Académique Documents
Professionnel Documents
Culture Documents
FACULTAD DE INGENIERÍA
ESCUELA DE INGENIERÍA INDUSTRIAL Y
ESTADÍSTICA
INTRODUCCIÓN
Las presente publicación trata de familiarizar al estudiante con los principales
aspectos de la Investigación de Operaciones (IO), incluyendo su origen histórico, su
naturaleza y sus diversas técnicas. El énfasis principal se da a los modelos de
programación lineal, incluyendo la programación lineal entera y el problema del
transporte. Posteriormente, se presenta una introducción a los modelos de redes y se
da como opcional una introducción general a la optimización nó-lineal. Así, estas notas
pueden utilizarse en cursos de Investigación de Operaciones I, Modelación Matemática
e Introducción a la Optimización.
1. LA INVESTIGACIÓN DE
OPERACIONES
1.1 ORÍGENES
sus industrias y se dieron cuenta que sus problemas eran de naturaleza semejante a la
de los problemas militares: recursos limitados y dificultad para lograr su mejor
asignación a las diversas actividades de la empresa. En los Estados Unidos, el interés
de la industria por las técnicas de la IO no fue tan inmediato y surgió con el
advenimiento de las Segunda Revolución Industrial, caracterizada por la automatización
y el advenimiento de los computadores electrónicos digitales.
Por otra parte, el grupo que realiza un estudio específico en alguna organización
debe contener personas expertas en las áreas antes mencionadas y además poseer un
conocimiento global y profundo de la organización misma, de tal forma que la definición
del problema, el diseño del modelo y la utilización de sus soluciones estén enmarcados
dentro del contexto del sistema real y específico bajo estudio. De esto último puede
deducirse que los resultados que brinda la IO se obtienen en general de mediano a largo
plazo, pues el conocimiento inicial del sistema bajo estudio por parte del grupo puede
consumir un tiempo considerable.
Como puede observarse, las posibilidades de aplicación son inmensas y cada día
más especializadas. Las aplicaciones reales de la IO están creciendo cada día,
especialmente en nuestro medio cuando apenas empieza a reconocerse su importancia
y utilidad para el diseño y optimización de sistemas complejos.
Prácticamente cada una de estas técnicas podría dar lugar a cursos completos
o seminarios especializados, con amplia exposición de aplicaciones reales. Esta
publicación se centra en lo que podría denominarse un curso de Introducción a la
Optimización o Investigación de Operaciones I, concentrándose principalmente en los
modelos de programación lineal y brindando una introducción a la teoría de redes y a la
programación no-lineal.
Introducción a la modelación matemática y optimización. Capítulo 1: La Investigación de Operaciones 7
2. EL PROCESO DE DISEÑO EN
INGENIERÍA
Como ya se ha visto, la IO aplica el método científico para analizar, modelar y
optimizar sistemas complejos reales. Desde el punto de vista de la ingeniería industrial
y de sistemas, esta metodología podría definirse como el “proceso de diseño en
ingeniería.” Este proceso consiste en una serie de pasos bien definidos para encontrar
la solución de problemas reales. La Figura 2.1 muestra una síntesis de este proceso.
Los dos pasos siguientes son comunes al proceso bien sea que exista o no un
modelo de decisión. Se trata de especificar claramente la solución con el objeto de que
sea implementada de una forma correcta y de que permita su continua evaluación y
control. Estos pasos pueden identificar desviaciones de la realidad o cambios con
respecto de la concepción original del problema, de tal forma que se puede hacer
necesario un proceso continuo de análisis y refinamiento del modelo, incluso existiendo la
posibilidad de reformular el problema e iniciar el proceso de nuevo.
2.1 MODELOS
Uno de los pasos fundamentales del proceso descrito anteriormente puede ser
la formulación y validación de un modelo de decisión. En general, puede decirse que un
modelo es la abstracción de la realidad, el cual debe poseer dos características
básicas:
Otro tipo de clasificación define los modelos como descriptivos, o sea aquéllos
que sólo describen el sistema bajo estudio, o normativos u optimizables, los cuales se
formulan para mejorar u optimizar el sistema bajo estudio. De manera semejante, los
modelos se pueden clasificar en determinísticos o estocásticos (probabilísticos), de
acuerdo con su capacidad de involucrar o nó variables aleatorias en el análisis.
