Investigacion operativa
-
Upload
franco-snipes -
Category
Education
-
view
894 -
download
6
description
Transcript of Investigacion operativa
INVESTIGACIÓN OPERATIVA
ASPECTOS GENERALES
BREVE HISTORIA DE LA IO
Problemas estratégicos y operativos de la II Guerra Mundial: enfoque analítico a la Toma de Decisiones (Investigación Operativa, IO)
IO: Basada en modelos analíticos del mundo real Después: Desarrollo de IO en la Empresa
(1960s-): producción, logística, finanzas, ...
Desarrollo de IO: paralelo al de computadores (potencia/tendencia al bajo coste crece)
Difusión limitada: “la barrera del álgebra”
Solución: Hojas de cálculo (1980s-)
MODELOS ANALÍTICOS Aproximan el mundo real, nos dan la
libertad de experimentar.
Razones para construir modelos analíticos de problemas de toma de decisiones:
¿Por qué se construye un modelo de avión antes de construir el de verdad?
Menos costoso cometer errores en modelo
Modelo da intuición sobre problema real
Modelo permite experimentar
Nos ayuda a entender mejor el problema
HOJAS DE CÁLCULO Hojas de Cálculo: herramienta cuantitativa
más difundida (millones de usuarios en todo el mundo)
Hacen accesible a gestores no-técnicos potentes modelos analíticos
Eliminan la “barrera algebraica”
Cambio de paradigma en la enseñanza de la IO
Algunas desventajas: Difíciles de documentarDifícil modificar modelosVentaja: millones de usuarios
OPTIMIZACIÓN Problema económico básico:¿cómo asignar
recursos (limitados) disponibles para alcanzar objetivos?
Ejemplos de problemas de Asignación de Recursos: fabricación de varios tipos de producto asignación de turnos de trabajo inversión financiera transporte de productos a mínimo coste
Optimización: determinar la mejor manera de alcanzar un objetivo dados los recursos disponibles
Excel Solver: Implementa potentes herramientas de optimización matemática
EL ABC DE LA OPTIMIZACIÓN A. ¿Qué puedes decidir? Ej: cuánto producir; cuánto invertir, y en qué,
son variables de decisión B: ¿Qué quiere decir “mejor”?
Ej: maximizar beneficio, minimizar coste, …
son objetivos C: ¿Qué restricciones (condiciones)
limitan las decisiones?Ej: no exceder presupuesto, no usar más piezas que las disponibles, …son restricciones
PROGRAMACIÓN LINEAL Un problema de optimización es de la forma
maximizar (min) objetivo sujeto arestricciones en las decisiones
factibles Si las fórmulas que definen el objetivo y las
restricciones son lineales, tenemos un problema de Programación Lineal (PL)
PL: es el modelo matemático más aplicado en la práctica
Si las variables de decisión han de ser enteras: Programación Entera (PE)
Excel resuelve PL, PE con el Excel Solver
EJEMPLO: ASIGNACIÓN DE RECURSOS ¿Cuántos barcos producir? Una empresa produce dos tipos de
barcos: veleros y barcos a motor. Los principales recursos materiales que emplea para ello son: tela para velas, fibra de vidrio y motores, disponibles en cantidades limitadas.
La empresa se propone diseñar un plan de producción que especifique cuántos barcos se han de producir semanalmente de cada tipo, con el objetivo de maximizar su beneficio.
DATOS DEL PROBLEMA
B. velero B. motor
Beneficio/unidad $ 1,200 $ 1,000
Recursos:
Cantidad requerida/unidad Disponible/semana
B. velero B. motor
Tela velas (metros) 4 0 400
Fibra vidrio (kg) 8 4 1000
Motores (unidades) 0 1 120
MODELO DE OPTIMIZACIÓN A: Variables de decisión
VELEROS =Número de barcos veleros producidos/semana
BMOTOR = Número de barcos a motor producidos/semana
B: Objetivo a optimizar maximizar beneficio/semana:
max $ 1,200 x VELEROS + $ 1,000 x BMOTOR C: Restricciones:
tela disponible: 4 x VELEROS <= 400 fibra de vidrio disponible: 8 x VELEROS + 4 x BMOTOR <= 1000 motores disponibles: BMOTOR <= 120 VELEROS, BMOTOR >= 0 y enteros
MODELO RESUELTO
DECISIONES ÓPTIMAS De “que pasa si” a “que es mejor” Plan de producción intuitivo: Producir
tantos veleros como sea posible (100), y el resto barcos a motor (50)
Beneficio: 120.000 + 50.000 = 170.000 Plan de producción óptimo (con Excel
Solver): 65 veleros, y 120 barcos a motor. Beneficio: E 198.000
Diferencia: E 28.000 !!
