Académique Documents
Professionnel Documents
Culture Documents
SAN AGUSTÍN
INGENIERÍA DE MÉTODOS 2
TÉCNICAS DE INVESTIGACIÓN OPERACIONES EN LA
LOCALIZACIÓN DE PLANTAS
DOCENTE:
DRA. ELISA CASTAÑEDA H.
INTEGRANTES:
CANAZA VILCA, STEFANY
CHURA PUMA, YEIMI
QUILLE ANCALLE, THALÍA
QUISPE HUILLCA, JUAN
QUISPE MALDONADO, MARÍA FERNANDA
ROJAS MAMANI, BRYAN EDWIN
GRUPO: “C”
Arequipa - Perú
2019
TÉCNICAS DE INVESTIGACIÓN OPERACIONES EN LA
LOCALIZACIÓN DE PLANTAS
El producto debe ser transportado desde varias fuentes a diferentes destinos de tal manera
de cumplir con la demanda de cada destino y, al mismo tiempo, minimizar el costo total
del transporte.
Paso 1: Se selecciona la celda que contenga el menor costo de transporte de toda la tabla.
A esa celda se le asigna la mayor cantidad posible de unidades. Esta cantidad puede estar
limitada por las restricciones de las ofertas y demandas.
En caso que varias celdas tengan el menor costo, se seleccionará la celda donde se pueda
realizar la asignación máxima.
Luego se procede a ajustar la oferta y la demanda que está en la fila y columna afectada.
Se ajusta restándole la cantidad asignada a la celda.
Paso 2: Se elimina la fila o columna en la que se haya agotado (sea cero) la oferta o la
demanda.
En caso que ambos valores, oferta y demanda, sean iguales a cero, se puede eliminar
cualquier fila o columna, de forma arbitraria.
Paso 3: Se repiten los pasos anteriores con el siguiente menor costo y se continúa hasta
satisfacer toda la oferta disponible en las diferentes fuentes o toda la demanda de los
distintos destinos.
Aplicaciones
– Minimizar los costos de transporte de las fábricas a los almacenes o de los almacenes a
las tiendas minoristas.
Ventajas
Se considera que el método del costo mínimo produce resultados más precisos y óptimos
en comparación con el de la esquina noroeste.
Por otro lado, el método del costo mínimo incluye los costos de transporte mientras se
realizan las asignaciones.
– A diferencia del método de la esquina noroeste, este método proporciona una solución
precisa, ya que considera el costo de transporte al realizar la asignación.
Desventajas
– Para obtener la solución óptima se deben seguir ciertas reglas. Sin embargo, el método
del costo mínimo no las sigue paso a paso.
– El método del costo mínimo no sigue ninguna regla sistemática cuando existe un empate
en el costo mínimo.
– El método del costo mínimo permite una selección a través de la observación del
personal, lo que podría crear malentendidos para obtener la solución óptima.
– No posee la capacidad de aportar ninguna clase de criterio para permitir determinar si
la solución conseguida con este método es o no la más óptima.
– Las cantidades de las ofertas y las demandas son siempre las mismas, ya que no varían
con el tiempo.
– No toma en cuenta otros tipos de factores para asignar, sino solo el de los costos de
transporte.
Ejemplo
Se puede entender el concepto del método del costo mínimo a través del siguiente
problema:
El costo mínimo de transporte se puede obtener siguiendo los pasos que se indican a
continuación:
El costo mínimo en la tabla es 3, con un empate en las celdas BZ y CX. Generalmente,
para obtener la mejor solución inicial debe elegirse el costo donde se pueda asignar la
mayor cantidad.
Por tanto, se asignarán 35 unidades a la celda BZ. Así se satisface la demanda del
minorista Z, quedando 5 unidades en la fuente B.
Nuevamente, el costo mínimo es 3. Por tanto, se asignarán 20 unidades a la celda CX. Así
se cumple la demanda del minorista X, quedando 40 unidades en la fuente C.
El siguiente costo mínimo es 6, con un empate entre tres celdas. Sin embargo, no se
pueden asignar unidades a las celdas BX y CZ, porque la demanda de los minoristas X y
Z está satisfecha. Entonces se asignan 5 unidades a la celda BY. Así se completa la oferta
de la fuente B.
El costo total se puede calcular multiplicando las cantidades asignadas por los costos de
las celdas correspondientes: Costo total= 50*8 + 5*6 + 35*3 + 20*3 + 40*9=955.
2. MÉTODO DE APROXIMACIÓN DE VOGEL
Algoritmo de Vogel
Paso 1: Determinar para cada fila y columna una medida de penalización restando los
dos costos menores en filas y columnas.
Paso 2: Escoger la fila o columna con la mayor penalización, es decir que de la resta
realizada en el "Paso 1" se debe escoger el número mayor. En caso de haber empate, se
debe escoger arbitrariamente (a juicio personal).
