Академический Документы
Профессиональный Документы
Культура Документы
Operaciones II
Nombre de la asignatura: Investigación de Operaciones II
Parcial de estudio: Primero
Introducción
Los contenidos a tratarse son los modelos de optimización de redes y la programación dinámica.
Los problemas de redes surgen en una gran variedad de situaciones. Las redes de transporte, eléctricas y
de comunicaciones predominan en la vida diaria. La representación de redes se utiliza de manera amplia
en áreas tan diversas como producción, distribución, planeación de proyectos, localización de
instalaciones, administración de recursos y planeación financiera, por mencionar sólo algunos ejemplos.
En realidad, una representación de redes proporciona un poderoso apoyo visual y conceptual para mostrar
las relaciones entre las componentes de los sistemas, de tal modo que se usa casi en todos los ámbitos
científicos, sociales y económicos.
En este curso se presentará una introducción a cuatro tipos importantes de problemas de redes y algunas
ideas básicas sobre cómo resolverlos. Los tres primeros tipos de problemas, el de la ruta más corta, el del
árbol de mínima expansión y el del flujo máximo tienen una estructura específica que surge con
frecuencia en la práctica. El cuarto tipo problema del flujo de costo mínimo proporciona un enfoque
unificado de muchas otras aplicaciones debido a su estructura mucho más general. Esta estructura es tan
general que incluye como casos especiales el problema de la ruta más corta y el de flujo máximo, al igual
que generaliza y amplia los problemas de transporte y de asignación vistos en la asignatura Investigación
operativa I.
Muchos modelos de optimización de redes son en realidad tipos especiales de problemas de programación
lineal, por lo que se estudiará la solución de los problemas anteriores mediante programación lineal.
En cuanto al segundo tema, la programación dinámica: es una técnica matemática útil para la toma de
decisiones frente a un problema multivariable de optimización (maximización o minimización de una
función objetivo), en el que las variables están sujetas restricciones (por ejemplo, consumen recursos
limitados) y la estructura de las funciones (función objetivo y restricciones) es tal que permite realizar un
estudio secuencial e iterativo de la contribución de cada variable al problema global. Así, el problema
puede ser representado mediante una secuencia de etapas interrelacionadas, en el que cada etapa está
asociada a una variable: el problema se soluciona etapa por etapa. Y proporciona un procedimiento
sistemático para determinar la combinación óptima de decisiones a tomar. El problema puede ser lineal o
no lineal, determinístico o probabilístico.
En contraste con la programación lineal, no cuenta con una formulación matemática estándar del
problema, sino que se trata de un enfoque de tipo general para solucionar problemas; además, la forma
(analítica) de las funciones del problema cambia de un problema a otro. Por tanto, es necesario cierto
grado de creatividad y un buen conocimiento de la estructura general de los problemas de programación
dinámica para reconocer cuándo y cómo un problema puede ser resuelto por medio de este
procedimiento.
Gracias al estudio y práctica de los modelos de optimización de redes, será capaz de resolver los
problemas clásicos de la ruta más corta, el árbol de expansión mínima y el flujo máximo, así como el
problema general de flujo de costo mínimo flujo para optimizar redes con programación lineal. De la
misma manera, mediante la técnica de programación dinámica, Ud. será capaz de optimizar problemas
secuenciales determinísticos de repartición de un recurso entre un cierto número de actividades (con
variables discretas o continuas) y problemas secuenciales probabilísticos (discretos o continuos,
descriptibles a través de árboles de decisión).
Asesoría didáctica
1. Aprendizaje autónomo
La modalidad a distancia está basada sobre el principio de aprendizaje autónomo. Esto supone una gran
responsabilidad de su parte, para realizar por su propia cuenta y dentro de los tiempos establecidos las
actividades planeadas (descritas más abajo), contactarse a tiempo vía mail interno o foro de inquietudes
del aula virtual con su tutor en caso de cualquier consulta o duda (el tutor está siempre disponible para
1
Nombre de la asignatura: Investigación de Operaciones II
Parcial de estudio: Primero
esto y le responderá en un tiempo prudencial de un par de días máximo) y aprovechar de las tutorías
presenciales semanales para despejar en directo las dudas más grandes.
Como ya se estableció, los contenidos específicos de este parcial son los modelos de optimización de
redes y la programación dinámica.
Dos recursos didácticos obligatorios han sido definidos para este parcial:
Los recursos obligatorios no pueden ser remplazados por otros recursos (otros libros, internet, etc.),
aunque no se prohíbe el uso complementario de estos (con las debidas providencias de verificación de
autor, fuente, etc.).
- David R. Anderson, Denis J. Sweeney, Thomas A. Williams, Jeffrey D. Camm, Kipp Martin Con formato: Inglés (Estados Unidos)
(2016). Métodos cuantitativos para los negocios. México: Cengage Learning Inc. Podrá utilizar
los capítulos 2 (Principios de probabilidad) y 3 (Distribuciones de probabilidad).
3. Asesoría didáctica
En el aula virtual, y conforme a la lista que se muestra aquí abajo, Ud. tiene a su disposición un
vasto conjunto de ejercicios de entrenamiento sobre los temas del parcial. Los ejercicios han
sido tomados del conjunto de ejercicios propuestos en libro guía principal y corregidos en
detalle por el tutor. Estos ejercicios de entrenamiento se consideran como parte integral de su
aprendizaje y Ud. debe trabajarlos obligatoriamente.
