Optimización de Sistemas I

Prof. Pablo González Araya

1
Datos del Profesor
• Ingeniero Civil Industrial, PUCV (2006)
• Master of Business Administration, Universidad de Chile (2015)
• Estudiante de Doctorado en Administración de Negocios, Universidad de Chile (2019)

• 8 años de experiencia profesional en empresas multinacionales de consumo masivo y

servicios en el área de Supply Chain Management, Operaciones y Business Excellence.

• Intereses de Investigación: Strategic Supply Chain Management, Behavioral Supply Chain

Management, Supply Chain Collaboration, Supply Chain Orientation.

• Email: pa.gonzalez@udd.cl; pgonzaleza@fen.uchile.cl

2
Normas de convivencia básica
• Celulares en SILENCIO.

• No realizar acciones o actividades que puedan distraer el trabajo y la concentración de sus

compañeros.

• Participar activamente y con respeto por los demás (compañeros, profesor y personal fuera de la
clase).

• Asistencia mínima de 75%.

• Realizar todas las actividades asignadas.

• Cumplir con los requisitos institucionales para la aprobación del curso.

3
Aporte al Perfil de Egreso
El curso de Optimización de Sistemas I, perteneciente al ciclo de
Licenciatura, tiene como misión fundamental, desarrollar en los
estudiantes habilidades de análisis y solución matemática a problemas
de optimización. Lo anterior se logra a través del estudio de la
programación matemática, como técnica de optimización, el estudio
de técnicas de resolución y la aplicación de uso de paquetes
computacionales. En particular se aborda la programación lineal y no
lineal. La aplicación práctica, es también un objetivo de este curso, de
modo que los estudiantes no sólo construyan un marco teórico, sino
que desarrollen habilidades que les permitan resolver problemas reales
de la industria.
4
Aporte al Perfil de Egreso (2)
Este curso pertenece al área Formativa de Ingeniería Industrial y de
Sistemas, tributa a las competencias genéricas de Autonomía y Visión
Analítica y a las competencias específicas de Resolución de problemas
bajo un enfoque sistémico, Dominio de TIC’s para el desempeño de la
profesión y Modelamiento Matemático, declaradas en el perfil de
egreso de la carrera.

5
Objetivos de Aprendizaje Generales
• Comprender el sentido que tiene el modelamiento matemático y el
potencial que existe a la hora de enfrentar problemas de la industria a
través de técnicas de optimización y apoyar la toma de decisiones.
• Utilizar técnicas matemáticas que permitan abordar y resolver
problemas de optimización lineales y no lineales.
• Utilizar herramientas tecnológicas que apoyan la resolución de
problemas.
• Valorar las técnicas de optimización como una forma de abordar
problemas de toma de decisiones en la industria.

6
Unidades de Contenidos y Objetivos de
Aprendizaje

7
Unidades de Contenidos y Objetivos de
Aprendizaje (2)

8
Unidades de Contenidos y Objetivos de
Aprendizaje (3)

9
Evaluaciones
• Test y/o controles: se realizarán al menos 5 test consistentes en resolución
de ejercicios cortos de los contenidos vistos previamente en clases.
• Tarea de modelamiento: consiste en la entrega de un problema real (toma
decisiones), el cual, los estudiantes deben llevar a ecuaciones a través de
modelamiento matemático. Este modelo matemático se implementa y
resuelve usando software de optimización.
• Certámenes: se realizarán 2 certámenes, en las semanas establecidas por
la Facultad.
• Examen: se realizará 1 examen (acumulativo), al término del semestre, en
la fecha establecida por la Facultad, y exigiéndose nota mínima de 3.0, para
todos los estudiantes, según R.A.A.R.

10
Recursos de Aprendizaje
Obligatorio
• Winston, W., “Investigación de Operaciones: Aplicaciones y
Algoritmos”, Thompson, 4ª Edición.
• Hillier, F. Y Lieberman, G., “Introducción a la Investigación de
Operaciones”, Mc Graw Hill, 8ª Edición.

11
UNIDAD I: Fundamentos de la
Optimización
Conceptos Generales

12
Investigación de Operaciones

“Es un enfoque científico en la toma de decisiones que busca

el mejor diseño y operar un sistema, por lo general en
condiciones que requieren asignar recursos escasos.”

Wayne L. Winston

13
Investigación de Operaciones
• El término Investigación de Operaciones se acuñó durante la II Guerra
Mundial, cuando autoridades militares convocan a ingenieros y
científicos para enfrentarse y/o predecir situaciones complejas.

