1

A NUESTROS PADRES












2

SUMARIO

CAPITULO I: MODELOS DE OPTIMIZACION..09
1.1. Optimizacin.06
1.1.1. Definicin06
1.1.2. Control Optimo..06
1.2. Investigacin de la Optimizacin...10
1.3. Modelos de Optimizacin...12
1.3.1. Modelo y Modelado..12
1.3.2. Etapas en el Desarrollo de un Modelo..14
1.4. Programacin Lineal17
1.4.1. Modelos de Programacin Lineal..22
1.4.2. La Importancia de la Linealidad.23
1.4.3. Parmetros24
1.5. Procedimientos de Resolucin de Programacin Lineal...25
1.5.1. El Algoritmo Simplex....25
1.5.2. Los Mtodos de Punto Interior...27






3




PROLOGO

Los problemas del mundo real son, en general, no lineales enteros mixtos y de
gran dimensin. Poder resolver esa clase de problemas es de vital importancia
para todo profesional. Encontrar la solucin ptima a estos problemas suele ser
nuestro principal objetivo, aunque muchas veces nos alcanza con encontrar
soluciones con ciertas caractersticas, aunque se trate de un resultado sub
ptimo y conocer la calidad de esta solucin.
Es conveniente tener disponibles algoritmos eficientes y robustos para la
resolucin es esa clase de problemas. El software R, ha demostrado ser muy
eficiente para programar e implementar las tcnicas estadsticas y los
algoritmos de Optimizacin ms tradicionales.
Mediante este libro pretendemos divulgar el desarrollo y la programacin de los
algoritmos ms tradicionales y conocidos de optimizacin. Adems
presentamos su implementacin en R. Para encontrar soluciones ptimas
desarrollamos algoritmos de optimizacin y para encontrar soluciones cuasi
ptimas desarrollamos algoritmos metaheursticos.




4




INTODUCCION

La optimizacin en proyectos mineros es la preocupacin constante de los
empresarios mineros para maximizar el resultado econmico de sus
inversiones. Dentro de este contexto se presenta el estudio denominado
Modelo de Optimizacin en Planificacin Minera a Cielo Abierto, tiene como
objetivo principal es mostrar a los profesionales en minera y afines, el
desarrollo de un modelo con programas: simples, prcticos, flexibles y
operativos; utilizando las bondades que nos da la informtica, para evaluar
rpidamente las alternativas de planificacin minera a cielo abierto que
permitan optimizar los parmetros que inciden econmicamente en una
operacin minera.
El presente estudio es un ejemplo de modelo en el que nicamente se analizan
las variables de Mina por lo extenso que resultara abarcar las variables de
Planta de Beneficio , Comercializacin y otros que es compendio general de
todo proceso productivo de una operacin minera.
El Modelo es desarrollado con datos estadsticos de varias operaciones
mineras que sirven como base para la elaboracin de hojas de clculo en las
que se tienen una entrada de datos bsicos de: diseo, econmicos, y
operativos que permitan efectuar simulaciones del ciclo de minado: perforacin,
voladura, carguo, acarreo y operaciones auxiliares; adicionando clculo de
5

personal, costos operativos y costos de capital. La base de datos de entrada es
variable y est de acuerdo al proyecto que se va a desarrollar, considerando la
magnitud de reservas, capacidad de planta y otros que tienen que estar ya
definidos datos que determinaran en el modelo los parmetros de diseo y
operativos ; los algoritmos utilizados en el modelo son producto de informacin
estadstica de varios proyectos en desarrollo y estn ajustados en base de
datos reales .El Modelo est desarrollado solo en Excel y la base de datos a
travs de algoritmos matemticos , macros y otras herramientas de Excel se
obtiene como resultado tablas de sensibilidad econmica , que permiten
optimizar la planificacin de la mina, maximizando el resultado econmico del
proyecto.

Con este mismo modelo tambin se puede identificar debilidades para mejorar
un proyecto ya en ejecucin, optimizando las actividades que ms influyen en
los costos, para una mejora continua de las operaciones y alcanzar la mayor
rentabilidad del proceso. Es tambin factible adecuarlo a operaciones de
minera subterrnea utilizando el modelo con datos de entrada que sean de
estadsticas de este tipo de operaciones para poder establecer mejoras en el
proceso.





