Algoritmo Del Cartero Chino 123

2013
CADENA DE SUMINISTROS
KARINA MEDELLN GUZMN ANALILIA DE LOS SANTOS MORALES 22/05/2013
REDES LOGISTICAS Enfocando el concepto de logstica al transporte podemos conceptualizarla de la siguiente manera: Una plataforma logstica desde el punto de vista de transporte es "un punto de concentracin de trficos provenientes de orgenes geogrficos distintos, lo que permite mejorar la productividad de las operaciones de transporte al capturar volmenes importantes de carga entre dos o ms plataformas logsticas, y organizar embarques con cargas combinadas para clientes distintos. Al mismo tiempo, se constituye como un punto de encuentro entre modos de transporte y permite su complementariedad. " (Revista Indicador Automotriz, ao VII. No. 81. Yaneth Rojas Amzquita). El estar inmerso en la globalizacin lleva a las empresas a fijar objetivos y estrategias que les permita competir con diversos mercados mundiales. En el mbito del auto transporte uno de los obstculos ms grandes a los cuales se enfrenta para afrontar la globalizacin es el cierre de fronteras del vecino pas del norte, sin embargo el ser competitivo no depende solo de estos obstculos, sino tambin de la capacidad, mentalidad y preparacin que tiene la empresa para enfrentar los nuevos retos. Desde la ltima dcada la tendencia de las empresas transportadoras va relacionada a dar soluciones logsticas completas al cliente desde el manejo de sus materias primas hasta la expedicin de sus productos terminados finales, la demanda y necesidad de mejorar el servicio, as como la competencia desata desde los 90s lleva a las empresas transportadoras a la bsqueda de nuevos desarrollos y opciones en cuanto a materia vehicular corresponde dentro de los cuales destacan las redes logsticas, alianzas estratgicas con clientes y acuerdos comunes con otras empresas del mismo ramo. Estas redes logsticas consisten bsicamente en integrar una cadena de transporte sincrnicamente en cadenas logsticas de diversos clientes, de manera que el servicio que se entrega al cliente bajo el concepto de transporte incluya mltiples operaciones como la carga y descarga de material, y si el cliente lo requiere almacenamiento, embalajes, formacin de embarques e inclusive gestin y control de inventarios. Al tener la capacidad de poder ofrecer al cliente estos servicios los transportistas obtienen ms ingresos y estos les permiten la modernizacin de sus instalaciones y servicios, y dan paso a la creatividad para el desarrollo de nuevos servicios a ofrecer. Las redes logsticas vistas de alguna forma son redes virtuales que se crean y disean sobre una estructura de medios de transporte existentes como aeropuertos, estaciones, puertos, carreteras.
El contar con los servicios de trasporte asociado a una red logstica implica ofrecer una mxima seguridad en la transportacin de mercancas. Este tema es de gran preocupacin para los transportistas, debido a esto algunos especialistas del tema sugieren la implementacin de distintos modos de sistemas de seguridad que hagan la entrega de mercanca ms confiable. La implementacin de algunos sistemas de seguridad dependen de condiciones especiales del transporte ya que requieren ciertos equipos como detectores, precintos y otros sistemas especiales diseados solo para evitar posibles incidencias como robos. La instalacin de estas medidas de seguridad y/o dispositivos de control tienen un gran costo, el cual se asocia con la calidad en donde el cargador y el transportista salen beneficiados. La implementacin de dichas medidas de seguridad involucran indiscutiblemente a cada una de las partes que integran la transportacin de la mercanca como son el estibador, el operador logstico, el transportista y en algunos casos las mismas terminales de carga. Existen algunos sistemas reconocidos que se deben tomar en cuenta para llevar a cabo correctamente la transformacin de la mercanca, son los siguientes: Control de Temperatura Control de Estiba y Manipulacin Proteccin contra Robos Control de temperatura.En caso de que se transporten materiales que se requieran conservar refrigerados deben viajar con una temperatura controlada, y cualquier medio de transporte debe disponer de sondas de temperatura que garantice el producto. Para poder controlar estas temperaturas existen detectores que dan seguimiento al control de la temperatura en todo el recorrido, estos detectores se pueden encontrar electrnicos y mediante el cambio de colores indican la baja y alta de temperatura dependiendo lo que se estableci. Control de estiba y manipulacin. Frecuentemente cuando el receptor verifica la mercanca que se ha recibido encuentra algunos daos sobre esta lo cual cambios graves en su planificacin de materiales y el reclamo a loa proveedores consume mucho tiempo. Este tipo de incidentes se pueden eliminar utilizando dispositivos que indican cuando el material fue golpeado, algunos de estos dispositivos son etiquetas detectoras adhesivas que indican que el material debe ser cargado con precaucin, si esto no sucede le etiqueta mediante el cambio de colores refleja el maltrato al material.
Diseo estructural de la Red Logstica Conceptos
Estratgicas:

Horizonte de planeacion de largo plazo y que involucran grandes inversiones. Cantidad, capacidad, ubicacin y funcin de las instalaciones (almacenes, plantas) de la red.
Tcticas:

Horizonte desde 3 a 12 meses. Planeacion de produccin, adquisicin de materiales, polticas de inventario, estrategias de transporte.
Operativas:

Horizonte diario. Secuenciar produccin, rutear vehculos, cotizar tiempos de entrega.
Diseo de la Configuracin de la Red El diseo de la configuracin de la red logstica involucra la definicin de la funcin, capacidad y localizacin de cada uno de sus elementos (plantas, almacenes,etc.), as como cundo hacerlo. Se debe considerar la estrategia corporativa, la misin y objetivos del sistema logstico, as como las metas en el nivel de servicio al consumidor establecidas. El diseo de la red constituye un issue estratgico por el alto monto de inversin involucrado, por su impacto en el nivel competitivo de la empresa a largo plazo, y por el alto nivel de incertidumbre que acompaa su anlisis. En particular, el diseo de la red se guiar por los siguientes conceptos:

Minimizar el costo total de la red (inversin y costo operativo). Optimizar o satisfacer un nivel de servicio al consumidor establecido.
Anlisis del Proceso Productivo (Plantas) El anlisis del proceso productivo involucra la definicin del nivel de integracin o descentralizacin de las actividades a travs del sistema logstico, as como de la capacidad, timing, funcion y localizacin asociada con stas. Las opciones disponibles dependen de la tecnologa de los procesos, productos e informacin, de los factores crticos de xito de la empresa, costo total e impacto en el nivel de servicio al cliente. Las opciones extremas de estructura del proceso productivo se constituyen bajo los siguientes conceptos.

Lneas nicas o multi-lneas? Una lnea se refiere a un proceso productivo de uno o varios productos. Una etapa o multi-etapas? Una etapa se refiere a una parte o grupo de operaciones de un proceso.
Lnea nica/Multi-lneas y nica Etapa/Multi-Etapas: Ventajas y Desventajas
Conceptos Bsicos Sobre Capacidad

Capacidad se define como la tasa de produccin de un proceso y se mide en unidades por perodo de tiempo. El nivel de operacin ptimo es el nivel de produccin al que el costo unitario es mnimo. Las economas de escala se refieren a que a medida que la capacidad de la planta aumenta el costo unitario disminuye. La flexibilidad de la capacidad significa tener la posibilidad de producir lo que el cliente requiera en un tiempo de respuesta competitivo. Esta se obtiene a travs de la reduccin de tiempos de preparacin, la incorporacin de tecnologas de automatizacin, y trabajadores multifuncionales entre otras estrategias Una planta balanceada es tal que las tasas de produccin de las etapas de proceso son similares. Los desbalances se resuelven mediante capacidad adicional o el uso de inventarios. Una planta opera mejor si esta enfocada a satisfacer un set de factores u objetivos limitado (costo, calidad, flexibilidad, etc.). Una planta flexible es aquella que tiene las capacidades para responder rapidamente para satisfacer las necesidades del mercado, en variedad de opciones y volumen, rapidez de entrega, costos, etc.
Impacto de Cantidad de Plantas (Descentralizacin)

Las economas de escala impactan el costo de produccin. La mayor cantidad de plantas origina menos transporte y stock en la red al estar mas cerca al mercado.
Opciones de Timing en Incremento de Capacidad

La implantacion en el incremento de capacidad puede ser conservadora o agresiva. Es conservadora cuando se realiza hasta que la demanda se confirma. El riesgo es que la competencia pudo haber reaccionado antes.
Planeacin de Capacidad

Su propsito es el determinar los niveles de capacidad requeridos para satisfacer la demanda futura al costo mnimo. Las etapas bsicas de la planeacin son:
o o o o
Pronstico de Demanda por productos. Analizar estrategia de la competencia. Establecer objetivos y estrategia de participacin en mercado. Definir escenarios de demanda a satisfacer por empresa (usar rboles de decisin).
Estimar carga de capacidad requerida por etapa de proceso por escenario. Comparar carga con capacidad actual y estimar "gaps de capacidad" por escenario. Generar y evaluar opciones para satisfacer "gaps". En caso de ser parte del diseo de la red, integrar estas alternativas a opciones de ubicacin de las instalaciones. Seleccionar opcin.
Red de Distribucin

La estructura de la red de distribucin de una red logstica se integra principalmente por almacenes y centros de distribucin. Determinar la capacidad, cantidad, ubicacin y funcin de los almacenes es de vital importancia.
Funcin de la Red de Distribucin
La funcin principal de la red de distribucin es la de mantener inventarios para satisfacer la demanda del mercado.
Otras funciones adicionales de gran importancia son:

o o o
Optimizar transporte de artculos. Funcionar como centros de servicio y asesoria. Realizar operaciones de diferenciacin de los productos.
Optimizacin del Transporte
La funcin de optimizacin del transporte consiste en utilizar el almacn como un punto donde se pueda:
o o o
Lograr economas de escala (recibiendo o enviando transporte de mayor capacidad). Utilizar el concepto de Crossdocking (Walmart). Emplearlo como Hub (FedEx).
Economas de Escala en Transporte - Se logran economas de escala al poder usar equipo de mayor capacidad.
Crossdocking - El almacn se usa solo para traspasar mercanca de varios medios de transporte a otros. - Los artculos no se almacenan! - Walmart es el creador del concepto.
Hub & Spoke

Se emplea para intercambiar mercancia que se envia de varios puntos a si mismos. Existe un intenso intercambio en ambas direcciones de cada punto. Federal Express es uno de los pioneros.
Hub & Spoke con una terminal Centro de Servicio y Asesora

Para mejorar la competitividad se utiliza el punto para proporcionar un mejor servicio al cliente. Puede usarse para obtener informacin valiosa de las necesidades del mercado.
Postponment

El almacn puede emplearse para ser la base del "Postponment". Este se refiere al retraso en la diferenciacin o compromiso de un producto.
o
Ensamble o proceso final.
o o
Marca del producto. Empaque del producto. Se facilita la "customization", mejorndose el desempeo logstico.
Estructura de Almacenes y Servicio al Cliente

La definicin de la cantidad, capacidad y ubicacin de almacenes son decisiones interdependientes e importantes para la definicin del nivel de servicio al cliente. La determinacion de las decisiones previas depende en gran medida de los costos de transporte y mantener inventarios, para un nivel de servicio establecido.
Impacto de Cantidad de Almacenes La cantidad de almacenes impacta directamente al costo total y nivel de servicio.
La cantidad de almacenes debe verse en funcin al nivel de servicio y la utilidad del negocio
Impacto de Cantidad de Almacenes en Inventario Total
A mayor cantidad de almacenes, el nivel de inventario requerido para soportar un nivel de servicio y volumen de ventas establecido incrementa.
La relacion entre la cantidad de almacenes y el nivel de inventario total se da por la siguiente expresion.
o
IN = I1Na Donde IN representa el inventario total para N almacenes y a un coeficiente a determinar. Los parametros a e I1 pueden determinarse mediante informacion del sistema de administracion de inventarios de la empresa. El valor de a se ubica generalmente entre 0.4 y 0.6.
Ley de Inventarios de la Raz Cuadrada Ley de Inventarios: "Establece que el inventario total es proporcional a la raz cuadrada del nmero de divisiones de inventario en lotes ms pequeos, con mas divisiones requiriendo proporcionalmente cantidades mayores de inventario". Esta ley se aplica para determinar el nivel total de inventarios del sistema requerido al incrementar la cantidad de almacenes. I = In/n0.5 . Donde: I = inventario en un almacn. In = Inventario en n almacenes. n = nmero de almacenes. Relacin entre Ventas y la Cantidad de Almacenes de la Red Logstica

La cantidad de almacenes tambin puede relacionarse con respecto a las ventas totales de la red mediante la expresin. Vn = nbV1 Donde:
o o o o
n = numero de almacenes. vn = Venta o througput total a travs de n almacenes. V1 = Venta total a travs de un almacn. El coeficiente b se ubica generalmente entre 0 - 0.4
Cercana con y entre Procesos Crticos

El tiempo es un factor que se usa actualmente como arma estratgica. La proximidad entre procesos o funciones es sinnimo de "tiempo". Es importante considerar el rol de otros procesos crticos, adems de la operacin, en la definicin de la localizacin de instalaciones. Sobre todo que ahora se conceptualiza el trabajo en equipo y rpido. El nivel de proximidad entre las funciones puede darse fsicamente, mediante la localizacin, o virtualmente a travs del uso de tecnologa de informacin y comunicacin.
Factores Clave, sus Funciones y Dependencias Geogrficas
En la definicin de la red logstica deben considerarse caractersticas o aspectos relevantes que son importantes para competir en el mercado, tales como: Preferencias en Envos: Incluye el envo JIT, ms frecuente y de menor tamao los envos, y otros.
o o o o
Preferencias en orden de envos: Multi-envos en el tiempo y locacin. Localizacin cercana al cliente principal. Patrones de demanda regionales. Caractersticas especficas de pas/regin.
Herramientas para el diseo de Red Varias herramientas se han desarrollado para ayudar en la tarea de disear la configuracin de la red. En general, todas requieren de la construccin de un modelo que represente la red. El objetivo principal a lograr ha sido la minimizacin del costo total de la red. Sin embargo, es importante considerar el factor tiempo y el nivel de servicio al consumidor como criterios alternos. La incorporacin del servicio al consumidor en la formulacin de modelosmatemticos se realiza a travs de restricciones en tiempo o distancia entre las facilidades y el mercado a servir. La evaluacin de opciones debe incluir anlisis "what if", de sensibilidad, y un proceso iterativo para involucrar a la administracin. Las herramientas existentes pueden ser:
Anlisis Operativo/Financiero de Opciones. Optimizacin y Heursticas. DSS (Sistemas de Soporte en Decisiones).
Mtodo de Evaluacin de Criterios
Las herramientas heursticas se basan en reglas establecidas en base a experiencia o intuicin. Normalmente proporcionan una solucin "buena" y factible, pero rara vez la ptima. El mtodo de Evaluacion de Criterios (Factor Rating) se usa para evaluar y seleccionar entre varias opciones uno o varios lugares para localizar facilidades (plantas o almacenes). Bajo ste mtodo se identifican varios factores o criterios relevantes para evaluar y seleccionar reas o sitios donde se ubicara una facilidad. Posteriormente, se asignan valores para cada criterio y cada opcin. Finalmente, cada alternativa se evala sumando los valores de cada criterio, seleccionndose aquella(s) con valores mayores. La ventaja del mtodo es que se puede evaluar un sitio con varios criterios a la vez. Sin embargo, la subjetividad involucrada origina que diferentes decisiones resultan al evaluar diferentes personas.
Factores Relevantes a Considerar

Infraestructura de transporte. Disponibilidad de fuerza de trabajo. Disponibilidad de terrenos. Grado de cercana al mercado, materia prima y facilidades existentes. Disponibilidad de infraestructura de servicios. Legislacin fiscal local. Actitud de la comunidad
Ejemplo de Aplicacin del Mtodo Factor Rating

Peso Consideraciones Mximo Localizacin Localizacin Localizacin X Y Z
Facilidades de Transportacin Facilidad de Mano de Obra. Terrenos Mercados Utilidades
100 100 100 100 75
90 70 80 40 70
80 80 70 70 70
90 90 70 80 65
Materia Prima Clima Impuestos y Factores Legales Comunidad Seguridad Nacional Proximidad a Planta existente Total
75 50 50 40 30 30 750
50 40 30 20 10 30 530
75 35 20 40 5 10 555
60 50 40 35 15 20 615
El problema es el de seleccionar sitios para ubicar varias facilidades y asignarles clientes al costo mnimo de transporte. Se supone que la capacidad de las facilidades es ilimitada.
Un administrador de una estacin de servicio para automviles tiene suficientes fondos para comprar 3 mquinas idnticas para diagnstico. Actualmente l opera con cinco estaciones de servicio dentro de la ciudad, y ha identificado cinco reas de donde las demandas ocurrirn. El tiempo de transportacin de el centro de gravedad de cada rea a otra localidad se da en la siguiente tabla. Adems se muestra la demanda de clientes por rea, para este tipo de mquina. El requerimiento es el colocar tres mquinas nuevas en la localidad en donde minimice el tiempo total de transportacin. Esto es as porque el administrador ha considerado el tiempo como medio de eficiencia.
Localizacin de Varias Facilidades con Costos Fijos
El problema es el de seleccionar sitios para ubicar varias facilidades y asignarles clientes al costo mnimo de transporte y de inversin. Se supone que la capacidad de las facilidades es ilimitada. La inversin representa un monto nico erogado al principio de la ubicacin, y cuyos beneficios se extienden varios perodos. Como los costos y demandas son por un perodo de tiempo determinado, la inversin tendr que adecuarse. Por ejemplo, si el perodo es un ao, la inversin se analizara a una tasa de inters especfica durante la vida la facilidad, y de preferencia se consideraran sus beneficios fiscales. Para resolver este problema tambin se emplear un mtodo heurstico
Anlisis Operativo/Financiero de Opciones