• En este enfoque científico de la toma de decisiones se requiere el uso

de uno o más modelos matemáticos.

• También conocido como: Operations/Operational Research,

Management Science, Decision Science.

14
Investigación de Operaciones
• Optimización / Programación Matemática
• Modelos Estocásticos
• Aprendizaje Automático (Machine Learning)
• Programación Dinámica
• Teoría de Colas
• Simulación
• Teoría de Juegos
• Matemática Financiera

15
Optimización

¿Qué es la Optimización?

16
Optimización
• Programación Matemática = Optimización Matemática = Optimización
• Una de la disciplinas más importantes de la Investigación de
Operaciones.
• Selección de la mejor respuesta (basada en algún criterio / métrica)
dentro de un conjunto de respuestas posibles.

• Buscar la “mejor” manera de realizar una actividad

17
Metodología de Solución en Optimización
Resumen:
1. Definición del problema

Retroalimentación
2. Construcción de un modelo
3. Recolección de datos
4. Solución del problema
5. Validación del modelo
6. Implementación

18
Metodología de Solución de Problemas
• Aspectos a considerar en la definición de un problema
• Objetivos (métricas)
• Nivel de decisiones (estratégicas, tácticas, operacionales)
• Ámbito del problema (limitaciones, supuestos)
• Dimensión temporal (horizonte de análisis)
• Separabilidad de las decisiones (un gran problema vs varios problemas
pequeños)
• Recursos disponibles (tiempo, tecnología, recurso humano)

19
Construcción de un Modelo

¿Qué es un modelo?

20
Modelo Matemático
• Representaciones matemáticas de situaciones reales que se podrían usar para tomar mejores
decisiones, o bien, simplemente para entender mejor la situación real (Wayne L. Winston).

• Un modelo es matemático si la interrelación entre sus componentes está descrita usando un

lenguaje matemático.

• Es la colección de variables y relaciones necesarias para describir las características de un

determinado problema.

• Un modelo de optimización “dicta” el comportamiento para una organización que le permitirá

alcanzar mejor sus metas.

Simplificación de la realidad

21
Elementos de un Modelo de Optimización
• Función Objetivo
Es una función que deseamos maximizar o minimizar.
• Variables de Decisión
Variable cuyos valores están bajo nuestro control e influyen en el desempeño del
sistema
• Restricciones
En la mayoría de las situaciones sólo son posibles algunos valores para las variables de
decisión

Un modelo de optimización busca encontrar los valores, entre un conjunto

de todos los valores que pueden tomar las variables de decisión, que
optimicen una función objetivo que satisfagan las restricciones.
22
Construcción de un Modelo de Optimización
• Un modelo de optimización relaciona:
• Variables de decisión (endógenas)
• Decisiones que se intentan determinar: nivel de producción, nivel de inventario, etc.
• Variables exógenas (datos)
• Decisiones que ya han sido tomadas o serán tomadas fuera del ámbito del sistema
considerado: demanda, contratos, precios, capacidad máxima, etc.
• Variables de estado
• Variables que caracterizan la situación en que está el sistema: inventario inicial, cantidad
de trabajadores, etc.

23
Construcción de un Modelo de Optimización
Problema Zapatos y Cinturones

• Se producen zapatos y cinturones con cuero y metal.

• Se dispone de 20 unidades de cuero y 10 de metal.
• Cada par de zapatos usa 3 unidades de cuero, 2 de metal y tiene una
utilidad de 15.
• Cada cinturón usa 1,5 unidades de cuero, 1,2 unidades de metal y tiene
una utilidad de 8.

¿Cuánto produciría usted de cada producto?

24
Construcción de un Modelo de Optimización
Formalmente en un problema de Programación Matemática se trata de
determinar el vector
xT = (x1, x2, ......, xn),
que perteneciendo al conjunto
X  lRn,
minimiza/maximiza una función matemática
f(x),
que sintetiza el objetivo de la decisión.

min/max f(x), sujeto a x  X

donde f(x) es un escalar, x ϵ lRn y X puede incluir no negatividad
25
Construcción de un Modelo de Optimización
• X = lRn: problema irrestricto
• X  lRn: problema restringido

