Curso: Teoría, Algoritmos y Aplicaciones de Gestión Logística. Modelos de Inventarios, Parte 3
|
|
- Encarnación Córdoba Soler
- hace 5 años
- Vistas:
Transcripción
1 Curso: Teoría, Algoritmos y Aplicaciones de Gestión Logística. Modelos de Inventarios, Parte 3 Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República, Montevideo, Uruguay dictado semestre
2 Contenido: (cap. 8 libro referencia) 1. Modelo de tamaño económico de lote con demandas variables - modelo de Wagner-Whitin 2. Modelo con restricciones de capacidad 3. Modelos multi-producto (vistos clase pasada) 4. Modelos con fijación de precios Curso Teoría, Algoritmos y Aplicaciones de Gestión Logística - Facultad de Ingeniería, Universidad de la República (Uruguay) 1
3 Modelo de Wagner-Whitin (repaso) Hipótesis: se debe planificar una secuencia de lotes de pedidos (o lotes de producción) en un horizonte de planificación de T períodos unitarios. En cada período, hay una única decisión a tomar: el tamaño del pedido o del lote de producción. Demanda en el período t conocida, d t ítems. Al ordenar un producto, se incurre un costo c $por unidad de producto, y un costo fijo K $(es decir, si se coloca un pedido de y unidades, el costo es cy + Kδ(y), con δ(y) = 1 si y > 0, y 0 si no. Costos de inventario lineales, h $/(ítem.unidad de tiempo). Inventario inicial cero, I 0 = 0. Curso Teoría, Algoritmos y Aplicaciones de Gestión Logística - Facultad de Ingeniería, Universidad de la República (Uruguay) 2
4 Tiempo de entrega cero, L = 0. Horizonte de planificación T conocido y discretizado (i.e, 0 t T, con t y T enteros). Las órdenes y la demanda se realizan (ocurren) al comienzo de cada período. El costo de inventario se aplica a la cantidad disponible al final del período. Variables de decisión: tamaño del lote a ordenar en cada período, y t 0, tamaño del inventario al final de cada período, I t 0. Objetivo: cuanto ordenar en cada período para atender la demanda (sin admitir ruptura de inventario o entregas retrasadas, backlogging ), y minimizar los costos totales (suma de costos de pedidos y costos de inventario). Curso Teoría, Algoritmos y Aplicaciones de Gestión Logística - Facultad de Ingeniería, Universidad de la República (Uruguay) 3
5 Formulación de programación matemática T Problema WW: min Kδ(y t ) + cy t + hi t (1) t=1 s.a. I t = I t 1 + y t d t, t = 1,..., T (2) I 0 = 0; (3) I t, y t 0, t = 1,..., T. (4) Curso Teoría, Algoritmos y Aplicaciones de Gestión Logística - Facultad de Ingeniería, Universidad de la República (Uruguay) 4
6 Algoritmo de W-W para resolver el modelo Construcción auxiliar: red acíclica, nodos V = {1,..., T + 1}, arcos (i, j) para todo j > i, de largo l ij = costo asociado con realizar un pedido en i para satisfacer la demanda hasta el período j 1. j 1 l ij = K + h (k i)d k. k=i El largo del camino más corto del nodo 1 al nodo T + 1 es el costo mínimo de resolver las demandas de 1 a T. La poĺıtica óptima (pensada como los momentos de re-orden) está dada por los nodos que pertenecen a ese camino, y las cantidades pedidas se calculan fácilmente a partir de las aristas del camino. Curso Teoría, Algoritmos y Aplicaciones de Gestión Logística - Facultad de Ingeniería, Universidad de la República (Uruguay) 5
7 Modelos con determinación de precios (pricing) Supongamos que extendemos el problema W-W, permitiendo que en cada período se fije (v. de decisión) un precio p t, y que la demanda en cada período sea una función (continua) del precio, d t (p t ). El objetivo es encontrar la secuencia de cantidades a comprar y t y precios a fijar p t para maximizar el beneficio en el horizonte de planificación de T períodos. Curso Teoría, Algoritmos y Aplicaciones de Gestión Logística - Facultad de Ingeniería, Universidad de la República (Uruguay) 6
8 Modelos con determinación de precios (pricing) Formulación: max T p t d t (p t ) C(d 1 (p 1 ), d 2 (p 2 ),..., d T (p T )) (5) t=1 s.a. p t [p l, p u ], t = 1,..., T. (6) donde C(d 1 (p 1 ), d 2 (p 2 ),..., d T (p T )) es el costo mínimo de inventario y de aprovisionamiento sobre el horizonte para un plan de precios p, es decir la función objetivo del problema W-W cuando los valores (d 1, d 2,..., d T ) son sustituidos por (d 1 (p 1 ), d 2 (p 2 ),..., d T (p T )). Notar que en este caso se debe tener en cuenta los costos variables de compra. Para desarrollar un algoritmo eficiente, hay que tener en cuenta que cualquier poĺıtica óptima de reaprovisionamiento cumplirá la propiedad de inventario cero. Curso Teoría, Algoritmos y Aplicaciones de Gestión Logística - Facultad de Ingeniería, Universidad de la República (Uruguay) 7
