See

discussions, stats, and author profiles for this publication at: http://www.researchgate.net/publication/255381742

Dimensionamiento de lotes con demanda

incierta
ARTICLE JUNE 2004

DOWNLOADS

VIEWS

483

309

3 AUTHORS, INCLUDING:
Victor Albornoz
Universidad Tcnica Federico Santa Mara
44 PUBLICATIONS 62 CITATIONS
SEE PROFILE

Available from: Victor Albornoz

Retrieved on: 13 September 2015

Dimensionamiento de lotes con demanda incierta.1

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

En el presente trabajo se aborda la resolucin de un problema de dimensionamiento de lotes con

incertidumbre en las demandas. Modelada la incertidumbre a travs de un conjunto finito de
escenarios, definidos sobre todo el horizonte de planificacin, se propone un modelo de
programacin estocstica para el problema abordado. El modelo propuesto resulta naturalmente
de mucho mayor tamao que un modelo determinista para el mismo problema. De este modo, al
hacer uso de un software estndar de programacin entera, el modelo no puede ser resuelto a
optimalidad en su formulacin original, esencialmente por falta de memoria. Lo anterior motiva el
estudio de estrategias alternativas de resolucin. En este artculo, en particular, se emplea la
reformulacin equivalente propuesta por Eppen y Martin. Se muestra los resultados en la
resolucin de un problema especfico bajo distintos conjuntos de escenarios, seguido del clculo
del valor de la informacin y un anlisis de sensibilidad con diferentes distribuciones de
probabilidad y con distintos costos de setup, empleando el software AMPL/CPLEX.
1

Trabajo parcialmente financiado por FONDECYT, Proyecto de Investigacin No.1990106, y por la

Universidad Tcnica Federico Santa Mara, Proyecto de Investigacin USM No. 28.02.21

1. Introduccin

En la actualidad, las empresas enfrentan mercados cada vez ms complejos y competitivos

que permite observar un inters creciente por abordar diferentes problemas de logstica de la
produccin y de los servicios mediante el uso de modelos de optimizacin, como parte de los
sistemas integrados de planificacin y administracin. En particular, en problemas de planificacin
de la produccin en procesos de manufactura, se contempla usualmente modelos de optimizacin
que tienen por objetivo proveer una poltica ptima de produccin, sobre un cierto horizonte de
planificacin, de modo tal de minimizar costos y, simultneamente, satisfacer ciertos
requerimientos estimados de demanda.
Con el propsito de entregar una adecuada solucin al tomador de decisiones, en muchas
situaciones se hace indispensable adems la incorporacin explcita de la incertidumbre presente en
las demandas y costos del problema, para una correcta formulacin del mismo. La Programacin
Estocstica, a travs de los modelos denominados con recurso, provee una metodologa para llevar
a cabo este propsito, que mediante la resolucin de un modelo de optimizacin entrega una poltica
ptima implementable, tomando en cuenta cada escenario particular.
En caso de considerar una demanda y costos conocidos, un modelo (determinista) de
dimensionamiento de lotes provee una solucin ptima en los niveles de produccin de uno o
mltiples productos, en un nmero finito y discreto de periodos, de modo de satisfacer los
requerimientos de demanda. El modelo considera la minimizacin de los costos (variables) de
produccin y mantenimiento de unidades en inventario y tambin ciertos costos fijos (setups),
pudiendo considerar adicionalmente la disponibilidad de ciertos recursos escasos. En presencia de
incertidumbre, modelada esta ltima a travs de un conjunto finito de escenarios definidos sobre
todo el horizonte de planificacin, en este trabajo se formula y resuelve un modelo con recurso que
provee una solucin ptima tomando en cuenta cada escenario de modo de minimizar los costos
esperados de produccin, inventario y setup, y simultneamente dar cumplimiento a los
requerimientos de demanda, limitaciones en la disponibilidad de recursos y un conjunto adicional
de restricciones que dan origen a una solucin ptima implementable, en el sentido de que a
escenarios de demanda idnticos hasta un cierto periodo, todas las decisiones adoptadas hasta ese
periodo deben resultar tambin idnticas para los respectivos escenarios.
Enseguida, se extiende el uso de la redefinicin de variables desarrollada por Eppen y
Martin, para un modelo determinista de dimensionamiento de lotes, a un modelo de programacin
estocstica con recurso en variables entera-mixta. Como se podr apreciar, el empleo de la

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.