6







CAPITULO I
MODELOS DE OPTIMIZACION
1.1. OPTIMIZACION
1.1.1. Definicin
Segn el diccionario Ocano:
Buscar la mejor manera de realizar una actividad. Mat. Maximizar
o Minimizar una determinada expresin.
Segn informacin de Internet:
Optimizacin es modificar el sistema para lograr el alcance de los
objetivos.

1.1.2. Control Optimo
El problema de optimizacin consiste en la seleccin de las
variables de control, tales que maximizan o minimizan un ndice
7

de optimizacin determinado, (por ejemplo, el costo de produccin
unitario) dentro de los enlaces, (por ejemplo las ecuaciones que
describen el objeto de control) puesta sobre las variables de
control que frecuentemente no son las variables independientes y
dentro de las limitaciones (por ejemplo, dentro de los rangos
invisibles de los campos).
El caso general.
I. Modelo del objeto de control.
( ) t u x f x , ,
.
=

(I)
x(t
0
)= x
0

(
(
(

=
0
20
10
0
n
x
x
x
x
(
(
(
(
(

= =

dt
x d
dt
dx
dt
x d
n
x
'
:
1
.

( )
( )
( )(
(
(

=
t u x f
t u x f
t u x f
n
, ,
:
, ,
, ,
1

(
(
(

=
n
x
x
x
x
2
1

u(t) x(t) = y(t)
(
(
(

=
p
u
u
u :
1


8

II. Las Limitaciones de Variables de Control
gi(u)<=0 ; i = 1, 2, ... ,p (II)
gi : son en las posiciones no lineales.
bi ui ai s s ; i = 1, 2, , r
Mi Ui s ; i = 1, , p (IIa)
-Mi <= Ui <= Mi
Du el conjunto de los controles admisibles
U E Du son los controles admisibles
III. El ndice de Optimizacin
( ) ( ) | | ( )
}
=
+ O =
r
t
t
r r
dt t u x f t t x u Q
0 0
, , ,
0
(III)
x(t
1
) forma explcita de la descripcin del estado final.
( ) | | 0 =
r r
t t x la funcin implcita de la descripcin del
estado final.
(
(
(

=
n

2
1
Funciones generalmente no lineal.
( ) | |
r
t t x ,
1
O Funcin derivable respecto a sus argumentos.
| | t u x f , ,
0
La funcin de las prdidas instantneas derivable
respecto de las variables de estado

9

El problema de determinacin del control optimo consiste
en la determinacin del control admisible (que cumple con
las limitaciones) que satisface las ecuaciones que
describen el objeto de control (el modelo del objeto de
control) y que garantiza el valor extremo (mximo o
mnimo) del ndice de optimizacin (que es una funcional)
cambiando el estado del sistema controlado, del estado
inicial al estado final en tiempo predeterminado o no.
(4)

-El problema de BOLTZA cuando el indice de optimizacion
tiene la forma:
( ) ( ) | | ( )
}
=
+ O =
r
t
t
r r
dt t u x f t t x u Q
0 0
, , ,
0
(III)
-El problema de MAYER, cuando ( ) 0 , ,
0
t x u f
( ) ( ) | |
r r
t t x u Q , O = (IIIa)
-El problema de LAGRANGE, cuando ( ) | | 0 O
r r
t t x
( ) ( )
}
=
=
r
t
t
dt t x u f u Q
0 0
, ,
0
(IIIb)
-El problema optimo en tiempo cuando
( ) | | 0 O
r r
t t x ( ) 1 , ,
0
t u x f
( )
r
t u Q = (IIIc)
La sntesis de control optimo, consiste en la bsqueda del
modo de cambiar en funcin del tiempo del control u(t) que
controla el sistema (objeto de control) descrito por las
10

ecuaciones I de tal manera que el ndice de optimizacin III
(IIIa, IIIb, o IIIc) obtiene su valor extremo y simultneamente el
control u(t) es el control admisible, es decir cumplen las
condiciones II o IIa trasladando el sistema I del estado inicial
x
0
al estado final x(t
r
) en un tiempo t
r
. x
0
- x(t
r
)
El problema de la bsqueda de control ptimo en el sistema
cerrado se llama el problema de la sntesis del controlador
ptimo de estado. En este caso se busca el control U
opt
(x,t),
que es una funcin del tiempo y de las variables de estado (se
supone que las variables de estado son simultneamente las
variables de salida del objeto de control).