Para trabajar estos ejercicios resueltos de entrenamiento, de preferencia intente primero resolver
cada ejercicio sin ver la corrección. Luego compare sus métodos y resultados con los de la
corrección. Puede ser necesario que realice esto varias veces (iterativamente) para un mismo
ejercicio hasta que logre realizarlo correctamente.
Estaré a su disposición para aclarar cualquier duda sobre el método de resolución de estos
ejercicios.
Los ejercicios corregidos de entrenamiento que están a su disposición son los siguientes:
2
Nombre de la asignatura: Investigación de Operaciones II
Parcial de estudio: Primero
- Relativo a los Métodos de optimización de redes (capítulo 9 del libro guía principal de
Hillier):
Muchas veces estos ejercicios tienen explicaciones, razonamientos o aplicaciones más profundas
que lo que pide el enunciado del libro. Esto se hace para su mejor comprensión y aprendizaje.
En particular, en el caso de los Métodos de Optimización de Redes muchas veces se da tanto la
solución algorítmica manual como también la solución de programación lineal correspondiente
(con Solver de Excel), aunque el libro solo pida una de las dos.
https://drive.google.com/drive/folders/0ByGkTE615-vCdnFFUlh6d1ZyUU0?usp=sharing
Actividades de aprendizaje
3
Nombre de la asignatura: Investigación de Operaciones II
Parcial de estudio: Primero
- N.° 3, p. 217, n.° 3, p. 220, n.° 5, p. 241 del capítulo 6 del libro de apoyo de Taha.
o Cada vez que resuelva con programación lineal un problema de este caso, deberá -
además de resolverlo en hoja de cálculo- dibujar la red correspondiente y escribir de
manera formal el problema de programación lineal (determinando las variables de
decisión, la función objetivo, las restricciones funcionales y las restricciones de signo).
Recursos didácticos
Obligatorio
o Teoría
o Práctica
Trabaje los ejercicios de entrenamiento corregidos que tiene a su disposición sobre este
tema (conforme se describe en el apartado “3. Asesoría Didáctica”). No los entregue.
Opcional
4
Nombre de la asignatura: Investigación de Operaciones II
Parcial de estudio: Primero
En la corrección (en la nota) de los ejercicios que debe entregar, se evaluará que realice de
manera oportuna, rigurosa y correcta los siguientes puntos:
En la corrección (en la nota) de los ejercicios que debe entregar, los resultados salidos de la
nada no tienen valor alguno.
Cualquier resultado formal (fórmula, conclusión, etc.,) salido de la nada, sin la previa
demostración o explicación del método que debió aplicarse para llegar al resultado, carece de
valor.
Cualquier resultado numérico (valor, tabla de valores, gráficos, etc.), salido de la nada, sin
presentar las fórmulas y métodos que lo originan, carece de valor.
Las fórmulas, además de llevar un título explicativo (en la celda izquierda o superior), deben
estar legibles (para el corrector) dentro de su celda. Y, de ser el caso (si hay cálculos
automatizados), la fórmula debe hacer referencia a las direcciones de celdas que sirven de
parámetros de entrada. No sirve de nada poner un valor numérico en vez de la fórmula
correspondiente.
Las iteraciones (de haberlas) deben estar correctamente organizadas en celdas o cuadros
secuenciales y debidamente explicadas.
Si debe utilizar Solver, láncelo por lo menos una vez y verifique su funcionamiento correcto,
de manera que el contenido introducido en el cuadro de diálogo principal (con las direcciones
de celdas y otros datos seleccionados) quede grabado. Solo así podré volver a lanzar el Solver
automáticamente y verificar su trabajo.
Sin embargo, el planteamiento inicial y los resultados finales (valores, tablas, gráficos)
encontrados con Excel deben también ser explicados y estar “copiados y pegados”
(escaneados) en el archivo principal Word.
5
Nombre de la asignatura: Investigación de Operaciones II
Parcial de estudio: Primero
Programación dinámica
Ejemplo prototipo
Características de los problemas de programación dinámica
Programación dinámica determinística
Contenidos
- Problema de la distribución de esfuerzo con variables discretas
- Problemas lineales y no lineales de variables continuas y estudio paramétrico de funciones
de una variable en cada etapa
Programación dinámica probabilística (casos simples que pueden ser descritos con árboles de
decisión)
Recursos didácticos
- Obligatorio
Orientaciones
o Teoría
didácticas
Lea y comprenda íntegro el capítulo 10 (Programación dinámica) del libro guía principal
de Hillier. tanto la parte teórica como los ejemplos de aplicación que la acompañan.
o Práctica
Trabaje los ejercicios de entrenamiento corregidos que tiene a su disposición sobre este
tema (conforme se describe en el apartado “3. Asesoría didáctica”). No los entregue.
- Opcional
o Consulta en probabilidades
Si en la aplicación del subtema de programación dinámica probabilística tiene dudas
6
Nombre de la asignatura: Investigación de Operaciones II
Parcial de estudio: Primero
Criterios de Los criterios de evaluación son exactamente los mismos descritos para la actividad entregable
evaluación 1.1 (ver más arriba).
Formato: G#.Apellido.Apellido.Nombre.InveOperII
Enviar a
No olvide adjuntar, al archivo principal, los archivos Excel necesarios en caso de que se pida
en algún ejercicio el uso de cálculos sistemáticos o de búsqueda / simulación / investigación
con Excel.