El anlisis operativo/financiero se usa para cundo las opciones alternas de red son pocas y se tienen definidas. Para usar esta tcnica se requiere de modelos de las operaciones de la red (del flujo de material y su proceso), de la estructura de costos, y de evaluacin econmica. Normalmente se consideran varios escenarios operativos de la red que representan diversas estrategias predefinidas. Para cada uno de stos se estiman costos operativos, inversiones requeridas, as como los beneficios a obtener en trminos de ingresos y servicio al consumidor. La seleccin de la opcin se realiza principalmente en base a indicadores como valor presente neto de flujos despus de impuestos, TIR, perodo de pago, nivel de servicio al consumidor esperado.
Modelo y Anlisis Financiero Operacional
Modelo de Anlisis de costo de una cadena de proveedores
Escenario I: Eliminacin Preproduccin en planta A
Escenario II: Eliminacin de toda la produccin en la Planta A
Modelo de costo de la Planta A
Modelo de costo de la Planta B
Escenario I : Impacto sobtre P& L Statement
Escenario II : Impacto sobre P& L Satatement
Herramientas de Optimizacin Las herramientas de optimizacin son normalmente de programacin matemtica que buscan minimizar el costo de la red. Con estas herramientas se pueden analizar sistemas logsticos complejos, aunque su utilidad depende del paquete seleccionado y el modelo desarrollado. Un aspecto a cuidar es la estructura de costos. Entre las desventajas est la necesidad de recursos especializados para desarrollar modelos y mantenerlos Las herramientas pueden determinar las respuestas ptimas a:

Cantidad y localizacin de almacenes. Mezcla de productos por planta. Niveles de inventarios ptimos. Medios de transporte a utilizar.
Localizacin de Instalaciones con Costos Fijos y Capacidad Ilimitada Determinar cuantas y cuales instalaciones implantar, asignando la demanda y minimizando costos totales.
Parmetros y Variables:

fj = Costo fijo de ubicar instalacin en punto j. hi = Demanda en punto I. dij = Distancia del punto I al j. a = costo por unidad de distancia por unidad de demanda. Variables: Xj = 1, si instalacin se ubica en punto j. 0, en caso contrario. Yij = Fraccin de la demanda del punto I que se satisface con instalacin ubicada en j.
Localizacin de Instalaciones con Costos Fijos y Capacidad Limitada Determinar cuantas y cuales instalaciones implantar, asignando la demanda hasta capacidad, y minimizando costos totales.
Parmetros y Variables:

fj = Costo fijo de ubicar instalacion en punto j. hi = Demanda en punto I. dij = Distancia del punto I al j.
a = costo por unidad de distancia por unidad de demanda. kj = Capacidad de instalacion en punto j. Variables: Xj = 1, si instalacion se ubica en punto j. 0, en caso contrario. Yij = Fraccion de la demanda del punto I que se satisface con instalacion ubicada en j.
Multilayer Plant Location Objetivo.- Definir qu plantas y almacenes deben instalarse para satisfacer la demanda de los consumidores, minimizando los costos de inversin y transporte.
Variables de Decisin: - xij : Cantidad de producto transportado de planta i al almacn j. - xjk : Cantidad de producto transportado de al macn j al consumidor k. - yi : Variable binaria que indica si se abre una planta. - zj : Variable binaria que indica si un almacn se abre. Parmetros: - i : Puntos donde se pueden localizar plantas. - I : Set de plantas. - j : Puntos donde se pueden ubicar almacenes. - J : Set de almacenes a localizar. - k : Consumidores con demanda.
- K : Set de consumidores. - cij : Costo unitario de transporte entre planta i y almacn j. - cjk : Costo unitario de abastecer al consumidor k del almacn j. - fi : Costo fijo o inversin al instalar planta i. - gj : Costo fijo o inversin de instalar almacn j. - ai : Capacidad de produccin de planta i. - bj : Capacidad de almacn j. - dk : Demanda del consumidor k.
Sistemas de Soporte en Decisiones (DSS) Los DSS se emplean para soportar la toma de decisiones en:

Diseno estructural de la red. Despliegue de inventarios. Programacion de la produccion. Planeacion de transporte. Otros.
Estructura de DSS para Diseno de Red
Datos Relevantes para Diseo de Red

Elemento Plantas de Produccin Localizacin. Costos y capacidad de produccin. Productos. Costos de transporte a almacenes. Almacenes/ CDs Ubicacin. Costos fijos y variables. Rotacin de inventarios. Capacidad de almacenamiento. Costo de transporte a detallistas. Detallistas (Retailers). Localizacion. Demanda annual por producto. Productos. Volumen y peso. Costo de mantener inventario. Datos
DSS de Logic Tools Inc
DSS de CAPS Logistics
RESUMEN DE INTRODUCCIN A LA PLANIFICACIN Y LOGSTICA DE
CONTROL DE SISTEMAS
1.1 . Introduccin La Logstica se ocupa de la planificacin y el control de los flujos de materiales y la informacin conexa en las organizaciones, tanto en los sectores pblicos y privado. En trminos generales, su misin es el derecho a obtener materiales en el lugar correcto en el momento adecuado, mientras que la optimizacin de una medida de rendimiento (p. ej. reducir al mnimo los costos operativos totales) y satisfacer un conjunto dado de limitaciones (por ejemplo una restriccin presupuestaria). En el contexto militar, la logstica se preocupa por el suministro de tropas con alimentos, armamentos, municiones y repuesto de las piezas, as como el transporte de tropas propias. En las organizaciones civiles, logstica las cuestiones son encontradas en las empresas que producen y distribuyen bienes fsicos. Importancia De Logstica: La Logstica es una de las actividades ms importantes en la modernidad Social, unas pocas cifras pueden utilizarse para ilustrar esta afirmacin. Se ha estimado Que la logstica total en gastos efectuados por las organizaciones de EE.UU. en 1997 fue 862 millones de Dlares, que corresponde a aproximadamente el 11% de Producto Interno Bruto de los EE.UU.(PIB). Este costo es superior a la cifra anual de los gastos del gobierno de Seguridad social, los servicios de salud y defensa. Estas cifras son similares a los observados En el otro Tratado de Libre Comercio de Amrica del Norte (TLCAN) y para la Unin Europea (UE). Adems, los costos de logstica representan una importante Parte de una empresa de ventas, como se muestra en la Tabla 1.1 para empresas de la Unin Europea en 1993. Un mercado internacional incluyendo 90 pases. Por este motivo, el transporte de carga Desempea un papel clave en la cadena de suministro Pfizer. Una descripcin ms detallada del sistema logstico de Pfizer es dada en la seccin 8.3 . Ferroviaria Railion es una empresa internacional, con sede en Maguncia (Alemania), cuya actividad principal Es el transporte ferroviario. ferroviaria Railion transporta una gran variedad de productos, como el acero, carbn, hierro Mineral, papel, madera, coches, lavadoras, equipos as como los productos qumicos. 2001, La empresa traslada aproximadamente 500 000 contenedores. Adems de alta calidad que ofrece rampa de Transporte, ferroviaria Railion se dedica tambin al desarrollo de sistemas logsticos integrados. Esto implica una estrecha cooperacin con terceros, tales como el transporte por carretera y por va maritima, envo y transbordo a empresas. Ms detalles sobre el transporte ferroviario, ferroviaria Railion se puede encontrar en la seccin La Gioia Tauro terminal marina es el transbordo de contenedores ms grande en el Mar Mediterrneo y una de las ms grandes del mundo. En 1999, su trfico ascendi a 2253 Millones, equivalentes a 20 pies (EVP). La terminal est vinculada a casi 50 lneas de
puertos en el Mar Mediterrneo. Dentro de la terminal hay una estacin de ferrocarril Donde los coches se pueden cargar o descargar. Seccin 8.5 es Dedicada a una descripcin detallada de la Gioia Tauro terminal. Las cadenas de suministro Una cadena de suministro es un complejo sistema de logstica en el que las materias primas Se convierten en productos terminados y a continuacin, se distribuye a los usuarios finales (los consumidores O de empresas), que incluye proveedores, centros de fabricacin, almacenes, DCs y Venta al por menor. En la figura 1.1 muestra una tpica cadena de suministro en la que la produccin y Los sistemas de distribucin estn compuestos de dos fases cada uno. En el sistema de produccin, los componentes Y semi-terminados las piezas se fabrican en dos centros de fabricacin mientras Productos terminados en una planta diferente. El sistema de distribucin consiste
Empuje contra las tiras de cadenas de suministro. las cadenas de suministro se clasifica a menudo como sistemas de empuje y jale. En un jale (o hacer-a-fin (OTM) , productos terminados se fabrican Slo cuando los clientes requieren de ellos. Por lo tanto, en principio, no son los inventarios Es necesario por el fabricante. En un empuje (o hacerpara-stock (MTS) sistema, produccin Y las decisiones de distribucin se basan en las previsiones. Como resultado, la produccin anticipa Demanda efectiva, y los inventarios se celebraron en los almacenes y locales de los minoristas. Un sistema "push es ms apropiado que un sistema de requisicin depende de las caractersticas del producto, Caractersticas del proceso de fabricacin, as como volmenes de demanda y
variabilidad. MTO los sistemas son ms adecuados siempre que el tiempo es corto, los productos son costosos, Y la demanda es baja y muy variable. En algunos casos, un enfoque mixto se puede utilizar. Flujo de productos a travs de la Cadena de suministro fuentes de materias primas para los clientes, excepto por obsoleto, daado o No funcionales y los productos que tienen que ser devueltos a sus fuentes para la reparacin o Disposicin. La Informacin sigue el camino inverso, que atraviesa la cadena de suministro hacia atrs a Los clientes de los proveedores de materia prima. En el operador de transporte del sistema multimodal y de usuario final son rdenes Recogidos por los vendedores y, a continuacin, se transmite a los fabricantes que a su vez la Requiere y los componentes y productos semiacabados de sus proveedores. De igual manera, en Un sistema MTS, pasado las ventas se utilizan para predecir futuras demanda del producto y asociar Necesidades de materiales., los Producto de los flujos de informacin no pueden desplazarse instantneamente a travs del canal de alimentacin: En primer lugar, el transporte de carga entre fuentes de materias primas, las plantas de produccin Y lugares de consumo se consumen bastante tiempo y, en segundo lugar, la fabricacin puede tomar Desde hace mucho tiempo, no slo por el procesamiento, pero tambin debido a la limitada Capacidad de la planta (no todos los productos de la demanda se pueden fabricar a la vez). 1.2 COMO FUNCIONA EL SISTEMA DE LOGISTICA Sistemas de logstica se compone de tres actividades principales: procesamiento de pedidos, Gestin de inventario y el transporte de mercancas.
1.2.1 PROCESAMIENTO DE PEDIDOS Procesamiento d pedidos est estrictamente relacionado con las corrientes de informacin en el sistema logstico e Incluye una serie de operaciones, de modo que los clientes pueden solicitar los productos por un formulario de pedido. Estas rdenes se transmiten y se comprueba la disponibilidad de los artculos solicitados y el crdito de los clientes son verificadas. Ms tarde, los elementos de la bolsa (o produccin), son empaquetados y entregado junto con su Documentacin de embarque. Por ltimo, los clientes tienen que estar informados acerca de la situacin De sus pedidos. Tradicionalmente, el procesamiento de pedidos ha sido un muy lento (hasta El 70% del total de la orden). Sin embargo, en los ltimos aos, se ha beneficiado enormemente De los progresos de la electrnica y la tecnologa de la informacin. La Lectura de cdigos de barras permite a Los minoristas identificar rpidamente los productos necesarios y actualizacin del inventario en los registros de nivel. Las Computadoras porttiles y mdems permiten que los vendedores puedan comprobar en tiempo real si un Producto est disponible en stock y a introducir pedidos
instantneamente EDI Para introducir las rdenes de bienes industriales directamente por el vendedor en su ordenador sin ningn Papeleo Mejorar nivel de servicio: Tener un stock de productos terminados en los almacenes cercano a los clientes para producir un corto plazo de entrega. La reduccin de costos de logstica en general. El transporte de carga se caracteriza por economas de escala debido a los elevados costes fijos. Como resultado, en lugar de la entrega de pedidos pequeos con frecuencia a largas distancias, una empresa puede ser ms conveniente para satisfacer la demanda de los clientes de los almacenes locales (repuesta a baja frecuencia). Hacer frente a la aleatoriedad en la demanda de los clientes y los plazos de entrega. Los inventarios de productos terminados (inventarios de seguridad) ayudan a satisfacer la demanda del cliente, incluso si los picos inesperados de la demanda o demoras de entrega se producen (debido, por ejemplo, al tiempo desfavorable o las condiciones del trfico). Haciendo artculos de temporada durante todo el ao: Los productos de temporada pueden ser Almacenados en depsitos en el momento de la produccin y vendidos en los meses siguientes. Especulando sobre los patrones de precio: Las mercancas cuyo precio vara mucho durante el Ao puede ser comprado cuando los precios son bajos, y, a continuacin, se almacenan y finalmente son vendidos cuando los precios van hacia arriba.
La superacin de las ineficiencias en la gestin del sistema logstico: Los inventarios puede ser Utilizados para superar las ineficiencias en la gestin del sistema logstico (por ejemplo, una distribucin en una Empresa podr mantener un stock porque es incapaz de coordinar la oferta y Demanda). CUESTIONES DE GESTION LOGISTICA: Al disear una estrategia de logstica, los administradores estn dirigidas a lograr un compromiso adecuado Entre los tres objetivos principales: reduccin de capital, reduccin de costos y mejora del nivel de servicio. REDUCCIN DE CAPITAL: El primer objetivo es reducir al mximo el nivel de inversin en el sistema logstico (que depende de la NED o equipo e inventarios). Esto se puede lograr en un nmero de maneras, por ejemplo, por la eleccin de depsitos pblicos en lugar de depsitos de propiedad privada, y mediante el uso de los portadores comunes en lugar de vehculos de propiedad privada. Por supuesto, la reduccin de capital generalmente se produce a expensas de mayores costos de operacin
REDUCCIN DE COSTOS: El segundo objetivo es reducir al mnimo el costo total asociado a Transporte y almacenamiento. Por ejemplo, uno puede operar almacenes de propiedad privada Y vehculos (siempre que volumen de ventas es lo suficientemente grande).
MEJORA DEL NIVEL DE SERVICIO: El nivel de servicio logstico al cliente influye mucha Satisfaccin que a su vez tiene un impacto importante en los ingresos. Por lo tanto, la mejora del nivel de servicio de logstica puede aumentar los ingresos, especialmente en mercados homogneos con productos de bajo precio que la competencia no se basa en las caractersticas del producto. El nivel de servicio de logstica a menudo se expresa a travs del tiempo de fin de ciclo, definido como el tiempo transcurrido entre el instante en que se emite una orden de compra (o una solicitud de servicio) y los productos son recibidos a tiempo por el cliente (o servicio se proporciona al usuario) Mtodos de previsin de la demanda Antes de presentar una clasificacin de mtodos de previsin de la demanda, vale la pena observar lo siguiente. Las previsiones a corto plazo son por regla general ms precisos que los de mediano y largo perodo. Este es, sencillamente, porque cuanto ms largo sea el intervalo de tiempo, la mayor La probabilidad de eventos inesperados. Previsiones de la demanda agregada en general son ms precisos que los de los distintos elementos. Esto se puede explicar cmo sigue. Supongamos que las demandas de n elementos se puede modelar como variables aleatorias independientes x1, x2,. . . , Xn, que tiene la misma x valor esperado y la desviacin estndar x mismo. Entonces, la demanda agregada y es una variable aleatoria,
Cuyo valor esperado y la desviacin estndar son, respectivamente,
Esto se desprende que la relacin entre la desviacin estndar y la media es
(2,1 )
La ecuacin (2,1) indica que la dispersin relativa de la demanda agregada alrededor del y valor corresponsal es menor que la dispersin relativa de una demanda cada elemento Previsin y enfoques se pueden clasificar en dos categoras principales: Mtodos cualitativa y Cuantitativos. 2.2.1 Mtodos cualitativos Mtodos cualitativos se basan sobre todo en experiencia laboral o en las encuestas, aunque Ellos tambin pueden hacer uso de herramientas matemticas sencillas para combinar diferentes Previsiones. Mtodos cualitativos son utilizados generalmente para largo y previsiones a medio plazo, Cuando no hay suficiente historia de utilizar un enfoque cuantitativo. Este es el caso, Por ejemplo, cuando un nuevo producto o servicio es lanzado al mercado, cuando se trata de un producto Ensamblado es cambiado, o cuando el futuro patrn de demanda se espera que se vern afectados Por cambios polticos o por los avances tecnolgicos. El mtodo ms utilizado cualitativos son fuerza de ventas evaluacin, mercado Investigacin y el mtodo Delphi. En el primer enfoque, una previsin es desarrollado por empresa Los vendedores Cerca de los clientes. Investigacin de mercado se basa en entrevistas con los consumidores potenciales O los usuarios. Se requiere mucho tiempo y requiere un conocimiento profundo de teora del muestreo. TLFeBOOK 29 REQUISITOS PARA LA PREVISIN LOGISTICA
Por estas razones, slo se utiliza de vez en cuando, por ejemplo, la hora de decidir si un nuevo producto debe ser puesto en marcha. En el mtodo Delphi, una serie de cuestionarios que se envan a un comit de expertos. Cada vez que se contesta una serie de preguntas, nuevos conjuntos de datos disponibles. A continuacin, un nuevo cuestionario se prepara de tal manera que todos los expertos se enfrentan a los nuevos hallazgos. Este procedimiento elimina el efecto de contagio de la opinin mayoritaria. El mtodo Delphi termina tan pronto como todos los expertos comparten el mismo punto de vista. Esta tcnica se utiliza principalmente para estimar la influencia de los cambios polticos o macro-econmica sobre la demanda de un artculo. 2.2.2 Mtodos cuantitativos Los mtodos cuantitativos se puede utilizar cada vez que hay suficiente demanda. Tales tcnicas pertenecen a dos grandes grupos: mtodos causales y los mtodos de series de tiempo extrapolacin. Causal se basan en la hiptesis de que la demanda futura depende de los valores pasados o actuales de algunas variables. Ellos incluyen la regresin, los modelos economtricos, modelos de insumo-producto, el anlisis del ciclo de vida, los modelos de simulacin por ordenador y redes neuronales de estos enfoques son difciles de aplicar, incluso para las grandes empresas. En la prctica, slo regresin simple o mltiple se utilizan para la planificacin logstica y de control. El Tiempo presupone la
serie de extrapolacin que algunas caractersticas del patrn de demanda ms all del tiempo seguir siendo el mismo. El patrn de demanda se proyecta en el futuro. Esto puede hacerse en un nmero de maneras, incluyendo la tcnica elemental, los promedios mviles, las tcnicas de suavizado exponencial, el enfoque de descomposicin y el mtodo de Box-Jenkins. La eleccin de la tcnica de prediccin ms adecuada cuantitativa (vase tambin la seccin 2,9) depende del tipo de datos histricos disponibles y el tipo de producto (o servicio). Sin embargo, como regla general, es mejor seleccionar el enfoque posible. Este es ms posible, se basa en las siguientes observaciones.
Pronsticos obtenidos por el uso de tcnicas simples son ms fciles de comprender y Explicar. Este es un aspecto fundamental cuando hay grandes sumas de dinero En el proceso de toma de decisiones. En un contexto empresarial, procedimientos de previsin rara vez producen mejor Los resultados de otras ms simples. Esta regla es a menudo tener en cuenta por especialistas en logstica, segn lo confirmado por varios estudios Llevada a cabo en Amrica del Norte y en la Unin Europea (vase, por ejemplo, en el cuadro 2.1 ).
El uso las frecuencias que aparecen en las columnas 2 y 3 de la tabla 2.1 se debe ajustar A fin de tener en cuenta los distintos niveles de conocimiento de los responsables de las decisiones Con diferentes mtodos de prediccin (columna 4). Por ejemplo, al comparar las Descomposicin tcnica y la ms compleja el mtodo Box-Jenkins en el medio Plazo, uno debe tener en cuenta los distintos niveles de familiaridad que los responsables en la toma de decisiones (57% y 37 %, respectivamente) con ese tipo de enfoques. Esto se puede hacer mediante la computacin Los valores de las cuotas de uso probablemente habra si todos los responsables de las decisiones Saban tanto tcnicas (12/0,57 = 21% y el 5/0,37 = 13,5 %, respectivamente). TLFeBOOK 30
REQUISITOS PARA LA PREVISIN LOGISTICA
Tabla 2.1 cuota de utilizacin de los principales mtodos de prediccin cuantitativa en USA (1994), reimpreso Desde las interfaces 24 (2), 92-100, Sanders NR y previsin Manrodt KB 1994 prcticas en EE.UU. Empresas: resultados de la encuesta, 1994, con el permiso de INFORMA. Mtodo de previsin Uso (%) Corto plazo Uso (%) Medio plazo Nivel (%) Familiaridad Descomposicin Tcnica Primaria Media mvil 7 19 33 12 14 28 57 84 96
Suavizado exponencial Regresin Box-Jenkins 2.2.3 Notacin
20 25 2
17 26 5
83 83 37
En el resto de este captulo, vamos a suponer, como de costumbre, que el horizonte de tiempo se ha dividido en un nmero finito de periodos de tiempo y que todos los periodos de la misma duracin. Adems, usaremos la siguiente notacin. Vamos dt, t = 1,. . . , T, siendo la demanda de un producto determinado (o un servicio) en perodo de tiempo t, donde T indica el tiempo perodo en correspondencia de la entrada ms reciente demanda disponible. Por otra parte, vamos a
Que los perodos de prediccin a en el momento t (es decir, la pre visin de la demanda dt + generado en el tiempo t). Si = 1, un pronstico de un perodo hacia delante tiene que ser generada y la notacin puede simplificarse a
Como se explica ms adelante, es conveniente definir un error de prediccin a fin de evaluar, a posteriori (es decir, una vez que las demandas pronosticadas se conoce), la desviacin de la demanda de su pronstico. El error de prediccin usando pi () en lugar de dt demanda est dada por
Como antes, la notacin se puede simplificar si = 1:
2.3 Mtodos Causales Nexo Causal, explotar la fuerte correlacin entre la futura demanda de algunos Objetos (o servicios) y el pasado (o actual) valores de algunas variables causales. Ejemplo, la demanda de coches la economa depende del nivel de actividad econmica Y, por lo tanto, puede estar relacionada con el PIB. Del mismo modo, la demanda de piezas de repuesto puede Ser asociado con el nmero de dispositivos instalados con ellos. TLFeBOOK 31 REQUISITOS PARA LA PREVISIN LOGISTICA Tabla 2.2 Exportaciones mensuales de carne Italiana avcola (en cientos de kilogramos) a Alemania en 1994 y 1995.
Mes
Cantidad
Mes
Cantidad
La principal ventaja de los mtodos causales es su capacidad para anticiparse a variaciones de la demanda. Como tales, son muy eficaces para previsiones a medio y largo plazo. Desafortunadamente, en varios casos, es difcil de identificar cualquier variable causal que tiene una fuerte correlacin con las demandas futuras. Adems, es incluso ms difcil encontrar una variable causal que conduce la variable previsto en el tiempo. Por estas razones, mtodos de causal son menos populares que los basados en la extrapolacin de series de tiempo. Como se explica en la seccin anterior, un nmero de diferentes tcnicas se pueden clasificar como mtodo de regresin causal aunque slo es ampliamente utilizado por los logsticos. En esta seccin de regresin basada en la previsin se describe, mientras que los otros mtodos causales se describen en la Seccin 2.8. La regresin es un mtodo estadstico que relaciona una variable dependiente (que representa, por ejemplo, la demanda futura dT +1) para algunas variables x1 causal, x2,. . . , Xn cuyo valor se conoce o se puede predecir:
Tal relacin puede ser lineal,
o incluso no lineal. Se supone que un conjunto de valores observados de las variables causales y los valores correspondientes de la variable dependiente estn disponibles. Una funcin f () es entonces seleccionado como el que interpola mejores observaciones (si f () es lineal, esto equivale a la aplicacin del mtodo de mnimos cuadrados para estimar a0, a1,..., an).
PAI es una asociacin de agricultores italianos que, a finales de 1995, orden la investigacin de mercado para estimar los futuros niveles de exportacin de algunos productos italianos a otros de EUA TLFeBOOK 32 REQUISITOS PARA LA PREVISIN LOGISTICA
Cuadro 2.3 Promedio mensual LIT / DM de tipo de cambio entre noviembre de 1993 diciembre de 1995.
Mes Tipo de cambio Mes Tipo de cambio
La estimacin de la demanda italiana de carne avcola en Alemania en enero de 1996 se basa en los datos presentados en la Tabla 2.2. Se parti del supuesto de que el volumen de exportacin se vio afectada por el tipo de cambio entre la lira italiana y el marco alemn (LIT / DM) (ver Tabla 2.3). Ms especficamente, se supuso que las exportaciones en un mes determinado dependan del tipo de cambio en los dos meses anteriores. Esta hiptesis fue confirmada por los ndices de correlacin (1 y 2) entre la serie temporal correspondiente (ver Tabla 2.4):
Por lo tanto, la demanda requerida se calcula como
Donde x1 y x2 son el cambio promedio mensual LIT / Tasas de DM en diciembre de 1995 y noviembre de 1995, respectivamente (x1 = 1106.748 89 y x2 = 1124.658 10). Los coeficientes a0, a1,. . . , A5 se estimaron mediante regresin mltiple aplicado a los datos de la Tabla 2.4. Los resultados fueron los siguientes:
Como consecuencia de ello, las exportaciones estimadas en enero de 1996 fueron Y = 10 682,11 cien kilos. TLFeBOOK 33 REQUISITOS PARA LA PREVISIN LOGISTICA Cuadro 2.4 Exportaciones mensuales de carne avcola (en cientos de kilogramos) y tasa media mensual de cambio LIT / DM durante los dos meses anteriores.
Mes
Cantidad
Tipo de cambio Un mes antes
Tipo de cambio dos meses despus
2.4 Series de Tiempo extrapolacin