9 En particular, si i y j son dos períodos consecutivos de reaprovisionamiento en un plan óptimo, la propiedad de inventario cero implica que la demanda en el período t, i < t < j, será cubierta únicamente por el pedido realizado en el período i, y por lo tanto el costo marginal unitario de satisfacer la demanda del período t está dada por c + (t i)h. Por lo tanto, el precio óptimo para el período t en ese intervalo puede ser derivado, independientemente de los otros precios, resolviendo el problema v it = max p t d t (p t ) (c + (t i)h)d t (p t ) (7) s.a. p t [p l, p u ], t = 1,..., T. (8) donde la función objetivo es el beneficio del período t, teniendo en cuenta el costo marginal de satisfacer la demanda en el período. Es posible adaptar el algoritmo de W-W para este caso. Se construye el Curso Teoría, Algoritmos y Aplicaciones de Gestión Logística - Facultad de Ingeniería, Universidad de la República (Uruguay) 8
10 mismo grafo acíclico, pero los pesos l ij están dados por l ij = K j 1 que corresponde al opuesto del máximo beneficio obtenido al satisfacer las demandas desde i hasta j 1 con una única orden en el período i. Con esta modificación, el largo del camino más corto de 1 a T + 1 es el valor óptimo del problema global (y del camino se puede reconstruir la poĺıtica). El costo computacional de esta estrategia consiste en resolver T 2 problemas de optimización de una única variable, y un camino más corto(de O(T 2 )). t=i v it Curso Teoría, Algoritmos y Aplicaciones de Gestión Logística - Facultad de Ingeniería, Universidad de la República (Uruguay) 9
11 Inventarios y precios con demanda estocástica En la actualidad, se busca modelar en más detalle la interacción entre demanda y precio. La demanda es una variable aleatoria, pero depende del precio fijado. Veremos el modelo más simple, de un único producto y un único período. Curso Teoría, Algoritmos y Aplicaciones de Gestión Logística - Facultad de Ingeniería, Universidad de la República (Uruguay) 10
12 Modelos de demanda Basados en Economía : modelo de comportamiento de un consumidor con toma racional de decisiones. Sea [p, p] las cotas para el precio posible de un producto. Propiedades (hipótesis) usuales sobre la demanda D(p) (determinística): D(p) es continua en p. D(p) es estrictamente decreciente en p, y por lo tanto existe inversa D 1 (d). D(p) [0, ]. el rédito (o ingresos), R(d) = D 1 (d)d, es cóncavo en d (retornos decrecientes). Demanda estocástica, denotada D(p, ɛ), función de precio p y ruido aleatorio ɛ. Curso Teoría, Algoritmos y Aplicaciones de Gestión Logística - Facultad de Ingeniería, Universidad de la República (Uruguay) 11
13 Hipótesis: D(p, ɛ) = αd(p) + β, con D(p) satisfaciendo propiedades anteriores, y ɛ = (α, β), α v.a. no negativa, E(α) = 1, β v.a. arbitraria con E(β) = 0. Hipótesis impĺıcita: demandas no negativas (implica algunas restricciones en α y β). Casos especiales: función de demanda aditiva, D(p, ɛ) = D(p) + β; función de demanda multiplicativa, D(p, ɛ) = αd(p). Curso Teoría, Algoritmos y Aplicaciones de Gestión Logística - Facultad de Ingeniería, Universidad de la República (Uruguay) 12
14 Modelo estocástico de un único período Vendedor (neutral a riesgo) tiene que decidir nivel de inventario y precio de venta de un único producto. Demanda estocástica, dependiente del precio de venta (suponiendo cumple las hipótesis vistas antes). Se debe ordenar el producto y fijar el precio antes de que se efectivice la demanda. Parámetros: costo de reposición c (demanda insatisfecha se cubre con un pedido de emergencia); h(x) costo de inventario para x positivo, y costo de reposición de emergencia para x negativo. Beneficio para un precio p y stock y (v. de decisión): v(y, p) = E(pD(p, ɛ)) cy E(h(y D(p, ɛ))). Beneficio para una demanda esperada d y stock y (v. de decisión), Curso Teoría, Algoritmos y Aplicaciones de Gestión Logística - Facultad de Ingeniería, Universidad de la República (Uruguay) 13
15 cuando hay correspondencia biunívoca entre p y d: φ(y, d) = R(d) cy E(h(y αd β)). Objetivo del vendedor max φ(y, d) (9) s.a. y 0, d [d, d]. (10) Donde d = D 1 (p) y d = D 1 ( p) son las cotas de demanda φ(y, d) es cóncavo en ambas variables, y por lo tanto es posible resolver (numéricamente) de manera eficiente el problema. Propiedad: si el rédito R(d) es estrictamente cóncavo en la demanda esperada d, el precio óptimo de venta en el caso de demanda aditiva es Curso Teoría, Algoritmos y Aplicaciones de Gestión Logística - Facultad de Ingeniería, Universidad de la República (Uruguay) 14
16 idéntico al caso de demanda determinística; y es siempre menor o igual que el precio óptimo de venta para el caso de demanda multiplicativa. Intuición: varianza de la demanda del caso aditivo es independiente del precio de venta; varianza de la demanda del caso multiplicativo decrece con el precio de venta (entonces el vendedor tenderá a aumentar el precio para disminuir la variabilidad). Curso Teoría, Algoritmos y Aplicaciones de Gestión Logística - Facultad de Ingeniería, Universidad de la República (Uruguay) 15
