APLICACIONES DE LA LGICA DIFUSA EN LA PLANIFICACIN

DE LA PRODUCCIN

Cesar Jos Vergara Rodrguez
Horacio Antonio Gaviria Montoya

Tesis de Grado para optar al ttulo de
Ingeniero industrial

Direccin:
Martn Daro Arango Serna
I.I., MSc, PhD.
Codireccin:
Conrado Augusto Serna Urn
I.I., MSc.


UNIVERSIDAD NACIONAL DE COLOMBIA
SEDE MEDELLN
F A C U L T A D D E M I N A S
ESCUELA DE INGENIERIA DE LA ORGANIZACIN
Medelln
2009
1
AGRADECIMIENTOS


Los autores expresan sus agradecimientos

A Martn Daro Arango Serna, I.I., MSc, PhD, Profesor de la Universidad Nacional de
Colombia y director de este trabajo de grado, por la oportunidad que nos brindo al
permitirnos trabajar en el grupo de investigacin GICO y su apoyo constante a este
proyecto.

A Conrado Augusto Serna Urn, I.I., MSc. Profesor de la Universidad Nacional de
Colombia, y codirector del trabajo de tesis, por guiar el trabajo a travs de su visin y su
apoyo constante

Al Grupo de Investigacin en logstica industrial organizacional GICO, y a todos aquellos
que hacen parte de la Escuela de la organizacin, por su importante trabajo y constante
colaboracin.

A todas aquellas personas que de una u otra forma colaboraron en la realizacin de este
trabajo.










2
TABLA DE CONTENIDO


AGRADECIMIENTOS1
TABLA DE CONTENIDO...2
LISTADO DE FIGURAS..6
LISTADO DE TABLAS....6
RESUMEN.8
ABSTRACT...........9
1. INTRODUCCIN.... 10
2. PLANEACIN DE LA PRODUCCIN..12
2.1 LA JERARQUA DE PLANES DE PRODUCCIN12
2.1.1 Planificacin estratgica o a largo plazo....13
2.1.2 Planeacin agregada...14
2.1.2.1 Medidas para modificar la oferta...15
2.1.2.2 Medidas para modificar la demanda..17
2.1.3 El programa maestro de produccin (MPS)...18
2.1.4 Planificacin de la produccin a muy corto plazo....19
2.2 TCNICAS DE OPTIMIZACIN PARA EL ANLISIS,
PLANEACIN Y CONTROL DE LAS CAPACIDADES
PRODUCTIVAS......20
2.2.1 Programacin lineal22
2.2.2 Programacin fraccional23
2.2.3 Programacin multimeta.25
2.2.4. Simulacin..26
2.2.5 Determinacin y administracin de las restricciones para
problemas de planeacin de la produccin..28
2.2.5.1 Restricciones de mercados..29
2.2.5.2 Restricciones de materiales e inventario.29
2.2.5.3 Restricciones de capacidad..30
3
2.2.5.4 Restricciones logsticas...30
2.2.5.5 Restricciones administrativas..31
2.2.5.6 Restricciones conductuales..32
3. LGICA DIFUSA...33
3.1. CONJUNTOS DE CRISP.34
3.2. TEORA DE LOS CONJUNTOS DIFUSOS...35
3.2.1. Operaciones sobre conjuntos difusos.37
3.2.1.1 Complemento...37
3.2.1.2 Unin37
3.2.1.3 Interseccin...38
3.2.1.4 Exponenciacin.....38
3.2.2. Aritmtica con nmeros difusos.38
3.2.3. Concepto De Nmero Difuso.38
3.2.4. Operaciones aritmticas con nmeros triangulares difusos.42
3.3. PROGRAMACIN LINEAL DIFUSA.43
3.3.1. Metodologa de solucin para problemas con coeficientes
del lado derecho de las restricciones difusos.46
3.3.2. Metodologa de solucin para problemas donde
los coeficientes del lado derecho de las restricciones
y los coeficientes de la matriz de restricciones son
nmeros difusos48
3.3.3. Metodologa de solucin para problemas en donde la
funcin objetivo es flexible.50
4. REVISIN DEL ESTADO DEL ARTE SOBRE LA APLICACIN
DE LA LGICA DIFUSA A LA PLANIFICACIN DE LA
PRODUCCIN...52
4.1 SOCIEDADES Y CENTROS DE INVESTIGACIN MUNDIAL
EN LGICA DIFUSA.52
4.2. LGICA DIFUSA APLICADA A LA PLANEACIN
DE LA PRODUCCIN...54
4
4.2.1. La lgica difusa y sus aplicaciones referidas a la
cadena de suministro...54
4.2.2. La teora de los conjuntos difusos aplicada modelos
de cantidad econmica de pedido (EOQ)...56
4.2.3. La teora de los conjuntos difusos y sus aplicaciones
referidas a la planeacin agregada de la produccin...57
4.2.4. La teora de los conjuntos difusos y sus aplicaciones
referidas a la planificacin de requerimientos de
materiales (MRP).58
4.2.5. La teora de los conjuntos difusos aplicada la
planificacin de recursos de la empresa (ERP).59
5. MODELO DE PROGRAMACIN LINEAL DETERMINISTA
PROPUESTO PARA LA PLANEACIN AGREGADA DE LA
PRODUCCIN61
5.1. DEFINICIN DE VARIABLES DE DECISIN61
5.2. DEFINICIN DE PARMETROS CONSTANTES
DEL MODELO.61
5.3. FUNCIN OBJETIVO.62
5.3.1 Costes mano de obra..62
5.3.2 Costes asociados a manejo de inventario...63
5.4. PLANTEAMIENTO DE RESTRICCIONES.65
5.4.1 Restricciones de capacidad.65
5.4.2 Restricciones de mercado66
5.4.3 Restricciones de materiales e inventario.66
5.4.4 Restricciones administrativas..67
5.4.4.1 Poltica de horas extras.67
5.4.4.2 Polticas de contrataciones y despidos..67
5.4.4.3 Polticas de mxima subcontratacin68
5.4.5 Restricciones De No Negatividad68
6. MODELO DE PROGRAMACIN LINEAL DIFUSA
5
PROPUESTO PARA LA PLANEACIN AGREGADA..69
7. APLICACION DE LOS MODELOS PROPUESTOS
A UN PROBLEMA DE PLANEACIN AGREGADA...74
7.1 PLANTEAMIENTO DEL PROBLEMA DE PLANEACIN
AGREGADA.74
7.2. SUPUESTOS.76
7.3. SOLUCIN DEL MODELO DE PROGRAMACIN LINEAL.77
7.4 APLICACIN DEL MODELO LINEAL DIFUSO A
UN PROBLEMA DE PLANEACIN AGREGADA79
8. CONCLUSIONES81
9. BIBLIOGRAFA..84
ANEXO 1. GRUPOS DE INVESTIGACIN QUE
TRABAJAN CON LGICA DIFUSA.87

















6
LISTADO DE FIGURAS


Figura 1. Planificacin Jerrquica de la Produccin.13
Figura 2. Clasificacin de los modelos de simulacin..26
Figura 3. Ejemplo de conjunto clsico (Crisp)..35
Figura 4. Ejemplo de conjunto difuso....37
Figura 5. Funcin caracterstica de los nmeros mayores iguales a 5...39
Figura 6. Funcin de pertenencia, del nmero difuso
A
~
=5..40
Figura 7. Concepto de nmero triangular difuso asimtrico:
( ) + = m m m a , ,
~
41
Figura 8. Nmero triangular difuso asimtrico
6
~
= (4.5, 6, 7.3)..41
Figura 9. Concepto de nmero trapezoidal difuso asimtrico
( ) , , ,
~
n m b =
.42
Figura 10. Representacin de los nmeros difusos triangulares b y a
~
~
.42
Figura 11. Nmero difuso utilizado en el Caso 1..46
Figura 12. Nmero difuso utilizado en el Caso 2..48
Figura 13. Nmero difuso
i
D
~
........70
Figura 14. Nmero difuso Z .71
Figura 15. Grfico Demanda prevista vs. Planeacin Agregada...78
Figura 16. Comparacin de Modelos............................................................................80









7
LISTADO DE TABLAS


Tabla 1. Operaciones Realizadas Con Nmero Difusos...............................................43
Tabla 2. Demanda Prevista74
Tabla 3. Datos Operacionales75
Tabla 4. Das laborados..76
Tabla 5. Resultados evaluacin del modelo determinstico...78
Tabla 6. Resultados evaluacin del modelo difuso79





















8
RESUMEN


El presente trabajo de grado tiene como objetivo mostrar la aplicabilidad que posee la
lgica difusa para resolver problemas de planeacin de la produccin.
El desarrollo de un plan de produccin lleva consigo la determinacin de parmetros que
muchas veces poseen cierto grado de vaguedad, esto implica que el personal a cargo de
tomar dediciones tenga que manejar esta incertidumbre. La lgica difusa aparece como una
herramienta alternativa a la estocstica o tradicional para asistir procesos de toma de
decisiones en ambientes difusos.
En la primera parte de este trabajo se realiza una breve introduccin acerca de la planeacin
de la produccin y de la lgica difusa. Para una mayor compresin de la importancia de la
lgica difusa como herramienta para resolver problemas de planificacin de la produccin,
se realiza un estudio del estado del arte donde se revisa bibliografa de los ltimos 5 aos
acerca de investigaciones que se han realizado para la solucin de problemas de
planificacin de la produccin utilizando lgica difusa.
En el capitulo seis se propone un modelo de programacin lineal difusa para solucionar un
problema de planeacin agregada cuando la demanda es un parmetro que posee
incertidumbre, para esto fue necesario plantear un modelo de programacin lineal para la
planeacin agregada que aparece en el capitulo cinco.
Finalmente, se presentan ejemplos ilustrativos en los cuales se solucionan dos problemas de
planeacin agregada, en el primero de ellos, todos los parmetros del modelo son
deterministas y en el segundo es un problema de planeacin agregada donde la demanda
posee incertidumbre.
Este trabajo muestra a la lgica difusa como una herramienta de apoyo en los procesos de
toma de decisiones cuando se realiza un plan de produccin en el que algunos de sus
elementos no se definen de manera determinstica.
Palabras Clave: lgica difusa, planeacin de la produccin, estudio del estado del arte,
modelo de programacin lineal difusa, planeacin agregada, demanda difusa.

9
ABSTRACT


The objective of the present work is to show the applicability of fuzzy logic in production
planning problems.
The development of the production planning in companies involves the determination of
several parameters that could be uncertain. This forces the decisional personal of
companies to manage uncertainty. At this moment, the fuzzy logic appears as an
alternative tool for modeling uncertainty which differs from classical or stochastic methods
At the first part of the document, it is made a short introduction about production planning
and fuzzy logic. In order to generate a better comprehension about the fuzzy logic
importance in production planning, it is shown the review of the state of the arts of such
topics, in which is considered only the works made since 5 years before. Finally, it is
presented two models for solving the aggregated planning problem, which are the final
results of this work. In the first all the parameters of the model of planning are
deterministic. The second one is a model for solving the aggregated planning problem with
demand under uncertainty.
This paper shows a fuzzy logic as a support tool in decision making when a production plan
in which some elements are not defined so deterministic.
Keyword: fuzzy logic, production planning, the review of the state of the arts, aggregated
planning, demand under uncertainty.









10
1. INTRODUCCIN


A fines del siglo XX, despert gran inters las tecnologas que se inspiraban en
funcionalidades del ser humano. Tal es el caso de la inteligencia artificial que utiliza como
base el dominio psicolgico. De este modo, tecnologas como las redes neuronales, los
algoritmos genticos y la programacin evolutiva se encuentran dentro de este contexto y
utilizan argumentos de procesos biolgicos.
La lgica Difusa fue creada en 1965 por el Dr. Lofti Zadeh; esta disciplina es una lgica
alternativa a la lgica clsica que intenta introducir un nivel de incertidumbre en los
aspectos que evala. En la vida real nos encontramos con muchos conocimientos
imprecisos o inciertos por naturaleza; la lgica y el pensamiento del ser humano con
frecuencia nos conducen a informacin de este tipo, seguramente originada del mismo
razonamiento humano que basa sus decisiones en experiencias similares o datos histricos.
A primera vista la lgica difusa es un lenguaje que nos permite modelar sentencias del
lenguaje natural del ser humano como un formulismo matemtico. Este modelamiento se
realiza a travs de un funcin de membresa o pertenencia continua en el intervalo [0,1]
que califica el nivel de pertenencia de cada elemento de un conjunto. Esta teora va en va
contraria con la teora clsica de conjuntos, en donde la funcin de pertenencia solo le
asigna dos valores a los elementos que califica; le asigna el valor de uno a los elementos
que pertenece al conjunto y cero en el caso contrario.
En un proceso de planificacin de la produccin se determina paralelamente los niveles de
produccin, inventario y capacidad de una organizacin para un horizonte de planificacin
conocido con el fin de minimizar los costes totales generados por el plan de produccin.
En un problema de planificacin de la produccin donde la incertidumbre de los parmetros
juega un papel importante, el modelo que ayuda a la toma de decisiones debe disearse de
forma que permita al usuario tomar la determinacin adecuada y responder a los posibles
imprevistos que aparezcan.
El objetivo de este trabajo es presentar la aplicabilidad de la lgica difusa a problemas de
planeacin de la produccin; para tal fin este trabajo se inicia con una breve introduccin
11
en los captulos dos y tres a la planificacin de la produccin y a la lgica difusa.
Seguidamente en un esfuerzo por alcanzar un mejor entendimiento del uso de la lgica
difusa en problemas de planificacin de la produccin y proporcionar una base para
investigaciones futuras, en el capitulo cuatro se realizo un estudio de la literatura existente
sobre aplicaciones de la lgica difusa a problemas de planificacin de la produccin.
En los captulos cinco y seis se ilustran de manera ordenada los procedimientos para la
formulacin de los modelos de programacin lineal y programacin lineal difusa
propuestos para problemas de planeacin agregada. En el modelo de programacin lineal
difusa se considerara nicamente ambigedad en la demanda; los coeficientes de coste y de
la matriz de restricciones se consideraran deterministas.
En este trabajo se le da solucin a dos problemas propuestos de planeacin agregada en el
capitulo siete, en el primer problema se busca minimizar los costes totales generados por el
plan agregado y para solucionarlo se utiliza el modelo propuesto de programacin lineal
para la planeacin de la produccin, la formulacin de este problema es necesaria para el
desarrollo del trabajo y a la vez sirve como ambientacin para luego abordar el problema
difuso. El segundo problema tiene como objetivo maximizar el grado de satisfaccin del
decisor, cuando la demanda posee incertidumbre, luego para solucionarlo se utiliza el
modelo de programacin lineal difusa propuesto en este trabajo.
Las conclusiones obtenidas del trabajo, as como las referencias bibliogrficas utilizadas en
la elaboracin del mismo, se muestran en los captulos ocho y nueve.










12
2. PLANEACIN DE LA PRODUCCIN.


A fin de que estn disponibles los recursos para complementar su misin, una organizacin
debe planear la produccin antes de poder llevarla a acabo. Sin la planeacin de produccin
es probable que una empresa no pueda producir lo suficiente para lograr un incremento en
la demanda futura. Quizs la capacidad no este disponible en ese momento y se pierdan las
ventas. Con la planeacin de la produccin la demanda futura se puede producir con
anticipacin. Los procesos de planeacin de la produccin determinan el plan de
produccin para cubrir las demandas y suministran la produccin que pueden utilizar los
proveedores con el fin de proporcionar los insumos necesarios en el momento y lugar
adecuados [Narasimham, 1996].


2.1 LA JERARQUA DE PLANES DE PRODUCCIN.
La jerarqua de planes de la funcin productiva comienza con la planificacin estratgica o
a largo plazo con un horizonte temporal superior a un ao. En este nivel se determina la
capacidad instalada que se convierte en restriccin para los planes de nivel inferior. El
siguiente nivel lo constituye la planificacin agregada o a mediano plazo, que con un
horizonte temporal de entre 6 a 18 meses, determina la mano de obra necesaria, el nivel de
inventario, contratos de suministro a medio plazo; en la planeacin a corto plazo, aparece
el plan maestro de produccin, que partiendo de las restricciones establecidas en el plan
agregado, determina la cantidad a fabricar de cada artculo, as como el plazo en el que se
debe iniciar dicha produccin. La jerarqua de planes finaliza con la planificacin y control
de la produccin a muy corto plazo o gestin de talleres, en la que se procede a signar la
produccin planificada a cada centro de trabajo, controlando el correcto cumplimiento de
los plazos de entrega.
Toda esta jerarqua de planes de produccin aparece evidentemente enmarcada dentro de
los objetivos fijados en la planificacin estratgica de la organizacin, tal y como aparece
en la figura 1 [Miranda, 2005].
13
Figura 1. Planificacin jerrquica de la produccin.