1.2. Investigacin de la Optimizacin
Dentro de la investigacin operativa, las tcnicas de optimizacin se
enfocan en determinar la poltica a seguir para maximizar o minimizar la
respuesta del sistema. Dicha respuesta, en general, es un indicador del
tipo Costo, Produccin, Ganancia, etc., la cual es una funcin de la
poltica seleccionada. Dicha respuesta se denomina objetivo, y la funcin
asociada se llama funcin objetivo.
Pero, qu entendemos cmo poltica? Una poltica es un determinado
conjunto de valores que toman los factores que podemos controlar a fin
de regular el rendimiento del sistema. Es decir, son las variables
independientes de la funcin que la respuesta del sistema.
Por ejemplo, supongamos que deseamos definir un mix de cantidad de
operarios y horas trabajadas para producir lo mximo posible en una
11

planta de trabajos por lotes. En este ejemplo, nuestro objetivo es la
produccin de la planta, y las variables de decisin son la cantidad de
operarios y la cantidad de horas trabajadas. Otros factores afectan a la
produccin, como la productividad de los operarios, pero los mismos no
son controlables por el tomado de decisiones. Este ltimo tipo de
factores se denominan parmetros.
En general, el quid de la cuestin en los problemas de optimizacin
radica en que estamos limitados en nuestro poder de decisin. Por
ejemplo, podemos tener un tope mximo a la cantidad de horas
trabajadas, al igual que un rango de cantidad de operarios entre los que
nos podemos manejar. Estas limitaciones, llamadas restricciones,
reducen la cantidad de alternativas posibles, definiendo un espacio
acotado de soluciones factibles (y complicando, de paso, la resolucin
del problema). Observen que acabamos de hablar de soluciones
factibles.
Y es que, en optimizacin, cualquier vector con componentes apareadas
a las variables independientes que satisfaga las restricciones, es una
solucin factible, es decir, una poltica que es posible de implementar en
el sistema. Dentro de las soluciones factibles, pueden existir una o ms
soluciones ptimas, es decir, aquellas que, adems de cumplir con todas
las restricciones, maximizan (o minimizan, segn sea el problema a
resolver) el valor de la funcin objetivo.
Resumiendo, un problema de optimizacin est compuesto de los
siguientes elementos:
- Un conjunto de restricciones
12

- Un conjunto de soluciones factibles, el cual contiene todas las
posibles combinaciones de valores de variables
independientes que satisfacen las restricciones anteriores.
- Una funcin objetivo, que vincula las soluciones factibles con
la performance del sistema.
1.3. Modelos de Optimizacin
1.3.1. Modelo y modelado
Modelo: esquema terico, generalmente en forma terica, de un
sistema o de una realidad compleja (por ejemplo, la evolucin
econmica de un pas), que se elabore para facilitar su
compresin y el estudio de un comportamiento. Diccionario de la
lengua espaola. Real academia espaola.
Un modelo es una representacin matemtica simplificada de una
realidad compleja. Modelar es la accin de construir un modelo, de
encorsetar la realidad. Implica la relacin entre dos figuras: el
modelador (encargado de la especificacin y desarrollo del modelo) y el
experto sobre la realidad (conocer el problema real). La mayora de las
veces, el desarrollo de un modelo puede involucrar a un equipo
multidisciplinar compuesto por matemticos, estadsticos, ingenieros,
economistas, psiclogos, etc. Que aporten diferentes perspectivas y
conocimiento en la representacin de la realidad. Un modelo debe
equilibrar la necesidad de contemplar todos los detalles con la
factibilidad de encontrar tcnicas de solucin adecuadas.
Un modelo es, en definitiva, una herramienta de ayuda a la toma de
decisiones. Por esta razn, sus resultados deben ser inteligibles y tiles.
13