17 Ejercicios entrega 1 (fecha entrega: 25 de setiembre) Ejercicio 1.1 (ej 7.2 libro referencia): Sea el modelo de tamaño de lote económico con horizonte infinito y demanda determinística D items por unidad de tiempo. Cuando el nivel de inventario es cero, se comienza a producir un lote de tamaño Q, a una velocidad de P items por unidad de tiempo, P D. El costo de setup es K $, y el costo de inventario es h $ por ítem por unidad de tiempo. Cada vez que la producción comienza a una velocidad de P items/unidad de tiempo, hay un costo αp, con α > 0. a) cuál es la tasa óptima de producción? b) Supongamos que por restricciones tecnológicas, P debe satisfacer 2D P 3D. Cuál es la tasa óptima de producción y el tamaño óptimo de lote? Ejercicio 1.2 (ej 7.5 libro referencia): Considere la poĺıtica de potencias de 2 discutida en clase (sección 7.3 del libro). Discuta la posibilidad de Curso Teoría, Algoritmos y Aplicaciones de Gestión Logística - Facultad de Ingeniería, Universidad de la República (Uruguay) 16
18 generar una poĺıtica potencias de 3. Calcule la efectividad (en términos de desempeño de peor caso) de la mejor poĺıtica de potencias de 3. Ejercicio 1.3 a) Programar en glpk (o similar) el modelo de Wagner-Within (único producto, T períodos discretos, demandas distintas por período; objetivo, cubrir completamente las demandas minimizando costos totales de compra e inventario). b) Resolver numéricamente el caso siguiente: T = 5, d t = t, 1 t T, c = 3, h = 1, K = 20. c) (obligatorio para estudiantes de IComputación, opcional puntos extra para I.Producción) Programar el método de resolución basado en caminos más cortos en un grafo (se pueden utilizar bibliotecas de grafos). Ejercicio 1.4 (ej 8.2 libro referencia): Considere la heurística de Silver-Meal (para el mismo problema anterior), y construya un ejemplo donde la poĺıtica da una solución sub-óptima. (Sean d 1,..., d n las Curso Teoría, Algoritmos y Aplicaciones de Gestión Logística - Facultad de Ingeniería, Universidad de la República (Uruguay) 17
19 demandas en un horizonte de n períodos; sea C(T ) el costo de setup e inventario bajo la condición que la orden actual cubre los próximos T períodos. Entonces C(1) = K, C(2) = 1/2(K + hd 2 ), C(3) = 1/3(K + hd 2 + 2hd 3 ), etc. La heurística de Silver-Meal indica calcular los C hasta que C(i) > C(i 1), y en ese caso ordenar en el período 1 para cubrir la demanda por los primeros i 1 períodos. Luego se reinicia en el período i.) Curso Teoría, Algoritmos y Aplicaciones de Gestión Logística - Facultad de Ingeniería, Universidad de la República (Uruguay) 18
Curso: Teoría, Algoritmos y Aplicaciones de Gestión Logística. Modelos de Inventarios, Parte 2
Curso: Teoría, Algoritmos y Aplicaciones de Gestión Logística. Modelos de Inventarios, Parte 2 Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la
Más detallesCurso: Teoría, Algoritmos y Aplicaciones de Gestión Logística. Modelos de Inventarios, Parte 1: Modelos de tamaño económico de lote
Curso: Teoría, Algoritmos y Aplicaciones de Gestión Logística. Modelos de Inventarios, Parte 1: Modelos de tamaño económico de lote Departamento de Investigación Operativa Instituto de Computación, Facultad
Más detallesSistemas de Inventario con Remanufacturación y Distribución
Metaheurísticas y Optimización sobre Redes 2009 Sistemas de Inventario con Remanufacturación y Distribución Dpto. Investigación Operativa InCo FING UDELAR Doctorado en Informática PEDECIBA, Tutor: Omar
Más detallesFundamentos de Programación Entera
Fundamentos de Programación Entera Carlos Testuri Germán Ferrari Departamento de Investigación Operativa. Instituto de Computación. Facultad de Ingeniería. Universidad de la República 2012-2016 Facultad
Más detallesInventarios: qué son?
Inventarios Inventarios: qué son? Definición contable: registro documental de los bienes y demás objetos pertenecientes a una persona física, a una organización o comunidad. Debe aparecer dentro del activo
Más detallesModelos de inventario
Inventarios Inventarios Los inventarios tienen una gran importancia siempre y cuando estos añadan valor a los procesos. La existencia de los inventarios añade valor si estos están disponibles sin generar
Más detallesCurso: Teoría, Algoritmos y Aplicaciones de Gestión Logística. Modelos de Ubicación de Instalaciones
Curso: Teoría, Algoritmos y Aplicaciones de Gestión Logística. Modelos de Ubicación de Instalaciones Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad
Más detallesFormulando con modelos lineales enteros
Universidad de Chile 19 de marzo de 2012 Contenidos 1 Forma de un problema Lineal Entero 2 Modelando con variables binarias 3 Tipos de Problemas Forma General de un MILP Problema de optimización lineal
Más detallesMétodo de árbol de cubos para resolver problemas de optimización discreta en la toma de decisiones. CONTENIDO
Método de árbol de cubos para resolver problemas de optimización discreta en la toma de decisiones. 1 CONTENIDO Introducción Marco teórico Métodos de optimización Método de árbol de cubos Problema de optimización
Más detallesInventarios.
