15.053 z 5 de febrero de 2002 Introducción a la optimización Esquema general z z z Entregas: material de clase z Descripción del curso Administración y logística del curso ¿Qué son las ciencias de la gestión? Ejemplos de programación lineal – Marketing MSR – GTC z Entregas: Programa e información general Material de clase Conjunto de tareas 1 1 2 La transparencia Nº 3 contiene información específica del MIT Material necesario z z Coursepack (Libro de lecturas recomendadas) Incluye capítulos de z Sitio web: sloanspace.mit.edu Otros recursos: z – Applied Mathematical Programming por Bradley, Hax y Magnanti – Operations Research por Winston – Introduction to Linear Optimization por Bertsimas y Tsitsiklis – Network Flows por Ahuja, Magnanti y Orlin 4 Método del curso (continuación) Sistema de evaluación z Trabajos en casa (27%) z – Semanales (10 en total) – Plan de calificación no lineal z Exámenes parciales (25% cada uno) – Contiene • apuntes de clase • hojas de cálculo • lecturas • trabajos (el trabajo 1 ya se encuentra allí) • otros recursos – Dos: uno en cada fin de trimestre z Examen final (25%) – Durante la semana de los exámenes finales – Último tercio de la asignatura + creación de modelos z Página web En efecto, el total suma 102% 5 6 ¿Qué es la investigación operativa? ¿Qué son las ciencias de la gestión? Aprendizaje activo z z z z Las clases se interrumpen cada cierto tiempo para que los alumnos trabajen individualmente o en parejas. Elija a su compañero al comenzar el curso. Los alumnos a los extremos del pasillo podrán formar grupos de tres. Durante la Segunda Guerra Mundial, el mando británico consultó a científicos y técnicos sobre distintas cuestiones militares: – Despliegue de radares. – Dirección de operaciones antisubmarinas, de minas, bombardeos y traslado de tropas. z El resultado se llamó Investigación de Operaciones Militares, y más tarde Investigación Operativa (IO) z El MIT contribuyó a su puesta en marcha – El profesor Morse (MIT) fue pionero en los EE.UU. – Fundó el Centro OR del MIT y colaboró en la fundación de ORSA. 7 ¿Qué son las ciencias de la gestión (investigación operativa)? 8 Voces del pasado z z Hoy en día: las ciencias de la gestión y la investigación operativa suponen “el empleo de modelos matemáticos para proporcionar pautas que permitan a los gestores tomar decisiones efectivas partiendo de la información de la que disponen, o para hallar el modo de ampliar ésta, en caso de que sea insuficiente para llegar a la decisión adecuada.” z Comparar con: ciencias de la decisión, análisis de sistemas, investigación operativa, dinámica de sistemas, análisis operacional, sistemas de ingeniería, ingeniería de sistemas y otros conceptos. No malgaste el tiempo o el dinero, empléelos de la mejor forma posible. – Benjamin Franklin z Obviamente, la mejor forma de eficiencia es la que permite obtener la máxima ventaja del material del que se dispone. – Jawaharlal Nehru z Es muy posible que cualquier ciudadano medio sea capaz de aumentar su eficacia en un cincuenta por ciento sin riesgo para su salud. – Walter Scott 9 La investigación operativa en la historia z 1947 z Década de 1970 – Época de desilusión y estancamiento. NPcompleto. Expectativas más realistas. z Década de 1980 – Gran expansión del uso de ordenadores personales. Acceso cada vez más facil a datos. Se extiende la disposición de los directivos al empleo de modelos. Década de 1950 – Años muy interesantes: progresos matemáticos, teoría de colas, programación matemática. z Comparar con: Inteligencia artificial (I.A.) en los 60. z La investigación operativa en la historia z – Proyecto Scoop (Scientific Computation of Optimum Programs), en el que George Dantzig y otros científicos desarrollan el método simplex de programación lineal. 