Existen otras clasificaciones más detalladas, pero con las dadas aquí es
suficiente para ilustrar los tipos de modelos objeto de esta publicación. En general, los
modelos matemáticos tratados en esta publicación, es decir los de programación lineal,
modelos de redes y programación no-lineal, pueden ser clasificados como modelos
matemáticos determinístico-optimizables.
Por el contrario, existen también algunas desventajas que deben ser evaluadas
antes de emprender la tarea de formulación de un modelo para la solución de un
problema. Ellas son:
Los modelos deben siempre considerarse como un soporte o ayuda para la toma
de decisiones y nunca como el reemplazo de las personas que toman las decisiones. Si
se formula un modelo pensando que sus resultados van a resolver todos los problemas
de decisión y van a ser implementados “a ojos cerrados,” se cae en un grave error que
puede traer consecuencias impredecibles. Existen en la realidad muchos factores que
no pueden ser involucrados en modelos matemáticos y que sólo los grupos de personas
que toman las decisiones pueden evaluar. Por lo tanto, desde este punto de vista, los
modelos son una poderosa herramienta para este proceso, pero no el fin mismo de la
decisión.
Una vez formulado un modelo matemático, éste debe resolverse para cumplir
con los pasos de evaluación de las alternativas y selección de la(s) alternativa(s)
óptima(s). El proceso que se utiliza para lograr este objetivo se denomina algoritmo.
Un algoritmo es, por lo tanto, un conjunto finito de pasos, especialmente diseñado para
la solución de un problema.
indicador del tamaño del problema que se está resolviendo, como por ejemplo, el número
de variables y/ó restricciones involucrados en él, y que el tiempo que emplea un
algoritmo en resolver dicho problema es:
ORDEN DEL Tamaño del Tamaño del Tamaño del Tamaño del
ALGORITMO problema n = 10 problema n = 20 problema n = 40 problema n = 80
n 0.001 seg. 0.002 seg. 0.004 seg. 0.008 seg.
n3 0.001 seg. 0.008 seg. 0.064 seg. 0.512 seg,
2n 0.001 seg. 1.024 seg. 12.43 días 3.74 × 1010 años
Finalmente, existen sistemas expertos que pueden utilizarse para resolver cierto
tipo de problemas. En general, estos sistemas resuelven problemas operacionales,
pero no son adecuados para resolver problemas tácticos o estratégicos de mayor
nivel.
3. FORMULACIÓN DE MODELOS DE
PROGRAMACIÓN LINEAL
3.1 ORÍGENES Y ANTECEDENTES HISTÓRICOS
Una vez definidas las actividades y la función objetivo, se pasa a estudiar las
restricciones del sistema, las cuales son el reflejo de los recursos limitados de que se
dispone. El desarrollo de cada actividad consumirá parte de los recursos y la
cuantificación total de la contribución de todas las actividades conformará las
restricciones del sistema. Estas restricciones se expresan como funciones
matemáticas lineales de igualdad o desigualdad.
comportamiento del método simplex y por ello sigue siendo tal vez el método más
eficiente de solución de problemas de programación lineal.1
Las condiciones básicas que deben cumplirse para que tanto la función objetivo
como cada una de las restricciones sea de naturaleza lineal son la proporcionalidad y la
aditividad. Ellas se explican a continuación.
3.3.1 Proporcionalidad
3.3.2 Aditividad
1
Para mayores detalles sobre esta discusión, consultar Chvátal (1983), Capítulo 4, pág. 45–52.
Carlos Julio Vidal Holguín (Universidad del Valle − Escuela de Ingeniería Industrial y Estadística) 18
Supóngase ahora que el hecho de producir una mayor cantidad del artículo B,
hace que los costos de producción del artículo A se incrementen. Así, por ejemplo, la
utilidad unitaria del artículo A se vería disminuida mediante cierto factor y podría
expresarse como $(30 – 0.0001XB)/unidad. La función objetivo sería por lo tanto:
2
Ver, por ejemplo, Taha (1998), pág. 807.
3
Ver, por ejemplo, Hicks (1999).
4
Ver, por ejemplo, Escudero et al. (1999).