Inventarios http://humberto-r-alvarez-a.webs.com Inventarios Los inventarios tienen una gran importancia siempre y cuando estos añadan valor a los procesos. La existencia de los inventarios añade valor
Más detallesOPTIMIZACION DETERMINISTICA
OPTIMIZACION DETERMINISTICA 1 PROBLEMA GENERAL Además de analizar los flujos de caja de las las alternativas de inversión, también se debe analizar la forma como se asignan recursos limitados entre actividades
Más detallesSistemas de Gestión de Inventarios Deterministas con Tasas de Demanda Constantes
Sistemas de Gestión de Inventarios Deterministas con Tasas de Demanda Constantes Introducción PROBLEMAS DE GESTIÓN DE INVENTARIO EJERCICIO Una fábrica de motores tiene un consumo anual de 95.000 válvulas
Más detallesPráctica N o 8 Desigualdades Válidas - Algoritmos de Planos de Corte - Algoritmos Branch & Cut
Práctica N o 8 Desigualdades Válidas - Algoritmos de Planos de Corte - Algoritmos Branch & Cut 8.1 Para cada uno de los siguientes conjuntos, encontrar una desigualdad válida que agregada a la formulación
Más detallesPROGRAMA DE LA MATERIA: Investigación Operativa Módulos semanales 3 Días de dictado: L M M J V S 3
1 Técnico Superior en Análisis de Sistemas Plan 2003 Res: 6175/03 PROGRAMA DE LA MATERIA: Investigación Operativa 11318 Area: SISTEMAS Equipo Docente Silvio Hugo Solari Módulos semanales 3 Días de dictado:
Más detallesÍNDICE ÍNDICE DE FIGURAS ÍNDICE DE TABLAS PREFACIO LOS SISTEMAS PRODUCTIVOS SECCIÓN I PREVISIÓN DE LA DEMANDA
ÍNDICE ÍNDICE DE FIGURAS... 15 ÍNDICE DE TABLAS... 21 PREFACIO... 25 1. LOS SISTEMAS PRODUCTIVOS... 29 1.1. Introducción... 31 1.2. Elementos de diseño del proceso... 32 1.2.1. Localización de la planta...
Más detallesIN34A - Optimización
IN34A - Optimización Complejidad Leonardo López H. lelopez@ing.uchile.cl Primavera 2008 1 / 33 Contenidos Problemas y Procedimientos de solución Problemas de optimización v/s problemas de decisión Métodos,
Más detallesOptimización bajo Incertidumbre. 1. Introducción. Depto. Investigación Operativa. Instituto de Computación. Facultad de Ingeniería, UdelaR
Optimización bajo Incertidumbre 1. Introducción Carlos Testuri Germán Ferrari Depto. Investigación Operativa. Instituto de Computación. Facultad de Ingeniería, UdelaR 2003-17 Contenido 1 Introducción Motivación
Más detallespuede no servir si hay arcos con costo negativo. Justifique.
Universidad de Chile Facultad de Ciencias Físicas y Matemáticas Departamento de Ingeniería Industrial IN34A Optimización Profesores: Guillermo Durán Daniel Espinoza Auxiliares: André Carboni Leonardo López
Más detallesSistemas Avanzados de Producción. Planificación mediante programación matemática III
UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA (ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN ) Sistemas Avanzados de Producción. Planificación
Más detallesFundamentos de Programación Entera. 1. Introducción. Carlos Testuri Germán Ferrari
Fundamentos de Programación Entera 1. Introducción Carlos Testuri Germán Ferrari Departamento de Investigación Operativa Instituto de Computación Facultad de Ingeniería Universidad de la República 2012-2018
Más detallesOPTIMIZACIÓN DINÁMICA
OPTIMIZACIÓN DINÁMICA Francisco Alvarez González fralvare@ccee.ucm.es TEMA 1 Programación Dinámica: Formulación del problema. 1. Qué es un problema dinámico? 2. Tiempo, estado y control. 3. Formulación
Más detallesFormulación del problema de la ruta más corta en programación lineal
Formulación del problema de la ruta más corta en programación lineal En esta sección se describen dos formulaciones de programación lineal para el problema de la ruta más corta. Las formulaciones son generales,
Más detallesCurso: Métodos de Monte Carlo Unidad 2, Sesión 5: Cálculo de intervalos de confianza
Curso: Métodos de Monte Carlo Unidad 2, Sesión 5: Cálculo de intervalos de confianza Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República,
Más detallesCAPITULO 1: PERSPECTIVE GENERAL DE LA
CONTENIDO CAPITULO 1: PERSPECTIVE GENERAL DE LA INVESTIGACION DE OPERACIONES 1 1.1 Modelos matemáticos de investigación de operaciones. 1 1.2 Técnicas de investigación de operaciones 3 1.3 Modelado de
Más detallesComplejidad Computacional
Complejidad Computacional MLG521 Cristobal Rojas Pamela Alvarez Departamento de Ciencias de de la Ingeniería Departamento de Ingeniería Matemática Universidad Andrés Bello MLG521 Cómo medir la dificultad
Más detallesINVESTIGACION DE OPERACIONES
Semana 1 INVESTIGACION DE OPERACIONES INTRODUCCIÓN A LA CONSTRUCCIÓN DE MODELOS. MODELOS DE PROGRAMACION LINEAL CON VARIABLES TIPO X i. 1.1 Introducción a la Investigación de Operaciones y tipos de modelos:
Más detallesTécnicas de optimización. Introducción.