Modelar se puede entender simultneamente como ciencia y arte. Es
una ciencia pues se basa en un conjunto de procesos estructurados:
anlisis y deteccin de las relaciones entre los datos, establecimientos
de suposiciones y aproximaciones en la representacin de los
problemas, desarrollando o uso de algoritmos especficos de solucin.
Es un arte porque materializa una visin o interpretacin de la realidad
no siempre de manera univoca. Cada persona imprimir su estilo en el
modelo mismo y en la especificacin, en el desarrollo y en la
documentacin. Bsicas o herramientas de apoyo.
Entre los benficos explcitos o implcitos, tanto para el modelador como
para el experto, derivados del proceso de modelado adems del modelo
en s mismo se pueden mencionar:
Ayuda a establecer un dialogo con intercambio de informacin
entre el modelador y el experto.
Organiza los datos, la informacin disponible sobre el tema.
Organiza, estructura y mejora la compresin del sistema.
Internaliza la estructura organizativa de la empresa.
Permite compartir supuestos y resultados entre el modelador y el
experto.
Proporciona un entorno gil para el anlisis y la sensibilidad.
Indica la direccin de mejora en las decisiones.
Se tratara exclusivamente de modelos de optimizacin, es decir,
aquellos donde existen un conjunto de variables de decisin que deben
maximizar/minimizar una funcin objetivo sometidas a un conjunto de
restricciones. Los modelos de programacin lineal son ms utilizados
14

que todos los otros tipos de optimizacin juntos y abarcan cualquier tipo
de actividad humana como micro y macroeconoma, finanzas, marketing,
economa de procesos, asignacin de tareas, ingeniera de minas, etc.
Como referencias generales de modelo de problemas de optimizacin
que se pueden utilizar en la enseanza de pregrado o postgrado cabe
citar a Schrage, 1997 y Williams, 1999.
1.3.2. Etapas en el Desarrollo de un Modelo
Las etapas que componen el ciclo de vida de un modelo son las
siguientes:
- Identificacin de Problema: Consiste en la recoleccin y
anlisis de la informacin relevante para el problema, en el
intercambio de informacin entre el modelador y el experto,
en establecer una relacin simbitica y una estrecha
coordinacin entre ambos.
Los problemas reales suelen estar definidos en trminos
vagos e imprecisos. Se debe hacer la terea de traduccin o
interpretacin en frases precisas, convertibles en
ecuaciones matemticas. En esta etapa se establecen y
documentan los supuestos realizados que en etapas
posteriores debern ser validados.
Esta etapa es fundamental para que las soluciones
proporcionadas, las conclusiones obtenidas sean tiles, las
decisiones adoptadas sean correctas. Los datos suelen ser
vitales para conseguir un realismo o aplicabilidad en las
15

soluciones. A menudo representan el cuello de botella del
proceso de modelado.
- Especificacin Matemtica y Formulacin: Escritura
matemtica del problema de optimizacin, definiendo sus
variables, sus ecuaciones, su funcin objetivo, sus
parmetros. En esta etapa se analiza el tamao del
problema, la estructura de la matriz de restricciones, su tipo
(LP, MIP, NLP). Es una etapa de creacin donde se debe
prestar especial atencin a la precisin en la formulacin y
a la escritura de las ecuaciones que describen el problema.
En LP la eleccin de una formulacin de un problema,
aunque importante, no afecta de manera significativa la
resolucin del mismo. Sin embargo, en NLP o MIP la
eleccin de la formulacin es crucial. Pueden existir
diversas alternativas de modelado que afecten de manera
fundamental en la resolucin del mismo, existiendo un
desarrollo cada vez mayor en la reformulacin de
problemas.
La caracterizacin de un problema LP segn su tamao
resulta difcil y ha sufrido un gran cambio desde los
recientes desarrollos de algoritmos simplex mejorados y,
sobre todo, desde la aparicin de los mtodos de punto
interior. En la tabla 1.1 se pone una clasificacin de tipos
de problemas de LP segn su tamao. Esta clasificacin
debe ser tomada como gua o referencia relativa actual
16

pero tngase en cuenta que los tamaa relativos de los
problemas cambiaran conforme evolucionen los cdigos de
optimizacin. Actualmente se puede afirmar que los
cdigos de optimizacin lineal implantan algoritmos muy
eficientes, son fiables y numricamente robustos y estn
ampliamente disponibles.

- Resolucin: Se trata de implantar un algoritmo de
obtencin de la solucin numrica (muy prxima a la
matemtica) optima o cuasi ptima. El algoritmo puede ser
de propsito general (mtodo simplex) o especifico. Puede
haber diferentes mtodos de solucin de un problema o
diferentes implantaciones de un mismo mtodo. El tiempo
de resolucin de un problema tambin puede depender
drsticamente de como este formulado.
La solucin ptima debe ser suficientemente satisfactoria,
debe ser una gua de actuacin para el experto.
- Verificacin, Validacin y Refinamiento: Esta etapa
conlleva a la eliminacin de los errores en la codificacin,
es decir, conseguir que el modelo haga lo que se ha
especificado matemticamente en la etapa anterior
17

