Académique Documents
Professionnel Documents
Culture Documents
Diseo de cadenas de distribucin con demanda bajo incertidumbre: una aproximacin de programacin lineal difusa. En: Ingeniera, Vol. 18, No. 2, pp. 6884
Diseo de cadenas de
distribucin con demanda bajo
incertidumbre: una aproximacin
de programacin lineal difusa
Design of distribution networks under
uncertainty demand: A fuzzy linear
programming approach
Eduyn Ramiro Lpez-Santana
Universidad Distrital Francisco Jos
de Caldas Facultad de Ingeniera
erlopezs@udistrital.edu.co
Carlos Franco-Franco
Universidad Distrital Francisco Jos
de Caldas Facultad de Ingeniera
cafra87@gmail.com
Resumen
Este artculo presenta un modelo para el diseo de una red de distribucin
considerando la demanda bajo incertidumbre en un ambiente de mltiples
productos y mltiples periodos. El modelo propuesto integra un problema
de localizacin de instalaciones y un problema de distribucin con restricciones difusas en el cumplimiento de la demanda, el cual se resuelve utilizando el mtodo de restricciones suaves propuesto por Zimmermann considerando parmetros difusos en el lado derecho de las restricciones de un
problema de programacin lineal entera mixta y funciones de perteneca
lineales. Los resultados encontrados muestran como la localizacin de las
plantas y almacenes se puede conservar para en el modelo flexible, mientras se realiza un balance entre el inventario generado y el costo incurrido.
Palabras clave: redes de distribucin, programacin lineal difusa, demanda bajo incertidumbre.
Abstract
This paper presents a model for designing a distribution network considering the demand under uncertainty, in a multi-products and multiperiods environment. The proposal model integrates a Facility Location
Problem and a Distribution Problem with fuzzy constraints in demands
satisfying which is solved using the soft constraints method proposed by
Zimmermman, which considers fuzzy parameters in the right hand side
of a Mixed Integer Linear Programming problem and linear membership
functions. The obtained results show how the localization of the plants
and distribution centers can be conserved for different membership degrees, while there is a balance between the inventory and the cost.
Fecha recibido: oct. 14/2013
Fecha modificado: dic. 6/2013
Fecha aceptado: dic. 13/2013
68
INGENIERA
1. Introduccin
El problema de diseo de una red de distribucin ha sido ampliamente estudiado en la
literatura [1], [2], [3], [4] y [5], busca satisfacer la demanda de un conjunto de clientes utilizando efectivamente los recursos disponibles, suministrando el mejor acceso posible a
los clientes teniendo como criterios la distancia, el tiempo, los costos de flete, entre otros
aspectos. El problema consiste en dado un conjunto de posibles ubicaciones de plantas
(o fbricas) de produccin y de almacenes (o centros de distribucin) con unas capacidades de produccin y almacenamiento, respectivamente; determinar la mejor ubicacin
de un nmero determinado de plantas y almacenes con el fin de satisfacer la demanda
de un conjunto de clientes minimizando los costos asociados a la apertura de plantas y
almacenes y a la distribucin de los productos desde las plantas hasta los clientes finales.
Por otro lado, determina cuantos productos se deben fabricar y almacenar en las plantas
y almacenes, respectivamente. En la mayora de los problemas estudiados se asume que
la informacin de costos y demandas es conocida y determinstica, ignorando que la
incertidumbre de dicha informacin puede resultar en soluciones sub-ptimas cuando
se implementan en el sistema debido a que se pueden generar inventarios cuando la
demanda real es menor que la pronosticada o dficit de productos en caso contrario [6].
El problema a estudiar en este trabajo se fundamenta en cmo se debe configurar una
red de distribucin que consiste en un sistema integrado de localizacin y distribucin
considerando diferentes instalaciones (etapas) como fbricas, almacenes, centros de consumo y mltiples productos y periodos dentro de un horizonte de planeacin. En una red
de distribucin los almacenes actan como nodos intermediarios entre los proveedores y
sus puntos de venta, por tanto en estos se pueden almacenar productos en inventario con
el fin de abastecer demandas futuras. Problemas similares han sido analizados en trabajos
como [7], [8], [9], [10] y [11]. Los mtodos ms sencillos tratan el problema de redes
logsticas en donde los parmetros que se usan en el modelo son determinsticos y se pueden formular problemas de programacin lineal entera, dadas las condiciones de apertura
de plantas y almacenes. En el 2007 se public un mtodo de solucin para el problema
discreto basado en DC Programming [1], en el problema planteado, la configuracin de la
red se realiza para mercados emergentes o mercados nuevos. Para utilizar est tcnica de
DC programming, se reformula un problema lineal y luego se solucionan mltiples problemas lineales hasta que se obtiene la solucin adecuada. Tambin se han desarrollado
mtodos heursticos o aproximados para este problema [3], donde se plantean estrategias
de inicializacin de las asignaciones y las plantas a utilizar, para obtener una solucin
inicial, se relaja el problema lineal entero, y se obtienen soluciones aproximadas, luego de
esto se proceden a hacer redondeos pero teniendo en cuenta las factibilidades para no
alterar la solucin. Una vez se obtienen soluciones factibles se realizan perturbaciones o
intercambios a la solucin para saber si esta mejora.