Técnicas de optimización. Introducción. Diego A. Patino Pontificia Universidad Javeriana 18 de julio de 2016 1/ 20 Definición Composición Tipos de problemas Ejemplos 2/ 20 Qué es optimización? 3/ 20 Qué
Más detallesModelos y herramientas de decisión. Programación dinámica I
UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA (ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN Modelos y herramientas de decisión. Programación
Más detallesAlgoritmos Voraces. Diseño y Análisis de Algoritmos
Algoritmos Voraces Diseño y Análisis de Algoritmos Contenidos Contenidos 1 Introducción 2 Ejemplos básicos 3 Cambio de monedas 4 Problema de la mochila 5 Problemas de planificación de tareas 6 Patrones
Más detallesOptimización de Problemas de Producción
Optimización de Problemas de Producción Pedro Piñeyro - Luis Stábile Colaboran: Héctor Cancela - Antonio Mauttone - Carlos Testuri Depto. Investigación Operativa. Instituto de Computación. Facultad de
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS (Universidad del Perú, DECANA DE AMÉRICA)
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS (Universidad del Perú, DECANA DE AMÉRICA) FACULTAD DE INGENIERIA DE SISTEMAS E INFORMATICA ESCUELA PROFESIONAL DE INGENIERÍA DE SISTEMAS 1 INFORMACIÓN GENERAL 11
Más detallesCurso: Métodos de Monte Carlo. Unidad 2, Sesión 3: Estimación de volúmenes
Curso: Métodos de Monte Carlo. Unidad 2, Sesión 3: Estimación de volúmenes Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República, Montevideo,
Más detallesOptimización. Escuela de Ingeniería Informática de Oviedo. (Dpto. de Matemáticas-UniOvi) Computación Numérica Optimización 1 / 19
Optimización Escuela de Ingeniería Informática de Oviedo (Dpto. de Matemáticas-UniOvi) Computación Numérica Optimización 1 / 19 Introducción Problema general de optimización (minimización) Dado f : Ω R
Más detallesFundamentos de Investigación de Operaciones Certamen # 2
Certamen # 2 Profesores: María Cristina Riff & Esteban Sáez 6 de junio de 2003 1. Una pequeña empresa constructora debe construir 3 casas en los próximos 5 meses. Una vez que alguna de las casas está terminada,
Más detallesCurso: Métodos de Monte Carlo Unidad 3, Sesión 7: Problemas de conteo
Curso: Métodos de Monte Carlo Unidad 3, Sesión 7: Problemas de conteo Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República, Montevideo, Uruguay
Más detallesSistemas Avanzados de Producción. Planificación mediante programación matemática II
UNIVERSIA POLIÈCNICA DE CAALUNYA BARCELONAECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA (ASPECOS ÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN ) Sistemas Avanzados de Producción. Planificación mediante
Más detallesÁrboles balanceados (AVL) Tablas de dispersión (Hash) Colas de prioridad (Heap)
Práctico 4 Árboles balanceados (AVL) Tablas de dispersión (Hash) Colas de prioridad (Heap) Clasificación de ejercicios: (I) Imprescindibles (R) Recomendados (C) Complementarios Árboles balanceados (AVL)
Más detallesProgramación Matemática. Profesor: Juan Pérez Retamales
Programación Matemática Profesor: Juan Pérez Retamales Previamente en ING50 Capítulo 1 1. Sobre la disciplina y su clasificación. Formulaciones clásicas y ejemplos 3. Desde el punto de vista geométrico.
Más detallesGestión de Repuestos
Gestión de Repuestos Motivación El Mercurio, 7 de mayo 2007, B3. la falta de stock de turbinas se debe principalmente a la fuerte demanda que está teniendo China el tiempo de espera está por sobre los
Más detallesCAPÍTULO 6 PROGRAMACIÓN DINÁMICA. Programación Dinámica
CAPÍTULO 6 PROGRAMACIÓN DINÁMICA Programación Dinámica Programación Dinámica En muchos casos las decisiones del pasado afectan los escenarios del futuro. En estos casos se pueden tomar 2 opciones: asumir
Más detalles6. MODELOS DE REDES: INTRODUCCIÓN. Jorge Eduardo Ortiz Triviño
6. MODELOS DE REDES: INTRODUCCIÓN Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http:/www.docentes.unal.edu.co/jeortizt/ Objetivos del Capítulo Conceptos y definiciones de redes. Importancia de los
Más detallesSistemas Avanzados de Producción. Planificación mediante programación matemática I
UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA (ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN ) Sistemas Avanzados de Producción. Planificación
Más detallesDirección de Operaciones. Stocks II
UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN ) Dirección de Operaciones. Stocks II DIRECCIÓN
Más detallesTécnicas de planificación y control de proyectos Andrés Ramos Universidad Pontificia Comillas
Técnicas de planificación y control de proyectos Andrés Ramos Universidad Pontificia Comillas http://www.iit.upcomillas.es/aramos/ Andres.Ramos@upcomillas.es TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS
Más detallesFundamentos de Programación Entera. A. Revisión. Carlos Testuri Germán Ferrari
Fundamentos de Programación Entera A. Revisión Carlos Testuri Germán Ferrari Departamento de Investigación Operativa Instituto de Computación Facultad de Ingeniería Universidad de la República 2012-2018
Más detallesFormule un modelo de programación lineal binaria que minimice la distancia máxima entre un distrito y su respectiva estación.