mediante su escritura en un lenguaje informtico (depurar y
verificar). Es necesario comprobar la validez de las
simplificaciones realizadas a travs de los resultados
obtenidos, incluso contrastando estos con situaciones
reales ya trascurridas (validar) o comprobando que los
resultados son coherentes con respecto a lo que sucedera
en la realidad.
Esta etapa de verificacin, validacin y comprobacin da
lugar a nuevas necesidades de refinamiento en el
modelado para mejorar la capacidad de representacin del
sistema. Por ejemplo, eliminar la linealidad y hacer el
modelo no lineal o hacer el modelo estocstico si la
realidad lo fuera. Adems, tambin se puede abordar el
refinamiento matemtico en la formulacin del problema
para hacerla ms eficaz.

1.4. Programacin Lineal
La programacin lineal muchas veces es uno de los temas preferidos
tanto de profesores como de alumnos. La capacidad de introducir la PL
utilizando un abordaje grfico, la facilidad relativa del mtodo de
solucin, la gran disponibilidad de paquetes de software de PL y la
amplia gama de aplicaciones hacen que la PL sea accesible incluso para
estudiantes con poco conocimiento de matemtica. Adems, la PL
brinda una excelente oportunidad para presentar la idea del anlisis
18

what-if o anlisis de hiptesis ya que se han desarrollado herramientas
poderosas para el anlisis de post optimalidad para el modelo de PL.
La Programacin Lineal (PL) es un procedimiento matemtico
para determinar la asignacin ptima de recursos escasos. La PL
es un procedimiento que encuentra su aplicacin prctica en casi
todas las facetas de los negocios, desde la publicidad hasta la
planificacin de la produccin. Problemas de transporte,
distribucin, y planificacin global de la produccin son los objetos
ms comunes del anlisis de PL. La industria petrolera parece ser
el usuario ms frecuente de la PL. Un gerente de procesamiento
de datos de una importante empresa petrolera recientemente
calcul que del 5% al 10% del tiempo de procesamiento
informtico de la empresa es destinado al procesamiento de
modelos de PL y similares.
La programacin lineal aborda una clase de problemas de
programacin donde tanto la funcin objetivo a optimizar como
todas las relaciones entre las variables correspondientes a los
recursos son lineales. Este problema fue formulado y resuelto por
primera vez a fines de la dcada del 40. Rara vez una nueva
tcnica matemtica encuentra una gama tan diversa de
aplicaciones prcticas de negocios, comerciales e industriales y a
la vez recibe un desarrollo terico tan exhaustivo en un perodo
tan corto. Hoy en da, esta teora se aplica con xito a problemas
de presupuestos de capital, diseo de dietas, conservacin de
19

recursos, juegos de estrategias, prediccin de crecimiento
econmico y sistemas de transporte. Recientemente la teora de
la programacin lineal tambin contribuy a la resolucin y
unificacin de diversas aplicaciones.
Es importante que el lector entienda desde el comienzo que el
trmino "programacin" tiene un significado distinto cuando se
refiere a Programacin Lineal que cuando hablamos de
Programacin Informtica. En el primer caso, significa planificar y
organizar mientras que en el segundo caso, significa escribir las
instrucciones para realizar clculos. La capacitacin en una clase
de programacin tiene muy poca relevancia directa con la otra
clase de programacin. De hecho, el trmino "programacin
lineal" se acu antes de que la palabra programacin se
relacionara con el software de computacin. A veces se evita esta
confusin utilizando el trmino optimizacin lineal como sinnimo
de programacin lineal.
Cualquier problema de PL consta de una funcin objetivo y un
conjunto de restricciones. En la mayora de los casos, las
restricciones provienen del entorno en el cual usted trabaja para
lograr su objetivo. Cuando usted quiere lograr el objetivo deseado,
se dar cuenta de que el entorno fija ciertas restricciones (es
decir, dificultades, limitaciones) para cumplir con su deseo (vale
decir, el objetivo). Es por eso que las religiones, como el Budismo
entre otras, prescriben vivir una vida abstemia. Sin deseo, no
20