Envíe sus preguntas o dudas a través de la plataforma: utilice la sección Enviar correo y
Preguntas o dudas
marque el nombre de su tutor.
Actividades de aprendizaje
Puntaje
Actividad de aprendizaje 1.1. 10
El caso 9.1 (del libro de Hillier) vale cuatro puntos. Los otros tres ejercicios valen dos
puntos cada uno
Actividad de aprendizaje 1.2. 10
Cada uno de los cuatro ejercicios vale 2.5 puntos cada uno.
Suman 20
El tutor de la asignatura
7
Nombre de la asignatura: Investigación de Operaciones II
Parcial de estudio: Primero
Anexo 1
Métodos de optimizacion de redes
1. Encuentre el nodo más cercano al origen. Coloque la distancia en una casilla junto al nodo.
2. Encuentre el siguiente nodo más cercano al origen (planta) y coloque la distancia en una casilla
junto al nodo.
En algunos casos, se tendrán que revisar varias trayectorias para encontrar el nodo más cercano
3. Repita este proceso hasta que haya recorrido toda la red. La última distancia en el nodo final será
la distancia de la ruta más corta.
Es de notar que la distancia colocada en la casilla junto a cada nodo es la ruta más corta a este
nodo. Se utilizan estas distancias como resultados intermedios para encontrar el siguiente nodo
más cercano.
Objetivo de la n-ésima iteración: encontrar el n-ésimo nodo más cercano al origen. (Este paso se repetirá
paran n =1, 2, 3, … hasta que el n-ésimo nodo más cercano sea el nodo destino).
Datos de la n-ésima iteración: n -1 nodos más cercanos al origen - que se encontró en las iteraciones
previas, incluida su ruta más corta y la distancia desde el origen. (Estos nodos y el origen se llaman nodos
resueltos; el resto son nodos no resueltos).
Candidatos para n-ésimo nodo más cercano: cada nodo resuelto que tiene conexión directa por una
ligadura con uno o más nodos no resueltos proporciona un candidato, esto es, el nodo no resuelto que
tiene la ligadura más corta. (Los empates proporcionan candidatos adicionales).
Cálculo del n-ésimo nodo más cercano: para cada nodo resuelto y sus candidatos, se suma la distancia
entre ellos y la distancia de la ruta más corta desde el origen a este nodo resuelto. El candidato con la
distancia total más pequeña es el n-ésimo nodo más cercano los empates proporcionan nodos resueltos
adicionales, y su ruta más corta es la que genera esta distancia.
Aplicaciones
8
Nombre de la asignatura: Investigación de Operaciones II
Parcial de estudio: Primero
Principios de la técnica del árbol de expansión mínima
1. Se tienen los nodos de una red pero no las ligaduras. En su lugar se proporcionan las ligaduras
potenciales y la longitud positiva de cada una si se insertan en la red. (Las medidas alternativas
para la longitud de una ligadura incluyen distancia, costo y tiempo.)
2. Se desea diseñar la red con suficientes ligaduras para satisfacer el requisito de que haya un camino
entre cada par de nodos.
3. El objetivo es satisfacer este requisito de manera que se minimice la longitud total de las ligaduras
insertadas en la red.
Una red con n nodos requiere de sólo (n - 1) ligaduras para proporcionar una trayectoria entre cada par de
nodos. No deben usarse más ligaduras puesto que ello aumentaría, sin necesidad, la longitud total de las
ligaduras seleccionadas. Las (n - 1) ligaduras deben elegirse de tal manera que la red resultante con sólo
las ligaduras seleccionadas forme un árbol de expansión, es decir un conjunto de ligaduras que conectan
todos los nodos de la red. Por lo tanto, el problema es encontrar el árbol de expansión con la longitud total
mínima de sus ligaduras.
Aplicaciones
A continuación, se proporciona una lista de algunos tipos importantes de aplicaciones de este problema.
C) Flujo máximo
1. Elija cualquier trayectoria del inicio (origen) a la terminación (destino) con algo de flujo. Si no
existe ninguna trayectoria con flujo, entonces se llegó a la solución óptima.
2. Localice el arco en la trayectoria con la capacidad del flujo más pequeña disponible. Llame C a esta
capacidad. Ésta representa la capacidad máxima adicional que puede ser asignada a esta ruta.
3. Por cada nodo que haya en esta trayectoria, disminuye la capacidad de flujo en la dirección del flujo
en la cantidad C. Por cada nodo que haya en esta trayectoria, incremente la capacidad de flujo en la
dirección inversa en la cantidad C.
4. Repita estos pasos hasta que ya no sea posible incrementar el flujo.
1. Se identifica una trayectoria de aumento cuando se encuentra alguna trayectoria dirigida del origen al
destino en la red residual, tal que cada arco sobre ella tenga capacidad residual estrictamente positiva.
(Si no existe una, los flujos netos asignados constituyen un patrón de flujo óptimo.)
2. Cuando se encuentra el mínimo de las capacidades residuales de los arcos sobre esta trayectoria se
identifica la capacidad residual c* de esta trayectoria de aumento. Se aumenta en c* el flujo de esta
trayectoria.
