Tema: Alcances de la logística

Subtema: Tipos de problemas,

métodos y metodologías de solución

Néstor Miguel Cid García

Derechos Reservados © Centro de Investigación en Ciencias de Información Geoespacial

Circuito Tecnopolo Norte No. 117, Fracc. Tecnopolo II, Aguascalientes, CP. 20313
Métodos exactos

Las técnicas de optimización son herramientas que han sido utilizadas durante las
últimas décadas para mejorar el proceso de toma de decisiones en diversas áreas,
como manufactura, transporte, construcción, telecomunicaciones, planeación
financiera, cuidado de la salud y servicios públicos, sólo por mencionar algunos.

El concepto básico de optimización consiste en encontrar la mejor solución

posible (punto o alternativa) para un problema dado. Para encontrar esta solución
se deben examinar todas las alternativas posibles y probar que la solución que ha
sido seleccionada es la mejor.

Mediante un modelo matemático se hace una representación abstracta del

problema que se desea solucionar. Dentro de esta formulación matemática, se
pretende optimizar una función objetivo (maximizar o minimizar) que describe el
comportamiento del sistema que se esta estudiando y que se encuentra sujeta a
una serie de limitantes o restricciones. Es importante resaltar que entre más
apegado a la realidad se desee elaborar el modelo, éste será mucho más difícil de
modelar y el nivel de dificultad para obtener una solución para el problema puede
incrementar considerablemente.

Existen una serie de características y suposiciones que se tienen que

considerar sobre el problema que se desear resolver, estas características son:

- Una cantidad limitada de recursos disponibles;

- Los recursos son utilizados para realizar alguna actividad, para producir
algún producto o para proporcionar algún servicio;
- Hay una gran variedad de formas y alternativas en la que los recursos
pueden ser utilizados;

Derechos Reservados © Centro de Investigación en Ciencias de Información Geoespacial

Circuito Tecnopolo Norte No. 117, Fracc. Tecnopolo II, Aguascalientes, CP. 20313

2
 - Cada actividad en la cual los recursos son utilizados proporcionan un
beneficio y;
- La asignación de recursos es usualmente restringida por varias
limitaciones.

Tomando en cuenta lo anterior, son cuatro los elementos fundamentales que

componen la estructura de un modelo matemático: parámetros, variables de
decisión, restricciones y función objetivo:

- Parámetros. Son todos los datos que se conocen del problema y que
permanecen constantes durante la ejecución del modelo.

- Variables de decisión. Representan la cantidad de decisiones que se

desean tomar en el problema, éstas pueden ser de tipo real, entero, binario
o una combinación de las anteriores.

- Restricciones (limitantes del problema). Las restricciones se caracterizan

por tener tres componentes principales: una función que determina la
cantidad de recursos necesarios para realizar la actividad, proceso o
servicio; una constante que especifica la cantidad total de recursos
disponibles; y un signo de igualdad o desigualdad, dependiendo de lo que
se pretenda limitar, que va a unificar a la función con la constante.

- Función objetivo. Como su nombre lo indica, representa el objetivo o la

meta del modelo en términos de variables de decisión. Dependiendo del
problema, se puede maximizar o minimizar dicha función. La función
objetivo se encuentra sujeta a una serie de restricciones, las cuales influyen
directamente sobre la solución final del modelo.

Derechos Reservados © Centro de Investigación en Ciencias de Información Geoespacial

Circuito Tecnopolo Norte No. 117, Fracc. Tecnopolo II, Aguascalientes, CP. 20313

3
 En términos matemáticos, un modelo se representa de la siguiente manera:

Maximizar f(x) (1)

Sujeto a: gi(x) <= bi i=1,…,m (2)
x>=0 (3)
donde la ecuación uno(1) representa la función objetivo del problema, que en
este caso se pretende maximizar. La ecuación dos (2) representa las restricciones
del modelo. La ecuación tres (3), mejor conocida como restricción de no
negatividad, es necesaria para una gran cantidad de problemas.

Algunos tipos de problemas de optimización son relativamente fáciles de

resolver. Este es el caso, por ejemplo, de algunos problemas lineales, en los que
tanto la función objetivo como las restricciones son expresiones lineales. Estos
problemas pueden ser resueltos con el conocido método Simplex.

La idea intuitiva de problema “difícil de resolver” queda reflejada en el término

científico NP-hard utilizado en el contexto de la complejidad algorítmica. En
términos coloquiales, podemos decir que un problema de optimización difícil es
aquel para el que no podemos garantizar el encontrar la mejor solución posible en
un tiempo razonable.