MODELOS MATEMATICO Elementos de un modelo:
NúmerosFórmulas: relaciones entre datos
Número: beneficio/unidad velero (E 1.200)
Fórmula: beneficio: =SUMPRODUCT(B5:C5;B19:C19)
Principio fundamental: Separar Números y Fórmulas
Muy Importante: Documentar el modelo
LA “D” DE LA OPTIMIZACIÓN: VALORES DUALES
Solución óptima: VELEROS = 65, BMOTOR = 120 Excel Solver: da más información (en algunos
casos): ¿Cuál es el valor económico de los recursos? En la solución óptima,
Cantidad usada disponibleTela 260 400Fibra vid. 1000 1000Motores 120 120 Recursos críticos: fibra de vidrio y motores ¿Cuál es el valor de una unidad extra de cada
recurso? Respuesta: valores Duales/precios sombra
LA D DE LA OPTIMIZACIÓN (CONT.) Precio sombra del recurso Tela: E 0 Precio sombra del recurso Fibra de
vidrio: E 150 Precio sombra del recurso Motores: E
400 Ej: ¿En cuánto aumentaría el beneficio
óptimo si tuviésemos un motor adicional?Respuesta: en E 400
¿Y si tuviésemos una unidad adicional de tela? Respuesta: en E 0
Si nos ofrecen un motor adicional a un precio de mercado de E 450, ¿nos interesará comprarlo?
INVESTIGACION DE OPERACIONES
Programación Lineal
2.2 EL PROBLEMA DE LA INDUSTRIA DE JUGUETES “GALAXIA”.
Galaxia produce dos tipos de juguetes:* Space Ray
* Zapper
Los recursos están limitados a:
* 1200 libras de plástico especial.
* 40 horas de producción semanalmente.
Requerimientos de Marketing.
* La producción total no puede exceder de 800 docenas.
* El número de docenas de Space Rays no puede exceder al
número de docenas de Zappers por más de 450.
Requerimientos Tecnológicos.
* Space Rays requiere 2 libras de plástico y 3 minutos de
producción por docena.
* Zappers requiere 1 libra de plástico y 4 minutos de producción
por docena.
Plan común de producción para:
* Fabricar la mayor cantidad del producto que deje mejores
ganancias, el cual corresponde a Space Ray ($8 de utilidad
por docena).
* Usar la menor cantidad de recursos para producir Zappers,
porque estos dejan una menor utilidad ($5 de utilidad por
docena).
El plan común de producción consiste en:
Space Rays = 550 docenas
Zappers = 100 docenas
Utilidad = $4900 por semana
EL MODELO DE PROGRAMACIÓN LINEAL PROVEE UNA SOLUCIÓN
INTELIGENTE PARA ESTE PROBLEMA
SOLUCIÓN Variables de decisión
* X1 = Cantidad producida de Space Rays (en docenas por
semana).
* X2 = Cantidad producida de Zappers (en docenas por
semana).
Función objetivo
* Maximizar la ganancia semanal.
Modelo de Programación Lineal
Max Z = 8X1 + 5X2 (ganancia semanal)
Sujeto a:
2X1 + 1X2 <= 1200 (Cantidad de plástico)3X1 + 4X2 <= 2400 (Tiempo de producción) X1 + X2 <= 800 (Limite producción total) X1 - X2 <= 450 (Producción en exceso) Xj >= 0 , j= 1, 2. (Resultados positivos)
2.3 CONJUNTO DE SOLUCIONES FACTIBLES PARA EL MODELO LINEAL.
El conjunto de puntos que satisface todas las
restricciones del modelo es llamado:
REGION FACTIBLE
USANDO UN GRAFICO SE PUEDEN REPRESENTAR
TODAS LAS RESTRICCIONES, LA FUNCION OBJETIVO Y LOS TRES TIPOS DE
PUNTOS DE FACTIBILIDAD.
1200
600
The Plastic constraint
Factible
Restricción del plástico: 2X1+X2<=1200
X2
No Factible
Horas deProducción3X1+4X2<=2400
Restricción del total de producción: X1+X2<=800
600
800
Restricción del exceso de producción:X1-X2<=450
• Tipos de puntos de factibilidadPunto Inferior
Punto MedioPunto Extremo
X1
Recalcular la región factible
600
800
1200
400 600 800
X2
X1
comenzar con una ganancia dada de = $2,000...
Utilid. = $ 000 2,
Entonces aumente la ganancia...
3,4,
...y continúe hasta que salga de la región factible
Ganancia =$5040
600
800
1200
400 600 800
X2
X1
Se toma un valor cercano al punto óptimo
FeasibleregionRegiónFactible
Región no factible
Resumen de la solución óptima
Space Rays = 480 docenasZappers = 240 docenasGanancia = $5040
* Esta solución utiliza todas las materias primas (plástico) y
todas las horas de producción.
* La producción total son 720 docenas (no 800).
* La producción de Space Rays excede a la de Zappers por solo
240 docenas y no por 450.
Soluciones óptimas y puntos extremos.