2.1.1 Planificacin estratgica o a largo plazo. La determinacin de la capacidad
productiva es una decisin que lleva asociada una importante inversin de capital y que va
a determinar en gran medida las posibilidades de xito de la organizacin. Por ello, es una
decisin que debe analizarse de forma detenida, tratando de optimizar la utilizacin de los
recursos financieros.
Si la capacidad de la empresa es insuficiente para satisfacer la demanda, se perdern
clientes y la imagen de la empresa se vera perjudicada, mientras que, por el contrario, un
exceso de capacidad puede tener importantes repercusiones sobre la estructura de costes de
la organizacin.
Podemos definir la capacidad como la mxima cantidad de bienes o servicios que pueden
obtenerse en una unidad productiva en condiciones normales de funcionamiento en un
periodo de tiempo determinado. En el caso de las empresas de servicio y las empresas
industriales que producen una amplia gama de productos heterogneos, la medida de la
capacidad presenta especiales dificultades, recurrindose habitualmente a las medidas
basadas en los input y no en los output. En estos casos se define la capacidad como la
cantidad de recursos disponibles durante un periodo de tiempo [Miranda, 2005].
Horizonte de Planeacin Unidad de Planeacin
Varios Aos
Lneas de Productos
Planificacin de
Capacidad a
Largo Plazo
De 6 a 18 Meses Familias de Productos
Planeacin
Agregada
Varias Semanas o Pocos
Meses
Modelos Especficos del
Producto
Planificacin
Maestra de la
Produccin
Recursos Necesarios para
Fabricar cada Modelo
Planificacin
A muy Corto Plazo
14
2.1.2 Planeacin agregada. Los planes agregados o mediano plazo abarcan un horizonte
de planeacin entre 6 y 18 meses e incluyen actividades relativas a la planificacin de
ventas, creacin de presupuestos, gestin de personal, seleccin de proveedores, planes de
produccin, etc. La finalidad principal de la planificacin agregada es determinar la
combinacin de ritmos de produccin, mano de obra y niveles de existencia, que minimiza
costes y logra satisfacer la demanda prevista. Para ello se debe conseguir los siguientes
objetivos:

Minimizar el coste y maximizar los beneficios.
Maximizar el servicio al cliente.
Minimizar la inversin en inventario.
Minimizar los cambios en el ritmo de produccin.
Minimizar las variaciones en la plantilla.
Maximizar la utilizacin de la capacidad instalada.

El inicio del proceso de planificacin agregada es la estimacin de las necesidades futuras
de productos finales, a partir de los pedidos realizados ya por nuestros clientes o de la
prediccin de la demanda realizada por el departamento de marketing, basndose en
informacin obtenida por las investigaciones de mercado realizadas. Dicha demanda es
agregada, es decir, no se refiere a cada artculo en forma individual, sino que las agrupa en
familias de productos. A partir de esta estimacin se determinaran las necesidades de
recurso materiales, mano de obra horas maquina, etc.
La elaboracin del plan agregado se complica especialmente en las empresas que fabrican
varios tipos de productos, dado que para determinar la demanda agregada ser necesario
sumar cantidades heterogneas, por lo que habr que recurrir a una medida homognea de
las mismas, que suele ser las horas de trabajo necesarias para su obtencin.
La empresa deseara establecer un plan agregado estable con un ritmo de produccin
estable en todos los periodos. Sin embargo, la demanda no es generalmente estable, sino
que presenta importantes altibajos, con periodos de elevada demanda seguidos de descensos
importantes de la misma. Por ello, un plan agregado bien elaborado debe lograr adaptar la
15
produccin a las oscilaciones de la demanda o tratar de reducir la intensidad de dichas
oscilaciones, a la vez que conseguir una eficiente utilizacin de la capacidad productiva de
la empresa (mano de obra, maquinaria, etc.).
Para logra esta adaptacin del ritmo de produccin a las oscilaciones de la demanda existen
dos opciones alternativas: modificar la capacidad productiva para adaptarla a las
variaciones de la demanda o modificar la demanda para adaptarla a la capacidad productiva
[Miranda, 2005].


2.1.2.1 Medidas para modificar la oferta. Para lograr modificar la capacidad productiva a
mediano plazo, es decir, dentro del horizonte del plan agregado, habitualmente no es
posible incrementar la capacidad instalada adquiriendo nuevas maquinarias o ampliando las
instalaciones existentes, por lo que la empresa debe recurrir a otras alternativas entre las
que podemos sealar las siguientes [Miranda, 2005]:

Contrataciones y despidos: Las necesidades de mano de obra se calculan en funcin
del tiempo empleado para completar cada unidad del producto por lo que, si la
demanda desciende, hay demasiados trabajadores para completar la produccin
necesaria y la empresa comenzara a despedir empleados. Sin embargo la facilidad
para despedir un empleado no son las mismas para todos los pases, lo que obliga a
que en algunos casos esta opcin no resulte recomendable debido a su elevado
coste y a las precisiones de las organizaciones sindicales. Adems, el despido de
trabajadores tiene una repercusin directa sobre la moral de los trabajadores y puede
provocar un descenso en la productividad. De modo similar, la contratacin de
nuevos trabajadores tambin implica una serie de costes, entre los que cabe
destacar: la publicidad, el proceso de seleccin, la formacin inicial de los
trabajadores, etc. Especialmente importantes es el coste de que los trabajadores no
conozcan el trabajo que van a realizar [Miranda, 2005].

16
Horas extraordinarias: En situaciones excepcionales se puede solicitar a los
trabajadores la realizacin de horas extras. Pero esta solucin solo es valida a corto
plazo, dado que a largo plazo la productividad de los trabajadores se reciente y,
adems, suele existir limitaciones legales en relacin al nmero mximo de horas
extras a realizar. Otro inconveniente es que las horas extras tienen un coste muy
superior a las realizadas en jornada regular [Miranda, 2005].

Trabajadores temporales: La contratacin de trabajadores temporales puede ser una
solucin cuando se produce aumentos en la demanda que no pueden ser cubiertos
con la mano de obra disponible [Miranda, 2005].

Trabajador a tiempo parcial: Este tipo de trabajadores, que tienen una jornada
inferior a la normal, pueden solventar problemas de exceso de demanda
incrementando su jornada de trabajo de forma puntual a peticin de la empresa. Al
ser trabajadores que conocen le empresa, su productividad es muy superior que si se
recurriese a trabajadores temporales [Miranda, 2005].

Nivel de inventario: Cuando se produce un descenso en la demanda, puede
mantenerse el ritmo de la produccin establecido acumulando exceso de productos
en nuestros almacenes. Dichas cantidades de artculos almacenados nos permitirn
satisfacer un exceso de demanda que pueda presentarse en el futuro sin modificar
nuestro ritmo de produccin. Evidentemente acumular inventario tiene un coste
considerable, por lo que no se puede abusar de esta opcin [Miranda, 2005].

Subcontratacin: Si la capacidad de la empresa no es suficiente para satisfacer la
demanda, podemos recurrir a subcontratar ese exceso de demanda a una tercera
empresa. Esta opcin permite incrementar de forma considerable la flexibilidad en
nuestras organizaciones, aunque tambin implica una serie de inconvenientes entre
los que podemos sealar la perdida de control sobre el tiempo de entrega y la
17
calidad del producto, as como la necesidad con el subcontratista nuestro Know-how
[Miranda, 2005].


2.1.2.2 Medidas para modificar la demanda. La segunda opcin es mantener el ritmo de
produccin y tratar de modificar la demanda para amortiguar sus oscilaciones.
Evidentemente esta opcin no cuenta con tantas posibilidades de xito, dado que en la
demanda influyen muchos factores que se encuentran fuera de control de la organizacin.
Aun as la empresa puede tratar de modificar la demanda mediante [Miranda, 2005]:

Modificacin de precio: En los periodos de baja demanda la empresa puede reducir
el precio de sus productos con el objeto de solventar los problemas que puede
ocasionar la existencia de capacidad ociosa [Miranda, 2005].

Modificar la poltica de comunicacin: La publicidad es uno de los principales
medios para lograr incrementar la demanda de un determinado producto. Sin
embargo los efectos de la publicidad varan de forma notable en funcin del tipo de
producto/servicio y del mercado a que esta dirigida [Miranda, 2005].

Retener pedidos: La empresa puede indicar a su cliente que su pedido no va a ser
servido de inmediato, si no cuando cuente con la capacidad suficiente [Miranda,
2005].

Crear nueva demanda: Para evitar la infrautilizacin de la capacidad instalada en
periodos de baja demanda, muchas empresas tratan de crear nueva demanda para
sus productos en esas pocas de baja demanda [Miranda, 2005].

Productos de ciclo inverso: Las empresas que cuentan con productos de gran
estacionalidad tratan de completar su gama de productos con otros que tengan una
estacionalidad inversa [Miranda, 2005].
18

Entre las estrategias alternativas que el director de operaciones debe elegir a la hora de
confeccionar el plan agregado de produccin podemos sealar las tres siguientes [Miranda,
2005]:

Estrategia de produccin constante: En esta opcin el ritmo de produccin se
considera fijo en el tiempo, con lo cual se consigue reducir los costes de
contratacin y despido, se simplifica el proceso de planeacin de recursos, se
incrementa la calidad del producto, se simplifica el cumplimiento del cronograma
de produccin y se reduce el coste de mano de obra y materiales al evitar las
paradas en le proceso productivo. Evidentemente en esta opcin los inventarios
juegan un papel fundamental para adaptar el ritmo de produccin uniforme a las
oscilaciones de la demanda, junto a la acumulacin de pedidos y la perdida de venta
[Miranda, 2005].

Estrategia de seguimiento de la demanda: En este caso el ritmo de produccin se
adapta en cada periodo a la demanda existente, por lo que el nivel de inventario es
prcticamente inexistente. Para lograrlo es necesario contar con una enorme
flexibilidad que nos permita variar el nmero de trabajadores, capacidad instalada y
materiales de forma rpida y econmica [Miranda, 2005].

Estrategias mixtas: Se trata de una mezcla de las opciones anteriores, en la cual la
empresa establece un nivel base de produccin constante que adapta a la demanda
empleando horas extras, trabajadores temporales, subcontratacin, acumulacin de
pedidos, etc.[Miranda, 2005].


2.1.3 El programa maestro de produccin (MPS). Un programa maestro de produccin
(MPS) representa un plan para la fabricacin. Este plan proporciona los requerimientos de
19
insumos del nivel superior y desarrolla las cantidades y fechas que se deben explotar a fin
de generar los requerimientos por periodo para componentes, piezas y materias primas.
El MPS no es una proyeccin de ventas, sino un plan de fabricacin factible. Tambin
sirve como sistema de acumulacin de pedidos de los clientes. Toma en cuenta los cambio
en la capacidad o las cargas, los cambios en el inventario de bienes terminados y las
fluctuaciones en la demanda. Un MPS detallado tambin determina la economa de la
produccin mediante el agrupamiento de diversas demandas y la elaboracin de tamaos de
lotes. De esta manera, el MPS conserva la integridad de las acumulaciones del sistema
total, las acumulaciones anticipadas y los requerimientos de componentes de nivel inferior.
El MPS debe ser consistente con el plan de produccin agregada (APP), del cual se deriva.
Debe considerar, con detalle, la unidad de medida, como libras de acero o cantidad de
llamadas telefnicas por periodo, la eficiencia y los factores de uso del sistema. En el MPS
el APP existen diferentes horizontes de tiempo, niveles de conjunto y grupos de tiempo. El
APP proporciona una base par la toma de decisiones respecto a las fechas de produccin
especficas, la capacidad disponible, la demanda total, el tiempo de entrega o las
restricciones de inventario que no se pueden adaptar a los objetivos de la poltica de la
compaa. A pesar de que esta informacin es necesaria, no es suficiente para el
funcionamiento adecuado de una empresa.
Lo que se requiere es un plan que se establezca en trminos de los productos especficos
que se producirn en determinadas cantidades para ciertas fechas. Es importante reconocer
que el MPS no es una tcnica de control ni un sistema. En vez de ello, es una
representacin lgica de la informacin para la toma de decisiones. El MPS subraya los
conflictos que solo las personas pueden resolver. Si el MPS se lleva a cabo de manera
apropiada, el resto del sistema se puede aprovechar para alcanzar los objetivos de la
gerencia [Miranda, 2005].


2.1.4 Planificacin de la produccin a muy corto plazo. El plan de produccin a corto
plazo tiene un horizonte de planeacin inferior a tres meses e incluye una serie de
actividades relativas a la planificacin de los programas de produccin, la asignacin de
20
trabajos a los distintos puestos, y la organizacin de la entrega de materiales y de los
pedidos de producto terminado. A esta planificacin a corto plazo se la conoce en las
empresas industriales como gestin de talleres y se encarga de programar, controlar y
evaluar las operaciones de produccin a muy corto plazo, para lograr el cumplimiento del
plan maestro con la capacidad disponible y con la mayor eficiencia posible.
Entre las principales funciones que realiza en dicha gestin de talleres cabe sealar las
siguientes [Miranda, 2005]:
Evaluar y controlar los pedidos a fabricar.
Establecer las prioridades entre los pedidos o trabajos a realizar, ordenndolos por
centro de trabajo y asignndoselos a cada uno de ellos.
Rastrear la evolucin de los pedidos en curso.
Controlar el desarrollo de las operaciones.
Controlar la capacidad de cada centro de trabajo.
Proporcionar realimentacin al sistema de planificacin y control de capacidad.


2.2 TCNICAS DE OPTIMIZACIN PARA EL ANLISIS, PLANEACIN Y
CONTROL DE LAS CAPACIDADES PRODUCTIVAS.
El objetivo de las tcnicas cuantitativas para la toma de decisiones en el anlisis,
planeacin, programacin y control de las capacidades productivas es la aplicacin de los
principios cientficos a las tareas relacionadas con la investigacin del funcionamiento del
sistema organizacional. El conjunto de ellas permite la implementacin y desarrollo de los
sistemas de gestin de la produccin, de administracin y del proceso de trabajo en general.
La optimizacin de los programas de produccin comprende tambin, poder hallar aquel
conjunto de tipos de productos (mezclas) y sus volmenes individuales que garanticen el
valor de una o varias funciones objetivo o criterios de optimizacin; en el caso de la
produccin de una amplia gama de productos en pequeos volmenes, con anterioridad se
debe determinar la parte bsica del programa de produccin; es decir, limitar la gama de
productos, estableciendo prioridades para despus buscara la solucin optima con base en
el nuevo anlisis.
21
Para determinar la cantidad de productos que realmente pueden ser fabricados en el
horizonte de produccin considerado (por ejemplo, un ao), deben calcularse las
magnitudes de capacidad necesaria y disponible, de tal forma que se logre el equilibrio mas
racional entre la utilizacin de la capacidad y los objetivos que se fije la empresa (por
ejemplo; mnimos costos, ingresos mximos, mxima utilizacin de la capacidad
disponible, etc.) [Radovic, 1996].
Para determinar la capacidad optima y la gama de productos a fabricar, pueden planearse,
en funcin de las necesidades y prioridades de la empresa, diferentes objetivos, utilizando
los modelos de programacin lineal, de programacin fraccional y de toma de decisiones
multicriterio, tratados por separado por varios autores en la literatura especializada. Los
modelos de decisiones multicriterio resultan apropiados para casos en los que el decidor
desee arribar a la mejor decisin global. En general, los modelos de criterios mltiples
proporcionan una solucin que satisface los objetivos mltiples, en lugar de una solucin
que optimice todos los objetivos.
La capacidad de los medios de trabajo se puede calcular estticamente; es decir, para un
solo periodo de tiempo o dinmicamente para varios. Igualmente los grados de utilizacin
de la capacidad se pueden calcular estticamente y dinmicamente.
Si se analizan las capacidades en varios periodos de tiempo se puede observar, monitorear y
analizar su dinmica de utilizacin por medio de las tcnicas de simulacin.
En los ltimos aos la simulacin es la tcnica cuantitativa que cada vez cobra mayor
importancia para suministrar la informacin necesaria en la planeacin, programacin y
control de las capacidades productivas, constituyendo un potente soporte para los procesos
de toma de decisiones en la gestin y en la actividad gerencial.
Debido a que en la funcin de operaciones (produccin mas servicios) se presenta una
mayor confluencia de variables (insumos, procesos, productos, servicios e interacciones,
etc.), el contexto de anlisis se ha enfocado a la utilizacin de la simulacin como
herramienta para la gestin del sistema productivo. A su vez, cuando se habla de
simulacin, es necesario referirse al concepto de modelacin, ya que la simulacin es una
tcnica experimental que utiliza un modelo representativo de un sistema real para observar
su comportamiento en un periodo de tiempo determinado.
22
As, la simulacin es la representacin del comportamiento dinmico del sistema, el cual se
mueve a travs de los estados, por medio de reglas operacionales claramente definidas.
La Aplicacin de la simulacin, como tcnica experimental, se utiliza para resolver
determinados problemas, en donde la solucin por otros mtodos seria muy difcil y
generara problemas de carcter espordico, donde existen la incertidumbre y en donde las
decisiones derivadas de un anlisis casustico, podra involucrar riesgos, si las etapas de
simulacin no reflejan el sistema real [Prez, 1993].


