Anda di halaman 1dari 12

Gestin Estratgica

1er. Semestre 2017 | Programa Diurno | Campus Santiago

Tarea 1: Modelo de expansin de capacidad.

Autores: Profesor:
Alberto Barahona Luis Yaez
alberto.barahona.12@sansano.usm.cl
201260606-3, Ingeniera Civil Industrial
Rafael Daz Ayudantes:
rafael.diaz.12@sansano.usm.cl
Gabriela Alfaro
201260592-k, Ingeniera Civil Industrial
Paula Seplveda
Mariajos Lueiza
mariajose.lueiza.12@sansano.usm.cl
201260564-4, Ingeniera Civil Industrial

1 de mayo de 2017
Universidad Tcnica Federico Santa Mara Departamento de Industrias

Tabla de Contenidos

1. Introduccin 2

2. Descripcin del modelo 2

3. Programacin algoritmo primal 3

4. Variacin Lost Sale del modelo 5

5. Conclusin 6

A. Anexo 1 8

B. Anexo 2 9

C. Anexo 3 10

D. Anexo 4 11

Gestin de Operaciones II, 1er. Semestre 2017, Tarea 1: Modelo de expansin de capacidad. 1
Universidad Tcnica Federico Santa Mara Departamento de Industrias

1. Introduccin
En este informe se trata el problema de expansin de la capacidad estocstica con mltiples
fuentes de capacidad realizando inicialmente una solucin del problema general a travs del ejemplo
de la figura 2.1. El problema consiste en satisfacer la demanda de cada nodo, ya sea a travs
de capacidad permanente: capacidad del mercado spot (capacidad que slo se puede comprar y
utilizar en el perodo actual) y la capacidad contractual (capacidad disponible en el perodo actual
si se ha firmado un contrato en perodos anteriores). Se hace tambin la consideracin de que en
cada estacin no se cobra por costos de almacenamiento, por lo tanto, si se decide aumentar la
capacidad en nodos anteriores para satisfacer los siguientes no se considerar un costo adicional.

2. Descripcin del modelo


Para el desarrollo del problema se plante un modelo de programacin lineal con el fin de
obtener el mnimo costo total.
rbol de escenarios

Figura 2.1: rbol de escenarios del modelo.

El tiempo en el rbol de escenarios indica que se satisface la demanda de arriba hacia abajo.
Parmetros
Cnp =costo de capacidad permanente unitario para el nodo n.
Cnc =costo de capacidad contratada unitaria para el nodo n.
Cns =costo de capacidad al contado unitaria para el nodo n.
Pn =probabilidad del nodo n.
dn =demanda del nodo n.

Gestin de Operaciones II, 1er. Semestre 2017, Tarea 1: Modelo de expansin de capacidad. 2
Universidad Tcnica Federico Santa Mara Departamento de Industrias

Variables de decisin
xn =adquisicin de capacidad permanente en el nodo n.
yn =adquisicin de capacidad contratada en el nodo n.
zn =adquisicin de capacidad al contado en el nodo n.
Se tiene para el modelo que T corresponde al rbol de escenarios, T (n) al rbol correspondiente
al nodo n y T (n) = T (n) \ {n}. Tambin P(n) es el camino nico desde el nodo raz del rbol

hasta el nodo n y P(n) = P(n) \ {n}. A partir de los datos se procede a realizar el modelo que
tiene por funcin objetivo:

X
M in pn (Cnp xn + Cnc yn + Cns zn ) (1)
nT

Sujeto a las restricciones:

(xm + ya(n) + zn ) >= dn n T


P
1.
mP(n)

2. xn , yn , zn >= 0
3. xn , yn , zn = enteros

Donde a(n) corresponde al nodo antecesor inmediato de n.


La funcin objetivo corresponde al mnimo costo que se puede obtener en el rbol de escenarios
al aumentar la capacidad considerando la una ponderacin respectiva a la probabilidad del nodo
en el rbol. Las restricciones tienen como objetivo que al menos se pueda satisfacer la demanda
que se requiere en cada nodo.
La resolucin del modelo se realiz mediante la herramienta AMPL con el solver cplexamp
donde se dividi la restriccin 1 en 16 casos obtenindose como resultado la tabla A.1 en el anexo.
Esta combinacin de capacidades por nodo da un costo total de $70.543.600.000.
Si se mira la tabla A.1 se puede notar que a medida que se avanza en los nodos es menor la
capacidad que se pide, de los 3 tipos, hasta ser cero para todos los casos desde el nodo 19, esto se
puede explicar ya que a medida que se baja en la tabla de parmetros la demanda por nodo sube
pero tambin baja la probabilidad de n, por lo tanto para satisfacer la demanda de los nodos
finales la opcin ptima opta por pedir en nodos anteriores que son de probabilidad mayor ya que
la restriccin permite que por nodo se tenga una capacidad mayor a la demandada. Adems de
esto, se tiene que a medida que se baja tambin en el rbol de escenarios los costos por capacidad
aumentan, por tanto, tambin influye en que se pida en los nodos anteriores.

