Presentacin

Universidad Central del Este (UCE)

Sistema de Optimizacin I

Estarli Moiss Pea

Prctica

Joel De Len Schneider

2014-0935

2/17/2017
 Introduccin
De seguro con anterioridad ha visto de mltiples fuentes la definicin bsica de un
sistema, que consiste en un conjunto de componentes que estn relacionados con
el propsito de lograr un objetivo en comn. Esto es casual, lo mismo pasa con el
concepto de optimizar, que es hacer que un proceso funcione de manera ms
eficiente. Pero sucede que cuando unimos estas dos palabras obtenemos una
unin que muy pocos conocen: Sistema de Optimizacin.
Cabe mencionar que Sistema de Optimizacin no es lo mismo que Optimizacin de
Sistemas que se refiere a mejorar Sistemas, por simple sentido comn o lgica
diramos que el primero de estos se relaciona con una serie de tcnicas, mtodos,
o procesos destinados a optimizar algo. No obstante, en el siguiente trabajo se
desglosara el concepto parte por parte con profundidad con el fin de comprender
lo que este conlleva.
 Desarrollo
1. Un sistema es un conjunto de componentes que interaccionan entre s para lograr un objetivo en
comn.(Fernandez,2010)

2. Optimizacin se concibe como el proceso de intentar encontrar la mejor solucin posible a un

problema de optimizacin, generalmente en un tiempo limitado. Se puede decir que un problema de
optimizacin es simplemente un problema en el que hay varias (en general muchas) posibles soluciones
y alguna forma clara de comparacin entre ellas.(Duarte,2007)

3. Sistemas de Optimizacin: son sistemas que calculan distintos escenarios de produccin en base a la
configuracin para el campo y las metas de produccin establecidas, en los cuales la funcin objetivo es
maximizar la ganancia y minimizar los costos de operacin.(Bravo et all,2011)

4.

Segn Taha (1992) los tres componentes bsicos para la toma de decisiones y por ende
instrumentos analticos de optimizacin son:
1. Opciones de decisin
2. Restricciones del problema
3. Criterio objetivo

Anlisis de optimizacin en la investigacin de operaciones: Segn Taha (1992) La investigacin

de operaciones aspira a determinar el mejor curso de accin (optimo) de un problema de decisin
con la restriccin de recursos limitados. El termino investigacin de operaciones muy a menudo
esta asociado casi en exclusiva con la aplicacin de tcnicas matemticas, para representar por
medio de un modelo y analizar problemas de decisin.

Tipos de sistemas de optimizacin:

Modelos deterministas.

En los modelos deterministas, ni las variables exgenas, ni las endgenas, se obtienen por medio
del azar, debido a que se suponen relaciones exactas para las caractersticas de operacin, en
lugar de funciones de densidad de probabilidad. Son variables con valores preestablecidos.

Modelos estocsticos.

Son aquellos modelos en los que, por lo menos una de las caractersticas de operacin est dada
por una funcin de probabilidad. Los valores de sta o stas variables, se obtienen al azar.

Modelos estticos.
Son aquellos modelos que no toman en cuenta, explcitamente, a la variable tiempo.
 Modelos dinmicos.
Los modelos matemticos que tratan de las interacciones que varan con el tiempo, se denominan
modelos dinmicos.

Efecto de la disponibilidad de datos en la representacin por medio de modelos:

Segn Taha (1992) los modelos de cualquier clase, sin importar su refinamiento y exactitud,
pueden probar ser poco prcticos si no estn respaldados por datos confiables. Si se distorsionan
las estimaciones, la solucin que se obtenga, pese a ser ptima en un sentido matemtico,
realmente ser de calidad inferior desde la perspectiva del sistema real.
En algunos casos quizs no se conozcan con certeza los datos. Ms bien, se determinan a travs
de distribuciones de probabilidad. Lo que es ms importante, sera necesario modificar la
estructura del modelo para dar cabida a la naturaleza probabilstica de la demanda. Esto da origen
a los as llamados modelos probabilsticos o estocsticos en contraste con los modelos
determinsticos.

Fases de un estudio y clculo de optimizacin.