10 Década de 1960 – Crece el interés: más progreso, grandes proyectos. Comparar con: Inteligencia artificial en los 80. 11 Década de 1990 – Uso creciente de sistemas de I.O. Nuevos avances de la tecnología de I.O; p.ej: ampliaciones de optimización y simulación a hojas de cálculo, lenguajes de modelación, optimización a gran escala. Mayor interconexión entre la I.A. y la I.O. 12 La investigación operativa en el año 2000 Optimización z CIENTOS de oportunidades para el campo de la I.O. z Datos, datos y más datos – Datos de e-business (click stream, compras, otros datos de transacciones, correo electrónico, etc.) – El proyecto del genoma humano y su desarrollo Tan eterna como el tiempo z Mayor automatización en la toma de decisiones z Necesidad de mayor coordinación para la utilización de recursos (gestión de la cadena de suministro) 13 Naturaleza de la optimización Herón de Alejandría FERM AT b’ Ángulo de c incidencia Ángulo de Ángulo de incidencia Ángulo de Ángulo de incidencia reflexión refracción b a 1628-29 Siglo I A.C. Cálculo Algunos temas del presente curso Máximo z z z Mínimo La optimización está en todas partes Modelos, modelos y más modelos El objeto de los modelos no son los números, sino la compresión de la realidad – parafraseando a Richard Hamming z Algoritmos, algoritmos y más algoritmos Ferm at,Newton,Euler,Lagrange, G auss y otros 17 18 La optimización está en todas partes z z La optimización está en todas partes Cuanto más sepamos sobre un tema, mejor podremos apreciar dónde aplicar la optimización. z – fijar fechas de exámenes evitando coincidencias – asignar a cada clase aulas y franjas horarias teniendo en cuenta las restricciones – calcular las tarifas de aparcamiento y las ayudas para transporte público, para garantizar la máxima imparcialidad y un acceso adecuado – optimizar la financiación Ejemplo: toma de decisiones personales – – – – Algunas decisiones que toma el MIT Hallar el camino más corto a casa (o a clase) Asignación óptima del tiempo de trabajo personal Control óptimo de ingresos y gastos Elección de la asignatura principal 19 La optimización está en todas partes z 20 Herramientas de optimización en el curso Ejercicio: preséntese a su compañero y sugiera uno o dos temas de conversación que le resulten familiares (el trabajo durante el verano, la asignatura principal, profesión de sus padres, etc.). z Realicen una sesión de "brainstorming" sobre situaciones propicias para la optimización. z Escojan de la lista las dos o tres situaciones que les resulten más atractivas y pónganlas en común. z La optimización está en todas partes, pero no el uso de las herramientas de optimización. z Metas del curso: presentar diversas herramientas para la optimización y explicar sus aplicaciones en varios campos: fabricación, finanzas, e-business, mercadotecnia y otros. z El alumno sabrá qué herramientas pueden serle de ayuda cuando se enfrentre (ineludiblemente) a problemas de optimización en los negocios. 21 Tratamiento de problemas de gestión: el marco de las ciencias de la gestión 22 La programación lineal (nuestra primera herramienta, y quizás la más importante) 1. Determinar el problema que hay que resolver z 2. Analizar el sistema y reunir datos z 3. Formular un modelo matemático del problema y de los problemas secundarios importantes minimizar o maximizar un objetivo lineal sujeto a igualdades y desigualdades lineales 4. Comprobar el funcionamiento del modelo y emplearlo para predicciones y análisis maximizar 3x + 4y 5. Elegir una alternativa adecuada sujeto a 5x + 8y ≤ 24 x, y ≥ 0 6. Presentar los resultados a la organización 7. Implementar y evaluar 23 24 Veamos una serie de posibles soluciones y Vocabulario z Variables de decisión : p.ej., x e y. 5 – En general, hay cantidades que se pueden controlar para mejorar el objetivo, que deberá ofrecer una descripción completa del conjunto de decisiones a tomar. 