hay dolor. Puede usted seguir este consejo con respecto a su
objetivo de negocios?
Qu es una funcin: una funcin es una cosa que hace algo. Por
ejemplo, una mquina de moler caf es una funcin que
transforma los granos de caf en polvo. La funcin (objetivo)
traza, traduce el dominio de entrada (denominado regin factible)
en un rango de salida con dos valores finales denominados
valores mximo y mnimo.
Cuando se formula un problema de toma de decisiones como un
programa lineal, se deben verificar las siguientes condiciones:
1. La funcin objetivo debe ser lineal. Vale decir que se debe
verificar que todas las variables estn elevadas a la primera
potencia y que sean sumadas o restadas (no divididas ni
multiplicadas);
2. El objetivo debe ser ya sea la maximizacin o minimizacin de
una funcin lineal. El objetivo debe representar la meta del
decisor; y
3. Las restricciones tambin deben ser lineales. . Asimismo, la
restriccin debe adoptar alguna de las siguientes formas ( , , O
=, es decir que las restricciones de PL siempre estn cerradas).
Por ejemplo, el siguiente problema no es un problema de PL: Max X,
sujeta a < 1. Este problema tan sencillo no tiene solucin.
21

Como siempre, se debe tener cuidado al categorizar un problema de
optimizacin como un problema de PL. El siguiente problema es un
problema de PL?
Max X2
sujeta a:
X1 + X2 0
X1
2
- 4 0
Aunque la segunda restriccin parece "como si" fuera una restriccin no
lineal, esta restriccin puede escribirse tambin de la siguiente forma:
X1 -2, y X2 2.
En consecuencia, el problema es de hecho un problema de PL.
Para la mayora de los problemas de PL, podemos decir que existen dos
tipos importantes de objetos: en primer lugar, los recursos limitados,
tales como terrenos, capacidad de planta, o tamao de la fuerza de
ventas; en segundo lugar, las actividades, tales como "producir acero
con bajo contenido de carbono", y "producir acero con alto contenido de
carbono". Cada actividad consume o probablemente contribuye
cantidades adicionales de recursos. Debe haber una funcin objetivo, es
decir, una manera de discriminar una mala de una buena o una mejor
decisin. El problema es determinar la mejor combinacin de niveles de
actividades, que no utilice ms recursos de los disponibles. Muchos
gerentes se enfrentan a esta tarea todos los das. Afortunadamente, el
software de programacin lineal ayuda a determinar esto cuando se
ingresa un modelo bien formulado.
22

El mtodo Simplex es un algoritmo de solucin muy utilizado para
resolver programas lineales. Un algoritmo es una serie de pasos para
cumplir con una tarea determinada.
1.4.1. Modelos de Programacin Lineal
El problema bsico de Programacin Lineal consiste en minimizar
una funcin objetivo lineal de variables lineales continuas, sujetas
a (s.a.) restricciones lineales. Se considera que una funcin es
lineal si es una combinacin lineal de las variables consideradas.
Una expresin estndar de un problema de Programacin Lineal
es:

La regin de factibilidad es un poliedro y al menos una solucin
ptima es un vrtice del citado poliedro.
Aunque la versin estndar del problema de Programacin lineal
es de minimizacin, los problemas pueden ser tambin de
maximizacin. Que las variables tengan un solo subndice es
porque finalmente todo se puede reducir al uso de un nico
subndice, pero la mayor parte de los problemas utilizan variables
con ms de un ndice.
23

1.4.2. La Importancia de la Linealidad
Los modelos de Programacin Lineal exigen que tanto las
expresiones de las restricciones como de los objetivos se hagan
de modo lineal. Esto quiere decir que no pueden aparecer
expresiones del tipo x
1
, x
2
, e
x1
o x
1
3
. Para muchos problemas
prcticos esta es una consideracin que impide el uso de la
Programacin Lineal (aunque existen modos de reconvertir
modelos de Programacin no-Lineal en modelos de Programacin
Lineal).
La principal razn por la que los modelos de Programacin Lineal
son preferibles es porque son mucho ms fciles de resolver. Los
modelos de Programacin Lineal son ms fciles de resolver
puesto que en el espacio de soluciones factibles siempre ser
posible encontrar una solucin en un vrtice, reduciendo de este
modo el espacio de posibles soluciones ptimas a un nmero
finito de las mismas.
Desde luego en cada ocasin hay que comprobar que es posible
resolver mediante Programacin Lineal, es decir, comprobar que
el modelo se ajusta suficientemente a la realidad.
1.4.3. Parmetros
Quiz uno de los aspectos ms curiosos para el modelador novel
son los parmetros de los modelos.
No se sabe exactamente se suele asumir que los parmetros del
modelo existen, son ciertos y son conocidos.
24