3. Se disminuye en c* la capacidad residual de cada arco en esta trayectoria de aumento. Se aumenta en
c* la capacidad residual de cada arco en la dirección opuesta en esta trayectoria. Se regresa al paso 1.
Aplicaciones
9
Nombre de la asignatura: Investigación de Operaciones II
Parcial de estudio: Primero
A continuación, se mencionan algunos tipos de aplicaciones comunes del problema del flujo máximo.
- Maximizar el flujo a través de la red de distribución de una compañía desde sus fábricas hasta sus
clientes.
- Maximizar el flujo a través de la red de suministros de una compañía de proveedores a las fábricas.
- Maximizar el flujo de petróleo por un sistema de tuberías.
- Maximizar el flujo de agua a través de un sistema de acueductos.
- Maximizar el flujo de vehículos por una red de transporte.
Principio
Resolución
Ver el libro guía y los ejercicios corregidos para el planteamiento del problema de programación lineal
correspondiente. Se usará Excel Solver para la resolución del problema.
Aplicaciones
Tal vez el tipo más importante de aplicación del problema del flujo de costo mínimo es en la operación de
la red de distribución de una compañía. Como se resume en el primer renglón de la tabla inferior, este tipo
de aplicación siempre incluye determinar un plan para enviar bienes desde las fuentes (fábricas, etc.) a las
instalaciones de almacenamiento intermedias (según se necesite) y después a los clientes. En el caso de
algunas aplicaciones de los problemas del flujo de costo mínimo, todos los nodos de trasbordo son
instalaciones de procesamiento y no almacenes. Éste es el caso de la administración de desechos sólidos,
indicado en el segundo renglón de la tabla inferior. En ese problema, el flujo de materiales a través de la
red comienza en las fuentes de desechos sólidos, luego va a las instalaciones para procesar estos
materiales de desecho y convertirlos en una forma adecuada para el relleno y después se envía a los
diferentes rellenos. Sin embargo, el objetivo todavía es determinar el plan de flujo que minimice el costo
total, donde el costo ahora se refiere al embarque y al procesamiento.
10
Nombre de la asignatura: Investigación de Operaciones II
Parcial de estudio: Primero
11
Nombre de la asignatura: Investigación de Operaciones II
Parcial de estudio: Primero
Anexo 2
Programación dinámica
Las restricciones se pueden separar en dos tipos: o son multi variable o son mono
variable. Una restricción multi variable es una restricción en las que intervienen 2 o
más variables (generalmente es una restricción funcional). Una restricción mono-
variable es una restricción en la que interviene una sola variable (generalmente son
restricciones de signo o de cota).
En la práctica, en este curso, la función global objetivo será generalmente una suma o
una multiplicación de N sub-funciones de una sola variable, lo que permite respetar la
condición de separabilidad enunciada en el párrafo anterior.
12
Nombre de la asignatura: Investigación de Operaciones II
Parcial de estudio: Primero
En la práctica, en este curso, el lado izquierdo de cada restricción multi variable será
en general una suma o una multiplicación de N sub-funciones de una sola variable, lo
que permite respetar la condición de separabilidad enunciada anteriormente.
O sea, en general, en este curso, tenemos para una restricción multivariable este tipo
de estructura:
Donde k e s una constante (y donde el símbolo " ≤” puede ser remplazado por
“≥” o por “=”).
Es más, en general, en este curso, las sub-funciones 𝑔𝑛 (𝑥𝑛 ) son lineales, por lo que:
en general, en este curso, tenemos para una restricción multivariable la siguiente
estructura:
𝒂𝟏 𝒙𝟏 + 𝒂𝟐 𝒙𝟐 + ⋯ + 𝒂𝑵−𝟏 𝒙𝑵−𝟏 + 𝒂𝒏 𝒙𝑵 ≤ 𝒌, o
𝒙𝟏 ∗ 𝒙𝟐 ∗ … ∗ 𝒙𝑵−𝟏 ∗ 𝒙𝑵 ≤ 𝒌
Donde 𝒂𝟏 , 𝒂𝟐, … , 𝒂𝑵−𝟏 , 𝒂𝑵 𝒚 k son valores constantes (y donde el símbolo " ≤”
puede ser remplazado por “≥” o por “=”)
Ejemplo 1
13
Nombre de la asignatura: Investigación de Operaciones II
Parcial de estudio: Primero
Maximizar
𝐹(𝑥1 , 𝑥2 , … , 𝑥𝑁−1 , 𝑥𝑁 ) = 𝑝1 (𝑥1 ) + 𝑝2 (𝑥2 ) + ⋯ + 𝑝𝑁−1 (𝑥𝑁−1 )+ 𝑝𝑁 (𝑥𝑁 )
Con 𝑥1 ≥ 0, 𝑥2 ≥ 0, …, 𝑥𝑁 ≥ 0
Maximizar
𝐹(𝑥1 , 𝑥2 , 𝑥3 ) = 1500. 𝑥1 + 2200. 𝑥2 + 1200. 𝑥3
Con 𝑥1 ≥ 0, 𝑥2 ≥ 0, 𝑥3 ≥ 0
Maximizar
𝐹(𝑥1 , 𝑥2 , 𝑥3 ) = 1500. 𝑥1 + 2200. 𝑥2 + 1200. 𝑥3
Maximizar
𝐹(𝑥1 , 𝑥2 ) = 3𝑥12 − 𝑥13 + 5𝑥22 − 𝑥23
Con 𝑥1 + 2𝑥2 ≤ 4
Con 𝑥1 ≥ 0, 𝑥2 ≥ 0
Ejemplo 5
Maximizar
𝐹(𝑥1 , 𝑥2 , … , 𝑥𝑁−1 , 𝑥𝑁 ) = 𝑝1 (𝑥1 ) + 𝑝2 (𝑥2 ) + 𝑝3 (𝑥3 )+ 𝑝4 (𝑥4 )
14
Nombre de la asignatura: Investigación de Operaciones II
Parcial de estudio: Primero
Con 𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 ≤ 6
0 0 0 0 0 0 0
0
4 1 7 1 5 1 6
1
9 2 11 2 10 2 11
2
15 3 16 3 15 3 14
3
18 4 18 4 18 4 16
4
22 5 20 5 21 5 17
5
24 6 21 6 22 6 18
6
15
Nombre de la asignatura: Investigación de Operaciones II
Parcial de estudio: Primero
2. Metodología general
Sabemos que, para cada restricción funcional R, la función del lado izquierdo
𝐺(𝑥1 , 𝑥2 , … , 𝑥𝑁−1 , 𝑥𝑁 ), dada su estructura, se puede también “dividir” en N
subfunciones de una sola variable 𝑔1 (𝑥1 ), 𝑔2 (𝑥2 ), … , 𝑔𝑁−1 (𝑥𝑁−1 ), 𝑔𝑁 (𝑥𝑁 ).