2.2.1 Programacin lineal La programacin lineal puede considerarse como uno de los
grandes avances cientficos habidos durante la primera mitad del siglo XX y sin duda es
una de las herramientas cuantitativas ms extendidas, siendo habitual su uso en empresa y
organizaciones de todo el mundo.
La programacin lineal estudia los problemas relativos a la asignacin ptima de recursos
limitados entre actividades competitivas. Para ello, la Programacin Lineal emplea un
modelo matemtico que describe el problema a tratar. El adjetivo lineal indica que todas las
relaciones funcionales matemticas del modelo deben ser de carcter lineal. En cuanto al
termino programacin, tiene el sentido de la planificacin, de formulacin de un plan o
programa que debe realizarse de manera optima [Miranda, 2005].
Cualquier modelo de optimizacin lineal se puede representar de la siguiente forma:

( ) ( )

=
=
n
j
j j
x c x z
1
min max

=
=
n
j
i j ij
m i b x a
a Sujeto
1
,..., 1 ,
:

n j
N j x , 0

Donde la funcin que se minimiza (o maximiza) es llamada Funcin Objetivo; y se denota
por la letra z ; los nmeros
j
c son llamados Coeficientes de Coste y el vector
23
n
c c c c ,..., ,
2 1
= es el Vector de Costes; la matriz | |
ij
a A = se denomina Matriz de
Restricciones; el vector
T
m
b b b b ,..., ,
2 1
= es llamado Vector del Lado Derecho y el vector
T
n
x x x X ,..., ,
2 1
= es el Vector de Variables de Decisin .


2.2.2 Programacin fraccional. Los desarrollos de la programacin lineal han contribuido
a desarrollar la programacin fraccional como tcnica bicriterial, en donde se pretende el
logro de dos objetivos en diferentes direcciones. Los primeros trabajos sobre esta tcnica
han sido desarrollados por Charnes & Cooper [1962] y otros como Shaible & Ziemba
[1981], formulan el problema general de la programacin fraccional mediante una funcin
objetivo de siguiente forma:

( ) ( ) ( ) x f x f x f Optimizar
2 1
/ : = .

Los problemas de la programacin fraccional surgen, por ejemplo, cuando se maximiza la
razn de produccin entre las horas/hombres empleadas realmente respecto a las planeadas
(productividad) o la ganancia entre el capital invertido (tasa de rendimiento) o el valor
esperado entre la desviacin estndar de alguna medida de desempeo para una cartera de
inversiones (rendimiento de riesgo) [Hiller & Lieberman, 1997]. Se han formulado algunos
procedimientos de solucin especiales para ciertas formas de ( ) ( ) x f x f
2 1
, .
Para hacer ms fcil la solucin de un problema de programacin fraccional, es conveniente
transformarlo a un problema equivalente de algn tipo estndar que disponga de un
procedimiento de solucin eficiente. Es por esta razn que, para el problema del anlisis,
planeacin, programacin y control de las capacidades productivas, se utiliza la formula de
programacin fraccional como se muestra en la expresin siguiente:

( ) ( ) ( ) 0 / 0 d dX c cX x f + + = .

24
Tambin es importante suponer que las funciones de restricciones ( ) x gi son lineales; es
decir, las restricciones, en forma matricial son: 0 ; X b Ax
Con algunas suposiciones adicionales, el problema se puede transformar en uno
equivalente, haciendo:

( ) 0 / d dx X Y + = Y ( ) 0 / 1 d dX t + = ;

De manera que:

t Y X / =

Donde:
c: Vector fila numerador.
d: Vector fila denominador.
b: Vector lado derecho.
O: Vector cero.
t: Variable de decisin que expresa la relacin 1 sobre el denominador.
Y: Vector de variables de decisin en problema lineal.
X: Vector columna.
cO: Escalar.
d0: Escalar.
Este resultado conduce a:

Cot CY F Optimizar + = :

Sujeto a:
Restricciones del sistema:

0 bt AY
25
Restricciones del denominador:
1 = + dot dy

Restricciones de no negatividad:

0 ; 0 t Y

El problema as planteado (equivalente) se puede resolver por el mtodo Simplex
[Kalenatic, 1997].


2.2.3 Programacin multimeta. Los sistemas de produccin, por lo general, se encuentran
restringidos por la capacidad de los medios de trabajo y de la disponibilidad de recursos;
dichos sistemas estn sometidos a condiciones regulares por los sentidos de la empresa y
afectados por las condiciones del mercado. Por esta razn, se presentan criterios mltiples
que pueden variar las decisiones, dependiendo de las necesidades de la organizacin.
Estos objetivos son priorizados o evaluados en condiciones equitativas, permitiendo
soluciones siempre factibles, hacia el logro de los objetivos estratgicos de las empresas o
compaas.
La solucin de problemas de capacidades productivas se puede analizar utilizando un solo
criterio de los problemas clsicos de optimizacin; sin embargo, existen problemas en la
prctica que precisan de objetivos mltiples, como lo son: la maximizacin simultanea de
utilidades, la maximizacin de la participacin en el mercado, la minimizacin de costos, la
maximizacin de la calidad de los productos y la maximizacin de la satisfaccin de los
clientes, por solo mencionar algunos.
Con mucha frecuencia estos objetivos mltiples presentan dimensiones distintas y entran en
conflicto dimensional. En los sistemas reales, los administradores deben considerar y ser
capaces de tomar decisiones, partiendo de la evaluacin de problemas multicriterio, como
herramientas de gestin. Estos modelos de criterio mltiple difieren, en lo fundamental,
de los que tienen un solo objetivo, en lo referido a los procedimientos de solucin utilizados
26
y a los resultados obtenidos; en general, los modelos de criterios mltiples proporcionan
una solucin que satisface los objetivos mltiples, en lugar de obtener una solucin que
optimice todos los objetivos [Kalenatic, 2001].


2.2.4. Simulacin. Con frecuencia, se ha encontrado que la mejor manera para llevar a
cabo estudios e investigaciones de sistemas es a travs de la simulacin de los mismos. Los
mtodos y mecanismos para lograr estos propsitos son variados. Unos son ms apropiados
que otros dependiendo de los problemas o intereses que conciernen a los observadores y de
las caractersticas de los mismos sistemas o procesos. Algunos de los mtodos y
mecanismos, conocidos por muchos aos, siguen utilizndose ampliamente, mientras que
otros, ms recientes, slo empiezan a popularizarse.
En particular, la simulacin a pesar de ser reconocida como una herramienta til en una
gama amplia de disciplinas, en ocasiones ha sido relegada, ms por el tiempo que ella
tradicionalmente ha requerido para su implementacin que por su dificultad. Es por esta
razn que en el mercado se ofrecen variedad de paquetes para computadores que facilitan la
simulacin de sistemas.
Los modelos de simulacin pueden clasificarse en deterministas y estocsticos; ambos, a la
vez, pueden ser estticos y dinmicos. Esquemticamente se muestra en la Figura 2.

Figura 2. Clasificacin de los modelos de simulacin

cos
cos
cos
cos
cos
cos min
Dinami
Estati
Estocasti
Dinami
Estati
isti Deter
Modelos

Los modelos deterministas, a diferencia de los estocsticos, no contienen variables
aleatorias; y los estticos, a diferencia de los dinmicos, no requieren emplear de manera
explicita la variable tiempo. Seguidamente en esta seccin desarrollaremos principalmente
27
modelos estocsticos y dinmicos (y nos referiremos a las simulaciones que efectuemos con
ellos como simulaciones discretas o simulaciones de eventos discretos).
Los elementos principales a tener en cuenta en la elaboracin de los modelos de simulacin
discreta son:

Componentes del sistema: Son los procesos, subprocesos, subsistemas. Ellas
delimitan el sistema.

Variables: Existen diferentes tipos de variables, estas pueden ser:
-Exgenas: Son independientes o de entrada al modelo y son predeterminadas.
-Estado: Describen el estado del sistema en el tiempo.
-Endgenas: Son dependientes y generadas por la interaccin entre las variables
exgenas, endgenas y de estado.
-Parmetros: Pueden ser variables exgenas, y en este caso deben ser estimadas
para la operacin de un modelo especfico.
-Relaciones funcionales: Relacionan las distintas variables del modelo.

Es importante sealar que la simulacin discreta, a pesar de ser reconocida como una
aproximacin til en una gama amplia de circunstancias, ha sido relegada por su
desconocimiento y por el tiempo que puede tardar en desarrollar experiencia y
conocimiento. Esto se constituye en una razn adicional para su estudio con profundidad,
de manera que se puedan desarrollar habilidades y destrezas que faciliten la construccin y
ejecucin de modelos de simulacin en forma gil y efectiva. Existen o razones importantes
que justifican la simulacin discreta:
Encontrar soluciones a problemas matemticos o de sistemas, deterministas o
estocsticos, para los cuales no se conoce solucin analtica.
Resolver problemas de sistemas, deterministas o estocsticos, para los cuales su
experimentacin es costosa.
Entender el comportamiento de sistemas naturales en donde se presentan procesos
estocsticos complejos.
28
En la planeacin de sistemas socio-econmicos, para apoyar la formulacin de
polticas estrategias administrativas y operativas.

En la simulacin de eventos discretos requiere frecuentemente la utilizacin de variables
estocsticas, por ejemplo las llegadas a la cola de un banco, el tiempo de servicio en una
actividad comercial o la atencin en una central telefnica [Pea, 2004].
Un factor que interviene de manera principal en el modelamiento lineal de problemas en la
industria es la incapacidad de la administracin para determinar y controlar adecuadamente
las restricciones que hay en toda la empresa. Para poder establecer un enfoque lgico es
necesario determinar el grado al cual puede funcionar el sistema; este se determina por el
grupo de restricciones que tiene el sistema [Umble, 1995].


2.2.5 Determinacin y administracin de las restricciones para problemas de planeacin
de la produccin. Hay una creciente conciencia entre los administradores de la
produccin, acerca de la necesidad de lograr un flujo rpido y sin tropiezos de los
materiales en las operaciones de manufactura, de acuerdo con la demanda del mercado.
Pero pocas empresas han logrado avances en esta meta. La razn principal para la carencia
en avances no ha sido la falta de esfuerzo. En realidad, casi todas las empresas han gastado
grandes cantidades de tiempo y dinero para implementar diversos programas destinados a
mejorar la productividad en su trabajo. No obstante, la mayora de los administradores se
encuentran desilusionados con los resultados.
Una de las labores de los administradores de la produccin es tratar de limitar los efectos
perjudiciales de las restricciones en la productividad y rentabilidad de la empresa. Antes de
comenzar a determinar las restricciones en un problema de planeacin de la produccin es
necesario entender los diversos tipos de restricciones inherentes a los sistemas de
manufactura [Umble, 1995].
Existen diferentes formas de clasificar las restricciones; la clasificacin que utilizaremos
ser la que propone Michael Umble en su obra Manufactura Sincrnica [1995], este
29
clasifica las restricciones como de mercados, capacidad, materiales, logsticas,
administrativas y conductuales.


2.2.5.1 Restricciones de mercados: El factor crtico que impulsa a cualquier planta
manufacturera es la demanda del mercado, que determina los lmites del rendimiento
especfico dentro de los cuales debe funcionar la empresa. El tipo de producto por el cual
hay demanda, lo determina el mercado.
Hay ciertas consideraciones adicionales, como limites de cantidad, necesidades de tiempo
de espera, precios de competencia y normas de calidad que por lo general no son
establecidas por la empresa, sino por el mercado [Umble, 1995].


2.2.5.2 Restricciones de materiales e inventario: Si no se cuenta con los insumos
necesarios, se debe cerrar el proceso de manufactura. Los administradores han conocido
este principio desde que empezaron los trabajos de produccin. La necesidad de tener
suficiente materia prima y produccin en proceso para sostener la marcha del proceso de
produccin ha dado origen, de hecho, a una gran cantidad de sistemas de control de
materiales, muchos de los cuales estn pensados para garantizar una sper abundancia de
los mismos.
Se puede considerar que las restricciones de materiales son a corto plazo o a largo plazo.
Las restricciones a corte plazo a menudo ocurren cuando un proveedor no entrega en la
fecha programada, o el material esta defectuoso. Las restricciones tpicas de materiales a
largo plazo son el resultado de escasez de materiales en el mercado [Umble, 1995].
Las restricciones de inventario mantiene el balance del inventario, as, el inventario al final
de un perodo no es mas que el inventario al principio del perodo ms la produccin
fabricada dentro del perodo y descontando las entregas del perodo concerniente. Hasta
aqu las restricciones necesarias para encontrar una solucin factible. Ahora, se pueden
plantear otro tipo de restricciones que limitan los recursos, ya sean polticas o imposiciones
del sistema.
30
Otro aspecto que tiene en cuenta las restricciones de inventario son los lmites de inventario
por perodo; esta restriccin se encuentra cuando hay limitaciones para mantener un nivel
de inventario inferior al tope, usualmente por razones de espacio en bodega, adems puede
haber stock de seguridad, el cual debe de asegurar que exista ese nivel mnimo de
inventario al final del perodo [Correa, 2003].


2.2.5.3 Restricciones de capacidad: Existen dos factores muy importantes que influyen
directamente en la capacidad de una planta para mantener el flujo de produccin deseado en
una forma uniforme y oportuna. Uno de ellos es la disponibilidad de materiales, ya
comentada. El otro es la disponibilidad de capacidad. Se dice que hay una restriccin de
capacidad cuando la capacidad disponible en un recurso puede ser insuficiente para
responder a la carga de trabajo necesaria para apoyar el rendimiento especfico deseado. El
resultado es una posible alteracin en el flujo de los productos.
Cuando se pide a los administradores sealar las restricciones en su proceso de produccin,
las restricciones de capacidad son las primeras que se mencionan. Es decir, hay ciertos
recursos que, debido a la aparente carencia de capacidad disponible, ocasionan alteraciones
en el movimiento uniforme de los productos en toda la planta. Cuando se puede determinar
cuales son estos recursos suelen recibir atencin especial de los administradores.
Identificar la diferencia entre recursos cuello de botella y los que no lo son es de gran
importancia para formular este tipo de restricciones. Un recurso que no es cuello de botella
se define como aquel que tiene una capacidad mayor que la demanda que se le aplica,
contrario a un recurso cuello de botella. Si hay cuello de botella en la operacin de la
planta, entonces el flujo real de productos va hacer menor que el deseado, a menos que se
pueda aumentar la capacidad de los recursos que son cuellos de botella [Umble, 1995].


2.2.5.4 Restricciones logsticas: Cualquier restriccin inherente al sistema de planeacin y
control de la manufactura utilizado en la empresa, se cataloga como una restriccin
logstica. El efecto primario de este tipo de restriccin es que acta como un impedimento
31
para el flujo uniforme de los artculos a travs del sistema. Estas restricciones suelen ser
integradas al sistema de manufactura y pueden ser difciles de cambiar. En la prctica,
algunos administradores no suelen reconocer las restricciones logsticas como factores o
parmetros que se pueden manejar. Pero si las restricciones impuestas por el sistema de
planeacin y control son muy serias, entonces hay que modificar o cambiar el sistema.
Un ejemplo de restricciones logsticas se aprecia en los sistemas de controles de materiales
en que se emplean intervalos de tiempo mensuales. Con el empleo de intervalos o
programas para un mes, en vez de una semana o un da, se pierden de vista las fechas
exactas de entrega de los pedidos. Esto significa que si todos los pedidos se van a entregar
en la fecha prometidas, entonces algunos pueden quedar terminados, a veces hasta con
cuatro semanas de anticipacin. Adems, el tiempo de solicitud ser excesivo. La cantidad
total en que se aumenta innecesariamente el tiempo de solicitud total o de procesamiento
del pedido por el cliente, depende del sistema real de manufactura. Este caso es de un
sistema de control de materiales con prolongados intervalos de tiempo; esto, por supuesto,
tiene un efecto adverso en la capacidad que tiene una empresa para trabajar [Umble, 1995].


2.2.5.5 Restricciones administrativas: Las restricciones administrativa son las estrategias y
polticas de la empresa implantadas por la gerencia, y que perjudican todas las decisiones
relacionadas con la manufacturas, en muchos casos, las restricciones administrativas son el
resultado de una falta de compresin de los factores que mejoran o daan un proceso de
manufactura. Las restricciones administrativas pueden influir en el sistema en dos formas
bsicas. Pueden producir situaciones que lleven a la sub-optimizacin del sistema o
pueden agravar el efecto de otras restricciones ya presente en el mismo.
Las restricciones administrativas pueden tener el efecto de amplificar los problemas
ocasionados en el sistema por las otras restricciones. Un ejemplo es la poltica para
determinar los tamaos de los lotes con el empleo de la cantidad econmica para pedido
(EOQ). Ya se ha establecido que el mtodo de EOQ no es el adecuado para tomar
decisiones acerca del tamao de los lotes en una empresa manufacturera [Umble, 1995].