Series de mtodos de extrapolacin asume las caractersticas principales del patrn de demanda pasado se repetir en el futuro. Un pronstico se obtiene entonces mediante la extrapolacin (saliente) el patrn de demanda. Tales tcnicas son adecuadas para predicciones a corto y mediano plazo, donde la probabilidad de cambios de una es baja. Como se explica en la Seccin 2,2, la extrapolacin de series de tiempo se puede realizar en un nmero de maneras. El mtodo de la descomposicin clsica se describe en esta seccin, mientras que el tcnica elemental, los promedios mviles y las tcnicas de suavizado exponencial se describen en las secciones 2.5, 2.6 y 2.7. Por otra parte, el mtodo de Box-Jenkins se describe en la Seccin 2,8. TLFeBOOK
34
Demanda
Crecimiento
Madurez
Rechazo
Tiempo
Figura 2.3 ciclo de vida de un producto o servicio. 2.4.1 Mtodo de descomposicin de series de tiempo Se basa en la suposicin de que el patrn de demanda de un producto (o servicio) se puede descomponer en los siguientes cuatro efectos: tendencia, variacin cclica, la variacin estacional y la variacin residual. Tendencia. La tendencia es la modificacin duradera de demanda a lo largo del tiempo; esto puede depender Sobre los cambios en la poblacin y sobre el producto (o servicio) ciclo de vida (ver Figura 2.3).
Variacin cclica. Variacin cclica es causada por el denominado ciclo de negocios, Que depende de cuestiones macroeconmicas, que es bastante irregular, pero su patrn es de aproximadamente Peridicos. Variacin Estacional. Variacin estacional es causada por la periodicidad de diversas actividades humanas. Ejemplos tpicos son los altibajos en la demanda de algunos elementos Durante el ao. Este tipo de efecto se puede observar tambin sobre una base
semanal (por ejemplo, algunos Producto de ventas son ms altos los fines de semana de los das laborables). Variacin Residual. Variacin residual es la parte de la demanda que no puede ser Interpretado como tendencia, cclicas o variacin estacional y, con frecuencia, es el resultado de numerosas Causas, cada una de las cuales tiene un pequeo impacto. Si no hay otras variaciones previsibles En la demanda, el efecto residual es una variable aleatoria con unidad valor esperado (Suponiendo que la demanda se modela como el producto de los cuatro efectos). En la secuela que se supone que la forma en que los cuatro componentes se combinan Es multiplicativo
TLFeBOOK 35 REQUISITOS PARA LA PREVISIN LOGISTICA
Donde qt representa la tendencia en el perodo t (expresada en las mismas unidades que la demanda), vt es el efecto cclico en el perodo de tiempo t, st es la variacin estacional en el perodo de tiempo t, y rt es la variacin residual en el perodo t . Vale la pena sealar que todos los factores son mayores que o igual a 0. Observe tambin que si M es la periodicidad de la variacin estacional, entonces el promedio de los efectos estacionales en perodos de tiempo consecutivos M es igual a 1:
(2,2 ) En la Figura 2.4 el tpico patrn de demanda es informado. El mtodo de la descomposicin es Hecho de tres pasos: en la primera fase, la demanda tiempo serie dt, t = 1, . . . , T , Es descompuesto en los cuatro componentes qt , vt , st , rt, t = 1, . . . , T ; en la segundo Fase, las series de tiempo q, v y s se proyectan en uno o ms perodos futuros(Que es importante sealar que la variacin residual no puede predecirse); por ltimo, en la tercera Fase los valores proyectados se combinan, (2.3 ) Para obtener las previsiones de demanda requeridos. La fase de descomposicin se lleva a cabo como sigue.
Evaluacin del producto (qv)t
El producto (qv)t se obtiene mediante la eliminacin de las series de tiempo dt, t = 1, . . . , T , El efecto estacional y la fluctuacin aleatoria. Esto se puede hacer con la observacin de que El valor promedio de la demanda en M vez consecutiva los perodos no se ve afectado por Las fluctuaciones estacionales. Adems, al hacerlo, estamos tambin reduciendo notablemente la Influencia de las fluctuaciones aleatorias, sobre todo si M es relativamente alto (vase tambin el Siguiente seccin). Por lo tanto, el clculo de las cantidades siguientes,
Permite determinar una serie de entradas sin la demanda estacional y residual Efectos secundarios. TLFeBOOK 36 REQUISITOS PARA LA PREVISIN LOGISTICA
Si M es impar, cada medio puede estar asociada con el perodo central del intervalo de tiempo correspondiente. Por lo tanto,
De ah la serie de tiempo requerida es (qv) t, t =? 1 2 M?,. . . , T - 12 M? + 1. Si M es par, se puede utilizar una media ponderada de M + 1 entradas de demanda en la que los primero y el ltimo tiene un peso de 1 2 y todos los dems valores tienen una unidad de peso. A continuacin, la serie temporal (qv) t, t = 1 2M + 1,. . . , T - 1 2 M es dada por
Evaluacin de qt y vt En la mayora de los casos, se puede suponer que la tendencia es descrita por una simple relacin funcional, tal como una funcin lineal o cuadrtica. Luego la tendencia se obtiene aplicando una regresin simple de la serie de tiempo (qv) t, t = 1,. . . , T (en aras de la simplicidad, suponemos que (qv) t tramos t = 1, ..., T, aunque, como hemos visto anteriormente, se define sobre un intervalo de tiempo ms corto). Una vez qt, t = 1,. . . , T, se determina, el efecto cclico vt, t = 1,. . . , T se puede calcular para cada t = 1,. . . , T de la siguiente manera:
Evaluacin de st y rt La serie de tiempo (sr) t, t = 1,. . . , T, que incluye tanto la variacin estacional y la fluctuacin aleatoria, puede ser calculado para cada t = 1,. . . , T de la siguiente manera:
El efecto estacional puede ser expresada por medio de los ndices de M s1,. . . , SM, definido como:
Cada ndice st, t = 1,. . . , M, representa el promedio de los valores (SR) t, t = 1,. . . , T, asociada con perodos de tiempo homloga (es decir st, t = 1, ..., M, es el promedio de (SR) t, (sr) M + t, (sr) 2M + t, ...) . Este procedimiento es correcto porque, como se ha explicado anteriormente, el clculo de la media se reduce en gran medida la fluctuacin aleatoria. finalmente, se observa que, sobre la base de la definicin de ndice estacional, tenemos:
(2.4) TLFeBOOK 37 REQUISITOS PARA LA PREVISIN LOGISTICA
Figura 2.4 Demanda modelo de equipos de electrociruga en Francia.
Si la ecuacin (2,4) no se cumple, los ndices normalizados siguientes ~ st, t = 1,. . . , M, se utilizan:
Es fcil demostrar que los ndices ~ st, t = 1,. . . , M, verificar la relacin
La aleatorio rt valores, t = 1,. . . , T, puede obtenerse dividiendo cada trmino de la serie de tiempo (sr) t, t = 1,. . . , T, por la va correspondiente ndice estacional, t =1,. . . , T, es decir
Si la descomposicin se ha ejecutado correctamente, el tiempo de serie rt, t = 1,. . . , T, tiene un valor esperado cerca de 1. La segunda fase del mtodo de descomposicin asciende a la proyeccin de los efectos q, v y s previamente determinado a lo largo de uno o ms perodos de tiempo futuros, lo que es muy fcil de lograr por la evolucin y el efecto estacional. Sin embargo, la tendencia cclica es mucho ms difcil de extrapolar de una manera cuantitativa. Como resultado, a menudo se estima cualitativamente, sobre la base de las previsiones macroeconmicas. Si no se disponga de informacin, se puede suponer que Por ltimo, en la tercera fase, una previsin se genera mediante la combinacin de las proyecciones obtenidas en el paso dos, de acuerdo con la ecuacin (2,3). 38 REQUISITOS PARA LA PREVISIN LOGISTICA Tabla 2.5 Historial de demanda (en miles de euros) de equipos de electrociruga en Francia (parte I).
Ao
Mes
Periodo
Demanda
Ao
Mes
Periodo
Demanda
39
Tabla 2.6 Historial de demanda (en miles de euros) de electrociruga equipo en Francia (parte II).
Ao
Mes
Periodo
Demanda
Ao
Mes
Periodo
Demanda
40
Tabla 2.7 Clculo de la tendencia combinada y los efectos cclicos (qv) t, t = 1,. . . , 163, en el problema de P & D
P & D es una consultora francesa, que fue encargado en julio de 1999 para estimar la futura demanda de equipos de electrociruga en Francia durante los siguientes seis meses. Las ventas en los ltimos 13 aos y siete meses disponibles (cuadros 2.5 y 2.6, Figura 2.4). El M duracin del ciclo estacional se supone que es igual a 12 y la tendencia se supone que es lineal. A continuacin, el mtodo de descomposicin se aplic. Los resultados intermedios y finales se resumen en las tablas y en las figuras 2.7-2.12 2,5-2,12. La ecuacin de tendencia es qt = 638,51 + 1.43t. Los ndices estacionales s1,. . . , s12 (vase el cuadro 2.10 y grfico 2.9) satisfacen la ecuacin (2,4). A medida que el valor esperado de la variacin aleatoria es aproximadamente 1, la descomposicin de la demanda puede considerarse satisfactoria. Las previsiones de la demanda desde agosto 1999 hasta enero de 2000 (los primeros seis meses de antelacin) se obtuvieron mediante la combinacin de las proyecciones de la tendencia de los efectos estacionales y cclicos. Este ltimo se estim (vase la Figura 2,11) mediante el uso de una curva de regresin cuadrtica definida sobre la base de vt, t = 150,. . . , 157. En particular, se supuso que
Los valores de los coeficientes de la f, g y h que se ajustan mejor al efecto cclico para t = 150,. . . , 157 son
41
Tabla 2.8 Tendencia qt, t = 7,. . . , 157, y vt efecto cclico, t = 7,. . . , 157, en el problema de P & D.
Tabla 2.9 Evaluacin de la combinacin de efectos estacionales y residual (sr) t, t = 1,. . . , 157, en el problema de P & D.
2.5
Mtodo de extrapolacin de series, el caso tendencia constante
En primer lugar, analizar el caso en que el patrn de la demanda anterior no muestra efectos relevantes cclicos y estacionales, y la tendencia es constante. Suponemos inicialmente que un pronstico debe ser generado solamente para el prximo periodo en adelante.
42
Tabla 2,10 Clculo de los ndices estacionales st, t = 1,. . . , 12, en el problema de P & D
Tabla 2.11 Clculo de la variacin residual rt, t = 7,. . . , 157, en el problema de P & D
Tabla 2.12 Demanda previsiones pT (), T = 163, = 1,. . . , 6, en el problema de P & D
2.5.1
Tcnica Elemental
La previsin para el primer perodo de tiempo por delante se da simplemente por
43
Figura 2.5 tendencia combinada y los efectos cclicos (qv) t, t = 7,. . . , 157, en el problema de P & D.
Figura 2.6 Tendencia lineal (en gris) qt, t = 7,. . . , 157, en el problema de P & D.
El mtodo es sencillo. La serie de tiempo del pronstico reproduce el patrn de demanda con periodo de retraso. En consecuencia, por lo general produce predicciones ms bien pobres. Sarath es un distribuidor con sede en Malasia de electrodomsticos coreanos. El volumen de ventas de los televisores porttiles durante las ltimas 12 semanas en Kuala Lumpur se muestra en la Tabla 2.13. El patrn de demanda se representa en la figura 2,13. Se puede observar que la tendencia es constante. Mediante el uso de la tcnica elemental, se obtiene
44
Figura 2.7 cclica efecto vt, t = 7,. . . , 157, en el problema de P & D.
Figura 2.8 Efecto combinado de temporada y fluctuacin aleatoria (sr) t,t = 7,. . . , 157, en el problema de P & D. 2.5.2 Mtodo de promedio en movimiento
El mtodo de promedio en movimiento usa el promedio de las entradas de la demanda r ms recientes como el pronstico para el periodo primero por delante (r 1?):
Si r se elige igual a 1, el mtodo de promedio en movimiento se reduce a la tcnica elemental.
45
Figura 2.9 efecto estacional st = st, t = 1,. . . , 12, en el problema de P & D
Figura 2,10 variacin aleatoria rt, t = 7,. . . , 157, en el problema de P & D. Tabla 2.13 Nmero de televisores porttiles vendidas por la compaa Sarath en las ltimas 12 semanas.
Periodo
Cantidad
Periodo
Cantidad
46
Figura 2.11 La extrapolacin del efecto cclico (en gris) v t (), t = 157, = 1,. . . , 12, en el problema de P & D.
Figura 2.12 Previsin de la demanda (en gris) de los equipos de electrociruga en Francia durante los siguientes seis meses.
Utilizando el mtodo de promedio en movimiento para resolver el problema Sarath anteriormente, se obtienen las previsiones,
con r = 2 y r = 3, respectivamente. 47 REQUISITOS PARA LA PREVISIN LOGISTICA
Figura 2.13 patrn de demanda de TV porttil que se vendieron porla empresa Sarath en las ltimas 12 semanas.
Por ejemplo, si T = 1, entonces p2 = d1, mientras que si T = 2, entonces p3 = (d1 + d2) / 2. Un aspecto clave del mtodo de media mvil es la eleccin del parmetro r. Un valor pequeo de r permite un ajuste rpido de la previsin a fluctuaciones de la demanda pero, al mismo tiempo, aumenta la influencia de las perturbaciones aleatorias. En contraste, un alto valor de r filtra efectivamente el efecto aleatorio, pero produce una lenta adaptacin variaciones de la demanda. Este fenmeno se puede explicar cmo sigue. Sea d1,. . . , DT variables aleatorias independientes con valor esperado y desviacin estndar . La variable aleatoria pT 1 tendr un valor esperado pT d efine como un
(i,e, el mismo valor esperado como d1, ..., dT), y una desviacin estndar
De ello se deduce que la dispersin de Pt +1 es menor que la de d1,. . . , DT y disminuye a medida que aumenta r. 48 REQUISITOS PARA LA PREVISIN LOGISTICA
2.5.3 mtodo de suavizacin exponencial El mtodo de suavizado exponencial (tambin conocido como el mtodo de Brown) puede ser visto como una evolucin en la tcnica de media de movimiento. El pronstico de la demanda se obtiene teniendo en cuenta todos los datos histricos y la asignacin de un menor peso a los datos ms antiguos. La previsin de la demanda para el primer perodo por delante est dada por
(2.5) donde (0, 1) es una constante de alisamiento. Aqu, pT representa la previsin de la demanda para el perodo t realizadas en el perodo de tiempo T - 1. Supongamos que en el perodo de tiempo T tenemos dT = pT = 1177 y 1182. A continuacin, la previsin Pt +1 obtenido por medio del mtodo de Brown est dada por ( = 0,2)
Reescribiendo la ecuacin (2,5) como
se obtiene la siguiente interpretacin: la previsin de la demanda en perodo de tiempo T + 1 corresponde a la suma del valor de la demanda estimada en periodo de tiempo t - 1 y una fraccin del error de prediccin en el periodo de tiempo t. Esto significa que si el valor de PT se sobreestima con respecto a dT, la previsin valor Pt +1 es menor que pT. vicio viceversa, si PT es una subestimacin del dT, entonces pT 1 se incrementa. El historial de la demanda se incrusta en pT, y por lo tanto no aparece explcitamente en la frmula anterior. Aplicando la ecuacin (2,5) de forma recursiva, todo el historial de la demanda aparece explcitamente:
De la ecuacin (2,5), se obtiene
Iterando estas sustituciones (y teniendo en cuenta que p2 se puede suponer igual a d1), la siguiente relacin se obtiene:
En esta relacin la demanda de entradas anteriores se multiplican exponencialmente decreciente por peso (aqu es donde el nombre del mtodo viene). Por ltimo, se observa que la suma de todos los pesos es igual a 1.
49
Tabla 2.14 Previsiones de demanda de TV porttil se pone en el problema Sarath.
Si utilizamos el mtodo de suavizacin exponencial (con = 0,3) para resolver el problema de la previsin de la compaa Sarath, obtenemos
Procediendo de forma recursiva hasta t = 12, se obtienen los resultados consignados en la Tabla 2,14. 2.5.4 Eleccin de la constante de suavizado
La eleccin de un valor de juega un papel importante en el mtodo de suavizado exponencial. Los valores elevados de dar un mayor peso a los datos histricos ms recientes y por lo tanto nos permite seguir rpidamente las variaciones de la demanda. Por otro lado, los valores ms bajos de producir un mtodo de pronstico menos dependiente de la fluctuacin aleatoria pero, al mismo tiempo, no puede tener en cuenta
rpidamente las variaciones ms recientes de la demanda. En la prctica, el valor de es muy elegido entre 0,01 y 0,3. Sin embargo, un valor mayor puede ser preferible si los rpidos cambios de la demanda se anticipan. Con el fin de estimar el mejor valor de , vale la pena evaluar a posteriori los errores que se han hecho en el pasado, si el mtodo de Brown se haba aplicado con diferentes valores de (por ejemplo, los valores entre 0,1 y 0,5, con una longitud de paso igual a 0,05). Un tratamiento ms detallado de este tema se presenta en la Seccin 2.9. 2.5.5 Los pronsticos de demanda para los perodos subsiguientes Los mtodos ilustrados slo se pueden utilizar para pronosticar la demanda de un perodo que se avecina. Con el fin de predecir la demanda de los perodos de tiempo posteriores, es suficiente con recordar que la tendencia se supone que es constante. Por consiguiente,
Donde el valor de prediccin pT +1 se obtiene mediante el uso de cualquier tcnica descrita anteriormente y representa la duracin del horizonte de tiempo de prediccin. En este contexto, el horizonte temporal previsin se dice que est rodando, porque, una vez que un valor de demanda nueva convierte en disponible, el horizonte de tiempo se desplaza un perodo de tiempo por delante. Las previsiones de cuatro semanas-antes son necesarios para el problema Sarath. Al utilizar el mtodo de movimiento medio con r = 2, las predicciones son
Al perodo de tiempo t = 13, el horizonte de previsin de rodadura cubrira los perodos de tiempo t = 14, 15, 16. Por ejemplo, si d13 = 1173, entonces
Por lo tanto, para t = 14 un nuevo valor actualizado est disponible (P13 (1) = 1.175), que sustituye al anterior (p12 (2) = 1,169). Consideraciones similares son vlidas para t = 15.
2.6 Otros mtodos de series de tiempo de extrapolacin: el caso Tendencia Lineal