El modelador inexperto suele tener la conciencia de que los datos
estn dados. El modelador quiere creer que valores como el
coste o la duracin de un cambio de partida, el ritmo de
produccin o su coste asociado, la capacidad de la mquina
(medida en horas, en unidades?), el precio de los productos, o el
nivel de stock en un momento dado para un determinado
producto, es conocido.
Esto no es as en prcticamente ninguna empresa para casi
ningn dato. Comenzando por la demanda que siempre es
incierta por sus propias caractersticas, siguiendo por los costes
que dependen del modo de clculo y que en nuestro caso son
siempre de oportunidad y por tanto inaprensibles antes de tener
la solucin al problema, pero tambin para parmetros que
podran ser ms objetivos como los niveles de stock o los ritmos
de produccin en general ni estn ni se les espera en ningn
sistema de informacin que se precie.
Hara bien cualquier modelador en dudar, hasta el ltimo
momento de la calidad de los datos de partida. Lo que no hara
bien es en dudar de la bondad de estimarlos y trabajar como si
existieran. En algunos casos la mera existencia de un sistema
que los utilice permitir reducir la incertidumbre de los mismos.
En otros casos el sistema es poco sensible al dato concreto, y un
ajuste (tuning) de la primera aproximacin permitir obtener
resultados ms que suficientes.
25

Por ltimo, si sigue persistiendo la duda respecto a la validez de
los datos es en ese momento cuando el modelado matemtico
ms sentido adquiere. Pues permite, mediante la resolucin
iterativa de problemas, hacer un anlisis de sensibilidad que
mejore (y mejora) la percepcin que se tiene del problema.
Pero tambin hay mtodos de considerar explcitamente la
incertidumbre en los parmetros como la programacin
estocstica o el uso de Programacin Fuzzy.
1.5. Procedimientos de Resolucin de Programacin Lineal
Se proponen en este apartado los principios en los que se basan el
mtodo de resolucin conocido como Simples. Este mtodo se utiliza
desde su desarrollo a mediados de los 50. En la dcada de los 80 se
desarrollaron nuevos mtodos como los de Punto Interior o el Mtodo de
los Elipsoides, que no se tratarn en estos apuntes.
1.5.1. El algoritmo Simplex
No es objeto de este apartado establecer concretamente cmo
funciona el algoritmo del Simplex. Sin embargo s es necesario
destacar los principios bsicos de funcionamiento.
Dado un problema de Programacin Lineal, ste se debe expresar
de forma estndar (maximizacin y desigualdades menor-iguales
o minimizacin y desigualdades mayor-iguales).

26

Las restricciones se pueden expresar mediante notacin matricial
de modo:

Se obtiene una solucin bsica al problema A x b haciendo n-
m variables iguales a 0 (para convertir el problema en linealmente
independiente y determinado). A las variables definidas como
nulas se les denomina variables no-bsicas, y a las dems,
variables bsicas. Si existe solucin para el problema planteado
con la n-m variables no bsicas definidas, entonces a esa solucin
se le denomina solucin bsica factible.
Las soluciones bsicas factibles generan los vrtices de un
poliedro convexo. 1 En uno de estos vrtices se encuentra el
ptimo si este existe. Se dice que dos vrtices son adyacentes si
sus conjuntos de variables bsicas tienen m-1 variables bsicas
en comn.
El algoritmo simplex consiste, bsicamente, en desplazarse de un
vrtice a otro adyacente (empezando por uno cualquiera) hasta
que cualquier movimiento empeore la funcin objetivo.
El algoritmo simplex clsico, ha sido revisado, en diferentes
ocasiones. De l han salido procedimientos, denominados simplex
revisados, en los que se hace un especial hincapi en la
estructura matricial y por tanto en el clculo matricial, reduciendo
notablemente el coste computacional.

