Professional Documents
Culture Documents
La optimización de procesos tiene varias matices, unos están a favor y otros en contra,
pero lo cierto es que el término optimización dentro de la ingeniería puede llegar a ser
muy ambicioso, sobre todo para las empresas que actualmente se han visto obligadas a
"ajustarse" al entorno, nuevos estándares, innovación tecnológica normativas legales o
simplemente a una escalada hacia una constante optimización de procesos exitosos. Por
esta razón, optimizar procesos puede llegar a ser un desafío muy costoso o incluso
doloroso para la industria pero sin duda necesario. Solamente conociendo el proceso en
su totalidad se puede proceder al análisis del mismo y de las operaciones para su
mejoramiento.
FUNDAMENTO TEORICO: APLICACIÓN DE DERIVADAS EN
OPTIMIZACIÓN
La palabra optimización, comparte la misma raíz que "óptimo", pero es raro que el
proceso de optimización origine un sistema realmente óptimo. A menudo no existe una
solución de diseño que funcione bien en todos los casos, por lo tanto, en esos casos los
ingenieros para poder optimizar deben tomar los atributos de mayor interés. Cabe resaltar
que la toma de decisiones se va tornando difícil de acuerdo al tamaño y complejidad de
las empresas, sus problemas o por la cantidad de variables que manejan, en especial
cuando se tienen varios productos, materias primas y plantas de producción, por lo tanto
saber dónde producir, cuales productos, y a que clientes tener en cuenta, se convierte en
un tema en donde es necesario la aplicación de la investigación de operaciones y de
modelos matemáticos, los cuales ayudan a la disminución y optimización de las
actividades.
Otro problema son los errores de redondeo de la aritmética punto flotante. En la ingeniería
el objetivo es evitar las fallas, pero una maquina o un proceso siempre puede fallar,
variando los resultados constantemente. Con cada éxito surgen más preguntas de cómo
se podría optimizar eso que ya se ajustó, es decir, que es un proceso de mejora constante.
Muchas veces la complejidad de un problema hace imposible que por simple intuición se
pueda ver todas las alternativas o posibilidades que se tiene enfrente. Por esa razón en la
ingeniería es importante el uso de modelos matemáticos para ayudar la toma de decisiones
frente a esa complejidad.
Sabemos que la optimización abarca muchos ámbitos de la ingeniería, como por ejemplo
sistemas complejos, es por ello que se trata de optimizar esos sistemas. La ingeniería tiene
la necesidad de mejorar los procesos de las empresas constantemente para que puedan ser
competitivas en el mercado actual, ya sea de producción o de servicio. Por esta razón se
les ha dado mayor importancia a las técnicas y herramientas que ayuden a lograr esos
cambios favorables. Las empresas piensan "podemos hacerlo mejor" y buscan formas de
conseguir mayores niveles de rendimiento.
Considera que las variables de decisión tienen un comportamiento lineal. Son incógnitas
que deben ser determinadas a partir de la solución del modelo, los parámetros representan
los valores conocidos del sistema o que se pueden controlar.
Algoritmos de Pivote:
Sistemas de ecuaciones lineales cuyas variables adaptan valores no negativos; se
busca la mejor solución alternativa, es decir, una solución óptima del sistema.
Algoritmos Simples:
Procedimiento iterativo (repetitivo) que permite mejorar la solución de la función
objetivo en cada paso. Este concluye cuando no es posible continuar mejorando
dicho valor, es decir, se ha alcanzado la solución óptima (El mayor o menor valor
posible, según el caso, para el que satisface todas las restricciones).
Veamos unos ejemplos de programación lineal para comprender mejor esta definición.
Ejemplo aplicativo:
Un fabricante produce dos tipos de parrillas para asar carne, Tipo I y Tipo II.
Durante el proceso de producción las parrillas requieren del uso de dos máquinas, A y B.
El número de horas que se requieren en cada una se señalan en la tabla que aparece a
continuación. Si puede utilizarse cada una de las máquinas 24 horas al día, y las utilidades
para la Tipo I y la Tipo II son de $4 y $6, respectivamente.
Tipo I Tipo II
Máquina A 2 4
Máquina B 4 2
Resolución:
2𝑥 + 4𝑦 ≤ 24
a) 𝑓(𝑥) = { 4𝑥 + 2𝑦 ≤ 24 }
𝑥 ≥ 0 ;𝑦 ≥ 0
b) 𝑔(𝑥) = 4𝑥 + 6 𝑦
c)
Puntos:
Se debe producir y vender 4 parrillas de cada uno para poder maximizar las
utilidades.
Ejemplos:
Se requieren 480 euros por unidad de materia prima 1 y 300 euros por cada unidad de
materia prima 2 que se empleen en la fabricación del fertilizante (en estas cantidades se
incluyen los costos de las materias primas y los costos de producción). Si la compañía
dispone de 24000 euros para la producción de materias primas, plantear el problema para
determinar la cantidad de materia prima de forma que se maximice la cantidad de
fertilizante. Las variables de decisión del problema son:
𝑥1 ≥ 0 , 𝑥2 ≥ 0
Ejercicio no lineal
Minimizar
X1 + X2 ≤ 6 g1
Condición de
desigualdad Restricciones
2X1 + X2 ≤ 8 g2
Determinismo
Estocástico
Sirven para usar magnitudes aleatorias que varían con el tiempo o para
https://prezi.com/xil686v9olel/optimizacion-en-la-ingenieria/
https://sites.google.com/site/wwwgrupo2compe/semana-2/ejercicios-de-programacion-
lineal
http://www.phpsimplex.com/teoria_metodo_simplex.htm
https://es.wikipedia.org/wiki/Algoritmo_de_pivote
https://es.slideshare.net/LilivetUbiera/programacin-lineal-y-no-lineal
http://www.investigaciondeoperaciones.net/programacion_no_lineal.html
https://www.youtube.com/watch?v=V1e7SEMvjTo