La existencia de una gran cantidad y variedad de problemas difíciles, que

aparecen en la práctica y que necesitan ser resueltos de forma eficiente, impulsó
el desarrollo de procedimientos eficientes que posibiliten la obtención de
soluciones factibles buenas. Estos métodos, en los que la rapidez del proceso es
tan importante cómo la calidad de la solución obtenida, se denominan heurísticos
o aproximados.

Derechos Reservados © Centro de Investigación en Ciencias de Información Geoespacial

Circuito Tecnopolo Norte No. 117, Fracc. Tecnopolo II, Aguascalientes, CP. 20313

4
Métodos de aproximación (heurísticos)

Un método heurístico es un procedimiento para resolver un problema de

optimización bien definido mediante una aproximación intuitiva, en la que la
estructura del problema se utiliza de forma inteligente para obtener una buena
solución.

En contraposición a los métodos exactos que proporcionan una solución óptima

del problema, los métodos heurísticos no necesariamente la obtienen.
Normalmente, el tiempo invertido por un método exacto para encontrar la solución
óptima de un problema difícil, será muy superior al de un método heurístico.

Otras razones para utilizar métodos heurísticos son las siguientes:

- El problema es de una naturaleza tal que la aplicación de un método exacto

es computacionalmente costosa.
- El método heurístico es más flexible que un método exacto, permitiendo,
por ejemplo, la incorporación de condiciones de difícil modelización.
- El método heurístico se puede utilizar como parte de un procedimiento
global que garantiza el óptimo de un problema. Existen dos posibilidades:
o Proporciona una buena solución inicial de partida.
o Participa en un paso intermedio del procedimiento, como por
ejemplo, las reglas de selección de la variable a entrar en la base en
el método simplex.

Los algoritmos heurísticos dependen en gran medida del problema concreto

para el que se han diseñado. Las técnicas e ideas aplicadas a la resolución de un
problema son específicas de éste y aunque en general pueden ser trasladadas a
otros problemas, han de particularizarse en cada caso. Así pues, es necesario
referirse a un problema concreto para estudiar con detalle los procedimientos
heurísticos.
Derechos Reservados © Centro de Investigación en Ciencias de Información Geoespacial
Circuito Tecnopolo Norte No. 117, Fracc. Tecnopolo II, Aguascalientes, CP. 20313

5
 Existen muchos métodos heurísticos de naturaleza muy diferente, muchos de
ellos han sido diseñados para un problema específico sin posibilidad de
generalización. A continuación, se mencionan unas categorías amplias, no
excluyentes, en donde se pueden ubicar los heurísticos más conocidos:

- Métodos de Descomposición. El problema original se descompone en

subproblemas más sencillos de resolver, teniendo en cuenta, aunque sea
de manera general, que ambos pertenecen al mismo problema.

- Métodos Inductivos. La idea de estos métodos es generalizar de

versiones pequeñas o más sencillas al caso completo. Algunas propiedades
o técnicas identificadas en estos casos más fáciles de analizar pueden ser
aplicadas al problema completo.

- Métodos de Reducción. Consisten en identificar propiedades que se

cumplen mayoritariamente por las buenas soluciones e introducirlas como
restricciones del problema. El objeto es restringir el espacio de soluciones
simplificando el problema. El riesgo obvio es dejar fuera las soluciones
óptimas del problema original.

- Métodos Constructivos. Consisten en construir literalmente paso a paso

una solución del problema. Usualmente son métodos deterministas y suelen
estar basados en la mejor elección en cada iteración. Estos métodos han
sido muy utilizados en problemas clásicos como el del viajante.

- Métodos de Búsqueda Local. A diferencia de los métodos anteriores, los

procedimientos de búsqueda o mejora local comienzan con una solución
del problema y la mejoran progresivamente. El procedimiento realiza en
cada paso un movimiento de una solución a otra con mejor valor. El método

Derechos Reservados © Centro de Investigación en Ciencias de Información Geoespacial

Circuito Tecnopolo Norte No. 117, Fracc. Tecnopolo II, Aguascalientes, CP. 20313

6
 finaliza cuando, para una solución, no existe ninguna solución accesible
que la mejore.

Si bien todos estos métodos han contribuido a ampliar nuestro conocimiento

para la resolución de problemas reales, los métodos constructivos y los de
búsqueda local constituyen la base de los procedimientos metaheurísticos.

Métodos metaheurísticos

Los procedimientos metaheurísticos son una clase de métodos aproximados que

están diseñados para resolver problemas difíciles de optimización combinatoria en
los que los heurísticos clásicos no son efectivos. Los metaheurísticos
proporcionan un marco general para crear nuevos algoritmos híbridos combinando
diferentes conceptos derivados de la inteligencia artificial, la evolución biológica y
los mecanismos estadísticos.