Profesores: Daniel Espinosa, Roberto Cominetti. Auxiliares: Victor Bucarey, Pablo Lemus, Paz Obrecht. Coordinador: Matías Siebert. IN3701 - Modelamiento y Optimización Auxiliar 2 22 de Marzo de 2012 P1.
Más detallesTema 1 Introducción. José R. Berrendero. Departamento de Matemáticas Universidad Autónoma de Madrid
Tema 1 Introducción José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Información de contacto José Ramón Berrendero Díaz Correo electrónico: joser.berrendero@uam.es Teléfono:
Más detallesFlujos de redes (Network Flows NF)
Fluos de redes (Network Flows NF). Terminología. Árbol generador mínimo. Camino mínimo 4. Fluo máximo 5. Fluo de coste mínimo TEORÍA DE GRAFOS. OPTIMIZACIÓN EN REDES Terminología Red o grafo (G) Nodos
Más detallesECONOMÍA DEL DESPACHO Y PLANIFICACIÓN DEL SISTEMA ELÉCTRICO
ECONOMÍA DEL DESPACHO Y PLANIFICACIÓN DEL SISTEMA ELÉCTRICO CAPACITACIÓN A DISTANCIA OBJETIVO El curso se divide en tres módulos cuyos objetivos fundamentales son: Presentar una introducción a los problemas
Más detallesCAPÍTULO 4 PROGRAMACIÓN LINEAL ENTERA
CAPÍTULO 4 PROGRAMACIÓN LINEAL ENTERA Programación Lineal Entera Es una técnica que permite modelar y resolver problemas cuya característica principal es que el conjunto de soluciones factibles es discreto.
Más detallesPráctica 2. Algoritmos de búsqueda local (local search algorithms) y algoritmos avariciosos (greedy algorithms)
PLANIFICACIÓN Y GESTIÓN DE REDES Grado en Ingeniería Telemática Curso 2012-2013 Práctica 2. Algoritmos de búsqueda local (local search algorithms) y algoritmos avariciosos (greedy algorithms) Autor: Pablo
Más detallesLuis Alberto Gómez C. Msc. Economía Noviembre, 2011
Luis Alberto Gómez C. Msc. Economía Noviembre, 2011 Qué es competencia perfecta? Muchas empresas venden productos idénticos a muchos compradores. No hay restricciones para entrar a la industria. Las empresas
Más detallesUNIVERSIDAD DE VALLADOLID ESCUELA DE INGENIERIAS INDUSTRIALES. Grado en Ingeniería de Organización Industrial
UNIVERSIDAD DE VALLADOLID ESCUELA DE INGENIERIAS INDUSTRIALES Grado en Ingeniería de Organización Industrial Problemas de Planificación de la Producción e Inventarios. Estudio y resolución de diferentes
Más detallesCadenas de Markov Horacio Rojo y Miguel Miranda
@ 71.07 Investigación Operativa > Cadenas de Markov Horacio Rojo y Miguel Miranda c 2009 Facultad de Ingeniería, Universidad de Buenos Aires Digitalizado por Virginia Guala $September 12, 2009 Cadenas
Más detallesFacultad de Ingeniería MANEJO DE INVENTARIOS DE ÍTEMS INDIVIDUALES
Facultad de Ingeniería Escuela de Ingeniería Industrial y Estadística Curso: Sistemas de Almacenamiento e Inventarios MANEJO DE INVENTARIOS DE ÍTEMS INDIVIDUALES Profesor: Julio César Londoño O Sistemas
Más detallesCONTENIDO Prefacio CAPITULO 1: Qué es la investigación de operaciones? CAPITULO 2: Introducción a la programación lineal...