El problema no se estudia tomando cada etapa por separado: o sea, al estudiar una
etapa n, se no estudia únicamente la función 𝑝𝑛 (𝑥𝑛 ), si no que se define un método
iterativo y recursivo, en el que se va integrando progresivamente, uno tras otro,
el aporte de cada contribución 𝒑𝒏 (𝒙𝒏 ) a la función objetivo global (el detalle de
se verá más abajo en el punto (7)).
Cada etapa tiene cierto número (finito o infinito) de estados iniciales que deben ser
formalmente determinados o definidos
Los estados iniciales de una etapa se pueden establecer a partir de las restricciones
multi variable del problema inicial. Para cada etapa, se puede además establecer una
relación recursiva a entre los estados iniciales de esta etapa y los estados iniciales de
la etapa anterior.
Nota: solo nos interesan aquí las restricciones multivariable, ya que son las únicas que
necesitan ser adaptadas en cada etapa conforme a lo descrito en el párrafo anterior.
16
Nombre de la asignatura: Investigación de Operaciones II
Parcial de estudio: Primero
Procedimiento
17
Nombre de la asignatura: Investigación de Operaciones II
Parcial de estudio: Primero
Etapa 1
- 𝑥1 positivo (no necesitaba ninguna traducción)
- Estado inicial de la etapa 1: 𝑠1= 50.
- Traducción de la restricción R, en una restricción para 𝑥1 : 2𝑥1 ≤ 𝑠1
(planteando 𝑠1 como un parámetro inicial de la etapa).
Aquí, en la primera etapa, conviene establecer una restricción para 𝑥1
porque si 𝑥1 es superior a 25 (por ejemplo 30), como 𝑥2 𝑦 𝑥3 son
positivos, entonces 2𝑥1 + 7𝑥2 + 3𝑥3 sería superior a 50 (en este caso del
ejemplo sería 60 o más) y se violaría R.
Etapa 2
- 𝑥2 positivo (no necesitaba ninguna traducción)
- Estado inicial de la etapa 2: 𝑠2= 50 - 2𝑥1 = 𝑠1- 2𝑥1
- Traducción de la restricción R, en una restricción para 𝑥2 independiente
de las otras variables: 7𝑥2 ≤ 𝑠2 (planteando 𝑠2 como un parámetro
inicial de la etapa)
Etapa 3
- Estado inicial de la etapa 3: 𝑠3= 50 - 2𝑥1 − 7𝑥2 = 𝑠2 - 7𝑥2
- Traducción de la restricción R, en una restricción para 𝑥3 independiente
de las otras variables: 3𝑥3 ≤ 𝑠3 (planteando 𝑠3 como un parámetro
inicial de la etapa).
Verificación
- 3𝑥3 ≤ 𝑠3 equivale a 3𝑥3 ≤ 50 − 2𝑥1 − 7𝑥2 o sea que se vuelve a
establecer R tal cual 2𝑥1 + 7𝑥2 + 3𝑥3 ≤ 50
Etapa 1
- Estado inicial de la etapa 1, 𝑠1= 1.
- Traducción de la restricción R, en una restricción para 𝑥1 : no es
pertinente.
Aquí, en esta primera etapa, no es pertinente porque, por ejemplo, si se
plantea 𝑥1 ≤ 1, entonces no sería posible tener 𝑥1 = 5, sin embargo, los
valores {𝑥1 = 5, 𝑥2 = 1/20, 𝑥2 = 1} sí cumplen con R.
Etapa 2
- Estado inicial de la etapa 2, 𝑠2= 1/ 𝑥1 = 𝑠1/𝑥1
- Traducción de la restricción R, en una restricción para 𝑥2 independiente
de las otras variables: 𝑥2 ≤ 𝑠2 (planteando 𝑠2 como un parámetro
inicial de la etapa).