2. Problema de dimensionamiento de lotes

La planificacin de la produccin tiene por propsito proveer una poltica de produccin

que permita decidir cundo y cunto elaborar cada producto frente a una demanda comnmente
fluctuante en el tiempo. Estos planes pueden desarrollarse en horizontes de planificacin de largo,
mediano y corto plazo, cada uno de los cuales es subdividido en un cierto nmero de periodos. En
cualquiera de los casos, estos planes se usan comnmente en un esquema de horizonte rodante, que
si bien considera todos los periodos del horizonte de planificacin, slo recoge las soluciones del
primer periodo. Una vez concluido este, el modelo se vuelve a resolver agregando un nuevo periodo
al final del horizonte (manteniendo fijo as el nmero total de periodos), lo cual permite introducir,
de ser necesarios, cambios en los parmetros asociados a periodos futuros que enfrentan una
incertidumbre creciente conforme se alejan del primer periodo de planificacin.
En un horizonte de planificacin de largo plazo, los periodos son anuales y las decisiones se
relacionan principalmente con la capacidad, como construir una nueva planta o expandir una
existente, y con los productos, si se eliminan o se crean determinadas lneas de productos. Por su
parte, en un horizonte de mediano plazo los periodos generalmente son meses o trimestres y las
decisiones estn vinculadas a niveles de elaboracin de productos finales o familias de productos,
niveles de inventario, cambios en la fuerza de trabajo, subcontratacin y tiempos extras. Esto
permite adicionalmente conocer los requerimientos de materia prima para as firmar contratos con
los principales proveedores. Estos planes de mediano plazo se conocen como Planificacin
Agregada de la Produccin y corresponden a decisiones a un nivel tctico en la firma. Por ltimo,
en un horizonte de corto plazo comnmente los periodos corresponden a das o semanas y las
decisiones (operacionales) se relacionan con en las cantidades de cada producto final,
subensambladas y partes, se dan detalles a los proveedores para que entreguen las cantidades
establecidas de materias primas en fechas especficas y se decide qu hacer en cada mquina o

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

periodos, no permitindose la existencia de unidades de faltante o de demanda pendiente. Las

variables de decisin del modelo corresponden a:

xt :

produccin en el periodo t, con t=1,...,T.

I t:

nivel de inventario al final del periodo t, con t=1,...,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.

En consecuencia, el modelo de Wagner-Whitin puede ser formulado de acuerdo al siguiente

modelo lineal de programacin entera-mixta:

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)

En el modelo (1)-(5), la funcin objetivo contempla la suma de los costos totales de

produccin, con un costo unitario v t de produccin en el periodo t, de inventario, con un costo h t
de mantenimiento de inventario de una unidad al final del periodo t, y de setup, con rt el costo de
setup para el periodo t, con t=1,...,T. La restriccin (2) establece, mediante la produccin de
unidades y las existencias en inventario, el cumplimiento de los requerimientos de demanda d t en
cada periodo del horizonte de planificacin t=1,...,T. En la restriccin (3), el trmino d tT representa
una cota superior del nivel de produccin en el periodo t, considerando en este caso d tT =

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

y t = 1 , en caso contrario, si x t = 0 , por costos y t = 0 . Adicionalmente, la restriccin (4) supone

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.

Figura 1. Problema de ruta ms corta.

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.

3. Modelo de dimensionamiento de lotes bajo incertidumbre

En diversas situaciones resulta ms realista considerar las demandas futuras como un

parmetro bajo condiciones de incertidumbre y, en consecuencia, se busca incorporar por ejemplo
diversos escenarios y, por lo mismo, estudiar una manera de formular, resolver y analizar modelos
de optimizacin con parmetros no determinista. La Programacin Estocstica agrupa la literatura
relacionada con la incorporacin explcita de la incertidumbre y el riesgo en modelos de
optimizacin, ver por ejemplo Birge and Louveaux (1997), Sen and Higle (1999), para un tutorial
en el caso de modelos lineales, y Ruszczynski and Shapiro (2003) para una revisin ms

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 .