Si la tendencia es lineal y no cclica o efecto estacional se muestra, los mtodos de pronstico se basan en el esquema de clculo siguiente:
Para la estimacin de AT y BT, podemos utilizar las tcnicas ilustradas a continuacin.
2.6.1
Tcnica Elemental
Esta es la tcnica ms simple:
Sarath compaa tambin distribuye receptores de satlite. Los artculos que se venden a las tiendas ubicadas en Kuala Lumpur distrito durante las ltimas 12 semanas se reportan en la Tabla 2.15. Como se muestra en la Figura 2,14, la tendencia es lineal. Mediante el uso de la tcnica elemental para pronosticar la demanda en perodos adelante, obtenemos
En particular, para el primer periodo de tiempo por delante ( = 1): p13 = 1330
51 REQUISITOS PARA LA PREVISIN LOGISTICA
Tabla 2.15 Nmero de kits para equipos de satlite proporcionada por Sarath empresa en las ltimas 12 semanas.
Periodo
Cantidad
Periodo
Cantidad
Figura 2.14 patrn de demanda de equipo para equipos de satlite proporcionada por Sarath empresa en las ltimas 12 semanas. 2.6.2 Mtodo de regresin lineal Para la estimacin de AT y BT, este mtodo determina la lnea de regresin que mejor se interpola las entradas de la demanda r ms recientes (es decir, dT-r +1, ..., DT-1, DT):
52
La demanda receptor de satlite de compaa Sarath puede ser predicha por medio del mtodo de regresin lineal. Si r = 4, entonces
Por lo tanto
En particular, para el primer periodo de tiempo por delante ( = 1):
2.6.3 Doble mtodo de promedio mvil El mtodo es una extensin del mtodo de promedio mvil se ilustra arriba. Sea r (> 1) ser un doble parmetro media mvil. Obtenemos
Donde T es el promedio de las entradas de la demanda r ms recientes
y T representa la media de las entradas de la demanda r ms recientes medios, es decir
Siempre que los datos de demanda r ltimos no estn disponibles (T <r), el clculo de T y T puede ser ejecutado a lo largo de las guas ilustradas para el mtodo de promedio mvil. 53 REQUISITOS PARA LA PREVISIN LOGISTICA
Ahora vamos a resolver el problema de receptor de satlite de la compaa Sarath por medio del doble mtodo de promedio mvil (con r = 3). Tenemos
Donde
Por lo tanto
De la cual
Por lo tanto
En particular, para el primer perodo por delante ( = 1):
2.6.4 El mtodo de Holt