32

2.2.5.6 Restricciones conductuales. Hasta cierto grado, las empresas se pueden caracterizar
por las actitudes y conductas de su fuerza de trabajo. En el momento en el cual se ejerciten
conductas que vayan en contra de los procesos de manufactura, estas conductas se vuelven
una restriccin para el sistema. Las restricciones conductuales pueden surgir por los
hbitos, mtodos y actitudes de los administradores o de los trabajadores. Estas actitudes
reflejan a menudo costumbres y cultura de toda la empresa en casi todas las industrias
manufactureras, los patrones conductuales surgen como resultado del estilo de
administracin aplicado en conjuncin con las evaluaciones de comportamiento y
estructuras de recompensas que lo respaldan por lo tanto, la administracin puede ser,
cuando menos en parte, la causante de muchas de la restricciones conductuales en la
empresa.
Un ejemplo de restriccin conductual es la actitud de mantenerse ocupado, que a menudo
emplean los supervisores y los trabajadores. Esta actitud se puede generar por el temor de
que si la administracin no puede mantener ocupado los trabajadores, puede despedirlos, y
los trabajadores captan esto con rapidez [Umble, 1995].














33
3. LGICA DIFUSA.


La lgica difusa, como su nombre indica, es una lgica alternativa a la lgica clsica que
pretende introducir un grado de vaguedad en las cosas que califica. En el mundo real existe
mucho conocimiento poco realista, es decir, conocimiento vago, impreciso, incierto,
ambiguo, inexacto, o probabilstico por naturaleza. El razonamiento y pensamiento humano
frecuentemente conlleva informacin de este tipo, probablemente originada de la
inexactitud inherente de los conceptos humanos y del razonamiento basado en experiencias
similares.
El problema principal surge de la poca capacidad de expresin de la lgica clsica,
supongamos por ejemplo que tenemos un conjunto de personas que intentamos agrupar
segn su altura, clasificndolas en altas o bajas. La solucin que presenta la lgica clsica
es definir un umbral de pertenencia (por ejemplo, un valor que todo el mundo considera que
de ser alcanzado o superado, la persona en cuestin puede llamarse alta). Si dicho umbral
es 1.80 m, todas las personas que midan 1.80 m o ms sern altas, mientras que las otras
sern bajas. Segn esta manera de pensar, alguien que mida 1.79 m ser tratado igual que
otro que mida 1.50 m, ya que ambos han merecido el calificativo de bajas. Sin embargo, si
dispusiramos de una herramienta para caracterizar las alturas de forma que las transiciones
fueran suaves, estaramos reproduciendo la realidad mucho ms fielmente. Asimismo, no
hay un valor cuantitativo que defina el trmino joven. Para alguna gente, 25 aos es joven,
mientras que para otros, 35 es joven. Incluso el concepto puede ser relativo al contexto. Un
presidente de gobierno o de 35 aos es joven, mientras que un futbolista no lo es. Hay sin
embargo cosas que estn claras: una persona de 1 ao es joven, mientras que una de 100
aos no lo es. Pero una persona de 35 aos tiene algunas posibilidades de ser joven (que
normalmente dependen del contexto).
El origen del inters actual por la teora de conjuntos difusos se debe a un artculo
publicado por Lofti Zadeh en 1.965. En la actualidad es un campo de investigacin muy
importante, tanto por sus implicaciones matemticas o tericas como por sus aplicaciones
prcticas. Prueba de esta importancia es el gran nmero de revistas internacionales (Fuzzy
34
Sets and Systems, IEEE Transactions on Fuzzy Systems.) congresos (Fuzz-Ieee, Ipmu,
Eusflat, Estylf) y libros (Kruse, 1994), (McNeill, 1994), (Pedrycz, 1993) dedicados al tema
<En lnea>.


3.1. CONJUNTOS DE CRISP.
El objetivo de este capitulo es presentar los principales componentes de la teora de
conjuntos difusos y algunas de sus aplicaciones. Para distinguir entre conjuntos difusos y
los conjuntos clsicos, nos referimos a este ltimo como conjuntos de Crisp. Este nombre
es ahora aceptado en la literatura tcnica. [Klir, 1995]
En nuestro trabajo, asumimos que el lector est familiarizado con los fundamentos de la
teora de conjuntos de Crisp. Incluimos esta seccin en el trabajo por que este conocimiento
es necesario para nuestra discusin sobre conjuntos difusos.
La lgica Difusa fue iniciada en 1965 por Lotfi Zadeh, profesor de ciencias de computacin
de la universidad de California en Berkley. En contraste con la matemtica clsica, en la
que se est familiarizado con los conjuntos Crisp, Zadeh propone el uso de elementos ms
bsicos, es el conjunto (o subconjunto) difuso [Correa, 2004].
A continuacin ilustraremos los conjuntos de Crisp con un ejemplo.

Ejemplo 1
Considrese un conjunto X de nmeros reales entre 0 y 10, que se llama el Universo del
Discurso. Ahora, al definir un subconjunto A de X, de todos los nmeros reales en el rango
entre 5 y 8:

| | 8 , 5 = A

Se puede distinguir el subconjunto A, por medio de su funcin caracterstica, mediante la
asignacin de un nmero 1 un 0 a cada elemento en X, dependiendo de si el elemento
pertenece al subconjunto A o no pertenece al subconjunto A.
35
En la Figura 3 se puede observar el conjunto clsico Crisp. Se pueden interpretar los
elementos que se les ha asignado el nmero de 1, como los elementos que pertenecen al
subconjunto A, y los elementos que se les asigna el nmero 0, como los elementos que no
estn en el subconjunto A.

Figura 3. Ejemplo de conjunto clsico (Crisp).


3.2. TEORA DE LOS CONJUNTOS DIFUSOS.
Tal y como se define en la seccin anterior, la funcin caracterstica de un conjunto de
Crisp asigna un valor de 1 o 0 a cada individuo en el conjunto universal; 1 a los que son
miembros de la relacin y 0 a los que no. Esta funcin puede ser generalizada de tal manera
que los valores asignados a los elementos del conjunto universal estn dentro de un rango,
especificando con este el grado de adhesin de estos elementos en el conjunto en cuestin.
Los valores ms altos indican un mayor grado de afiliacin. Esa funcin se llama una
funcin de pertenencia, y el conjunto definido por un conjunto difuso. [Klir, 1995]
El lenguaje humano es un ejemplo de la manera como se propaga la vaguedad e
incertidumbre. La imprecisin en la informacin tiene que ver con el entorno humano
puede ser del tipo estadstico o no estadstico. Precisamente es a este ltimo tipo de
incertidumbre a la que se hace referencia como difusa. Por ejemplo, si se define el conjunto
de objetos que estn cercanos a 7, entonces no ser posible definir dicho conjunto
empleando valores convencionales, con objetos que satisfagan propiedades precisas para el
grado de pertenencia. Zadeh propuso la representacin de dicho elemento mediante
funciones de pertenencia, que mapean los nmeros en el intervalo unitario [0, 1], los cuales
contienen un grado de pertenencia. Usando esta representacin, se puede definir un
conjunto de nmeros que sean cercanos a 7. En dicho caso, si el grado de pertenencia es
36
0.98, entonces se puede inferir que se trata de un elemento con un valor casi igual a 7
[Correa, 2004].
Zimmermann [1996], define formalmente los conjuntos difuso como: ( ) { } X x x x A
A
= , ,
~

donde ( ) x
A
se denomina la funcin de pertenencia (o grado de pertenencia) de x en A
~
, y
M X
A
: es una funcin de X en un espacio M denominado espacio de pertenencia.
Cuando el espacio de perteneca slo contiene los dos puntos 0 y 1, A
~
no es difusa y
( ) x
A
es idntica a la funcin caracterstica de un conjunto no difuso. ( ) x
A
Es una
funcin cuyo rango es un subconjunto de los nmeros reales no negativos y que tiene la
propiedad de que el supremo de este conjunto es finito. As, la presuncin bsica es que un
conjunto difuso A
~
, a pesar de la imprecisin de sus lmites, se puede representar con
precisin asocindole a cada punto x un nmero entre dos lmites inferior y superior, por
ejemplo 0 y 1, que representan su grado de pertenencia en A
~
[Mula, 2004].
Para el mejor entendimiento de los conjuntos difusos seguidamente se presentara un
ejemplo.

Ejemplo 2
Se desea describir el conjunto de la gente joven.

{ } joven gente de Conjunto B =

| | 20 , 0 = B

El lmite inferior puede ser 0, pero el lmite superior es ms difcil de definir.
Cmo se define el lmite superior en 20, para una persona joven?
Una persona de 21 aos o entre 20 y 21, ya no es joven?
La Figura 4 muestra una forma de definir el conjunto de personas jvenes, asignndole una
funcin de pertenencia entre 0 y 1.

37
Figura 4. Ejemplo de conjunto difuso.



3.2.1. Operaciones sobre conjuntos difusos. Los operadores difusos constituyen una
importante componente en la comprensin de las aplicaciones de los conjuntos difusos.
Dentro de las operaciones ms importantes en los conjuntos difusos, se destacan la unin,
interseccin, negacin y exponenciacin las cuales se explican a continuacin [Correa,
2004].


3.2.1.1 Complemento. Teniendo en cuenta que sabemos cmo caracterizar un conjunto
difuso A, entonces su complemento se puede denotar como A, y corresponde a la operacin
[Correa, 2004]:
( ) ( ) x x
A
A
=1
,


3.2.1.2 Unin. La operacin de unin en los conjuntos difusos A y B definidos sobre el
universo X, genera un conjunto difuso C, proveniente de la analoga con la operacin
B A C =
( ) ( ) ( ) | | x x Max x
B A C
, =
Por esta razn, se podra pensar en una analoga a la idea Booleanas, con el vocablo OR
[Correa, 2004].


38
3.2.1.3 Interseccin. La operacin de interseccin en los conjuntos difusos A y B definidos
sobre el universo X, genera un conjunto difuso D, proveniente de la analoga con la
operacin B A D =
( ) ( ) ( ) | | x x Min x
B A D
, =
Lo anterior tiene analoga con la idea Booleanas del vocablo AND [Correa, 2004].


3.2.1.4 Exponenciacin. Sea A un conjunto difuso sobre el universo X y sea un valor
escalar. En todos los casos, se considera que 0. El elevar un conjunto difuso A, a la
potencia , se denota por

A E = [Correa, 2004].

( ) | |

A E
x =

3.2.2. Aritmtica con nmeros difusos. Una vez reconocidas las operaciones ms
importantes que se realizan con conjuntos difusos, es posible entonces ampliar el concepto
que se tiene respecto a la aritmtica tradicional que se efecta con nmeros concretos (I.e.
Nmeros Reales), al mundo de los nmeros difusos. Para el efecto, se ilustrarn la
naturaleza de las operaciones aritmticas bsicas que se efectan con nmeros difusos
[Correa, 2004].


3.2.3. Concepto De Nmero Difuso. Los nmeros difusos constituyen un concepto muy
apropiado para abarcar vaguedad e incertidumbre en la definicin de un valor. Es posible
ampliar el concepto de conjuntos difusos aplicado a la definicin de nmeros difusos. Se
define el nmero difuso A
~
, como el conjunto cuya funcin de pertenencia,
A
toma el
valor de 1, en el punto x = A [Correa, 2004].



39
Ejemplo 3
Sea U la lnea de los nmeros reales R, un conjunto clsico que representa Nmeros reales
mayores o iguales a 5.
( ) ( ) { } U X x x A
A
= / ,

La funcin caracterstica se expresa como:

( )

<
=
5 1
5 0
x
x
x
A


Y se representa segn la Figura 5. Tambin es posible expresar mediante un conjunto
difuso, A
~
a los Nmeros reales cercanos a 5:

( ) ( ) { } U x x x A
A
= / ,
~
~

Donde la funcin de pertenencia puede estar dada por:

( )
( )
2
~
5 10 1
1
+
=
x
x
A


Figura 5. Funcin caracterstica de los nmeros mayores iguales a 5.

Grficamente los nmeros cercanos a 5 pueden ilustrarse como lo muestra la Figura 6.


40
Figura 6. Funcin de pertenencia, del nmero difuso A
~
=5

Este conjunto se puede representar como:

( ) ( ) ( ) | | { }
1
2
~ ~ 5 10 1 / ,
~

+ = = x x x x A
A A


La funcin de pertenencia muestra que la asignacin de una funcin de pertenencia de un
conjunto difuso es de naturaleza subjetiva, sin embargo no se puede asignar arbitrariamente
[Correa, 2004].
A continuacin se indica la definicin y notacin que se emplear en el resto del trabajo.

Definicin de nmero difuso: Un nmero difuso A
~
corresponde a un subconjunto
normal y convexo de un universo de discurso X. Normalmente ( ) 1 ) = x y R x
A
.
Dicha convexidad implica: | | 1 , 0 , ,
2 1
X x X x , de conformidad con
( ) ( ) ( ) ( ) ( )
2 1 2 1
, min 1 x x x x
A A A
+ [Correa, 2004].

Nmero Triangular Difuso: Si A
~
es un nmero difuso, entonces se considera que
es triangular si su convexidad es lineal a tramos. Con la finalidad de simplificar las
operaciones con los nmeros difusos, generalmente se simplifica su notacin, de
manera lineal. Desde este punto de vista, un nmero difuso triangular asimtrico se
denota como sigue: ( ) + = m m m a , ,
~
[Correa, 2004].
Y grficamente se ilustra como se muestra en la Figura 7.



41
Figura 7. Concepto de nmero triangular difuso asimtrico: ( ) + = m m m a , ,
~



Ntese que corresponde a una notacin simple, como una representacin de 3
nmeros concretos, donde el nmero del centro representa el punto donde A = 1.


Ejemplo 4
Un nmero cercano a 6, (Representado en la Figura 8), puede denotarse como 6
~
=
(4.5, 6, 7.3)

Figura 8. Nmero triangular difuso asimtrico 6
~
= (4.5, 6, 7.3)


Una extensin de la representacin de los nmeros difusos, puede realizarse
tomando funciones de pertenencia trapezoidales. Se obtiene as un nmero difuso
trapezoidal, como se denota a continuacin: ( ) , , ,
~
n m b = . La representacin
grfica del nmero expresado en la ecuacin anterior se observa en la Figura 9.



42
Figura 9. Concepto de nmero trapezoidal difuso asimtrico ( ) , , ,
~
n m b = .


Aunque este tipo de nmeros pueden abarcar una gran componente de
incertidumbre, requieren tratamientos matemticos de orden ms complejo que el de
los nmeros triangulares [Correa, 2004].


3.2.4. Operaciones aritmticas con nmeros triangulares difusos. Las operaciones
aritmticas se realizan normalmente, con los valores donde la funcin de pertenencia sea
igual a 1. Despus se deben sumar los rangos de los dos nmeros difusos y luego se divide
por dos (Esto se hace sin importar la clase de operacin). Este nmero obtenido se le resta y
suma a la base, y el resultado es el lmite inferior y superior respectivamente [Correa,
2004].

Ejemplo 5
Dados los siguientes nmeros difusos: a
~
= (-6, 8, 9); b
~
= (-3, 4, 9), su representacin
grfica se muestra en la Figura 10.

Figura 10. Representacin de los nmeros difusos triangulares b y a
~
~


43
La Tabla 1 ilustra las operaciones aritmticas fundamentales que se realizan con dichos
nmeros.

Tabla 1. Operaciones Realizadas Con Nmero Difusos.
Conjuntos Crisp Cojuntos Difusos
a = 8 a = (-6, 8 , 9)
b = 4 b = (-3 , 4 , 9)
a + b = 12 (-6, 8 , 9) + (-3 , 4 , 9) = (-1.5, 12, 25.5)
a b = 4 (-6, 8 , 9) (-3 , 4 , 9) = (-9.5, 4, 17.5)
a b = 32 (-6, 8 , 9) (-3 , 4 , 9) = (18.5, 32, 28.5)
a b = 2 (-6, 8 , 9) (-3 , 4 , 9) = (-11.5; 2; 15.5)


De esta manera es posible efectuar operaciones en los que se considere la existencia de
incertidumbre en la definicin de un elemento determinado.