El trabajo desarrollado en este artculo incorpora mltiples productos y la demanda
bajo incertidumbre para el problema del diseo de una red de distribucin. Cuando se
habla de problemas de toma de decisiones bajo incertidumbre, se tiene un grado de comINGENIERA VOL. 18 NO. 2 ISSN 0121-750X E-ISSN : 2344-8393 UNIVERSIDAD DISTRITAL FRANCISCO JOS DE CALDAS
69
INGENIERA
VOL. 18 NO. 2 ISSN 0121-750X E-ISSN : 2344-8393 UNIVERSIDAD DISTRITAL FRANCISCO JOS DE CALDAS
Cada producto producido en una planta con una de las tecnologas consume una
porcin de la tecnologa que posee la planta.
Existe una capacidad mxima de produccin y envo asociada a cada planta segn
el tipo de tecnologa.
Se tiene una demanda para cada uno de los productos en cada periodo de planeacin por cada punto de venta.
INGENIERA VOL. 18 NO. 2 ISSN 0121-750X E-ISSN : 2344-8393 UNIVERSIDAD DISTRITAL FRANCISCO JOS DE CALDAS
71
INGENIERA
VOL. 18 NO. 2 ISSN 0121-750X E-ISSN : 2344-8393 UNIVERSIDAD DISTRITAL FRANCISCO JOS DE CALDAS
V jqt: matriz de capacidades mximas (en horas disponibles) para el centro de distribucin j con tecnologa q en el periodo t.
r lp: porcin de tecnologa que consume el producto l producido en una planta con una
de la tecnologa p (en horas por unidad de producto).
s lq: porcin de tecnologa que consume el producto l almacenado en un centro de distribucin con una de la tecnologa q (en horas por unidad de producto).
g ip: costo fijo asociado a la apertura de la planta i con el tipo de tecnologa p.
f jq: costo fijo asociado a la apertura del centro de distribucin j con el tipo de tecnologa q.
c ijlp: costo unitario asociado al tipo de producto l por ser producido y enviado desde una
planta i con una tecnologa p a un centro de distribucin j.
b jklq: costo unitario asociado al tipo de producto l por ser almacenado y enviado desde
el centro de distribucin j con una tecnologa q a un punto de demanda k.
h jl: costo unitario de mantenimiento de inventario para el producto l en el almacn j.
D klt: demanda unitaria para todo el periodo de planeacin del punto de venta k del tipo
de producto l en el periodo t.
A max: mximo nmero de plantas que se pueden abrir.
B max: mximo nmero de centros de distribucin que se pueden abrir.
Variables de decisin
X ijlpt: cantidad en unidades enviada de la planta i con tecnologa p al almacn j del
producto l en periodo t.
Y jklqt: cantidad en unidades enviada del Almacn j con tecnologa q al punto de venta
k del producto l en el periodo t.
W jlt: inventario al final del periodo t del producto l en el almacn j.
A ip: es una variables binaria donde (1) indica la apertura una planta i con tecnologa
p, (0) de lo contrario.
B jq: es una variables binaria donde (1) indica la apertura un almacn j con tecnologa
q, (0) de lo contrario.
El modelo de programacin lineal entera-mixta (MILP, Mixed Integer Linear Programming) se presenta a continuacin:
INGENIERA VOL. 18 NO. 2 ISSN 0121-750X E-ISSN : 2344-8393 UNIVERSIDAD DISTRITAL FRANCISCO JOS DE CALDAS
73
Para este modelo en (1) se busca minimizar los costos totales de la cadena de distribucin. Las restricciones (2) y (3) se refieren al cumplimiento de la capacidad de plantas y
centros de distribucin en cada uno de los periodos, respectivamente. La restriccin (4)
se refiere a que cada planta abierta debe tener un solo tipo de tecnologa, y la restriccin
(6) que mximo se puede abrir un nmero determinado de plantas en todo el horizonte
de planeacin, (5) y (7) son similares pero para los centros de distribucin. La restriccin
(8) es de balance de productos e inventarios en cada centro de distribucin, por cada
producto y en cada periodo. La restriccin (9) asegura que se debe satisfacer la demanda
de cada cliente, producto y en cada periodo. La restriccin (10) se refiere a la naturaleza
de las variables de decisin.
