discussions, stats, and author profiles for this publication at: http://www.researchgate.net/publication/255381742
DOWNLOADS
VIEWS
483
309
3 AUTHORS, INCLUDING:
Victor Albornoz
Universidad Tcnica Federico Santa Mara
44 PUBLICATIONS 62 CITATIONS
SEE PROFILE
Vctor M. Albornoz
Ingrid L. Bohn
Mara F. de la Maza
Departamento de Industrias
Universidad Tcnica Federico Santa Mara
Av. Santa Mara 6400. Santiago
Resumen
1. Introduccin
reformulacin de Eppen y Martin resulta ms eficiente que la simple resolucin del modelo
propuesto en su formulacin original, haciendo uso en ambas situaciones de un software de
propsito general para problemas de programacin entera, como los que provee AMPL/CPLEX.
Por ltimo, se muestra los resultados alcanzados en la resolucin de diferentes instancias de un
problema de prueba con datos reales, que contempla escenarios de demanda, y se establecen las
principales conclusiones y posibles extensiones del presente trabajo.
taller. Los sistemas modernos de planificacin de la produccin llaman a esto un Plan Maestro de
la Produccin (MPS), cuyo desglose para cada componente de un producto final se hace usando la
Planificacin de Requerimientos de Materiales (MRP).
En la actualidad, y debido principalmente a los recientes avances en Tecnologas de la
Informacin, las compaas llevan a cabo estos planes en un esquema integrado de planificacin y
administracin con el resto de la organizacin, incluyendo a veces hasta los mismos proveedores.
Los sistemas ms estudiados y utilizados como parte de este esquema ms global de planificacin
son el MRP II, la Produccin Justo a Tiempo (Just In Time, JIT), la Tecnologa de Produccin
Optimizada (OPT) y ERP (Enterprise Resource Planning). Ahora bien, los modelos de
optimizacin, como los de dimensionamiento de lotes estudiados en el presente artculo, son
fundamentales para identificar planes ptimos de produccin y, de hecho, estn siendo incluidos en
forma creciente a travs de mdulos en software desarrollados para implementar estos sistemas.
Si la produccin es para inventario, como es el caso de una empresa de electrodomsticos
como CTI (ver Gazmuri et al. 1992 y Gazmuri y Maturana, 2001), la compaa elabora
esencialmente un nmero no muy elevado de productos finales muy estndares y debe dimensionar
los lotes de productos finales, manteniendo existencias de la mayor parte de sus productos. Existen
diversos modelos de optimizacin para hallar lotes ptimos de produccin de uno o mltiples
productos sobre un cierto horizonte de planificacin. En este artculo, para simplificar su
presentacin, se considera un modelo bsico no capacitado de dimensionamiento de lotes, conocido
como el modelo de Wagner-Whitin (1958), que ser extendido para las distintas formulaciones que
incluyen la presencia de escenarios de demanda.
El modelo de Wagner-Whitin asume un horizonte de planificacin finito y discreto, con
demandas, costos marginales de produccin e inventario y/o costos de setup constantes pero
variando en el tiempo y, supone que no existe ningn tipo de restriccin en cuanto a la utilizacin
de recursos como maquinaria y/o mano de obra. La solucin ptima propuesta para este problema,
busca por una parte resolver el conflicto entre producir grandes lotes, para amortizar los costos de
setup, o producir pequeas cantidades ajustadas a la demanda, para tener bajo costo de inventario,
de modo que los costos de setup y manejo de inventario sean pequeos. No existiendo
interdependencia entre tems, debido a la ausencia de restricciones de capacidad, el
dimensionamiento de lotes puede ser realizado para cada tem separadamente.
Ms precisamente, el objetivo principal del problema consiste en determinar los lotes de
produccin para un producto en T periodos, de modo de minimizar los costos de produccin,
inventario y setup y, simultneamente, satisfacer la demanda del producto en cada periodo. La
demanda es conocida y se asume que debe ser satisfecha completamente en cada uno de los
xt :
I t:
yt :
variable binaria de setup del periodo t, que toma el valor 1 si se fabrica el producto
en el periodo t y 0 sino, con t=1,...,T.