1.5.2. Los Mtodos del Punto Interior
27

Los mtodos del punto interior se basan en que el progreso de las
soluciones se realiza en el interior de la regin factible, y no a
travs de los vrtices de la misma como hace el mtodo Simplex.
La estrategia del algoritmo del punto interior es implementar, en
el espacio original de la regin de factibilidad, transformaciones a
media que avanza el algoritmo.
Una vez conocida la regin de factibilidad y un punto inicial e
interior al mismo, se debe definir un modo de progreso en una
direccin que permita reducir el valor de la funcin objetivo, y que
el nuevo punto siga siendo factible e interior.
Este proceso se debe repetir hasta que no pueda haber una
mayor reduccin en el valor de la funcin objetivo.
As pues las preguntas que hay que saber cmo responder son
tres:
1) Cmo encontrar un punto factible e interior?
2) Cmo definir el camino de evolucin?
3) Cmo se sabe que se ha alcanzado el ptimo?








28







CAPITULO II
APLICAIONES A LA MINERIA
2. Optimizacin de la explotacin minera
JOHN JESSOP A medida que el sector de los recursos sigue ganando
importancia, las empresas mineras de todo el mundo buscan maximizar la
produccin, mejorar la productividad, racionalizar los procesos y mejorar
la rentabilidad para maximizar los beneficios de sus operaciones. Sin
embargo, la compleja cadena de valor de la minera crea normalmente
empresas que estn estructuradas en diversas ramas o divisiones segn
su rea funcional o de conocimientos. En la mayora de los casos, cada
divisin trabaja independientemente, con poca o ninguna interaccin. La
realidad de las explotaciones multiemplazamiento aumenta an ms esta
complejidad. La existencia de estos silos funcionales hace que a las
compaas mineras les resulte difcil alcanzar el mximo rendimiento. Este
problema se acenta todava ms a causa de la falta de sistemas de
informacin que crucen estas divisiones funcionales. Ventyx, una empresa
de ABB, ofrece una serie completa de software para soluciones
integradas de minera que relaciona los silos funcionales y de informacin
que existen en la mayora de las empresas mineras. Incorporan sistemas
29

de apoyo a la empresa para gestionar todo el mecanismo auxiliar de la
minera, incluyendo los equipos, el mantenimiento, la logstica, la
produccin y el personal, as como los sistemas propios de la empresa
que cubren la extraccin, el procesamiento y la entrega de materias
primas. Esto se traduce en una mejora en las medidas de los indicadores
clave de rendimiento a lo largo de toda la cadena de valor.

La eliminacin de los silos funcionales es difcil, ya que existen Diversas
razones histricas y estructurales que apoyan la situacin, incluyendo la
distribucin geogrfica de las explotaciones, la complejidad del proceso
de planificacin, el mercado diversificado del software que presta
servicio al sector y la falta de concordancia entre las mediciones del
rendimiento.
Por ejemplo, en un entorno de minera de roca dura (por ejemplo, cobre
u oro), los ingenieros de minas suelen controlar los costes reduciendo
las voladuras.
30

Esto acaba por aumentar el coste global de las operaciones, porque se
entrega a la planta material mal fragmentado, lo que hace subir
espectacularmente los costes de molturacin y, lo que es ms
importante, disminuye el rendimiento.
2.1. La tirana de la distancia
Las explotaciones mineras suelen estar distribuidas sobre zonas
geogrficas extensas.
Por ejemplo, una cadena de suministro de mineral de hierro
puede incluir varias minas, varias plantas, una red ferroviaria y
uno o ms puertos, todos ellos dispersos a lo largo de varios
centenares de kilmetros. A su vez, la cadena de profesionales
responsables de ejecutar diferentes aspectos de las operaciones,
como gelogos, ingenieros de minas, metalrgicos, planificadores
de la cadena de abastecimiento y equipo de ventas, tambin se
encuentra geogrficamente dispersa.
Esto hace que la colaboracin diaria, informal, necesaria para
optimizar el negocio sea casi imposible.
Muchas empresas mineras responden a esta tirana de la
distancia mediante la creacin de centros de operaciones remotas
(ROC) que albergan y centralizan los procesos operativos
fundamentales en una instalacin nica, convenientemente
situada. Aunque esto tiene muchas ventajas, como una mayor
seguridad, menos desplazamientos y mejores condiciones de vida
para el personal clave, el resultado ms importante para muchas
empresas mineras consiste en reunir todos los das en una sala a
31

todos los responsables principales de la toma de decisiones para
garantizar que toda la operacin funciona ptimamente.
ABB tiene un largo historial de ayuda a otros sectores, como los
del papel, el petrleo y el gas, para que aumenten
espectacularmente su eficiencia mediante centros ROC y ha
incorporado ms recientemente esta experiencia al sector de la
minera.