INGENIERA
VOL. 18 NO. 2 ISSN 0121-750X E-ISSN : 2344-8393 UNIVERSIDAD DISTRITAL FRANCISCO JOS DE CALDAS
Entonces este intervalo se puede considerar como un nmero difuso tipo I, al cual se
le puede asociar una variable lingstica como lo es el nivel de proyeccin de ventas, indicando que la cantidad de ventas tiene una pertenencia a la variable de ventas pesimistas si
es inferior a Dkl t , y si es superior a Dk+l t se consideraran ventas optimistas. El objetivo es
determinar dentro del intervalo [Dkl t ; Dk+lt ] un valor ms preciso (cerrado o pequeo) que
garantice un costo mnimo y que sea til para la planeacin de ventas y el diseo de una red
de distribucin.
Si la demanda se considera como un conjunto difuso entonces la restriccin de cumplimiento de demanda (9) tendra la siguiente funcin de perteneca (Dklt ( j J q Q Y jklqt ))
para un conjunto difuso definido sobre un intervalo como se muestra en la Figura 2.
Para Dk+l t se asocia la mxima pertenencia, es decir un valor de 1, de tal forma que la
funcin representada en la figura 2 se puede modelar como se muestra en la ecuacin
(12). Si la demanda es menor que Dkl t la perteneca es cero. Para valores dentro del intervalo la pertenencia se representada mediante funciones lineales.
(12)
INGENIERA VOL. 18 NO. 2 ISSN 0121-750X E-ISSN : 2344-8393 UNIVERSIDAD DISTRITAL FRANCISCO JOS DE CALDAS
75
implica una flexibilidad en la restriccin, b se presenta como un conjunto difuso con una
funcin de pertenencia b (Aij xj ) dada por
(13)
Esta funcin de pertenencia se puede representar grficamente por la figura 3 (a). El procedimiento de solucin est dado como:
1) Encontrar dos cotas z y z+ (inferior y superior, respectivamente) para la funcin ob
jetivo, donde z es calculada resolviendo el PL con b y z+ es calculada con b+.
2) Definir un conjunto difuso lineal para z dado por:
(14)
Esta funcin de pertenencia se puede representar grficamente por la Figura 3 (b). Cuando los valores de la funcin objetivo son mayores a la cota superior se asigna una valor
de 1 (mxima grado de pertenencia) y cuando son menores a la cota inferior se asigna un
valor de 0. Dentro del intervalo se asume una funcin lineal.
3) Encontrar el mximo nivel de pertenencia sobre la interseccin de las funciones de perte. La interseccin de conjuntos
nencia para todos los conjuntos difusos
difusos se puede representar por el operador min, de tal forma que se desea resolver el
76
INGENIERA
VOL. 18 NO. 2 ISSN 0121-750X E-ISSN : 2344-8393 UNIVERSIDAD DISTRITAL FRANCISCO JOS DE CALDAS
problema
. Este problema no lineal se puede resolver mediante
un modelo de programacin lineal equivalente definido como es grado de satisfaccin
de todos los conjuntos difusos. Este PL esta dado como:
(15)
INGENIERA VOL. 18 NO. 2 ISSN 0121-750X E-ISSN : 2344-8393 UNIVERSIDAD DISTRITAL FRANCISCO JOS DE CALDAS
77
3. Ejemplo de aplicacin
Se presenta el siguiente ejemplo para mostrar la aplicacin del modelo propuesto y del
enfoque de solucin. Se consideran 5 plantas, 4 centros de distribucin, 4 clientes, 4 y 3
tipos de tecnologa para plantas y centros de distribucin respectivamente, 5 periodos de
horizonte de planeacin y se pueden abrir mximo 2 plantas y 2 centros de distribucin.
Se fabrican un solo tipo de producto (aunque se puede ampliar a mltiples productos).
La informacin de los parmetros descritos en la seccin 2.1 se encuentra en la Tablas I
a VI), por facilidad se toma la capacidad de las plantas y de los almacenes constantes en
todo el horizonte de planeacin.
