1.

1NTRODUCCION
optimizacin es la ciencia del rea de las matemticas aplicadas que, estudia
principalmente la caracterizacin y dererrninacin de fas "mejores" soluciones a ciertos
modelos matemticos, los cuales generalmente corresponden a situaciones de la realidad o del
mundo real_ Este estudio considera entre otras cosas, la bsqueda de criterios de optirnalid.d
para dichos problemas, la proposicin de algoritmos de solucin. anlisis de las propiedades
de estos algoritmos y la experimentacin computacional con problemas de prueba y de la vida
real. En la vasta literatura relacionada con el tema se ha usado eI trmino "programacin"
corno sinnimo del trmino optimizacin y fue usado originalmente para referirse a la
optimizacin en el sentido de planificacin optimal corno por ejemplo: Programadn Lineal,
Programacin No-Lineal, Programacin Entera, Programacin Estocstica, Programacin
Dinmica, Programacin Geomtrica. Programacin Multi-Objetivo, Programacin de Metas
u Objetivos, entre otros.

El objetivo l'undarnental de este curso es, introducir al lector en el rea de la

optimizacin denominada Programacin No-Lineal, estudiando las principales condiciones
relacionadas con la caracterizacin de soluciones ptimas, como tambin, al?unos algoritmos
para determinar dichas soluciones.. Finalmente se desarrollan en forma detallada dos
aplicaciones concretas a problemas reales en Ingeniera.
1.1. Formulacin del Problema y Definiciones Bsicas.
La mayora de los problemas reales de optimizacin o ms especifica_mente, de la
Programacin No-Lineal pueden deffnirse de la siguiente forma:
Min 1-(x)
1=1,...,,n2

h-(x)0 , j=1 ..... p

XEX

(U

donde f g i , g 2 ,...,

h p son funciones numricas definidas en un dominio

comn contenido en R".

En general estas funciones se supondrn 2 veces continuamente diferenciables.
La funcin f es usualmente llamada la funcin objetivo, funcin de mrito, funcin de
costo, funcin de beneficio, etc_ etc. Las funciones g 1 .1=1,,m
restricciones de desigualdad y las funciones h, ./ =

se denominan las

p se denominan las restricciones de

igualdad. El conjunto X R usualmente representa a un conjunto de restricciones simples,

como por ejemplo, restricciones de cota en las variables.

Un vector x e X que satisface cada una de las restricciones se llamar solucin factible
del problema. El conjunto formado por todas las soluciones factibles se /lama Dominio o
Regin Factible. que denotaremos por D.

El problema (1.1) consiste en encontrar una solucin l'actible x

(x)

tal que

(x) Vx e D.
En este caso SP recibe el nombre de solucin ptima del problema.
A modo de ejemplo, consideremos el siguiente problema sencillo de programacin No-

Lineal:
Min

(x 3)2 +(xl 2)2

x2 t 3<0

x2 1 O
l

Suponiendo a priori que este problema admite solucin ptima, podemos resolverlo en
'roma geomtrica. En efecto. las curvas de nivel asociados a la funcin objetivo son

circunferencias concntricas en el punto (3,2) y entonces la (nica) solucin ptima de este

problema ser aquel punto de la curva de nivel correspondiente, tal que dicha curva es
tangente a la regin factible. En consecuencias. la solucin ptima de este problema, es el
punto (2.,1)., el cual pertenece a la curva de nivel: (x 1 3)2 +(x., 2)2 , k, con k

Cabe sealar que este medio de resolucin es muy particular ya que, slo podr
aplicarse, en general, a problemas sencillos en dos variables. Adems, aunque el problema
est compuesto por dos variables, puede contener cierta naturaleza de no diferenciabilidad ya

sea en la funcin objetivo o en alguna restricciones, entonces la resolucin por curvas de nivel
ser un poco ms compleja. Por ejemplo, basta definir el siguiente problema:

Min

xi x2+ maxix,2 +x2 1, O

(x 1 ,x 2 )eR 2

y entonces la determinacin por medios geomtricos. resulta ms dificil,

1.2. Ejemplos de Aplicacin.
En esta seccin veremos dos ejemplos de aplicaciones concretas, El primero est

relacionado con el diseo de estructuras y el segundo. con asignacin estocstica de recursos.