El mtodo de suavizacin exponencial, presentado en la Seccin 2.5.3, es incapaz de hacer frente a una tendencia lineal. El mtodo de Holt es una modificacin del mtodo de suavizado exponencial y se basa en los siguientes dos relaciones:
Aplicando las ecuaciones recursivas (2,6) y (2,7), es posible expresar en bT y en funcin de las entradas pasadas demanda d1,. . . , DT.
MODELOS METAHURISTICOS: CARTERO CHINO
Es una aplicacin de la solucin de redes de flujo con arcos dirigidos. Hay un nmero de rutas que se pueden trazar uniendo una serie de vrtices de tal manera de visitarlos a todos al menos una vez. Euler plante el problema de trasladar un desfile militar atravesando los siete puentes de su ciudad natal. Estudiando la configuracin de los puentes y las calles encontr que no exista solucin factible y propuso una serie de leyes matemticas para hallar todos los recursos existentes en una red. As se ha definido como un circuito Euler a toda ruta que, sea continuo, que cubra cada arco de la red al menos una vez y que regrese a su punto de partida.
Si los arcos no son unicursivos, (en una sola direccin) se pueden utilizar reglas muy sencillas para saber si hay una solucin de ruta Euler. Si el nmero de vrtices en la red es un nmero impar, existe una solucin tipo Euler; de ser un nmero par, no existe dicha solucin y algunos arcos deben ser trazados ms de una vez. Fue una revista china de matemticas donde se plante por primera vez una solucin ptima a un circuito Euler. Describiendo las actividades de un cartero en caminar su ruta postal (en otras palabras "la ruta del cartero chino").En este problema la ruta buscada es la que reduce la distancia viajando a lo largo de las calles (arcos) un sentido nico y de regreso a su central de correos. Suposiciones en que se basan estos algoritmos 1. Los costos unitarios de transportacin son independientes de la cantidad de residuos slidos transportados. 2. Se cuenta con un nmero ptimo de sitios de disposicin final o de estaciones de transferencia. 3. La generacin de residuos slido es fija, no variable y siempre fijada en un sitio. 4. No existen restricciones de capacidad en el sitio de disposicin final o estacin de transferencia al aceptar los residuos slidos recolectados. 5. El tiempo en que la solucin ptima es aplicable es limitado (o en otras palabras no est incluido el factor tiempo en la formacin del algoritmo). APLICACIN UTILIZANDO EL ALGORITMO DEL CARTERO Hallar la ruta optima de entrega de correspondencia partiendo del punto A abarcando todos los nodos y regresando al punto de partida, utilizando un tiempo y costo ptimo. En el diagrama adjunto mostramos el circuito de recorrido del cartero.
Solucin:
DIAGRAMA DEL ALGORITMO DEL CARTERO CHINO Este diagrama muestra que existe otra alternativa para resolver el algoritmo del cartero utilizando otros algoritmos, como el de Fleury, Edmonds, Diestra, Euler, etc.
LGICA DIFUSA
En los aos 60s fue el comienzo de la teora de la lgica difusa, esto fue debido por Lot A. Zadeh in 1965 con su publicacin de conjuntos difusos, en los 70s la teora continuo creciendo, surgieron las aplicaciones reales, es justo decir que la teora difuso establecida como el campo independiente el gran parte debido a la dedicacin y notablemente al trabajo de Zadeh, lo ms fundamental de la teora de lgica difusa fue propuesto por Zadeh en los 60s y cerca de los 70s, despus el propuso los algoritmos difusos en 1968. La lgica difusa se utiliza en un amplio rango de aplicaciones como: Controladores de lavadoras, sistemas de aire acondicionado, video cmaras, mecanismos de control, sistemas de control de mini submarinos, controladores del metro as como horno de microondas. La lgica difusa permite tratar informacin imprecisa, en trminos de conjuntos difusos veremos que estos conjuntos se combinan en reglas para den ir acciones, por ejemplo, si la temperatura es alta entonces enfra mucho. De esta manera, los sistemas de control basados en lgica difusa combinan una variable de entrada (denidos en trminos de conjuntos difusos), por grupos que producen uno o varios valores de salida. Hablando ya en trminos ms rigurosos, la teora de lgica difusa parte de la teora clsica de conjuntos, aadiendo una funcin de pertenencia al conjunto, denida sta como un nmero real entre 0 y 1, as se introduce el concepto de lgica difusa determinado a un valor lingstico. Para cada conjunto o subconjunto difuso se dene una funcin d e pertenencia o inclusin A (t), que indica el grado en el cual la variable t est incluida en el concepto que est representado por la etiqueta A. Conjuntos difusos Recordando el ejemplo de las personas, esta situacin puede describirse asignando un 1 a todos los elementos incluidos en el conjunto y un 0 a los no incluidos. A la funcin que asigna estos valores se llama funcin de inclusin o pertenencia (membership funtion). A los subconjuntos difusos se les puede aplicar determinados operadores, o bien pueden realizarse operaciones entre ellos. Al aplicar un operador sobre un slo conjunto difuso se obtiene otro conjunto difuso, de la misma manera al combinar dos o ms subconjuntos mediante algunas operaciones, se obtendr otro conjunto. Sean los subconjuntos difusos identicados por las etiquetas A y B, as ociados a una variable linguistica x, entonces se pueden denir tres operaciones bsicas: complemento unin e interseccin. Estas operaciones pueden expresarse de la
siguiente manera en trminos de funciones de pertenencia de los conjuntos difusos A y B. Sea U un conjunto cualquiera y M = [0,1], su conjunto asociado de pertenencia. Si se considera a un conjunto difuso A U, entonces el complemento de A ser: Complemento A(x)=1 A (x) x U Sea U un conjunto cualquiera y M = [0,1], su conjunto asociado de pertenencia. La unin difusa de dos conjuntos difusos, A U y B U, se dene como: Unin AB (x) = max [ A (x), B (x)] A (x) B (x) x U, donde indica la operacin mxima. Sea U un conjunto cualquiera y M = [0,1], su conjunto asociado de pertenencia. La interseccin difusa de dos conjuntos difusos, A U y B U, se dene como: Interseccin AB (x) = mn [ A (x), B (x)] A (x) B (x) x U, donde indica la operacin mnima. Es importante resaltar que el funcionamiento de estas operaciones bsicas coincide con los correspondientes a los de la teora clsica de conjuntos. Ejemplo: Controlador Mamdani usando lgica difusa Usando la lgica difusa y la teora de razonamiento aproximada introducida por Zadeh es posible crear un controlador basado en esta lgica La forma tradicional de las leyes de control con autorregulacin (feedback) es: u(k)= f(e(k), e(k-1),...,e(k-v), u(k-1), u(k-2), ..., u(k-v)) e es el error entre el punto de control w y el output y C es el controlador y S es el sistema siendo controlado La idea es disear C que minimiza el error (e=w-y) en el tiempo
e
C
u
S
ENJAMBRE DE ABEJAS
El algoritmo de las abejas es una herramienta de optimizacin de enjambre inteligente basado en imitar el comportamiento de alimentacin de las abejas melferas. Esta charla presenta un nuevo algoritmo de bsqueda basada en la poblacin de las abejas y llamada Algoritmo de las Abejas (BA). Se presentarn dos aplicaciones de la industria manufacturera. En primer lugar, la optimizacin de las redes neuronales para la deteccin de defectos de la madera y, en segundo lugar, la mejora de etapas mltiples en procesos de embuticin profunda mediante el uso de BA. El Dr. Michael S Packianather recibi su Licenciatura (con honores) en Ingeniera Elctrica y Electrnica y doctorado en Inteligencia Artificial de la Universidad de Gales en Cardiff. Experto en la investigacin de: redes neuronales, reconocimiento de patrones, sistemas expertos, optimizacin inteligente, diagnstico de errores, control de calidad, procesamiento de seales, seleccin de caractersticas, la minera de datos, bioinformtica, medicina, ingeniera de diseo de experimentos, los sistemas de fabricacin y Micro / nanotecnologas. Comportamiento Biolgico El intercambio de informacin entre las abejas es la ms importante incidencia en la formacin de un conocimiento colectivo, ya que mediante esta interaccin las abejas decidirn el comportamiento que debe llevar la colmena. Sus principales modos de comportamiento son: La incorporacin a una fuente de nctar: la comunicacin entre las abejas relacionadas con la calidad de fuentes de alimento se produce en la zona de baile (danza de las abejas). En donde con la informacin obtenida sobre todas las fuentes de alimento que estn disponibles se determina cul de todas las fuentes es la ms rentable para as incorporarse a ella.
El abandono de una fuente: se determina conforme valor de la fuente y al nmero de visitas que se le hace, es decir mediante la danza se termina si una fuente ya no es rentable y por consiguiente debe ser abandonada. Comportamiento Artificial En la Tabla 4.2.1 se describe de manera general los elementos del ABC. Generacin de las Se lleva de manera aleatoria y con base en los lmites fuentes de alimento inferior y superior de cada variable del problema (ecuacin en el cap. 2). Una fuente de alimento es una solucin al problema de optimizacin. Abejas empleadas Su nmero es proporcional al nmero de fuentes de alimento, es decir por cada fuente hay una abeja empleada, y su funcin es evaluar y modificar las soluciones actuales para mejorarlas (busca nuevas fuentes cercanas a la actual ). Si la nueva posicin no es mejor entonces se mantiene la posiciona actual. Abejas en espera De igual forma, su nmero debe ser proporcional al nmero de fuentes de alimento. Estas abejas escogern una fuente de alimento, con base en la informacin que comparten las abejas empleadas mediante la danza. Esta danza se simula mediante un torneo de tamao t, donde la fuente de alimento con mejor valor de la funcin objeto es seleccionada. Estas abejas generan una nueva fuente de alimento de manera aleatoria, para suplantar fuentes existentes que no han sido mejoradas. Define el nmero mximo de ciclos que una fuente de alimento puede permanecer sin mejorar antes de ser reemplazada. El lmite se incrementa a partir de que una fuente que no es modificada por las abejas, ya sean empleadas o en espera, hasta obtener su valor mximo permitido, de ah las abejas scout se encargan de inicializar el lmite a 0 por cada nueva posicin generada. El lmite se inicializa a 0 cada vez que una fuente es modificada (mejorada) por una abeja empleada o en espera.
Abejas scout
Lmite
COLONIA DE HORMIGAS
Estigmergia y el algoritmo de la colaboracin La mayora de nosotros hemos visto que las hormigas son expertas en encontrar comida. Resulta que ellas marcan el camino con feromonas que se evaporan en el tiempo, y mientras ms marchan por el mismo camino ms se llena el camino de feromonas. Esas feromonas hacen ms atractivo ese camino a las dems hormigas, que tienden a irse por ese camino tambin, lo cual refuerza an ms ese camino. Cuando las hormigas regresan, usan la ruta ms directa y dejan la feromona en el camino. As, aunque a la ida usen distintas rutas, al regreso se vendrn por la ruta ms directa. Es as que la ruta ms corta se refuerza. Cuando una ruta deja de ser transitada, las feromonas se evaporan hasta que ya no hay camino trazado. Sin usar palabras para pasarse el chisme, ellas usan un tipo de comunicacin qumica entre ellas, lo que las convierte en "qumicamente chismosas". Lo interesante de esto es que una sola hormiga tiene limitaciones cognitivas, pero entre todas logran encontrar la mejor ruta entre el hormiguero y la mejor fuente de comida. Esencialmente el algoritmo de rutas se basa en dejar rastros y el atractivo de las rutas, de modo que cada hormiga va construyendo una pieza de la solucin. La evaporacin de la ruta juega un rol al evitar quedarse pegados en soluciones determinadas locales. Los lugares ms lejanos suelen tener caminos ms fuertes que los lejanos. Este algoritmo tiene muchos usos para fijar itinerarios o para analizar comportamientos de mquinas o sistemas de distribucin de productos con recursos limitados, pero el ms evidente uso de este algoritmo es para trazar rutas casi ptimas para vendedores. Hay muchos algoritmos que claman ser de este tipo, y el nico requisito para que lo sean es que sigan el principio de la "estigmergia" (stigmergy) donde hay colaboracin entre distintos agentes independientes, en una forma de organizacin donde la colaboracin juega un rol clave para sostener el bienestar de una comunidad. Cuando vemos cmo algunos agentes o sectores de la sociedad tratan de sacar ventaja y sumergir en la miseria o la falta de servicios bsicos para el ser humano, nos resulta claro que el ser humano an no ha aprendido lo que significa la "estigmergia", la colaboracin. En una fbrica o en una empresa, donde ponen a competir a los vendedores o a los operarios, o a los agentes de un call center, o a cualquier otro tipo de trabajador en otro tipo de puesto, en realidad estn desaprovechando el potencial de alcanzar niveles casi ptimos que ofrece una estigmergia.
Irnicamente hay personas a las que se les llama "antisistema" por el simple hecho de que no gustan de un sistema con organizacin y sin estigmergia, porque las formas de organizacin benefician a unos pocos y perjudican a todos los dems. Tal vez deberamos aprender un poco de las hormigas. Si bien las hormigas no son el ejemplo perfecto, pues sus cerebros son inmensamente ms pequeos y carecen del poder informtico de nuestros cerebros s nos dan una importante leccin, seal de que no vale tanto tener el hardware (cerebro) sino que se trata de ponerlo a funcionar, para darse cuenta de que si buscamos las soluciones en la complicacin nos perdemos de la simple solucin encontrada por las hormigas hace millones de aos, lo que convierte nuestra complicada solucin en obsoleta.
La dinmica del bienestar colectivo de las hormigas Las hormigas como colectividad han encontrado una manera de fomentar un bienestar para la mayora. La humanidad en cambio tiene 1 de cada 7 personas (World hunger 'hits one billion') padeciendo hambre mientras 1/4 de la produccin de granos e EUA se usa para alimentar automviles (Data Highlights: U.S. Feeds One Quarter of its Grain to Cars While Hunger is on the Rise) y mientras se desperdicia comida en supermercados en EUA y Europa suficiente para alimentar a la poblacin mundial por das (Food waste facts). Con el agua que se desperdicia durante el proceso de irrigacin agrcola habra suficiente agua para una poblacin mundial de 9 mil millones. Tienen los que estn a cargo del sistema social humano una inteligencia mayor, igual o menos a la que tienen las hormigas? Mi post anterior acerca de Democracia y la Monkeysphere nos puede arrojar una pista acerca de aspectos que podran estar afectando la capacidad de colaborar. Ser que con estos cerebros tan enormes somos ms cortos de intelecto que las hormigas en materia de "inteligencia colaborativa"? Las hormigas no hacen el trabajo por un salario, ni se les paga mal, ni tienen problemas de diferencias de ingresos por gnero ni por tipo de trabajo, ni se les
explota, ni nadie les quita su techo porque no pagaron una hipoteca, ni tienen paro mientras que otros estn sobrecargados de trabajo, ni tienen crisis econmicas, ni ricos, ni pobres. Simplemente trabajan para una comunidad, usando un cerebro muy pequeo que debe permitir un pensamiento muy estrecho y limitado, pero muy bien adaptado para sobrevivir en sociedad. Viven ms como una familia que no tiene muy gran intelecto pero s una gran capacidad de trabajo. Las hormigas no abandonan a los enfermos, por el contrario, a falta de un sistema de salud, las hormigas que se saben enfermas se sacrifican y abandonan el hormiguero para no enfermar a las dems. Un estudio en la revista Current Biology apunta que las hormigas de la especie Temnothorax unifasciatus al saberse enfermas, abandonan la colonia aunque eso signifique su muerte en solitario, para evitar que se extienda la enfermedad en la colonia. Es la primera vez que un comportamiento altruista es encontrado en los insectos sociales. El estudio fue realizado por Jurgen Heinze y Bartosz Walter. Expusieron a individuos de una colonia al hongo parsito Metarhizium Anisopliae. Las hormigas abandonaron la colonia varias horas y a veces das antes de morir, de forma completamente voluntaria. Imagina cmo sera si tuvieran un sistema de salud. La reina de las hormigas no es ninguna privilegiada que se la pasa de holgazana haciendo nada, gozando de viajes, lujos y privilegios sociales, sino que ella tambin trabaja duro de manera muy sedentaria y encerrada todos los das en el trabajo que le toca que es ser una madre en parto constante, y no una reina, ni una princesita Disney. Antao se ha querido representar a la reina como una reina, cuando en realidad debera representrsele como una madre trabajadora en su labor por el bien de la comunidad.
Anlisis sociales de las hormigas sesgados hacia lo humano Los anlisis sociales de las hormigas suelen estar muy teidos de lo humano, porque se habla de hormigas reinas y de trabajadoras, donde se establece el trabajo fsico como algo humillante e inferior, y donde la explotacin laboral parece justificable, una idea terriblemente feudal. Lo cierto es que las hormigas viven y trabajan sin que haya dinero de por medio, todas comen, todas tienen techo. Acaso nosotros cuyo cerebro es muchsimas veces ms grande que el cuerpo de una hormiga deberamos se capaces de ser ms civilizados que las hormigas?
Si ves los anlisis que hacen los informticos del algoritmo de la colonia de hormigas, el sesgo social humano desaparece, pues se trata con un algoritmo. El anlisis informtico que se hace del algoritmo es ms objetivo, porque habla de la colaboracin entre hormigas para encontrar entre todas una solucin a un problema que una hormiga sola no puede encontrar. Y qu pasa con el clasismo de la cuestin de reinas y trabajadoras? Y qu pasa con el "trabajo humillante" (como lo defina el vago Andr Kostolany, especulador y experto en bolsa reconocido mundialmente, y del cual hablo en mi post Avaricia: La cultura del vago y el pedigeo)? Al no existir dinero, no hay negocios que se beneficien del mal de otros, no hay unos que trabajan y otros que reciben el fruto del trabajo ajeno, no hay finanzas, ni bolsa, ni especulacin, ni egosmo, ni vividores, ni tampoco existen "los mercados" (un grupo de adinerados capaces de causar bandazos de precios), no hay desempleo ni hay explotacin, no hay estrs, no hay adicciones, no hay crimen, slo hay trabajo en equipo por la comunidad/familia, a cambio de techo, proteccin y comida. Su conducta es tan simple y eficaz que resulta ms fcil de modelar informticamente que las finanzas. Los resultados de las complejas finanzas humanas arrojan guerra, narcotrfico paro, pobreza y hambre. La simplicidad del algoritmo de las hormigas lleva a tener una forma de existencia ms sostenible. Para que hacer una tormenta en un vaso de agua con tanta complejidad, si el secreto de la sostenibilidad social y econmica est en la simplicidad? Realmente a nivel informtico no es relevante si el trabajo es o no humillante, pues las hormigas tienen un propsito que cumplir y que favorece a su comunidad, y as la informtica mira a las hormigas con un ojo ms objetivo, que muestra la colaboracin, en lugar de tratar de encontrar en las hormigas explicaciones y justificaciones rebuscadas en las hormigas a comportamientos disfuncionales humanos que promueven la desigualdad y la miseria humana, son todo lo opuesto de la actividad de las hormigas que logra la sobrevivencia eficiente y sostenible de la colonia. S, las hormigas son muy trabajadoras, como se dice de los chinos, pero a las hormigas no les pagan mal, no viven en una chabola, no pasan hambre, no les explotan sino que trabajan y colaboran instintivamente por voluntad de sobrevivir, no tienen esclavitud, no viven pensando en pagar cuentas porque no usan dinero. Las hormigas no son chinos, ni tampoco funcionan como aquellas fbricas que explotan a la gente. A difreencia de los chinos, las hormigas no aspiran a ser "jefes". Por lo tanto la comparacin con los chinos tampoco es vlida. Cmo funcionarn las "finanzas" de las hormigas? Se cumple aquella idea de que el dinero es lo que mueve al trabajo? Ser que la reina pone a competir a las hormigas a ver cul tiene mejores mtricas en comida y les da un bono anual
por desempeo? Cmo hacen para combatir el hambre, la pobreza y la miseria dentro del hormiguero? La idea de un hormiguero humano disgusta a aquellos que quisieran vivir mejor que los dems y trabajar menos, que es la idea del xito que los medios y la sociedad nos han metido en la cabeza. Esa idea de andar todos iguales, de trabajar duro, suele ser vista ms como cosa para esclavos o robots autmatas. Esto es porque hay unos que quieren vivir mejor que otros y nos pintan ese odioso cuadro de las hormigas, para que no les volvamos a ver. Afortunadaente a la informtica poco le importa eso, y describe el algoritmo como colaboracin, y termina funcionando igual que las hormigas. Si alguna vez pensamos vivir en colonias espaciales o en otros planetas, la convivencia es clave. Y si no logramos convivir, y pensamos que en el espacio cada uno va por su cuenta, estaremos muertos. Tendramos que vivir y aprender un poco ms del estilo de vida de las hormigas. Si vivimos en Marte o en la Luna, donde no hay atmsfera o es muy tenue, de hecho las colonias tendran que ser subterrneas, pero no basta la tecnologa para construir el hormiguero. Se ocupara del mismo tipo de organizacin social de las hormigas si hemos de sobrevivir por muchos aos en un sitio inhspito como ese.
PROBLEMA DE LA MOCHILA
En algoritmia, el problema de la mochila, comnmente abreviado por KP (del ingls Knapsack problem) es un problema de optimizacin combinatoria. Modela una situacin anloga al llenar una mochila, incapaz de soportar ms de un peso determinado, con todo o parte de un conjunto de objetos, cada uno con un peso y valor especficos. Los objetos colocados en la mochila deben maximizar el valor total sin exceder el peso mximo.
Mtodos de resolucin: Este problema se ha resuelto tradicionalmente mediante programacin lineal entera. El hecho de que se trate de programacin lineal hace referencia a que la funcin a optimizar y las inecuaciones que constituyen las restricciones han de ser lineales, es decir, han de ser funciones cuyas incgnitas estn elevadas exclusivamente a la unidad. Existe otra forma de resolver este tipo de problema, a travs de los denominados algoritmos voraces. Una aproximacin voraz consiste en que cada elemento a considerar se evala una nica vez, siendo descartado o seleccionado, de tal forma que si es seleccionado forma parte de la solucin, y si es descartado, no forma parte de la solucin ni volver a ser considerado para la misma. Con este mtodo no siempre es posible dar una solucin a un problema. Otro sistema para resolver el problema de la mochila es mediante algoritmos genticos que son mtodos de optimizacin que tratan de hallar (xi,...,xn) tales que sea mximo.
Algoritmos voraces
a) Aplicacin del mtodo: Partimos de la formulacin del problema de la mochila aportada anteriormente:
Maximizar [Sumatoria (bi*xi) desde i= 1 hasta n] sujeto a: xi {0,1} con i =1,..., n [Sumatoria (ci*xi) desde i=1 hasta n] < P
La utilizacin de un algoritmo voraz consiste en introducir en la mochila segn orden decreciente de utilidad (beneficio) los diversos objetos. En una primera etapa, se adicionarn unidades enteras hasta que, por motivo de capacidad, no sea posible seguir introduciendo enteros y haya que aadir la porcin que quepa del siguiente objeto. b) Concepto de solucin ptima: Teorema: si se ordenan los objetos de forma de decreciente en cuanto a su relacin (utilidad/ponderacin = bi/ci) y se introducen en la mochila enteros en este orden mientras quepan y cuando no quede capacidad para uno entero se aade la porcin que an tenga cabida el resultado al que se llega es una solucin ptima.
Algoritmos genticos
Consisten en mtodos adaptativos de optimizacin que tratan de hallar (xi,...,xn) tales que [Sumatoria (bi*xi) desde i= 1 hasta n] sea mximo. Pueden usarse para resolver problemas de bsqueda y optimizacin. Se basan en el proceso gentico de los organismos vivos, por imitacin de este proceso, los Algoritmos Genticos son capaces de ir creando soluciones
para problemas del mundo real. La evolucin de dichas soluciones hacia valores ptimos del problema depende en buena medida de una adecuada codificacin de las mismas. Para utilizar un algoritmo gentico hacen falta tres elementos: Descripcin de la poblacin de individuos: cada individuo representa una solucin factible a un problema dado. A cada individuo se le asigna un valor puntuacin, relacionado con la bondad de dicha solucin. Funcin de evaluacin (llamada funcin de ajuste): encontrar una expresin matemtica que punte a cada individuo de forma que nuestro ideal sea un mximo o un mnimo. Seleccin o Mecanismos de reproduccin: la funcin de seleccin de padres ms utilizada, es la denominada funcin de seleccin proporcional a la funcin objetivo, en la cual cada individuo tiene una probabilidad de ser seleccionado como padre que es proporcional al valor de su funcin objetivo, es decir, indica que cada objeto de la mochila tendr una probabilidad de ser seleccionado que depender de la relacin que exista entre beneficios y el peso que ocupa El problema de la mochila es definido formalmente como: Se tiene una determinada instancia de KP con un conjunto de objetos N, que consiste de n objetos j con ganancia pj y peso wj, y una capacidad c. (Usualmente, los valores toman numeros enteros positivos). El objetivo es seleccionar un subconjunto de N tal que la ganancia total de esos objetos seleccionados es maximizado y el total de los pesos no excede a c. Reduccion de SUBSET SUM: La entrada de la suma de subconjuntos es dado un conjunto de nmeros enteros {a1, a2, a3, .. , an} y un numero k, la pregunta es .hay un subconjunto de los numero a anadir tal que la suma sea exactamente k? Esto es como un problema de la mochila mediante la introduccion de n objetos en la mochila, cuando el peso y la ganancia tienen un mismo valor aj. Ahora, la suma de subconjuntos tiene respuesta si, si y solo si el problema de la mochila tiene una solucion con valor igual a k. (Dado que el peso y la ganancia son iguales , el knapsack puede lograr un valor k si pueden ser anadidos los objetos por completo).
En el KP se tiene como instancia una lista de N diferentes objetos que consiste de n objetos j y cada objeto tiene una ganancia pj y peso wj. La pregunta es que conjunto de objetos deberia uno elegir para tener un valor total por lo menos k si se tiene una mochila que solamente soporta peso hasta un cierto limite superior . entonces con la restriccion: Se aspira maximizar la utilidad total:
Un problema es fuertemente NP-completo si permanece NP-completo incluso en el caso que toda instancia de tamano n esta restringida a contener enteros de tamano maximo p(n) para algun polinomial p. Un problema fuertemente NP-completo no puede tener algoritmos p seudopolinomiales salvo que si aplica que P sea igual a NP. Los problemas SAT, MAXCUT, TSPD y HAMILTON PATH, por ejemplo, son fuertemente NP-completos, pero KNAPSACK no lo es. En situaciones donde todos los algoritmos conocidos son lentos, vale la pena considerar la posibilidad de usar una solucion aproximada, o sea, una solucion que tiene un valor de la funcion objetivo cerca del valor optimo, pero no necesariamente el optimo mismo. En muchos casos es posible llegar a una solucion aproximada muy rapidamente mientras encontrar la solucion optima puede ser imposiblemente lento. Un algoritmo de aproximacion puede ser determinista o no determinista (Algoritmo aleatorizado). Un algoritmo de aproximacion bien disenado cuenta con un analisis formal que muestra que la diferencia entre su solucion y la solucion optima es de un factor constante (factor de aproximacion). Mejoras al algoritmo:Cuando obtenemos unas solucion aproximada de manera cualquiera a un problema de optimizacion, podemos intentar mejorarla por busqueda local. Solo aplicamos operaciones pequenas y rapidamente realizadas para causar cambios pequenos en la solucion asi que se mantenga factibles y pueda ser que se mejore. Este problema tiene numerosas aplicaciones tales como: La denominada Cutting Stock, en donde hay que cortar una plancha de acero en diferentes piezas. Determinar los articulos que puede almacenar un deposito para maximizar su valor total. Maximizar el beneficio en asignacion de inversiones cuando solo ha y una restriccion.Interes practico: Problemas en los cuales una inversion es proporcional a la suma de lo invertido con una variacion pequena. Cuando se tiene una inversion que genera una mayor ganancia pero tambien tiene un mayor costo. METODO TABU Este mtodo de bsqueda utiliza cierta memoria o conocimiento acerca del dominio para encontrar una buena solucin al problema que se pretende resolver, o una solucin, al menos, cercana a la ptima. El mtodo se deriva del trabajo de Glover [5], y desde su creacin ha recibido numerosas contribuciones y se han desarrollado algunas variantes.
Sea X el dominio de bsqueda relacionado con algn problema y sea x X una posible solucin. Para buscar puntos mejores en X se define, de alguna manera conveniente, la vecindad de un punto cualquiera en X. De esta manera es posible buscar soluciones mejores que x entre sus vecinos, a los que se denotar con N(x). Conforme pasa el tiempo y se va explorando ms el dominio, ser conveniente excluir algunos puntos que se sabe no son buenos (para no buscar en vano). De manera que la vecindad de un punto x cambia con el tiempo, depende de la historia (H) del proceso de bsqueda. As que es conveniente denotar con N(x) slo a la vecindad inicial de x, y con N(H,x) la vecindad de x como funcin de la historia. Algunos puntos que estaban en N(X) y que, al paso del tiempo, resulten no ser buenos candidatos de solucin, sern marcados como tab y no podrn ser alcanzados desde x, es decir, no sern elementos de N(H,x). Tambin, conforme transcurre el tiempo la funcin que evala la conveniencia de cada solucin posible se puede modificar y, en general, se denota con b(H,x). Al principio de la ejecucin del algoritmo es deseable identificar regiones donde se obtienen buenas soluciones y regiones donde se obtienen malas. Esto es posible si se posee suficiente diversidad, es decir, si se procura la exploracin. En etapas tardas del algoritmo es mejor hacer una bsqueda ms intensiva dentro de las regiones buenas para aproximarse al ptimo. Esto es, en general, vlido para varias heursticas. Cuando es costoso determinar qu elementos estn en N(H,x) se selecciona una muestra representativa de la vecindad NC(H,x) N(H,x). En la bsqueda tab la aleatoriedad es, si no ignorada, por lo menos minimizada. Es empleada de manera muy restringida en el entendimiento de que la bsqueda ha de ser un proceso sistemtico. Por supuesto, existe una variante llamada bsqueda tab probabilstica (probabilistic tabu search) en la que, a partir de un elemento x, se selecciona aleatoriamente el vecino que debe ser visitado a continuacin. En general el algoritmo de bsqueda tab es: PROCESS (TAB) begin x = selecc(X) x* = x H= max = b(H,x) calcular (NC(H,x)) elegir x' tal que b(H, x') = max {b(H,y) | y NC(H,x)} repeat x = x' if (b(H,x) > b(x*)) then max = b(H,x)
x* = x endif actualizar(H) actualizar(NC(H,x)) elegir x' tal que b(H, x') = max {b(H,y) | y NC(H,x)} until (cond. termina) return (x*) end Recocido simulado Al igual que el mtodo descrito en la subseccin anterior, el recocido simulado (simulated annealing) es heurstico, y est basado en una analoga con el proceso fsico seguido para obtener slidos con configuraciones de energa mnima. Fue propuesto por primera vez por Metropolis en y usado en optimizacin combinatoria por Kirkpatrick Probablemente el lector sepa que los slidos cristalinos son los materiales ms duros y que esto se debe a que su estructura molecular es muy simtrica, posee mnima energa. En Japn, desde hace milenios los maestros armeros elaboran los famosos sables de guerrero samurai siguiendo un proceso cuyos detalles se transmiten de generacin en generacin. Descrito superficialmente, este proceso consiste en calentar al blanco vivo una hoja de acero, doblarla sobre s misma y golpearla con el martillo hasta que se integren las dos mitades y luego enfriarla sumergindola en agua. Estos pasos: calentar, doblar, golpear y enfriar se repiten decenas de veces y el resultado es una fina hoja de acero con el filo de una navaja de afeitar, pero con una dureza extraordinaria que la hace difcil de mellar. Esto es porque el acero de la hoja, a travs de los mltiples calentamientos y enfriamientos, adquiere una configuracin molecular cuasicristalina, con una muy baja energa. Este mismo proceso es el que se sigue en la fsica de materia condensada para obtener slidos con estados de mnima energa. Se calienta el slido hasta hacerlo lquido y luego se le enfra muy lentamente para que las partculas de ste se acomoden en su estado de mnima energa o en alguno cercano a ste. Si el enfriamiento no se hace cuidadosamente es ms probable que no se alcance el estado de energa mnima. En este caso hay que volver a calentarlo (en general menos que la vez anterior) y volver a enfriarlo con lentitud. El recocido simulado se adapta naturalmente a problemas de minimizacin. Evidentemente, el problema puede modificarse para convertirlo en uno de maximizacin, pero aqu se supondr que se pretende resolver problemas de minimizacin. En trminos muy generales, la simulacin del proceso de recocido en el algoritmo es: 1. Sea Ei la energa actual. Se desplaza un poco una molcula del estado presente. Con esto se cambia su posicin respecto a las dems y se altera la energa del sistema que ahora ser Ei+1 = Ei + d. El valor de d es calculado.
2. Si d < 0 entonces el nuevo estado se acepta y es el nuevo estado actual. Si d 0 entonces el nuevo estado es aceptado con cierta probabilidad dada por: eBT -d K donde T es la temperatura y KB una constante fsica, conocida como constante de Boltzmann. Si conforme transcurre el tiempo se disminuye lentamente la temperatura, entonces el slido alcanza un equilibrio trmico en cada temperatura y la probabilidad de estar en el estado caracterizado por tener energa Ei es: 1 ZT e E KT i B () (I.4.I) donde Z(T) es la funcin de particin definida como: ZTe E KT i i ()=B De I.4.I es fcil ver que es mayor la probabilidad de tener un bajo nivel de energa (Ei pequea, cercana a cero) y que esto es ms difcil mientras menor sea la temperatura. De all que sea importante disminuirla poco a poco. El algoritmo descrito con ms detalle es mostrado a continuacin. En ste, X es el dominio de bsqueda, T0 es la temperatura inicial, N(i) es el conjunto de vecinos de i y E(i) es la energa de la solucin propuesta i. PROCESS (RECOCIDO) begin x = selecc(X) elegir T0 T=T0 repeat for (contador = 0) to L do elegir j N(i) d = E(j)-E(i)
if ((d < 0) OR (aleatorio[0,1) < exp(-d/T))) then i=j endif endfor reducir (T) until (cond. termina) return (i) end Ntese que, a diferencia de la bsqueda tab, el estado actual del proceso en el recocido simulado depende slo de su estado inmediato anterior. Esto ha hecho posible que se haga un anlisis detallado de este mtodo utilizando cadenas de Markov y, de hecho, ha sido probado tericamente que el algoritmo converge asintticamente a la solucin global ptima. El lector interesado en profundizar puede encontrar un anlisis detallado del recocido simulado en [3] y en [11]. Comparaciones Los mtodos de optimizacin presentados aqu son slo una muestra de todos los existentes. El lector se preguntar, cul de ellos es el bueno? En optimizacin, al igual que en muchas otras situaciones de la vida cotidiana, no existe el mtodo. La conveniencia de cada uno depende del problema que se pretende resolver. Si ste involucra una funcin continua y derivable de una sola variable independiente, probablemente los mtodos que se ensean en los cursos de clculo sern suficientes. En cambio, si el problema involucra una funcin muy complicada de decenas de variables independientes, de la que quizs no se conoce la regla de correspondencia, entonces muy probablemente (si no se tiene cierta predisposicin al sufrimiento) se elija uno de los mtodos heursticos. Entre estos dos extremos hay una amplia variedad de problemas y mtodos que se pueden utilizar. Hay mucho de donde escoger. La eleccin debe ir en proporcin al problema. Coloquialmente, no debe usarse un can para matar pulgas, pero tampoco se deben cortar olmos con machete. Hay, eso s, mtodos aplicables a casi cualquier problema, como los heursticos, entre los que se encuentran los algoritmos genticos y otros mtodos que exigen mucho del problema, como los basados en el clculo diferencial. En contraste, el grado de certeza que se puede tener en los resultados va en proporcin inversa a la aplicabilidad. Casi nunca se puede estar completamente seguro de que el resultado entregado por un algoritmo heurstico sea el mximo o mnimo global o cundo se debe detener el proceso de bsqueda. En trminos generales los mtodos presentados aqu poseen las siguientes caractersticas: l Newton: La funcin objetivo debe ser continua, dos veces derivable, con primera derivada continua y cuya segunda derivada no se anule. l bsqueda de Fibonacci: La funcin objetivo debe ser continua y suave (sin saltos violentos). l ascenso de mxima pendiente: La funcin objetivo debe ser continua y derivable. Calcular el
gradiente puede no ser fcil.l simplex: La funcin a optimizar debe ser lineal as como sus restricciones. Al ejecutarlo en computadora la exactitud del resultado depende de la estabilidad numrica de la matriz asociada.l mtodos heursticos: El problema general en estos mtodos es determinar a priori los valores de los parmetros de operacin del algoritmo, por ejemplo: cmo establecer la dependencia entre la vecindad y la historia en bsqueda tab, cmo ir modificando con el tiempo la temperatura en recocido simulado o qu valor asignarle a la probabilidad de mutacin en un algoritmo gentico. La intencin de esta seccin ha sido presentar un panorama general de las alternativas a los algoritmos genticos que existen en el rea de la optimizacin, en el entendimiento de que no existe el mejor mtodo de optimizacin en general. Ante un problema se debe decidir, con base en sus caractersticas, cul mtodo ser el ms adecuado. No es vlido tratar de resolver todos los problemas de una sola manera. En el otro campo de aplicabilidad de los algoritmos genticos, la inteligencia artificial, concretamente en el aprendizaje de mquina, ocurre algo similar. No todos los problemas se pueden resolver de la mejor manera con un sistema experto, con una red neuronal o con un algoritmo gentico. Seguramente sera ms fcil resolver algunos problemas si se utilizara alguna herramienta no usada hasta ahora, o mejor an, una combinacin de herramientas. ALGORITMOS GENETICOS
Un algoritmo es una serie de pasos organizados que describe el proceso que se debe seguir, para dar solucin a un problema especfico. En los aos 1970, de la mano de John Henry Holland, surgi una de las lneas ms prometedoras de la inteligencia artificial, la de los algoritmos genticos.1 Son llamados as porque se inspiran en la evolucin biolgica y su base gentico-molecular. Estos algoritmos hacen evolucionar una poblacin de individuos sometindola a acciones aleatorias semejantes a las que actan en la evolucin biolgica (mutaciones y recombinaciones genticas), as como tambin a una Seleccin de acuerdo con algn criterio, en funcin del cual se decide cules son los individuos ms adaptados, que sobreviven, y cules los menos aptos, que son descartados. Es incluido dentro de los algoritmos evolutivos, que incluyen tambin las estrategias evolutivas, la programacin evolutiva y la programacin gentica. Dentro de esta ltima se han logrado avances curiosos: Un algoritmo gentico es un mtodo de bsqueda dirigida basada en probabilidad. Bajo una condicin muy dbil (que el algoritmo mantenga elitismo, es decir, guarde siempre al mejor elemento de la poblacin sin hacerle ningn cambio) se puede demostrar que el algoritmo converge en probabilidad al ptimo. En otras palabras, al aumentar el nmero de iteraciones, la probabilidad de tener el ptimo en la poblacin tiende a 1 (uno).
Funcionamiento Los algoritmos entre el conjunto de soluciones de un problema, llamado fenotipo, y el conjunto de individuos de una poblacin natural, codificando la informacin de cada solucin en una cadena, generalmente binaria, llamada cromosoma. Los smbolos que forman la cadena son llamados los genes. Cuando la representacin de los cromosomas se hace con cadenas de dgitos binarios se le conoce como genotipo. Los cromosomas evolucionan a travs de iteraciones, llamadas generaciones. En cada generacin, los cromosomas son evaluados usando alguna medida de aptitud. Las siguientes generaciones (nuevos cromosomas), operadores genticos, de sobre cruzamiento y de mutacin. Cundo usar estos algoritmos Los algoritmos genticos son de probada eficacia en caso de querer calcular funciones no derivables (o de derivacin muy compleja) aunque su uso es posible con cualquier funcin. Deben tenerse en cuenta tambin las siguientes consideraciones:
Si la funcin a optimizar tiene muchos mximos/mnimos locales se requerirn ms iteraciones del algoritmo para "asegurar" el mximo/mnimo global. Si la funcin a optimizar contiene varios puntos muy cercanos en valor al ptimo, solamente podemos "asegurar" que encontraremos uno de ellos (no necesariamente el ptimo).
Funcionamiento de un algoritmo gentico bsico Un algoritmo gentico puede presentar diversas variaciones, dependiendo de cmo se aplican los operadores genticos (cruzamiento, mutacin), de cmo se realiza la seleccin y de cmo se decide el reemplazo de los individuos para formar la nueva poblacin. En general, el pseudocdigo consiste de los siguientes pasos:
Algoritmo gentico i: inicializacin, f(X): evaluacin, ?: condicin de trmino, Se: seleccin, Cr: cruzamiento, Mu: mutacin, Re: reemplazo, X*: mejor solucin.
Inicializacin: Se genera aleatoriamente la poblacin inicial, que est constituida por un conjunto de cromosomas los cuales representan las posibles soluciones del problema. En caso de no hacerlo aleatoriamente, es importante garantizar que dentro de la poblacin inicial, se tenga la diversidad estructural de estas soluciones para tener una representacin de la mayor parte de la poblacin posible o al menos evitar la convergencia prematura. Evaluacin: A cada uno de los cromosomas de esta poblacin se aplicar la funcin de aptitud para saber cmo de "buena" es la solucin que se est codificando. Condicin de trmino El AG se deber detener cuando se alcance la solucin ptima, pero sta generalmente se desconoce, por lo que se deben utilizar otros criterios de detencin. Normalmente se usan dos criterios: correr el AG un nmero mximo de iteraciones (generaciones) o detenerlo cuando no haya cambios en la poblacin. Mientras no se cumpla la condicin de trmino se hace lo siguiente: o Seleccin Despus de saber la aptitud de cada cromosoma se procede a elegir los cromosomas que sern cruzados en la siguiente generacin. Los cromosomas con mejor aptitud tienen mayor probabilidad de ser seleccionados. o Recombinacin o Cruzamiento La recombinacin es el principal operador gentico, representa la reproduccin sexual, opera sobre dos cromosomas a la vez para generar dos descendientes donde se combinan las caractersticas de ambos cromosomas padres. o Mutacin modifica al azar parte del cromosoma de los individuos, y permite alcanzar zonas del espacio de bsqueda que no estaban cubiertas por los individuos de la poblacin actual. o Reemplazo una vez aplicados los operadores genticos, se seleccionan los mejores individuos para conformar la poblacin de la generacin siguiente
REDES NEURONALES
Las redes de neuronas artificiales (denominadas habitualmente como RNA o en ingls como: "ANN"1 ) son un paradigma de aprendizaje y procesamiento automtico inspirado en la forma en que funciona el sistema nervioso de los animales. Se trata de un sistema de interconexin de neuronas que colaboran entre s para producir un estmulo de salida. En inteligencia artificial es frecuente referirse a ellas como redes de neuronas o redes neuronales.
Propiedades [editar]
Perceptrn con 2 entradas. Una red neuronal se compone de unidades llamadas neuronas. Cada neurona recibe una serie de entradas a travs de interconexiones y emite una salida. Esta salida viene dada por tres funciones: 1. Una funcin de propagacin (tambin conocida como funcin de excitacin), que por lo general consiste en el sumatorio de cada entrada multiplicada por el peso de su interconexin (valor neto). Si el peso es positivo, la conexin se denomina excitatoria; si es negativo, se denomina inhibitoria. 2. Una funcin de activacin, que modifica a la anterior. Puede no existir, siendo en este caso la salida la misma funcin de propagacin. 3. Una funcin de transferencia, que se aplica al valor devuelto por la funcin de activacin. Se utiliza para acotar la salida de la neurona y generalmente viene dada por la interpretacin que queramos darle a dichas salidas. Algunas de las ms utilizadas son la funcin sigmoidea (para obtener valores en el intervalo [0,1]) y la tangente hiperblica (para obtener valores en el intervalo [-1,1]). Diseo y programacin de una RNA (red neuronal artificial) Con un paradigma convencional de programacin en ingeniera del software, el objetivo del programador es modelar matemticamente (con distintos grados de formalismo) el problema en cuestin y posteriormente formular una solucin (programa) mediante un algoritmo codificado que tenga una serie de propiedades que permitan resolver dicho problema. En contraposicin, la aproximacin basada en las RNA parte de un conjunto de datos de entrada suficientemente significativo y el objetivo es conseguir que la red aprenda automticamente las propiedades deseadas. En este sentido, el diseo de la red tiene menos que ver con cuestiones como los flujos de datos y la deteccin de condiciones, y ms que ver con cuestiones tales como la seleccin del modelo de red, la de las variables a incorporar y el preprocesamiento de la informacin que formar el conjunto de entrenamiento. Asimismo, el proceso por el que los parmetros de la red se
adecuan a la resolucin de cada problema no se denomina genricamente programacin sino que se suele denominar entrenamiento neuronal. Por ejemplo en una red que se va a aplicar al diagnstico de imgenes mdicas; durante la fase de entrenamiento el sistema recibe imgenes de tejidos que se sabe son cancergenos y tejidos que se sabe son sanos, as como las respectivas clasificaciones de dichas imgenes. Si el entrenamiento es el adecuado, una vez concluido, el sistema podr recibir imgenes de tejidos no clasificados y obtener su clasificacin sano/no sano con un buen grado de seguridad. Las variables de entrada pueden ser desde los puntos individuales de cada imagen hasta un vector de caractersticas de las mismas que se puedan incorporar al sistema (por ejemplo, procedencia anatmica del tejido de la imagen o la edad del paciente al que se le extrajo la muestra). Estructura La mayora de los cientficos coinciden en que una RNA es muy diferente en trminos de estructura de un cerebro animal. Al igual que el cerebro, una RNA se compone de un conjunto masivamente paralelo de unidades de proceso muy simples y es en las conexiones entre estas unidades donde reside la inteligencia de la red. Sin embargo, en trminos de escala, un cerebro es muchsimo mayor que cualquier RNA creada hasta la actualidad, y las neuronas artificiales tambin son ms simples que su contrapartida animal. Biolgicamente, un cerebro aprende mediante la reorganizacin de las conexiones sinpticas entre las neuronas que lo componen. De la misma manera, las RNA tienen un gran nmero de procesadores virtuales interconectados que de forma simplificada simulan la funcionalidad de las neuronas biolgicas. En esta simulacin, la reorganizacin de las conexiones sinpticas biolgicas se modela mediante un mecanismo de pesos, que son ajustados durante la fase de aprendizaje. En una RNA entrenada, el conjunto de los pesos determina el conocimiento de esa RNA y tiene la propiedad de resolver el problema para el que la RNA ha sido entrenada. Por otra parte, en una RNA, adems de los pesos y las conexiones, cada neurona tiene asociada una funcin matemtica denominada funcin de transferencia. Dicha funcin genera la seal de salida de la neurona a partir de las seales de entrada. La entrada de la funcin es la suma de todas las seales de entrada por el peso asociado a la conexin de entrada de la seal. Algunos ejemplos de entradas son la funcin escaln de Heaviside, la lineal o mixta, la sigmoide y la funcin gaussiana, recordando que la funcin de transferencia es la relacin entre la seal de salida y la entrada.
Ventajas Las redes neuronales artificiales (RNA) tienen muchas ventajas debido a que estn basadas en la estructura del sistema nervioso, principalmente el cerebro.
Aprendizaje: Las RNA tienen la habilidad de aprender mediante una etapa que se llama etapa de aprendizaje. Esta consiste en proporcionar a la RNA datos como entrada a su vez que se le indica cul es la salida (respuesta) esperada. Auto organizacin: Una RNA crea su propia representacin de la informacin en su interior, descargando al usuario de esto. Tolerancia a fallos: Debido a que una RNA almacena la informacin de forma redundante, sta puede seguir respondiendo de manera aceptable aun si se daa parcialmente. Flexibilidad: Una RNA puede manejar cambios no importantes en la informacin de entrada, como seales con ruido u otros cambios en la entrada (por ejemplo si la informacin de entrada es la imagen de un objeto, la respuesta correspondiente no sufre cambios si la imagen cambia un poco su brillo o el objeto cambia ligeramente). Tiempo real: La estructura de una RNA es paralela, por lo cual si esto es implementado con computadoras o en dispositivos electrnicos especiales, se pueden obtener respuestas en tiempo real.
Tipologa de las RNA Modelos Existe una serie de modelos que aparecen en la mayora de estudios acadmicos y la bibliografa especializada.