Etapa 3
- Estado inicial de la etapa 3, 𝑠3= 1/𝑥1 𝑥2 = 𝑠2/𝑥2
18
Nombre de la asignatura: Investigación de Operaciones II
Parcial de estudio: Primero
- Traducción de la restricción RF, en una restricción para 𝑥3 independiente
de las otras variables, 𝑥3 ≤ 𝑠3 (planteando 𝑠3 como un parámetro
inicial de la etapa).
Verificación
- 𝑥3 ≤ 𝑠3 equivale a 𝑥3 ≤ 1/𝑥1 𝑥2 o sea 𝑥1 𝑥2 𝑥3 ≤ 1
A veces a los estados iniciales de la etapa n+1 se les llama los estados finales de la
etapa n.
Cada nodo de la red corresponde a un estado inicial de una etapa. La red consiste
en varias columnas de nodos interconectados, de manera a que cada columna de
nodos corresponde al inicio de una etapa. Y, en una etapa n, las flechas (o arcos) de
conexión que salen de un nodo 𝒔𝒏 sólo pueden ir a los nodos 𝒔𝒏+𝟏 (estados
iniciales de la siguiente etapa).
En una etapa n, a partir de cada nodo 𝒔𝒏 sale una serie de flechas (o arcos) que
corresponden cada una a los diferentes valores que se puede dar a la variable de
decisión 𝒙𝒏 y al valor resultante de la contribución inmediata 𝒑𝒏 (𝒙𝒏 ).
Si es posible (casos discretos) se representa todos los arcos que salen de cada nodo, si
no (casos continuos) solo se hace un dibujo de principio
19
Nombre de la asignatura: Investigación de Operaciones II
Parcial de estudio: Primero
Para cada estado inicial fijado 𝑠𝑛 (𝑠𝑛 tiene un valor numérico fijado en el caso
discreto o es un parámetro inicial en el caso continuo), se hará variar 𝑥𝑛 entre todos
los valores posibles que puede tomar esta variable (como vimos los límites de
variación de 𝑥𝑛 están dados directa o indirectamente por 𝑠𝑛 ). Y analizando la función
objetivo (con un método recursivo que se describe más bajo) se determina cuál es el
mejor valor que puede dar a la variable de decisión y cuál es el mejor estado inicial de
la próxima etapa al que se va a llegar de esta manera.
Nota: el problema puede ser determinístico, y en tal caso, al partir de un estado inicial
fijado, y al dar un valor a la variable de decisión, se llega un único estado final
posible. El problema puede ser probabilístico (ver más abajo el apartado sobre este
tema), y en tal caso al partir de un estado inicial fijado, y dar un valor a la variable de
decisión, se llega varios estados finales posibles (a cada estado final posible le
corresponde una probabilidad de llegar a ese estado final a partir del estado inicial).
Se supone que, dado el estado inicial actual, la política decisión (para dirigirse al
mejor estado inicial de la próxima etapa) es independiente de las políticas adoptadas
en etapas anteriores. Es decir, la política de decisión depende solo del estado actual
y de la variable actual y no de cómo se llegó ahí. O sea, al encontrase en un
estado 𝑠𝑛 , la política de decisión no depende de los valores que se dio en etapas
anteriores a 𝑥1 , 𝑥2 , … , 𝑥𝑛−1 para llegar a 𝑠𝑛 (ni de los valore que se dará en las etapas
posteriores a 𝑥𝑛+1 , … , 𝑥𝑁−1, 𝑥𝑁 ); en la etapa n, la política de decisión depende solo
del estado actual 𝒔𝒏 y de los valores que se pueda dar a 𝒙𝒏 .
20
Nombre de la asignatura: Investigación de Operaciones II
Parcial de estudio: Primero
En la práctica, esta propiedad se debe a la forma de “separabilidad” de cada
restricción funcional del problema original. En cada restricción, como vimos, se
pueden “separar” las distintas variables, y –gracias a esto – en cada etapa n, se
puede introducir los estados iniciales 𝒔𝒏 como si tratase de valores (o
parámetros) iniciales de la etapa, sin tener que recurrir a las variables anteriores
{𝒙𝟏 , 𝒙𝟐 , … . 𝒙𝒏−𝟐 𝒙𝒏−𝟏} (ni a las posteriores) para estudiar la etapa n.
En la práctica, en la etapa n:
El problema no se estudia tomando cada etapa por separado: o sea, al estudiar una
etapa n, se no estudia únicamente la función 𝑝𝑛 (𝑥𝑛 ), si no que se define un método
iterativo y recursivo, que avanza de manera inversa (de la etapa N hacia la
etapa1), en el que se va integrando progresivamente, uno tras otro, el aporte de
cada contribución inmediata 𝒑𝒏 (𝒙𝒏 ) a la función objetivo global. Primero se
integra el aporte de 𝑝𝑁 (𝑥𝑁 ), luego se integra el aporte de 𝑝𝑁−1 (𝑥𝑁−1 ), luego se
integra el aporte de 𝑝𝑁−2 (𝑥𝑁−2 ), etc. hasta llegar a integrar el aporte de 𝑝1 (𝑥1 ). Estas
“integraciones” iterativas y recursivas de los 𝑝𝑛 (𝑥𝑛 ), se hacen gracias a la
definición de relaciones recursivas entre una etapa y su etapa posterior, como se
explica en el apartado (7).