* Si un problema de programación lineal tiene una solución
óptima, entonces esta corresponde a un punto extremo.
Múltiples soluciones óptimas.
* Cuando existen múltiples soluciones óptimas implica que la
función objetivo es una recta paralela a uno de los lados
de la región factible.
2.5 ANÁLISIS DE SENSIBILIDAD PARA LA SOLUCIÓN ÓPTIMA.
¿Es sensible la solución óptima a cambios en los parámetros de entrada?
Posibles razones para responder la pregunta anterior:
* Los valores de los parámetros usados fueron los mejores
estimados.
* Medio ambiente por ser dinámico puede producir cambios.
* El análisis del “qué pasa si” puede proveer información
económica y operacional.
2.6 ANÁLISIS DE SENSIBILIDAD DE LOS COEFICIENTES DE LA
FUNCIÓN OBJETIVO
Rango de optimalidad La solución óptima permanecerá inalterable mientras:
Un coeficiente de la función objetivo se encuentre dentro del rango de optimalidad.
No hay cambios en ningún otro parámetro.
El valor de la función objetivo cambiará si el coeficientemultiplica una variable cuyo valor es distinto de cero.
LOS EFECTOS DE LOS CAMBIOS EN UN COEFICIENTE DE LA FUNCIÓN OBJETIVO, SOBRE LA SOLUCIÓN ÓPTIMA
600
800
1200 X2
X1
Max 8x1 + 5x2
Max 4x1 + 5x2Max 3.75x1 + 5x2 Max 2x1 + 5x2
400 600 800
LOS EFECTOS DEL CAMBIO DE UN COEFICIENTE DE LA FUNCIÓN OBJETIVO, SOBRE LA SOLUCIÓN ÓPTIMA
600
800
1200
400 600 800
X2
X1Max8x1 + 5x2
Max 3.75x1 + 5x2
Max8x1 + 5x2
Max 3.75 x1 + 5x2M
ax 10 x1 + 5x23.75
10
Rango de optimalidad
2.7 ANÁLISIS DE SENSIBILIDAD DEL COEFICIENTE DEL LADO DERECHO
Cualquier cambio en el lado derecho de una restricción activa cambiará la solución óptima.
Cualquier cambio en el lado derecho de una restricción no activa que sea menor que la holgura o el exceso, no produce ningún cambio en la solución óptima.
PARA EL ANÁLISIS DE SENSIBILIDAD DE LA VALIDEZ DE LOS COEFICIENTE DEL LADO
DERECHO NOS INTERESA RESPONDER LAS SIGUIENTES PREGUNTAS :
¿ Manteniendo todos los otros coeficientes , en cuánto cambiaría el valor óptimo de la función objetivo (por ejemplo, la ganancia) si el coeficiente del lado derecho de una restricción cambia en una unidad?
¿ Hasta cuántas unidades se puede agregar o disminuir para que la solución siga siendo válida?
1200
600
X2
Restricción materiales (plásticos)
FeasibleX1
600
800
Restricción del tiempo de producción
Ganancia máxima= 5040
2x1 + 1x2 <=1200
Nueva restricción materiales (plásticos)2x1 + 1x2 <=1350 Combinación de restricciones en la producción
Puntos extremos
2.8 OTROS CAMBIOS PARA OPTIMIZAR LA FUNCIÓN OBJETIVO
La incorporación de una restricción. La eliminación de una restricción. La incorporación de un variable. La eliminación de un variable. Cambio en el lado izquierdo de los
coeficientes.
2.9 MODELO SIN SOLUCIÓN ÓPTIMA
No factible: Ocurre cuando en el modelo no hay ningún punto factible.
No acotado: Ocurre cuando el objetivo puede crecer infinitamente (objetivo a maximizar).
INFACTIBILIDAD
Ningún punto se encuentra, simultáneamente, sobre la línea
la línea y1
2
3 1
2 3
SOLUCIÓN NO ACOTADA
La región factible
Maximizar
La función objetivo
2.11 SOLUCIÓN PARA PROBLEMAS LINEALES CON MUCHAS VARIABLES DE DECISIÓN USANDO EL COMPUTADOR Los paquetes de programas lineales resuelven
grandes modelos lineales. La mayoría de los software usan la técnica
algebraica llamada algoritmo Simplex. Los paquetes incluyen: El criterio de la función objetivo (Max o Min). El tipo de cada restricción: . Los coeficientes reales para el problema.
, ,
LA SOLUCIÓN GENERADA POR UN SOFTWARE DE PROGRAMACIÓN LINEAL INCLUYE:
Los valores óptimos de la función objetivo. Los valores óptimos de las variables de
decisión. La minimización del costo para los coeficientes
de la función objetivo. Los rangos de optimización para los
coeficientes de la función objetivo. La cantidad de holgura o exceso sobre cada
restricción. Los precios sombra (o dual) para las
restricciones. Los rangos de factibilidad para el coeficiente
del lado derecho.