Min
t =1
s.a.
v x + h I + r y
t
t t
t =1
(1)
t =1
I t 1 + x t I t = d t
t = 1,..T
(2)
x t d tT y t
t = 1,..T
(3)
(4)
I0 = 0
x t 0, I t 0,
y t { 0, 1}
t = 1,..T
(5)
T
i=t
di ,
que corresponde a la demanda acumulada desde el periodo t hasta T. Este valor provee, en ausencia
de restricciones de capacidad y bajo el supuesto de no permitir unidades de faltante, la mejor cota
superior para el nivel de produccin en cada periodo t. La inclusin de esta restriccin permite
representar la insercin de los costos fijos de setup en la funcin objetivo para cada periodo. En
efecto, si la produccin x t > 0 , para el cumplimiento de (3) necesariamente la variable binaria
un nivel de inventario inicial nulo y la restriccin (5) impone decisiones no negativas de produccin
e inventario.
Por otra parte, el modelo (1)-(5) fue reformulado por Eppen y Martin esencialmente como
un problema de Ruta ms Corta. Esta reformulacin hace uso de la estructura especial que posee la
solucin ptima del problema determinista de dimensionamiento lotes no capacitado: primero, que
las decisiones (ptimas) no nulas de produccin estn asociadas a periodos en los cuales el
inventario al inicio del periodo es cero y, segundo, como consecuencia de lo anterior, que la
produccin (ptima) en un determinado periodo t es nula o corresponde a la demanda acumulada
desde el periodo t hasta algn periodo (futuro) k, con tkT, es decir x t {0, d 1t ,..., d tT } para
t=1,...,T con d tk = k d j para tkT.
j= t
A modo de ejemplo, se considera un problema con T=3 periodos de planificacin. El
respectivo problema de ruta ms corta est asociado a una determinada red dirigida (Figura 1), con
un nodo auxiliar 0 de origen y nodos 1, 2 y 3 que representan los respectivos periodos de
produccin. Usando la mencionada estructura que posee la solucin ptima, se asocia al arco (0,1)
una decisin de produccin del periodo 1 que equivale a la demanda de ese periodo, al arco (0,2)
una decisin de produccin en el periodo 1 que equivale a la demanda del periodo 1 y 2, al arco
(0,3) una decisin de produccin en el periodo 1 que equivale a la demanda del periodo 1, 2 y 3, a
su vez al arco (1,2) una decisin de produccin en el periodo 2 que equivale a la demanda del
periodo 2, al arco (1,3) una decisin de produccin en el periodo 2 que satisface la demanda del
periodo 2 y 3 y, finalmente, al arco (2,3) una decisin de produccin en el periodo 3 que equivale a
la demanda del periodo 3. Dado lo anterior, para cada uno de los arcos (i,j) de la red se puede
definir un costo positivo (de produccin, inventario y setup) asociado a la respectiva decisin de
produccin en dicho arco. De este modo, la ruta ms corta del nodo 0 al nodo 3 provee
precisamente la solucin ptima del problema.
Ms generalmente, para el modelo (1)-(5) se define una red con un conjunto de nodos
0,1,...,T y un conjunto de arcos (i,k) para i=0,1,...,T-1 y k=i+1,...,T; asociado a cada uno de estos
arcos (i,k) hay un costo c ik = (v t + h j ) d tk , correspondiente al costo de producir (y almacenar)
j= t
T
d tk unidades en el periodo t=i+1 para satisfacer las respectivas demandas desde el periodo t hasta el
periodo (futuro) k. Por otra parte, el modelo reformulado contempla, por cada arco (i,k) de la red,
una variable de decisin binaria zik, que indica si la ruta ms corta del nodo 0 al nodo T pasa o no
por el arco (i,k), o en otras palabras si la produccin en t=i+1 equivale a la demanda del periodo t
hasta el periodo k, y conserva la variable binaria de setup yt para cada periodo t=1,...,T. Con todo lo
anterior, el modelo propuesto para el problema no capacitado de dimensionamiento de lotes, segn
la redefinicin de Eppen y Martin, resulta ser:
Min
T 1
c ik z ik +
i = 0 k = i +1
s.a.
r y
i
(6)
i =1
0k
(7)
=1
k =1
T
i 1
z ik
k =i +1
ji
=0
(8)
i = 0,...T 1
(9)
j= 0
i = 0,...T 1
ik
y i +1
k =i +1
z ik {0,1} ;
y i {0,1}
(10)
La funcin objetivo (6) minimiza los costos de produccin, inventario y setup, donde la
constante K=t=1,T htd1t. La restriccin (7), obliga a definir una solucin de produccin en el primer
periodo, o equivalentemente a definir una ruta que salga del nodo cero (origen) a travs de un slo
arco. La restriccin (8), corresponde a este mismo hecho para los periodos intermedios t=1,...,T-1,
que en trminos de un problema de ruta ms corta establece que si una ruta llega a un nodo
intermedio tambin debe salir una ruta desde ese nodo. La restriccin (9), relaciona la decisin de
produccin en un periodo particular con la correspondiente variable de setup. Adems, impone que
fijado el valor de i, a lo ms slo una de las variable zik tome el valor 1 de entre todos los valores
posibles de k, que define, en caso de producir, aquella nica decisin no nula de produccin en el
periodo t=i+1, de acuerdo a los posibles valores que puede tomar la solucin ptima en ese periodo.