21
Nombre de la asignatura: Investigación de Operaciones II
Parcial de estudio: Primero
Pero antes de pasar al apartado (7), es necesario explicar por qué se realiza la
iteración recursiva a la inversa (de N hacia 1) y no lo contrario. Esto se debe al
llamado “principio de optimalidad futura”.
Antes es necesario resumir o definir la notación y la lógica que se usará siempre y que
se resume a continuación.
22
Nombre de la asignatura: Investigación de Operaciones II
Parcial de estudio: Primero
𝑥𝑛−1 (basándose en la expresión matemática o verbal de esta
restricción). Este es el principio Markoviano.
𝑥𝑛 Variable (de decisión) de la etapa n
𝑥𝑛∗ Valor óptimo que se puede dar a 𝑥𝑛 dado un valor inicial de
𝑠𝑛 (𝑠𝑛 es un valor o un parámetro fijado para comenzar el
estudio de 𝑓𝑛 (𝑠𝑛 , 𝑥𝑛 ) en función de 𝑥𝑛 )
𝑓𝑛 (𝑠𝑛 , 𝑥𝑛 ) Contribución CONJUNTA de las etapas {n, n+1, …, N} a la
función objetivo global, si el sistema se encuentra en la etapa
n, en el estado 𝑠𝑛 , si la decisión inmediata es 𝑥𝑛 y si en
adelante solo se toman decisiones óptimas (se toman
decisiones óptimas porque es posible saber los mejores valores
∗ ∗
posibles futuros, 𝑥𝑛+1 , 𝑥𝑛+2 ,…,𝑥𝑁∗ ).
Es decir
𝑓𝑛∗ (𝑠𝑛 ) = 𝑀𝐴𝑋𝑥𝑛 { 𝑓𝑛 (𝑠𝑛 , 𝑥𝑛 )} para 𝑠𝑛 fijado, o
𝑓𝑛∗ (𝑠𝑛 ) = 𝑀𝐼𝑁𝑥𝑛 { 𝑓𝑛 (𝑠𝑛 , 𝑥𝑛 )} para 𝑠𝑛 fijado
8. Explicación práctica
23
Nombre de la asignatura: Investigación de Operaciones II
Parcial de estudio: Primero
- Cuando el problema es
Maximizar 𝐹(𝑥1 , 𝑥2 , … , 𝑥𝑁 ) = 𝑝1 (𝑥1 ) + 𝑝2 (𝑥2 ) + ⋯ + 𝑝𝑁 (𝑥𝑁 )
Con 𝑝1 , 𝑝2 , … , 𝑝𝑁 funciones cualesquiera de una variable
Con 𝑥1 + 𝑥2 + ⋯ + 𝑥𝑁 ≤ 𝐾 (K valor constante)
Con 𝑥1 ≥ 0, 𝑥2 ≥ 0, …, 𝑥𝑁 ≥ 0
Nótese que las funciones 𝑝𝑛 pueden estar dadas por una tabla de valores
(finitos) o por una expresión analítica (con valores infinitos en el intervalo de
variación permitido).
- Cuando el problema es
Maximizar 𝐹(𝑥1 , 𝑥2 , … , 𝑥𝑁 ) = 𝑝1 (𝑥1 ) * 𝑝2 (𝑥2 ) ∗ … ∗ 𝑝𝑁 (𝑥𝑁 )
Con 𝑝1 , 𝑝2 , … , 𝑝𝑁 funciones cualesquiera de una variable
Con 𝑥1 + 𝑥2 + ⋯ + 𝑥𝑁 ≤ 𝐾 (K valor constante)
Con 𝑥1 ≥ 0, 𝑥2 ≥ 0, …, 𝑥𝑁 ≥ 0
- Cuando el problema es
𝐹(𝑥1 , 𝑥2 , … , 𝑥𝑁 ) = 𝑝1 (𝑥1 ) + 𝑝2 (𝑥2 ) + ⋯ + 𝑝𝑁 (𝑥𝑁 )
Con 𝑝1 , 𝑝2 , … , 𝑝𝑁−1 , 𝑝𝑁 funciones cualquiera de una variable
Con 𝑎1 𝑥1 + 𝑎2 𝑥2 + ⋯ + 𝑎𝑁−1 𝑥𝑁−1 + 𝑎𝑛 𝑥𝑁 ≤ 𝐾 (𝑎1 , 𝑎2, … , 𝑎𝑁−1 , 𝑎𝑁 𝑦 K
valores constantes positivos)
Con 𝑥1 ≥ 0, 𝑥2 ≥ 0, …, 𝑥𝑁 ≥ 0
24
Nombre de la asignatura: Investigación de Operaciones II
Parcial de estudio: Primero
∗
𝑓𝑛 (𝑠𝑛 , 𝑥𝑛 ) = 𝑝𝑛 (𝑥𝑛 ) +
𝑓𝑛+1 (𝑠𝑛+1 ) con 0 ≤ 𝑎𝑛 𝑥𝑛 ≤ 𝑠𝑛
y con 𝑠𝑛+1 = 𝑠𝑛 − 𝑎𝑛 𝑥𝑛
∗
𝑓𝑛∗ (𝑠𝑛 ) = 𝑚𝑎𝑥 {𝑝𝑛 (𝑥𝑛 ) + 𝑓𝑛+1 (𝑠𝑛 − 𝑎𝑛 𝑥𝑛 )} haciendo variar 𝑥𝑛 entre 0 y
𝑠𝑛 /𝑎𝑛
- Cuando el problema es
𝐹(𝑥1 , 𝑥2 , … , 𝑥𝑁 ) = 𝑝1 (𝑥1 ) * 𝑝2 (𝑥2 ) ∗ … ∗ 𝑝𝑁 (𝑥𝑁 )
Con 𝑝1 , 𝑝2 , … , 𝑝𝑁−1 , 𝑝𝑁 funciones cualquiera de una variable
Con 𝑎1 𝑥1 + 𝑎2 𝑥2 + ⋯ + 𝑎𝑁−1 𝑥𝑁−1 + 𝑎𝑛 𝑥𝑁 ≤ 𝐾 (𝑎1 , 𝑎2, … , 𝑎𝑁−1 , 𝑎𝑁 𝑦 K
valores constantes positivos)
Con 𝑥1 ≥ 0, 𝑥2 ≥ 0, …, 𝑥𝑁 ≥ 0
∗
𝑓𝑛 (𝑠𝑛 , 𝑥𝑛 ) = 𝑝𝑛 (𝑥𝑛 ) * 𝑓𝑛+1 (𝑠𝑛+1 ) con 0 ≤ 𝑎𝑛 𝑥𝑛 ≤ 𝑠𝑛
y 𝑠𝑛+1 = 𝑠𝑛 − 𝑎𝑛 𝑥𝑛
