Documente Academic
Documente Profesional
Documente Cultură
1. Introducción
En muchos modelos de optimización matemática, no se puede considerar al
conjunto de parámetros como completamente conocido o determinado, debido
a que en diversas aplicaciones dichos datos varı́an en forma significativa a través
del tiempo o la experimentación. Por ejemplo, el valor del dólar influye en costos
de compra, costos de transporte, costos de mantenimiento, ingresos por ventas,
impuestos de exportación, fletes, entre otros. Para encontrar solución a estos
problemas se han utilizado varias técnicas matemáticas. Dentro de las más
conocidas se encuentran
Optimización estocástica y probabilı́stica, cuyo trabajo se enfoca en
parámetros y datos aleatorios con distribuciones de probabilidad aso-
ciadas [2], [8], [9].
Optimización difusa, donde la imprecisión de los datos toma forma de
pertenencia difusa a un conjunto, ya que los objetos de estudio pueden
pertenecer a varias categorı́as [3], [12] y [13].
En este trabajo se considera la solución de problemas de optimización donde
cada coeficiente de la función objetivo es un intervalo1. Se presenta un método
de resolución, basado en conceptos de aritmética intervalar ([3], [5]) y opti-
mización multiobjetivo ([10], [4]).
1
Este tipo de problemas hace parte de los modelos de optimización difusa.
16 HÉCTOR ANDRÉS LÓPEZ OSPINA
A <i B sii A ≤i B y A 6= B.
La relación de orden definida anteriormente describe mayor preferencia por la
alternativa con extremos inferior y superior más altos. Como consecuencia de
la definición dada para la relación ≤i se obtienen las siguientes propiedades
1. Dados los intervalos A y B tales que A ≤i B entonces ac ≤ bc .
2. Si A = {a} = [a, a] y B = {b} = [b, b] entonces ≤i es equivalente a la
relación de orden ≤ definida en R.
3. La relación ≤i es de orden parcial.
A <c B sii A ≤c B y A 6= B.
En este caso el centro del intervalo se puede interpretar como el valor esperado
o promedio del parámetro asociado y la amplitud2 como la incertidumbre o
desviación del mismo. La relación definida anteriormente presenta mayor pre-
ferencia por alternativas con valor esperado más alto y menor incertidumbre,
sus caracterı́sticas más importantes son:
1. Si A ≤c B entonces am ≤ bm donde am y bm son los extremos inferiores
de A y B respectivamente.
2. Si al = bl = 0 entonces la relación ≤c se reduce a ≤ definida en R.
3. La relación ≤c es de orden parcial.
2amplitud = 1 longitud
2
SOLUCIÓN DE MODELOS DE OPTIMIZACIÓN LINEAL... 17
Si k ∈ R+ entonces
kA = [kam , kas ] =< kac , kal > .
Si k ∈ R− entonces
kA = [kas , kam ] =< kac , kal > .
18 HÉCTOR ANDRÉS LÓPEZ OSPINA
Ası́, pues la solución óptima para (1) se puede definir de la siguiente forma.
Notando que Ai =< aci , ali > se puede calcular el extremo a la izquierda y el
centro del intervalo Z(x) =< z c (x), z l (x) >= [z m (x), z s (x)] de la forma:
n
X n
X
z m (x) = aci xi − ali xi ,
i=1 i=1
n
X
z c (x) = aci xi .
i=1
S = {x ∈ X : no existe x
b tal que Z(x) <ic Z(b
x)},
Los dos objetivos del problema (2) se pueden describir de la siguiente manera
La primera función objetivo z c (x) se podrı́a asociar con la maximización
del valor esperado o valor promedio debido a que el parámetro a tra-
bajar es el centro del intervalo. Este tipo de estrategias son utilizadas
en optimización estocástica.
La función objetivo z m (x) tiene como parámetro de entrada el extremo
inferior del intervalo. Es decir, se busca maximizar el caso más pesimista
donde cada dato toma su peor valor. Este caso, podrı́a asociarse con el
criterio maximin de teorı́a de la decisión.
Método de Cohon
max zi (x)
(4) zj (x) ≥ εk , j 6= i
x ∈ X ⊆ Rn ,
con i, j = 1, 2. Es decir, uno de los objetivos se convierte en restricción zj (x) ≥
εk y el problema se resuelve r veces para obtener el conjunto de soluciones de
Pareto del problema (3).
4. Ejemplos
A continuación se presentan cuatro ejemplos donde se encuentra el conjunto
solución de modelos de optimización con coeficientes intervalares en la función
objetivo y tienen por objetivo aclarar los conceptos desarrollados en las sec-
ciones anteriores. Los datos son simulados para todos los casos. Los problemas
desarrollados son transporte, mochila, asignación y planeación de la produc-
ción.
