, etc. T é c n ic a s 1. Cadenas de markov. 2. Teoría de juegos. 3. Líneas de espera. 2. Método Probabilístico o Estocásticos: Se presupone que algunas variables importantes, llamadas variables aleatorias, no tendrán valores conocidos antes que se tomen las decisiones correspondientes, y que ese desconocimiento debe ser incorporado al modelo. Un ejemplo de modelo probabilístico podría ser la decisión de establecer una compañía de Internet mediante la venta pública de acciones de capital, antes de saber si el mercado para nuestra oferta será favorable (mercado en alza) y rendirá un alto precio de las acciones, o desfavorable (mercado sostenido) y el precio de éstas será bajo. 3. Métodos híbridos: Conjugan métodos determinísticos y probabilísticos. 4. Métodos heurísticos: soluciones basadas en la experiencia. T é c n ic a s La teoría de juegos es un área de la matemática aplicada que utiliza modelos para estudiar interacciones en estructuras formalizadas de incentivos (los llamados «juegos») y llevar a cabo procesos de decisión. Sus investigadores estudian las estrategias óptimas así como el comportamiento previsto y observado de individuos en juegos. Líneas de espera permite modelar sistemas en los que varios agentes que demandan cierto servicio o prestación, confluyen en un mismo servidor y, por lo tanto, pueden registrarse esperas desde que un agente llega al sistema y el servidor atiende sus demandas. Cadena de Márkov o modelo de Márkov a un tipo especial de proceso estocástico discreto en el que la probabilidad de que ocurra un evento depende solamente del evento inmediatamente anterior. Esta característica de falta de memoria recibe el nombre de propiedad de Markov. CONCEPTOS BÁSICOS EN TEORÍA DE REDES Gráfica: Una gráfica es una serie de puntos llamados nodos que van unidos por unas líneas llamadas ramales o arcos. PERT Y CPM https://es.wikipedia.org/wiki/Proceso_estoc%C3%A1stico PROGRAMACION LINEAL Es una de las principales ramas de la Investigación Operativa. En esta categoría se consideran todos aquellos Modelos de optimización donde las funciones que lo componen son: Función objetivo y restricciones, son funciones lineales en las variables de decisión. Los modelos de Programación Lineal por su sencillez son frecuentemente usados para abordar una gran variedad de problemas de naturaleza real en ingeniería y ciencias sociales, lo que ha permitido a empresas y organizaciones importantes beneficios y ahorros asociados a su utilización. TIPOS DE MODELOS DE IO El enfoque de la Investigación de Operaciones es el modelaje. Un modelo es una herramienta que nos sirve para lograr una visión bien estructurada de la realidad. La ventaja que tiene el sacar un modelo que represente una situación real, es que nos permite analizar tal situación sin interferir en la operación que se realiza, ya que el modelo es como si fuera “un espejo” de lo que ocurre. Para aumentar la abstracción del mundo real, los modelos se clasifican como 1) Icónicos, 2) Análogos, 3) Simbólicos. MODELOS Son la representación física, a escala reducida o aumentada de un sistema real. Esencialmente requieren la sustitución de una propiedad por otra con el fin de permitir la manipulación del modelo. Después de resolver el problema, la solución se reinterpreta de acuerdo al sistema original. Los modelos más importantes para la investigación que emplean un conjunto de símbolos y funciones para representar las variables de decisión y sus relaciones para describir el comportamiento del sistema. 1. ICÓNICOS: 2. ANÁLOGOS: 3. SIMBÓLICOS O MATEMÁTICO: MODELO MATEMATICO a) Variables de Decisión: Con las variables de decisión nos referimos al conjunto de variables cuya magnitud deseamos determinar resolviendo el modelo de programación lineal. b) Restricciones: Están constituidas por el conjunto de desigualdades que limitan los valores que puedan tomar las variables de decisión en la solución. c) Función Objetivo: Es la función matemática que relaciona las variables de decisión. d) Linealidad: Se refiere a que las relaciones entre las variables, tanto en la función objetivo como en las restricciones deben ser lineales. e) Desigualdades: Las desigualdades utilizadas para representar las restricciones deben ser cerradas o flexibles, es decir, menor - igual (<=) o mayor – igual (>=). No se permiten desigualdades de los tipos menor- estrictamente o mayor – estrictamente, o abiertas. a) Condición de no – negatividad: En la programación lineal las variables de decisión sólo pueden tomar valores de cero a positivos. No se permiten valores negativos. MODELO MATEMATICO Como podemos ver en el modelo la función que se va maximizar o minimizares la función objetivo, sujeta a (s.a.) las restricciones. Xj >= 0, es la condiciónde no – negatividad. Las Xj son las variables de decisión cuyo valor se desea conocer. Aij, bi, cj son parámetros. El vector Cj [ C1, C2,...Cn] se llama “vector de costos” o “vector de precios”. Función objetivo Variables de decisión Restricciones METODOLOGÍA DE LA INVESTIGACIÓN DE OPERACIONES El proceso de la Investigación de Operaciones comprende las siguientes fases: 1. Formulación y definición del problema. 