Otras aplicaciones interesantes pueden verse por ejemplo en [8a931.
1.2.1. Diseo Estructural: Estructuro de dos 13arras.
Consideremos una estructura plana la cual consiste de dos tubos de acero unidos en un
extremo y fijadas a dos puntos pivotes en el otro extremo,

La distancia entre los dos pivotes esta fijada en 2s. El problema de diseo es elegir la
altura de la estructura, el espesor y el dimetro promedio de los tubos de acero de modo que la
estructura soporte una carga de 2W mientras se minimiza el peso total de la estructura.
Denotemos d dimetro promedio de los tubos, el espesor de los tubos y la altura de la
estructura por: x l , x 2 y x 3 , respectivamente_ Luego el peso de la estructura viene dado

(2
por: 27z -pxi

s + xt2

d o n d e p e s l a d e n s i d a d d e i t u b o d e a c e r o , S e t i en en l as

siguientes restricciones:

a)

x 3 5 b 1 ( l i m i t a c i n d e es p a c i o )

b)

(limitacin en el dimetro del tubo respecto de su espesor)

31
2

1
h3 xl x-, .x (la tensin por compresin en los tubos no debe exceder la
c ) Y s
3
tensin permitida por el materia')

d)

,11y 2 ,x )

(2
2\
-x, x +x I (la altura, dimetro y espesor deben elegirse de tal [

forma que los tubos no se fatigen bajo la accin de la carga).

Resumiendo, se tiene el siguiente modelo de optimizacin:

xi x2 i s- -x33=bl5o
x 1 -th 2 x 2 O

xl x2 3

3/
rAv .71(S +x-2 )-b
2

,
( 2 ""
- 2'. ro<0

Izo

1 3 3c
A:

>0 x >0
1
-2

2-

>O
3-

1.2.2. Asignacin Estocstici tic Recursos.

Consideremos el siguiente problema de programacin lineal:
1

Max

Ax < b
x> O
donde c.xeR n heR m , A=fa i ,a. y ....,a n I es una matriz de orden m x n. Este
problema puede interpretarse como un modelo de asignacin de recursos, En efecto.
supongamos que se tienen m recursos representado por el vector h. La columna a de
A, representa la actividad j, y la variable x

representa el nivel de la actividad a ser

seleccionada, j .1,...,11, La actividad i en el nivel x i consume a i x de [os recursos

disponibles; de aqu se tiene entonces el conjunto de restricciones definido por:
_

11

Ax=
=I

ix

<b

Si la unidad de beneficio do la actividad j es c1. entonces el beneficio total viene dado

por:
r

x= E
.1=1

ixi

Adems el problema puede ser interpretado como encontrar la mejor forma de asignar
los recursos definidas por el vector b a las distintas actividades disponibles de modo que el
beneficio total sea maximizado.
Para algunos problemas prcticos el modelo deterministico anterior no es adecuado,
debido a que los coeficientes de la funcin (lineal) de beneficio: c i ,c2,...,e n no son
constantes conocidas sino que son variables aleatorias. Luego, supondremos que el vector e
es un vector aleatorio con media (71 )/ y matriz de convarianza y .
5

Eri consecuencia la fui ci6n objetivo, denotada por z , ser entonces una variable

aleatoria con media: c t x y varia.ncia x t Vx

Si se desea maximizar el valor esperado de z debemos resolver el siguiente problema;

Max e x
Ax
x>O
el cual es un problema de Programacin Lineal. Por otra parte, si queremos miminizar la

variancia de z , entonces debemos resolver el problema:

Min x t

vx
Ax <

x>O
el cual es un problema de Programacin Cuadrtica.