Adicionalmente, se definen nuevas variables de produccin, inventario y setup para cada

escenario de demanda. Al escoger las decisiones por escenario, se tiene un modelo que permite una
mayor flexibilidad al tomador de decisiones y, al mismo tiempo, permite la existencia de soluciones
factibles. Ms especficamente, el modelo propuesto para el problema de dimensionamiento de lotes
no capacitado con escenarios de demanda, contempla las siguientes variables de decisin:

x st :

produccin en el periodo t para el escenario s, con t=1,...,T y s ,

I st :

inventario al final del periodo t para el escenario s, con t=1,...,T y s ,

y st :

variable binaria de setup del periodo t para el escenario s, con t=1,...,T y s ,

y corresponde al siguiente modelo lineal de programacin estocstica con recurso:

n

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)

La funcin objetivo en (11) corresponde a minimizar el valor esperado de los costos de

produccin, inventario y setup. Como antes, la restriccin (12) representa los requerimientos de
demanda, definidos ahora para cada periodo y escenario, la restriccin (13) permite la inclusin de
los costos fijos de setup, (14) asume un inventario inicial nulo para cada escenario y (16) la nonegatividad de las variables de decisin. En tanto, (15) seala que las decisiones adoptadas debern
satisfacer un conjunto de restricciones adicionales llamadas de no-anticipatividad, que no permiten
la separabilidad del modelo por escenarios. Introducidas originalmente por Wets (1975), estas
restricciones permiten obtener soluciones implementables en el siguiente sentido: si dos escenarios
diferentes s y s, son idnticos hasta la etapa , con 1 , entonces hasta esa etapa las decisiones
de produccin, de inventario y de setup, para t=1,...,, debern ser idnticas y se denota por N el
conjunto de las decisiones que satisfacen dichas restricciones.
Etapa 1

Etapa 2

Etapa 3
Escenario 1
Escenario 2
Escenario 3
Escenario 4
Escenario 5
Escenario 6
Escenario 7
Escenario 8
Escenario 9

Figura 2: Arbol de 9 escenarios de demanda

As por ejemplo, en un problema de produccin con tres etapas y 9 escenarios de demanda,
ver Figura 2, en la primera etapa se toma la misma demanda para los 9 escenarios, en la segunda se
asume tres valores diferentes de la demanda, uno de cuyos valores es el mismo para los escenarios

1, 2 y 3 y anlogamente para los escenarios 4, 5 y 6 y los escenarios 7, 8 y 9. En el ejemplo, las

restricciones de no-anticipatividad imponen que en la primera etapa la produccin de esa etapa sea
la misma para cualquier escenario. Por su parte, en la segunda etapa la produccin debe ser la
misma para los escenarios 1, 2 y 3 y anlogamente para los escenarios 4, 5 y 6 y los escenarios 7, 8
y 9 con los respectivos valores de demanda en ese periodo.
El modelo propuesto est muy relacionado con algunos trabajos previos en el mbito de
problemas de planificacin de la produccin, como por ejemplo el artculo de Escudero et al.
(1993), que presenta diversos modelos de programacin estocstica en problemas capacitados de
produccin, y el artculo de Albornoz y Contesse (1999), que considera diferentes modelos de
programacin estocstica para problemas de planificacin agregada de la produccin, todos los
cuales presentan adicionalmente algunas estrategias algortmicas de resolucin.
Una caracterstica comn de esta clase de modelos de optimizacin bajo condiciones de
incertidumbre, como el formulado en (11)-(16), es el nmero mucho mayor tanto de variables como
de restricciones respecto de un modelo determinista, como el modelo (1)-(5). Esto hace necesario
considerar estrategias adecuadas de resolucin y, de hecho, existe un gran nmero de algoritmos
que pueden ser empleados para esta clase de problemas, ver por ejemplo Ermoliev and Wets (1988),
Birge and Louveaux (1997) y Ruszcynski and Shapiro (2003), todas como alternativas al empleo de
un software de propsito general para problemas en variables entera-mixta.
En este artculo, en cambio, se extiende el uso de la redefinicin de variables propuesta por
Eppen y Martin para el problema determinista, introducida en la seccin 2, a un modelo con
escenarios de demanda. La reformulacin considerada es tal que los valores de las nuevas variables
corresponden a una solucin factible de produccin, inventario y setup, es decir no se crean nuevas
soluciones factibles a travs de la redefinicin, al redefinir las variables no se pierde la solucin
ptima del problema original y, por ltimo la redefinicin constituye una mejor aproximacin del
modelo original en variables entera-mixta, en el sentido que la relajacin lineal del problema
reformulado (aplicando una transformacin al espacio correspondiente de las variables originales)
resulta una mejor aproximacin de la envoltura convexa del problema, respecto de la relajacin
lineal del modelo en su formulacin original.
Basados en el modelo (6)-(10), se contempla las siguientes variables de decisin:

1 si se produce en el periodo t = i + 1 para satisfacer la demanda hasta

s
z : el periodo k, para el escenario s
ik
0 sino

i = 0,.., T 1;

k = i + 1,.., T;

ys : variable binaria de setup del periodo t en el escenario s, con t = 1, ..., T y s

t

de donde el modelo reformulado para el problema con escenarios de demanda, basado en la

redefinicin de Eppen y Martin, resulta ser:

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 y s' idnticos hasta t con t = 1,..., T (21)

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

h j ) d stk para t = i + 1, con i = 0,...,T-1, k = i + 1,....,T y

h t d 1t ) . Las restricciones (18), (19) y (20) simplemente expresan lo

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

variables de produccin, inventario y setup, respecto de la relajacin lineal del modelo en su

reformulacin original.
Por ltimo, hacemos notar que a partir de la solucin ptima del modelo (17)-(22) puede
obtenerse fcilmente la solucin ptima en las variables originales, definiendo simplemente en cada
periodo t la solucin ptima de produccin por x st =
del periodo t por I st =

t
i =1

T
k =t

d stk z st 1,k y el nivel de inventario al final

x si d 1st , para cada t=1,...T.

4. Ejemplo computacional

A fin de poder comparar la calidad de la reformulacin utilizada en la resolucin de un

modelo de dimensionamiento de lotes con escenarios de demanda, se tomar un ejemplo con un
horizonte de planificacin de T= 6 meses que contempla la elaboracin de 9 productos, conocidos
los costos unitarios de produccin, de mantenimiento de una unidad en inventario y de setup, para
cada producto y en cada periodo del horizonte considerado. Los datos fueron tomados de un
problema de naturaleza real y corresponde a la planificacin de una planta de refrigeradores de la
empresa CTI, estudiado originalmente para el caso determinista en Gazmuri et al. (1993).
Los distintos modelos estocsticos resueltos en este trabajo contemplan el uso de diferentes
conjuntos de escenarios de demanda. En cada caso, los escenarios resultan de hacer todas las
combinaciones posibles considerando tres posibilidades en cada una de las etapas en las cuales se
han reagrupado los diferentes periodos del horizonte de planificacin, con excepcin de la primera
etapa que siempre corresponder al primer periodo y cuyo valor asumimos est exento de
incertidumbre. De igual modo, se supone conocidas las probabilidades para cada una de estas tres
posibilidades por etapa, que podramos asociar como demandas alta, media y baja, asumiendo
adicionalmente la independencia de estas demandas entre etapas.
Se consideran modelos estocsticos con 3 y 9 escenarios de demanda, correspondientes a
problemas con 2 y 3 etapas, respectivamente. Estas etapas resultan de agrupar en la ltima los 5 y 4
ltimos meses del horizonte de planificacin, respectivamente. Por ejemplo, en un problema con 9
escenarios de demanda, ver figura 2, en la etapa 1 (periodo 1) se asume slo un valor para la
demanda, en la etapa 2 (periodo 2) se considera tres posibilidades (una demanda alta, media y baja)
y en la etapa 3 (periodo 3 en adelante) se consideran nuevamente tres posibilidades para las
demandas de toda la etapa. Asumiendo la independencia de las demandas entre etapas, al hacer

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

Los diferentes modelos considerados en este trabajo fueron formulados empleando el

lenguaje de modelado algebraico AMPL, Fourer et al. (2003), utilizando en todos los casos el solver
CPLEX 6.0 para la resolucin de los distintos modelos lineales en variable entera-mixta. Por su
parte, la Tabla 2 muestra los valores de la funcin objetivo alcanzados en la evaluacin de la mejor
solucin entera encontrada por el solver CPLEX, correspondiendo ms especficamente al valor
ptimo en el caso del modelo reformulado, de acuerdo a la redefinicin de Eppen y Martin (17)(22), y a un valor con un cierto error respecto del valor ptimo, gap de dualidad, para los problemas
en su formulacin original (11)-(16), que no pudieron ser resueltos a optimalidad con escenarios.

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

Tabla 2. Valor de la funcin objetivo (en M$)

Por otra parte, la Tabla 3 resume los tiempos de ejecucin requeridos por el solver CPLEX,
para alcanzar los valores dados en la tabla anterior, usando un computador Cluster 8 AXP 3700.

Modelo en su formulacin original

Modelo redefinido Eppen-Martin
Tabla 3. Tiempo de CPU (en segundos)

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.

Modelo estocstico con 9 escenarios

Variacin en la distribucin de probabilidad

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

Figura 3. Valores de la funcin objetivo para 5 distribuciones de probabilidad (M$).

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.

Modelo estocstico con 9 escenarios

Variaciones en el costo de setup

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

Figura 4. Valores de la funcin objetivo para 9 costos de setup (M$).