3. Programacin algoritmo primal


El algoritmo primario es un mtodo que permite encontrar solucin para el modelo 2 planteado
en el paper "stochastic capacity expansion with multiple sources of capacity", este algoritmo
verifica si es mas econmico cambiar la capacidad a un nodo de un tiempo anterior, ya sea como
capacidad permanente o capacidad contratada, comparando los costos de capacidad permanente
o capacidad contratada en un nodo anterior con el costo total de la capacidad permanente y la
capacidad al contado de un nodo descendiente.
Este algoritmo parte de la premisa que el que el total de la demanda de un nodo se satisface con
capacidad al contado. A partir de esto se define los siguientes conjuntos:

Gestin de Operaciones II, 1er. Semestre 2017, Tarea 1: Modelo de expansin de capacidad. 3
Universidad Tcnica Federico Santa Mara Departamento de Industrias

Algoritmo primal para el modelo 2

Definido el conjunto se desarrolla el algoritmo primal.

Algoritmo primal para el modelo 2

Para desarrollar el algoritmo primal se trabajo con el lenguaje Python ocupando como desa-
rrollador el programa Pycharm.
Para efectuar el desarrollo del algoritmo se trabajaron con listas en donde se almacenaba ordena-
damente los nodos sucesores de cada nodo, los nodos antecesores de cada nodo, la demanda, la

Gestin de Operaciones II, 1er. Semestre 2017, Tarea 1: Modelo de expansin de capacidad. 4
Universidad Tcnica Federico Santa Mara Departamento de Industrias

capacidad permanente, la capacidad contratada, la capacidad al contado y los nodos inmediata-


mente sucesores.
Enseguida las capacidad contratadas y permanente se transforman en cero y las capacidades al
contado pasan a ser igual a la demanda del nodo, posteriormente se crean listas vacas en donde
se almacenaran las variables de los subconjuntos a, enseguida se hace una prueba condicional que
si la variable la cumple ingresa a las listas a segn corresponda, luego se calculan las variables
deltas y los betas respectivo para comenzar con el proceso de iteracin mediante un comando
while. Al comenzar el proceso de iteracin segn los valores de beta se ve la forma de descontar las
capacidades al contado para ir agregndola como capacidad permanente o contada de algn nodo
anterior, el proceso termina cuando el el beta 1 es mayor al beta 2, lo que significa que seguir
reduciendo la capacidad al contado aumenta los costos totales, por lo que se vuelven a calcular los
conjuntos a, delta y betas.
Terminado esto vuelve a comenzar el ciclo pero esta vez tomando el nodo anterior del que se
estaba trabajando. El proceso se repite hasta que k se transforma en cero en donde se detiene y
se devuelve los respectivos valores de capacidad contratada, capacidad al contado y capacidad
permanente ptimos.
Lamentablemente no se pudo obtener la solucin optima en el tiempo pedido dado que aun el
computador estaba calculando el optimo en el momento de entrega del informe, se trabajo con un
notebook Lenovo el cual tenia un procesador intel i3-3110m y 8 gb de ram, este computador no
encontr una solucin optima en un plazo de 10 horas, de todas maneras se adjunta la linea de
comando trabajada.
Se esperaba que seguramente el costo obtenido mediante este algoritmo sea menor que al del otro
modelo dado que este modelo no consideraba el aspecto estocsticos de la probabilidad de cada
nodo, por lo que se espera que el modelo tenga inserta una menor variabilidad, esto se debera
transformar en un menor costo total comparndolo que la solucin del ejercicio anterior.

4. Variacin Lost Sale del modelo


Posteriormente el modelo (1) que se introdujo en la primera se modifica considerando ahora
la posibilidad de Lost sale o venta perdida y quiere decir que el nuevo modelo ahora admite la
posibilidad de dejar demanda insatisfecha en cada nodo.
De esta forma se introduce una nueva variable:
wn =Demanda insatisfecha unitaria.
Se introduce tambin un nuevo parmetro:
cln s=Costo unitario por demanda insatisfecha.
Considerando esto se tiene que la nueva funcin objetivo es:
X
M in (Cnp xn + Cnc yn + Cns zn + Cnls wn ) (2)
nT

Las restricciones entonces quedan:

(xm + ya(n) + zn + wn ) >= dn n T


P
1.
mP(n)

2. xn , yn , zn , wn >= 0

3. xn , yn , zn , wn = enteros

Gestin de Operaciones II, 1er. Semestre 2017, Tarea 1: Modelo de expansin de capacidad. 5
Universidad Tcnica Federico Santa Mara Departamento de Industrias

Se puede ver aqu que el cambio ms grande lo da la restriccin 1.