3.3. PROGRAMACIN LINEAL DIFUSA
De forma general, la programacin matemtica difusa se clasifica en dos clases:
programacin matemtica difusa cuando hay flexibilidad en las metas de la funcin
objetivo y restricciones, a este tipo se denomina Programacin Flexible; y programacin
matemtica difusa cuando hay incertidumbre en los coeficientes de coste de la funcin
objetivo y en los coeficientes de la matriz de restricciones, a este tipo se le llama
Programacin Probabilstica. En los modelos de Programacin Flexible, las metas difusas
de la funcin objetivo y las restricciones difusas generalmente son determinadas
subjetivamente [Torabi, 2007]; un modelo de programacin flexible se escribe de la forma:

( ) ( )

=
=
n
j
j j
x c x z
1
~
min max

=
=
n
j
i j ij
m i b x a
a Sujeto
1
,..., 1 ,
~
:

n j
N j x , 0
44
Donde la notacin =
~
,
~
indica que existe cierto grado de flexibilidad tanto en la igualdad
como en la desigualdad. De forma contraria en el caso de los modelos de Programacin
Probabilstica la vaguedad se maneja con distribuciones de probabilidad o se determina
objetivamente basndose en datos histricos [Torabi, 2007]; un modelo de programacin
flexible se escribe de la forma:

( ) ( )

=
=
n
j
j j
x c x z
1
~
min max

=
=
n
j
i j ij
m i b x a
a Sujeto
1
,..., 1 ,
~
~
:

n j
N j x , 0

El clsico problema de Programacin Lineal es encontrar los valores mximos o mnimos
de una funcin lineal representada por las limitaciones en virtud de las desigualdades o
ecuaciones lineales. En muchas situaciones prcticas, cuando se modelan problemas con
programacin lineal, no es prudente especificar las restricciones o la funcin objetivo de
forma precisa. En tales situaciones, es conveniente utilizar algn tipo de programacin
lineal difusa. Desde lo difuso se puede apuntar a un problema de programacin lineal, en
muchos aspectos (por ejemplo, las desigualdades y las metas pueden ser difusas o los
coeficientes de la funcin objetivo y de la matriz de restricciones pueden ser valores
difusos); la definicin de los problemas de programacin lineal difusa no es nica [Klir,
1995].
Las prximas secciones tienen como objetivo estudiar casos especiales de problemas de
programacin lineal difusa y la metodologa encontrada en la bibliografa para su
transformacin en un modelo de programacin lineal y su posterior solucin. Los dos
primeros casos son los siguientes:
45
Caso 1. Problemas de programacin lineal difusa en el que slo los coeficientes del lado
derecho de las restricciones (
i
b ) son nmeros difusos. [Klir, 1995] Un modelo de este tipo
se escribe de la siguiente forma:
( )

=
=
n
j
j j
x c x z
1
max

=
=
n
j
i j ij
m i b x a
a Sujeto
1
,..., 1 ,
~
:

n j
N j x , 0

Caso 2. Problemas de programacin lineal difusa en el que tanto los coeficientes del lado
derecho de las restricciones (
i
b ) como los coeficientes de la matriz de restricciones
ji
a son
nmeros difusos [Klir, 1995]. Un modelo de este tipo se escribe de la siguiente forma:

( )

=
=
n
j
j j
x c x z
1
max

=
=
n
j
i j ij
m i b x a
a Sujeto
1
,..., 1 ,
~
~
:

n j
N j x , 0

En general, los problemas de programacin lineal difusa se convierten primero en
problemas lineales o no lineales equivalentes, que son resueltos por mtodos estndar. Los
resultados finales de un problema de programacin lineal difusa son nmeros reales [Klir,
1995].


46
3.3.1. Metodologa de solucin para problemas con coeficientes del lado derecho de las
restricciones difusos. Vamos a abordar ahora el problema de programacin lineal difusa
del caso 1. En este caso, nmeros difusos
i
b (
m
N i ) suelen tener la forma:

( )

+
+ < <
+

=
x p b cuando
p b x b cuando
p
x p b
b x cuando
x B
i i
i i i
i
i i
i
i
0
1


Donde R x (Figura 11).

Figura 11. Nmero difuso utilizado en el Caso 1.


Para cada vector
n
x x x X ,...., ,
2 1
= , primero calculamos los grados ( ) x D
i
a los que X
satisface las
esimas
i restricciones con la formula: ( )
|
|

\
|
=

=
n
j
j ij i i
x a B x D
1
.
Estos grados son conjuntos difusos de
n
R , y su interseccin
I
m
i
i
D
1 =
es un conjunto difuso
factible. A continuacin, determinaremos los valores ptimos de los conjuntos difusos.
Esto se realiza mediante el clculo de los lmites inferior y superior de los valores
considerados ptimos. El lmite inferior de los valores ptimos,
l
Z , se obtiene
solucionando el problema de programacin lineal estndar:


i b i i p b + 0
1
R
47
( )

=
=
n
j
j j
x c x z
1
max

=
=
n
j
i j ij
m i b x a
a Sujeto
1
,..., 1 ,
:

n j
N j x , 0

El lmite superior de los valores ptimos,
u
Z , es obtenido solucionando un problema de
programacin lineal similar al anterior, donde los
i
b son reemplazados por
i i
p b + .

( )

=
=
n
j
j j
x c x z
1
,
max

=
= +
n
j
i i j ij
m i p b x a
a Sujeto
1
,..., 1 ,
:

n j
N j x , 0

A continuacin, de valores ptimos del conjunto difuso, G, que es un subconjunto difuso de
n
R , se define por:

( )

=
l j j
u j j l
l u
l j j
j j u
Z x c cuando
Z x c Z cuando
Z Z
Z x c
x c Z cuando
x G
0
1


Ahora, el problema de programacin lineal difusa con coeficientes del lado derecho de las
restricciones difusos se convierte en el clsico problema de optimizacin siguiente:

48
( )
( )
0 ,
,
max
1

+ +

=
j
m
n
j
i i j ij i
l j j l u
x
N i p b x a p
Z x c Z Z
a Sujeto

El problema anterior es en realidad un problema de encontrar
n
R x
tal que
( ) x G D
m
i
i (

|
|

\
|
=
I
I
1

alcance su valor mximo, es decir, el problema es encontrar un punto que cumpla las
limitaciones y el objetivo con el mximo grado. Esta idea se debe de Bellman y Zadeh
[1970]. El mtodo empleado aqu se llama un mtodo simtrico (es decir, las limitaciones
y el objetivo son tratados simtricamente). Tambin hay mtodos no simtricos [Klir,
1995].


3.3.2. Metodologa de solucin para problemas donde los coeficientes del lado derecho
de las restricciones y los coeficientes de la matriz de restricciones son nmeros difusos.
Veamos ahora el problema de programacin lineal difusa del caso 2 de una manera ms
general. En este caso, suponemos que los todos los nmeros difusos presentes en el modelo
se modelan como nmeros triangulares difusos. Cualquier nmero triangular difuso se
representa por tres nmeros reales s, l, r cuyo significado se define en la figura 12.

Figura 12. Nmero difuso utilizado en el Caso 2.


s
1
s - l s+ r
l
r
R
r l s A , , =
49
Usando esta representacin podemos reescribir el Problemas De Programacin Lineal
Difusa del caso 2 como:
( )

=
=
n
j
j j
x c x z
1
max

=
=
n
j
i i i ij ij ij ij
m i v u t x r l s
a Sujeto
1
,..., 1 , , , , ,
:

n j
N j x , 0

Donde =
ij
a
ij ij ij
r l s , , y =
i
b
i i i
v u t , , son nmeros difusos. El problema puede ser
reescrito como:
( )

=
=
n
j
j j
x c x z
1
max
( )
( ) ( )
m
n
j
i i j ij ij
n
j
i i j ij ij
n
j
i j ij
N i v t x r s
u t x l s
t x s
a Sujeto
+ +

=
=
=
,
:
1
1
1

n j
N j x , 0

Sin embargo, dado que todos los nmeros en cuestin son los nmeros reales, se trata de un
clsico problema de programacin lineal [Klir, 1995].
En muchos modelos de optimizacin, la solucin obtenida puede no ser satisfactoria para
quien toma decisiones, y por eso se hace necesario generar nuevos modelos, con el objetivo
de alcanzar las diversas metas trazadas. Esto se puede lograr aumentando la capacidad de
produccin o inventario de algn artculo o producto, incrementando o disminuyendo la
demanda, elevando la capacidad de carga o transporte, entre otros. Por otro lado, cuando se
realiza la modelacin matemtica en el sector industrial por medio de optimizacin, debido
50
a la cantidad de parmetros y restricciones, en muchos casos no es posible encontrar una
solucin factible. Por lo expuesto anteriormente, se presenta en la siguiente seccin una
metodologa encontrada en la bibliografa analizada de optimizacin flexible u
optimizacin con restricciones difusas que permite dar solucin a dichos problemas a travs
de la flexibilizacin de las restricciones. Para tal efecto, se hace la descripcin de un
mtodo usual de optimizacin difusa que convierte el problema original en un modelo de
optimizacin paramtrica [Lpez, 2008].


3.3.3. Metodologa de solucin para problemas en donde la funcin objetivo es flexible.
Esta seccin est basada en lo expresado por Jaroslav [2001].Cuando la funcin objetivo es
flexible o difusa, se supone que existe un valor de aspiracin para la funcin objetivo.
Dicho valor se notar R d
0
. Es decir, se espera encontrar un X x
*
tal que ( )
0
*
d x Z .
En muchos casos no es posible encontrar un punto factible que satisfaga esta condicin, por
lo cual se permite que la funcin objetivo pueda alcanzar valores menores a
0
d . Para esto,
se fija un valor
0
p que define el grado mnimo de cumplimiento o pertenencia al nivel de
aspiracin. De esta forma, si ( )
0 0
p d x Z , se dice que tiene un grado de cumplimiento
de 0. Si ( )
0
d x Z . , el grado de cumplimiento o nivel de pertenencia es 1. Adems, si
( )
0 0 0
d x Z p d , entonces el grado o porcentaje de cumplimiento esta dado por
( )
0
0
1
p
x Z d
. Lo descrito anteriormente se puede expresar por medio de la siguiente
funcin de perteneca trapezoidal para la funcin objetivo Z:

( )

=
0
0 0 0
0
0
0
0
1
1
p t si
d t p d si
p
t d
d t si
t
z


Luego, el problema de optimizacin lineal con funcin objetivo flexible es equivalente a:
51
| | 1 , 0 ,
:
1

|

\
|

X x
x c
a Sujeto
Max
n
i
i i Z


Como puede verse en Jaroslav (2001), el problema anterior es equivalente al siguiente
problema de optimizacin paramtrica:

( )
| | 1 , 0 ,
1
.
0 0

X x
p d x C
a Sujeto
MAX
n
i
i i


















52
4. REVISIN DEL ESTADO DEL ARTE SOBRE LA APLICACIN DE LA LGICA
DIFUSA A LA PLANIFICACIN DE LA PRODUCCIN.


En un esfuerzo por obtener una mejor comprensin del uso de la teora de conjuntos difusos
en ingeniera industrial y proporcionar una base para futuras investigaciones, en esta
seccin se hace una revisin de la literatura de la teora de conjuntos difusos en ingeniera
industrial.


4.1 SOCIEDADES Y CENTROS DE INVESTIGACIN MUNDIAL EN LGICA
DIFUSA.
La teora de conjuntos difusos, fundada por Zadeh (1965), se ha convertido en una poderosa
forma de representar y manipular cuantitativamente la imprecisin en problemas de toma
de decisiones. Los Conjuntos borrosos o nmeros difusos representan adecuadamente
parmetros imprecisos que pueden ser manipulados a travs de diferentes operaciones y
tcnicas desarrolladas por Zadeh y otros autores.
A lo largo de los aos han habido exitosas aplicaciones e implementaciones de los
conjuntos difusos en la ingeniera industrial, en este aspecto la teora de conjuntos difusos
es cada vez ms reconocida como una importante tcnica para el modelado y solucin de
problemas industriales debido a su capacidad de representar cuantitativa y cualitativamente
la informacin imprecisa o vaga inherente a los problemas sobre los cuales se desea decidir.
Hay muchas asociaciones internacionales que apoyan el desarrollo de la teora de conjuntos
difusos. La International Fuzzy Systems Association (IFSA) es una organizacin mundial
dedicada al apoyo, desarrollo y promocin de aspectos fundamentales de la lgica difusa
relacionados con las teoras de (a) conjuntos, (b) lgica, (c) relaciones, (d)lenguajes
naturales, (e) la formacin de conceptos, (f) modelado lingstico, (g) vaguedad, etc. y sus
aplicaciones en (1) modelado de sistemas, (2) sistema de anlisis, (3) diagnstico, (4)
predicciones (5) el control en sistemas de apoyo de toma de decisiones en la gestin y
administracin de organizaciones as como sistemas electromecnicos en la industria
53
manufacturera y de procesos industrias. IFSA organiza congresos donde fomenta la
participacin en sesiones de debates abiertos sobre las orientaciones futuras y la
reestructuracin de la teora de la lgica difusa. Adems, la Asociacin publica la
International Journal of Fuzzy Sets and Systems y patrocinan talleres y conferencias sobre
lgica difusa.
En Japn, la Sociedad para la Teora y Sistemas Difusos (SOFT) fue creada en 1989. SOFT
tiene 1.670 miembros individuales y 74 empresas, publica una revista bimensual oficial y
organiza simposios de sistemas difusos; actualmente posee ocho grupos de investigacin.
Sociedad Norteamericana para el tratamiento de la informacin difusa, se cre en 1981
como la principal sociedad de Amrica del Norte en lgica difusa. Su propsito es ayudar a
orientar y fomentar el desarrollo de conjuntos difusos y tcnicas similares para el beneficio
de la humanidad.
El programa Berkeley Initiative in Soft Computing (BISC), es el centro mundial para la
investigaciones bsicas y aplicadas en software. Los principales componentes de la Soft
Computing son la lgica difusa, redes neuronales y la teora de probabilidad. Algunos de
los logros ms notables del Programa BISC son: razonamiento difuso (conjunto y lgica
difusa), nuevos algoritmos para la inteligencia artificial, anlisis de incertidumbre, anlisis
de decisiones basadas en percepciones de sistemas de apoyo para el anlisis de riesgos y la
gestin, teora de la percepcin, entre otros.
La Asociacin Espaola de Tecnologas y Lgica Fuzzy, promueve y difunde los mtodos,
tcnicas y la evolucin de la Lgica Difusa y las Tecnologas; Establecer relaciones con
otras asociaciones nacionales o internacionales con similares objetivos; Organiza
seminarios sobre Tecnologas y Lgica Fuzzy.
La European Society for Fuzzy Logic and Technology(EUSFLAT) se estableci en 1998.
El objetivo principal de EUSFLAT es representar a la comunidad Europea de IFSA.
EUROFUSE Working Group on Fuzzy Sets of EURO fue establecida en 1975, su propsito
es comunicar y promover el conocimiento de la teora de los conjuntos difusos y reas
relacionadas adems de sus aplicaciones. En 1985, paso a ser parte de IFSA.
54
La EUropean Network on Intelligent TEchnologies for Smart Adaptive Systems (EUNITE),
Fue creada en 2001, financiada por el programa Information Society Technologies (IST)
dentro del quinto programa marco RDT de la Unin Europea.


4.2. LGICA DIFUSA APLICADA A LA PLANEACIN DE LA PRODUCCIN.
La Lgica Difusa ha sido largamente estudiada en los ltimos 30 aos; el modelamiento de
sistemas complejos con precisin, es uno de las ventajas que nos ofrece la Lgica Difusa,
esta incorpora vaguedad e imparcialidad en la representacin y resolucin de los modelos
[Klir, 1995].
El estudio del arte que realizamos est enfocado a la aplicabilidad de la Lgica Difusa
sobre problemas en la planificacin de la produccin; desarrollar una Planificacin de la
Produccin conlleva a la especificacin paralela de los niveles de produccin, inventario y
capacidad sobre un horizonte de planificacin determinado con el propsito de disminuir
los costes totales producidos por el plan de produccin [Narasimhan, 1996].