Los métodos metaheurísticos se sitúan conceptualmente ``por encima'' de los

heurísticos en el sentido que guían el diseño de éstos. Así, al enfrentarnos a un
problema de optimización, podemos escoger cualquiera de estos métodos para
diseñar un algoritmo específico que lo resuelva aproximadamente.

Según Glover (1986) una metaheurística se refiere a una estrategia maestra

que guía y modifica otras heurísticas para producir soluciones más allá de las que
normalmente se generan en una búsqueda de la optimalidad local. La heurística
guiada por dicha meta-estrategia puede ser un procedimiento de alto nivel o puede
incluir nada más que una descripción de los movimientos disponibles para
transformar una solución en otra, junto con una regla de evaluación asociada .

Existe un gran desarrollo y crecimiento de estos métodos, entre ellos podemos

encontrar: la búsqueda tabú; el recocido simulado; los diferentes métodos
evolutivos, incluyendo que incluyen los Algoritmos algoritmos genéticos; la
Derechos Reservados © Centro de Investigación en Ciencias de Información Geoespacial
Circuito Tecnopolo Norte No. 117, Fracc. Tecnopolo II, Aguascalientes, CP. 20313

7
búsqueda dispersa (Scatter Search); el GRASP, que sirve de “puente” entre los
métodos heurísticos y los metaheurísticos.

Métodos de simulación

Los modelos de simulación replican el funcionamiento de un sistema. Coyle et al.

(2013) definen el término simulación como “el proceso de diseñar un modelo a
partir de un sistema real y realizar experimentos con él para el propósito de
comprender el comportamiento del sistema o de evaluar varias estrategias dentro
de los límites impuestos por un criterio o una serie de criterios para la operación
de este sistema”. La simulación de redes implicaría, por ejemplo, modelar
computacionalmente la red logística y la cadena de suministro abstrayendo las
características de interés para después observar su comportamiento en términos
de costo, servicio, restricciones y otros factores. Se ha establecido que el proceso
de simulación es “nada más ni nada menos que la técnica de realizar
experimentos de muestreo en el modelo del sistema (Coyle et al. (2013)”.

La simulación no garantiza una solución óptima, sólo evalúa las alternativas

para ella. Una característica vital de una herramienta de simulación es su
naturaleza estática o dinámica; una que sea dinámica no sólo incorporará una
perspectiva temporal de múltiples periodos, sino que también actualizará el estado
del sistema por cada periodo con base en los resultados de los periodos
anteriores. La simulación continúa usándose como un enfoque autónomo, pero
también como metodología complementaria dentro de otros enfoques orientados
hacia la búsqueda.

Derechos Reservados © Centro de Investigación en Ciencias de Información Geoespacial

Circuito Tecnopolo Norte No. 117, Fracc. Tecnopolo II, Aguascalientes, CP. 20313

8
Bibliografía

Ballou, R. H. (2004). Logística: Administración de la cadena de suministro. Quinta

edición. Editorial Prentice Hall. Inc. México.
Bazaraa, M. S., Jarvis, J. J., Sherali, H. D. (2004). Programación lineal y flujo en
redes. Limusa.
Conejo, A. J., Castillo, E., Minguez, R., Garcia-Bertrand, R. (2006). Decomposition
techniques in mathematical programming: engineering and science applications.
Springer Science & Business Media.
Coyle, J. J., Langley Jr, C. J., Novack, R. A., & Gibson, B. (2013). Administración
de la cadena de suministro: una perspectiva logística.
Glover, F. (1986) “Future Paths for Integer Programming and Links to Artifical
Intelligence”en Computers and Operations Research, 13, 533
Martí, R. (2003). Procedimientos metaheurísticos en Optimización Combinatoria.
Matemátiques, Universidad de Valencia, 1(1), 3-62.
Sarker, R. A., Newton, C. S. (2007). Optimization modelling: a practical approach.
CRC Press.
Taha, H. A. (2004). Investigación de operaciones. Pearson Educación.
Williams, H. P. (1999). Model building in mathematical programming. John Wiley.
Winston, W. L., Anzures, M. B., Fragoso, F. S. (2005). Investigación de
operaciones: aplicaciones y algoritmos. Thomson.

Derechos Reservados © Centro de Investigación en Ciencias de Información Geoespacial

Circuito Tecnopolo Norte No. 117, Fracc. Tecnopolo II, Aguascalientes, CP. 20313