3. MÉTODO SIMPLEX:
Maximizar Z = f(x,y) = 3x + 2y
sujeto a: 2x + y ≤ 18
2x + 3y ≤ 42
3x + y ≤ 24
x≥0,y≥0
x pasa a ser X1
y pasa a ser X2
Como los términos independientes de todas las restricciones son positivos no es necesario
hacer nada. En caso contrario habría que multiplicar por "-1" en ambos lados de la
inecuación (teniendo en cuenta que esta operación también afecta al tipo de restricción).
En este caso se introduce una variable de holgura (X3, X4 y X5) en cada una de las
restricciones del tipo ≤, para convertirlas en igualdades, resultando el sistema de
ecuaciones lineales:
2·X1 + X2 + X3 = 18
2·X1 + 3·X2 + X4 = 42
3·X1 + X2 + X5 = 24
La tabla inicial del método Simplex está compuesta por todos los coeficientes de las
variables de decisión del problema original y las de holgura, exceso y artificiales
agregadas en el paso 2 (en las columnas, siendo P0 el término independiente y el resto de
variables Pi coinciden con Xi), y las restricciones (en las filas). La columna Cb contiene
los coeficientes de las variables que se encuentran en la base.
La primera fila está formada por los coeficientes de la función objetivo, mientras que la
última fila contiene el valor la función objetivo y los costes reducidos Zj - Cj.
En tal caso se llega al final del algoritmo ya que no existe posibilidad de mejora. El valor
de Z (columna P0) es la solución óptima del problema.
Otro caso posible es que en la columna de la variable entrante a la base todos los valores
son negativos o nulos. Esto indica que el problema no se encuentra acotado y su solución
siempre resultará mejorable. Ante esta situación no es necesario continuar iterando
indefinidamente y también se puede dar por finalizado el algoritmo.
Se determina en primer lugar la variable que entra en la base. Para ello se escoge la
columna cuyo valor en la fila Z sea el menor de entre todos los negativos. En este caso
sería la variable X1 (P1) de coeficiente -3.
Si existiesen dos o más coeficientes iguales que cumplan la condición anterior (caso de
empate), entonces se optará por aquella variable que sea básica.
La columna de la variable que entra en la base se llama columna pivote (en color verde).
Una vez obtenida la variable que entra en la base, se procede a determina cual será la
variable que sale de la misma. La decisión se toma en base a un sencillo cálculo: dividir
cada término independiente (columna P0) entre el elemento correspondiente de la
columna pivote, siempre que ambos elementos sean estrictamente positivos (mayores que
cero). Se escoge la fila cuyo resultado haya resultado mínimo.
Si hubiera algún elemento menor o igual a cero no se realiza dicho cociente. En caso de
que todos los elementos de la columna pivote fueran de ésta condición se habría cumplido
la condición de parada y el problema tendría una solución no acotada
El término de la columna pivote que en la división anterior dio lugar al menor cociente
positivo indica la fila de la variable de holgura que sale de la base. En este caso resulta
ser X5 (P5), de coeficiente 3. Esta fila se llama fila pivote (en color verde).
Si al calcular los cocientes, dos o más resultados cumplen la condición para elegir el
elemento saliente de la base (caso de empate), se escoge aquella que no sea variable básica
(siempre que sea es posible).
La intersección de la fila pivote y columna pivote marca el elemento pivote, en este caso
el 3.
Con esto se normaliza el elemento pivote y su valor pasa a ser 1, mientras que el resto de
elementos de la columna pivote se anulan (análogo al método de Gauss-Jordan).
6.1. La variable que entra en la base es X2 (P2), por ser la variable que
corresponde a la columna donde se encuentra el coeficiente -1.
6.2. Para calcular la variable que sale, se dividen los términos de la columna
P0 entre los términos correspondientes de la nueva columna pivote: 2 / 1/3 [=6] ,
26 / 7/3 [=78/7] y 8 / 1/3 [=24]. Como el menor cociente positivo es 6, la variable
que sale de la base es X3 (P3).
Paso 9: Una nueva comprobación de la condición de parada revela que entre los
elementos de la fila indicadora vuelve a haber uno negativo, -1. Significa que aun no se
ha llegado a la solución óptima y hay que seguir iterando (pasos 6 y 7):
6.1. La variable que entra en la base es X5 (P5), por ser la variable que
corresponde al coeficiente -1.
6.2. Se escoge la variable que sale calculando el cociente entre los términos de la
columna de términos independientes y los términos correspondientes de la nueva
columna pivote: 6/(-2) [=-3] , 12/4 [=3], y 6/1 [=6]. En esta ocasión es X4 (P4).
Se observa que en la última fila todos los coeficientes son positivos cumpliéndose, por
tanto, la condición de parada.
EJEMPLO
Una empresa tiene la exclusiva para la distribución de un producto en 4 poblaciones. En
un estudio de mercado se ha determinado la demanda potencial, según se muestra en la
siguiente tabla:
Población 1 Población 2 Población 3 Población 4
Población 1 - 25 35 40
Población 2 25 - 20 40
Población 3 35 20 - 30
Población 4 40 40 30 -
Para abaratar los costes de transporte se decide instalar un almacén con capacidad para
6000 unidades en dos de estas cuatro poblaciones. Determinar en qué poblaciones se
deben instalar los almacenes.