4.2.1. La lgica difusa y sus aplicaciones referidas a la cadena de suministro. La
siguiente descripcin abarca la Lgica Difusa y sus aplicaciones referidas a la cadena de
suministro; el objetivo vital de la gestin de la cadena de suministro es el control de flujo
de materiales entre proveedores, industrias, almacenes y usuarios de forma eficaz y al
menor coste [Thomas, 1996].
El artculo elaborado por Torabi y Hassini [2008] fue orientado a la creacin de un modelo
que integra los distintos niveles de la cadena de suministros considerando mltiples
proveedores, un fabricante y diversos centros de distribucin; teniendo en cuenta que la
demanda del mercado, coste/periodo y niveles de capacidad son variables imprecisas; esta
incertidumbre en el artculo se manejo utilizando nmeros difusos triangulares para
representar la vaguedad en cada parmetro.
Los escritores del articulo consideraron dos objetivos significativos y contrarios en su
modelo de gestin de la cadena de suministros: Minimizar el Coste Total de la Logstica
55
( C T
~
) y Maximizar los Coste Total de la Compra ( TVP ); la propuesta que los autores
plantean para resolver un problema en la Gestin de la Cadena de Suministros (SCMP) se
resume en los siguientes pasos:
Paso 1: Se determinan las distribuciones triangulares de probabilidad para la imprecisin
de los parmetros y la formulacin del modelo de Programacin Lineal Multi-Objetivo
Probabilstica Entera Mixta (MOPMILP) para el problema SCMP; estas distribuciones
triangulares de probabilidad estaran determinadas por un valor pesimista, uno optimista y
uno medio.
Paso 2: Se trasforma la Funcin Objetivo en tres Funciones Objetivos equivalentes; la
metodologa que se utilizan para minimiza la funcin objetivo C T
~
es reemplazar los
valores medios de la distribucin triangular por los valores difusos de la funcin objetivo
original y minimiza la nueva funcin objetivo; luego toma los valores medios de las
distribuciones triangulares de probabilidad y se les resta los valores pesimistas y maximiza
esta nueva funcin objetivo; despus toma los valores optimistas de las distribuciones de
probabilidad triangulares y les resta los valores medios de la distribucin de probabilidad
triangular y minimiza esta ltima funcin objetivo.
Paso 3: Se determina el peso mnimo aceptable de probabilidad para los parmetros
imprecisos , se trasforman las restricciones difusas en sus correspondientes valores y
formular el modelo auxiliar MOMILP (Programacin Lineal Multi-Objetivo Entera Mixta).
Paso 4: Se determinar la solucin ideal positiva (PIS) y la solucin ideal negativa (NEI) de
cada funcin objetivo y resolver el correspondiente modelo MILP (Programacin Lineal
Mixta Entera).
Paso 5: Se especifican los miembros de cada funcin objetivo.
Paso 6: Se convierte el modelo auxiliar MOMILP en su equivalente MILP.
Paso 7: Se resuelve el modelo propuesto en el paso anterior; en caso de encontrar una
solucin no satisfactoria, se revisan los pesos que le fueron asignados a los parmetros y se
entrega una nueva solucin satisfactoria.
El planteamiento de los autores tiene gran aplicabilidad en sectores en el que los tiempos de
procesamiento (Leed-Time) en la cadena es comn depender de descuentos.
56
4.2.2. La teora de los conjuntos difusos aplicada modelos de cantidad econmica de
pedido (EOQ). La cantidad econmica de pedido busca encontrar la cantidad de pedido
que minimice el costo total del inventario de la compaa. Un modelo de cantidad
econmica de pedido simple parte de una situacin en que tanto la demanda como los
tiempos de suministros y los costes unitarios se conocen con certeza; los modelos EOQ se
basan en una poltica de revisin continua del inventario y se asume que este puede ser
supervisado en cualquier instante en el tiempo. [Kaj, 2008].
Kaj-Mikael Bjrk, escribe en 2008 un artculo en el cual plantea un modelo para la
determinacin de la cantidad econmica de pedido utilizando Backorder (pedidos
diferidos); en l la demanda y los Leed Times son parmetros difusos; estas incertidumbres
se manejan con nmeros triangulares difusos; una aplicacin concreta que inspir al autor
de este articulo para realizar esta investigacin se encuentra en la penalizacin que existe en
las cadenas de suministro de papel fino en los pases nrdicos. Los propsitos del trabajo
hecho por el investigador son tres: demostrar que el modelo EOQ con Backorder, demanda
y Leed Times difusos es convexo en virtud de un supuesto razonable; resolver el problema
de optimizacin y las contribuciones de Bjrk y Carlsson (2005); y por ltimo, la solucin
de este nuevo enfoque se compara con trabajos anteriores mediante un ejemplo aplicado a
la industria de la produccin de papel fino en los pases nrdicos. Como resultado de las
comparaciones con trabajos anteriores, la solucin por Lgica Difusa es coherente con los
trabajos anteriores en este campo. Por ltimo en el caso prctico que se manejo en el
artculo, se concluye que las incertidumbres en los Leed Times y la demanda afecta el
tamao de la orden, ya que estas deben ser un 6% mayor que las que arroja el modelo
clsico de EOQ.
Ahora entraremos a analizar el articulo escrito por T. Vijayan, M. Kumaran en 2008. Los
autores consideran que en un modelo de inventarios, es muy difcil que algunas
componentes sean constantes, razn por la cual son consideradas como imprecisas y por lo
tanto se le da un tratamiento difuso a este modelo con el objetivo de tomar decisiones ms
realistas. Se trataron dos modelos; el primero es conocido como Modelo EOT con todas las
componentes difusas y es representado por medio de nmeros difusos trapezoidales. El
segundo modelo es conocido como Modelo de lgica difusa con tiempo fijo, este modelo es
57
tratado por medio de nmeros triangulares difusos. Los autores tambin, hacen una
simulacin donde comparan los diferentes parmetros, para llegar a la siguiente conclusin:
se comparo dos soluciones, la solucin del modelo EOT con todas las componentes difusas
y la solucin del modelo de lgica difusa con tiempo fijo y se pudo observar que son
iguales, razn por la cual se concluyo que lo difuso en el periodo optimo no tiene mucha
importancia.


4.2.3. La teora de los conjuntos difusos y sus aplicaciones referidas a la planeacin
agregada de la produccin. La Planeacin agregada de la produccin (APP), establece la
mejor manera de satisfacer la demanda prevista a un mediano plazo, a menudo de 3 a 18
meses, mediante la determinacin de horas extraordinarias, capacidad de produccin,
niveles de inventario, cantidad de mano de obra, la subcontratacin, niveles de
backordering o pedidos retrasados, y otras variables controlables [Shi, 1996].
El artculo que desarrollaron Wang y Liang [2004] presenta un novedoso e interactivo
modelo de programacin lineal probabilstica (PLP) para solucionar un problema de
planeacin agregada (APP) Multi-Producto con incertidumbre en la demanda prevista,
gastos de funcionamiento y capacidad; la propuesta de los investigadores es tratar de
minimizar los costes totales relacionados con los niveles de inventario, mano de obra, horas
extras, subcontratacin, retrasos de pedidos, equipo y capacidad de almacenaje; el
desarrollo del articulo se centra en determinar un modelo de planeacin agregada de la
produccin que satisfaga la demanda prevista ajustando la cantidad de horas extras, la
capacidad de produccin, los niveles de inventario, la cantidad de mano de obra, la
subcontratacin, los niveles de back-ordering y otra variables controlables.
El planteamiento de los autores utiliza un modelo de coste totales de la planificacin
agregada de la produccin como la funcin objetivo. Los costes totales los establecieron
como la suma de los costes de produccin ms los costes de los cambios en los niveles de
mano de obra durante el horizonte de planificacin; el modelo propuesto est sujeto a
restricciones de manejo de inventario, capacidad de produccin, Restricciones en la
58
capacidad de la mquina y el espacio de almacn y de no negatividad para las variables
decisin.
Para el modelado de la imprecisin de los parmetros difusos, los investigadores utilizaron
una distribucin de probabilidad triangular, esta se construyo en base a tres valores
prominentes, el ms pesimista de coordenadas (Z
p
, 0), la coordenada vertical significa que
este tiene una baja probabilidad de pertenecer al conjunto de valores de la funcin de
pertenencia; el ms optimista de coordenadas (Z
o
, 0) y el mas probable, con la mayor
posibilidad de pertenecer a la serie de valores de la funcin objetivo, este tiene coordenadas
(Z
m
, 1). Los objetivos imprecisos pueden minimizarse empujando los tres puntos sealados
hacia la izquierda, por consiguiente, la solucin del modelo difuso requiere minimizar Z
P
;
Z
m
, y paralelamente Z
o
. El enfoque que desarrollaron minimiza Z
m
, maximiza (Z
m
-Z
p
) y
minimiza (Z
o
-Z
m
), es decir, el enfoque propuesto reduce al mnimo el valor ms probable
de los costes totales, Z
m
; aumenta al mximo la posibilidad de obtener los costos totales
ms bajos, (Z
m
-Z
p
), y minimizar el riesgo de obtener los costos totales ms altos, (Z
o
- Z
m
);
dando como resultado del anlisis 3 funciones objetivo nuevas.
La compaa Daya Technologies Corporation fue utilizada para demostrar la practicidad de
la metodologa planteada por Wang y Liang; esta compaa aplico el estudio realizado por
los investigadores para la planificacin agregada de dos de sus referencias de ballscrew
(dispositivo mecnico por traducir el movimiento rotatorio al movimiento lineal)
reduciendo sus coste de funcionamiento para un horizonte de planeacin de 4 meses en su
planta.


4.2.4. La teora de los conjuntos difusos y sus aplicaciones referidas a la planificacin de
requerimientos de materiales (MRP). El MRP es una tcnica computarizada de gestin
stocks y de programacin de la produccin que, partiendo del Programa Maestro de
Produccin (PMP), deduce la cantidad requerida de las diferentes materias primas y
componentes necesarios en cada semana del horizonte de planeacin. [Miranda, 2005].
Mula, Poler y Garca a travs de su artculo escrito en 2005, demuestran la utilidad e
importancia del modelamiento de MRP con restricciones flexibles; la principal contribucin
59
de los investigadores fue en el terreno de la investigacin y aplicacin prctica de un
modelo programacin flexible, acompaada de experimentos con datos reales. La
metodologa que siguieron los investigadores al elaborar este artculo fue la siguiente:
primero proponen un modelo de programacin matemtica, llamado MRPDet para la
planificacin de la produccin con restricciones de capacidad en un sistema MRP, este
sigue una estructura deterministica; seguidamente este modelo se ampla en tres modelos de
programacin difusa para la planificacin de la produccin con restricciones difusas; luego
de esto evalan el comportamiento de los modelos propuesto , utilizando datos reales
proporcionados por un fabricante de asientos para automviles.
Es de importancia aclarar que el objetivo de los investigadores al disear los modelos de
lgica difusa para la planificacin de la produccin en este articulo, no es sustituir a los
modelos deterministas, sino por el contrario, proporcionar una slida y eficaz alternativa
para la aplicacin en entornos con condiciones de incertidumbre en los que el uso de
modelos deterministas no es muy realista.


4.2.5. La teora de los conjuntos difusos aplicada la planificacin de recursos de la
empresa (ERP). Las soluciones ERP tratan de llevar a cabo la racionalizacin y la
integracin entre procesos operativos y flujo de informacin dentro de la empresa, con el
objetivo de obtener sinergias entre los recursos que forman parte de la misma [Miranda,
2005].
P.J. Snchez en su articulo publicado en 2009, afirman la importancia de una planificacin
de recursos empresariales (ERP) en las organizaciones para poder integrar adecuadamente
la informacin de los diferentes departamentos de la organizacin, teniendo presente que el
ERP no es igual de efectivo en todas las empresas porque depende de las caractersticas
propias de cada organizacin. El objetivo de estos autores fue presentar un modelo de
evaluacin difusa que gestione los diferentes parmetros de una empresa para tomar una
decisin acerca de si es conveniente instalar un sistema ERP, para esto propusieron lo
siguiente:
60
Un sistema de evaluacin para estudiar la idoneidad de un sistema ERP basado en un
proceso experto de toma de decisiones. Aqu se presenta un esquema en el cual se
evala la situacin problemtica para instalar el sistema ERP, donde los expertos
muestran sus opiniones y preferencias acerca de los parmetros que influyen en la
aplicacin de dicho sistema, teniendo en cuenta que la informacin que se tiene a
cerca de estos parmetros es incierta.
Un modelo de lgica difusa para la evaluacin de la idoneidad de un sistema ERP.
Aqu los expertos proporcionan sus conocimientos acerca de los parmetros que
intervienen en el estudio de la idoneidad de un sistema ERP.
Snchez con su artculo ha contribuido con un modelo difuso para diagnosticar si es
conveniente la instalacin de un modelo ERP en una organizacin, donde se evalan una
serie de caractersticas propias de la organizacin, dando como resultado la aprobacin o no
de dicho sistema ERP.
61
5. MODELO DE PROGRAMACIN LINEAL DETERMINISTA PROPUESTO PARA
LA PLANEACIN AGREGADA DE LA PRODUCCIN.


Una de las tareas en que los administradores de produccin han invertido ms tiempo y
recurso es en la planeacin agregada. A lo largo del tiempo se han desarrollado muchos
modelos utilizando programacin lineal y estos han tratado de alcanzar los principales
objetivos que busca una planeacin agregada [Correa, 2003]. Una de las ventajas que
ofrece la programacin lineal es que todas las variables y sus coste se pueden expresar de
manera explicita [Narasimhan, 1996].
La notacin que se definir de aqu en adelante es la que se utilizara a lo largo de este
trabajo. Seguidamente se definirn las variables de decisin y parmetros que conforman el
modelo de programacin lineal.


5.1. DEFINICIN DE VARIABLES DE DECISIN.
. i periodo el en empleados de Cantidad CE
i
=
. Pr i Periodo el en Extras Horas en oducida Cantidad CHE
i
=
. Pr i Periodo el en adas Subcontrat oduccion de Cantidad CUS
i
=
. i Periodo el en s Contratado Empleados de Cantidad CEC
i
=
. i Periodo el en Despedidos Empleados de Cantidad CED
i
=
. Re Pr i Periodo el en gular Jornada oduccion PJR
i
=


5.2. DEFINICIN DE PARMETROS CONSTANTES DEL MODELO.
. Pr i Periodo el en evista Demanda D
i
=
. i Periodo el en Laborables dias de Cantidad CDL
i
=
( ) ado Ter oducto a bo la en Maxima Capacida CMB min Pr deg =
62
. tan familia la de unidad por dar Es trabajo de Horas Cantidad CHTEU =
. tan dia empleado por dar Es horas de Cantidad CHEED =
Empleados de ima Capacidad CME max =
. Extras Horas Limite Politica PHE =
. Periodo por ones Contrataci de Limite Politica PCE =
. Periodo por Despidos de Limite Politica PDE =
. periodo por adas Subcontrat Unidades Limite Politica PUS =
. Re gular hora de Coste CostHR =

. ada Subcontrat Unidad por Coste CostUS =
. Empleado un Contratar de Coste CostC =
. Empleado un de Despido de Coste CostD =
A continuacin, presentamos la funcin objetivo y las restricciones del modelo lineal.


5.3. FUNCIN OBJETIVO
Aunque existen diversas metas que alcanzar a la hora de crear un plan agregado, para el
modelo de programacin lineal propuesto solo nos centramos en un objetivo, Minimizar los
Costes Asociados al Plan Agregado de Produccin. En este sentido, para minimizar los
costes asociados a un plan agregado de produccin, planteamos una funcin objetivo que
esta conformada por unos costes de mano de obra y otros de manejo de inventario en el
horizonte de planeacin. A continuacin se define en que consiste cada uno de estos costes:


5.3.1 Costes mano de obra. Este tipo de costes hace referencia a los ocasionados por el
incremento de la produccin, no son costes fijos, es decir, son costes asociados a la
manufactura de productos en horas regulares, extraordinarias y costos de unidades
subcontratadas. Este tipo de costes tambin tiene en cuenta los costes de contratacin y
despido de personal con el fin de alcanzar la demanda prevista. El coste de entrenamiento
. Extra Hora de Coste CostHE =
63
de un nuevo empleado y el despido de un empleado con experiencia son decisiones que el
administrador de la produccin debe tener en cuenta, dado que estas decisiones afectan la
capacidad productiva [Correa, 2003]. El modelo de estos costes es el siguiente:
( ) ( ) ( )
( ) ( )


= =
= = =
+ +
+ + =
12
1
12
1
12
1
12
1
12
1
i
i
i
i
i i i
i i i i
CostD CED CostC CEC
CostUS CUS CostHE CHTEU CHE CostHR CHEED CE CDL CMO
Donde:
. Planeacion de Horizonte el en Obra de mano Coste CMO =
. i Periodo el en Laborables dias de Cantidad CDL
i
=
. i periodo el en empleados de Cantidad CE
i
=
. tan dia empleado por dar Es horas de Cantidad CHEED =
. Re gular hora de Coste CostHR =
. Pr i Periodo el en Extras Horas en oducida Cantidad CHE
i
=
. tan familia la de unidad por dar Es trabajo de Horas Cantidad CHTEU =
. Extra Hora de Coste CostHE =
. Pr i Periodo el en adas Subcontrat oduccion de Cantidad CUS
i
=
. ada Subcontrat Unidad por Coste CostUS =
. i Periodo el en s Contratado Empleados de Cantidad CEC
i
=
. Empleado un Contratar de Coste CostC =
. i Periodo el en Despedidos Empleados de Cantidad CED
i
=
. Empleado un de Despido de Coste CostD =


5.3.2 Costes asociados a manejo de inventario. Cuando se produce un descenso de la
demanda puede mantenerse el ritmo de produccin establecido acumulando en exceso de
produccin en nuestros almacenes. Dicha cantidad de artculos almacenados nos permitirn
satisfacer un exceso de demanda que pueda producirse en un futuro sin necesidad de
64
modificar nuestro ritmo de produccin. Evidentemente la acumulacin de inventarios tiene
un coste importante, por lo que no se puede abusar de esta opcin [Miranda, 2005].
Los costes que se tendrn en cuenta para el manejo de inventario son: el coste de por
unidad almacena por periodo y el coste de ruptura de stock no se tendr en cuenta ya que
divido a la estrategia de alcance de la demanda empleamos en el modelo no hay unidades
faltantes. El modelo de estos costes es el siguiente:
( )

=

=
12
1
1
i
i
CostUI NUI CMI
Donde:
. Planeacion de Horizonte el en Inventario de Manejo Coste CMI =
. i Periodo el en Inventario en Unidades de Numero NUI
i
=
. Inventario en Unidad de Costo CostUI =
Despus de definir los costes de mano de obra y manejo de inventario nos disponemos a
platear nuestra funcin objetivo como sigue:
CMI CMO CAPA Min + =
Donde:
. Planeacion de Horizonte el en Agregado Plan del Aplicacion de Coste CAPA =
. Planeacion de Horizonte el en Inventario de Manejo Coste CMI =
. Planeacion de Horizonte el en Obra de mano Coste CMO =
Para luego llegar a una versin sin contraccin de la funcin objetivo:

( ) ( )
( ) ( ) ( ) ( )


=

= = =
= =
+ + +
+ + =
12
1
1
12
1
12
1
12
1
12
1
12
1
i
i
i
i
i
i
i
i
i i
i i i
CostUI NUI CostD CED CostC CEC CostUS CUS
CostHE CHTEU CHE CostHR CHEED CE CDL CAPA Min





65
5.4. PLANTEAMIENTO DE RESTRICCIONES
Exciten diversas categoras de restricciones en la industria manufacturera, como son: de
mercado, de materiales e inventario, de capacidad, logstica, administrativas y
conductuales. Los requisitos y necesidades de mercado definen los lmites de rendimiento
especfico de la empresa. Los problemas de materiales, inventario y capacidad le saltan a la
vista al administrador de la produccin, por lo tanto, es posible que estas reciban gran
atencin. En las industrias manufactureras tambin hay restricciones logsticas,
administrativas y conductuales. El modelo de programacin lineal que proponemos para
una planeacin agregada tiene en cuenta limitaciones de capacidad, mercado, materiales e
inventario, administrativas y de no negatividad [Umble, 1995].