3x + 4y = 12 Solución óptima z Restricciones : 3 4 3x + 4y = 6 p.ej., 5x + 8y ≤ 24 , x ≥ 0 , y ≥ 0 – Restricciones a los valores de las variables de decisión. 2 z 1 1 2 3 4 5 esto es, 3x + 4y – Medida del valor que se usa para ordenar las alternativas – Tiene por objeto maximizar o minimizar el objetivo – ejemplos: maximizar el VAN, minimizar el coste x 0 0 Función objetivo 25 26 MSR Marketing Inc. Formulación como modelo matemático adaptado de Frontline Systems •Selección de un anuncio que llegue a 1,5 millones de personas Trabajo en parejas •Minimizar coste ¿Qué decisiones es preciso tomar? Formúlense como “variables de decisión”. z ¿Cuál es el objetivo? Formúlese desde el punto de vista de las variables de decisión. z ¿Cuáles son las restricciones? Formúlense desde el punto de vista de las variables de decisión. z Si dispone de tiempo, intente hallar la solución ideal. z •Fijar el número máximo de anuncios de cada tipo TV Audiencia 50.000 Coste/Impresión 500$ Nº máx anuncios 20 Radio 25.000 Correo Prensa 20.000 15.000 200$ 250$ 125$ 15 10 15 27 Datos para el problema de GTC Gemstone Tool Company (GTC) z z z z z Empresa de propiedad privada Mercado: herramientas para empresas y particulares Sede en Seattle Fábricas en EE.UU, Canadá y México. Datos esenciales, con fines ilustrativos: – – – – – 28 Planta de Winnipeg (Canadá) Llaves inglesas (llaves) y alicates Fabricadas en acero Máquina de moldeo por inyección Máquina de montaje Llaves Acero Alicates Disponibles 1,0 15.000 tm 1,0 12.000 hrs Máquina de moldeo 1,0 Máquina de montaje 0,4 0,5 8.000 10.000 0,40$ 0,30$ Límite de demanda Participación ($ por artículo) 29 1,5 5.000 hrs Deseamos calcular el número de llaves inglesas y alicates que hay que fabricar, dados el material bruto disponible, las horas de máquina y la demanda. 30 Formulación del ejercicio de GTM Trabajo en parejas z Halle, junto a su compañero, el modo de formular el problema de GTC como un programa lineal, SIN CONSULTAR LOS APUNTES z z Paso 1: calcular las variables de decisión P = miles de alicates fabricados W = miles de llaves inglesas fabricadas Paso 2: calcular la función objetiva P = número de alicates fabricados W = número de llaves inglesas fabricadas Maximizar Beneficio = 0,3 P + 0,4 W 31 Formulación (continuación) Una fórmula algebraica (1) Paso 3: Calcular las restricciones z Moldeo: P+ W ≤ 12.000 z 0,5 P + 0.4 W ≤ 5.000 Montaje: W ≤ 8.000 Demanda (llaves): En la próxima clase se mostrará el modo de resolver el problema. z sujeto a M = conjunto de procesos de fabricación 33 Otra fórmula algebraica Maximizar S = (alicates, llaves inglesas) pj = beneficio por unidad del artículo j dj = demanda máxima del artículo j xj = número de unidades fabricadas del artículo j – M = {moldeo y montaje} – bi = capacidad del proceso i – aij = cantidad de capacidad del proceso i usada en fabricar j ≤ 10.000 P Demanda (alicates): J = conjunto de artículos fabricados – – – – P + 1,5 W ≤ 15.000 Acero: z 32 34 Otra fórmula algebraica más n ∑ j∈J pjxj ∑ j∈J aij x j ≤ bi for i ∈ M z z Maximizar sujeto a ∑p x j ∑a x j j =1 n j =1 La misma fórmula sirve aunque | J | = 10.000 y | M | = 100. j ij ≤ bi for i = 1 to m