2. MODELOS EQUIVALENTES Y EXISTENCIA DE SOLUCIONES OPTIMAS

2.1. Modelos Equivalentes.

Diremos que dos modelos de optirnizacin son equivalentes si la resolucin de uno,

permite obtener la(s) solucin(es) del otro y viceversa.
En. Optimizacin, es importante reconocer la equivalencia entre Modelos debido a que,
por ejemplo, un modelo original podra ser no diferenciable y, debido a que la mayora de los
so vares existentes resuelven modelos diferenciables, estaramos obligados a determinar un
modelo equivalente diferenciable para obtener la solucin del problema original. A

continuacin presentamos algunas equivalencias importantes;

Notacin:

: "equivalente a"

) ?din je (x) Q 1 ) Max

h)

(x)

xED

xD

DcR n

DcR n

Q2) ..31.11n u

P2) Min
xG D

1(x)P

Dqien

xED,uER
D Rn

c)

P. 3 ) M i n

(x) Q3 ) 23di n p

x GD

1(-10=P
xED,I1GR

Dcir
d)

Al-L:3P( (x), f 2(x).

P4 )

fri(x)

x D L.?

R"
Q4 ) Mi" P

M x P,1 = 1 , . , n 1
xeD,pER
DcRn
P5)

in

x Di
DR
(:).5) Min
=
7

f(x)5,tii

xeD,
D c
f)

Rla

P 6 ) Mb? f (x)
XE
DcR'
Q 6 ) . ir a g( f ( x ) )
xD

DcRn
d on d e g f ( D ) - - R
g(t)

es una funcin estrictamente creciente.

2.2. Existencia de Soluciones Optimas.
Cuando se desea resolver un problema de optimizacin, conviene antes de intentar
resolverlo ya sea en forma directa o con 13 ayuda de algn software existente, determinar si el
problema admite o no solucin ptima_ De aqu entonces surge la necesidad de estudiar
teoremas relacionado -s con la existencia de soluciones ptimas. En la mayoria de los cursos ya
sea de Clculo en una o Varias Variables se estudia el siguiente teorema clsico de existencia
de soluciones ptimas.

Teorema 2,1 (Bolzano-Weicrstrass)

Sea el problema P) Alin (x)
xD
D'2
con f (x) continua en D, D #

D cerrado y acotado.

Entonces el problema admite solucin ptima,

Corolario 2.2
Sea el problema P) definido en el teorema anterior,
D. D

Con f(x) continua en

,D cerrado.

Supongamos adems que el siguiente conjunto de nivel:

D0 x c Di ,f(x)5. f(x) 1- es acotado, donde x0 es algn punto factible.

Entonces el problema P) admite solucin ptima

Teorema 2.3
Sea el problema 11 del teorema 2.1,

,19 cerrado,

Supongamos adems que se satisface la hiptesis:

(x) ----4-

D
entonces el problema P admite solucin ptima.

Ejercicio 2.4 (Existencia de soluciones ptimas para problemas euadrtieos)

Sea el problema cuadrtico
P) Afn q(x)
X

donde q(x)=--

x Qx + ctx y Q matriz de orden n n , simtrica y definida positiva

entonces

El problema Q) adrrnte solucin ptima.

Demostracin:
D = R" es no vatio v cerrado. q(x) continua en D por ser un polinomio.
Adems se satisface la hiptesis H) . En efecto:

Sea a el menor valor propio de O

Por otra parte, por la desigualdad de Cauchy-Sebwartz se tiene que:

c i x I I , x
I .2

R"

Luego:
/i/ 2 xt Qx+ clx. )/ 9

C112 1x112
4

11 X

_---) GO

x12

= q(x)

- > + 0

xcD
En consecuencia. el problema Q) admite solucin ptima (1:mica).

Ejercicio 2.5
Sea el problema:
P)

+ 2 x3

Demostrar que el problema admite solucin ptima.

Ejercicio 2.6
Considere el problema;
P) linmaxiVx2 4-y2 , + 1
y
ykO

a)

Demostrar que el problema P) admite solucin ptima

b)

Resolver utilizando curvas de nivel

3. CARACT1ERIZACION DE SOLUCIONES OPTIMAS
3.1 Problemas cn una variable sin restricciones
Sea el problema P) kfin f(x)
xER

con f(x) diferenciable

Teorema 3.1
jtc punto de minirrio local de

f'

Demust racin : (x) = (i?)