Segn Taha (2009):
1. La definicin del problema implica definir el alcance del problema investigado. Esta
funcin debe ser realizada por todo el equipo de IO. El objetivo es identificar tres
elementos principales del problema de decisin: (1) descripcin de las alternativas de
decisin; (2) determinacin del objetivo del estudio, y (3) especificacin de las
limitaciones bajo las cuales funciona el sistema modelado.
2. La construccin del modelo implica un intento de transformar la definicin del problema
en relaciones matemticas. Si el modelo resultante se ajusta a uno de los modelos
matemticos estndar, como la programacin lineal, se suele obtener una solucin
utilizando los algoritmos disponibles. Por otra parte, si las relaciones matemticas son
demasiado complejas como para permitir la determinacin de una solucin analtica, el
equipo de IO puede optar por simplificar el modelo y utilizar un mtodo heurstico, o bien
considerar la simulacin, si es lo apropiado. En algunos casos, una simulacin matemtica
puede combinarse con modelos heursticos para resolver el problema de decisin, como
lo demuestran los anlisis de casos del captulo 26, que se encuentra en el sitio web.
3. La solucin del modelo es por mucho la ms sencilla de todas las fases de IO porque
implica el uso de algoritmos de optimizacin bien definidos. Un aspecto importante de la
fase de solucin del modelo es el anlisis de sensibilidad. Tiene que ver con la obtencin
de informacin adicional sobre el comportamiento de la solucin ptima cuando el
modelo experimenta algunos cambios de parmetros. El anlisis de sensibilidad es
particularmente necesario cuando no se pueden estimar con precisin los parmetros del
modelo. En estos casos es importante estudiar el comportamiento de la solucin ptima
en el entorno de los parmetros estimados.
4. La validez del modelo comprueba si el modelo propuesto hace en realidad lo que dice
que hace, es decir, predice adecuadamente el comportamiento del sistema que se
estudia? Al principio, el equipo de IO debe estar convencido de que el resultado del
modelo no contenga sorpresas. En otras palabras, tiene sentido la solucin? Los
resultados sin intuitivamente aceptables? Del lado formal, un mtodo comn de
comprobar la validez de un modelo es comparar su resultado con resultados histricos.
El modelo es vlido si, en condiciones de datos de entrada iguales, reproduce de forma
razonable el desempeo pasado. Sin embargo, no suele haber seguridad de que el
desempeo futuro continuar copiando el comportamiento pasado. Adems, como el
modelo se basa en el examen cuidadoso de datos pasados, la comparacin propuesta casi
siempre es favorable. Si el modelo propuesto representara un sistema nuevo
(inexistente), no habra datos histricos disponibles. En esos casos podemos utilizar la
simulacin como una herramienta independiente para comprobar el resultado del
modelo matemtico.
5. La implementacin de la solucin de un modelo validado implica la transformacin de los
resultados en instrucciones de operacin comprensibles que se emitirn a las personas
que administrarn el sistema recomendado. La responsabilidad de esta tarea recae
principalmente en el equipo de IO.

Existen un conjunto de mtodos para el clculo de optimizacin que no garantizan una

solucin ptima pero si resultan en buenas soluciones estos son llamados heursticos y
suelen emplearse para dos fines:
o Se pueden utilizar dentro del contexto de un algoritmo de optimizacin exacto,
con el fin de aumentar la velocidad del proceso para alcanzar el nivel ptimo.
o Se utilizan simplemente para obtener una buena solucin al problema.
Para ilustrar el segundo tipo de un mtodo heurstico, considere el problema de un agente
viajero que debe viajar a 5 ciudades, donde cada ciudad la visita una sola vez antes de
volver a su ciudad de origen. La figura 1 de los anexos muestra cmo.
 Bibliografa
Fernndez Alarcn, V. (2010). Desarrollo de sistemas de informacin: una metodologa basada en el
modelado. Recuperado de
https://books.google.com.do/books?id=Sqm7jNZS_L0C&dq=Desarrollo+de+sistemas+de+informacion+u
na+metodolog%C3%ADa+basada+en+el+modelado&hl=es&source=gbs_navlinks_s.
Duarte Muoz, A. (2007). Metaheursticas. Recuperado de
https://books.google.com.do/books?id=KHWqm14sf1cC&dq=metaheuristicas&hl=es&source=gbs_navli
nks_s.
Bravo, C., Aguilar-Castro, J., Rios, A. et all (2011). Arquitectura Basada en Inteligencia Artificial
Distribuida para la Gerencia Integrada de Produccin Industrial. Recuperado de
http://appswl.elsevier.es/publicaciones/item/pdf/watermark?idApp=UINPBA00004N&piiItem=S169779
1211000471&origen=zonadelectura&web=zonadelectura&urlApp=http://www.elsevier.es&estadoItem=
S300&idiomaItem=es&textMensaje=Documento%20descargado%20de%20http://www.elsevier.es%20el
%2017-02-2017.
Taha, H. (1992). Investigacin de operaciones 5ta edicin. Recuperado de
https://www.elsolucionario.org/investigacion-de-operaciones-hamdy-taha-5ed/.
Taha, H. (2009). Investigacin de operaciones 9na edicin. Recuperado de
https://jrvargas.files.wordpress.com/2009/01/investigacic3b3n-de-operaciones-9na-edicic3b3n-hamdy-
a-taha-fl.pdf.

Anexos