La ventaja que presenta esta nueva formulacin es que permite recuperar la solucin ptima
al modelo (1)-(5) mediante la simple resolucin de la relajacin lineal del modelo (6)-(10), como
consecuencia del resultado establecido en la proposicin 4.1 del citado artculo de Eppen y Martin y
el hecho que xt = k=t,T dtk zt-1 k e It = ( i=1,t xi ) - d1t para cada t=1,...,T. Cabe hacer notar que un
resultado similar puede ser obtenido para el problema con restricciones de capacidad, pero en este
caso la equivalencia se logra conservando ahora la integralidad de la variable de setup.
Por otra parte, diversos autores han considerado extensiones al modelo (1)-(5). As por
ejemplo entre una larga lista de artculos, Manne (1958) formul el problema capacitado de
dimensionamiento de lotes para mltiples productos, esto es un modelo que considera la
elaboracin de varios productos y que, al mismo tiempo, toma en cuenta la disponibilidad en cada
periodo de uno o ms recursos limitados que se usan para elaborar todos o una parte de los
productos considerados en el problema. Zangwill (1966) extendi (1)-(5) a un modelo con demanda
pendiente, esto es un modelo donde en cada periodo no necesariamente se satisface toda la demanda
pudiendo dejar unidades pendientes para un periodo futuro, considerando por supuesto un costo en
cada periodo por total de unidades no satisfechas hasta ese periodo. Crowston y Wagner (1973) lo
extendieron a un modelo de dimensionamiento de lotes con mltiples niveles de ensamblaje, esto es
un modelo donde no slo se consideran decisiones (niveles produccin e inventario) respecto de
productos finales sino tambin sobre partes y componentes, conocida la estructura de cada item en
trminos de la interdependencia entre ellos. Karmarkar et al. (1987) y, ms recientemente, Wolsey
(1989) lo extendieron a uno que adems contabiliza costos fijos de puesta en marcha cada vez que
se inicia la produccin de un producto sobre un intervalo de periodos consecutivos, esto es un
modelo en que si se elabora por ejemplo un mismo producto en cada uno de los primeros cinco
periodos, se paga adems del costo fijo de producir en cada uno de los cinco periodos un costo fijo
de puesta en marcha en el primer periodo. Otras referencias de inters pueden consultarse
adicionalmente en Salomn (1991), Graves et al. (1993) y Drexl and Kimms (1997). En este
trabajo, en cambio, se considera a continuacin un modelo de dimensionamiento de lotes que
incorpora explcitamente la presencia de un nmero finito de escenarios de demanda que extiende el
modelo (1)-(5) y cuya posterior extensin a algunas situaciones ms generales como las descritas
arriba resulta natural.
recientemente de modelos, mtodos y aplicaciones. Esta rea extiende los modelos deterministas de
Programacin Lineal, Entera y No-Lineal al incluir explcitamente variables aleatorias en los
parmetros del modelo, considerando tpicamente la maximizacin o minimizacin de funciones en
valor esperado y/o de varianzas o momentos de segundo orden. En particular, un modelo con
recurso de programacin estocstica calcula una solucin ptima en la cual es posible distinguir, en
cada etapa, variables de decisin cuyo valor debe ser obtenido antes de la realizacin del parmetro
aleatorio al final de la etapa, esto es independiente de la realizacin de cada escenario particular y
variables llamadas de recurso, cuyo valor depende tanto de las variables ya mencionadas como del
escenario particular. Todo lo anterior permite dar la flexibilidad necesaria al modelo propuesto
como una manera de enfrentar esta incertidumbre.
El modelo (1)-(5), o su reformulacin equivalente (6)-(10), puede ser visto como un modelo
resultante al reemplazar el valor de la demanda aleatoria por su valor esperado. Por su parte, los
resultados alcanzados pueden ser muy diferentes de los que arrojara un modelo de programacin
estocstica, lo cual es particularmente notorio cuando existen importantes variaciones en torno del
valor esperado. De este modo, al no incluir explcitamente estas variaciones en un modelo se
obtiene soluciones muy optimistas que en la prctica invalidan su implementacin de resultar
finalmente escenarios de demandas futuras muy diferentes del promedio.