Al modelo sin modificar si se le resta wn a dn entonces se tiene la demanda que efectivamente
se satisface mediante la suma de las capacidades, por lo tanto, si se suma wn al otro lado de la
ecuacin entonces la suma de las capacidades en n mas la demanda insatisfecha de n dar como
resultado la demanda total.
Este modelo se usa para ver en qu condiciones conviene perder una venta a realizarla, se
asocia al llamado costo de oportunidad o al trade off costo-beneficio, en este caso como no se
asumi una utilidad por venta por lo que el resultado ptimo depender del parmetro costo
unitario por demanda insatisfecha y como ste vare.
Para tener una mejor visin de cmo influye el lost sale en el modelo se realizaron 3 pruebas
para dejar en claro su comportamiento.

Prueba 1: Se aplica un costo constante de demanda insatisfecha muy bajo comparado con
los costos por adquirir la capacidad correspondiente a $1.000. La tabla B.1 de resultados
se puede ver en el anexo. El costo total obtenido para esta prueba fue de $7.199.200.000
y como se ve en la tabla B.1 el modelo asume que es ms barato no vender que la venta
misma ya que no hay asociado un beneficio, por lo tanto, iguala a wn todas las demandas y
lleva a cero todos los tipos de capacidad.

Prueba 2: Se aplica un costo constante de demanda insatisfecha similar a los costos por
adquirir la capacidad correspondiente a $10.000. La tabla C.1 de resultados se puede ver en
el anexo.
El costo total obtenido para esta prueba fue de $53.436.300.000 y como se ve en los resultados
an existe preferencia por no satisfacer la demanda. Esto se debe a que el costo es constante
y que sigue siendo menor el costo por lost sale que los dems.

Prueba 3: Se aplica un costo constante de demanda insatisfecha mucho mayor a los costos
por adquirir la capacidad correspondiente a $100.000. La tabla D.1 de resultados se puede
ver en el anexo.
El costo total obtenido para esta prueba fue de $85.641.000.000. Se esperara que los
resultados para este caso fueran los resultados correspondientes a la resolucin del modelo 1
inicialmente visto pero ahora con la variable nueva igual a cero, esto no es as ya que se
cambi la restriccin de la demanda, antes como la restriccin permita acumular capacidad
ya que se admita una suma mayor a la demanda, entonces se aprovechaba de acumular en
los nodos ms baratos que eran los superiores, pero como ahora la restriccin est restringida
con una igualdad no se puede realizar esto y por ende si hace falta se debe pedir en las otras
variables para el nodo correspondiente, es por esto que los costos aumentan tanto y que el
resultado es el expuesto en la tabla D.1.

5. Conclusin
En primer lugar se puede decir del modelo 1, que a medida que se avanza en el tiempo t, los
costos irn aumentando, por lo que es preferible producir en los tiempos ms pequeos, pero
considerando los valores de las probabilidades, los niveles ms bajos del rbol tambin poseen
valores menores, por lo que si consideramos la ponderacin de esto respecto de los costos y de
las demandas, se obtiene que de todas formas los nodos de ms abajo aportan ms al costo final.
Para el modelo primal, se puede concluir que existen diferentes formas de resolverlo, una de estas
es la programacin lineal, la cual se puede realizar por software como el AMPL, y otra forma

Gestin de Operaciones II, 1er. Semestre 2017, Tarea 1: Modelo de expansin de capacidad. 6
Universidad Tcnica Federico Santa Mara Departamento de Industrias

distinta puede ser a travs de iteraciones, las cuales se pueden realizar con cualquier lenguaje de
programacin como puede ser Python. Para el modelo con Lost Sale, se observa que existe un
gran trade off entre la demanda insatisfecha y la capacidad de la planta, esta tiene como pilar
fundamental el costo por demanda insatisfecha, el cual modificar la capacidad de la planta a
medida que cambia. Esto se puede ver en las pruebas realizadas, donde se tiene que para valores
bajos del costo por demanda insatisfecha, la capacidad de la planta es cero por lo que conviene no
producir. Esto se da por que no existen ingresos que aporten al beneficio de la empresa, ya que si
los hubiese, habra que analizar el problema y ver los nuevos resultados.
Se puede concluir tambin que no siempre es una buena opcin aumentar la capacidad de una
empresa, ya que los costos de esto podran ser demasiado elevados y podran no ser un proyecto
rentable.