5.4.1 Restricciones de capacidad. Las horas regulares disponibles, estn sujetas a la
cantidad de empleados por periodo y dicha produccin por perodo esta sujeta a la cantidad
de horas regulares tiles.

i i i
PJR
CHTEU
CHEED CE CDL =
|

\
|

1


Reemplazando parmetros constantes y unidades de las variables de decisin tenemos:

| | | |
| |
| |
| | unidad PJR
unidad
hora dia empleado
hora
empleado CE dia CDL
i i i
=
|
|
|
|

\
|
(

2
1
8

Otro tipo de restriccin de capacidad tiene que ver con el lmite de empleados que esta
puede albergar.

66
i i i i
i i i
CED CEC CE CE
CME CED CEC CE
+ =
+

1
1


5.4.2 Restricciones de mercado. Esta restricciones existen divido a la estrategia de
Alcance De La Demanda Prevista que se utiliza para la planeacin agregada, la cual adapta
el ritmo de la produccin en cada periodo a la demanda existente. A Continuacin se
muestra el modelo de la restriccin de mercado que se utilizara para el modelo.

i i i i i
D NUI CUS CHE PJR + + +
1


Reemplazando parmetros constantes y unidades de las variables de decisin tenemos:

| | | |
| |
| |
| | | | | | | | unidad D unidad NUI unidad CUS unidad CHE
unidad
hora dia empleado
hora
empleado CE dia CDL
i i i i
i i
+ +
+
(
(
(
(

|
|
|
|

\
|
(

1
2
1
8


Donde . Pr i Periodo el en evista Demanda D
i
=


5.4.3 Restricciones de materiales e inventario. El modelo no tiene consideraciones ni
limitaciones acerca del manejo de materias primas. Para modelar las restricciones de
inventario, se tiene que el inventario al final de un perodo debe ser igual al inventario del
perodo anterior sumada la produccin del perodo menos la demanda del este periodo.

i i i i i i
D CUS CHE PJR NUI NUI + + + =
1


Reemplazando parmetros constantes y unidades de las variables de decisin tenemos:

67
| | | | | | | | | | | | unidad D unidad CUS unidad CHE unidad PJR unidad NUI unidad NUI
i i i i i i
+ + + =
1

Los niveles mximos y mnimos de inventario estn condicionados a la capacidad que se
tiene en la bodega para almacenar producto terminado.

CMB NUI
i


Este tipo de restricciones costa de una estructura muy simple, por lo cual no necesita la
descripcin de las unidades de los parmetros que la conforman.


5.4.4 Restricciones administrativas. Estas restricciones tienen que ver con las diferentes
polticas que la gerencia ha impuesto en la empresa. Seguidamente se expondrn y
detallaran estas polticas y las restricciones que estas conllevan.

5.4.4.1 Poltica de horas extras. En la mayora de los casos cuando se tienen polticas de
horas extras, estas se calculan como un porcentaje de la produccin en tiempo regular. Para
Colombia, por ley, se tiene estipulado un mximo de produccin en horas extras
equivalente a un 10% de la produccin en jornada regular [Correa, 2003].

i i
PJR PHE CHE


5.4.4.2 Polticas de contrataciones y despidos. Esta poltica empresarial trata de no
contratar o despedir ms de un nmero de empleados en un solo perodo.

PCE CEC
i

PDE CED
i

68
5.4.4.3 Polticas de mxima subcontratacin. Esta restriccin limita el nmero de unidades
de produccin que es conveniente delegar a otra empresa.

PUS CUS
i



5.4.5 Restricciones De No Negatividad: Esta restriccin implica que ninguna de las
variables de decisin en el modelo deber ser negativa.





















69
6. MODELO DE PROGRAMACIN LINEAL DIFUSA PROPUESTO PARA LA
PLANEACIN AGREGADA.


En esta parte del trabajo se considera un problema de programacin lineal en el que algunos
de los coeficientes del sistema de inecuaciones lineales, que definen el conjunto de
restricciones, estn dados en forma imprecisa o vaga.
Un caso particular de la programacin lineal difusa es cuando los coeficientes del lado
derecho de las restricciones
i
b son cantidades con cierto grado de incertidumbre.
Uno de los parmetros que presentan mayor incertidumbre a la hora de elaborar un plan de
produccin es la determinacin de la demanda; el pronstico de demanda no puede ser visto
como un asunto trivial, debido a sus implicaciones en la empresa y a las dificultades
inherentes a un buen pronstico. La tarea de ingeniero es adelantarse a los cambios en la
demanda y mantenerse al tanto del entorno del mercado de las herramientas de anlisis que
surgen cada da [Miranda, 2005].
Para nuestro modelo de programacin lineal difusa asumimos que los valores de la
demanda estn definidos en el intervalo de valores | |
i i i
p D D + , para cada periodo, donde
i
D es la demanda predicha para el periodo i y p
i
es

componente difuso;
i
p se define por
mtodos cualitativos para pronsticos de demanda para cada periodo; estos se basa en las
percepciones y juicios de valor que se construyen a partir del entorno, en los factores que
determinan la demanda y en la presencia futura de estos [Miranda, 2005].
De acuerdo a esta suposicin se define el modelo de programacin lineal difusa, en el cual
se desea Minimizar el coste de la implementacin de un plan agregado de produccin
cuando la demanda es un parmetro difuso dentro del modelo [Serna, 2008].
La primera suposicin que realizamos para nuestro modelo lineal difuso es que
i
D
~
es un
nmero difuso de la forma:

70

+ < <

+
=
i
i i i
i
i
i i
i
D ax
p D ax D si
p
D ax
p D ax si
x D
0
1
) (
~


La representacin grafica de ) (
~
x D
i
se aprecia en la figura 13.

Figura 13. Nmero difuso
i
D
~



Ahora, para determinar el conjunto difuso de valores ptimos, se calculan los lmites
inferior y superior entre los cuales se encontraran dichos valores. Para hallar el lmite
inferior de los valores ptimos (

CAPA ) y el lmite superior (
+
CAPA ) del mismo conjunto,
se solucionan siguientes problemas de programacin lineal estndar, donde solo se le
sumara
i
p a los valores de la demanda predicha que es nuestro parmetro difuso [Serna,
2008]:
) ( 0
) ( .
1
1
n j
m i i
n
j
j j i
n
j
j j
N j x
N i p b x a a S
x c CAPA Min

+
=

=
=
+


) ( 0
) ( .
1
1
n j
m i
n
j
j j i
n
j
j j
N j x
N i b x a a S
x c CAPA Min


=

=
=

i
D
i i
p D +
1
71
Luego el conjunto difuso de valores ptimos (U), el cual es un subconjunto difuso de
n
R
(Klir, 1995), esta definido por:

< <

=
+
+
+
+

CAPA x
CAPA x CAPA si
CAPA CAPA
x CAPA
CAPA x si
x U
0
1
) (



En este caso el grado de satisfaccin del decisor ( ) aumenta en la medida en que la
respuesta obtenida se acerca a

Z como lo muestra la figura 14.

Figura 14. Nmero difuso Z


Luego la solucin ms eficiente se encuentra resolviendo el siguiente modelo de
programacin lineal [Serna, 2008]:
Max
S.A.

Restricciones De Capacidad:

i i i
PJR
CHTEU
CHEED CE CDL = |

\
|

1

CME CED CEC CE
i i i
+
1


1

Z
+
Z

72
Restricciones De Mercado (Difusas):
( )
( ) ( ) ( )
( ) ( )
i i
n
j
i i i i
i i
i i i
n
j
i i
D p NUI CUS CHE PJR
CAPA CostUI NUI CostD CED
CostC CEC CostUS CUS CostHE CHTEU CHE
CostHR CHEED CE CDL CAPA CAPA
+ + +
+
+ + +
+ +

=

+

=
+

1
1
1
1
) (


Restricciones De Materiales e Inventario:

( )
i i i i i i i
D P CUS CHE PJR NUI NUI = + + +


1

CMB NUI
i


Restricciones Administrativas:
Poltica De Horas Extras:

i i
PJR PHE CHE

Poltica De Contrataciones Y Despidos:

PCE CEC
i

PDE CED
i


Polticas De Mxima Subcontratacin:

PUS CUS
i


Y Restricciones De No Negatividad
73
Donde es el nivel que como mnimo tienen que alcanzar todas las funciones de
pertenencia. Lo anterior se interpretar como el nivel de aspiracin o de satisfaccin de un
decisor [Correa, 2004].

74
7. APLICACION DE LOS MODELOS PROPUESTOS A UN PROBLEMA DE
PLANEACIN AGREGADA


Este capitulo tiene como objetivo evaluar los modelos antes planteados, aplicndolos a un
caso particular de planeacin agregada de la produccin, el problema que se abordara en el
desarrollo de este trabajo fue extrado del Manual de Direccin de Operaciones [Miranda.
2005] y adaptado para cumplir con las necesidades de este trabajo.
En el desarrollo de este capitulo primero se plantea un problema de planeacin agregada el
cual se soluciona por el mtodo de programacin lineal, seguidamente se plantea un
problema de planeacin agregada en el cual la demanda predicha posee incertidumbre, este
problema es resuelto con el modelo lineal difuso propuesto en este trabajo.


7.1 PLANTEAMIENTO DEL PROBLEMA DE PLANEACIN AGREGADA.
Una empresa que se dedica a la fabricacin y venta de electrodomsticos, que venden con
marca blanca en una importante cadena comercial, las previsiones de demanda para el
prximo ao aparecen reflejadas en la tabla 2, mientras que en la tablas 3 muestra otra serie
de datos operativos de la empresa.

Tabla 2. Demanda Prevista
Enero 2500
Febrero 3200
Marzo 3800
Abril 2300
Mayo 1800
Junio 2500
Julio 4000
Agosto 3200
Septiembre 3800
Octubre 2600
Noviembre 2100
Diciembre 1800
Demanda Prevista


75
Tabla 3. Datos Operacionales
Inventario final de Diciembre del
presente ao (Unidades)
500
Produccin mes de diciembre del
presente ao (Unidades)
2000
Coste unitario de ruptura de stock 25
Coste unitario de almacenamiento
mensual.
12
Coste de contratacin por trabajador 400
Coste de despido por trabajador 500
Coste de cada hora de mano de obra 9
Coste de horas extraordinarias 15
Coste de subcontratacin (por unidad) 50
Limite de horas extras mensuales
5% de la Produccin en
Jornada Regular
Horas de trabajo por unidad 2
Datos Operacionales de Lucitania, S.A.


Teniendo en cuenta que en diciembre del presente ao la produccin es de 2000 unidades;
se busca minimizar los costes asociados a la puesta en marcha de una planeacin agregada
utilizando una Estrategia de Alcance de la demanda prevista en un horizonte de planeacin
de un ao [Miranda, 2005].
Para propsitos de ilustracin, iniciaremos el anlisis del problema con una lista de
suposiciones usuales, para despus, presentar el planteamiento del modelo de programacin
lineal y seguidamente su evaluacin y solucin.




76
7.2. SUPUESTOS
1. La demanda
i
D es conocida. Se supone que la demanda prevista determinara todos
los periodos futuros.
2. Se supone que los costes que se manejaran, se comportaran de manera constante a
lo largo del horizonte de planeacin.
3. Se supone que la cantidad de das laborables durante el horizonte de planeacin son
los siguientes (Tabla 4):

Tabla 4. Das laborados.
Enero 20
Febrero 20
Marzo 21
Abril 20
Mayo 19
Junio 19
Julio 21
Agosto 19
Septiembre 22
Octubre 21
Noviembre 19
Diciembre 21
Das Laborados


4. La planta de empleados de Lucitania S.A. al inicio de la planeacin agregada cuenta con
25 empleados.
5. La empresa trabaja 5 das a la semana, un turno al da, comenzando labores a las 8 A.M. y
terminndolas a las 5 P.M. Con una hora de almuerzo a las 12M.
6. Suponemos que la capacidad de produccin en horas regulares, extras se mantiene
constante a lo largo del horizonte de planeacin.
7. Para determinar la cantidad de horas estndar por da por trabajador, se toma la
suposicin que es la misma cantidad de horas laborables por da.
77
8. Suponemos que la cantidad de horas estndar por unidad de la familia es igual las
horas de trabajo por unidad ( ) Unidad h / 2 .
9. Suponemos que el espacios destinado para almacenaje de producto terminado en la
bodega de Lucitania S.A. es para mximo 500 unidades.
10. Suponemos que la empresa tiene una poltica de produccin en horas extras de no
superar 10% del total de produccin en jornada regular.
11. Suponemos que la empresa Lucitania S.A. tiene una poltica de no superar la
contratacin o despido de mas de 10 empleados por periodo.
12. Suponemos que la empresa utiliza una poltica la cual tiene como limite mximo de
unidades subcontratadas por periodo de 500 unidades.
13. Suponemos que la empresa puede tener una cantidad de empleados mxima de 50.


7.3. SOLUCIN DEL MODELO DE PROGRAMACIN LINEAL.
Para el modelamiento de este problema emplearemos el mtodo de programacin lineal, y
buscamos con este una solucin para cada variable de decisin que minimiza el costo total
del programa de planeacin agregada.
Para solucionar el problema de la empresa utilizamos el modelo deterministico propuesto
en este trabajo; el cual fue solucionado utilizando el software GAMS; este es un lenguaje
de modelizacin, ms que un programa para resolver problemas de optimizacin. La
ventaja que presenta este programa GAMS, es que junto al mdulo de modelizacin (base)
incorpora diferentes solver (algoritmos de resolucin de problemas) tanto de programacin
no lineal, como lineal y entera.
En la siguiente tabla se ensean los resultados de las variables de decisin, obtenidos al
solucionar el problema de programacin lineal:
78
Tabla 5. Resultados evaluacin del modelo determinstico.
Periodo
Demanda
prevista
Cantidad de
empleados
Produccin en
hora regular
Produccin en
Horas extras
Cantidad de
unidades
Subcontratadas
Cantidad de
empleados
contratados
Cantidad de
empleados
despedidos
Numero de
unidades en
inventario
Produccin total
1 2500 28 2250 0 0 3 0 250 2250
2 3200 38 3050 25 0 10 0 125 3075
3 3800 38 3222 322 193 0 0 63 3737
4 2300 28 2268 0 0 0 10 31 2268
5 1800 23 1784 0 0 0 4 16 1784
6 2500 33 2516 0 0 10 0 32 2516
7 4000 43 3621 362 0 10 0 16 3983
8 3200 41 3192 0 0 0 1 8 3192
9 3800 40 3560 235 0 0 2 4 3795
10 2600 30 2597 0 0 0 10 2 2597
11 2100 27 2098 0 0 0 3 1 2098
12 1800 21 1799 0 0 0 6 0 1799
Resultados evaluacin del modelo deterministico


El coste ptimo de la puesta en marcha del plan agregado es CAPA = $ 1.887.366.690
Luego de evaluar el problema de la empresa con el modelo determinstico propuesto por
este trabajo para la planeacin agregada, obtuvimos las siguientes conclusiones:
1. El modelo desde el primer periodo busca alcanzar la demanda predicha utilizando y
optimizado la produccin en jornada regular, produccin en horas extras, contrataciones y
despidos de personal y en menor medida la subcontratacin; el resultado de la estrategia de
caza propuesta en el modelo se puede apresar en la figura 15 en donde se grafica la
demanda predicha versus el resultado propuesto por el modelo para el plan agregado.

Figura 15. Grafico Demanda prevista vs. Planeacin Agregada.
Demanda Predicha vs. Produccin Total
0
1000
2000
3000
4000
5000
0 1 2 3 4 5 6 7 8 9 10 11 12 13
Periodos
U
n
i
d
a
d
e
s
Demanda Predicha Produccion Total

79

2. El modelo entrega un coste de aplicacin del plan agregado de $ 1.887.366.690 muy
parecido a la solucin ptima que presenta el texto de donde se extrajo el ejercicio; la
explicacin que se encuentra para esta discrepancia es que el problema que se manejo en
este trabajo se le aadieron supuestos que el problema del libro no manejaba.