CONTENIDO Prefacio XV CAPITULO 1: Qué es la investigación de operaciones? 1 1.1 Modelos de investigación de operaciones 1 1.2 Solución del modelo de investigación de operaciones.. 4 1.3 Modelos de colas
Más detallesOperaciones con matrices
Operaciones con matrices Tareas adicionales Los problemas auxiliares de estas tareas adicionales no son muy difíciles y corresponden al nivel obligatorio de conocimientos. Los problemas principales de
Más detallesCurso: Teoría de la Computación. Unidad 2, Sesión 7: Complejidad computacional
Curso: Teoría de la Computación. Unidad 2, Sesión 7: Complejidad computacional Instituto de Computación, Facultad de Ingeniería Universidad de la República, Montevideo, Uruguay dictado semestre 2-2009
Más detallesOptimización bajo Incertidumbre. 0. Revisión. Depto. Investigación Operativa. Instituto de Computación. Facultad de Ingeniería, UdelaR
Optimización bajo Incertidumbre 0. Revisión Carlos Testuri Germán Ferrari Depto. Investigación Operativa. Instituto de Computación. Facultad de Ingeniería, UdelaR 2003-17 Contenido 1 Revisión Probabilidad
Más detallesPlanteamiento de una oferta comercial con técnicas de programación lineal. CASO 1 : Oferta Comercial ASEBOR, versión simplificada
SEMINARIO: 2º Sesión Planteamiento de una oferta comercial con técnicas de programación lineal Caso oferta comercial de bodega aplicando SOLVER PARA EXCEL Aspectos conceptuales de la PL y el Solver de
Más detallesIntroducción a la complejidad computacional
Introducción a la complejidad computacional definida sobre anillos arbitrarios 18 de junio de 2016 Fuente: http://www.utmmcss.com/ Por qué otro modelo? Continuo vs discreto. Intuición interiorizada del
Más detallesOptimización combinatoria Flujo en redes. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Optimización combinatoria Flujo en redes Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Optimización combinatoria: definición y formulación de PE El problema
Más detallesMétodos de Optimización para la toma de decisiones
Facultad de Ingeniería Departamento de Ciencias de la Ingeniería Magíster en Logística y Gestión de Operaciones Métodos de Optimización para la toma de decisiones MLG-521 Programación Entera 1º Semestre
Más detallesEjercicios - Resolución de problemas lineales. Método Simplex
Ejercicios - Resolución de problemas lineales. Método Simplex Programación Matemática LADE Curso 8/9. Dado el problema lineal máx x x x + x s.a. x + x + x = 4 x + x 4 x justifica que el punto x = ( T es
Más detallesAnálisis de Sensibilidad de los Resultados
Pontificia Universidad Católica Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas Clase 22 Análisis de Sensibilidad de los Resultados ICS 02 Optimización Profesor : Claudio Seebach
Más detallesGestión de Operaciones. Capítulo 9: Inventarios
Gestión de Operaciones Capítulo 9: Inventarios Introducción Se considera como Inventario a las cantidades almacenadas de: Materia prima. Productos en proceso. Producto final. Repuestos. Tiene un fuerte
Más detallesmax z = c T x sujeto a Ax b
Tema 4 Análisis de sensibilidad El análisis de sensibilidad se realiza después de obtener la solución óptima de un modelo lineal para deteminar como afectan los cambios en los parámetros del modelo a la
Más detallesSegundo parcial. Martes, 23 de abril de 2003
5.053 Segundo parcial Martes, 3 de abril de 003 Se permite traer una hoja de papel con anotaciones por una cara. Responda a todas las preguntas en los cuadernillos de examen.. Controle el tiempo. Si un
Más detallesTRANSPORTE DE ELECTRICIDAD SISTEMAS ELÉCTRICOS INTERCONECTADOS SESIÓN 7. Inversión. Mario Pereira PSRI
TRANSPORTE DE ELECTRICIDAD SISTEMAS ELÉCTRICOS INTERCONECTADOS SESIÓN 7 Inversión Mario Pereira PSRI Santiago de Chile, 16-19 Noviembre 1999 1 EXPANSIÓN G&T - AMBIENTE CENTRALIZADO w = Min I(x) + O(x)
Más detallesUniversidad Nacional de Ingeniería. UNI RUACS. Investigación de Operaciones I 3T1 I.S. Docente: Ing. Mario Pastrana. Nombres: Frania Flores Zeledón.
Universidad Nacional de Ingeniería. UNI RUACS Investigación de Operaciones I 3T1 I.S. Docente: Ing. Mario Pastrana. Nombres: Frania Flores Zeledón. Tema: Teoría de la Dualidad. 28/ Septiembre/2011 Teoría
Más detallesTema 2. Fundamentos Teóricos de la. programación dinámica Teorema de Optimalidad de Mitten
Tema 2 Fundamentos Teóricos de la Programación Dinámica 2.1. Teorema de Optimalidad de Mitten El objetivo básico en la programación dinámica consiste en descomponer un problema de optimización en k variables
Más detallesTema 2, 3 y 4 GRUPO 82 - INGENIERÍA INFORMÁTICA. Bernardo D Auria. 3 Diciembre Departamento de Estadística. Universidad Carlos III de Madrid
Bernardo D Auria Departamento de Estadística Universidad Carlos III de Madrid GRUPO 82 - INGENIERÍA INFORMÁTICA Diciembre 2008 Ejercicio T2-JN12 Comprueba que el problema lineal min x x 1 + x 2 2x x +
Más detallesEscuela de algoritmos de aproximación
Escuela de algoritmos de aproximación Módulo 2: Introducción a los algoritmos de aproximación Francisco Javier Zaragoza Martínez Universidad Autónoma Metropolitana Unidad Azcapotzalco ITAM, 14 de septiembre
Más detallesTema 9: Contraste de hipótesis.