En lo que sigue, se formula un modelo de programacin estocstica que extiende el modelo
(1)-(5) al considerar la presencia de diversos escenarios de demanda, definidos sobre todo el
horizonte de planificacin. Para este propsito, se considera un nmero finito de escenarios
={1,...,S}, denotando por d st la demanda para el periodo t, con t=1,..,T, bajo el escenario s.
Cada escenario s tiene a su vez una probabilidad de ocurrencia que se denotar por ps, valores
que naturalmente satisfacen
p s = 1 , con p s 0 .
x st :
I st :
y st :
Min
ps (
s =1
s.a.
v t x st +
t =1
h t I st +
r y
t =1
(11)
s
t)
t =1
I st 1 + x st I st = d st
t = 1,...,T; s
(12)
x st d tT y st
t = 1,...,T; s
(13)
I s0 = 0
(14)
(15)
x s N, I s N,y s N
x st 0, I st 0,
y st {0,1}
t = 1,...,T; s
(16)
Etapa 2
Etapa 3
Escenario 1
Escenario 2
Escenario 3
Escenario 4
Escenario 5
Escenario 6
Escenario 7
Escenario 8
Escenario 9
s
z : el periodo k, para el escenario s
ik
0 sino
i = 0,.., T 1;
k = i + 1,.., T;
Min
T 1
s =1
s.a.
ps (
csik zsik +
i = 0 k = i +1
r y ) K
t
t =1
s
0k
(17)
s
t
=1
(18)
i = 1,...,T 1; s
(19)
i = 0,...,T 1;
(20)
k =1
T
T 1
z sik
k =i +1
s
jt
=0
j= 0
s
ik
ysi +1
k = i +1
T
d tk z st 1 ,k =
k =t
z sik
s'
tl z t 1, l
l= t
{0,1},
i = 0,...,T 1, k = i + 1,..., T, s
y st {0,1}
(22)
Como en (11), la funcin objetivo (17) incluye los costos esperados de produccin,
inventario y setup, donde c sik = (v t +
la constante K =
ps (
T
t =1
T
j= t
mismo que (12), (13) y (14) ahora para cada escenario, respectivamente. Por su parte, la restriccin
(21) representa de manera explcita las restricciones de no-anticipatividad para las decisiones
asociadas a la produccin en cada periodo o etapa donde coincidan dos o ms escenarios de
demanda hasta dicho periodo o etapa. Se ha omitido las restricciones de no-anticipatividad sobre la
variable de setup pues estas naturalmente se cumplen al ser impuestas sobre las decisiones de
produccin.
Como se seal anteriormente, la redefinicin de variables de Eppen y Martin permite
recuperar la solucin ptima del problema determinista mediante la resolucin de la relajacin
lineal del modelo (6)-(11). Es importante hacer notar que en presencia de las restricciones de noanticipatividad como de restricciones de capacidad este ya no es el caso. Sin embargo, la solucin
ptima del problema en estos casos puede ser obtenida a partir de (17)-(22) relajando al menos la
integralidad de las variables ziks, resultado que se deduce a partir de la proposicin 2.2 en Eppen y
Martin (1987). Las experiencias numricas, resumidas en la siguiente seccin, confirman esto
ltimo de modo que el modelo reformulado provee una mejor aproximacin de la envoltura
convexa del problema (11)-(16), hecha la respectiva transformacin al espacio que definen las
t
i =1
T
k =t
4. Ejemplo computacional
todas las combinaciones posibles de los diferentes valores entre las tres etapas resultan los nueve
escenarios que aparecen en la Figura 2.
La Tabla 1 muestra como fueron agrupadas las distintas etapas, en trmino de los periodos
que incluyen, meses numerados del 1 al 6, y el tamao de los modelos abordados.
Determinista
3 escenarios
9 escenarios
1
2
3
Nmero de etapas
1
6
1,
2
6
1,
2,
3-6
Meses en cada etapa
162 variables
486 variables
1.458 variables
162 binarias
486 binarias
Modelo formulacin original 54 binarias
177 restricciones 585 restricciones 1.908 restricciones
378 variables
1.134 variables 3.402 variables
54
binarias
162 binarias
486 binarias
Modelo de Eppen-Martin
168 restricciones 540 restricciones 1.359 restricciones
Tabla 1. Tamao de los problemas resueltos
Modelo Original
Modelo de Eppen-Martin
Determinista
7.103.615
7.103.615
3 escenarios
7.104.383
7.104.308
9 escenarios
7.105.456
7.105.451
3 escenarios
10,237
0,930
9 escenarios
9,768
6,750
A continuacin, se muestran algunas grficas que permiten apreciar la robustez de esta clase
de modelos, al llevar a cabo un anlisis de sensibilidad respecto tanto de las probabilidades
consideradas como de los costos de setup usados en los distintos modelos.