∗
𝑓𝑛∗ (𝑠𝑛 ) = 𝑚𝑎𝑥 {𝑝𝑛 (𝑥𝑛 ) * 𝑓𝑛+1 (𝑠𝑛 − 𝑎𝑛 𝑥𝑛 )} haciendo variar 𝑥𝑛 entre 0 y
𝑠𝑛 /𝑎𝑛
En cada etapa n, una vez que se conoce la relación recursiva (es decir se conoce la
expresión de 𝑓𝑛 (𝑠𝑛 , 𝑥𝑛 )):
25
Nombre de la asignatura: Investigación de Operaciones II
Parcial de estudio: Primero
- En este cuadro, en cada línea (es decir para cada valor o caso posible de 𝑠𝑛 ),
𝑓𝑛∗ (𝑠𝑛 ) y 𝑥𝑛∗ pueden ser o valores numéricos (en programación dinámica
discreta) o expresiones analíticas que solo depende de 𝑠𝑛 (en programación
dinámica continua).
Cuidado con el orden de las etapas y las iteraciones, pues van en sentido inverso.
26
Nombre de la asignatura: Investigación de Operaciones II
Parcial de estudio: Primero
Es decir que si, en una etapa n, el estado inicial es 𝑠𝑛 , y se escoge un valor dado para
la variable de decisión 𝑥𝑛 , entonces el estado final (o estado inicial de la próxima
etapa) 𝑠𝑛+1 solo puede tener un valor único.
27
Nombre de la asignatura: Investigación de Operaciones II
Parcial de estudio: Primero
Maximizar
𝐹(𝑥1 , 𝑥2 , … , 𝑥𝑁−1 , 𝑥𝑁 ) = 𝑝1 (𝑥1 ) + 𝑝2 (𝑥2 ) + 𝑝3 (𝑥3 )+ 𝑝4 (𝑥4 )
Con 𝑝1 , 𝑝2 , , 𝑝3 , 𝑝4 funciones de una variable, expresadas en la tabla de valores
aquí abajo.
Con 𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 ≤ 6
0 0 0 0 0 0 0
0
28
Nombre de la asignatura: Investigación de Operaciones II
Parcial de estudio: Primero
4 1 7 1 5 1 6
1
9 2 11 2 10 2 11
2
15 3 16 3 15 3 14
3
18 4 18 4 18 4 16
4
22 5 20 5 21 5 17
5
24 6 21 6 22 6 18
6
29
Nombre de la asignatura: Investigación de Operaciones II
Parcial de estudio: Primero
30
Nombre de la asignatura: Investigación de Operaciones II
Parcial de estudio: Primero
por lo que es necesario estudiar estas funciones, sus máximos y mínimos (mediante
derivación) y sus extremos (al borde de los segmentos de definición).
Ejemplo 1
Ejemplo 2
31
Nombre de la asignatura: Investigación de Operaciones II
Parcial de estudio: Primero
El siguiente ejemplo es uno en el que se plantea directamente el sistema de
ecuaciones. Hay una sola restricción funcional multivariable. Está resuelto entre
los ejercicios resueltos disponibles.
Ejemplo 3
32
Nombre de la asignatura: Investigación de Operaciones II
Parcial de estudio: Primero
probabilidad que da completamente de terminada por el estado y la política de
decisión de la etapa actual.
Es decir que si, en una etapa n, el estado inicial es 𝑠𝑛 , y se escoge un valor dado para
la variable de decisión 𝑥𝑛 , entonces el estado final (o estado inicial de la próxima
etapa) 𝑠𝑛+1 no tiene un valor único, sino que tiene un conjunto de valores posibles
distribuidos según una distribución de probabilidad.
Ejemplos 1 y 2
En el libro guía, en la parte de curso con ejemplos resueltos, encontrara dos ejemplos
clásicos resueltos de este tipo de problemas. Léalos con mucho cuidado.
Ejemplos 3 y 4
33
Nombre de la asignatura: Investigación de Operaciones II
Parcial de estudio: Primero
34