x j ≤ d j for j ∈ J x j ≤ d j for j = 1 to n x j ≥ 0 for j ∈ J x j ≥ 0 for j = 1 to n 35 36 Programas lineales Un programa lineal puede tener un objetivo y unas restricciones no lineales Las funciones lineales presentan la siguiente forma: z z f(x1, x2, . . . , xn) = c1x1 + c2x2 + . . . + cnxn = ∑ i=1 a n cixi esto es, 3x1 + 4x2 - 3x4. z maximizar sujeto a Un programa matemático es lineal (PL) cuando tiene por objetivo una función lineal y las restricciones son igualdades o desigualdades lineales esto es, 3x1 + 4x2 - 3x4 ≥ 7 z f(x,y)= xy x - y2/2 ≤ 10 3x – 4y ≥ 2 x ≥ 0, y ≥ 0 x1 - 2x5 = 7 z Normalmente, un PL tiene restricciones de no negatividad. 37 Un programa entero es un programa lineal con las restricciones de que todas o algunas de las variables son valores enteros. z Maximizar 3x1 + 4x2 - 3x3 3x1 + 2x2 - x3 ≥ 17 3x2 - x3 = 14 x1 ≥ 0, x2 ≥ 0, x3 ≥ 0 y x1 , x2, x3 son números enteros 38 Fórmula algebráica con restricciones de igualdad n z ∑c x Max o min j j =1 z sujeto a n ∑a x j =1 ij j j = bi for i = 1 to m x j ≥ 0 for j =1 to n 39 Principios de la programación lineal 40 Historias de éxitos (1) Maximizar 4W + 3P 1.5W + P ≤ 15 …. Principio de proporcionalidad La participación de W z La planificación óptima de su personal de vuelo permite a American Airlines ahorrar un millón de dólares al año. z Yellow Freight ahorra más de 17,3 millones de dólares al año gracias al perfeccionamiento de sus rutas de envíos. es proporcional a W. Principio de aditividad La participación de P en la función z La mejora de los repartos por carretera en Reynolds Metals ha aumentado la puntualidad en las entregas, reduciendo los costes objetiva es independiente de W. Principio de divisibilidad Cada variable puede adoptar de flete en 7 millones de dólares al año. valores fraccionarios. Principio de certidumbre Los coeficientes lineales y las z GTE ahorra 30 millones al año por la expansión de su capacidad local. restricciones de la función objetiva son conocidos (y no son variables aleatorias). 41 42 Historias de éxitos (2) Historias de éxitos (3) z La optimización de las cadenas globales de suministro ahorra a z La mejora de la planificación de producción en Sadia (Brasil) ha ahorrado a la empresa 50 millones de dólares en tres años. Digital Equipment más de 300 millines de dólares. z Tras la reestructuración de su departamento de operaciones en Norteamérica, Procter&Gamble ha disminuido sus plantas en un 20%, con un ahorro de 200 millones de dólares al año. z La optimización de la producción en Harris Corporation supone un aumento del 75 al 90% de la pluntualidad en las entregas. z Tata Steel (India) ha optimizado sus respuestas a los apagones eléctricos, obteniendo un ahorro de 73 millones de dólares. z El óptimo control del tráfico en la autopista Hanshin, en Osaka permite ahorrar al año 17 millones de horas de conducción. z La mejor planificación de las unidades de generación termohidráulica le supone a Southern Company un ahorro de 140 millones de dolares z Optimizar la organización de las patrullas policiales permite al departamento de policía de EE.UU. ahorrar 11 millones cada año. z En Texaco, la mezcla de gasolinas da como resultado un ahorro de 30 millones de dólares anuales. 43 Resumen z Respuesta a la pregunta: ¿qué son la Investigación operativa y las ciencias de la gestión?, proporcionando al estudiante cierta perspectiva histórica. z Vocabulario de la programación lineal z Dos ejemplos: 1. 2. MSR Marketing Gemstone Tool Company – Pequeño programa lineal (bidimensional) no demasiado fácil z Analizaremos este problema detalladamente en la próxima clase 45 44