7.4 APLICACIN DEL MODELO LINEAL DIFUSO A UN PROBLEMA DE
PLANEACIN AGREGADA.
A pesar que en muchas ocasiones se cuente con datos histricos o patrones establecidos,
siempre existe el riesgo de nuevos acontecimientos que pueden distorsionar los patrones de
demanda establecidos [Miranda, 2005].
El problema que abordaremos en esta seccin es el mismo que venimos tratando a lo largo
de las secciones anteriores con la diferencia que la demanda para este caso es un parmetro
difuso dentro del modelo. Despus de estas consideraciones modelados el problema en
GAMS obteniendo los siguientes resultados que se muestran en la tabla 6:

Tabla 6. Resultados evaluacin del modelo difuso.
Periodo
Demanda
prevista
Produccin
Total Modelo
Deterministico
Cantidad de
empleados
Produccin
en hora
regular
Produccin
en Horas
extras
Cantidad de
unidades
Subcontratadas
Cantidad de
empleados
contratados
Cantidad de
empleados
despedidos
Numero de
unidades en
inventario
Produccin
Total
Modelo
Difuso
1 2500 2.250 28 2250 0 0 3 0 394 2.250
2 3200 3.075 38 3003 0 0 9 0 341 3.003
3 3800 3.737 38 3153 315 161 0 0 314 3.629
4 2300 2.268 28 2203 0 0 0 10 361 2.203
5 1800 1.784 21 1623 0 0 0 6 329 1.623
6 2500 2.516 31 2384 0 0 10 0 356 2.384
7 4000 3.983 41 3474 347 0 10 0 322 3.821
8 3200 3.192 40 3039 0 0 0 1 305 3.039
9 3800 3.795 39 3449 199 0 0 1 296 3.648
10 2600 2.597 29 2452 0 0 0 10 292 2.452
11 2100 2.098 26 1954 0 0 0 3 290 1.954
12 1800 1.799 20 1655 0 0 0 6 289 1.655
Resultado evaluacin del modelo difuso


Para el segundo caso se considero la incertidumbre en la demanda obteniendo que los
valores de
+
CAPA y

CAPA son $ 2.016.682.272 y $ 1.887.366.690 respectivamente los

cuales denotan los limites de la funcin objetivo; seguidamente se encontr que el valor de
80
la funcin objetivo es = 0.7195, cifra que se considerada como nivel de satisfaccin del
decisor.
En la figura 16 podemos apreciar la produccin resultante de los modelo difusos,
deterministas y la demanda predicha.

Figura 16. Comparacin de Modelos.
Comparcion de Modelos Propuestos vs. Demanda Predicha
1000
1500
2000
2500
3000
3500
4000
4500
0 1 2 3 4 5 6 7 8 9 10 11 12 13
Periodos
U
n
i
d
a
d
e
s
Demanda Prevista Modelo Deterministico Modelo Dif uso









81
8. CONCLUSIONES


La lgica difusa fue fundada por Lotfi Asker Zadeh matemtico azerbaijano y profesor de
la Universidad de Berkeley en 1965, desde entonces este conocimiento aparece como una
herramienta de apoyo para la toma de decisiones. Una de las ventajas que ofrece la lgica
difusa, es la capacidad de trabajar tanto con informacin cuantitativa como con opiniones
subjetivas de personas; esta ltima propiedad permite un tratamiento matemtico de la
vaguedad que poseen algunos parmetros. Es necesario aclarar que la lgica difusa no
elimina la incertidumbre, sino que plantea un mtodo para su manejo, es decir, no pasa por
alto la incertidumbre del problema, la utiliza para generar soluciones a este.
En la planificacin de la produccin los beneficios que ofrece la lgica difusa se concentran
en el modelamiento de la incertidumbre inherente de algunos parmetros utilizando
tcnicas desarrolladas por su fundador y otros autores.
En la actualidad existen importantes desarrollos e implementaciones de la lgica difusa en
la planificacin de la produccin, logrando con esto reconocimiento como una tcnica
efectiva para modelar y solucionar problemas de planificacin de la produccin gracias a su
capacidad de representar cuantitativa y cualitativamente la informacin imprecisa o vaga
propia a los problemas sobre los cuales se desea decidir.
Numerosos investigadores de diferentes partes del mundo centran sus esfuerzos en el
constante diseo y aplicacin de modelos difusos para optimizar la toma de decisiones en la
planificacin de la produccin en sus diferentes niveles. En la bibliografa revisada
encontramos aplicaciones de lgica difusa para:

La creacin de un modelo que integra los distintos niveles de la cadena de
suministros considerando mltiples proveedores, un fabricante y diversos centros de
distribucin teniendo en cuenta que la demanda del mercado, coste/periodo y
niveles de capacidad son variables imprecisas.

82
El planteamiento de un modelo para la determinacin de la cantidad econmica de
pedido utilizando backorder (pedidos diferidos) en donde la demanda y los leed
times son parmetros difusos.

Solucionar un problema de planeacin agregada Multi-Producto con incertidumbre
en la demanda prevista, gastos de funcionamiento y capacidad.

Demostrar la utilidad e importancia del modelamiento de MRP con restricciones
flexibles.

Presentar un modelo de evaluacin difusa que gestione los diferentes parmetros de
una empresa para tomar una decisin acerca de si es conveniente instalar un
sistema ERP.

En este trabajo se plantearon dos modelos para la planificacin de la produccin, el primero
modelo busca minimizar los costes de aplicacin de la planeacin agregada utilizando una
estrategia de alcance de la demanda prevista. Este modelo de programacin lineal entrega
como resultado las decisiones que se deben tomar en cuanto a cantidad de produccin que
se debe realizar en jornada regular, extra, subcontratada, numero de contrataciones y
despidos por periodo en un horizonte de planificacin conocido.
El segundo modelo propuesto tiene por objetivo maximizar la satisfaccin del decisor al
intentar conseguir dos metas simultneamente, una de ellas es alcanzar la demanda
predicha y la otra es bajar los costes de implementacin de un plan agregado cuando la
demanda es un parmetro que posee incertidumbre. Este modelo de programacin lineal
difusa, utiliza nmeros triangulares para representar el componente difuso, ya que ellos
permiten involucrar directamente dentro del nmero, la incertidumbre presente en la
demanda
Los modelos propuestos en este trabajo son utilizados para solucionar dos problemas de
planeacin agregada extrados de un texto y modificados para el desarrollo de este trabajo.
El modelo de programacin lineal entrega como solucin una estrategia de alcance de la
83
demanda, optimizando la produccin en jornada regular, extra, subcontrataciones y costes
de despido y contratacin de personal en un horizonte de planificacin de un ao.
El modelo lineal difuso se utiliza para solucionar un problema de planeacin agregada
donde la demanda posee incertidumbre. La solucin que entrega el modelo para este
problema alcanza un nivel de satisfaccin en el decisor de 72% aproximadamente, este
resultado es aceptable dentro del conjunto de modelos diseados para la planeacin de la
produccin en donde los mejores alcanzan un nivel de satisfaccin del 78%.
Los modelos que se propone en este trabajo y las investigaciones citadas son slo un
ejemplo de las diferentes aplicaciones que puede tener la lgica difusa para facilitar la toma
de decisiones a la hora de planificar la produccin.




















84
9. BIBLIOGRAFA


1. Bellman, R. E. and L. A. Zadeh [1970], Decisionmaking in a fuzzy environment.
Management Science, 17(4), pp. 141-164
2. Correa. A (2003). Un enfoque de anlisis multiobjetivo parta la planeacin agregada
de la produccin. Universidad nacional de colombia. Medelln.
3. Correa, J. Aproximaciones Metodolgicas Para la Toma de Decisiones, Apoyadas
en Modelos Difusos, tesis presentada a la Universidad Nacional de Colombia, para
optar al grado de Magster en Ingeniera de Sistemas. 2004.
4. Chang, P., Liao, T. Combining SOM and Fuzzy Rule Base for Flow Time
Prediction in Semiconductor Manufacturing Factory, Applied Soft Computing, Vol
6, N 2, enero, 2006, pp 198-206.
5. Charnes, A. (1962). Programing With lineal Fractional functional. Revista Naval
research Logistic Cuartely.
6. Di Nola, A., W. Pedrycz and S. Sessa (1993), Models of matching of fuzzy sets.
Kybernetes, 22(3), pp. 41-46.
7. Hiller, Frederick. (1997). Introduccin a la investigacin de operaciones. Editorial
Mc Graw Hill. Mexico DF.
8. Jaroslav, R., Soft Computing: Overview and Recent Developments in Fuzzy
Optimization., Ostravsk univerzita. Listopad, 2001.
9. Kaj-Mikael Bjrk, 2008. . An analytical solution to a fuzzy economic order
quantity problem. Department of Technology, Akademi University,
Joukahaisenkatu 3-5A, FI-20520, Turku, Finland.
10. Kalenatic, D. (1997). Trabajo Problemas sociales de la ciencia y la tecnologa.
Santafe de Bogota DC.
11. Klir, G.J y Yuan, B. Fuzzy Sets end Fuzzy Logic,Theory and Applications. Vol. 1,
New Jersey: Prentice Hall PTR 1995, pp. 390- 417.
85
12. K-M. Bjrk, C. Carlsson, outcome of imprecise lead times on the distributors, in:
Proceedings of the 38th Annual Hawaii International Conference on System
Sciences (HICSS05), Track 3, HICSS, 2005, pp. 8190.
13. Kruse, Rolf, (1994). Foundations of fuzzy systems.
14. Lopez, A. (2008). Programacin lineal flexible con restricciones difusas. Revista
Ingeniera E Investigacin Vol. 28 No. 1, Abril De 2008 (162-168).
15. McNeill, F. M., & Thro E. (1994) Fuzzy Logic: A Practical Approach. AP
Professional.
16. Miranda, F. (2005). Manual de direccin de operaciones. Vol. 2, Madrid, PP. 411-
443.
17. Mula, J. et al. (2004). Aplicaciones de la Teora de los Conjuntos Difusos en la
Planificacin de la Produccin: Un Estudio de la Literatura. Memorias VIII
Congreso de Ingeniera de Organizacin. Legans, septiembre. pp. 101-110.
18. Narasimhan, Seetharama L., MCLEAVEY, Dennis W. y BILLINGTON, Meter.
(1996). Planeacin de la produccin y control de inventarios. 2 ed. Mxico: Prentice
Hall. 716 p.
19. Pedrycz, Fuzzy Control and Fuzzy Systems. Research Studies Press/J.
Wiley, New York, 1993.
20. Perez, J. (1993). Investment in new production capaciti Under Uncertain market
condition. Editorial Industrial Enginiering.
21. P.J. Sanchez, (2009). A fuzzy model to evaluate the suitability of installing an
enterprise resource planning system. Dept. of Computer Science, University of
Jan, Spain.
22. Pea. G. (2004). Modelamiento para la simulacin de sistema socios econmicos y
naturales. Universidad nacional de colombia. Medelln.
23. Radovic, M. (1996). Organizacia procesa Proizvodnje. Editorial Privredni.
Beograd.
24. Reay-Chen Wang, (2005). Applying possibilistic linear programming to aggregate
production planning. Department of Industrial Management, Tung Nan Institute of
Technology, 152 Pei Shen Rd., Sec. 3, Taipei 222, Taiwn.
86
25. Rubio, E. (2009). Introduccin a la Lgica Difusa. Apartado 7.3: Teora de
conjuntos difusos y lgica difusa. Consultado el 23 de Junio de 2009. Disponible en
<http://www.lcc.uma.es/~eva/aic/apuntes/fuzzy.pdf.>
26. Serna, C. Arango, D. y Prez, G. (2008). Aplicaciones de lgica difusa a las cadenas
de suministro. Avance en Sistemas e Informtica, Vol. 5, N 3, diciembre, pp. 17-
23.
27. Shaible, S. (1981). A survey of fraccional programing, generalized concavity in
optimation and economics, editorial Academic press. New York.
28. Shi, Y., Haase, C. (1996). Optimal trade-offs of aggregate production planning with
multi-objective and multi-capacity- demand levels. International Journal of
Operations and Quantitative Management 2 (2), 127143.
29. T. Vijayan. (2008). Fuzzy economic order time models with random demand.
Department of Statistics, Nehru Arts and Science College, Kanhangad, Kerala
671328, India.
30. T. Vijayan. (2008). Inventory models with a mixture of backorders and lost sales
under fuzzy cost, European Journal of Operational Research 189 105119.
31. Thomas. D. (1996). Coordinated supply Chain management. School of industrial
and systems engineering, Georgia institute of technologic Atlanta.
32. Torabi, S (2007). An interactive possibilistic programming approach for multiple
objective supply chain master planning. Department of Industrial Engineering,
Faculty of Engineering, University of Tehran, Tehran, Iran.
33. Umble, Michael. (1995). Manufactura Sincrnica. Vol. 1, Mxico. p.p. 60-97.
34. Wang, R. (2004). Aggregate production planning with multiple fuzzy goals.
International Journal of Advance Manufacturing Technology, in press.
35. Zadeh, L. A. (1965), "From circuit theory to systems theory." IRE Proc, 50, pp.
856-865.
36. Zadeh, L.A. (1975). Fuzzy Sets and Their Applications to Cognitive and Decision
Processes. London, Academic Press Inc. pp 2-79.
37. H.J. Zimmermann. (1996). Fuzzy Set Theory and its Application, third ed., Kluwer
Academic Publishers.
87
ANEXO 1. GRUPOS DE INVESTIGACIN QUE TRABAJAN CON LGICA
DIFUSA.


En la actualidad muchas organizaciones e investigadores estn investigando problemas que
involucran mucha incertidumbre, razn por la cual le dan un enfoque difuso al
planteamiento como tal. Trabajar con este tipo de herramienta es muy importante ya que
los resultados a los que se llegan por medio de esta estn mucho mas cerca de la realidad,
comparada con los mtodos tradicionales que se trabajaban inicialmente asignndole
distribuciones de probabilidad a los parmetros, despus con la aparicin de estas
poderosas herramientas se empezaron a tratar estos parmetros de forma difusa y se
observo que los resultados obtenidos eran mucho mas cercanos a la realidad, razn por la
cual los investigadores, universidades Colombianas y en el mundo le estn dando mucha
importancia a este tema, algunas universidades y grupos de investigacin que estn
trabajando temas son:
El departamento de gestin industrial de La universidad Tungnan University de
Taiwn y Departamento de Gestin Industrial, Instituto de Tecnologa de Taiwn.
El departamento de ingeniera industrial, de la universidad de Tehran en Iran y la
escuela de negocios de la Universidad McMaster de Canad.
Uncertainty Decision-Making Laboratory, School of Business and Administration,
Sichuan University en china.
Department of Chemical Engineering, National Taiwan University.
En las universidades Colombianas el estudio de la incertidumbre a travs de la Lgica
Difusa est tomando importancia, algunas universidades y grupos de investigacin que se
encuentran trabajando con Lgica Difusa son:
El grupo de Investigacin y Desarrollo en Inteligencia Artificial GIDIA esta adscrito
a la escuela de sistemas de la Universidad Nacional de Colombia sede Medelln,
uno de sus objetivos es: Profundizar en los fundamentos, tcnicos y modelamiento
de sistemas de inferencia difusa para la solucin de problemas caracterizados por el
manejo de valores multivaluados, propios del pensamiento humano. Sus reas de
88
investigacin son: Sistemas de Inferencia Difusa Tipo Mandami, Sistemas de
Inferencia Difusa Tipo Relacional O Pedrycz, Sistemas de Inferencia Difusa Tipo
Takagi-Sugeno, Control Inteligente de Procesos.
El grupo de investigacin GPS (Grupo de Investigacin en procesos de Seales
Digitales) pertenece a la Universidad de Investigacin y Desarrollo (UDI) que est
comprometida con la educacin del pueblo Santandereano en Colombia. Dentro de
las lneas de investigacin que maneja el grupo se encuentra, Inteligencia Artificial,
redes neuronales, algoritmos genticos, lgica difusa. Algunos trabajos de pregrado
desarrollados y en desarrollo son: Implementacin de un sistema de control de
temperatura mediante lgica difusa, implementado en un sistema microcontrolado.
Implementacin de un sistema de identificacin de rostros usando un modelo
hbrido entre algoritmos genticos y un sistema neuro difuso; implementacin de
un sistema neuro - difuso para el control de procesos mediante microcontroladores;
Sistema de control de humedad y temperatura mediante un controlador difuso;
Monitoreo y control automtico de un sistema de inyeccin electrnica de
combustible mediante lgica difusa.
El grupo de investigacin GICO Logstica Industrial Organizacional pertenece a la
Universidad Nacional de Colombia, Sede Medelln. GICO Apoya el desarrollo de
las organizaciones empresariales tanto pblicas como privadas, desarrollando
capacitacin, asesora y consultora con los mayores fundamentos investigativos,
cientficos y tcnicos; Las lneas de investigacin que maneja GICO son: Direccin
de Operaciones, Gestin de la Cadena Logstica, Modelizacin Empresarial e
Industrial, Educacin Virtual Empresarial, Responsabilidad Social de la Empresa,
La Gerencia de las Organizaciones no Gubernamentales en la Sociedad de la
Informacin, Trazabilidad industrial y del Producto: Identificacin y Autenticacin
de productos. Algunos trabajos de maestra y pregrado que se estn adelantando en
el grupo GICO son: Desarrollo de modelos de programacin matemtico fuzzy para la
planificacin de la produccin en contextos de incertidumbre (Trabajo de Maestra),
Aplicaciones de la Teora de los Conjuntos Difusos en la Planificacin de la
Produccin (Trabajo de Pregrado).