7.105.800
7.105.600
7.105.400
7.105.200
7.105.000
7.104.800
7.104.600
Caso 1
Caso 2
Caso 0
Caso 3
Caso 4
En efecto, la Figura 3 muestra que el valor ptimo es poco sensible a los cambios en la
distribucin de probabilidad asignadas a la demanda aleatoria. Estos valores son los arrojados para
el modelo con 9 escenarios considerando 5 elecciones de las mismas.
7.130.000
7.120.000
7.110.000
7.100.000
7.090.000
7.080.000
7.070.000
7.060.000
Caso Caso Caso Caso Caso Caso Caso Caso Caso
1
2
3
4
0
5
6
7
8
el valor ptimo del modelo estocstico que incluye estos mismos escenarios. Esta expresin
corresponde al mximo valor que est dispuesto a pagar el tomador de decisiones por conocer la
informacin del futuro, Birge (1995). La tabla que sigue resume los valores ptimos del modelo
determinista para cada uno de los nueve escenarios considerados en este trabajo, junto con el
promedio de estos valores, el valor ptimo del modelo estocstico y el valor esperado de la
informacin perfecta.
Valor ptimo
6.291.643
6.464.038
6.634.981
6.932.223
7.103.615
7.275.823
7.573.398
7.742.477
7.917.451
7.103.961
7.105.451
1.490
5. Conclusiones
6. Referencias Bibliogrficas
Ermoliev, Yu and R. Wets (Eds.), 1988. Numerical Techniques for Stochastic Optimization. Springer, New
York.
Escudero, L., P. Kamesan, A. King and R. Wets, 1993. Production Planning via Scenarios Modeling. Annals
of Operations Research, 43, 311-335.
Fourer, R., D. Gay and B. Kernigham, 2003. AMPL: A Modeling Language for Mathematical Programming.
Second Edition, Thomson Learning, USA.
Gazmuri, P., L. Contesse, A. Candia, M. Alfaro y W. Johnson, 1992. Desarrollo de un modelo de
planificacin de la produccin para la Compaa Tecno Industrial CTI. Informe Final, empresa
Consultores G.B.O. Ltda., Santiago, Chile.
Gazmuri, P. and S. Maturana, 2001. Developing and implementing a production planning DSS for CTI using
structure modeling. Interfaces 31, No. 4, 22-36.
Graves, S.C., A.H.G. Rinnooy Kan and P. H. Zipkin (Eds), 1993. Logistics of production and inventory.
Handbooks in Operations Research and Management Science Vol.4, Elsevier Science Publishers B.V.,
The Netherlands.
Karmarkar, U.S., S. Kekre and S. Kekre, 1987. The Deterministic Lotsizing Problem with Startup and
Reservation Costs. Operations Research, 35 (3), 389-398.
Manne, A.S., 1958. Programming and Economic Lot Sizes. Mgmt. Sci. 4, 115-135.
Ruszczynski, A. and A. Shapiro (Eds), 2003. Stochastic Programming. Handbooks in Operations Research
and Management Science, Vol. 10. Elsevier Science Publishers B.V, The Netherlands.
Salomon, M., 1991. Deterministic Lotsizing Models for Production Planning. Springer, New York.
Sen, S. and J.L. Higle, 1999. Introductory Tutorial on Stochastic Linear Programming Models. Interfaces 29,
No.2, 33-61.
Wagner H. and T. Whitin, 1958. Dynamic Version of the Economic Lot Size Model. Management Science
23, 89-96.
Wets, R., 1975. On the Relation between Stochastic and Deterministic Optimization. In Control Theory,
Numerical Methods and Computer Systems Modelling. A. Bensoussan and J.-L. Lions (eds). Lecture
notes in Economics and Mathematical Systems, Vol.107, 350-361.
Wolsey, L.A., 1989. Uncapacitated Lot-Sizing Problems with Start-Up Costs. Operations Research, 37(5),
741-747.
Zangwill, W., 1966. A Deterministic Multi-period Production Scheduling Model with Backlogging.
Management Science 13, 105-119.