78
INGENIERA
VOL. 18 NO. 2 ISSN 0121-750X E-ISSN : 2344-8393 UNIVERSIDAD DISTRITAL FRANCISCO JOS DE CALDAS
INGENIERA VOL. 18 NO. 2 ISSN 0121-750X E-ISSN : 2344-8393 UNIVERSIDAD DISTRITAL FRANCISCO JOS DE CALDAS
79
4. Resultados
Este problema se ejecut en Xpress-MP 7.4 en Windows 8 64-bit, con un procesador Intel
i5 3337 (21.8 GHz) y 6GB de RAM. Los modelos se resolvieron entre 30 y 60 segundos.
La tabla VII muestra los resultados respecto a la cantidad de productos que ingresa y sale
de cada almacn en cada periodo y el inventario al final del mismo. Tambin se muestra el
total de unidades para estas variables as como su costo de produccin, almacenamiento y
el costo total. Las 2 primeras columnas presentan el periodo y el almacn. Las columnas 2,
4, y 5 presentan la solucin para Z- (), las columnas 6, 7, y 8 para Z+ () y las columnas 9, 10
y 11 para el modelo de programacin lineal entera mixta difusa.
En cuanto apertura de plantas en los tres modelos se decide abrir una planta (i=2) con
la misma tecnologa (p=2), mientras que para los almacenes se puede observar como la
decisin de apertura en la cota inferior y del modelo difuso es la misma (almacenes j=2
y 3 con tecnologas q=1 y 2, respectivamente), mientras que para la cota superior la configuracin es diferente (almacenes j=1 y 2 con tecnologa q=1). Los costos de apertura
de plantas y almacenes son los mismos en los tres modelos, la diferencia son los tipos de
tecnologa utilizados.
Respecto a las cantidades enviadas desde las plantas hacia los almacenes y de estos a
los puntos de venta los resultados del modelo difuso estn dentro del rango dado por los
resultados de la cota inferior y superior. Un comportamiento similar se presenta con el
total de unidades en inventario generado en el horizonte de planeacin, aunque para el
modelo de la cota inferior se incurre en inventario en los periodos 3 y 4, para los otros
dos modelos se incurren en los periodos 2, 3, y 4. Los costos de produccin y envi
desde plantas, de almacenamiento y envi desde almacenes y de inventario presentan
las misma tendencia que la unidades, aunque se utilizan distintas tecnologas, el modelo
difuso obtuvo un resultado intermedio entre la cota inferior y la cota superior indicando
un nivel de ventas que debe satisfacerse con ese grado de satisfaccin de las restricciones
de los conjuntos difusos.
En resumen para esta aplicacin, se obtiene un Z- () de 11263,645.00, un Z+ () de
11562,954.10 y Z* () de 11407,607.10. El grado de pertenencia obtenido fue de 0.519.
En la figura 5 se observa cmo se encuentra un valor de la demanda para un producto
en cada uno de los puntos de venta, tambin se intenta alcanzar el mnimo costo (cota
inferior de los valores de la funcin objetivo).
80
INGENIERA
VOL. 18 NO. 2 ISSN 0121-750X E-ISSN : 2344-8393 UNIVERSIDAD DISTRITAL FRANCISCO JOS DE CALDAS
Figura 5. Resultados del mximo grado de pertenencia para la demanda (tres clientes (k ), un producto, un
periodo) y funcin objetivo
Fuente: elaboracin propia
81
Agradecimientos
Agradecemos a Fair Isaac Corporation (FICO) por proveernos licencias de uso acadmico de Xpress MP bajo el programa acadmico (Academic Partner Program) suscrito
con la Universidad Distrital Francisco Jos de Caldas. Tambin agradecemos al revisor
por sus valiosos comentarios y sugerencias que ayudaron a presentar mejor el modelo
propuesto y los resultados obtenidos.
Referencias bibliogrficas
[1]
N. C. Nam, T. H. L. An, and P. D. Tao, A Branch and Bound Algorithm Based on DC Programming
and DCA for Strategic Ca-pacity Planning in Supply Chain Design for a New Market Opportunity,
in Operations Research Proceedings 2006, P. D. K.-H. Waldmann and D.-W.-I. U. M. Stocker, Eds.
Springer Berlin Heidelberg, 2007, pp. 515520.
[2]
Y. Yin, I. Kaku, J. Tang, and J. Zhu, Supply Chain Design Using Decision Analysis, in Data Mining, Springer London, 2011, pp. 121132.
[3]
R. Velsquez, M. T. Melo, and S. Nickel, An LP-based Heuristic Approach for Strategic Supply
Chain Design, in Operations Research Proceedings 2005, P. D. H.-D. Haasis, P. D.-I. H. Kopfer,
and D. J. Schnberger, Eds. Springer Berlin Heidelberg, 2006, pp. 167172.