Perceptrn Adaline Perceptrn multicapa Memorias asociativas Mquina de Boltzmann Mquina de Cauchy Propagacin hacia atrs (backpropagation) Redes de Elman Redes de Hopfield Red de contrapropagacin Redes de neuronas de base radial Redes de neuronas de aprendizaje competitivo Mapas Autoorganizados (RNA) (Redes de Kohonen) Crecimiento dinmico de clulas Gas Neuronal Creciente Redes ART (Adaptative Resonance Theory)
Topologa Una primera clasificacin de las redes de neuronas artificiales que se suele hacer es en funcin del patrn de conexiones que presenta. As se definen tres tipos bsicos de redes:
Dos tipos de redes de propagacin hacia delante o acclicas en las que todas las seales van desde la capa de entrada hacia la salida sin existir ciclos, ni conexiones entre neuronas de la misma capa de red neuronal y su clasificacin. o Monocapa. Ejemplos: perceptrn, Adaline. o Multicapa. Ejemplos: perceptrn multicapa. Las redes recurrentes que presentan al menos un ciclo cerrado de activacin neuronal. Ejemplos: Elman, Hopfield, mquina de Boltzmann.
Aprendizaje Una segunda clasificacin que se suele hacer es en funcin del tipo de aprendizaje de que es capaz (si necesita o no un conjunto de entrenamiento supervisado). Para cada tipo de aprendizaje encontramos varios modelos propuestos por diferentes autores:
Aprendizaje supervisado: necesitan un conjunto de datos de entrada previamente clasificado o cuya respuesta objetivo se conoce. Ejemplos de este tipo de redes son: el perceptrn simple, la red Adaline, el perceptrn multicapa, red backpropagation, y la memoria asociativa bidireccional. Aprendizaje no supervisado o autoorganizado: no necesitan de tal conjunto previo. Ejemplos de este tipo de redes son: las memorias asociativas, las redes de Hopfield, la mquina de Boltzmann y la mquina de Cauchy, las redes de aprendizaje competitivo, las redes de Kohonen o mapas autoorganizados y las redes de resonancia adaptativa (ART). Redes hbridas: son un enfoque mixto en el que se utiliza una funcin de mejora para facilitar la convergencia. Un ejemplo de este ltimo tipo son las redes de base radial. Aprendizaje reforzado: se sita a medio camino entre el supervisado y el autoorganizado.
Tipo de entrada Finalmente tambin se pueden clasificar las RNAs segn sean capaces de procesar informacin de distinto tipo en:
Redes analgicas: procesan datos de entrada con valores continuos y, habitualmente, acotados. Ejemplos de este tipo de redes son: Hopfield, Kohonen y las redes de aprendizaje competitivo. Redes discretas: procesan datos de entrada de naturaleza discreta; habitualmente valores lgicos booleanos. Ejemplos de este segundo tipo de
redes son: las mquinas de Boltzmann y Cauchy, y la red discreta de Hopfield. Aplicaciones Las caractersticas de las RNA las hacen bastante apropiadas para aplicaciones en las que no se dispone a priori de un modelo identificable que pueda ser programado, pero se dispone de un conjunto bsico de ejemplos de entrada (previamente clasificados o no). Asimismo, son altamente robustas tanto al ruido como a la disfuncin de elementos concretos y son fcilmente paralelizables. Esto incluye problemas de clasificacin y reconocimiento de patrones de voz, imgenes, seales, etc. Asimismo se han utilizado para encontrar patrones de fraude econmico, hacer predicciones en el mercado financiero, hacer predicciones de tiempo atmosfrico, etc. Tambin se pueden utilizar cuando no existen modelos matemticos precisos o algoritmos con complejidad razonable, por ejemplo la red de Kohonen ha sido aplicada con un xito ms que razonable al clsico problema del viajante (un problema para el que no se conoce solucin algortmica de complejidad polinmica). Otro tipo especial de redes neuronales artificiales se ha aplicado en conjuncin con los algoritmos genticos (AG) para crear controladores para robots. La disciplina que trata la evolucin de redes neuronales mediante algoritmos genticos se denomina Robtica Evolutiva. En este tipo de aplicacin el genoma del AG lo constituyen los parmetros de la red (topologa, algoritmo de aprendizaje, funciones de activacin, etc.) y la adecuacin de la red viene dada por la adecuacin del comportamiento exhibido por el robot controlado (normalmente una simulacin de dicho comportamiento). Ejemplos Quake II Neuralbot Un bot es un programa que simula a un jugador humano. El Neuralbot es un bot para el juego Quake II que utiliza una red neuronal artificial para decidir su comportamiento y un algoritmo gentico para el aprendizaje. Es muy fcil probarlo para ver su evolucin. Ms informacin aqu [1] Clasificador No Sesgado de Protenas Es un programa que combina diversas tcnicas computacionales con el objetivo de clasificar familias de protenas. Un posible mtodo consiste en utilizar mtricas adaptativas como por ejemplo: mapas autoorganizados y algoritmos genticos.
El problema de clasificacin no sesgada basada en la expresin de las protenas en Aminocidos puede reducirse, conceptualmente, a lo siguiente:

La identificacin de grupos de protenas que compartan caractersticas comunes. La determinacin de las razones estructurales por las cuales las protenas en cuestin se agrupan de la manera indicada. Evitar la idea de establecer criterios de clasificacin (sesgados) fundamentados en ideas preconcebidas para lograr su clasificacin. En este sentido, hay dos asuntos que considerar: o Cmo lograr la caracterizacin de las protenas de manera no sesgada o Cmo lograr lo anterior sin apelar a medidas de agrupamiento que, a su vez, impliquen algn tipo de sesgo sobre dicho agrupamiento.
Las RNA han sido aplicadas a un nmero en aumento de problemas en la vida real y de considerable complejidad, donde su mayor ventaja es en la solucin de problemas que son bastante complejos para la tecnologa actual, tratndose de problemas que no tienen una solucin algortmica o cuya solucin algortmica es demasiado compleja para ser encontrada. En general, debido a que son parecidas al las del cerebro humano, las RNA son bien nombradas ya que son buenas para resolver problemas que el humano puede resolver pero las computadoras no. Estos problemas incluyen el reconocimiento de patrones y la prediccin del tiempo. De cualquier forma, el humano tiene capacidad para el reconocimiento de patrones, pero la capacidad de las redes neuronales no se ve afectada por la fatiga, condiciones de trabajo, estado emocional, y compensaciones. Se conocen cinco aplicaciones tecnolgicas extendidas: 1. 2. 3. 4. 5. Reconocimiento de textos manuscritos Reconocimiento del habla Simulacin de centrales de produccin de energa Deteccin de explosivos Identificacin de blancos de radares
EJERCICIO DE KOSTER Koster Express es una empresa de transportacin en Oklahoma (USA), la cual proporciona un servicio organizado a travs de un subsistema de distribucion, un grupo de terminales y un subsistema de transportacin de largo trayecto. Gianpaolo Ghiani, et. al (2003). La distribucin del subsistema usa camiones que cargan mercanca de salida de 1:00 p.m. a 7:00 p.m. y reciben productos de 9:00 a.m. a 1:00 p.m. Las terminales son equipadas en reas donde las mercancas de salida son colectadas y consolidadas en pallets, y en donde las mercancas de entrada son abiertas, clasificadas y dirigidas a su destino. Sus camiones
tienen una capacidad de 14 a 18 pallets; es decir aproximadamente de 0.8 a 1 tonelada. Koster Express tiene 9 terminales en: Ardmore, Bartlesville, Duncan, Enid, Lawton, Muskogee, Oklahoma City, Ponca City y Tulsa, entre las cuales existe un subsistema de transportacin de largo trayecto.Los productos que vienen de Enid y destinados a Oklahoma City son trados de Tulsa, donde son enviados al centro de Duncan junto con los productos que vienen de Ponca City, Muskogee, Bartlesville y Tulsa respectivamente, y finalmente son enviados a Oklahoma City. Los productos que estn destinados a Lawton viniendo de Ardmore son enviados a Duncan, mantenidos en ese centro, hasta la llegada de los camiones que vienen de Tulsa, a su llegada, se envan a Lawton junto con los productos que vienen de las otras terminales. Por crecimiento la empresa ofreci la apertura de nuevas terminales en Altus, Edmond y Stillwater, adems de la relocalizacin de los dos centros anteriores (Duncan y Tulsa). Las distancias de los centros de distribucin a las terminales se muestran en las tablas 4.1 y 4.2. El objetivo, con la apertura de estas nuevas terminales, es tratar de reducir costos de transportacin logsticos de ida y vuelta entre dos centros. Para la solucin de este problema ser necesario formularlo a travs del problema de localizacin de P-Mediana.
Minimizar
c
iV1 jV2
ij
xij
Sujeto a
iV1
ij
1,
j V 2
jV2
xij V 2 yi , i V 1
iV1
y 2
i
xij 0,1, yi 0,1,
i V 1, i V 1,
j V 2,
Donde V1=V2 representan el conjunto de terminales antiguos y nuevos; yi, i V 1, es una variable de decisin binaria cuyo valor es igual a 1 si la terminal tiene capacidad para un centro y 0 en caso contrario; xij , i V 1, j V 2, es una variable de decisin binaria cuyo valor es igual a 1 si el centro ubicado en la terminal sirve de terminal y 0 en caso contrario, sin embargo debido a la estructura particular de las restricciones del problema, las variables no pueden ser fraccionadas ni
mayor que 1, por lo tanto pueden ser remplazadas con
xij 0
i V 1, j V 2. Dado que los
productos de entrada y salida todos los das desde cada terminal puede ser transferido por un solo camin con una capacidad de 14 pallets, los costos de transporte todos los das (en dlares) entre un par de terminales, i V1, V2 j est dada por Cij = 2 x 0.74 x lij, donde 0.74 es el costo de transporte (en dlares por milla), y lij es la distancia (en millas) entre los terminales(ver tabla 4.1 y 4.2).
Tabla4.1. Distances (in miles) between terminals in the Koster Express problem (Part I)
Altus Ardmore Bartlesville Duncan Edmond Enid Lawton Muskogee Oklahoma City Ponca City Stillwater Tulsa
Altus Ardmore Bartlesville Duncan Edmond Enid 0.0 169.8 291.8 88.2 153.9 208.2 169.8 0.0 248.6 75.9 112.5 199.0 291.8 248.6 0.0 231.5 146.0 132.4 88.2 75.9 231.5 0.0 93.5 137.5 153.9 112.5 146.0 93.5 0.0 88.8 208.2 199.0 132.4 137.5 88.8 0.0 54.2 115.8 238.7 34.1 100.7 145.0 274.2 230.4 92.2 231.5 147.5 166.4 141.1 100.5 151.4 80.9 14.4 87.6 245.0 202.2 70.2 184.8 91.9 64.5 209.2 162.6 115.0 145.3 53.0 65.8 248.0 204.6 45.6 187.8 102.2 118.4
Tabla4.2. Distances (in miles) between terminals in the Koster Express problem (Part II)
Lawton Muskogee Oklahoma City Ponca City Stillwater Tulsa Altus 54.2 274.2 141.1 245.0 209.2 248.0 Ardmore 115.8 230.0 100.5 202.2 162.6 204.6 Bartlesville 238.7 92.2 151.4 70.2 115.0 45.6 Duncan 34.1 231.5 80.9 184.8 145.3 187.8 Edmond 100.7 145.7 14.4 91.9 53.0 102.2 Enid 145.0 166.4 87.6 64.5 65.8 118.4 Lawton 0.0 220.6 88.0 191.9 152.5 194.9 Muskogee 220.6 0.0 140.4 142.5 119.2 48.1 Oklahoma City 88.0 140.4 0.0 104.7 66.6 107.6 Ponca City 191.9 142.5 104.7 0.0 41.9 96.5 Stillwater 152.5 119.2 66.6 41.9 0.0 71.2 Tulsa 194.9 48.1 107.6 96.5 71.2 0.0
4.1.1 Aplicacin del modelo propuesto. Originalmente el problema fue solucionado como un modelo matemtico determinstico de la P-mediana, programado y corrido en el software Lingo Versin 10 obtenindose los resultados siguientes: 1. Centro de Distribucin1 (Duncan): va a atender a Altus, Duncan, Ardmore y Lawton; 2. Centro de Distribucin2 (Stillwater): va a atender a Bartlesville, Edmond, Enid, Muskogee, Oklahoma City, Ponca City, Stillwater y Tulsa .Con un costo de 1081,732.00 USD. Anexo 1
SOLUCION KOSTER EXPRESS Min = 251.304*x12 + 431.864*x13 + 130.536*x14 + 227.772*x15 + 308.136*x16 + 80.216*x17 + 405 .816*x18 + 208.828*x19 + 362.6*x110 + 309.616*x111 + 367.04*x112 + 251.304*x21 + 367.928*x23 + 112.332*x24 + 166.5*x25 +294.52*x26 + 171.384*x27 + 340.992*x28 + 148.74*x29 + 299.256*x210 + 240.648*x211 + 302.808*x212 + 431.864*x31 + 367.928*x32 + 342.62*x34 +216.08*x35 + 195.952*x36 + 353.276*x37 + 138.456*x38 + 224.072*x39 + 103.896*x310 + 170.2*x311 + 67.488*x312 + 130.536*x41 + 112.332*x42 + 342.62*x43 + 138.38*x45 + +203.5*x46 + 50.468*x47 + 315.99*x48 + 119.732*x49 + 273.504*x410 + 215.044*x411 + 277.944*x412 + 227.772*x51 + 166.5*x52 + 216.08*x53 + 138.38*x54 + 131.424*x56 + 149.036*x57 + 215.636*x58 + 21.312*x59 + 136.012*x510 + 78.44*x511 + 151.256*x512 + 308.136*x61 + 294.52*x62 + 195.952*x63 + 203.5*x64 + 131.424*x65 + 214.6*x67 + 246.272*x68 + 129.648*x69 + 95.46*x610 + 97.384*x611 + 175.232*x612 + 80.216*x71 + 171.384*x72 + 353.276*x73 + 50.468*x74 + 149.036*x75 + 214.6*x76 + 326.488*x78 + 130.24*x779 + 284.012*x710 + 225.7*x711 + 288.452*x712 + 405.816*x81 + 340.992*x82 + 136.456*x83 + 315.98*x84 + 215.636*x85 + 246.272*x86 + 326.488*x87 + 207.792*x89 + 210.9*x810 + 176.416*x811 + 71.188*x812 + 208.828*x91 + 148.74*x92 + 224.072*x93 + 119.732*x94 + 21.312*x95 + 129.648*x96 + 130.24*x97 + 207.792*x98 + 154.956*x910 + 98.568*x911 + 159.248*x912 + 362.6*x101 + 299.256*x102 + 103.896*x103 + 273.504*x104 + 136.012*x105 + 95.46*x106 + 284.012*x107 + 210.9*x108 + 154.956* x109 + 62.012*x1011 + 142.82*x1012 + 309.616*x1101 + 240.648*x1102 + 170.2*x1103
+ 215.004*x1104 + 78.44*x1105 + 97.384*x1106 + 225.7*x1107 + 176.416*x1108 + 98.568*x1109 + 62.012*x1110 + 105.376*x1112 + 367.04*x1201 + 302.808*x1202 + 67.488*x1203 + 277.944*x1204 + 151.256*1205 + 175.232*x1206 + 288.452*x1207 + 71.188*x1208 + 159.248*x1209 + 142.82*x1210 + 105.376*x1211; ! Sujeto a; X11 -x12 -x13 -x14 -x15 -x16 -x17 -x18 -x19 -x110 -x111 -x112 = 1; X21 -x22 -x23 -x24 -x25 -x26 -x27 -x28 -x29 -x210 -x211 -x212 = 1; X31 +x32 +x33 +x34 +x35 +x36 +x37 +x38 +x39 +x310 +x311 +x312 = 1; X41 +x42 +x43 +x44 +x45 +x46 +x47 +x48 +x49 +x410 +x411 +x412 = 1; X51 +x52 +x53 +x54 +x55 +x56 +x57 +x58 +x59 +x510 +x511 +x512 = 1; X61 +x62 +x63 +x64 +x65 +x66 +x67 +x68 +x69 +x6 10 +x611 +x612 = 1; X71 +x72 +x73 +x74 +x75 +x76 +x77 +x78 +x79 +x710 +x711 +x712 = 1; X81 +x82 +x83 +x84 +x85 +x86 +x87 +x88 +x89 +x810 +x811 +x812 = 1; X91 +x92 +x93 +x94 +x95 +x96 +x97 +x98 +x99 +x910 +x911 +x912 = 1; X101 +x102 +x103 +x104 +x105 +x106 +x107 +x108 x109 +x1010 +x1011 +x1012 = 1; X1101 +x1102 +x1103 +x1104 +x1105 +x1106 +x1107 +x1108 +x1109 +x1110 +x1111 +1112 = 1; X1201 +x1202 +x1203 +x1204 +x1205 +x1206 +x1207 +x1208 +x1209 +x1210 +x1211 +x1212 = 1; X11 +x22 +x33 +x44 +x55 +x66 +x77 +x88 +x99 +x1010 +x1111 +x1212 =2, ! Ubicaciones; ! Convierte a Binario; @BIN (x11); @BIN(x12); @BIN(x13); @BIN(x14); @BIN(x15); @BIN(x16); @BIN(x17); @BIN (x18); @BIN(x19); @BIN(x110); @BIN(x111); @BIN(x112); @BIN(x21); @BIN(x22); @BIN (x23); @BIN(x24); @BIN(x25); @BIN(x26); @BIN(x27); @BIN(x28); @BIN(x29); @BIN (x210); @BIN(x211); @BIN(x212);
@BIN(x31); @BIN(x32); @BIN(x33); @BIN(x34); @BIN (x35); @BIN(x36); @BIN(x37); @BIN(x38); @BIN(x39); @BIN(x310); @BIN(x311); @BIN (x312); @BIN(x41); @BIN(x42); @BIN(x43); @BIN(x44); @BIN(x45); @BIN(x46); @BIN (x47); @BIN(x48); @BIN(x49); @BIN(x410); @BIN(x411); @BIN(x412); @BIN(x51); @BIN (x52); @BIN(x53); @BIN(x54); @BIN(x55); @BIN(x56); @BIN(x57); @BIN(x58); @BIN (x59); @BIN(x510); @BIN(x511); @BIN(x512); @BIN(x61); @BIN(x62); @BIN(x63); @BIN (x64); @BIN(x65); @BIN(x66); @BIN(x67); @BIN(x68); @BIN(x69); @BIN(x610); @BIN (x611); @BIN(x612); @BIN(71);@BIN(72); @BIN(73); @BIN(74); @BIN(75;@BIN(76); @BIN(77); @BIN(78); @ BIN(79); @ BIN(710); @ BIN(712); @BIN(81);@BIN(82); @BIN(83); @ BIN(84); @BIN(85); @BIN(86); @BIN(87); @BIN(88); @BIN(89); @BIN (810); @BIN(811); @BIN(812); @BIN((91); @BIN(92); @ BIN(93); @BIN(94); @ BIN(95); @ BIN(96); @BIN(97); @BIN(98); @ BIN(99); @BIN(910); @BIN(911); @BIN(912); @BIN(101); @ BIN(102); @BIN(103); @ BIN(104); @BIN(105); @BIN(106); @BIN(107); @BIN(108); @BIN(109); @BIN(1010); @BIN(1011); @BIN(1012); @BIN(1101); @BIN(1102); @BIN(1103); @ BIN(1104); @BIN(1105); @ BIN(1106); @BIN(1107); @BIN(1108); @ BIN(1109); @BIN(1110); @BIN(1111); @BIN(1112); @BIN(1201); @BIN(1202); @ BIN(1203); @ BIN(1204); @BIN(1205); @BIN(1206); @BIN(1207); @BIN(1208); @BIN(1209); @BIN(1210); @ BIN(1211); @BIN(1212);
EJEMPLO DE RED LOGISTICA
Red de 5 orgenes; 10 destinos Una Empresa De Muebles
Los Monterrey Mazatln S.L.P Tampico Xalapa Acapulco Tuxtla Cd. Cancn Capac Mochis Carmen rida 4 10 4 8 12 11 2 9 4 5 700 axaca 5 8 9 3 5 6 4 11 12 9 200 xico 3 6 6 10 8 3 13 7 6 13 150 dalajara 6 5 3 4 7 4 5 2 7 3 100 orren 3 2 11 5 3 10 10 5 8 6 300
manda
150
200
300
500
170
250
650
210
300
130
Variables de decisin X11: Mer-Mochis X21: Oax-Mochis X51: Tor-Mochis X12: Mer-Monte X22: Oax-Monte X52: Tor-Monte X13: Mer-Mazat X23: Oax-Mazat X53: Tor-Mazat X14: Mer-S.L.P X24: Oax-S.L.P X54: Tor-S.L.P X15: Mer-Tamp X25: Oax-Tamp X55: Tor-Tamp X16: Mer-Xalap X26: Oax-Xalap X56: Tor-Xalap X17: Mer-Acap X27: Oax-Acap X57: Tor-Acap X18: Mer-Tuxt X28: Oax-Tuxt X58: Tor-Tuxt X19: Mer-Carm X29: Oax-Carm X59: Tor-Carm X110: Mer-Can X210: Oax-Can X510: Tor-Can Funcin Objetivo: X31: Mx-Mochis X32: Mx-Monte X33: Mx-Mazat X34: Mx-S.L.P X35: Mx-Tamp X36: Mx-Xalap X37: Mx-Acap X38: Mx-Tuxt X39: Mx-Carm X310: Mx-Can X41: Gua-Mochis X42: Gua-Monte X43: Gua-Mazat X44: Gua-S.L.P X45: Gua-Tamp X46: Gua-Xalap X47: Gua-Acap X48: Gua-Tuxt X49: Gua-Carm X410: Gua-Can
Min Z = 4x11+10x12+4x13+8x14+12x15+11x16+2x17+9x18+4x19+4x110+5x21+8x22+9x23+3x24+5x25+ 6x26+4x27+11x28+12x29+9x210+3x31+6x32+6x33+10x34+8x35+3x36+13x37+7x38+6x39+13x3 10+6x41+5x42+3x43+4x44+7x45+4x46+5x47+2x48+7x49+3x410+3x51+2x52+11x53+5x54+3x 55+10x56+10x57+5x58+8x59+6x510
S.a.
4x11+10x12+4x13+8x14+12x15+11x16+2x17+9x18+4x19+5x110 700 5x21+8x22+9x23+3x24+5x25+6x26+4x27+11x28+12x29+9x210 2000 3x31+6x32+6x33+10x34+8x35+3x36+13x37+7x38+6x39+13x310 1500 6x41+5x42+3x43+4x44 +7x45+4x46 +5x47 +2x48+7x49 +3x410 1000 3x51+2x52+11x53+5x54+3x55+10x56+10x57+5x58+8x59+6x510 3000 IMAGEN DE LAS RUTAS
EJEMPLO DE RED LOGISTICA RED DE 1 ORIGEN, 5 DESTINOS EMPRESA DE REPARTO
Apizaco Huamantla Panotla Chiautzingo Calpulalpan Capacidad
Tlaxcala Demanda
200 50
450 100
300 150
1000 500
500 250
10000
Variables de decisin X11: Tlaxcala-Apizaco X12: Tlaxcala-Huamantla X13: Tlaxcala-Panotla X14: Tlaxcala-Chiautzingo X15: Tlaxcala-Calpulalpan Funcin Objetivo
Max Z = 200x11+450x12+300x13+100x14+500x15
S.a. 200x11+450x12+300x13+1000x14+500x15 10000 IMAGEN DE LAS RUTAS
EJEMPLO DE RED LOGSTICA
Destino/ Origen
Mexico
Texcoco de mora
Veracruz
Puebla
Apizaco
Tlaxcala Zacatelco Santa ana chiahutempan Contla Zacualpan Ixtacuixtla San martin Villa alta
834km 130km 120km
645km 35.7km 103km
287km 389km 282km
303km 125km 36km
100km 120km 36km
130km 836km 34.2 km 95.5 km 40.1km
101km 107km 88.5km 85.1km 82.8km
275km 107km 88.5km 308km 312km
40 km 32km 47.3km 39.3km 43km
14km 28.8km 34.2km 40.1km 39.1km
La ruta que se suguiere es mexico 121 la ruta de menor costo son es:
Ixtacuixtla San martin Villa alta 863km 855km 857km
I.7 REFERENCIAS [1] Bunday, B. D., Basic Optimization Methods, Edward Arnold Publishers, 1984. [2] Chvtal, V., Linear Programming, Freeman, 1983. [3] Downsland, Kathryn, Simulated Annealing, en Modern Heuristic Techniques for Combinatorial Optimization Problems, editado por Colin R. Reeves, John Wiley & Sons, 1993, pp. 20-69. [4] Glover, F. y M. Laguna, Tabu Search, Kluwer Academic Publishing, 1997. [5] Glover, F., Future Paths for Integer Programming and Links to Artificial Intelligence, Computers and Operations Research, No. 5, 1986, pp. 553-549. [6] Goldberg, D., Genetic Algorithms in Search, Optimization and Machine Learning, Addison Wesley, 1989. [7] Holland, J. H., Adaptation in Natural and Artificial Systems, 2a ed., MIT Press, 1992. [8] Kirkpatrick, S., C. Gelatt y M. Vecchi, Optimiztion by Simulated Annealing, Science, No. 220, 1983, pp. 671-679. [9] Marsden, J., y A. Tromba, Clculo Vectorial, Fondo Educativo Interamericano, 1981.
[10] Metropolis, N., A. Rosenbluth, A. Teller y E. Teller, Equations of State Calculations by Fast Computing Machines, The Journal of Chemical Physics, Vol. 21, No. 6, 1995, pp. 1087-1092. [11] Reeves, C. (editor), Modern Heuristic Techniques for Combinatorial Problems, John Wiley & Sons, 1993. [12] Shoup, T., y Farrokh Mistree, Optimization Methods with Applications for Personal Computers, Prentice Hall, 1987. [13] Smith-Keary, P., Genetic, Structure and Function, Macmillan Press, 1979. [14] Winston, W. L., Introduction to Mathematical Programming, Applications and Algorithms, 2a ed., Duxbury Press, 1995.