)( x x) t o (! .7"c

Con him

(I)

=O

=O

>C fi

Por hiptesis, existe 3 r> O tal que

f(JZ),...5 f(x) Vx E 3, () (hola abierta de centra 2 y radio r > O .
Luego:
<
Si

f (x)f()

_i

'01)+ o (I x x
entonces f 'cc)

I_ entonces 1 .1 ()

Anlogamente, x

En consecuencia se tiene: f '

O.

3.2 Problemas en una variable con restricciones

Teorema 3.2 (Condicin necesaria de optirnalidad de ler. orden para problemas
restringidos)
Considere el problema P)

f (x)
a<x<IP

Sea i punto de mnimo local, entonces:

=a ,f+1 (i)?.: O

ii)

C ==, f (x).0

iii)

iii) a <i- <

Nota: Si

()I) sO y f (:?)10

' (i) existe, entonces f'(.;:)= O_

3.3 Problemas en varias variables sin restricciones

Considere el problema .P) r i n f(x)
XE

R"

Teorema 3.3 (Condicin necesaria de l er. orden)

punto de mnimo local de P) = W(Z). O
Teorema 3.4 (Condicin necesaria de 20 orden)

I punto de mnimo local P)

Vt(5e). O y D2.

12

sernidefinida positiva.

'Teorema 3.5 (Condicin suficiente de r orden)

Sea

3?

tal que "7f ($1). 0 y D2f(*") definida positiva, entonces

es un punto de mnimo local estricto de P.)

Demostracin:
Supongamos que x no es un punto de mnimo local estricto de P). Entonces,
3 x()

xlk)

tal que f(x ( k ) ) f( )

Adems. supondiendo que f es dos veces continuamente diferenciable en un entorno de

se tiene que:

f (r) = f(i)+Vf(k)(x 5:)-h y (x-2) f D2 ,f( x )

con 4 . x entre x y S.
Luego: (x (k) 2)' D 2 f(4)(x (k) 2) < 0.
Ahora considerando que la bola unitaria en dimensin finita es compacta y pasando a] limite
se encuentra un vector unitario (1 Rt' tal que d ( L) 2 1 . (i) d <0, lo que resulta ser una
contradiccin.
3.4 Problemas en varias variables con restricciones de igualdad
Sea el problema:

f(x)
D:h.(x).0

1=1..p

Definicin 3.6
O. Se dice que d define una direccin tangente a D en . si existe

Sea dE R"

un camino cliferenciable x() tal que:

i)

x(0)
xr(0)--=d

iii)

x(1) ED

13

Teorema 3.7 (Condicin necesaria de.ter. orden para mnimo local de P))
:c punto de mnimo local de P) (V/ (x))/ d = O para toda diseccin d tangente a
.

L.) en ,Tc

Demostracin:
Sea d una direccin tangente a D en x Entonces existe un camino diferencia.ble
x(.) tal que:

i)

x(0)=1.

ii)

xr(0)=1.1

iii)

x(t) D ,

fO

Sea 0(0= f(x(t)). Como x es un punto de mnimo local de P) entonces r = 0 es un

punto de mnimo local de 0(t), Luego 40'(0) =0, es decir, pf (x) d =0<r> Vf(x)! d = 0

Definicin 3.8
Un punto factible .x:e D se dice regular si el conjunto de todas las direcciones tangentes

a D en x viene dado por:

{d R n /Vh t (x) d O, Vf =1 = .,. 3 p}

Lema 3.10
Sin las restricciones del problema P) son continuamente diferenciables en x y se

verifica que el conjunto {Vil

.(x)V. J, I

es linealmente independiente entonces 7-rE D es

regular.
Teorema 3.11 (Lagrange. Condicin Necesaria de ler. orden)