Ejemplo de X:
X = {x ϵ lRn: g(x)  b, x  0}, donde
g1(x)  b1
g(x)  b ⇔ g2(x)  b2 ⇔ gi(x)  bi, i = 1,…,m
gm(x)  bm

x1  0
x0 ⇔ x2  0 ⇔ xj  0, j = 1,…,n
xn  0
26
Construcción de un Modelo de Optimización

max 2x1 + 3x2 – 5x3 Función Objetivo

sujeto a:
x1 - 2x2 + 1,5x3  5
4x2 + 0,5x3  9
x1  0 Restricciones

x2  0
x3  0

27
Construcción de un Modelo de Optimización
Algunas sugerencias:
• Foco en el problema
• Considerar disponibilidad de datos e información
• Partir con modelos simples
• Evitar complejidad innecesaria
• Determinar si el modelo predice razonablamente el desempeño del
sistema frente a posibles decisiones
• Revisar, revisar y revisar el modelo
28
Solución de un Modelo de Optimización
Para resolver un Modelo de Optimización se utilizan:

• Algoritmos Óptimos o Exactos

• Método Simplex, Algoritmo del Punto Interior

• Heurísticas/Metaheurísticas
• Búsqueda Tabú, Recocido Simulado, Algoritmos Genéticos

29
Solución de un Modelo de Optimización
Algoritmo Exacto: es un procedimiento que consiste en una secuencia
finita de pasos que “garantiza” el encontrar una solución de un
problema.

Existen problemas que resultan ser extremadamente difíciles y para los

cuales no se han desarrollados algoritmos, o ya sea los algoritmos
existentes tardan excesivamente.

30
Solución de un Modelo de Optimización
Heurística: procedimientos que siguen reglas simples y que en un
tiempo “razonable” son capaces de encontrar “una buena”
aproximación a la solución.
Metaheurística: más general que los métodos heurísticos. En general,
poseen una estrategia para evitar quedar atrapados en óptimos locales.
¡No garantiza la mejor solución!
¿Por qué una heurística?
▪ El tamaño del problema y/o la formulación exceden la capacidad computacional.
▪ El esfuerzo (tiempo y costo) asociado al uso de un algoritmo exacto no vale la
pena y una “buena” solución es suficiente.

31
¿Qué es un problema?

32
¿Qué es un problema?
Un problema en matemáticas es un asunto del que se espera una
solución y que se puede representar, analizar y posiblemente resolver
con métodos matemáticos.

Un problema queda definido mediante:

• Una descripción general de todos sus parámetros
• Una descripción de las propiedades de la respuesta

En este curso consideraremos problemas de optimización y de

decisión.

33
¿Qué es un problema?
Problema de Optimización:
min f(x), sujeto a x  X, donde
X = {x ϵ lRn: gi(x)  bi, i = 1,…,m; xj  0, j = 1,…,n}

Problema de Decisión: problema en que la respuesta es SI o NO. Si

existe solución al problema, la respuesta a la pregunta es SI, en caso
contrario, es NO.

En general, un problema de decisión se puede re-escribir como un

problema de optimización y viceversa.
34
¿Qué es un problema?
Consideremos el problema del vendedor viajero

• Problema de optimización: dados el conjunto de ciudades, el conjunto de

caminos entre ciudades y los costos de utilizar cada camino, determinar el
tour de costo mínimo.

• Problema de decisión: dados el conjunto de ciudades, el conjunto de

caminos entre ciudades y los costos de utilizar cada camino y un valor no
negativo k, ¿existe un tour de costo menor o igual que k?

35
¿Qué es un problema?
Consideremos el problema de programación de trabajos. Se tiene un conjunto de n
trabajo que deben ser procesados por m máquinas en forma secuencial de modo
tal que el tiempo de procesamiento sea mínimo. Es decir, cada trabajo debe ser
procesado primero por la máquina 1, luego por la 2, etc.

• Problema de optimización: dados los tiempos de procesamiento de cada uno de los n

trabajos en cada una de las m máquinas, determinar la secuencia para procesarlos que
minimice el tiempo total de procesamiento.

• Problema de decisión: dados los tiempos de procesamiento de cada uno de los n trabajos
en cada una de las m máquinas, y un valor no negativo k, ¿existe una secuencia tal que el
tiempo total de procesamiento sea menor o igual que k?

36
Instancia de un Problema
• Especificación de valores particulares para los parámetros de un
problema.
• Existen infinitas instancias para un problema.
Problema del vendedor viajero

Instancia UK: 10 ciudades Instancia USA: 16 ciudades

37
Ejemplo: Mueblería
Suponga el caso de una mueblería que fabrica sillas y mesas

• Costo fijo total: $3.800/semana

¿Cuál es la mejor combinación de sillas y mesas a producir?