De igual forma, la Figura 4 permite observar que las variaciones porcentuales de la funcin
objetivo frente a cambios en el setup no son significativas, ya que ante un aumento del 130% en el
valor del setup (respecto del menor valor considerado), la funcin objetivo solo vara un 0,5%. Por
ltimo, es posible calcular el Valor Esperado de la Informacin Perfecta, que denotamos por EVPI
(expected value of perfect information), definido como la diferencia entre el promedio de los
valores alcanzados por la funcin objetivo del modelo determinista para cada escenario particular y

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.

Modelo demanda extremadamente baja

Modelo demanda muy baja
Modelo demanda baja
Modelo demanda regularmente baja
Modelo demanda media
Modelo demanda regularmente alta
Modelo demanda alta
Modelo demanda muy alta
Modelo demanda extremadamente alta
Promedio (WS)
Modelo Estocstico (RP)
EVPI = RP - WS

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

Tabla 4. Valor de la Funcin Objetivo para 9 escenarios (en M$)

Los resultados alcanzados establecen, por una parte, la validez de esta clase de modelos
para enfrentar la incertidumbre en las demandas futuras del problema y, por otra parte, la
conveniencia de la utilizacin de una tcnica especfica como la redefinicin de variables de Eppen
y Martin. Lo anterior se hace ms evidente al destacar que slo se pudo resolver a optimalidad los
modelos con tres y nueve escenarios empleando la tcnica de redefinicin de variables, en tanto con
la formulacin original esto no fue posible por falta de memoria en la aplicacin del algoritmo de
Branch and Bound con que cuenta el solver CPLEX. De igual modo, los resultados coinciden de
alguna forma con lo obtenido por Albornoz et al. (2001) que aplicaron otra conocida redefinicin de
variables a diversos problemas de dimensionamiento de lotes.

5. Conclusiones

En este artculo se formula y resuelve problemas de dimensionamiento de lotes con

demanda bajo incertidumbre, mediante el uso de la redefinicin de variables propuesta por Eppen y

Martin, extendiendo as su aplicacin del caso determinista a modelos lineales de programacin

estocstica, con un nmero finito de escenarios.
Los resultados obtenidos muestran que la utilizacin de la redefinicin de Eppen y Martin
permite resolver modelos de mayor tamao, en menor tiempo y alcanzando la solucin ptima del
problema respecto de la resolucin del modelo en su formulacin original, empleando en ambos
casos un solver estndar de problemas lineales en variable entera-mixta.
El anlisis de sensibilidad realizado con uno de los modelos abordados tambin muestra que
los valores ptimos no cambian significativamente al modificar, por separado, tanto las
probabilidades de los escenarios como los costos de setup y de inventario, que muestran la
estabilidad de esta clase de modelos frente a perturbaciones en alguno de los parmetros del
modelo.
Posibles extensiones del presente trabajo consisten en aplicar la redefinicin de variables de
Eppen y Martin a la resolucin de modelos de dimensionamiento de lotes con demandas pendientes,
mltiples productos y restricciones de capacidad sobre los recursos disponibles, como as tambin la
combinacin de estas tcnicas de redefinicin de variables con mtodos de descomposicin por
escenarios, que a nivel de subproblemas permitan recuperar modelos similares a los modelos
determinista de dimensionamiento de lotes.

6. Referencias Bibliogrficas

Albornoz, V. y L. Contesse, 1999. Modelos de Optimizacin Robusta para un Problema de Planificacin

Agregada de la Produccin bajo Incertidumbre en las Demandas. Investigacin Operativa, 7, No.3, 1-16.
Albornoz, V., J. Arrate y L. Contesse, 2001. Solucin de Modelos de Dimensionamiento de Lotes no
Capacitados bajo Incertidumbre en las Demandas. Revista del Instituto Chileno de Investigacin
Operativa, Vol 6, No.1-2, 52-62.
Birge, J., 1995. Models and model value in stochastic programming. Annals of Operations Research 59, 1-18.
Birge, J. and F. Louveaux, 1997. Introduction to Stochastic Programming. Springer, New York.
Crowston, W.P. and M.H. Wagner, 1973. Dynamic lotsize models for multistage assembly system.
Mamagement Science 20, 13-21.
Drexl, A. and A. Kimms, 1997. Lot Sizing and Scheduling-Survey and extensions. European Journal of
Operational Research, 99, 221-235.
Eppen, G. and R. Martin, 1987. Solving Multi-item Capacited Lot-sizing Problems Using Variable
Redefinition. Operations Research, 35 (6), 832-848.

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.