Sea Je D un punto de mnimo local de P) y supongamos que x es regular. Entonces

32 RP tal que:

14

h1 (x) = O

f (x)

Demostracin:
r regular

T(D.,.:7c1)

(1 e R n/V.h. j(7.)-V d O

= 1- P

Por otra parte, i punto de mnimo local de P)

(x ) ( d=0, VdeT (D ,: . ). Luego : Vh 1 () 1 d 0. j= l,.,,

consecuencia, 3

Nota: =

--= ?V f(7c) 1 + d O En

R. j=1,,.., p tal que

se denomina vector de multiplicadores ptimos de Lagrange. El par (i2) se

llama punto estacionario de Lagrange para el problema P).

3.5 Problemas cuadrticos con restricciones de igualdad.
Sea el problema P) Min q(x) = x t Ox + cr x
=b
Con A de rn xn,

de rango completo.

Supongamos que Q es una matriz (simtrica) definida positiva. Entonces el problema

11 tiene una nica solucin dada por:

. . z- Q -1 A 1 (A Q -l At r 1 (A z- b ) , co n r.= -

-]

c,

Tambin el vector de multiplicadores ptimos de Lagrange viene dado por:

).=(AO -I At ) -1 (A7.-17)
3.6 Problemas en varias variables con restricciones de desigualdad.
Sea el problema.:
P) Mb? { x)
g
.(x) O
XER

i5

con . f,_g i ,

, funciones diferenciadles.

Definicin 3.12
Sea d E R " d T

O. Diremos que d define una direccin tangente a D en x si 3 un

camino x() tal que:

i)

x(0)=;z

ii)

x0')ED

iii)

x1(0) .d

Vi

,fO

Lema 3.13

Sea d Rn tal que

=1 . Entonces: 7:1 es una direccin tangente a D en x si y

x(k) 7)c Y a

slo si 3{x (k) }q D tal que: hm x (k) =".c

(x()
r(k)

Teorema 3,14 (Condicin necesaria de primer orden)

x punto de mnimo local de P) Vr( - ) t .d10 Vd d:reccin tangente a D en x

I

Teorema 3.15 (Condicin suficiente de primer orden)

Sea _7:e i) y Vp".;-9/ .d > O . Vd 71(D..71;) , d O entonces x es un punto de mnimo

local estricto de P).

Definicin 3.16

Se dice que xG D es un punto regular si

TCD,.1) = {d R' n/ V gi (7c)I d 0, Vi e 1(x)}
_
con i(x)= it e} g.l kx)=0

conjunto de indices de las restricciones activas en x .

A
.1
L

l l i a S i
e

P O
i
37 S {Vg (

linealmente independiente entonces 7.9c es un punto

-

V)

regular.

16

Teorema 3J8 (Karusii-Kulln-Tuckerj

Sea i D es un punto regular y supongamos que x es un punto mnimo local de

P) entonces existe un vector de multiplicadores de Karush-Kuhn-Tueker p E Rm tal que:
rea

i/i Vgi(x)=. O
=I

i Vf(3:7)+

ii)

g 1(70=0

iii)

i =I, rt?

Demostracin:
x punto de mnimo local de

(Por condicin necesari a de optimalidad de 1 er,

orden. teorema 3,14)

, Vt E T(D,,r)
Por otra parte x es un punto regular. entonces
T(D,x) --, Id e Rn/Vgicx): zi O, Vi E 1(x)}
Luego:
Vg i t d O Vi E /(i) Vf(:0 1

ci O

Aplicando el Lema de Farkas se tiene que:

O, Vi E i(X1 tal que:
i 1(x)

Definiendo:
I "-

Pi

I(x)

pi -1 0 , r 1(jc)

se tiene entonces la tesis del teorema.