Algoritmo Del Cartero Chino 123

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Algoritmo Del Cartero Chino 123

Uploaded by

Copyright:

Available Formats

2013

KARINA MEDELLN GUZMN ANALILIA DE LOS SANTOS MORALES 22/05/2013

Horizonte diario. Secuenciar produccin, rutear vehculos, cotizar tiempos de entrega.

Lnea nica/Multi-lneas y nica Etapa/Multi-Etapas: Ventajas y Desventajas

Conceptos Bsicos Sobre Capacidad

Impacto de Cantidad de Plantas (Descentralizacin)

Opciones de Timing en Incremento de Capacidad

Funcin de la Red de Distribucin

Otras funciones adicionales de gran importancia son:

Optimizacin del Transporte

Hub & Spoke

Hub & Spoke con una terminal Centro de Servicio y Asesora

Ensamble o proceso final.

Estructura de Almacenes y Servicio al Cliente

Impacto de Cantidad de Almacenes en Inventario Total

Cercana con y entre Procesos Crticos

Factores Clave, sus Funciones y Dependencias Geogrficas

Anlisis Operativo/Financiero de Opciones. Optimizacin y Heursticas. DSS (Sistemas de Soporte en Decisiones).

Mtodo de Evaluacin de Criterios

Factores Relevantes a Considerar

Ejemplo de Aplicacin del Mtodo Factor Rating

Facilidades de Transportacin Facilidad de Mano de Obra. Terrenos Mercados Utilidades

100 100 100 100 75

Localizacin de Varias Facilidades con Costos Fijos

Anlisis Operativo/Financiero de Opciones

Modelo y Anlisis Financiero Operacional

Modelo de Anlisis de costo de una cadena de proveedores

Escenario I: Eliminacin Preproduccin en planta A

Escenario II: Eliminacin de toda la produccin en la Planta A

Modelo de costo de la Planta A

Modelo de costo de la Planta B

Escenario I : Impacto sobtre P& L Statement

Escenario II : Impacto sobre P& L Satatement

Estructura de DSS para Diseno de Red

Datos Relevantes para Diseo de Red

DSS de Logic Tools Inc

DSS de CAPS Logistics

RESUMEN DE INTRODUCCIN A LA PLANIFICACIN Y LOGSTICA DE

Cuyo valor esperado y la desviacin estndar son, respectivamente,

Esto se desprende que la relacin entre la desviacin estndar y la media es

REQUISITOS PARA LA PREVISIN LOGISTICA

Suavizado exponencial Regresin Box-Jenkins 2.2.3 Notacin

Como antes, la notacin se puede simplificar si = 1:

Tal relacin puede ser lineal,

Por lo tanto, la demanda requerida se calcula como

Tipo de cambio Un mes antes

Tipo de cambio dos meses despus

2.4 Series de Tiempo extrapolacin

REQUISITOS PARA LA PREVISIN LOGISTICA

TLFeBOOK 35 REQUISITOS PARA LA PREVISIN LOGISTICA

Evaluacin del producto (qv)t

(2.4) TLFeBOOK 37 REQUISITOS PARA LA PREVISIN LOGISTICA

Figura 2.4 Demanda modelo de equipos de electrociruga en Francia.

Es fcil demostrar que los ndices ~ st, t = 1,. . . , M, verificar la relacin

REQUISITOS PARA LA PREVISIN LOGISTICA

REQUISITOS PARA LA PREVISIN LOGISTICA

REQUISITOS PARA LA PREVISIN LOGISTICA

Mtodo de extrapolacin de series, el caso tendencia constante

REQUISITOS PARA LA PREVISIN LOGISTICA

Tabla 2.12 Demanda previsiones pT (), T = 163, = 1,. . . , 6, en el problema de P & D

La previsin para el primer perodo de tiempo por delante se da simplemente por

REQUISITOS PARA LA PREVISIN LOGISTICA

REQUISITOS PARA LA PREVISIN LOGISTICA

Figura 2.7 cclica efecto vt, t = 7,. . . , 157, en el problema de P & D.