4.1. Problema de transporte. Este problema se encuentra descrito en [6],
[7] y [14]. Un producto debe enviarse en determinadas cantidades (demanda)
d1 , ..., dn a n clientes desde m plantas que se llamarán orı́genes. Cada una de las
plantas tiene una restricción de capacidad de producción u1 , .., um . El problema
consiste en determinar las cantidades xij , que deben enviarse desde la planta i
al cliente j, con el objetivo de maximizar un beneficio.
Para este problema se tienen los siguientes datos:
m: número de plantas u orı́genes,
SOLUCIÓN DE MODELOS DE OPTIMIZACIÓN LINEAL... 21
donde z c (x) = 11x1,1 + 13x1,2 + 13x1,3 + 13x1,4 + 11x2,1 + 12x2,2 + ... + 11x3,4
y z m (x) = 10x1,1 + 11x1,2 + 10x1,3 + 8x1,4 + 9x2,1 + 9x2,2 + ... + 9x3,4 .
La solución óptima del objetivo 1, z1 (x) = z c (x) con x ∈ X obtenida por medio
del paquete de optimización LINGO es x∗1 = (0, 30, 5, 0, 0, 0, 5, 24, 20, 0, 5, 0) con
z c (x∗1 ) = 1156.
Por otro lado, La solución óptima del objetivo 2, z2 (x) = z m (x) con x ∈ X es
x∗2 = (20, 0, 0, 15, 0, 14, 15, 0, 0, 16, 0, 9) con z m (x∗2 ) = 852. Es importante notar
que x∗1 y x∗2 son soluciones completamente diferentes y generan una configu-
ración distinta del problema de transporte. La matriz de pagos obtenida es
zc zm
x1 1156 724
2
x 1054 852
6Las soluciones interiores generan puntos donde no existe óptimo de Pareto ya que son
8Es decir, minimizar el peor de los casos (cuando se asumen los costos más altos).
28 HÉCTOR ANDRÉS LÓPEZ OSPINA
5. Conclusiones
Para encontrar un conjunto solución de problemas de optimización lineal con
coeficientes intervalares en la función objetivo es necesario definir una relación
de orden entre intervalos para mostrar preferencia por diversas soluciones y de
esta forma desarrollar un modelo equivalente de optimización multiobjetivo.
En este trabajo se propuso la utilización del método de Cohon, pero es posible
SOLUCIÓN DE MODELOS DE OPTIMIZACIÓN LINEAL... 29
utilizar otro tipo de técnicas tales como programación por compromiso, méto-
do de las ponderaciones, métodos ELECTRE, metaheurı́sticas y programación
evolutiva, etc. Este tipo de algoritmos se encuentran descritos en [10].
De forma análoga, es posible extender esta clase de formulaciones a problemas
de tipo no lineal.
Otro estudio de carácter numérico que puede realizarse es cuando los parámet-
ros de matriz de restricciones pueden clasificarse como intervalos o parámetros
Grey [3].
Referencias
[1] Alefeld G., Herzberger, Introduction to interval computations. Academic Press.
Nueva York. 1983.
[2] Birge J. y Louveaux F., Introduction to Stochastic Programming. Springer −
Verlag. Nueva York. 1997
[3] Cadenas J., Verdegay J.,, Modelos de optimización con datos imprecisos. Uni-
versidad de Murcia, servicio de publicaciones. 1999.
[4] Cohon J., Multiobjective Programming and Planning. Academic Press. 1978
[5] Ishibuchi H., Tanaka, Multipleobjective programming in optimization of the in-
terval objective function. EJOR 48, 219 a 225. 1990
[6] Linares P., Ramos A., Sánchez P., Sarabia A. y Victoriano B,. Modelos
matemáticos de optimización. Universidad de Comillas. España. 2001.
[7] López Héctor, Introducción a GAMS y su aplicación en la solución de modelos
matemáticos de optimización. Cuadernillo cursillo XXII Coloquio distrital de
Matemáticas y estadı́stica. Departamento de Matemáticas. Universidad Nacional
de Colombia. 2006
[8] Pardalos P., Uryasev S.(Eds), Stochastic Optimization: Algorithms and Applica-
tions. Kluwer Academic Publishers. 2001
[9] Prékopa A., Stochastic Programming. Kluwer Academic Publishers. 1995.
[10] Smith R., Mesa O., Dyner I., Jaramillo P., Poveda G., Valencia D., Decisiones con
múltiples objetivos e incertidumbre. 2a edición. Facultad de Minas, Universidad
Nacional de Colombia, Sede Medellı́n. 2000
[11] Taha Hamdy, Investigación de operaciones. Séptima edición. Editoral Pearson.
2004.
[12] Tanaka h., Asai K., Fuzzy linear programming with fuzzy numbers. Control ans
Cybernet 13, 185 a 194. 1984.
[13] Verdegay J., Problemas de decisión en ambientes difusos. Tesis doctoral. Uni-
versidad de Granada. 1982.
[14] Winston W., Investigación de operaciones: aplicaciones y algoritmos. Séptima
edición. Editoral Thomson. 2005.