17

4. APLICACIONES
Uno de los principales objetivos de la Optimizacin consiste en poder formular y
resolver los ms diversos problemas que permiten la toma de decisiones ptimas o eficientes.
Una gran cantidad de problemas reales conciernen a la toma de decisiones en sistemas cada
vez ms complejos y especializados, que necesariamente requieren del uso de metodologias
adecuadas para la formulacin matemtica de estos problemas y, conjuntamente, de mtodos y
herramientas de resolucin, corno los que provee la optimizacin. Entre otros, principalmente
relacionados con problemas abordados por la Investigacin de Operaciones, podemos
mencionar las siguientes aplicaciones problemas de planificacin financiera, problemas de
logstica de la produccin y distribucin, problemas de planificacin de sistemas generacin y
distribucin elctrica, problemas de telecomunicaciones y diseo de redes y problemas de
programacin de horarios. En lo que sigue, se describe dos problemas relacionados con estas
reas de aplicacin. Se contempla una breve descripcin del problema y la formulacin
matemtica del mismo.

4.1 Modelos para el problema de Dimensionamiento de Lotes.

El problema de dimensionamiento de lotes permite abordar la resolucin de variados
problemas que enfrentan tanto, costos corno demandas fluctuantes en el tiempo sobre un cierto
horizonte finito de planificacin, el cual ha sido dividido en un cierto nmero de perodos. En
procesos de manufactura estos modelos permiten tomar decisiones tanto en la planificacin
agregada de la produccin como en la administracin de inventarios para la planificacin de
requerimiento de materiales, ver por ejemplo [GT9.3]. En problemas de decisiones estratgicas
de largo plazo, permite abordar determinados problemas relacionados con la expansin de la
capacidad, ver por ejemplo [Lun].
Ms especficamente, en el caso determinista, la resolucin de este problema en el
mbito de la produccin tiene por objetivo proveer los niveles ptimos de produccin de uno o
mltiples productos, sobre un cierto horizonte de planificacin de mediano plazo, de modo
que, por una parte, minimice los costos de operacin de la firma, que incluye por ejemplo los
costos variables de produccin, los costos variables de mantencin de inventario y diversos
costos fijos, y, por otra, permita satisfacer los requerimientos de demanda para los distintos
productos, tomando en consideracin restricciones adicionales impuestas por los recursos
18

escasos correspondiente a la disponibilidad o capacidad mxima de las mquinas en los

distintos centros de trabajo del proceso de manufactura. Consideremos, a manera de ejemplo,
e! siguiente modelo para un slo producto que enfrenta una demanda d t sobre cada uno de los
T periodos del horizonte de planificacin:
Minimizar
s,a,

Eetx, +

Estyt

x1 + 11.1 - lt =
x, I'vliy,
xtk O, lt

O, yt

0,1}

t=1,,,T.

donde $x_ 1 $representa la variable de decisin asociada al nivel de produccin en el periodo t,

con $c_t$ el respectivo costo unitario de produccin, $I_t$ el nivel de inventario al final del
periodo t ($I_0$ el inventario inicial), con $h_t$ el costo por unidad de mantencin de una
unidad en Inventario por un periodo, $y_t$ una variable binaria que permite la inclusin de
costos fijos en el modelo (como los de setup), con $s_1$ el respectivo costo fijo del periodo t y
$M$, una cierta constante grande que represente por ejemplo el mximo tamao posible de un
lote de produccin.
La formulacin original del problema de dimensionamiento de lotes con demanda
determinista y fluctuante en el tiempo se debe a Wagner y Whitin [Wa581], este modelo
supone el total cumplimiento de las demandas por un determinado producto y no
contempla restricciones de capacidad. Con posterioridad, este modelo ha sido extendido por
diversos autores considerando la presencia de demanda pendiente, mltiples productos,
contemplando de manera conjunta productos finales, semi-elaborados e insumos, la inclusin
de costos fijos de setup cada vez que se inicia la producin de un producto sobre un intervalo
de perodos consecutivos, tiempos de setup o bien incluyendo decisiones de fabricacin o
compra en cada perodo. El uso de estos modelos de produccin ha resultado beneficioso para
los sistemas productivos, cada vez ms complejos y competitivos, debido en gran medida a los
avances en investigacin tanto en la formulacin de. buenos modelos de programacin enteramixta como al desarrollo de algoritmos cada vez ms eficientes para su resolucin.
Corrientemente, en cada una de las formulaciones del problema de dimensionamiento de
lotes, se asume que todos los parmetros, del modelo son conocidos con exactitud. Sin
embargo, en muchos casos este supuesto no resulta adecuado, pues incluye costos o demandas
19

futuras que slo es posible incorporar al modelo a travs de distintos escenarios o de una
distribucin de probabilidades.