2. Construcción del modelo. 3. Solución del modelo. 4. Validación del modelo. 5. Implementación de resultados. EJERCICIO 1 Una refinería produce gasolina Corriente, Extra y ACPM para las cuales a establecido un precio de venta de $4000, $4500 y $4100 por galón respectivamente. Para la producción de estos combustibles, la compañía cuenta con una disponibilidad de 5000 galones de petróleo crudo y 7000 galones de petróleo refinado. Además se a establecido que el costo de galón de petróleo crudo es 3000 y el refinado a 3500. Por requerimientos de calidad, se sabe que la gasolina corriente debe contener 40% de petróleo crudo y 60% de petróleo refinado; la gasolina extra debe contener 30% de petróleo crudo y 70% de petróleo refinado; mientras que el ACPM debe contener 50% de ambos petróleos. Plantee el modelo de programación lineal con el fin de obtener el beneficio de la empresa. Plantee el modelo de programación lineal con el fin de obtener el beneficio de la empresa. Paso 1- Lo primero que hacemos es definir las variables a usar en el modelo de programación lineal: X1= Galón de gasolina corriente; X2= Galón de gasolina extra; X3= Galón de ACPM; X4= Galón de petróleo crudo; X5= Galón de petróleo refinado. Variables de decisión Paso 2 - Ahora definimos nuestra función objetivo, que es: Z máx= 4000X1+4500X2+4100X3-(3000X4+3500X5) Función objetivo Paso 3 - ->Y las restricciones a las que esta sometido nuestro problema son: • RESTRICCION DE PORCENTAJE DE P. CRUDO: R1= 0.4X1+0.3X2+0.5X3 ≤ 5000 • RESTRICCION DE PORCENTAJE DE P. REFINADO: R2= 0.6X1+0.7X2+0.5X3 ≤ 7000 RESTRICCIONES DE POSITIVIDAD: • X1,X2,X3,X4,X5 ≥ 0 40% ocupa en la gasolina corriente + 30% ocupa de l gasolina extra + 50% en gasolina ACPM MENOR O IGUAL a 5000 disponibilidad de galones de p. crudo 60% ocupa en la gasolina corriente + 70% ocupa de l gasolina extra + 50% en gasolina ACPM MENOR O IGUAL a 7000 disponibilidad de galones de p. refinado PROBLEMA 2 Una compañía produce bibliotecas y escritorios para los cuales a establecido un precio de venta por unidad de $9000 y $10000 respectivamente. Para la producción de dichos artículos, la compañía cuenta con una disponibilidad mensual de 700 metros de madera, 800 metros de tubo y 900 pliegos de papel de lija. ¿Qué cantidad de bibliotecas y escritorios se deben fabricar mensualmente, si se sabe que una biblioteca consume 7 metros de madera, 10 metros de tubo y 6 pliegos de papel de lija; mientras que el escritorio consume 10 metros de madera, 8 metros de tubo y 15 pliegos de papel de lija? Paso 1 - Determinamos primero que todo, nuestras variables X1= Número de bibliotecas; X2= Número de escritorios. Paso 2 - Ahora definimos nuestra función objetivo, que es: Zmax=9000X1+10000X2 Paso 3 - Identificar las restricciones a las que esta sometido nuestro problema: Restricción de cantidad de madera a emplear: 7X1+10X2 ≤ 700 m Restricción de cantidad de tubo a emplear 10X1+8X2 ≤ 800 m Restricción de cantidad de papel de lija a emplear: 6X1+15X2 ≤ 900 pliegos Restricción de positividad X1, X2 ≥ 0 Algunas reflexiones • Hemos pasado de la definición del problema a su formulación matemática. • Error de especificación, el error más frecuente consiste en descuidar las restricciones, características de las variables, • En el ejemplo anterior: a) Todas las variables son continuas b) Existe un único objetivo (minimizar los costes y maximizar ganancia) c) El objetivo y las restricciones son lineales Las tres consideraciones anteriores nos llevan a lo que denominamos un problema de Programación Lineal PL • El ejercicio plantea un PROBLEMA DE DECISIÓN • Hemos tomado una situación real y hemos construido su equivalente matemático MODELO MATEMÁTICO • Durante la formulación del modelo matemático nosotros consideramos el método cuantitativo que (esperanzadamente) nos permitirá resolver el modelo numéricamente ALGORITMO • El algoritmo es un conjunto de instrucciones que siguiendo de manera gradual producen una solución numérica Conclusiones Llegamos a una nueva definición de I.O. Ciencia para la representación de problemas reales mediante modelos matemáticos que junto con métodos cuantitativos nos permiten obtener una solución numérica a los mismos Dificultades Dificultades de este tipo de enfoques: •Identificación del problema (debemos ignorar partes o tratar el problema entero) •Elección del modelo matemático adecuado así como el algoritmo adecuado para resolverlo (validación del algoritmo) •Dificultades en la implementación •Velocidad (costes) que supone llegar a una solución •Calidad de la solución •Consistencia de la solución
Compartir