[4]
T. Seidel, Rapid Supply Chain Design by Integrating Modelling Methods, in Build To Order, G.
Parry and A. Graves, Eds. Springer London, 2008, pp. 277295.
82
INGENIERA
VOL. 18 NO. 2 ISSN 0121-750X E-ISSN : 2344-8393 UNIVERSIDAD DISTRITAL FRANCISCO JOS DE CALDAS
[5]
S.-H. Liao and C.-L. Hsieh, Integrated Location-Inventory Retail Supply Chain Design: A Multiobjective Evolutionary Ap-proach, in Simulated Evolution and Learning, K. Deb, A. Bhattacharya,
N. Chakraborti, P. Chakroborty, S. Das, J. Dutta, S. K. Gupta, A. Jain, V. Aggarwal, J. Branke, S. J.
Louis, and K. C. Tan, Eds. Springer Berlin Heidelberg, 2010, pp. 533542.
[6]
Z.-J. M. Shen and M. S. Daskin, Trade-offs Between Customer Service and Cost in Integrated
Supply Chain Design, MSOM, vol. 7, no. 3, pp. 188207, Jun. 2005.
[7]
H. Yan, Z. Yu, and T. C. Edwin Cheng, A strategic model for supply chain design with logical
constraints: formulation and so-lution, Computers & Operations Research, vol. 30, no. 14, pp.
21352155, Dec. 2003.
[8]
R. Hammami, Y. Frein, and A. B. Hadj-Alouane, A strategic-tactical model for the supply chain
design in the delocalization context: Mathematical formulation and a case study, International
Journal of Production Economics, vol. 122, no. 1, pp. 351365, Nov. 2009.
[9]
[10] B. M. Beamon, Supply chain design and analysis:, International Journal of Production Economics, vol. 55, no. 3, pp. 281294, Aug. 1998.
[11] V. Jayaraman and A. Ross, A simulated annealing methodology to distribution network design and
management, European Journal of Operational Research, vol. 144, no. 3, pp. 629645, Feb. 2003.
[12] N. V. Sahinidis, Optimization under uncertainty: state-of-the-art and opportunities, Computers &
Chemical Engineering, vol. 28, no. 67, pp. 971983, Jun. 2004.
[13] A. R. Singh, R. Jain, and P. K. Mishra, Capacities-based supply chain network design considering
demand uncertainty using two-stage stochastic programming, Int J Adv Manuf Technol, pp. 18.
[14] H. Selim and I. Ozkarahan, A supply chain distribution network design model: An interactive
fuzzy goal programming-based solution approach, Int J Adv Manuf Technol, vol. 36, no. 34, pp.
401418, Mar. 2008.
[15] K. N. Rao, K. V. Subbaiah, and G. V. P. Singh, Design of supply chain in fuzzy environment, J Ind
Eng Int, vol. 9, no. 1, pp. 111, Dec. 2013.
[16] S. Ahmed and N. V. Sahinidis, An Approximation Scheme for Stochastic Integer Programs Arising
in Capacity Expansion, Operations Research, vol. 51, no. 3, pp. 461471, May 2003.
[17] M. C. Georgiadis, P. Tsiakis, P. Longinidis, and M. K. Sofioglou, Optimal design of supply chain
networks under uncertain transient demand variations, Omega, vol. 39, no. 3, pp. 254272, Jun.
2011.
[18] F. Pan and R. Nagi, Robust supply chain design under uncertain demand in agile manufacturing,
Computers & Operations Research, vol. 37, no. 4, pp. 668683, Apr. 2010.
[19] H.-J. Zimmermann, Fuzzy programming and linear programming with several objective
functions, Fuzzy Sets and Systems, vol. 1, no. 1, pp. 4555, Jan. 1978.
[20] J. C. Figueroa-Garca, C. A. Lopez-Bello, and D. Kalenatic, An iterative algorithm for fuzzy mixed
production planning based on the cumulative membership function, Ingeniera, vol. 16, no. 2, pp.
617, 2011.
INGENIERA VOL. 18 NO. 2 ISSN 0121-750X E-ISSN : 2344-8393 UNIVERSIDAD DISTRITAL FRANCISCO JOS DE CALDAS
83
[21] J. C. Figueroa-Garca, D. Kalenatic, and C. A. Lopez-Bello, Multi-period Mixed Production Planning with uncertain de-mands: Fuzzy and interval fuzzy sets approach, Fuzzy Sets and Systems,
vol. 206, pp. 2138, Nov. 2012.
84
INGENIERA
VOL. 18 NO. 2 ISSN 0121-750X E-ISSN : 2344-8393 UNIVERSIDAD DISTRITAL FRANCISCO JOS DE CALDAS