La Programacin Estocstica, a travs de los modelos con recurso, incorpora

explcitamente la incertidumbre en el modelarniento del problema mediante el uso de modelos
que toman en cuenta tanto consideraciones de factibilidad como de optimalidad de la solucin
propuesta, ver Birge y Loveaux [Bi97]. En particular, la Optimizacin Robusta incorpora la
incertidumbre a travs de un nmero finito de escenarios y combina el concepto de los
modelos con recurso con el uso de anlisis basado por escenarios, ver Mulvey et al[ Mu95].
Suponiendo conocido un conjunto finito de escenarios para la demanda sobre todo el
horizonte de planificacin, digamos IP con seg - 2.--11,...,S), escenario que se da con
probabilidad p$, es posible formular un modelo que hace uso de variables de recurso y d
factibilidad para la solucin propuesta para los lotes de produccin. Este modelo es tal que la
solucin entregada es cercana a la solucin ptima del modelo determinista para cada
escenario particular y cercana de ser una solucin factible para cada escenario particular,
donde ambas nociones de cercana son expresadas en trminos de una funcin objetivo que
mide tanto la optimalidad de la solucin propuesta respecto de cada escenario como la
factibilidad de la solucin, penalizando las eventuales infactibilidades que puedan ocurrir entre
la solucin propuesta y el escenario particular, segn un modelo como el siguiente:
-Es v2 P5(.EcixT EhilLs

Minimizar
s_a,

x,
I,'

Ti seo.,

It s

xt

wiy,

+ Esieu P,(EfLzt)

t=-1

N , zE5 E N .

Xt k. O, 45

O, III

O, y, E {O.1 1

t--=1,...,T; SEO,

donde ahora algunas de las variables de decisin son por escenarios, corno es el caso de la
variable del nivel de inventario del producto al final del periodo $t$ bajo el escenario $s$ y
una nueva variable de decisin ${z_t}^s$ correspondiente al nivel de unidades de faltante del
producto en el periodo $t$ bajo el escenario $s$, con el respectivo costo unitario de faltante
en el periodo $t$, En este nuevo modelo, la funcin objetivo corresponde al costo esperado
de produccin ms un costo esperado de faltante, este ltimo permite penalizar el
incumplimiento de las eventuales demandas no satisfechas mediante el uso de una variable de
20

recurso para el nivel de faltante. Por ltimo, el modelo incluye un conjunto de restricciones,
escritas como ${I_t}^s \in \mathbb{N}, {z-t}^s \in \mathbb{N}$,conocidas en la literatura
como resiricciones de no-onticipatividad. Estas restricciones dan politicas de produccin
implementable.s en el siguiente sentido: si dos escenarios diferentes $s$ y $s'$ son
idnticos hasta el periodo $T$, entonces para cada variable de decisin definida por
escenarios. las respectivas decisiones deben ser idnticas para cada $t$ con $1 \leq t \leq \tau$.
En nuestro modelo debe entonces cumplirse que ${I_t}^s = {I_t}^{s}$ y ${z_t}^s = {z_t}^{s}
$ para cada par de escenarios $s$ y $s'$ que coincidan hasta el periodo $\tau$ y con $1 \leq t
\leq \tau \leq T$.
Algunas referencias de inters en problemas del mbito de la planificacin de la
produccin bajo condiciones de incertidumbre, utilizando modelos como las aqu presentados,
son los artculos de Escudero et al. [Es93], Escudero y Kamesan [Es92] y Albornoz y
Contesse [A199].
4.2. Problema de Despacho Econmico de un Sistema de Generacin de Potencia
Elctrica.
Uno de los principales problemas abordados en la planificacin de un sistema
interconectado de potencia elctrica consiste en la administracin eficiente de las unidades
generadoras del Sistema. La adecuada resolucin de este problema permite por ejemplo la
fijacin de tarifas entre las empresas generadoras y distribuidoras de un sistema, decidir la