Estadística 84 Tema 9: Contraste de hipótesis. 9.1 Introducción. El objetivo de este tema es proporcionar métodos que permiten decidir si una hipótesis estadística debe o no ser rechazada, en base a los
Más detallesIntroducción a la programación dinámica estocástica
Introducción a la programación dinámica estocástica Hans Alayo 21 de diciembre de 2016 1. Introducción La programación dinámica brinda la teoría matemática necesaria para la toma secuencial de decisiones
Más detalles(1) (2) 5.5 Otras consideraciones sobre los niveles de servicio en sistemas (Q, R) Costo implícito de faltantes
5.5 Otras consideraciones sobre los niveles de servicio en sistemas (Q, R) Existen tres aspectos que vale la pena considerar en el cálculo de niveles de servicio Tipo I y Tipo II en los sistemas (Q, R):
Más detallesAlgoritmo de Kruskal
Algoritmo de Kruskal Curso de Teoría Algebraica de Grafos Facultad de Ingeniería Universidad de la República 4 de mayo de 202 Árboles Un árbol es un grafo conexo y acíclico (sin ciclos). Un bosque es un
Más detallesOPTIMIZACIÓN DINÁMICA
OPTIMIZACIÓN DINÁMICA Francisco Alvarez González fralvare@ccee.ucm.es TEMA 6 Algunas aplicaciones del principio del máximo de Pontryagin 1. Modelo de Ramsey en horizonte finito sin descuento.. Recursos
Más detallesClase 1: Fundamentos de programación
Clase 1: Fundamentos de programación dinámica Matemática avanzada para macroeconomía Hamilton Galindo II Semestre 2015 Contenido 1 Panorama Qué tipo de problema queremos resolver? Proceso de transformación
Más detallesIntroducción a la Optimización Matemática
Introducción a la Optimización Matemática Modelos de Optimización Tienen como propósito seleccionar la mejor decisión de un número de posibles alternativas, sin tener que enumerar completamente todas ellas.
Más detallesAsignatura: Investigación de Operaciones
Asignatura: Investigación de Operaciones Tema II: Programación Lineal Contenido: Definición de P.L. Planteamiento del modelo de P.L. Objetivos: Conocer e interpretar los elementos del modelo. Platear modelos
Más detallesCONTENIDOS. 1. Procesos Estocásticos y de Markov. 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD
CONTENIDOS 1. Procesos Estocásticos y de Markov 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD 4. Comportamiento Estacionario de las CMTD 1. Procesos Estocásticos
Más detallesTema 3 Optimización lineal. Algoritmo del simplex
Tema 3 Optimización lineal. Algoritmo del simplex José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Contenidos del tema 3 Teorema fundamental de la programación lineal. Algoritmo
Más detallesGestión de Inventarios. Introducción
Gestión de Inventarios Introducción Stocks, existencias, inventarios Se entiende por stock a un conjunto de artículos que se tienen almacenados para su venta o utilización posterior La gestión de stocks
Más detallesCurso: Métodos de Monte Carlo. Unidad 1, Sesión 1: Introducción
Curso: Métodos de Monte Carlo. Unidad 1, Sesión 1: Introducción Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República, Montevideo, Uruguay
Más detallesAuxiliar N 5 07 de Noviembre de 2007
Universidad de Chile Facultad de Ciencias Físicas y Matemáticas Departamento de Ingeniería Industrial IN34A Optimización Auxiliar N 5 07 de Noviembre de 2007 Profesores: Francisco Cisternas Richard Weber
Más detallesINDICE Parte I. Modelos y Toma de Decisiones 1. Introducción al Análisis Cuantitativo 2. Introducción a la Construcción de Modelos
INDICE Parte I. Modelos y Toma de Decisiones 1 1. Introducción al Análisis Cuantitativo 3 Decisiones empresariales 3 Abstracción y simplificación 4 Construcción de modelos 5 Soluciones 5 Errores 6 Técnicas
Más detallesMATEMÁTICAS DE 2º BACHILLER APLICADAS A LAS CIENCIAS SOCIALES
MATEMÁTICAS DE 2º BACHILLER APLICADAS A LAS CIENCIAS SOCIALES BLOQUE DE ÁLGEBRA Editorial SM TEMA 1: MATRICES Concepto de matriz Dimensión de una matriz Tipos de Matrices: o Matriz fila o Matriz columna
Más detallesMODELOS DE INVESTIGACION DE OPERACIONES
MODELOS DE INVESTIGACION DE OPERACIONES CARACTERÍSTICAS Los modelos se dividen en determinísticos (no probabilisticos) y estocásticos (probilisticos). Hay otros modelos híbridos porque incluyen las dos
Más detallesTEMA 5. LA FUNCIÓN PRODUCTIVA DE LA EMPRESA
TEMA 5. LA FUNCIÓN PRODUCTIVA DE LA EMPRESA 5.1 EL ÁREA DE PRODUCCIÓN DE LA EMPRESA PRODUCIR: consiste en crear o aumentar la utilidad de los bienes para satisfacer las necesidades humanas (desde adquisición
Más detallesOPTIMIZACIÓN VECTORIAL
OPTIMIZACIÓN VECTORIAL Métodos de Búsqueda Directa Utilizan sólo valores de la función Métodos del Gradiente Métodos de Segundo Orden Requieren valores aproimados de la primera derivada de f) Además de
Más detallesCurso: Métodos de Monte Carlo Unidad 4, Sesión 10: Números aleatorios (parte 3)
Curso: Métodos de Monte Carlo Unidad 4, Sesión 10: Números aleatorios (parte 3) Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República, Montevideo,
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS (Universidad del Perú, DECANA DE AMÉRICA)
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS (Universidad del Perú, DECANA DE AMÉRICA) FACULTAD DE INGENIERIA DE SISTEMAS E INFORMATICA ESCUELA PROFESIONAL DE INGENIERÍA DE SISTEMAS 1 INFORMACIÓN GENERAL 11
Más detallesControl 2 IN mayo 2009
Profs: Auxs: Daniel Espinoza Gonzalo Romero Víctor Bucarey Nelson Devia Jocelyn González Daniel Lillo Fernando Solari Control 2 IN3701 28 mayo 2009 Pregunta 1 La empresa de pigmentos LILLO & Co. debe decidir
Más detalles