38
Ejemplo: Mueblería

• Ambos productos son rentables

• Mesas son más rentables que las sillas
Idea:
• Hacer la mayor cantidad de mesas posible
• Hacer sillas con los recursos restantes

39
Ejemplo: Mueblería

Ganancia Neta Total -$100 por semana

¿Cuál es el problema con esta lógica de planificación de la producción?

40
Ejemplo: Mueblería
▪ Probar diferentes niveles de
producción:
– Número de sillas y de mesas
▪ Evaluar consecuencias:
– Recursos utilizados (ensamblado,
terminado, cubiertas)
– Ganancias
▪ Principales problemas
– ¿Cómo sabemos si hemos encontrado la
mejor solución?
– ¿Qué pasa si no podemos encontrar una
solución válida?

41
Ejemplo: Mueblería
▪ Probar diferentes niveles de
producción:
– Número de sillas y de mesas
▪ Evaluar consecuencias:
– Recursos utilizados (ensamblado,
terminado, cubiertas)
– Ganancias Solución: Utilizar Programación Matemática
▪ Principales problemas
– ¿Cómo sabemos si hemos encontrado la
mejor solución?
– ¿Qué pasa si no podemos encontrar una
solución válida?

42
Ejemplo: Mueblería
• Variables de decisión:
• S denota el número de sillas a producir por semana
• M denota el número de mesas a producir por semana
Nota: Al definir las variables uno debe ser claro e incluir las unidades

43
Ejemplo: Mueblería
• Restricciones:
• Ensamblado: “El número total de horas de ensamblado para producir S sillas y
M mesas no debe exceder las 130 horas semanales”

• Terminado: “El número total de horas de terminado para producir S sillas y M

mesas no debe exceder las 370 horas semanales”

• Cubiertas: “El número total de cubiertas usadas para producir S sillas y M

mesas no puede exceder las 500 cubiertas disponibles a la semana”

• No-negatividad y enteridad: “El número de sillas y mesas producidos no

puede ser negativo y debe ser número entero”.

44
Ejemplo: Mueblería
• Objetivo:
• Maximizar la ganancia total semanal por producir S sillas y M mesas

45
Ejemplo: Mueblería
• En resumen:
• Encontrar los valores de S y M que

max 4S + 5M – 3800 ($/sem)

sujeto a:
0,1S + 0,2M  130 (hrs semanales de ensamblado)
0,4S + 0,3M  370 (hrs semanales de terminado)
M  500 (número máximo de cubiertas)
S, M  0, enteros (naturaleza de las variables)

46
• Abrir Solver
• Pestaña Herramientas (Excel 2003); Grupo Análisis de la ficha de Datos (Excel 2010)
• Si no está, instalarlo como complemento de Excel

• En Parámetros de Solver
• Celda Objetivo / Establecer Objetivo: seleccionar la celda con la función objetivo, en este caso las
Utilidades (una sola celda)
• Seleccionar Máximo o Mínimo en la opción Valor de la celda objetivo
• Cambiando las celdas: seleccionar las celdas con las variables de decisión (se pueden seleccionar varios
rangos separándolos por comas)

47
• En Parámetros de Solver
• Sujeto a las siguientes restricciones: se pueden agregar, cambiar y eliminar restricciones
• Para cada restricción o grupo de restricciones similares:
• Referencia de la celda: seleccionar la(s) celda(s) con el valor del lado izquierdo de las(s) restricción(es)
• Seleccionar el signo de la (des)igualdad (<=, =, >=). También se puede definir variables binarias (bin) y enteras
(int)
• Restricción: seleccionar la celda con el valor del lado derecho de la restricción. Este rango debe coincidir con el
de la Referencia de la celda o ser una sola celda o un número.

48
• En Parámetros de Solver
• Opciones…:
• Adoptar modelo lineal y Asumir no negativos
• Mostrar resultado de iteraciones
• Tiempo, Iteraciones y Tolerancia pueden ser útiles para problemas complejos

49
• En Parámetros de Solver
• Resolver:
• Muestra si Solver ha hallado una solución. Además, entrega informes de Respuestas, Sensibilidad y Límites.

50
• Capacidad limitada:
• Máximo 200 variables de decisión y entre 100 y 200 restricciones, dependiendo si el modelo
es lineal o no lineal.

51
52