conveniencia o no de llevar a cabo la interconexin de dos o ms subsistemas de generacin y

el estudio de la expansin de la capacidad del sistema, entre otros, problemas que son de
especial importancia en el caso de mercados elctricos abiertos [Es00].
En presencia de una o ms unidades de generacin hidroelctrica con capacidad de
regulacin de largo plazo, el problema consiste en la correcta utilizacin del agua almacenada
en los embalses de dichas unidades. Matemticamente, el problema de puede ser formulado
como un modelo de programacin dinmica estocstica, ver por ejemplo Pereira y Pinto
[Pe85] y Pereira [Pe89], Corno consecuencia de la estrategia algortmica de resolucin para
esta clase de modelos, resulta la descomposicin para cada etapa, en la que se ha subdividido
el horizonte de planificacin, de la operacin ptima del sistema. El modelo resultante en cada
etapa se conoce como Modelo de Despacho Econmico, ver Wood y Wollenberg [Wo84].

Este ltimo permite la obtencin de los niveles ptimos de generacin de potencia en cl corto
plazo de modo de satisfacer en todo momento los requerimientos de demanda en ese periodo,

tomando en cuenta, simultneamente, las disponibilidades de recursos hidrolgicos y las

restricciones de capacidad y disponibilidad de generacin de las unidades que componen el
sistema,
Mas especitIcamente, consideramos un sistema de potencia que contempla un conjunto
de N nodos geogrficos do generacin y demanda, en cada uno de los cuales existe un total de
nhi centrales hidroelctricas y ni; centrales trmicas, con ie { 1 un horizonte de
planificacin de 1' etapas_ En cada etapa y ',Jara cada nodo, se supone conocida la demanda,

mediante una determinada cura de duracin de carga que consta de nes intervalos (intervalos
en los cuales a su vez se ha subdividido el tiempo asociado a cada etapa), que equivale a
conocer la demanda (mxima) de potencia requerida en cada uno de dichos intervalos, En
canto, las variables de decisin del modelo de despacho econmico son: PI-11 la potencia
generada por La central hidroelctrica h del nodo i durante d intervalo j, para ie [1, ...
he {1,...,nhi} y j

PTiti la potencia generada por la central trmica t del nodo i

durante el intervalo j, para i (

..,N , t {1.,...,nti) y j {1,.,...,nes) y T,k ; la potencia

transmitida del nodo i al nodo k durante el intervalo j para i e {1, ,

k un nodo comunicado

directamente con i. j E {1,..nesl.

Ahora bien, el sistema debe funcionar siempre de manera de generar la potencia
necesaria para satisfacer la demanda de cada etapa en cada uno de los distintos nodos, para
cada intervalo de la curva de duracin de carga. Si esto no resulta posible. utilizando toda La
capacidad de generacin y transmisin del sistema_ el modelo incluye una variable de decisin
PF ilj correspondiente a la potencia de falla en el tramo f del nodo i del bloque j, para
i 1 f= i,2,3 y j {1,,,.,nes},, donde los tramos estn asociados a una funcin lineal
por tramos, con costo marginal creciente ._ que toma en cuenta el nivel de profundidad de la

falla producida.
La funcin objetivo a minimizar del modelo de despacho econmico corresponde. a la
suma de los costos totales de generacin y de falla del sistema, dada por:
z=

Ei cvii

PI1-1;1.1+

Ef

Ej

].

donde evi, representa el costo variable de energa para la central trmica t del nodo i,
para i E { 1.N) y te {1,....nti}, cwif es el costo variable de energa de falla en el nodo i en el
,

tramo f, para i e { 1,_,N}, f.-1,2..3 y H es el nmero de horas del intervalo j en el nodo i de

la curva de duracin de carga, para I y jc- 11,_,nesi