Solución:
Yi: almacén situado en la población i (0 indica que no hay ningún almacén y 1 que sí lo
hay)
Las unidades que se envían a cada población desde los almacenes deben cumplir con la
demanda de dicha población:
Y1 + Y2 + Y3 + Y4 = 2
La cantidad de unidades que puede enviar cada almacén debe ser menor o igual que la
capacidad de éste:
Xij ≥ 0
Yi es booleano
Factores críticos
Energía eléctrica
Mano de obra
Materia prima
Seguridad
Factores objetivos
Factores subjetivos
Impacto ambiental
Clima social
Servicios comunitarios (Hospitales, bomberos, policía, etc
Transporte
Competencia
Actitud de la comunidad
Etapas
Paso 1: Asignar un valor binario a los factores críticos
Paso 2: Asignar un valor relativo a cada factor objetivo (FO) para cada
localización alternativa
Paso 3: Estimar un valor relativo de cada factor subjetivo (FS) para cada
localización
Paso 4: Combinar los factores objetivos, subjetivos y críticos mediante la
fórmula del algoritmo sinérgico:
Paso 5: Seleccionar la ubicación que tenga la máxima medida de
preferencia de localización (MPL o IL)
EJEMPLO
En un proyecto se han identificado 4 localizaciones tentativas, en todas ellas los
costos del lote, mantenimiento, materia prima y construcción son diferentes.
Además, se han identificado como factores críticos para la continuidad de los
procesos la disponibilidad de Energía eléctrica y la Materia prima.
1
𝐹𝑂𝑖 =
1
𝐶𝑡𝑖 ∗ ∑𝑛𝑗=1 𝐶𝑡
𝑗
1
𝐹𝑂1 = = 0,2414
1 1 1 1
1082 ∗ (1082 + 1038 + + )
1025 1036
Al ser siempre la suma de los FO igual a 1, el valor que asume cada uno
de ellos es siempre un término relativo entre las distintas alternativas de
localización.
Por ejemplo:
Donde alfa equivale al nivel de confiabilidad (En nuestro ejemplo será del
80%, es decir que alfa equivale a 0,8) y 𝐹𝐶𝑖 es el producto de sus factores críticos.
Una ciudad tiene 10 zonas o áreas urbanas cada una de los cuales genera una
determinada cantidad de basura (en toneladas) durante el periodo de planificación
según se describe a continuación:
Formule un modelo de Programación Entera Mixta que permita seleccionar los centros
de depósito a construir y la política de transporte de basura que minimiza los costos
totales.
Solución
1. Variables de Decisión:
Sea i=1,…,10 las Zonas y j=1,…,5 los Depósitos:
2. 2. Función Objetivo:
Con el propósito de trabajar con una notación compacta podemos definir el siguiente
conjunto de parámetros para el modelo de optimización:
Tij: Costo de transportar una tonelada de basura desde la Zona i al Depósito j
Fj: Costo fijo de construcción del Depósito j
3. Restricciones:
Se debe despachar (transportar) la totalidad de la basura que genera cada Zona (definimos
para ello el parámetro Ai como la cantidad de basura en toneladas que genera la Zona i).
Resolución con Solver: Se alcanza una solución factible con un costo total asociado
de US$12.617.919.
6. MÉTODO DELPHI
El primer estudio de Delphi fue realizado en 1950 por la Rand Corporation para la
fuerza aérea de Estados Unidos, y se le dio el nombre de Proyecto Delphi. Su objetivo
era la aplicación de la opinión de expertos a la selección de un sistema industrial
norteamericano óptimo y la estimación del número de bombas requeridas para reducir
la producción de municiones hasta un cierto monto.
La calidad de los resultados depende, sobre todo, del cuidado que se ponga en la
elaboración del cuestionario y en la elección de los expertos consultados.
Características:
Anonimato: Durante el Delphi ningún experto conoce la identidad de los otros que
componen el grupo de debate.
En esta primera fase se plantea la formulación del problema y un objetivo general que
estaría compuesto por el objetivo del estudio, el marco espacial de referencia y el
horizonte temporal para el estudio.
• Permite obtener información de puntos de vista sobre temas muy amplios o muy
específicos. Los Ejercicios Delphi son considerados “holísticos”, cubriendo una
variedad muy amplia de campos.
Inconvenientes:
• Su elevado coste.
• Requiere una masiva participación para que los resultados tengan significancia
estadística. Pero el grupo debe tener un alto grado de correspondencia con los temas a
ser tratados en el ejercicio.
• Una parte crítica del método son las preguntas del cuestionario.
Tras realizar las 4 fases de este método se realiza un informe final, el cual ayudará
en la toma de decisiones sobre el problema u objetivos planteados inicialmente.