Gestin de Operaciones II, 1er. Semestre 2017, Tarea 1: Modelo de expansin de capacidad. 7
Universidad Tcnica Federico Santa Mara Departamento de Industrias

A. Anexo 1

Tabla A.1: Resultados modelo 1

Nodo x y z
1 1149750 0 657000
2 853575 0 0
3 0 0 0
4 0 0 0
5 0 0 367920
6 0 0 862613
7 0 641064 0
8 0 0 0
9 0 1502490 0
10 0 2644540 652598
11 0 2356070 853575
12 0 3498120 1506170
13 0 3498120 1506170
14 0 5012190 2371360
15 0 0 0
16 0 0 0
17 0 0 641064
18 0 0 1502490
19 0 0 0
20 0 0 0
21 0 0 0
22 0 0 0
23 0 0 0
24 0 0 0
25 0 0 0
26 0 0 0
27 0 0 0
28 0 0 0
29 0 0 0
30 0 0 0
31 0 0 0

Gestin de Operaciones II, 1er. Semestre 2017, Tarea 1: Modelo de expansin de capacidad. 8
Universidad Tcnica Federico Santa Mara Departamento de Industrias

B. Anexo 2

Tabla B.1: Resultados modelo de lost sale para Cnls =$1000.

Nodo x y z w
1 0 0 0 657000
2 0 0 0 867240
3 0 0 0 1149750
4 0 0 0 1144757
5 0 0 0 1517670
6 0 0 0 1517670
7 0 0 0 2012063
8 0 0 0 1511079
9 0 0 0 2003325
10 0 0 0 2003325
11 0 0 0 2655923
12 0 0 0 2003325
13 0 0 0 2655923
14 0 0 0 2655923
15 0 0 0 3521110
16 0 0 0 1994625
17 0 0 0 2644389
18 0 0 0 2644389
19 0 0 0 3505818
20 0 0 0 2644389
21 0 0 0 3505818
22 0 0 0 3505818
23 0 0 0 4647865
24 0 0 0 2644389
25 0 0 0 3505818
26 0 0 0 3505818
27 0 0 0 4647865
28 0 0 0 3505818
29 0 0 0 4647865
30 0 0 0 4647865
31 0 0 0 6161942

Gestin de Operaciones II, 1er. Semestre 2017, Tarea 1: Modelo de expansin de capacidad. 9
Universidad Tcnica Federico Santa Mara Departamento de Industrias

C. Anexo 3

Tabla C.1: Resultados modelo de lost sale para Cnls =$10000.

Nodo x y z w
1 867240 0 0 657000
2 2277517 0 0 0
3 0 0 0 282510
4 0 0 0 0
5 0 0 0 372913
6 0 0 0 350430
7 0 0 0 1144820
8 0 0 0 366322
9 0 0 0 858568
10 0 1499630 0 858568
11 0 2361969 0 1511170
12 0 1777150 0 1136080
13 0 2638580 0 1788680
14 0 2638580 0 1788680
15 0 3780622 0 263870
16 0 0 0 849868
17 0 0 0 1499630
18 0 0 0 1499630
19 0 0 0 2361060
20 0 0 0 0
21 0 0 0 861429
22 0 0 0 0
23 0 0 0 1142050
24 0 0 0 0
25 0 0 0 861429
26 0 0 0 0
27 0 0 0 1142050
28 0 0 0 0
29 0 0 0 1142050
30 0 0 0 0
31 0 0 0 1514080

Gestin de Operaciones II, 1er. Semestre 2017, Tarea 1: Modelo de expansin de capacidad. 10
Universidad Tcnica Federico Santa Mara Departamento de Industrias

D. Anexo 4

Tabla D.1: Resultados modelo de lost sale para Cnls =$100000.

Nodo x y z w
1 867240 0 657000 0
2 2277517 0 0 0
3 0 0 282510 0
4 366322 0 0 0
5 0 0 372913 0
6 0 0 0 0
7 0 0 1144820 0
8 0 483546 0 0
9 0 0 492246 0
10 0 1499630 858568 0
11 0 2361969 1511170 0
12 0 1777150 1136080 0
13 0 2638580 1788680 0
14 0 2638580 1788680 0
15 0 3780622 2653870 0
16 0 0 0 0
17 0 0 649764 0
18 0 0 1133310 0
19 0 0 1994740 0
20 0 0 0 0
21 0 0 861429 0
22 0 0 0 0
23 0 0 1142050 0
24 0 0 0 0
25 0 0 861429 0
26 0 0 0 0
27 0 0 1142050 0
28 0 0 0 0
29 0 0 1142050 0
30 0 0 0 0
31 0 0 1514080 0

Gestin de Operaciones II, 1er. Semestre 2017, Tarea 1: Modelo de expansin de capacidad. 11